一.Matplotlib的概念
Matplotlib 是 Python 生态中最核心、最基础的 2D 数据可视化库，被称为 Python 数据可视化的 "泰斗"。
- 核心能力：生成出版级质量的静态、动态、交互式图表，支持折线图、柱状图、散点图、饼图等几乎所有常见图表类型。
- 应用场景：可用于 Python 脚本、Jupyter Notebook、Web 应用、GUI 工具等，是 pandas、seaborn 等高级可视化库的底层基础（这些库本质是对 Matplotlib 的封装）。
- 核心优势：高度可定制化，能精准控制图表的每一个细节（线条、颜色、标签、字体等），是数据分析师、科研人员的必备工具。
二、一个最简单的绘图例子
Matplotlib 绘图的核心是两个层级：
- Figure（画布）：整个图表的最外层容器，相当于我们画图的 "纸"，可以是窗口、Jupyter 单元格等。
- Axes（坐标轴 / 子图）：画在 Figure 上的、带坐标系的绘图区域，一个 Figure 可以包含 1 个或多个 Axes。
简单来说：Figure 是画布，Axes 是画布上的画纸，所有的图表元素（线条、标签、刻度）都画在 Axes 上。
1.面向对象式
这是 Matplotlib 官方推荐的标准写法，适合复杂图表和精细化控制
# 1. 导入依赖库
import matplotlib.pyplot as plt
import numpy as np
# 2. 创建画布(figure)和坐标轴(axes)
fig, ax = plt.subplots() # 默认创建1个Axes，也可指定行列数，如 plt.subplots(2,1) 创建2行1列的子图
# 3. 在Axes上绘制折线图
# plot(横坐标列表, 纵坐标列表)
ax.plot([1, 2, 3, 4], [1, 4, 2, 3])
# 4. 显示图表（Jupyter中可省略，脚本中必须加）
plt.show()运行效果：
2.pyplot 式
这种写法模仿 MATLAB 的语法，自动创建 Axes，适合快速绘图、简单场景。
# 导入依赖库
import matplotlib.pyplot as plt
# 直接调用 plt.plot() 绘图，Matplotlib 自动创建 Figure 和 Axes
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
# 显示图表
plt.show()运行效果：
三、Figure 的组成
1.Matplotlib 的图表是一个层级化的容器结构，从顶层到底层依次为：
| 层级 | 名称 | 核心作用 | 对应操作 |
|---|---|---|---|
| 顶层 | Figure（画布） | 整个图表的最外层容器，容纳所有绘图元素 | plt.figure() / fig = plt.figure() |
| 核心 | Axes（子图 / 坐标轴区域） | Matplotlib 的核心，一个 Figure 可包含 1 个或多个 Axes，是真正的绘图区域 | fig.subplots() / ax = plt.subplots() |
| 从属 | Axis（坐标轴） | Axes 的下属层级，处理坐标轴、网格等相关元素 | ax.xaxis / ax.yaxis |
| 底层 | Tick（刻度） | Axis 的下属层级，处理刻度、刻度标签等细节 | ax.xaxis.set_major_locator() 等 |
2.完整图表的所有元素
1. 基础容器类
- Figure：最外层画布，控制图表大小、背景色等
- Axes：子图区域，所有绘图操作的核心载体
- Spine（坐标轴脊线） ：包围 Axes 的四条边框，可隐藏、修改样式（
ax.spines）
2. 坐标轴与刻度类
- Axis（x/y 轴）：坐标轴对象，控制轴的范围、样式
- Major tick（主刻度） ：主刻度线，对应大的数值标记（
ax.yaxis.set_major_locator） - Minor tick（次刻度） ：次刻度线，用于更精细的刻度划分（
ax.yaxis.set_minor_locator） - Major/Minor tick label（刻度标签） ：刻度上的文字，可自定义格式（
set_major_formatter） - xlabel /ylabel（坐标轴标签） ：坐标轴的说明文字（
ax.set_xlabel()/ax.set_ylabel()）
3. 数据与装饰类
- Line（线条） ：折线图的线条，通过
ax.plot()绘制 - Markers（标记） ：散点图的标记点，通过
ax.scatter()绘制 - Title（标题） ：图表的标题（
ax.set_title()） - Grid（网格线） ：背景网格，辅助读数（
ax.grid()） - Legend（图例） ：标注不同数据系列的含义（
ax.legend()）
四、两种核心绘图接口详解
Matplotlib 提供了两种完全等效的绘图方式，适用于不同场景：
1. 面向对象式（OO 模式）
核心逻辑 ：显式创建 figure 和 axes 对象，所有操作都通过对象方法完成，逻辑清晰、可维护性高。
import matplotlib.pyplot as plt
import numpy as np
# 1. 生成数据：0到2之间取100个等间距点
x = np.linspace(0, 2, 100)
# 2. 显式创建figure和axes
fig, ax = plt.subplots()
# 3. 在axes上绘制三条曲线
ax.plot(x, x, label='linear') # 一次函数 y=x
ax.plot(x, x**2, label='quadratic') # 二次函数 y=x²
ax.plot(x, x**3, label='cubic') # 三次函数 y=x³
# 4. 配置图表元素
ax.set_xlabel('x label') # x轴标签
ax.set_ylabel('y label') # y轴标签
ax.set_title("Simple Plot") # 图表标题
ax.legend() # 显示图例
# 5. 显示图表（脚本中必须，Jupyter中可省略）
plt.show()运行效果
- 优势 ：
- 逻辑清晰，每个操作都明确作用于哪个
axes，多子图场景下不会混淆 - 高度可定制，适合复杂图表、科研绘图、生产环境
- 符合 Python 面向对象的编程思想，可维护性强
- 逻辑清晰，每个操作都明确作用于哪个
2. pyplot 式（MATLAB 风格）
核心逻辑 ：依赖 pyplot 自动创建 figure 和 axes，所有操作都通过 plt.xxx() 完成，代码极简。
import matplotlib.pyplot as plt
import numpy as np
# 1. 生成数据
x = np.linspace(0, 2, 100)
# 2. 直接调用plt.plot绘图，自动创建figure和axes
plt.plot(x, x, label='linear')
plt.plot(x, x**2, label='quadratic')
plt.plot(x, x**3, label='cubic')
# 3. 配置图表元素
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
# 4. 显示图表
plt.show()运行效果
- 优势 ：
- 代码极简，一行绘图，适合快速探索数据、简单可视化
- 语法和 MATLAB 高度相似，MATLAB 用户上手无压力
- 劣势 ：
- 多子图场景下容易混淆当前操作的
axes，不适合复杂定制 - 代码可维护性差，大型项目不推荐
- 多子图场景下容易混淆当前操作的
3.两种接口的核心对比
| 对比维度 | 面向对象式（OO 模式） | pyplot 式（MATLAB 风格） |
|---|---|---|
| 创建方式 | 显式创建 fig, ax = plt.subplots() |
隐式自动创建，无需手动声明 |
| 操作方式 | 所有操作通过 ax.xxx() 完成 |
所有操作通过 plt.xxx() 完成 |
| 代码复杂度 | 稍多，需手动创建对象 | 极简，一行绘图 |
| 灵活性 | 极高，支持多子图、精细化控制 | 一般，简单场景够用 |
| 适用场景 | 复杂图表、科研绘图、生产环境 | 快速探索、简单可视化、MATLAB 迁移 |
| 可维护性 | 高，逻辑清晰，不易出错 | 低，多子图易混淆 |
| 官方推荐 | 官方推荐标准写法 | 仅用于快速绘图 |