数据可视化是数据分析的核心环节，而 Matplotlib 是 Python 生态中最经典、最常用的可视化库，无论是科研绘图、业务报表还是日常数据分析，都能完美胜任。它支持折线图、柱状图、散点图、直方图等几乎所有常用图表，还能精细化调整样式，满足从入门到专业的所有需求。
本文全程以代码示例为主，从基础安装、简单绘图，到进阶样式调整、多子图、常用图表实战，带你快速掌握 Matplotlib 核心用法，复制代码即可直接运行！
一、环境准备：安装 Matplotlib
首先确保已安装 Matplotlib，打开终端执行一行命令即可：
bash
pip install matplotlib二、基础入门：第一个 Matplotlib 图表
Matplotlib 最核心的模块是 pyplot，我们通常简写为 plt 使用。先从最简单的折线图开始，这是所有可视化的基础。
1. 最简折线图（无任何多余配置）
python
import matplotlib.pyplot as plt
# AttributeError: 'FigureCanvasInterAgg' object has no attribute 'tostring_rgb'. Did you mean: 'tostring_argb'?
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg') # 加上这一句！
# 准备数据
x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
y = [2, 4, 6, 8, 10, 12, 14, 16, 18, 20]
# 绘制折线图
plt.plot(x, y)
plt.show()运行效果 ：弹出一个窗口，显示一条从左下到右上的直线，这是 Matplotlib 最基础的绘图流程。
2. 基础图表：添加标题、坐标轴标签
实际使用中，我们需要给图表添加说明，让数据更易读：
python
import matplotlib.pyplot as plt
# AttributeError: 'FigureCanvasInterAgg' object has no attribute 'tostring_rgb'. Did you mean: 'tostring_argb'?
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# 绘制折线图
plt.plot(x, y)
# 添加标题
plt.title("折线图示例", fontsize=16)
# 添加标签
plt.xlabel("X轴", fontsize=12)
# 添加标签
plt.ylabel("Y轴", fontsize=12)
plt.show()
三、核心常用图表：代码直接复制使用
Matplotlib 支持数十种图表，这里整理工作中最常用的 5 种图表，附带完整可运行代码。
1. 折线图（多组数据 + 样式自定义）
折线图适合展示数据随时间 / 序列的变化趋势，支持自定义颜色、线型、标记点：
python
import matplotlib.pyplot as plt
import numpy as np
# 生成连续数据（0-10，共100个点）
x = np.linspace(0, 10, 100)
y1 = np.sin(x) # 正弦曲线
y2 = np.cos(x) # 余弦曲线
# 绘制两条折线，自定义样式
plt.plot(x, y1, color="red", linestyle="-", linewidth=2, label="sin(x)")
plt.plot(x, y2, color="blue", linestyle="--", linewidth=2, label="cos(x)")
# 添加图例、网格、标题
plt.legend() # 显示图例（依赖label参数）
plt.grid(True, alpha=0.3) # 添加网格，alpha=透明度
plt.title("正弦&余弦曲线", fontsize=14)
plt.show()
2. 柱状图（对比分类数据）
柱状图用于对比不同分类的数据大小，是业务分析最常用的图表：
python
import matplotlib.pyplot as plt
import numpy as np
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 分类数据
categories = ["产品A", "产品B", "产品C", "产品D"]
sales = [350, 520, 280, 450] # 销量数据
plt.bar(categories, sales, color=["#FF6B6B", "#FFD166", "#06D6A0", "#118AB2"])
# 添加数值标签
for i, v in enumerate(sales):
plt.text(i, v, str(v), ha="center", va="bottom")
plt.title("产品销量统计")
# 图表说明
plt.xlabel("产品")
plt.ylabel("销量")
plt.grid(True, which="major", axis="y", linestyle="--", linewidth=0.5, color="gray", alpha=0.5)
plt.show()
3. 散点图（展示变量相关性）
散点图用于展示两个变量之间的关系 / 相关性，比如身高与体重、广告投入与销量：
python
import matplotlib.pyplot as plt
import numpy as np
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 随机生成数据
# 生成100个0-10的随机数
x = np.random.rand(100)
# 线性相关加噪声
y = x * 2 + np.random.randn(100) * 0.1
# 绘制散点图, s=点大小， alpha=透明度， c=颜色， edgecolors=边框颜色
plt.scatter(x, y, s=50, alpha=0.5, c='red', edgecolors='pink')
# 标题和标签
plt.title('散点图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.grid(True, which='major', axis='both', linestyle='--', linewidth=0.5, color='gray', alpha=0.5)
plt.show()
4. 直方图（展示数据分布）
直方图用于展示数据的分布规律（如成绩分布、年龄分布、薪资分布）：
python
import matplotlib.pyplot as plt
import numpy as np
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 生成正态分布数据
x = np.random.randn(1000)
# 绘制直方图， bins分组数量=30，颜色为红色，透明度为0.5, 边框颜色为粉色
plt.hist(x, bins=30, color='#FF6B6B', alpha=0.5, edgecolor='pink')
# 添加标题
plt.title('正态分布直方图')
# 添加x轴标签
plt.xlabel('数据值')
# 添加y轴标签
plt.ylabel('频数')
plt.show()
5. 饼图（展示占比关系）
饼图用于展示各部分占整体的比例，如市场份额、支出结构：
python
import matplotlib.pyplot as plt
import numpy as np
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 数据
labels = ["餐饮", "购物", "交通", " Entertainment", "医疗", "教育", "其他"]
sizes = [15, 30, 20, 25, 10, 15, 10]
colors = ["#FF6B6B", "#FFD166", "#06D6A0", "#118AB2", "#F72585", "#F77F00", "#F9D423"]
# 绘制饼图，autopct=显示百分比，explode=突出显示某一块
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', explode=[0.1, 0, 0, 0, 0, 0, 0])
plt.title("消费占比")
# 设置饼图的半径， 保证饼图是正圆
plt.axis('equal')
plt.show()
四、进阶用法：多子图（一张画布画多个图表）
实际分析中，我们经常需要在一张图里展示多个子图 ，Matplotlib 用 subplot 轻松实现：
python
import matplotlib.pyplot as plt
import numpy as np
# PyCharm + Matplotlib 版本不兼容导致的经典报错
import matplotlib
matplotlib.use('TkAgg')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 创建画布，2行2列，共四个子图
fig, axs = plt.subplots(2, 2)
# 子图1：折线图
axs[0, 0].plot([1, 2, 3, 4], [10, 20, 30, 40])
# 子图2：柱状图
axs[0, 1].bar([1, 2, 3, 4], [10, 20, 30, 40])
# 子图3：散点图
axs[1, 0].scatter([1, 2, 3, 4], [10, 20, 30, 40])
# 子图4：饼图
axs[1, 1].pie([10, 20, 30, 40], labels=['A', 'B', 'C', 'D'])
# 自动调整子图距离
plt.tight_layout()
plt.show()
五、实用技巧：保存高清图片
绘制好的图表可以直接保存为PNG、PDF、SVG 等格式，支持设置分辨率（适合论文、报告）：
python
import matplotlib.pyplot as plt
x = [1,2,3,4,5]
y = [2,4,6,8,10]
plt.plot(x, y)
# 保存图片（dpi=分辨率，越高越清晰） 自动裁剪图表多余空白
plt.savefig("my_plot.png", dpi=300, bbox_inches="tight")
plt.close()
六、总结
Matplotlib 是 Python 数据可视化的基石，核心用法非常简单：
-
导入模块：
import matplotlib.pyplot as plt -
准备数据：列表 / 数组均可
-
绘制图表：
plt.plot()/plt.bar()/plt.scatter()等 -
添加样式：标题、标签、图例、网格
-
显示 / 保存：
plt.show()/plt.savefig()
本文所有代码复制即可运行，覆盖日常分析 90% 的可视化场景。熟练掌握这些基础用法后，再结合 Pandas、Seaborn 等库，能轻松完成更复杂的数据分析与可视化工作。
-
Matplotlib 核心模块是
pyplot，简写plt是行业通用习惯； -
常用图表：折线图 (趋势)、柱状图 (对比)、散点图 (相关性)、直方图 (分布)、饼图 (占比)；
-
基础流程：导库→准备数据→绘图→美化→显示 / 保存；
-
多子图用
subplot，保存高清图用savefig\(dpi=300\)。