【数据分析|Day02】Matplotlib 数据可视化笔记

文章目录

• [1. Matplotlib 初识](#1. Matplotlib 初识)
• [2. 图表"零件"](#2. 图表“零件”)
• [3. 创建图表的核心流程](#3. 创建图表的核心流程)
• [4. 折线图](#4. 折线图)
• • [4.1 多条折线](#4.1 多条折线)
  • [4.2 网格线样式](#4.2 网格线样式)
• [5. 柱状图](#5. 柱状图)
• • [5.1 分组柱状图](#5.1 分组柱状图)
• [6. 饼状图](#6. 饼状图)
• [7. 子图布局](#7. 子图布局)
• • [7.1 1×2 子图：柱状图 vs 饼状图并排对比](#7.1 1×2 子图：柱状图 vs 饼状图并排对比)
  • [7.2 2×2 四宫格：四种图表同框](#7.2 2×2 四宫格：四种图表同框)

---

📁 代码讲义：Matplotlib.ipynb

📅 更新日期：2026-06-07

---

1. Matplotlib 初识

我一开始就被 matplotlib 这个名字难住了，其实把它拆开就很简单：Mat + plot + lib 。Mat 取自 Matlab一款以强大绘图能力著称的科学计算软件，plot 就是"绘图"，lib 是 library（库）的缩写。连起来就是**"模仿 Matlab 风格的绘图库"**这样拆开记就好记多了。

那么Matplotlib到底是什么呢？

Matplotlib 是 Python 中使用最广泛的数据可视化开源库 ，通过 pip install matplotlib 就能安装。它可以创建静态图、动态图和交互式图表，不过我们现阶段学习的主要是静态图表也就是生成一张固定的 PNG 或 SVG 图片用于报告和展示。

注意：Matplotlib 默认字体不支持中文，标题或标签中出现中文会变成方框□□□，加下面两行即可解决（不用死记，知道有这回事、用到时复制就行）

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']       # Windows 用黑体
plt.rcParams['axes.unicode_minus'] = False          # 解决负号显示异常

---

2. 图表"零件"

在写代码之前，先搞清楚一张图表到底由哪些"零件"组成。后面写的每一行代码，本质上都是在操控这些零件中的某一个。心中有这张"零件地图"，学起来才不会云里雾里。

序号	组成部分	说明
①	Figure（画布）	最外层容器，所有内容都画在上面，可以理解为"画纸"
②	Axes（绘图区）	画布中实际绘制数据的坐标系区域，一个画布可以有多个绘图区（子图）,之后会介绍
③	Title（标题）	图表的标题，说明整张图在表达什么
④	X/Y Axis（坐标轴）	包含轴线、刻度、刻度标签、轴标签
⑤	X/Y Label（轴标签）	说明每个轴代表什么含义，如"时间(s)"、"销售额(万元)"
⑥	Ticks（刻度位置）	刻度线在轴上的位置，是一个数值
⑦	Tick Labels（刻度标签）	刻度位置处显示的文字，可以是数字或自定义文字
⑧	Grid（网格线）	辅助读数的水平/垂直线
⑨	Legend（图例）	多条线或多组数据时，说明每条线的含义

⚠️ 最容易混淆的一对概念 ：Ticks（刻度位置）和 Tick Labels（刻度标签）。很多人以为它们是一回事，其实不是Ticks 是"刻度线画在哪个数值位置"，Tick Labels 是"那个位置显示什么字" 。比如你写 plt.yticks([2, 4, 6, 8], ['A', 'B', 'C', 'D'])，前面的 [2,4,6,8] 是位置（决定线画在哪），后面的 ['A','B','C','D'] 是标签（决定人看到什么）。位置是数学坐标，标签是给人看的，两者可以完全不同。这个区分搞清楚了，后面设置刻度才不会乱。

简单的可以用下面用一段完整代码把上面九个部分全部可视化出来，体验一下：

plt.figure(figsize=(10, 6))

x = np.arange(1, 8)
y = [3, 5, 2, 8, 6, 9, 4]

plt.plot(x, y, marker='o', linewidth=2, markersize=8, label='销售额')

# ---- ③ 标题 ----
plt.title('某产品一周销售额趋势', fontsize=16, fontweight='bold')

# ---- ⑤ 轴标签 ----
plt.xlabel('星期', fontsize=12)
plt.ylabel('销售额（万元）', fontsize=12)

# ---- ⑥⑦ 刻度位置 + 刻度标签 ----
plt.xticks(x, ['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
plt.yticks(range(0, 11, 2))

# ---- ⑧ 网格线 ----
plt.grid(True, linestyle='--', alpha=0.5)

# ---- ⑨ 图例 ----
plt.legend(loc='upper left', fontsize=11)

plt.show()

---

3. 创建图表的核心流程

无论画什么类型的图表，Matplotlib 的创建流程基本固定为以下五步：

① 创建画布         plt.figure(figsize=(10, 5))
② 准备数据         x = [...], y = [...]          ← x 和 y 维度必须一一对应
③ 选择图表类型绘图   plt.plot(x, y) / plt.bar() / plt.pie()
④ 美化图表         标题、轴标签、刻度、网格、图例
⑤ 显示或保存       plt.show() / plt.savefig()

这里有两个常见疑问。

• 第一，步骤①和②能颠倒吗？
  能，但更推荐先创建画布，就像画画先铺画纸再想画什么，逻辑更顺；而且后面学到子图时必须先 plt.subplots() 拿到 axes 才能绘图，养成先建画布的习惯有好处。
• 第二，不写 plt.figure() 行不行？
  行，plot 会自动帮你创建一个默认大小的画布。但默认尺寸往往不是最佳效果，实际项目中都会手动设置 figsize，所以一般保持习惯书写。

下面用折线图作为第一个例子，把五步法完整走一遍：

# ① 创建画布
plt.figure(figsize=(10, 5))

# ② 准备数据（X 和 Y 维度必须一一对应）
x = range(10)
y = [1.5, 3.2, 2.8, 5.1, 4.3, 6.7, 5.9, 8.2, 7.1, 9.0]

# ③ 绘图：折线图
# 常用参数：marker, color, linewidth, linestyle, label, alpha
plt.plot(x, y, marker='o', linewidth=2, color='steelblue', label='数据线')

# ④ 美化
plt.title('折线图基础示例', fontsize=14)
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# xticks：只设位置，标签自动显示位置数值
plt.xticks(x[::2])

# yticks：位置 + 自定义标签 ------ ticks是数值位置，labels是显示文字
plt.yticks([2, 4, 6, 8, 10], ['A', 'B', 'C', 'D', 'E'])

plt.grid(True, linestyle='--', alpha=0.5)
plt.legend()

# ⑤ 显示
plt.show()

重点看 plt.yticks([2, 4, 6, 8, 10], ['A', 'B', 'C', 'D', 'E']) 这一行------刻度线画在 2、4、6、8、10 这些数值位置，但显示出来的文字是 A、B、C、D、E。这就是前面强调的：位置和标签可以完全不同。

Ticks 与 Tick Labels 再辨析

为了彻底搞懂这个最容易混淆的点，再看一个专门的对比示例：

plt.figure(figsize=(12, 5))

x = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
y = [1.2, 3.5, 2.8, 6.1, 4.9, 7.3, 5.6, 9.0, 8.2, 10.5]

plt.plot(x, y, marker='s', linewidth=2, color='teal')
plt.title('Ticks 与 Tick Labels 辨析', fontsize=14)

# xticks：只传位置，标签自动显示数值
plt.xticks([0, 2, 4, 6, 8])

# yticks(位置, 标签)：刻度画在数字位置，但显示成字母
plt.yticks([2, 4, 6, 8, 10], ['A', 'B', 'C', 'D', 'E'])

plt.xlabel('X 轴（间隔取刻度）')
plt.ylabel('Y 轴（刻度位置是数字，标签是字母）')
plt.grid(True, linestyle=':', alpha=0.5)
plt.show()

另外有两个常见错误写法需要特别指出：

• plt.ytick_label(...) ------这个方法从来就不存在 ！Matplotlib 里没有这个函数名，不要和 plt.yticks() 搞混。
• plt.set_yticklabels(...) ------也会报 AttributeError。因为 set_yticklabels() 是 Axes 对象的方法 ，不是 pyplot 模块的函数。在 pyplot 风格下单图直接用 plt.yticks(位置, 标签) 一步到位即可。只有面向对象风格（子图）才需要分两步写：先 ax.set_yticks() 设位置，再 ax.set_yticklabels() 设标签。

---

4. 折线图

折线图是最基本的图表类型，用来展示数据随 X 轴变化的趋势。它的常用参数就几个：

参数	说明	示例
x, y	横纵坐标数据，长度必须一致	plt.plot([1,2,3], [4,5,6])
color	线条颜色	'steelblue'、'#FF6600'
linewidth	线条粗细	2.5
linestyle	线条样式	'--' 虚线、':' 点线、'-.' 点划线
marker	数据点标记形状	'o' 圆点、's' 方块、'^' 三角、'*' 星号
label	图例标签文字（配合 plt.legend() 使用）	'销售额'
alpha	透明度（0~1）	0.7

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [10, 20, 15, 30]

plt.plot(x, y, 
         color='steelblue',    # 线条颜色
         linewidth=2.5,        # 线条粗细
         linestyle='--',       # 虚线样式
         marker='o',           # 数据点用圆点标记
         label='销售额',       # 图例标签
         alpha=0.7)            # 透明度
plt.legend()
plt.show()

4.1 多条折线

一个画布上画多条线很简单：多次调用 plt.plot() ，每条线通过 label 起个名字，最后 plt.legend() 把图例亮出来。图例位置用 loc 控制，由"垂直 + 水平"两个单词组合：'upper left'（左上）、'lower right'（右下）、'best'（自动选择最佳位置）等：

plt.figure(figsize=(10, 5))

x = range(1, 13)
y1 = [10, 15, 13, 20, 18, 25, 22, 30, 28, 35, 32, 40]
y2 = [8, 12, 16, 14, 22, 20, 26, 24, 32, 30, 38, 36]

# 画两条线 ------ 两次 plot，label 给每条线一个名字
plt.plot(x, y1, marker='o', linewidth=2, label='产品A')
plt.plot(x, y2, marker='s', linewidth=2, label='产品B')

plt.title('两产品全年销售额趋势对比', fontsize=14)
plt.xlabel('月份')
plt.ylabel('销售额（万元）')
plt.xticks(x, [f'{m}月' for m in x])

# 图例：loc 控制位置（upper/lower + left/right/center）
plt.legend(loc='upper left')

# 网格线：linestyle 线型，alpha 透明度
plt.grid(True, linestyle='--', alpha=0.4)
plt.show()

4.2 网格线样式

网格线同样可定制外观，常用的属性是 linestyle（线型）和 alpha（透明度）。下面把三种常见线型放在一起对比：

fig, axes = plt.subplots(1, 3, figsize=(15, 4))

x = range(6)
y = [2, 4, 1, 5, 3, 6]

axes[0].plot(x, y, marker='o', color='steelblue')
axes[0].set_title('虚线 linestyle="--"')
axes[0].grid(True, linestyle='--', alpha=0.6)

axes[1].plot(x, y, marker='s', color='coral')
axes[1].set_title('点线 linestyle=":"')
axes[1].grid(True, linestyle=':', alpha=0.6)

axes[2].plot(x, y, marker='^', color='seagreen')
axes[2].set_title('点划线 linestyle="-."')
axes[2].grid(True, linestyle='-.', alpha=0.6)

plt.tight_layout()
plt.show()

另外要注意：柱状图通常只设 Y 轴方向的网格（axis='y'），否则 X 轴网格会和柱子重叠显得杂乱。这个在后面柱状图示例中会看到。

---

5. 柱状图

柱状图用来比较不同类别的数值大小。它和折线图的本质区别在于：折线图看趋势（X 轴通常是连续的时间序列），柱状图比大小（X 轴通常是离散的类别标签）。

创建流程和折线图完全一致：画布→数据→绘图→美化→展示。图表结构上，柱状图同样需要标题、轴标签、刻度、网格这些通用元素。

常用的几个参数：

参数	说明	示例
x	柱子的 x 轴位置（通常为类别名称列表）	['A','B','C']
height	柱子的高度（数值），注意不是 y	[10, 25, 15]
width	柱子的宽度，默认 0.8	0.6
color	柱子填充颜色	'steelblue'、'#FF6600'
edgecolor	柱子边框颜色	'black'
alpha	透明度（0~1）	0.7
label	图例标签（配合 plt.legend()）	'销量'

注意这里参数名叫 height 而不是 y，plot 的 y 是一串连续的纵坐标值，而 bar 的 height 是每个柱子顶部的高度，柱子底部默认在 y=0。

网格通常只设 Y 轴方向（axis='y'），避免 X 轴网格干扰柱子视觉。

属性了解：

plt.bar(x=categories,
        height=sales,
        width=0.6,           # 柱子宽度
        color='steelblue',   # 填充色
        edgecolor='black',   # 边框色
        alpha=0.8,           # 透明度
        label='销售额')

完整创建柱状图画布→数据→绘图→美化→展示：

plt.figure(figsize=(10, 5))

products = ['产品A', '产品B', '产品C', '产品D', '产品E', '产品F']
sales = [120, 95, 150, 80, 200, 135]
x_pos = range(len(products))

# bar(x=柱子位置, height=柱子高度/数值, width=柱宽, color, edgecolor, alpha)
plt.bar(x_pos, sales, width=0.6, color='steelblue', edgecolor='black', alpha=0.85)

# 通用美化（和折线图一样）
plt.title('各产品销售额对比', fontsize=14)
plt.xlabel('产品名称')
plt.ylabel('销售额（万元）')
plt.xticks(x_pos, products)
plt.yticks(range(0, 250, 50))

# 柱状图网格通常只开 Y 轴，避免和柱子重叠
plt.grid(True, axis='y', linestyle='--', alpha=0.5)
plt.show()

可以看到，除了 plt.plot() 换成 plt.bar() 以及网格方向改成了 axis='y'，其他部分的写法和折线图一模一样，标题、轴标签、刻度的设置完全通用。

5.1 分组柱状图

当需要对比多组数据时（如产品 A 和产品 B 的季度销售额），思路是让每组柱子向左/右偏移半个宽度来实现并排：

plt.figure(figsize=(10, 5))

categories = ['Q1', 'Q2', 'Q3', 'Q4']
sales_A = [100, 120, 140, 160]
sales_B = [90, 110, 130, 150]

x = np.arange(len(categories))
width = 0.35

# 并排两组柱子：A 向左偏半个宽度，B 向右偏半个宽度
plt.bar(x - width/2, sales_A, width, label='产品A', color='steelblue', edgecolor='black')
plt.bar(x + width/2, sales_B, width, label='产品B', color='coral', edgecolor='black')

plt.title('两产品季度销售额对比', fontsize=14)
plt.xlabel('季度')
plt.ylabel('销售额（万元）')
plt.xticks(x, categories)
plt.legend(loc='upper left')
plt.grid(True, axis='y', linestyle='--', alpha=0.5)
plt.show()

---

6. 饼状图

饼状图用来展示各部分占总体的比例 。它和折线图、柱状图有一个根本区别：饼状图展示的是比例关系，不需要坐标轴。

这就引出了一个重要的问题，前面花了很大篇幅介绍的那些通用图表元素（标题、轴标签、刻度、网格、图例），到了饼状图这里还能用吗？

图表元素	饼状图是否适用	说明
标题 title	✅ 适用	和其他图表一样
轴标签 xlabel / ylabel	❌ 不适用	饼图没有坐标轴概念
刻度 xticks / yticks	❌ 不适用	没有轴就没有刻度
网格线 grid	❌ 不适用	没有坐标轴，设了也没意义
图例 legend	⚠️ 一般不用	饼图通常在扇形旁直接标注名称和百分比，加图例反而让读者来回对照

这就是为什么理解每种图表的"本质"很重要，折线图和柱状图本质上是"坐标轴上的数据"，所以轴标签、刻度、网格这些概念通用；而饼状图本质上是"一个圆按比例切分"，它的参数完全围绕"怎么切这个圆"来设计。

常用的几个参数：

参数	说明	示例
x	各部分数值（非负，自动换算为百分比）	[30, 20, 50]
labels	各部分名称，标注在扇形旁	['A类', 'B类', 'C类']
autopct	百分比显示格式字符串	'%1.1f%%'（一位小数）、'%d%%'（整数）
explode	突出某一部分的偏移距离（与 x 同长度）	[0, 0.1, 0]（第二块突出）
startangle	起始绘制角度（默认0=从正东逆时针）	90（从12点钟方向开始）
colors	自定义颜色列表	['#ff9999','#66b3ff','#99ff99']
wedgeprops	扇形边框样式字典	{'edgecolor':'white', 'linewidth':2}
pctdistance	百分比文字离圆心的距离（<1靠内，>1靠外）	0.7
labeldistance	类别标签离圆心的距离	1.1
shadow	是否添加阴影	True / False

饼图的数值会自动归一化成百分比，所以不必提前计算比例。

了解属性：

plt.pie(x=sizes,
        labels=labels,
        autopct='%1.1f%%',           # 保留一位小数的百分比
        explode=explode,
        startangle=90,                # 从12点钟方向开始
        colors=['#ff9999','#66b3ff','#99ff99','#ffcc99'],
        wedgeprops={'edgecolor': 'white', 'linewidth': 2},
        shadow=True,
        pctdistance=0.75,
        labeldistance=1.1)

创建饼图：

plt.figure(figsize=(8, 6))

labels = ['Python', 'Java', 'JavaScript', 'C++', 'Go', '其他']
sizes = [35, 25, 20, 8, 7, 5]
colors = ['#ff6b6b', '#4ecdc4', '#45b7d1', '#f9ca24', '#6c5ce7', '#a0a0a0']
explode = (0.08, 0, 0, 0, 0, 0)  # 只突出第一块（Python）

# pie(数值, labels=名称, autopct=百分比格式, explode=突出, startangle=起始角度, colors, wedgeprops=边框)
plt.pie(sizes,
        labels=labels,
        autopct='%1.1f%%',
        explode=explode,
        startangle=90,
        colors=colors,
        wedgeprops={'edgecolor': 'white', 'linewidth': 2})

# 饼状图只需要标题，不需要轴标签和刻度
plt.title('编程语言使用占比', fontsize=14)
plt.show()

注意对比：柱状图代码里 plt.bar() 之后跟着 xlabel、ylabel、xticks、yticks、grid，而饼状图这里 plt.pie() 之后只有一行 plt.title()。不是因为饼状图"简单"，而是因为它的图形本质决定了不需要那些坐标轴相关的设置。

---

7. 子图布局

当需要在一个画布上展示多张图表时，就需要用到子图。核心函数：

figure, axes = plt.subplots(nrows=行数, ncols=列数, figsize=(宽, 高))

它返回一个元组 (Figure, Axes) ，我们用解包的方式分别拿到画布和坐标轴。axes 的类型取决于行列数：

• 1 行 N 列 或 N 行 1 列 时，axes 是一维数组，用 axes[0]（最左/最上）、axes[1] ... axes[N-1]（最右/最下）访问
• 多行多列 （如 2×2）时，axes 是二维数组，用 axes[行][列] 访问------先行后列，和数学里矩阵的索引一模一样。比如 2×2 时：axes[0][0] 左上、axes[0][1] 右上、axes[1][0] 左下、axes[1][1] 右下

操作子图时方法名多了个 set_ 前缀，对照关系：

pyplot 风格（单图）	面向对象风格（子图）
plt.title('xxx')	ax.set_title('xxx')
plt.xlabel('xxx')	ax.set_xlabel('xxx')
plt.ylabel('xxx')	ax.set_ylabel('xxx')
plt.xticks(位置, 标签)	ax.set_xticks(位置) + ax.set_xticklabels(标签)
plt.yticks(位置, 标签)	ax.set_yticks(位置) + ax.set_yticklabels(标签)
plt.grid(True)	ax.grid(True)
plt.legend()	ax.legend()

注意一个关键区别：pyplot 风格下 plt.xticks() 一步同时设好位置和标签，但面向对象风格下需要分两步,先 ax.set_xticks() 设位置，再 ax.set_xticklabels() 设标签。因为面向对象风格把每个操作拆得更细，给了更精细的控制力。

7.1 1×2 子图：柱状图 vs 饼状图并排对比

这个例子把柱状图和饼状图放一起，直观感受创建时的不同

figure, axes = plt.subplots(nrows=1, ncols=2, figsize=(14, 5))

# 1×2 时：axes[0]=左图, axes[1]=右图

# ===== 左图：柱状图 ------ 有坐标轴，需要标题、刻度、网格 =====
axes[0].bar([1, 2, 3, 4, 5, 6], [1, 2, 3, 4, 5, 6],
            color='steelblue', edgecolor='black')
axes[0].set_title('柱状图', fontsize=13)
axes[0].set_xticks([1, 2, 3, 4, 5, 6])
axes[0].set_xticklabels(['A', 'B', 'C', 'D', 'E', 'F'])
axes[0].set_yticks([1, 2, 3, 4, 5, 6])
axes[0].set_yticklabels(['a', 'b', 'c', 'd', 'e', 'f'])
axes[0].grid(linestyle='--', alpha=0.5)

# ===== 右图：饼状图 ------ 无坐标轴，仅标题，labels 直接传入 pie =====
axes[1].pie([1, 2, 3, 4, 5, 6],
           labels=['A', 'B', 'C', 'D', 'E', 'F'],
           autopct='%1.1f%%',
           startangle=90,
           wedgeprops={'edgecolor': 'white', 'linewidth': 1.5})
axes[1].set_title('饼状图', fontsize=13)

plt.tight_layout()
plt.show()

左图柱状图：set_xticks、set_xticklabels、set_yticks、set_yticklabels、grid，一套坐标轴全家桶。右图饼状图：只有 set_title 和 pie 自带的 labels,因为饼图没有坐标轴。并排一看，差异一目了然。

7.2 2×2 四宫格：四种图表同框

再来看四种图表类型同时展示的效果：

figure, axes = plt.subplots(nrows=2, ncols=2, figsize=(12, 10))

# 2×2 时：axes[0][0]=左上, axes[0][1]=右上, axes[1][0]=左下, axes[1][1]=右下

x = range(1, 7)

# 左上 [0][0]：折线图
axes[0][0].plot(x, [1, 3, 2, 5, 4, 6], marker='o', color='steelblue', linewidth=2)
axes[0][0].set_title('折线图 --- 看趋势')
axes[0][0].set_xlabel('X'); axes[0][0].set_ylabel('Y')
axes[0][0].grid(True, linestyle='--', alpha=0.5)

# 右上 [0][1]：柱状图
axes[0][1].bar(x, [6, 4, 5, 2, 3, 1], color='coral', edgecolor='black')
axes[0][1].set_title('柱状图 --- 比大小')
axes[0][1].set_xlabel('类别'); axes[0][1].set_ylabel('数值')
axes[0][1].grid(True, axis='y', linestyle='--', alpha=0.5)

# 左下 [1][0]：散点图
axes[1][0].scatter([1, 2, 3, 4, 5, 6], [2, 5, 3, 8, 7, 10],
                   s=100, color='seagreen', alpha=0.7, edgecolors='black')
axes[1][0].set_title('散点图 --- 看分布')
axes[1][0].set_xlabel('X'); axes[1][0].set_ylabel('Y')
axes[1][0].grid(True, linestyle='--', alpha=0.5)

# 右下 [1][1]：饼状图
axes[1][1].pie([25, 20, 30, 15, 10],
              labels=['A', 'B', 'C', 'D', 'E'],
              autopct='%1.1f%%',
              startangle=90,
              wedgeprops={'edgecolor': 'white', 'linewidth': 2})
axes[1][1].set_title('饼状图 --- 看占比')

plt.tight_layout()
plt.show()

四个子图，四种类型。三个坐标轴类图表（折线、柱状、散点）都有 grid、xlabel、ylabel，而右下角的饼状图依然只有 set_title 一行。这就是贯穿全文的核心观点，先理解每种图的本质是什么，自然就知道该设什么、不必设什么。

---

保存图片（dpi 控制清晰度，bbox_inches='tight' 裁掉多余白边）

plt.savefig('my_plot.png', dpi=300, bbox_inches='tight')

---

希望这篇笔记能帮你理清数据可视化基础。配套的 Matplotlib.ipynb 包含了文中所有代码的可运行版本，可以边读边动手实践。

以上为个人学习总结，旨在梳理个人理解。如有疏漏或不当之处，欢迎指正与交流。如果文章对你有帮助，别忘了点个赞、留个言，让更多的小伙伴看到～ 我们下篇再见！

📁 代码讲义：Matplotlib.ipynb

📅 更新日期：2026-06-07