Matplotlib绘图详解

Matplotlib绘图详解

• [1. Matplotlib（plt）绘图详解](#1. Matplotlib（plt）绘图详解)
• • Matplotlib简介
• [2. 基础折线图（Line Plot）](#2. 基础折线图（Line Plot）)
• • 基本绘制方法
  • 添加标题和坐标轴标签
  • 设置线条样式
• [3. 多条曲线绘制](#3. 多条曲线绘制)
• • 图例设置
• [4. 曲线区域填充](#4. 曲线区域填充)
• [5. 散点图（Scatter Plot）](#5. 散点图（Scatter Plot）)
• • 基础示例
  • 分类散点图
• [6. 柱状图（Bar Plot）](#6. 柱状图（Bar Plot）)
• • 显示数值标签
• [7. 直方图（Histogram）](#7. 直方图（Histogram）)
• • 概率密度直方图
• [8. 箱线图（Box Plot）](#8. 箱线图（Box Plot）)
• [9. 饼图（Pie Chart）](#9. 饼图（Pie Chart）)
• [10. 热力图（Heatmap）](#10. 热力图（Heatmap）)
• • 常用颜色映射
• [11. 混淆矩阵（Confusion Matrix）](#11. 混淆矩阵（Confusion Matrix）)
• [12. 三维图](#12. 三维图)
• [13. 多子图绘制](#13. 多子图绘制)
• [14. 图像保存](#14. 图像保存)
• • 推荐保存格式
• [15. 科研绘图常用全局配置](#15. 科研绘图常用全局配置)

1. Matplotlib（plt）绘图详解

Matplotlib简介

Matplotlib 是 Python 中最流行的数据可视化库之一，也是科研领域使用最广泛的绘图库之一。其中 matplotlib.pyplot 模块提供了类似 MATLAB 的绘图接口，因此通常采用如下方式导入：

import matplotlib.pyplot as plt
import numpy as np

Matplotlib 具有以下特点：

• 功能丰富，支持二维和三维绘图
• 与 NumPy、Pandas、PyTorch 等科学计算库兼容性良好
• 可高度自定义图像样式
• 支持导出高分辨率图片和矢量图
• 广泛应用于机器学习、深度学习、信号处理等领域

Matplotlib 常用于：

• 展示训练 Loss 曲线
• 展示 Accuracy 曲线
• 绘制混淆矩阵
• 绘制 t-SNE 特征分布图
• 绘制模型性能对比图

---

2. 基础折线图（Line Plot）

折线图是最常见的图表类型，用于展示数据随时间或序列变化的趋势。

例如，在深度学习训练过程中，经常使用折线图观察 Loss 和 Accuracy 的变化情况。

基本绘制方法

import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [2,4,3,6,8]

plt.plot(x, y)

plt.show()

其中：

• x 为横坐标数据
• y 为纵坐标数据
• plot() 用于绘制折线
• show() 用于显示图像

---

添加标题和坐标轴标签

plt.plot(x, y)

plt.title("Training Loss")
plt.xlabel("Epoch")
plt.ylabel("Loss")

plt.show()

常用设置：

函数	作用
title()	设置标题
xlabel()	设置横坐标名称
ylabel()	设置纵坐标名称

---

设置线条样式

plt.plot(
    x,
    y,
    color='red',
    linestyle='--',
    linewidth=2,
    marker='o'
)

plt.show()

参数说明：

参数	含义
color	颜色
linestyle	线型
linewidth	线宽
marker	数据点样式

常用颜色：

'red'
'blue'
'green'
'black'
'yellow'

常用线型：

'-'     # 实线
'--'    # 虚线
'-.'    # 点划线
':'     # 点线

常用标记：

'o'     # 圆点
's'     # 方块
'^'     # 三角形
'*'     # 星号

---

3. 多条曲线绘制

在实验对比中，经常需要将多个模型的结果绘制在同一张图中。

epoch = [1,2,3,4,5]

model1 = [60,70,78,83,85]
model2 = [58,72,80,86,88]
model3  = [65,78,85,90,93]

plt.plot(epoch, model1, label='1')
plt.plot(epoch, model2, label='2')
plt.plot(epoch, model3, label='3')

plt.legend()

plt.show()

---

图例设置

plt.legend(loc='upper left')

常见位置：

参数	位置
upper left	左上
upper right	右上
lower left	左下
lower right	右下

科研论文中一般放在：

upper right

或者：

upper left

避免遮挡曲线。

---

4. 曲线区域填充

为了增强可视化效果，可以对曲线下方区域进行填充。

plt.plot(x, y)

plt.fill_between(
    x,
    y,
    alpha=0.3
)

plt.show()

其中：

alpha

表示透明度。

取值范围：

0 ~ 1

应用场景：

• Loss 曲线
• Accuracy 曲线
• 置信区间展示
• 误差带展示

---

5. 散点图（Scatter Plot）

散点图主要用于展示样本分布情况，中最常见的应用是：

• t-SNE 可视化
• PCA 可视化
• 特征聚类展示

基础示例

x = np.random.rand(100)
y = np.random.rand(100)

plt.scatter(x, y)

plt.show()

---

分类散点图

plt.scatter(x1, y1, label='1')

plt.scatter(x2, y2, label='2')

plt.scatter(x3, y3, label='3')

plt.legend()

plt.show()

用于观察：

• 类内紧凑程度
• 类间分离程度

---

6. 柱状图（Bar Plot）

柱状图主要用于比较不同类别数据之间的大小关系。

例如：

• 不同模型准确率比较
• 不同算法运行时间比较

models = ['1','2','3','4']
acc = [85,88,90,95]

plt.bar(models, acc)

plt.show()

---

显示数值标签

bars = plt.bar(models, acc)

for bar in bars:

    plt.text(
        bar.get_x()+0.2,
        bar.get_height(),
        str(bar.get_height())
    )

plt.show()

---

7. 直方图（Histogram）

直方图用于展示数据分布情况。

data = np.random.randn(1000)

plt.hist(
    data,
    bins=30
)

plt.show()

参数：

bins=30

表示划分为30个区间。

---

概率密度直方图

plt.hist(
    data,
    bins=30,
    density=True
)

常用于：

• 特征值统计分析
• 数据集分布分析

---

8. 箱线图（Box Plot）

箱线图用于展示数据统计特征。

data = [
    np.random.randn(100),
    np.random.randn(100)+1
]

plt.boxplot(data)

plt.show()

箱线图可以展示：

• 最大值
• 最小值
• 中位数
• 上四分位数
• 下四分位数
• 异常值

适用于：

• 多次实验稳定性分析
• 模型鲁棒性分析

---

9. 饼图（Pie Chart）

用于展示各部分所占比例。

sizes = [40,30,20,10]

labels = [
    '1',
    '2',
    '3',
    '4'
]

plt.pie(
    sizes,
    labels=labels,
    autopct='%1.1f%%'
)

plt.show()

应用场景：

• 数据集类别比例

---

10. 热力图（Heatmap）

热力图利用颜色表示数值大小。

data = np.random.rand(10,10)

plt.imshow(
    data,
    cmap='jet'
)

plt.colorbar()

plt.show()

---

常用颜色映射

cmap='jet'
cmap='hot'
cmap='viridis'
cmap='coolwarm'

应用：

• 注意力权重可视化
• 特征响应图
• 卷积特征图

---

11. 混淆矩阵（Confusion Matrix）

分类任务中最重要的评价图之一。

cm = np.array([
    [95,2,1],
    [3,92,5],
    [1,4,95]
])

plt.imshow(
    cm,
    cmap='Blues'
)

plt.colorbar()

plt.show()

通过混淆矩阵可以分析：

• 哪些类别容易混淆
• 分类器识别能力
• 类别间可分性

---

12. 三维图

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()

ax = fig.add_subplot(
    111,
    projection='3d'
)

ax.scatter(x,y,z)

plt.show()

应用：

• 三维特征空间展示
• 三维 t-SNE
• 三维轨迹分析

---

13. 多子图绘制

论文中经常需要在同一张图中展示多个结果。

fig, ax = plt.subplots(
    2,
    2,
    figsize=(10,8)
)

示例：

ax[0,0].plot(x,y)

ax[0,1].scatter(x,y)

ax[1,0].hist(data)

ax[1,1].bar(models,acc)

适用于：

• 多模型结果对比

---

14. 图像保存

论文投稿时必须掌握。

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

参数说明：

参数	作用
dpi	分辨率
bbox_inches	去除空白边缘

---

推荐保存格式

位图：

plt.savefig("result.png")

矢量图：

plt.savefig("result.svg")

plt.savefig("result.pdf")

科研推荐：

dpi = 600

---

15. 科研绘图常用全局配置

统一图像风格能够显著提升论文质量。

plt.rcParams['font.size'] = 14

plt.rcParams['figure.figsize'] = (8,6)

plt.rcParams['axes.unicode_minus'] = False

中文支持：

plt.rcParams['font.sans-serif'] = ['SimHei']

---