【Python数据可视化】Matplotlib从零到精通：图表核心解剖、多子图布局与三大经典图表实战

在数据分析与机器学习领域，"字不如表，表不如图"。数据可视化不仅能直观呈现数据内在规律，更是向业务方交付成果的关键桥梁。

Matplotlib 作为 Python 数据可视化领域的基石与开山鼻祖，也是应用最广泛的绘图库。无论是静态图表、动态交互还是高出版级期刊插图，Matplotlib 都能游刃有余地完成。

官方网站 ：https://matplotlib.org

安装命令：

pip install matplotlib

---

🛠️ 必备前置：彻底解决中文乱码与负号显示问题

在使用 Matplotlib 时，由于其默认字体不支持中文，常会出现方块乱码（□□）；此外负号也可能显示异常。因此，在代码头部加入以下两行配置是标准规范：

import matplotlib.pyplot as plt

# 解决中文显示乱码（Windows常用 SimHei，Mac常用 Arial Unicode MS 或 PingFang SC）
plt.rcParams['font.sans-serif'] = ['SimHei']

# 解决负号 '-' 显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

---

🔍 一、 深度拆解：Matplotlib 图表的"解剖学"结构

要画好一张图，必须先理解一张图由哪些部件构成。Matplotlib 将一张图拆分为以下核心层级：

+-------------------------------------------------------+
|  画布 (Figure)                                        |
|   +-------------------------------------------------+ |
|   | 标题 (Title)                                    | |
|   | Y轴标签 (Ylabel)    [图例 (Legend)]             | |
|   |  ^                                              | |
|   |  |     / \   /\       [网格线 (Grid)]           | |
|   |  |----+---+--+----+                             | |
|   |  |   /     \/      \                            | |
|   |  +------------------------> X轴 (Xaxis)         | |
|   |  Y轴刻度/标签       X轴刻度/标签(Xtick_label)   | |
|   |                     X轴标签 (Xlabel)            | |
|   +-------------------------------------------------+ |
+-------------------------------------------------------+

核心要素对照表

组件名称	英文术语	对应控制 API	核心作用
画布	Figure	plt.figure() / plt.subplots()	容纳所有视觉元素的顶级容器
坐标系/子图	Axes	fig.add_subplot() / ax	真正绘制图表的绘图区域（包含X/Y轴）
标题	Title	plt.title() / ax.set_title()	图表的总体说明
轴线与标签	Axis / Label	plt.xlabel(), plt.ylabel()	说明坐标轴所代表的物理含义及单位
刻度与刻度标签	Tick / Tick Label	plt.xticks(), plt.yticks()	标定数值位置与具体文本标注
图例	Legend	plt.legend()	区分多条曲线或不同类别数据的标注说明
网格线	Grid	plt.grid()	辅助肉眼对齐数值和趋势判断

---

📈 二、 实战演练：绘制双城市气温变化曲线

下面通过一个双曲线折线图，把上述所有图表组件串联整合：

import matplotlib.pyplot as plt
import random

# 1. 解决中文与负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 2. 准备数据（1-24小时北京与西安的气温模拟）
x = range(1, 25)
y_beijing = [random.randint(10, 15) for _ in range(len(x))]
y_xa = [random.randint(15, 19) for _ in range(len(x))]

# 3. 绘制折线（设置标签 label 用于图例识别）
plt.plot(x, y_beijing, label='北京', color='#1f77b4', linewidth=2)
plt.plot(x, y_xa, label='西安', color='#ff7f0e', linewidth=2)

# 4. 图表辅助装饰
plt.title('24小时气温变化曲线', fontsize=14)
plt.xlabel('时间 (小时)', fontsize=12)
plt.ylabel('气温 (℃)', fontsize=12)

# 5. 添加网格线与图例
plt.grid(True, linestyle='--', alpha=0.5)
plt.legend(loc='upper right')

# 6. 设置坐标轴刻度及显示范围
plt.xticks(x[::2])                  # X轴每2小时显示一个刻度
plt.yticks(range(5, 25, 2))         # Y轴从5℃到25℃，步长为2

# 7. 渲染输出
plt.show()

---

🧩 三、 画布进阶：多子图（Subplots）设计与管理

为了能同时展示多个图表，便于图表之间数据的直观对比和分析，更高效、更专业地组织和呈现复杂的可视化信息，通常会在一个画布上创建多个子图。

子图核心 API

figure, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 6), dpi=100)

• nrows：子图行数
• ncols：子图列数
• figsize=(宽, 高)：画布物理尺寸（英寸）
• dpi：每英寸点数（Dots Per Inch），控制图像分辨率清晰度
• axes ：子图对象数组。如果是一行两列，axes[0] 代表左图，axes[1] 代表右图。

---

📊 四、 三大经典图表选型与实战

根据不同的业务场景，选用恰当的图表类型：

图表类型	对应 API	核心优势	黄金应用场景
折线图	plt.plot() / ax.plot()	展示连续数据的趋势变化	气温变化、股价走势、时间序列分析
柱状图	plt.bar() / ax.bar()	突出离散类别的数量对比	各季度业绩、产品销量对比、各城市营收
饼状图	plt.pie() / ax.pie()	直观展示各部分的占比构成	用户画像年龄占比、市场份额、预算配比

综合案例：在一个画布中联动展示三大图表

import matplotlib.pyplot as plt

# 基础设置
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建 1 行 3 列的子图画布
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(18, 5), dpi=100)

# ----------------- 子图 1：折线图（趋势变化） -----------------
months = ['1月', '2月', '3月', '4月', '5月', '6月']
sales_trend = [120, 135, 170, 160, 210, 240]
axes[0].plot(months, sales_trend, marker='o', color='b', label='月销售额')
axes[0].set_title('上半年销售额趋势变化')
axes[0].set_xlabel('月份')
axes[0].set_ylabel('销售额(万元)')
axes[0].grid(True, linestyle=':', alpha=0.6)
axes[0].legend()

# ----------------- 子图 2：柱状图（数量对比） -----------------
categories = ['服装', '电子产品', '食品', '家居用品', '图书']
sales_count = [450, 310, 520, 180, 240]
axes[1].bar(categories, sales_count, color='#2ca02c', alpha=0.85)
axes[1].set_title('各品类销售数量对比')
axes[1].set_xlabel('产品类别')
axes[1].set_ylabel('销量(件)')

# ----------------- 子图 3：饼状图（占比构成） -----------------
channels = ['微信支付', '支付宝', '现金', '银行卡']
pay_ratio = [45, 35, 5, 15]
axes[2].pie(
    pay_ratio, 
    labels=channels, 
    autopct='%1.1f%%', 
    startangle=140,
    colors=['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']
)
axes[2].set_title('各支付方式占比构成')

# 自动调整子图间距，防止重叠
plt.tight_layout()
plt.show()

---

📌 五、 核心知识点全景速查表

功能模块	核心 API / 语法	作用说明	关键参数 / 示例
全局设置	plt.rcParams['font.sans-serif']	设置中文字体，防方块乱码	['SimHei']（黑体）
	plt.rcParams['axes.unicode_minus']	控制负号正常显示	False
画布与子图	plt.subplots(nrows, ncols)	创建网格化子图画布	figsize=(宽, 高), dpi=100
	plt.tight_layout()	自动优化子图内边距排版	避免标题与轴标签重叠
图表组件	plt.title() / ax.set_title()	设置图表主标题	fontsize=14
	plt.xlabel(), plt.ylabel()	设置 X/Y 轴标签文字	fontsize=12
	plt.xticks(), plt.yticks()	设置 X/Y 轴的显示刻度步长	plt.xticks(range(0, 10, 2))
	plt.grid()	显示背景参考网格线	linestyle='--', alpha=0.5
	plt.legend()	渲染各数据系列的图例	loc='upper right'
经典图表	plt.plot(x, y)	折线图 ：展示随时间/维度的趋势变化	color, linewidth, marker
	plt.bar(x, height)	柱状图 ：突出不同组别的数量对比	width, alpha
	plt.pie(x)	饼状图 ：展示多部门/类别的比例构成	autopct='%1.1f%%', labels