简体中文 繁體中文 English Deutsch 한국 사람 بالعربية TÜRKÇE português คนไทย Français Japanese

开启辅助访问 切换到宽版

站内搜索

搜索

活动公告

通知：为庆祝网站一周年，将在5.1日与5.2日开放注册，具体信息请见后续详细公告
04-22 00:04
通知：本站资源由网友上传分享，如有违规等问题请到版务模块进行投诉，资源失效请在帖子内回复要求补档，会尽快处理！
10-23 09:31
>社区 > 科技 > 经验交流 >帖子
本版发帖返回

Matplotlib助力Python数据分析从基础绘图到高级数据可视化的完整教程

威震华夏关云长
SunJu_FaceMall

3万

主题

1158

科技点

3万

积分

白金月票

碾压王

积分
32796

立华奏
发表于 2025-8-24 18:40:01 | 显示全部楼层 |阅读模式

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。

您需要 登录 才可以下载或查看，没有账号？立即注册

x
1. 引言

Matplotlib是Python中最流行的数据可视化库之一，它为Python提供了强大的绘图功能，能够生成各种静态、动态和交互式的图表。作为Python数据科学生态系统的核心组件，Matplotlib与NumPy、Pandas等库紧密集成，成为数据分析师和科学家不可或缺的工具。

本教程将带您从Matplotlib的基础知识开始，逐步深入到高级数据可视化技术，帮助您掌握使用Matplotlib进行数据分析可视化的全面技能。

2. Matplotlib基础

2.1 安装和导入

在开始使用Matplotlib之前，首先需要安装该库。可以使用pip进行安装：
  2. pip install matplotlib
复制代码

安装完成后，在Python脚本或Jupyter Notebook中导入Matplotlib：
  2. import matplotlib.pyplot as plt
  3. import numpy as np
复制代码

通常，我们也会导入NumPy，因为它提供了强大的数组操作功能，与Matplotlib配合使用非常方便。

2.2 Matplotlib的基本概念

Matplotlib的核心概念是Figure（图形）和Axes（坐标系）。

• Figure：整个图形窗口，可以包含一个或多个Axes。
• Axes：实际的绘图区域，包含坐标轴、标题、标签等。

创建一个简单的Figure和Axes：
  2. # 创建一个Figure和一个Axes
  3. fig, ax = plt.subplots()
  5. # 显示图形
  6. plt.show()
复制代码

2.3 第一个简单图表

让我们创建一个简单的线图：
  2. # 准备数据
  3. x = np.linspace(0, 10, 100)
  4. y = np.sin(x)
  6. # 创建Figure和Axes
  7. fig, ax = plt.subplots()
  9. # 绘制线图
  10. ax.plot(x, y)
  12. # 显示图形
  13. plt.show()
复制代码

这段代码将生成一个简单的正弦波图表。

3. 基础绘图

3.1 线图

线图是最基本的图表类型，适合展示数据随时间或连续变量的变化趋势。
  2. # 准备数据
  3. x = np.linspace(0, 10, 100)
  4. y1 = np.sin(x)
  5. y2 = np.cos(x)
  7. # 创建Figure和Axes
  8. fig, ax = plt.subplots()
  10. # 绘制两条线
  11. ax.plot(x, y1, label='sin(x)')
  12. ax.plot(x, y2, label='cos(x)')
  14. # 添加图例
  15. ax.legend()
  17. # 添加标题和标签
  18. ax.set_title('三角函数')
  19. ax.set_xlabel('x')
  20. ax.set_ylabel('y')
  22. # 显示图形
  23. plt.show()
复制代码

3.2 散点图

散点图适合展示两个变量之间的关系。
  2. # 生成随机数据
  3. np.random.seed(42)
  4. x = np.random.randn(100)
  5. y = x + np.random.randn(100) * 0.5
  7. # 创建Figure和Axes
  8. fig, ax = plt.subplots()
  10. # 绘制散点图
  11. ax.scatter(x, y, alpha=0.6)
  13. # 添加标题和标签
  14. ax.set_title('散点图示例')
  15. ax.set_xlabel('x')
  16. ax.set_ylabel('y')
  18. # 显示图形
  19. plt.show()
复制代码

3.3 柱状图

柱状图适合比较不同类别的数据。
  2. # 准备数据
  3. categories = ['A', 'B', 'C', 'D', 'E']
  4. values = [7, 12, 4, 8, 15]
  6. # 创建Figure和Axes
  7. fig, ax = plt.subplots()
  9. # 绘制柱状图
  10. ax.bar(categories, values)
  12. # 添加标题和标签
  13. ax.set_title('柱状图示例')
  14. ax.set_xlabel('类别')
  15. ax.set_ylabel('值')
  17. # 显示图形
  18. plt.show()
复制代码

3.4 饼图

饼图适合展示各部分占整体的比例。
  2. # 准备数据
  3. sizes = [15, 30, 45, 10]
  4. labels = ['A', 'B', 'C', 'D']
  5. explode = (0, 0.1, 0, 0)  # 突出第二块
  7. # 创建Figure和Axes
  8. fig, ax = plt.subplots()
  10. # 绘制饼图
  11. ax.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
  12.        shadow=True, startangle=90)
  14. # 确保饼图是圆形的
  15. ax.axis('equal')
  17. # 添加标题
  18. ax.set_title('饼图示例')
  20. # 显示图形
  21. plt.show()
复制代码

4. 图表定制

4.1 颜色、线型和标记

Matplotlib提供了丰富的选项来自定义图表的外观。
  2. # 准备数据
  3. x = np.linspace(0, 10, 20)
  4. y1 = np.sin(x)
  5. y2 = np.cos(x)
  7. # 创建Figure和Axes
  8. fig, ax = plt.subplots()
  10. # 绘制不同样式的线
  11. ax.plot(x, y1, 'r--', label='sin(x)')  # 红色虚线
  12. ax.plot(x, y2, 'b-o', label='cos(x)')  # 蓝色实线带圆点标记
  14. # 添加图例
  15. ax.legend()
  17. # 添加标题和标签
  18. ax.set_title('自定义线型和标记')
  19. ax.set_xlabel('x')
  20. ax.set_ylabel('y')
  22. # 显示图形
  23. plt.show()
复制代码

4.2 文本和注释

可以在图表中添加文本和注释来强调重要信息。
  2. # 准备数据
  3. x = np.linspace(0, 10, 100)
  4. y = np.sin(x)
  6. # 创建Figure和Axes
  7. fig, ax = plt.subplots()
  9. # 绘制线图
  10. ax.plot(x, y)
  12. # 添加标题和标签
  13. ax.set_title('正弦波')
  14. ax.set_xlabel('x')
  15. ax.set_ylabel('y')
  17. # 添加文本
  18. ax.text(5, 0.5, '正弦波', fontsize=12)
  20. # 添加注释
  21. ax.annotate('最大值', xy=(np.pi/2, 1), xytext=(3, 0.5),
  22.             arrowprops=dict(facecolor='black', shrink=0.05))
  24. # 显示图形
  25. plt.show()
复制代码

4.3 坐标轴设置

可以自定义坐标轴的范围、刻度和标签。
  2. # 准备数据
  3. x = np.linspace(0, 10, 100)
  4. y = np.sin(x)
  6. # 创建Figure和Axes
  7. fig, ax = plt.subplots()
  9. # 绘制线图
  10. ax.plot(x, y)
  12. # 设置坐标轴范围
  13. ax.set_xlim(0, 10)
  14. ax.set_ylim(-1.5, 1.5)
  16. # 设置坐标轴刻度
  17. ax.set_xticks(np.arange(0, 11, 2))
  18. ax.set_yticks(np.arange(-1.5, 2, 0.5))
  20. # 设置坐标轴标签
  21. ax.set_xticklabels(['0', '2π', '4π', '6π', '8π', '10π'])
  22. ax.set_yticklabels(['-1.5', '-1.0', '-0.5', '0.0', '0.5', '1.0', '1.5'])
  24. # 添加标题和标签
  25. ax.set_title('自定义坐标轴')
  26. ax.set_xlabel('x')
  27. ax.set_ylabel('y')
  29. # 显示图形
  30. plt.show()
复制代码

5. 多子图绘制

5.1 使用subplots创建多个子图
  2. # 准备数据
  3. x = np.linspace(0, 10, 100)
  4. y1 = np.sin(x)
  5. y2 = np.cos(x)
  6. y3 = np.tan(x)
  7. y4 = np.exp(x/10)
  9. # 创建2x2的子图网格
  10. fig, axs = plt.subplots(2, 2, figsize=(12, 10))
  12. # 在第一个子图中绘制正弦波
  13. axs[0, 0].plot(x, y1)
  14. axs[0, 0].set_title('sin(x)')
  16. # 在第二个子图中绘制余弦波
  17. axs[0, 1].plot(x, y2)
  18. axs[0, 1].set_title('cos(x)')
  20. # 在第三个子图中绘制正切波
  21. axs[1, 0].plot(x, y3)
  22. axs[1, 0].set_title('tan(x)')
  23. axs[1, 0].set_ylim(-5, 5)  # 限制y轴范围，因为tan(x)在某些点趋向无穷大
  25. # 在第四个子图中绘制指数函数
  26. axs[1, 1].plot(x, y4)
  27. axs[1, 1].set_title('exp(x/10)')
  29. # 调整子图间距
  30. plt.tight_layout()
  32. # 显示图形
  33. plt.show()
复制代码

5.2 使用GridSpec创建复杂的子图布局
  2. # 导入GridSpec
  3. from matplotlib.gridspec import GridSpec
  5. # 准备数据
  6. x = np.linspace(0, 10, 100)
  7. y1 = np.sin(x)
  8. y2 = np.cos(x)
  9. y3 = np.sin(x) * np.cos(x)
  11. # 创建Figure和GridSpec
  12. fig = plt.figure(figsize=(12, 8))
  13. gs = GridSpec(3, 2, figure=fig)
  15. # 创建不同大小的子图
  16. ax1 = fig.add_subplot(gs[0, 0])  # 第一行第一列
  17. ax2 = fig.add_subplot(gs[0, 1])  # 第一行第二列
  18. ax3 = fig.add_subplot(gs[1:, :])  # 占据剩余所有行和所有列
  20. # 在子图中绘制数据
  21. ax1.plot(x, y1)
  22. ax1.set_title('sin(x)')
  24. ax2.plot(x, y2)
  25. ax2.set_title('cos(x)')
  27. ax3.plot(x, y3)
  28. ax3.set_title('sin(x) * cos(x)')
  30. # 调整子图间距
  31. plt.tight_layout()
  33. # 显示图形
  34. plt.show()
复制代码

5.3 共享坐标轴
  2. # 准备数据
  3. x = np.linspace(0, 10, 100)
  4. y1 = np.sin(x)
  5. y2 = np.cos(x)
  7. # 创建共享x轴的子图
  8. fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True, figsize=(10, 8))
  10. # 在第一个子图中绘制正弦波
  11. ax1.plot(x, y1)
  12. ax1.set_title('sin(x)')
  14. # 在第二个子图中绘制余弦波
  15. ax2.plot(x, y2)
  16. ax2.set_title('cos(x)')
  18. # 设置x轴标签
  19. ax2.set_xlabel('x')
  21. # 调整子图间距
  22. plt.tight_layout()
  24. # 显示图形
  25. plt.show()
复制代码

6. 高级图表类型

6.1 热图

热图适合展示矩阵数据或二维分布。
  2. # 生成随机数据
  3. data = np.random.randn(10, 10)
  5. # 创建Figure和Axes
  6. fig, ax = plt.subplots(figsize=(8, 6))
  8. # 绘制热图
  9. im = ax.imshow(data, cmap='coolwarm')
  11. # 添加颜色条
  12. cbar = fig.colorbar(im, ax=ax)
  14. # 设置标题
  15. ax.set_title('热图示例')
  17. # 显示图形
  18. plt.show()
复制代码

6.2 等高线图

等高线图适合展示三维数据的二维投影。
  2. # 创建网格数据
  3. x = np.linspace(-3.0, 3.0, 100)
  4. y = np.linspace(-3.0, 3.0, 100)
  5. X, Y = np.meshgrid(x, y)
  7. # 计算Z值
  8. Z = np.exp(-(X**2 + Y**2))
  10. # 创建Figure和Axes
  11. fig, ax = plt.subplots(figsize=(8, 6))
  13. # 绘制等高线图
  14. contour = ax.contour(X, Y, Z, cmap='viridis')
  16. # 添加等高线标签
  17. ax.clabel(contour, inline=True, fontsize=8)
  19. # 设置标题
  20. ax.set_title('等高线图示例')
  22. # 显示图形
  23. plt.show()
复制代码

6.3 3D图

Matplotlib也支持创建3D图表。
  2. # 导入3D绘图工具
  3. from mpl_toolkits.mplot3d import Axes3D
  5. # 创建网格数据
  6. x = np.linspace(-5, 5, 50)
  7. y = np.linspace(-5, 5, 50)
  8. X, Y = np.meshgrid(x, y)
  10. # 计算Z值
  11. Z = np.sin(np.sqrt(X**2 + Y**2))
  13. # 创建Figure和3D Axes
  14. fig = plt.figure(figsize=(10, 8))
  15. ax = fig.add_subplot(111, projection='3d')
  17. # 绘制3D表面图
  18. surf = ax.plot_surface(X, Y, Z, cmap='viridis')
  20. # 添加颜色条
  21. fig.colorbar(surf, ax=ax, shrink=0.5, aspect=5)
  23. # 设置标题和标签
  24. ax.set_title('3D表面图示例')
  25. ax.set_xlabel('X')
  26. ax.set_ylabel('Y')
  27. ax.set_zlabel('Z')
  29. # 显示图形
  30. plt.show()
复制代码

7. 统计图表

7.1 直方图

直方图适合展示数据的分布情况。
  2. # 生成随机数据
  3. np.random.seed(42)
  4. data = np.random.normal(0, 1, 1000)
  6. # 创建Figure和Axes
  7. fig, ax = plt.subplots(figsize=(10, 6))
  9. # 绘制直方图
  10. ax.hist(data, bins=30, density=True, alpha=0.7, color='blue')
  12. # 添加核密度估计曲线
  13. from scipy.stats import gaussian_kde
  14. kde = gaussian_kde(data)
  15. x_range = np.linspace(min(data), max(data), 100)
  16. ax.plot(x_range, kde(x_range), 'r-', linewidth=2)
  18. # 添加标题和标签
  19. ax.set_title('直方图与核密度估计')
  20. ax.set_xlabel('值')
  21. ax.set_ylabel('密度')
  23. # 显示图形
  24. plt.show()
复制代码

7.2 箱线图

箱线图适合展示数据的分布和异常值。
  2. # 生成随机数据
  3. np.random.seed(42)
  4. data1 = np.random.normal(0, 1, 100)
  5. data2 = np.random.normal(1, 1.5, 100)
  6. data3 = np.random.normal(-1, 0.5, 100)
  8. # 创建Figure和Axes
  9. fig, ax = plt.subplots(figsize=(10, 6))
  11. # 绘制箱线图
  12. ax.boxplot([data1, data2, data3], labels=['组1', '组2', '组3'])
  14. # 添加标题
  15. ax.set_title('箱线图示例')
  17. # 显示图形
  18. plt.show()
复制代码

7.3 小提琴图

小提琴图结合了箱线图和核密度估计的优点。
  2. # 生成随机数据
  3. np.random.seed(42)
  4. data1 = np.random.normal(0, 1, 100)
  5. data2 = np.random.normal(1, 1.5, 100)
  6. data3 = np.random.normal(-1, 0.5, 100)
  8. # 创建Figure和Axes
  9. fig, ax = plt.subplots(figsize=(10, 6))
  11. # 绘制小提琴图
  12. ax.violinplot([data1, data2, data3], showmeans=True, showmedians=True)
  14. # 设置x轴标签
  15. ax.set_xticks([1, 2, 3])
  16. ax.set_xticklabels(['组1', '组2', '组3'])
  18. # 添加标题
  19. ax.set_title('小提琴图示例')
  21. # 显示图形
  22. plt.show()
复制代码

8. 交互式图表

8.1 使用matplotlib.widgets创建交互式控件
  2. # 导入必要的模块
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. from matplotlib.widgets import Slider, Button
  7. # 创建初始数据
  8. x = np.linspace(0, 10, 1000)
  9. y = np.sin(x)
  11. # 创建Figure和Axes
  12. fig, ax = plt.subplots(figsize=(10, 6))
  13. plt.subplots_adjust(bottom=0.25)  # 为滑块留出空间
  15. # 绘制初始线图
  16. line, = ax.plot(x, y, lw=2)
  18. # 设置坐标轴范围
  19. ax.set_xlim(0, 10)
  20. ax.set_ylim(-1.5, 1.5)
  22. # 添加标题和标签
  23. ax.set_title('交互式正弦波')
  24. ax.set_xlabel('x')
  25. ax.set_ylabel('y')
  27. # 创建滑块轴
  28. ax_freq = plt.axes([0.25, 0.1, 0.65, 0.03])
  29. ax_amp = plt.axes([0.25, 0.15, 0.65, 0.03])
  31. # 创建滑块
  32. freq_slider = Slider(ax_freq, '频率', 0.1, 5.0, valinit=1.0)
  33. amp_slider = Slider(ax_amp, '振幅', 0.1, 2.0, valinit=1.0)
  35. # 定义更新函数
  36. def update(val):
  37.     freq = freq_slider.val
  38.     amp = amp_slider.val
  39.     line.set_ydata(amp * np.sin(freq * x))
  40.     fig.canvas.draw_idle()
  42. # 注册更新函数
  43. freq_slider.on_changed(update)
  44. amp_slider.on_changed(update)
  46. # 创建重置按钮
  47. resetax = plt.axes([0.8, 0.025, 0.1, 0.04])
  48. button = Button(resetax, '重置')
  50. # 定义重置函数
  51. def reset(event):
  52.     freq_slider.reset()
  53.     amp_slider.reset()
  55. # 注册重置函数
  56. button.on_clicked(reset)
  58. # 显示图形
  59. plt.show()
复制代码

8.2 使用mplcursors创建交互式数据提示
  2. # 安装mplcursors（如果尚未安装）
  3. # pip install mplcursors
  5. import matplotlib.pyplot as plt
  6. import numpy as np
  7. import mplcursors
  9. # 生成随机数据
  10. np.random.seed(42)
  11. x = np.arange(10)
  12. y = np.random.rand(10)
  14. # 创建Figure和Axes
  15. fig, ax = plt.subplots(figsize=(10, 6))
  17. # 绘制散点图
  18. scatter = ax.scatter(x, y)
  20. # 添加标题和标签
  21. ax.set_title('交互式散点图')
  22. ax.set_xlabel('x')
  23. ax.set_ylabel('y')
  25. # 添加光标交互
  26. cursor = mplcursors.cursor(scatter, hover=True)
  28. # 显示图形
  29. plt.show()
复制代码

9. 动画

9.1 使用FuncAnimation创建简单动画
  2. # 导入必要的模块
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. from matplotlib.animation import FuncAnimation
  7. # 创建Figure和Axes
  8. fig, ax = plt.subplots(figsize=(10, 6))
  10. # 设置坐标轴范围
  11. ax.set_xlim(0, 10)
  12. ax.set_ylim(-1.5, 1.5)
  14. # 添加标题和标签
  15. ax.set_title('正弦波动画')
  16. ax.set_xlabel('x')
  17. ax.set_ylabel('y')
  19. # 创建线对象
  20. line, = ax.plot([], [], lw=2)
  22. # 初始化函数
  23. def init():
  24.     line.set_data([], [])
  25.     return line,
  27. # 更新函数
  28. def update(frame):
  29.     x = np.linspace(0, 10, 1000)
  30.     y = np.sin(2 * np.pi * (x - 0.1 * frame))
  31.     line.set_data(x, y)
  32.     return line,
  34. # 创建动画
  35. ani = FuncAnimation(fig, update, frames=100, init_func=init,
  36.                     blit=True, interval=50)
  38. # 显示动画
  39. plt.show()
复制代码

9.2 保存动画
  2. # 导入必要的模块
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. from matplotlib.animation import FuncAnimation, PillowWriter
  7. # 创建Figure和Axes
  8. fig, ax = plt.subplots(figsize=(10, 6))
  10. # 设置坐标轴范围
  11. ax.set_xlim(0, 10)
  12. ax.set_ylim(-1.5, 1.5)
  14. # 添加标题和标签
  15. ax.set_title('正弦波动画')
  16. ax.set_xlabel('x')
  17. ax.set_ylabel('y')
  19. # 创建线对象
  20. line, = ax.plot([], [], lw=2)
  22. # 初始化函数
  23. def init():
  24.     line.set_data([], [])
  25.     return line,
  27. # 更新函数
  28. def update(frame):
  29.     x = np.linspace(0, 10, 1000)
  30.     y = np.sin(2 * np.pi * (x - 0.1 * frame))
  31.     line.set_data(x, y)
  32.     return line,
  34. # 创建动画
  35. ani = FuncAnimation(fig, update, frames=100, init_func=init,
  36.                     blit=True, interval=50)
  38. # 保存动画为GIF
  39. writer = PillowWriter(fps=20)
  40. ani.save('sine_wave.gif', writer=writer)
  42. # 显示动画
  43. plt.show()
复制代码

10. 与其他库的集成

10.1 与Pandas集成

Matplotlib与Pandas数据框无缝集成，可以直接使用Pandas数据框进行绘图。
  2. import pandas as pd
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  6. # 创建Pandas数据框
  7. np.random.seed(42)
  8. dates = pd.date_range('20230101', periods=100)
  9. data = pd.DataFrame({
  10.     'A': np.random.randn(100).cumsum(),
  11.     'B': np.random.randn(100).cumsum(),
  12.     'C': np.random.randn(100).cumsum()
  13. }, index=dates)
  15. # 创建Figure和Axes
  16. fig, ax = plt.subplots(figsize=(12, 6))
  18. # 使用Pandas的plot方法
  19. data.plot(ax=ax)
  21. # 添加标题和标签
  22. ax.set_title('Pandas数据框绘图')
  23. ax.set_xlabel('日期')
  24. ax.set_ylabel('值')
  26. # 显示图形
  27. plt.show()
复制代码

10.2 与Seaborn集成

Seaborn是基于Matplotlib的高级可视化库，可以与Matplotlib结合使用。
  2. import seaborn as sns
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. import pandas as pd
  7. # 创建示例数据
  8. np.random.seed(42)
  9. data = pd.DataFrame({
  10.     'x': np.random.randn(100),
  11.     'y': np.random.randn(100),
  12.     'category': np.random.choice(['A', 'B', 'C'], 100)
  13. })
  15. # 创建Figure和Axes
  16. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
  18. # 使用Seaborn绘制散点图
  19. sns.scatterplot(x='x', y='y', hue='category', data=data, ax=ax1)
  20. ax1.set_title('Seaborn散点图')
  22. # 使用Seaborn绘制箱线图
  23. sns.boxplot(x='category', y='y', data=data, ax=ax2)
  24. ax2.set_title('Seaborn箱线图')
  26. # 调整子图间距
  27. plt.tight_layout()
  29. # 显示图形
  30. plt.show()
复制代码

11. 最佳实践和技巧

11.1 选择合适的图表类型

不同的数据类型和分析目标需要不同的图表类型：

• 时间序列数据：线图
• 比较类别：柱状图、饼图
• 显示分布：直方图、箱线图、小提琴图
• 显示关系：散点图、热图
• 显示组成：堆叠柱状图、饼图

11.2 颜色选择

选择合适的颜色方案可以提高图表的可读性和美观度：
  2. import matplotlib.pyplot as plt
  3. import numpy as np
  4. import matplotlib.colors as mcolors
  6. # 创建示例数据
  7. x = np.linspace(0, 10, 100)
  8. y1 = np.sin(x)
  9. y2 = np.cos(x)
  10. y3 = np.sin(x) * np.cos(x)
  12. # 创建Figure和Axes
  13. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
  15. # 使用默认颜色
  16. ax1.plot(x, y1, label='sin(x)')
  17. ax1.plot(x, y2, label='cos(x)')
  18. ax1.plot(x, y3, label='sin(x)*cos(x)')
  19. ax1.set_title('默认颜色')
  20. ax1.legend()
  22. # 使用自定义颜色
  23. colors = ['#1f77b4', '#ff7f0e', '#2ca02c']  # 使用十六进制颜色代码
  24. ax2.plot(x, y1, color=colors[0], label='sin(x)')
  25. ax2.plot(x, y2, color=colors[1], label='cos(x)')
  26. ax2.plot(x, y3, color=colors[2], label='sin(x)*cos(x)')
  27. ax2.set_title('自定义颜色')
  28. ax2.legend()
  30. # 显示图形
  31. plt.show()
复制代码

11.3 图表布局和排版

良好的布局和排版可以使图表更加清晰和专业：
  2. import matplotlib.pyplot as plt
  3. import numpy as np
  4. from matplotlib.gridspec import GridSpec
  6. # 创建示例数据
  7. x = np.linspace(0, 10, 100)
  8. y1 = np.sin(x)
  9. y2 = np.cos(x)
  10. categories = ['A', 'B', 'C', 'D']
  11. values = [7, 12, 4, 8]
  13. # 创建Figure和GridSpec
  14. fig = plt.figure(figsize=(15, 10))
  15. gs = GridSpec(2, 2, figure=fig, width_ratios=[2, 1], height_ratios=[2, 1])
  17. # 创建子图
  18. ax1 = fig.add_subplot(gs[0, 0])  # 大图
  19. ax2 = fig.add_subplot(gs[0, 1])  # 小图
  20. ax3 = fig.add_subplot(gs[1, :])  # 底部宽图
  22. # 在第一个子图中绘制正弦波和余弦波
  23. ax1.plot(x, y1, label='sin(x)')
  24. ax1.plot(x, y2, label='cos(x)')
  25. ax1.set_title('三角函数')
  26. ax1.legend()
  28. # 在第二个子图中绘制柱状图
  29. ax2.bar(categories, values)
  30. ax2.set_title('柱状图')
  32. # 在第三个子图中绘制正弦波和余弦波的乘积
  33. ax3.plot(x, y1 * y2, label='sin(x)*cos(x)')
  34. ax3.set_title('乘积函数')
  35. ax3.legend()
  37. # 添加总标题
  38. fig.suptitle('多子图布局示例', fontsize=16)
  40. # 调整子图间距
  41. plt.tight_layout(rect=[0, 0, 1, 0.96])  # 为总标题留出空间
  43. # 显示图形
  44. plt.show()
复制代码

11.4 导出高质量图像

Matplotlib支持多种图像格式，可以根据需要选择合适的格式和分辨率：
  2. import matplotlib.pyplot as plt
  3. import numpy as np
  5. # 创建示例数据
  6. x = np.linspace(0, 10, 100)
  7. y = np.sin(x)
  9. # 创建Figure和Axes
  10. fig, ax = plt.subplots(figsize=(10, 6))
  12. # 绘制线图
  13. ax.plot(x, y)
  15. # 添加标题和标签
  16. ax.set_title('正弦波')
  17. ax.set_xlabel('x')
  18. ax.set_ylabel('y')
  20. # 保存为PNG格式（高分辨率）
  21. plt.savefig('sine_wave.png', dpi=300, bbox_inches='tight')
  23. # 保存为PDF格式（矢量图，适合出版）
  24. plt.savefig('sine_wave.pdf', bbox_inches='tight')
  26. # 保存为SVG格式（矢量图，适合网页）
  27. plt.savefig('sine_wave.svg', bbox_inches='tight')
  29. # 显示图形
  30. plt.show()
复制代码

12. 实际案例

12.1 分析销售数据
  2. import pandas as pd
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. import seaborn as sns
  7. # 创建示例销售数据
  8. np.random.seed(42)
  9. dates = pd.date_range('20220101', periods=365)
  10. products = ['A', 'B', 'C', 'D']
  11. regions = ['North', 'South', 'East', 'West']
  13. # 生成随机销售数据
  14. data = []
  15. for date in dates:
  16.     for product in products:
  17.         for region in regions:
  18.             base_sales = np.random.randint(100, 500)
  19.             seasonal_factor = 1 + 0.2 * np.sin(2 * np.pi * (date.dayofyear / 365))
  20.             sales = int(base_sales * seasonal_factor)
  21.             data.append([date, product, region, sales])
  23. # 创建数据框
  24. df = pd.DataFrame(data, columns=['Date', 'Product', 'Region', 'Sales'])
  26. # 按日期汇总销售数据
  27. daily_sales = df.groupby('Date')['Sales'].sum().reset_index()
  29. # 创建Figure和Axes
  30. fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(15, 12))
  32. # 绘制销售趋势图
  33. ax1.plot(daily_sales['Date'], daily_sales['Sales'])
  34. ax1.set_title('每日销售趋势')
  35. ax1.set_xlabel('日期')
  36. ax1.set_ylabel('销售额')
  37. ax1.grid(True)
  39. # 按产品和地区汇总销售数据
  40. product_sales = df.groupby('Product')['Sales'].sum()
  41. region_sales = df.groupby('Region')['Sales'].sum()
  43. # 绘制产品销售饼图
  44. ax2.pie(product_sales, labels=product_sales.index, autopct='%1.1f%%')
  45. ax2.set_title('产品销售占比')
  47. # 调整子图间距
  48. plt.tight_layout()
  50. # 显示图形
  51. plt.show()
  53. # 创建另一个图来比较不同地区的销售情况
  54. fig, ax = plt.subplots(figsize=(12, 6))
  56. # 创建透视表
  57. pivot_df = df.pivot_table(index='Date', columns='Region', values='Sales', aggfunc='sum')
  59. # 绘制各地区销售趋势
  60. for region in regions:
  61.     ax.plot(pivot_df.index, pivot_df[region], label=region)
  63. # 添加标题和标签
  64. ax.set_title('各地区销售趋势比较')
  65. ax.set_xlabel('日期')
  66. ax.set_ylabel('销售额')
  67. ax.legend()
  69. # 显示图形
  70. plt.show()
复制代码

12.2 分析金融数据
  2. import pandas as pd
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. import yfinance as yf  # 需要安装：pip install yfinance
  7. # 下载股票数据
  8. tickers = ['AAPL', 'MSFT', 'GOOG', 'AMZN']
  9. start_date = '2020-01-01'
  10. end_date = '2023-01-01'
  12. data = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
  14. # 计算日收益率
  15. returns = data.pct_change().dropna()
  17. # 创建Figure和Axes
  18. fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(15, 12))
  20. # 绘制股票价格走势
  21. for ticker in tickers:
  22.     ax1.plot(data.index, data[ticker], label=ticker)
  24. # 添加标题和标签
  25. ax1.set_title('股票价格走势')
  26. ax1.set_xlabel('日期')
  27. ax1.set_ylabel('价格')
  28. ax1.legend()
  29. ax1.grid(True)
  31. # 绘制收益率分布
  32. for ticker in tickers:
  33.     ax2.hist(returns[ticker], bins=50, alpha=0.5, label=ticker)
  35. # 添加标题和标签
  36. ax2.set_title('收益率分布')
  37. ax2.set_xlabel('日收益率')
  38. ax2.set_ylabel('频数')
  39. ax2.legend()
  41. # 调整子图间距
  42. plt.tight_layout()
  44. # 显示图形
  45. plt.show()
  47. # 创建另一个图来显示相关性热图
  48. fig, ax = plt.subplots(figsize=(10, 8))
  50. # 计算相关系数矩阵
  51. corr_matrix = returns.corr()
  53. # 绘制热图
  54. im = ax.imshow(corr_matrix, cmap='coolwarm')
  56. # 设置刻度标签
  57. ax.set_xticks(np.arange(len(tickers)))
  58. ax.set_yticks(np.arange(len(tickers)))
  59. ax.set_xticklabels(tickers)
  60. ax.set_yticklabels(tickers)
  62. # 在热图上显示相关系数
  63. for i in range(len(tickers)):
  64.     for j in range(len(tickers)):
  65.         text = ax.text(j, i, f'{corr_matrix.iloc[i, j]:.2f}',
  66.                       ha="center", va="center", color="black")
  68. # 添加标题
  69. ax.set_title('股票收益率相关性热图')
  71. # 添加颜色条
  72. cbar = fig.colorbar(im, ax=ax)
  74. # 显示图形
  75. plt.show()
复制代码

13. 总结

Matplotlib是Python数据科学生态系统中不可或缺的可视化工具，它提供了从基础绘图到高级数据可视化的全面功能。通过本教程，我们学习了：

1. Matplotlib的基础概念和使用方法
2. 各种基础图表类型的创建和定制
3. 多子图的创建和布局
4. 高级图表类型，如热图、等高线图和3D图
5. 统计图表，如直方图、箱线图和小提琴图
6. 交互式图表的创建
7. 动画的制作和保存
8. 与Pandas和Seaborn等其他库的集成
9. 数据可视化的最佳实践和技巧
10. 实际案例分析

要进一步掌握Matplotlib，建议：

1. 多练习不同类型的图表创建
2. 阅读Matplotlib官方文档和示例
3. 尝试解决真实的数据分析问题
4. 学习更高级的可视化技术，如地理空间可视化
5. 探索Matplotlib的扩展库，如mpld3（交互式3D图表）

随着数据科学和人工智能的发展，数据可视化变得越来越重要。掌握Matplotlib将帮助您更好地理解和传达数据中的洞察，为您的数据分析工作增添强大的视觉表达能力。
科学家
「七転び八起き（ななころびやおき）」
回复

使用道具 举报

返回列表 发新帖
您需要登录后才可以回帖 登录 | 立即注册
高级模式
B Color Image Link Quote Code Smilies

本版积分规则

关闭

站长推荐上一条 /1 下一条

友情链接

keba
磕巴白菜
别管 别听 就是玩
二次元论坛
二次元论坛
按下F逃离世界！
友链交换
友链交换
友链为随机排序，不代表本论坛观点
Telegram

Telegram

Discord

Discord

Tencent QQ

Tencent QQ

手机版|联系我们|小黑屋|TG频道|RSS |网站地图

Powered by Pixtech

© 2025-2026 Pixtech Team.

>