Python数据可视化教程_Matplotlib绘图基础与案例_技术教程

Matplotlib绘图应优先使用面向对象方式：先创建Figure，再获取Axes对象，所有绘图及设置操作均在ax上完成；核心在于理解Figure→Axes→Artist层级和OO与pyplot两种接口风格。

Matplotlib 是 Python 最成熟、最常用的二维绘图库，掌握其基础语法和常见绘图逻辑，就能快速将数据转化为清晰、专业的图表。重点不在记住所有参数，而在于理解“对象层级结构”（Figure → Axes → Artist）和“两种接口风格”（面向对象 vs pyplot 简写），再配合实际需求组合使用。

核心绘图流程：从 figure 到 plot

推荐始终使用面向对象（OO）方式，代码更可控、易复用、适合复杂图表：

先调用 plt.figure() 创建画布（Figure），可指定大小、DPI 等
再用 fig.add_subplot(111) 或 plt.subplots() 获取坐标轴对象（Axes）——这才是真正绘图的“画板”
所有绘图操作（如 ax.plot()、ax.scatter()、ax.bar()）都作用于这个 ax 对象
设置标题、标签、图例等也通过 ax 的方法完成，例如 ax.set_title()、ax.legend()

常用图表类型与关键参数

不同图表关注的数据关系不同，参数侧重也不同：

折线图（plot）：强调趋势。注意 marker（标记点形状）、linestyle（线型）、color（颜色）可直接传字符串如 'ro--'（红色圆点+虚线）
散点图（scatter）：强调分布与相关性。用 c 参数映射第三维（如数值大小或类别），配合 cmap 设置颜色映射
柱状图（bar / barh）：强调分类对比。注意 width 控制柱宽，align='center' 是默认对齐方式；多组柱状图需手动调整 x 坐标偏移
直方图（hist）：观察数值分布。关键在 bins（分组数）和 density=True（归一化为概率密度）

让图表更专业：标签、图例与布局

默认样式往往不够清晰，几处调整立竿见影：

坐标轴标签用 ax.set_xlabel() 和 ax.set_ylabel()，字体大小可用 fontsize=12
中文显示需提前设置字体：加入 plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans'] 并关闭负号异常：plt.rcParams['axes.unicode_minus'] = False
图例位置不遮挡数据：用 ax.legend(loc='upper right')，或更灵活的 bbox_to_anchor=(1.05, 1) 移到图外
子图紧凑排布：绘图后调用 plt.tight_layout() 自动调整间距，避免标签被截断

一个完整案例：销售数据趋势+分布双视图

用一份模拟月度销售额数据，同时展示趋势（折线）和分布特征（直方图）：

（代码示意，非可运行全量）

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 6))
# 上图：月度趋势
ax1.plot(months, sales, 'b-o', linewidth=2, markersize=4)
ax1.set_ylabel('销售额（万元）')
ax1.grid(True, alpha=0.3)
下图：分布直方图
ax2.hist(sales, bins=8, color='lightcoral', edgecolor='darkred', alpha=0.7)
ax2.set_xlabel('销售额区间')
ax2.set_ylabel('频次')
ax2.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()