Python Matplotlib库常用函数与实战指南（附代码）
·
一、Matplotlib 核心对象与架构概览
Matplotlib 采用三层架构设计，理解其核心对象是高效绘图的基础。
| 层级 | 核心对象 | 功能与描述 |
|---|---|---|
| Scripting Layer (脚本层) | pyplot (plt) 模块 |
提供类似MATLAB的便捷接口，适合快速绘图和交互式使用。 |
| Artist Layer (艺术家层) | Figure, Axes, Artist 对象 |
面向对象API的核心。Figure是顶级容器，Axes是带有坐标系的绘图区域，Artist是图上所有可见元素（如线条、文本）的基类。 |
| Backend Layer (后端层) | 各种渲染器 (如 Agg, TkAgg, Qt5Agg) |
负责将图形渲染到屏幕或文件。Agg后端用于生成静态图片（PNG， SVG等），是默认的无界面后端。 |
基础工作流程通常是先创建图形(Figure)和坐标系(Axes)，然后在Axes上添加各种Artist元素，最后通过后端显示或保存。
import matplotlib.pyplot as plt
import numpy as np
# 1. 显式创建图形和坐标轴（面向对象风格，推荐）
fig, ax = plt.subplots() # fig是Figure对象，ax是Axes对象
# 2. 在坐标轴ax上绘图
x = np.linspace(0, 2*np.pi, 100)
ax.plot(x, np.sin(x), label='sin(x)') # 绘制线条，返回一个Line2D Artist对象
# 3. 设置图表属性
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_title('A Simple Plot')
ax.legend()
# 4. 显示图表
plt.show()
二、常用绘图函数详解
Axes对象提供了绝大多数绘图方法。下表列出了最常用的几种：
| 函数名 | 主要用途 | 关键参数示例 | 输出图形类型 |
|---|---|---|---|
plot() |
绘制折线图/散点图 | x, y, fmt='o-‘ (格式字符串), color=’r‘, linewidth=2, label=’series1‘ |
线图、散点图 |
scatter() |
绘制散点图（可定义点属性） | x, y, s=50 (点大小), c=colors (颜色), marker=’^‘, alpha=0.6 |
散点图 |
bar() / barh() |
绘制（垂直/水平）条形图 | x, height, width=0.8, color=’skyblue‘, edgecolor=’black‘, tick_label=labels |
条形图 |
hist() |
绘制直方图（数据分布） | data, bins=10 (箱数), density=True (归一化), color=’green‘, alpha=0.7, edgecolor=’black‘ |
直方图 |
pie() |
绘制饼图 | x, labels=labels, autopct=’%1.1f%%‘ (百分比格式), startangle=90 |
饼图 |
imshow() |
显示图像或2D数组（热力图） | data, cmap=’viridis‘, aspect=’auto‘, origin=’upper‘ |
热力图、图像 |
contour() / contourf() |
绘制（填充）等高线图 | X, Y, Z, levels=20, cmap=’coolwarm‘ |
等高线图 |
boxplot() |
绘制箱线图（数据分布统计） | data, notch=True (缺口), vert=False (水平), patch_artist=True (填充) |
箱线图 |
violinplot() |
绘制小提琴图（结合箱型与核密度） | data, showmeans=True (显示均值), showmedians=True |
小提琴图 |
三、图表元素与样式设置核心功能
创建图形后，需对坐标轴、标题、图例等元素进行精细控制。
| 设置类别 | 常用函数/属性 | 说明与示例 |
|---|---|---|
| 坐标轴与刻度 | ax.set_xlim() / ax.set_ylim() |
设置坐标轴范围。ax.set_xlim(0, 10) |
ax.set_xlabel() / ax.set_ylabel() |
设置坐标轴标签。ax.set_xlabel(‘Time (s)’, fontsize=12) |
|
ax.set_xticks() / ax.set_yticks() |
设置刻度位置。ax.set_xticks([0, np.pi, 2*np.pi]) |
|
ax.set_xticklabels() |
设置刻度标签。ax.set_xticklabels([‘0‘, ’π‘, ’2π‘]) |
|
ax.tick_params() |
精细控制刻度参数。ax.tick_params(axis=’x‘, rotation=45, labelsize=10) |
|
ax.grid() |
添加网格。ax.grid(True, linestyle=’–‘, alpha=0.5) |
|
| 标题与图例 | ax.set_title() |
设置子图标题。ax.set_title(‘Main Title‘, fontsize=14, loc=’left‘) |
ax.legend() |
显示图例。ax.legend(loc=’upper left‘, frameon=False, fontsize=’small‘) |
|
| 文本与注解 | ax.text() |
在指定坐标添加文本。ax.text(2, 3, ’Important Point‘, fontsize=12) |
ax.annotate() |
添加带箭头的注解。ax.annotate(’Max Value‘, xy=(5, 1), xytext=(3, 1.5), arrowprops=dict(arrowstyle=’->‘)) |
|
| 样式与颜色 | plt.style.use() |
使用预设样式。plt.style.use(’seaborn-v0_8-darkgrid‘) |
color / c |
线条、标记、面的颜色。支持名称(‘red‘)、十六进制(‘#FF5733‘)、RGB元组。 | |
linestyle / ls |
线条样式。‘-‘ (实线), ’–‘ (虚线), ’:’ (点线), ’-.’ (点划线)。 |
|
marker |
数据点标记。‘o‘ (圆), ’s‘ (方形), ’^‘ (上三角), ’D‘ (菱形)。 |
|
linewidth / lw |
线宽。 | |
markersize / ms |
标记大小。 | |
alpha |
透明度 (0~1)。 |
四、多子图与图形布局管理
对于复杂仪表板，需要创建和管理多个子图。
| 方法 | 描述 | 示例 |
|---|---|---|
plt.subplots() |
最常用。一次性创建网格状子图。 | fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8)) axes是一个2x2的Axes数组。 |
plt.subplot() |
按索引添加子图（MATLAB风格）。 | plt.subplot(2, 2, 1) # 创建2行2列的第1个子图 |
fig.add_subplot() |
面向对象方式添加子图。 | ax1 = fig.add_subplot(2, 2, 1) |
plt.subplot2grid() |
创建非均匀网格布局。 | ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3) |
GridSpec |
最灵活。用于创建复杂的、可跨行列的子图布局。 | 见下方实战代码。 |
五、实战示例：综合应用
以下代码综合运用上述函数，创建一个包含多种图表类型和复杂布局的仪表板。
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.gridspec import GridSpec
# 设置中文字体（可选）和整体样式
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.style.use('seaborn-v0_8-talk') # 使用一个美观的样式
# 1. 创建Figure和基于GridSpec的复杂布局
fig = plt.figure(figsize=(15, 10))
gs = GridSpec(3, 4, figure=fig, hspace=0.4, wspace=0.3) # 3行4列，调整间距
# 2. 子图1：多线图 (占据第一行整行)
ax1 = fig.add_subplot(gs[0, :]) # 第0行，所有列
x = np.linspace(0, 10, 100)
for i in range(5):
# 使用plot函数，设置不同的线型、颜色、标记
ax1.plot(x, np.sin(x + i * 0.5),
label=f'Series {i+1}',
linewidth=1.5,
marker='o' if i%2==0 else None,
markersize=4,
alpha=0.8)
ax1.set_title('多系列折线图示例', fontsize=14, fontweight='bold')
ax1.set_xlabel('时间 / X轴')
ax1.set_ylabel('数值 / Y轴')
ax1.legend(loc='upper right', ncol=3, fontsize='small')
ax1.grid(True, alpha=0.3)
# 3. 子图2：分组条形图 (第二行，前两列)
ax2 = fig.add_subplot(gs[1, :2])
categories = ['产品A', '产品B', '产品C']
quarter1 = [20, 34, 30]
quarter2 = [25, 32, 34]
x_index = np.arange(len(categories))
width = 0.35
# 使用bar函数绘制分组条形
bars1 = ax2.bar(x_index - width/2, quarter1, width, label='Q1', color='skyblue', edgecolor='grey')
bars2 = ax2.bar(x_index + width/2, quarter2, width, label='Q2', color='lightcoral', edgecolor='grey')
ax2.set_title('季度销售额对比', fontsize=13)
ax2.set_xlabel('产品类别')
ax2.set_ylabel('销售额 (万)')
ax2.set_xticks(x_index)
ax2.set_xticklabels(categories)
ax2.legend()
# 在条形顶部添加数据标签
for bars in [bars1, bars2]:
for bar in bars:
height = bar.get_height()
ax2.text(bar.get_x() + bar.get_width()/2., height + 0.5,
f'{height}', ha='center', va='bottom', fontsize=9)
# 4. 子图3：散点图与分类 (第二行，后两列)
ax3 = fig.add_subplot(gs[1, 2:])
np.random.seed(42)
n_points = 50
x_scatter = np.random.randn(n_points)
y_scatter = np.random.randn(n_points)
colors_scatter = np.random.rand(n_points)
sizes = 100 * np.random.rand(n_points) # 点的大小数组
# 使用scatter函数，用颜色和大小传递第三、四维信息
scatter = ax3.scatter(x_scatter, y_scatter, c=colors_scatter, s=sizes,
alpha=0.6, cmap='viridis', edgecolor='black', linewidth=0.5)
ax3.set_title('带颜色和尺寸编码的散点图', fontsize=13)
ax3.set_xlabel('特征 X')
ax3.set_ylabel('特征 Y')
# 添加颜色条
cbar = plt.colorbar(scatter, ax=ax3)
cbar.set_label('颜色值', rotation=270, labelpad=15)
# 5. 子图4：组合图表 (直方图+密度曲线) (第三行，第一列)
ax4 = fig.add_subplot(gs[2, 0])
data_hist = np.random.randn(1000)
# 使用hist函数绘制直方图，density参数使其变为概率密度
n, bins, patches = ax4.hist(data_hist, bins=30, density=True, alpha=0.7,
color='steelblue', edgecolor='black')
# 在同一个ax上绘制核密度估计曲线
from scipy.stats import gaussian_kde
kde = gaussian_kde(data_hist)
x_kde = np.linspace(data_hist.min(), data_hist.max(), 200)
ax4.plot(x_kde, kde(x_kde), color='darkorange', linewidth=2, label='密度曲线')
ax4.set_title('数据分布直方图与密度曲线', fontsize=13)
ax4.set_xlabel('数值')
ax4.set_ylabel('概率密度')
ax4.legend()
# 6. 子图5：箱线图 (第三行，第二列)
ax5 = fig.add_subplot(gs[2, 1])
data_box = [np.random.normal(0, std, 100) for std in range(1, 5)]
# 使用boxplot函数，patch_artist=True允许填充颜色
box_plot = ax5.boxplot(data_box, patch_artist=True, notch=True,
labels=[f'Group {i+1}' for i in range(4)])
# 为每个箱体设置颜色
colors_box = ['lightgreen', 'lightblue', 'pink', 'wheat']
for patch, color in zip(box_plot['boxes'], colors_box):
patch.set_facecolor(color)
ax5.set_title('多组数据箱线图对比', fontsize=13)
ax5.set_ylabel('观测值')
ax5.grid(True, axis='y', alpha=0.3)
# 7. 子图6：填充区域图 (第三行，第三列)
ax6 = fig.add_subplot(gs[2, 2])
x_fill = np.linspace(0, 10, 200)
y1_fill = np.sin(x_fill)
y2_fill = np.cos(x_fill)
# 使用fill_between函数填充区域
ax6.plot(x_fill, y1_fill, 'b', label='sin(x)', linewidth=1.5)
ax6.plot(x_fill, y2_fill, 'r', label='cos(x)', linewidth=1.5)
ax6.fill_between(x_fill, y1_fill, y2_fill, where=(y1_fill > y2_fill),
color='blue', alpha=0.3, interpolate=True, label='sin > cos')
ax6.fill_between(x_fill, y1_fill, y2_fill, where=(y1_fill <= y2_fill),
color='red', alpha=0.3, interpolate=True, label='sin <= cos')
ax6.set_title('函数间区域填充', fontsize=13)
ax6.set_xlabel('x')
ax6.legend(loc='upper right', fontsize='x-small')
# 8. 子图7：饼图 (第三行，第四列)
ax7 = fig.add_subplot(gs[2, 3])
sizes_pie = [15, 30, 45, 10]
labels_pie = ['A类', 'B类', 'C类', '其他']
explode = (0, 0.1, 0, 0) # 突出第二块
# 使用pie函数，autopct设置百分比格式
wedges, texts, autotexts = ax7.pie(sizes_pie, explode=explode, labels=labels_pie,
autopct='%1.1f%%', startangle=90,
colors=plt.cm.Set3(np.arange(len(sizes_pie))/len(sizes_pie)))
# 美化文本
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
ax7.set_title('市场份额分布饼图', fontsize=13)
ax7.axis('equal') # 确保饼图是圆形
# 9. 为整个图形添加一个总标题
fig.suptitle('Matplotlib 常用图表综合仪表板', fontsize=16, fontweight='bold', y=0.98)
# 10. 调整布局并显示
plt.tight_layout()
plt.show()
六、高级技巧与输出
- 保存图形：使用
fig.savefig(‘filename.png‘, dpi=300, bbox_inches=’tight‘)。支持 PNG, PDF, SVG, EPS 等格式。 - 使用样式：
print(plt.style.available)查看所有可用样式，使用plt.style.use(’ggplot‘)应用。 - 配置参数：通过
plt.rcParams字典进行全局设置，如plt.rcParams[’figure.dpi‘] = 150。
掌握这些核心函数、对象和设置方法，就能应对绝大多数使用 Matplotlib 创建静态可视化图表的需求。对于更复杂的交互式或地理图表，可考虑结合 Plotly、Pyecharts 等库。
参考来源
更多推荐
8
0- 0
已为社区贡献65条内容
所有评论(0)