Matplotlib绘图基本介绍

小象实战讲义 · Python数据分析实战

在数据分析工作中，将数据转化为直观的图表是沟通洞察的关键环节。本节我们将系统学习Python生态中最经典、最基础的绘图库——Matplotlib。你将掌握其核心绘图逻辑、基本元素构成以及从数据到图表的完整步骤，为后续的探索性数据分析和复杂可视化打下坚实基础。

💡 核心导读

• Matplotlib定位：一个用于创建出版质量图表的绘图工具库，旨在为Python提供类似Matlab的绘图接口。
• 绘图五步法：从创建画布到添加修饰，遵循清晰的步骤即可完成图表绘制。
• 核心元素关系：理解Figure（画布）、Axes（坐标系/轴）、Axis（坐标轴）之间的层级包含关系。
• 元素详解：认识图表中的Title、Label、Tick、Tick Label等基本构成部件及其作用。

Matplotlib简介与绘图逻辑

Matplotlib是Python数据可视化生态的基石。它最初受Matlab的启发而设计，旨在为科学计算提供高质量的图形输出。通过其子模块pyplot，我们可以使用一套简洁的API（应用程序编程接口）来创建各种静态、交互式图表。

其核心优势在于与NumPy数组的无缝集成。Matplotlib的底层绘图函数大多直接操作NumPy数组，这使得向量化计算的结果能够高效地转换为图形元素。

在Python中使用Matplotlib的标准方式是导入pyplot模块，并约定俗成地将其简写为plt：

import matplotlib.pyplot as plt

这个plt对象将成为我们调用绝大多数绘图函数的入口。

绘图步骤与基本元素

绘制一张完整的图表，可以遵循一个清晰的五步流程。这个过程类似于画家作画：

1. 创建画布（Figure）：首先需要一张“纸”，在Matplotlib中称为Figure对象。它是所有图表元素的顶级容器。
2. 创建绘图区域（Axes）：在画布上划分出绘图区域，即坐标系（Axes）。一个画布可以包含多个子图（Subplot），每个子图都是一个独立的Axes对象。
3. 绘制数据（Plot）：在确定的坐标系中，调用具体的绘图函数（如plot、scatter、bar）将数据绘制成点、线、柱状图等图形。
4. 添加修饰（Decoration）：为图表添加标题（Title）、坐标轴标签（Label）、图例（Legend）等，使图表含义一目了然。
5. 定制化调整（DIY）：根据展示需求进行细节调整，例如旋转刻度标签、调整颜色、设置网格线等，让图表更加美观和清晰。

这五个步骤对应了Matplotlib绘图的三个基本要素：数据（变量）、绘图函数以及承载它们的画布与坐标系（Figure & Axes）。绘图过程本质上是：数据通过绘图函数，在画布和坐标系的框架内，被可视化为图形，并通过修饰元素进行描述。

深入理解图表层级与元素

为了更精确地控制图表，我们需要理解Matplotlib中对象的层级关系：

• Figure（画布）：最高层级容器，相当于整张画纸。一个Figure可以包含一个或多个Axes。
• Axes（坐标系/轴域）：即一个子图，是拥有坐标系统的绘图区域。它包含两个（2D图）或三个（3D图）Axis对象，以及图形标题（title）、坐标轴标签（xlabel, ylabel）等。
• Axis（坐标轴）：负责设置图形界限并生成刻度（Tick）和刻度标签（Tick Label）。

让我们通过一个简单的代码示例，来具象化这些概念，并演示完整的绘图流程。

import matplotlib
matplotlib.use('Agg')  # 使用无界面后端，确保在任何环境都能运行
import matplotlib.pyplot as plt
import numpy as np

# 1. 创建画布（Figure）
fig = plt.figure(figsize=(8, 5))  # figsize设置画布宽高（英寸）

# 2. 在画布上创建坐标系（Axes）。这里我们创建一个1x1的子图网格，并选中第一个（也是唯一一个）Axes。
ax = fig.add_subplot(1, 1, 1)

# 3. 准备数据并绘制
x = np.array([0, 1, 2, 3, 4])  # X轴数据
y = np.array([10, 15, 13, 18, 16])  # Y轴数据
ax.plot(x, y, marker='o', linestyle='-', label='产品A销量')  # 绘制折线图，带圆圈标记

# 4. 添加修饰
ax.set_title('2023年产品月度销量趋势')  # 设置图表标题
ax.set_xlabel('月份')                     # 设置X轴标签
ax.set_ylabel('销量（万件）')             # 设置Y轴标签
ax.legend()                              # 显示图例
ax.grid(True, linestyle='--', alpha=0.5) # 添加网格线

# 5. DIY：自定义X轴刻度标签
# 当前刻度是[0,1,2,3,4]，我们将其替换为更有意义的月份名称
ax.set_xticks(x)  # 设置刻度位置
ax.set_xticklabels(['一月', '二月', '三月', '四月', '五月'])  # 设置刻度标签

# 在讲义中，我们通常不保存文件，此处仅作演示，读者可自行运行 fig.savefig('plot.png')
plt.close(fig)  # 关闭图形，释放内存
print("图表元素设置完成。")
print(f"Figure 对象: {type(fig).__name__}")
print(f"Axes 对象: {type(ax).__name__}")
print(f"X轴刻度位置: {ax.get_xticks()}")
print(f"X轴刻度标签: {ax.get_xticklabels()}")

图表元素设置完成。
Figure 对象: Figure
Axes 对象: Axes
X轴刻度位置: [0 1 2 3 4]
X轴刻度标签: [Text(0, 0, '一月'), Text(1, 0, '二月'), Text(2, 0, '三月'), Text(3, 0, '四月'), Text(4, 0, '五月')]

通过上面的代码和输出，我们可以清晰地看到：

• 我们创建了Figure和Axes对象。
• 在Axes上绘制了数据折线。
• 设置了标题、坐标轴标签、图例和网格。
• 特别演示了DIY步骤：将原始的数值刻度[0,1,2,3,4]通过set_xticklabels替换为['一月', '二月'...]。这里的原始数值就是刻度（Tick），替换后的中文月份就是刻度标签（Tick Label）。而坐标轴标签（xlabel）则是说明整个轴含义的“月份”。

核心绘图函数初探

了解了框架之后，让我们聚焦于第三步——使用不同的绘图函数来可视化数据。Matplotlib的pyplot模块（即plt）和Axes对象都提供了丰富的绘图方法。以下是一个综合示例，展示三种基础图表：

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

# 自包含数据：模拟三种产品的季度销售额
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
product_a = [120, 135, 148, 160]
product_b = [90, 110, 105, 130]
product_c = [200, 185, 210, 195]

fig, axs = plt.subplots(1, 3, figsize=(15, 4))  # 创建1行3列的子图

# 子图1：折线图 (Line Plot) - 展示趋势
axs[0].plot(quarters, product_a, marker='s', label='产品A')
axs[0].plot(quarters, product_b, marker='^', label='产品B')
axs[0].plot(quarters, product_c, marker='o', label='产品C')
axs[0].set_title('季度销售趋势')
axs[0].set_xlabel('季度')
axs[0].set_ylabel('销售额（万元）')
axs[0].legend()
axs[0].grid(True)

# 子图2：柱状图 (Bar Chart) - 对比Q4数据
axs[1].bar(['产品A', '产品B', '产品C'], [product_a[-1], product_b[-1], product_c[-1]], color=['skyblue', 'lightgreen', 'salmon'])
axs[1].set_title('第四季度销售额对比')
axs[1].set_ylabel('销售额（万元）')

# 子图3：散点图 (Scatter Plot) - 观察A、B产品关联（模拟数据）
# 假设我们有多个月份的点
months = np.arange(12)
sales_a = np.array([10,12,11,13,15,14,16,18,17,19,20,22])
sales_b = np.array([8,9,8,10,11,10,12,13,12,14,15,16])
axs[2].scatter(sales_a, sales_b, alpha=0.6)
axs[2].set_title('产品A与产品B销量散点图')
axs[2].set_xlabel('产品A销量（万件）')
axs[2].set_ylabel('产品B销量（万件）')
axs[2].grid(True)

plt.tight_layout()  # 自动调整子图间距
plt.close(fig)
print("多子图绘制完成，展示了折线图、柱状图和散点图。")

多子图绘制完成，展示了折线图、柱状图和散点图。

📝 动手练一练

1. 概念辨析：在Matplotlib的层级结构中，Figure、Axes和Axis三者之间是什么关系？请用一句话描述。

2. 动手修改：参考第一个代码示例，请修改代码，将折线图的线条样式改为虚线（linestyle='--'），标记形状改为方块（marker='s'），并将线条颜色改为红色。同时，将Y轴标签改为“产量（万吨）”。

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(8,5)) # 更简洁的创建画布和坐标系的方式
x = np.array([0, 1, 2, 3, 4])
y = np.array([10, 15, 13, 18, 16])

# 修改后的绘图行
ax.plot(x, y, marker='s', linestyle='--', color='red', label='更新后的趋势线')
# 其余代码保持不变
ax.set_title('2023年产品月度产量趋势')
ax.set_xlabel('月份')
ax.set_ylabel('产量（万吨）')  # 修改Y轴标签
ax.legend()
ax.grid(True, linestyle=':', alpha=0.5)
ax.set_xticks(x)
ax.set_xticklabels(['一月', '二月', '三月', '四月', '五月'])

plt.close(fig)
print("图表已按要求修改。")

图表已按要求修改。

本章小结

本节我们建立了对Matplotlib库的基本认知。我们学习了它作为Python基础绘图库的定位，掌握了从创建画布到输出成图的“五步绘图法”，并深入剖析了Figure、Axes、Axis等核心对象的层级关系与功能。最后，我们初步接触了折线图、柱状图和散点图等基础图形的绘制方法。

📋 行动清单

• 在你的Python环境中运行本节示例代码，确保理解每一行代码的作用。
• 尝试将“动手练一练”中的第二个练习独立完成，并运行验证。
• 思考你手头的一组数据（例如每周开销、项目进度），构思它适合用折线图、柱状图还是散点图来呈现。

—— 小象教研组