NOTE

Matplotlib 的图表由两个核心对象构成：

Figure（画布）：整个绘图的窗口或页面，相当于 “画纸”，可以包含多个子图。
Axes（子图）：画布上的具体绘图区域，相当于 “画纸中的某一块”，每个 Axes 包含独立的坐标轴、标题、图例等元素。
简单类比：Figure 是 “整个画板”，Axes 是 “画板上的每一幅小画”。

TIP

设置字体及符号#

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

1.基础绘图#

1.快速创建图表#

1
import matplotlib.pyplot as plt
2
import numpy as np
3
x = np.linspace(0, 10, 100)
4
y = np.sin(x)
5
# 显式创建画布和子图
6
fig, ax = plt.subplots(figsize=(8, 4)) # figsize 控制画布大小
7
# 通过 ax 对象操作子图
8
ax.plot(x, y, color="blue", linewidth=2)
9
ax.set_title("标题", fontsize=14)
10
ax.set_xlabel("x 轴", fontsize=12)
11
ax.set_ylabel("y 轴", fontsize=12)
12
ax.grid(True, linestyle="--", alpha=0.7) # 添加网格线
13
plt.show()

TIP

fig, ax = plt.subplots(figsize=(8, 4)) 返回的ax实际是个numpy.ndarray 对象，

2.不同类型图表的绘制#

1.折线图（Plot）#

NOTE

用于展示数据随连续变量的 变化趋势，核心参数：

color：线条颜色（如 "red"、"#FF5733"）
linestyle：线条样式（"-" 实线、"--" 虚线、":" 点线）
marker：数据点标记（"o" 圆点、"s" 方块、"^" 三角）
linewidth：线条宽度- color：线条颜色（如 "red"、"#FF5733"）
linestyle：线条样式（"-" 实线、"--" 虚线、":" 点线）
marker：数据点标记（"o" 圆点、"s" 方块、"^" 三角）
linewidth：线条宽度

1
import matplotlib.pyplot as plt
2
import [[numpy]] as np
3

4
# 生成数据
5
x = np.linspace(0, 10, 100)
6
y1 = np.sin(x)
7
y2 = np.cos(x)
8

9
# 绘图
10
fig, ax = plt.subplots( figsize=(8, 6))
11

12
ax.plot(x,y1,color='red',linestyle='-',
13
marker='o',markersize=5,label='sin(x)')
14
ax.plot(x,y2,color='blue',linestyle=':',
15
marker='s',markersize=5,label='cos(x)')
16
ax.legend() # 显示图例
17
plt.show()

2.散点图（Scatter）#

NOTE

用于展示两个变量之间的关系，核心参数：

s：点的大小（可以是单个值，也可以是数组，实现 “气泡图”）
c：点的颜色（可以是单个值，也可以是数组，结合 cmap 实现颜色映射）
cmap：颜色映射表（如 "viridis"、"coolwarm"）
alpha：点的透明度（0-1 之间）

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
# 设置中文显示和负号
5
plt.rcParams["font.sans-serif"] = ["SimHei"]
6
plt.rcParams["axes.unicode_minus"] = False
7

8
# 数据生成
9
rng = np.random.default_rng(42)
10

11
x = rng.random(100)
12
y = rng.random(100)
13
size = rng.random(100) * 300  # 点的大小
14
color = rng.random(100)       # 点的颜色值
15

16
# 绘图
17
fig, ax = plt.subplots(figsize=(10, 5))
18
# 绘制散点图
19
scatter = ax.scatter(x, y, s=size, c=color, cmap="nipy_spectral",
20
                     alpha=0.7, edgecolors='black', linewidth=0.5)
21

22
ax.set_title("散点图示例（气泡图）", fontsize=16, pad=15)# pad为距离边框的距离
23
ax.set_xlabel("X 轴数值", fontsize=12)
24
ax.set_ylabel("Y 轴数值", fontsize=12)
25

26
ax.grid(visible=True, linestyle='--', alpha=0.6)  # 显示网格
27

28
fig.colorbar(scatter, ax=ax, label="颜色强度值")  # 显示颜色条
29

30
plt.tight_layout()
31
plt.show()

3.柱状图（Bar & Barh）#

NOTE

用于比较不同类别数据的大小，分为垂直柱状图（bar）和水平柱状图（barh），核心参数：

width：柱子宽度（垂直柱状图）
height：柱子高度（水平柱状图）
align：对齐方式（"center" 居中、"edge" 边缘对齐）

1
import matplotlib.pyplot as plt
2

3
datas = {"A":100, "B":200, "C":300, "D":50}
4

5
fig,ax = plt.subplots(nrows=1,ncols=2,figsize=(10,5))
6

7
ax[0].bar(datas.keys(),datas.values(),color=["red","green","blue","yellow"],width=0.5) # 垂直柱状图
8
ax[0].set_title("Vertical Bar Chart")
9
ax[1].barh(datas.keys(),datas.values(),color=["pink","orange","purple","brown"],height=0.5) # 水平柱状图
10
ax[1].set_title("Horizontal Bar Chart")
11
plt.tight_layout()  # 自动调整子图间距
12
plt.show()

4.直方图（Hist）#

NOTE

用于展示数据的分布情况，核心参数：

bins：分组数量（或分组边界），即有多少个小直方
density：是否归一化（True 显示概率密度，False 显示频数），y轴数据不一样
histtype：直方图类型（"bar" 柱状、"step" 阶梯），默认为柱状的

1
import matplotlib.pyplot as plt
2
import numpy as np
3
plt.rcParams['font.sans-serif'] = ['SimHei']
4
plt.rcParams['axes.unicode_minus'] = False
5
rng = np.random.default_rng()
6
data = rng.normal(loc=0, scale=1, size=1000)
7
fig, ax = plt.subplots(figsize=(8, 4))
8
ax.hist(data, bins=30, density=False, color="lightgreen", alpha=0.7, edgecolor="red")
9

10
ax.set_title("直方图：正态分布数据")
11
ax.set_xlabel("数据值")
12
ax.set_ylabel("概率密度")
13
plt.show()

1
import matplotlib.pyplot as plt
2
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
3
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
4
# 数据
5
datas = {
6
       "labels":["苹果", "香蕉", "橙子", "葡萄"],
7
       "sizes":[30, 25, 20, 25],
8
       "explode":[0.1, 0, 0, 0]  # 突出“苹果”,即让这个标签的扇区突出显示
9
       }
10
fig, ax = plt.subplots(figsize=(6, 6))
11
ax.pie(
12
       x=datas["sizes"],
13
       explode=datas["explode"],
14
       labels=datas["labels"],
15
       autopct="%.1f%%",
16
       colors=["lightcoral", "gold", "lightgreen", "skyblue"],
17
       startangle=15,# startangle 控制起始角度,是突出显示的那个的角度
18
       pctdistance=0.8, # pctdistance 控制百分比标签与圆心的距离
19
       labeldistance=1.1, # labeldistance 控制标签与圆心的距离
20
       shadow=True, # 阴影效果,
21
       radius=1.2, # 饼图半径
22
       frame=True, # 是否显示饼图外框
23
       textprops={"fontsize":14, "color":"b", "weight":"bold"} # 饼图标签字体大小
24

25

26
       )
27

28
ax.set_title("饼图示例")
29
plt.show()

3.图表美化与定制#

NOTE

标题与坐标轴标签

通过 set_title()、set_xlabel()、set_ylabel() 定制，支持字体大小、颜色、位置;

图例设置

通过 legend() 定制图例的位置、样式、字体;
loc 参数有："upper left"、"upper right"、"lower left"、"lower right"、"center"；

刻度

通过 set_xticks()、set_yticks() 设置刻度位置，set_xticklabels() 定制刻度标签；

网格

通过 grid() 添加网格线，支持样式、颜色、透明度；

线条与标记样式

|线条样式|说明|标记样式|说明| |---|---|---|---| |-|实线（默认）|o|圆点| |--|虚线|s|方块| |:|点线|^|上三角| |-.|点划线|*|星号|

间距调整

tight_layout()：自动调整子图间距，避免标签重叠
subplots_adjust()：手动调整间距（left、right、top、bottom、wspace、hspace）

风格与样式表

Matplotlib 内置了多种样式表，通过 plt.style.use() 快速应用；
查看所有可用样式：print(plt.style.available)
比如：plt.style.use("ggplot")

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
5
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
6

7
# 查看所有可用样式
8
print(plt.style.available)
9

10
# 应用样式（如 "ggplot"、"seaborn"、"fivethirtyeight"）
11
plt.style.use("seaborn-v0_8-dark-palette")
12

13
# 生成数据
14
x = np.linspace(0, 10, 100)
15
y1 = np.sin(x)
16
y2 = np.cos(x)
17

18
fig, ax = plt.subplots(figsize=(8, 4))
19
ax.plot(x, y1, label="sin(x)")
20
ax.plot(x, y2, label="cos(x)")
21

22
# 标题：字体16，加粗，颜色深蓝色
23
ax.set_title("定制标题示例", fontsize=16, fontweight="bold", color="darkblue")
24
# 坐标轴标签：字体12，颜色灰色
25
ax.set_xlabel("x 轴", fontsize=12, color="gray")
26
ax.set_ylabel("y 轴", fontsize=12, color="gray")
27
# 图例：位置右上角，字体12，带阴影，背景白色
28
ax.legend(loc="upper right", fontsize=12, shadow=True, facecolor="white")
29
# 设置 x 轴刻度位置和标签
30
ax.set_xticks(np.arange(0, 11, 2))
31
ax.set_xticklabels(["零", "二", "四", "6", "八", "10"], fontsize=12, color="gray")
32
# 设置 y 轴刻度位置和标签
33
ax.set_yticks(np.arange(-1, 1.5, 0.5))
34
ax.set_yticklabels(["-1","-0.5", "0","0.5", "1"], fontsize=12, color="gray")
35
# 设置 y 轴刻度旋转45度
36
ax.tick_params(axis="y", rotation=45, labelsize=12)
37

38
# 添加网格线：虚线，灰色，透明度0.5
39
ax.grid(True, linestyle="--", color="gray", alpha=0.5,)
40

41
# 自动调整布局
42
plt.tight_layout()
43

44

45
# 显示图形
46
plt.show()

2.进阶绘图#

1.子图布局#

基础子图：`subplots()`#

最常用的子图创建方式，指定行数和列数

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(12, 6))  # 2行3列
5
x = np.linspace(0, 10, 100)
6

7
# 遍历子图绘图
8
for i, ax in enumerate(axes.flat):
9
    ax.plot(x, np.sin(x) * (i+1))
10
    ax.set_title(f"fig {i+1}")
11

12
plt.tight_layout()
13
plt.show()

灵活布局：`GridSpec`#

适合复杂的子图布局（如跨行列的子图）

1
import matplotlib.pyplot as plt
2
import matplotlib.gridspec as gridspec
3
import numpy as np
4

5
fig = plt.figure(figsize=(10, 6))
6
gs = gridspec.GridSpec(nrows=3, ncols=3, figure=fig)  # 3行3列的网格
7

8
# 创建子图：ax1 占第1行全部，ax2 占第2-3行前2列，ax3 占第2-3行最后1列
9
ax1 = fig.add_subplot(gs[0, :])
10
ax2 = fig.add_subplot(gs[1:, :2])
11
ax3 = fig.add_subplot(gs[1:, 2])
12

13
x = np.linspace(0, 10, 100)
14
ax1.plot(x, np.sin(x))
15
ax2.plot(x, np.cos(x))
16
ax3.plot(x, np.tan(x))
17

18
plt.tight_layout()
19
plt.show()

2. 坐标轴高级控制#

双坐标轴：`twinx()` | `twiny()`#

用于在同一子图中显示两个不同量级的 y 轴#

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
x = np.linspace(0, 10, 100)
5
y1 = np.sin(x)  # 量级小
6
y2 = np.exp(x)   # 量级大
7

8
fig, ax1 = plt.subplots(figsize=(8, 4))
9

10
# 第一个 y 轴
11
ax1.plot(x, y1, color="blue")
12
ax1.set_ylabel("sin(x)", color="blue")
13
ax1.tick_params(axis="y", labelcolor="blue")
14

15
# 第二个 y 轴（共享 x 轴）
16
ax2 = ax1.twinx()
17
ax2.plot(x, y2, color="red")
18
ax2.set_ylabel("exp(x)", color="red")
19
ax2.tick_params(axis="y", labelcolor="red")
20

21
plt.title("double y-axis plot")
22
plt.show()

用于在同一子图中显示两个不同量级的 x 轴#

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
x1 = np.linspace(0, 10, 100)
5
x2 = np.linspace(0, 1, 100)
6
y= x1**2 + 2*x1 + 1
7

8
fig, ax1 = plt.subplots(figsize=(8, 4))
9

10
# 第一个 x 轴
11
ax1.plot(x1, y, color="blue")
12
ax1.set_ylabel("sin(x)", color="blue")
13
ax1.tick_params(axis="y", labelcolor="blue")
14

15
# 第二个 x 轴（共享 y 轴）
16
ax2 = ax1.twiny()
17
ax2.plot(x2, y, color="red")
18
ax2.set_ylabel("exp(x)", color="red")
19
ax2.tick_params(axis="y", labelcolor="red")
20

21
plt.title("double x-axis plot")
22
plt.show()

对数坐标轴#

用于展示指数级变化的数据

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
x = np.linspace(0, 10, 100)
5
y = np.exp(x)
6

7
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))
8

9
# 普通坐标轴
10
ax1.plot(x, y)
11
ax1.set_title("common coordinate axis")
12

13
# 对数坐标轴（y 轴）
14
ax2.semilogy(x, y)  # semilogx（x轴对数）、loglog（双轴对数）
15
ax2.set_title("y axis in logarithmic scale")
16

17
plt.tight_layout()
18
plt.show()

注释与文本#

文本添加：`text()`#

在指定位置添加文本：

1
import matplotlib.pyplot as plt
2
import numpy as np
3

4
x = np.linspace(0, 10, 100)
5
y = np.sin(x)
6

7
fig, ax = plt.subplots(figsize=(8, 4))
8
ax.plot(x, y)
9

10
# 在 (5, 0.5) 位置添加文本
11
ax.text(5, 0.5, "this is a text", fontsize=12, color="red", ha="center")
12

13
plt.show()

TIP

ha：水平对齐（"center"、"left"、"right"）；
va：垂直对齐（"center"、"top"、"bottom"）

箭头注释：`annotate()`#

用于标注数据点，带箭头指向目标位置

3.与pandas的配合#

1
import matplotlib.pyplot as plt
2
import pandas as pd
3
import numpy as np
4

5
# 创建 DataFramenp.random.seed(42)
6
data = pd.DataFrame({
7
    "A": np.random.randn(100).cumsum(),
8
    "B": np.random.randn(100).cumsum(),
9
    "C": np.random.randn(100).cumsum()
10
}, index=pd.date_range("2023-01-01", periods=100))
11

12
# 直接用 DataFrame 绘图
13
fig, ax = plt.subplots(figsize=(10, 6))
14
data.plot(ax=ax, title="Pandas DataFrame Plotting")
15
ax.set_xlabel("date")
16
ax.set_ylabel("value")
17

18
plt.show()

案例#

1
import matplotlib.pyplot as plt
2
import pandas as pd
3
import numpy as np
4
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
5
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
6
# 模拟股票数据
7
np.random.seed(42)
8
dates = pd.date_range("2023-01-01", periods=100)
9
close_price = np.random.randn(100).cumsum() + 100
10
volume = np.random.randint(100000, 500000, size=100)
11

12
data = pd.DataFrame({"close": close_price, "volume": volume}, index=dates)
13

14
# 创建双轴子图
15
fig, ax1 = plt.subplots(figsize=(12, 6))
16
ax2 = ax1.twinx()
17

18
# 绘制收盘价折线图
19
ax1.plot(data.index, data["close"], color="blue", label="收盘价")
20
ax1.set_ylabel("收盘价", color="blue")
21
ax1.tick_params(axis="y", labelcolor="blue")
22

23
# 绘制成交量柱状图
24
ax2.bar(data.index, data["volume"], color="gray", alpha=0.3, label="成交量")
25
ax2.set_ylabel("成交量", color="gray")
26
ax2.tick_params(axis="y", labelcolor="gray")
27

28
# 合并图例
29
lines1, labels1 = ax1.get_legend_handles_labels()
30
lines2, labels2 = ax2.get_legend_handles_labels()
31
ax1.legend(lines1 + lines2, labels1 + labels2, loc="upper left")
32

33
plt.title("股票数据可视化")
34
plt.show()

走马

音乐

matplotlib

设置字体及符号#

1.基础绘图#

1.快速创建图表#

2.不同类型图表的绘制#

1.折线图（Plot）#

2.散点图（Scatter）#

3.柱状图（Bar & Barh）#

4.直方图（Hist）#

3.图表美化与定制#

2.进阶绘图#

1.子图布局#

基础子图：`subplots()`#

灵活布局：`GridSpec`#

2. 坐标轴高级控制#

双坐标轴：`twinx()` | `twiny()`#

用于在同一子图中显示两个不同量级的 y 轴#

用于在同一子图中显示两个不同量级的 x 轴#

对数坐标轴#

注释与文本#

文本添加：`text()`#

箭头注释：`annotate()`#

3.与pandas的配合#

案例#

文章目录

走马

音乐

matplotlib

设置字体及符号#

1.基础绘图#

1.快速创建图表#

2.不同类型图表的绘制#

1.折线图（Plot）#

2.散点图（Scatter）#

3.柱状图（Bar & Barh）#

4.直方图（Hist）#

3.图表美化与定制#

2.进阶绘图#

1.子图布局#

基础子图：subplots()#

灵活布局：GridSpec#

2. 坐标轴高级控制#

双坐标轴：twinx() | twiny()#

用于在同一子图中显示两个不同量级的 y 轴#

用于在同一子图中显示两个不同量级的 x 轴#

对数坐标轴#

注释与文本#

文本添加：text()#

箭头注释：annotate()#

3.与pandas的配合#

案例#

文章目录

基础子图：`subplots()`#

灵活布局：`GridSpec`#

双坐标轴：`twinx()` | `twiny()`#

文本添加：`text()`#

箭头注释：`annotate()`#