Matplotlib 是 Python 最流行的 2D 绘图库，广泛用于科学计算、数据分析和可视化。以下是快速掌握 Matplotlib 的完整教程。

目录

  1. 安装与基础配置
  2. 绘图基础
  3. 常用图表类型
  4. 样式与美化
  5. 子图与布局
  6. 高级功能
  7. 保存图像
  8. 注意事项

安装与基础配置

# 使用 pip 安装
pip install matplotlib

# 使用 conda 安装
conda install -c conda-forge matplotlib
import matplotlib.pyplot as plt
import numpy as np

# 设置默认风格（可选）
plt.style.use('ggplot')  # 或 'seaborn', 'classic' 等

绘图基础

1. 折线图（Line Plot）

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

plt.figure(figsize=(10, 6))  # 设置画布大小
plt.plot(x, y, label='sin(x)', color='blue', linestyle='--', linewidth=2)
plt.title('Sine Wave')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.grid(True)
plt.legend()
plt.show()

2. 基本元素说明

元素说明
figure整个图像（画布）
axes子图（包含坐标轴、标签）
axis单个坐标轴（X/Y/Z轴）
spines坐标轴脊柱

常用图表类型

1. 柱状图（Bar Chart）

categories = ['A', 'B', 'C']
values = [3, 7, 5]

plt.bar(categories, values, color=['red', 'green', 'blue'], width=0.6)
plt.title('Bar Chart')
plt.ylabel('Values')
plt.show()

2. 散点图（Scatter Plot）

x = np.random.rand(50)
y = np.random.rand(50)
sizes = np.random.randint(10, 200, 50)

plt.scatter(x, y, s=sizes, c=y, cmap='viridis', alpha=0.6)
plt.colorbar(label='Y Value')
plt.title('Scatter Plot')
plt.show()

3. 直方图（Histogram）

data = np.random.randn(1000)
plt.hist(data, bins=30, color='skyblue', edgecolor='black', alpha=0.7)
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

4. 饼图（Pie Chart）

labels = ['A', 'B', 'C']
sizes = [25, 35, 40]
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal')  # 保持圆形
plt.title('Pie Chart')
plt.show()

样式与美化

1. 线条样式

plt.plot(x, y, 
         color='red',       # 颜色
         linestyle='--',    # 虚线
         marker='o',        # 标记点
         markersize=8,      # 标记大小
         markerfacecolor='yellow')

2. 颜色映射（Colormap）

plt.imshow(np.random.rand(10,10), cmap='hot')
plt.colorbar()
plt.title('Colormap: hot')
plt.show()

3. 数学公式支持（LaTeX）

plt.title(r'$\alpha > \beta$')  # 使用 LaTeX 语法
plt.xlabel('Time ($t$)')
plt.ylabel('Amplitude ($A$)')

子图与布局

1. 使用 subplots

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

axes[0, 0].plot(x, np.sin(x))
axes[0, 1].plot(x, np.cos(x))
axes[1, 0].plot(x, np.tan(x))
axes[1, 1].plot(x, x**2)

plt.tight_layout()  # 自动调整布局
plt.show()

2. GridSpec 布局

from matplotlib.gridspec import GridSpec

fig = plt.figure(figsize=(8, 6))
gs = GridSpec(2, 2)

ax1 = fig.add_subplot(gs[0, :])  # 第一行跨两列
ax2 = fig.add_subplot(gs[1, 0])
ax3 = fig.add_subplot(gs[1, 1])

ax1.plot(x, np.sin(x))
ax2.plot(x, np.cos(x))
ax3.plot(x, x**2)
plt.tight_layout()
plt.show()

高级功能

1. 注释与文本

plt.plot(x, y)
plt.annotate('Max Point', 
             xy=(np.pi/2, 1), 
             xytext=(np.pi/2+1, 0.5),
             arrowprops=dict(facecolor='black'))
plt.text(5, 0, 'Important Note', fontsize=12, color='red')

2. 双坐标轴

fig, ax1 = plt.subplots()
ax2 = ax1.twinx()

ax1.plot(x, y, 'g-')
ax2.plot(x, y*2, 'b-')

ax1.set_xlabel('X')
ax1.set_ylabel('Y (green)')
ax2.set_ylabel('2Y (blue)')
plt.show()

3. 动态更新（实时绘图）

plt.ion()  # 开启交互模式
fig, ax = plt.subplots()
x, y = [], []

for i in range(100):
    x.append(i)
    y.append(np.sin(i/10))
    ax.clear()
    ax.plot(x, y)
    plt.pause(0.1)

保存图像

plt.savefig('output.png', dpi=300, bbox_inches='tight', transparent=True)
# 支持格式：png, pdf, svg, jpg 等

注意事项

  1. 中文显示问题：
   plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文
   plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号
  1. 坐标轴截断：
   plt.xlim(0, 10)    # 限制 X 轴范围
   plt.ylim(-1, 1)    # 限制 Y 轴范围
  1. 图例位置调整：
   plt.legend(loc='upper left', bbox_to_anchor=(1,1))  # 右上角
  1. 后端选择：
    • Jupyter Notebook 使用 %matplotlib inline
    • GUI 应用推荐使用 TkAgg/WxAgg 后端
    • 服务器环境建议使用 Agg（无头模式）
  1. 性能优化：
    • 大数据量绘图时使用 set_data() 而非重复调用 plot()
    • 关闭交互模式：plt.ioff()
    • 简化图表元素（如减少标记点）

总结

Matplotlib 提供了完整的 2D 可视化解决方案，核心优势在于：

  • 灵活性：支持从基础图表到复杂定制的可视化需求
  • 兼容性：与 NumPy、Pandas、Seaborn 等库无缝集成
  • 扩展性：可通过 mpl_toolkits 实现 3D 绘图、动画等功能

进一步学习: