Matplotlib入门教程

简介¶

Matplotlib 是Python最强大的数据可视化库，可以创建高质量的2D/3D图形，完美支持科学计算与数据分析。

安装与导入¶

安装¶

通过pip安装matplotlib

In [1]:

pip install matplotlib  # 基础安装，支持所有核心功能

pip install matplotlib # 基础安装，支持所有核心功能

Requirement already satisfied: matplotlib in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (3.10.7)
Requirement already satisfied: contourpy>=1.0.1 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (1.3.3)
Requirement already satisfied: cycler>=0.10 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (4.61.0)
Requirement already satisfied: kiwisolver>=1.3.1 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (1.4.9)
Requirement already satisfied: numpy>=1.23 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (2.3.5)
Requirement already satisfied: packaging>=20.0 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (25.0)
Requirement already satisfied: pillow>=8 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (12.0.0)
Requirement already satisfied: pyparsing>=3 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (3.2.5)
Requirement already satisfied: python-dateutil>=2.7 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from matplotlib) (2.9.0.post0)
Requirement already satisfied: six>=1.5 in /Users/tinker/code/jupyter-lab/.venv/lib/python3.13/site-packages (from python-dateutil>=2.7->matplotlib) (1.17.0)
Note: you may need to restart the kernel to use updated packages.

导入¶

导入matplotlib

In [2]:

import matplotlib.pyplot as plt  # 导入绘图核心模块, plt简称是通用约定
import numpy as np  # 配合生成示例数据

import matplotlib.pyplot as plt # 导入绘图核心模块, plt简称是通用约定 import numpy as np # 配合生成示例数据

设置中文字体¶

In [3]:

# 让matplotlib自动找一个能显示中文的字体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'PingFang SC', 'Heiti TC', 'Songti SC', 'STFangsong']
plt.rcParams['axes.unicode_minus'] = False            # 用来正常显示负号

# 让matplotlib自动找一个能显示中文的字体 plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'PingFang SC', 'Heiti TC', 'Songti SC', 'STFangsong'] plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号

核心概念：Figure与Axes（画布与子图）¶

matplotlib的绘图逻辑基于两个核心对象：Figure（画布） 和Axes（子图/轴），理解它们是用好matplotlib的关键。

• Figure：整个绘图区域的“画布”，可以看作一个窗口或页面，所有图表都绘制在Figure上。
• Axes：画布上的“子图”，一个Figure可以包含多个Axes（比如一行两列的图表有2个Axes）。每个Axes有自己的坐标轴（x轴、y轴）、标题、图例等。

画布和子图的创建¶

In [4]:

fig = plt.figure()             # 只有画布，没有子图，此时不会绘制任何内容出来
fig, ax = plt.subplots()       # 只有一个子图的画布
fig, axs = plt.subplots(2, 2)  # 拥有2x2的网格子图的画布
fig, axs = plt.subplot_mosaic([['left', 'right_top'],
                               ['left', 'right_bottom']]) # 拥有左边一个，右边两个子图的画布
plt.show()

fig = plt.figure() # 只有画布，没有子图，此时不会绘制任何内容出来 fig, ax = plt.subplots() # 只有一个子图的画布 fig, axs = plt.subplots(2, 2) # 拥有2x2的网格子图的画布 fig, axs = plt.subplot_mosaic([['left', 'right_top'], ['left', 'right_bottom']]) # 拥有左边一个，右边两个子图的画布 plt.show()

<Figure size 640x480 with 0 Axes>

两种绘图模式¶

Matplotlib 有两种主要的绘图模式（或者说两种使用方式）：

是的，Matplotlib 有两种主要的绘图模式（或者说两种使用方式）：

1. 脚本式（Scripting / Pyplot）模式（最常用）

   • 也叫 状态机（state-machine）模式 或 MATLAB式接口
   • 使用 matplotlib.pyplot 模块（通常导入为 plt）
   • 隐式管理当前的 Figure 和 Axes，所有绘图命令（如 plt.plot(), plt.title(), plt.xlabel()）都自动作用在“当前”的图上
   • 适合快速绘图、交互式环境（Jupyter Notebook、IPython）、教学和日常使用

   import matplotlib.pyplot as plt
   import numpy as np
   
   x = np.linspace(0, 10, 100)
   plt.plot(x, np.sin(x))        # 自动创建figure和axes
   plt.plot(x, np.cos(x))
   plt.title("这是一个标题")
   plt.show()                    # 或者在Jupyter里直接显示
   

2. 面向对象（Object-Oriented，简称OO）模式（推荐用于复杂图形）

   • 显式创建 Figure 和 Axes 对象，手动管理它们
   • 更灵活、可控性更高，适合做子图、复杂布局、封装成函数/类、制作可复用的绘图代码
   • 在大型项目、生产级代码、发表论文的高质量图形中几乎都是用这种方式

   import matplotlib.pyplot as plt
   import numpy as np
   
   fig, ax = plt.subplots()                  # 显式创建figure和axes
   # 或者 fig = plt.figure(); ax = fig.add_subplot(111)
   
   x = np.linspace(0, 10, 100)
   ax.plot(x, np.sin(x), label='sin')
   ax.plot(x, np.cos(x), label='cos')
   ax.set_title("这是一个标题")
   ax.set_xlabel("x")
   ax.set_ylabel("y")
   ax.legend()
   ax.grid(True)
   plt.show()
   

Matplotlib 官方文档明确指出：

“对于简单的绘图，pyplot 接口已经足够；但是一旦你需要更多控制（比如多个子图、复杂的布局），请使用面向对象的接口。”

折线图（plot）：展示趋势变化¶

折线图适合展示数据随时间或有序变量的变化趋势（如股票价格、温度变化）。

最简单的折线图示例¶

In [5]:

x = np.arange(0, 10)
y = x + 2
plt.plot(x,y, marker='o')
plt.title('最简单的折线图示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

x = np.arange(0, 10) y = x + 2 plt.plot(x,y, marker='o') plt.title('最简单的折线图示例') plt.xlabel('X轴') plt.ylabel('Y轴') plt.show()

In [6]:

x = np.linspace(0, 10, 100)  # 0到10的100个均匀点
y = x + 2
plt.plot(x,y)
x_int = np.arange(0, 11)          # 0,1,2,...,10
y_int = x_int + 2
plt.plot(x_int, y_int, 'go', markersize=5, label='整数点') 
plt.legend()
plt.show()

x = np.linspace(0, 10, 100) # 0到10的100个均匀点 y = x + 2 plt.plot(x,y) x_int = np.arange(0, 11) # 0,1,2,...,10 y_int = x_int + 2 plt.plot(x_int, y_int, 'go', markersize=5, label='整数点') plt.legend() plt.show()

In [7]:

import matplotlib.pyplot as plt
import numpy as np

x_smooth = np.linspace(0, 10, 200)     # 用来画平滑曲线
x_int = np.arange(0, 11)               # 0到10的整数点

plt.plot(x_smooth, x_smooth**2, 'b-', label='y = x²')           # 蓝色平滑曲线
plt.plot(x_int, x_int**2, 'go', markersize=8, label='整数点')   # 红色圆点突出整数

plt.xlabel('x')
plt.ylabel('y')
plt.title('y = x²（突出整数点）')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

import matplotlib.pyplot as plt import numpy as np x_smooth = np.linspace(0, 10, 200) # 用来画平滑曲线 x_int = np.arange(0, 11) # 0到10的整数点 plt.plot(x_smooth, x_smooth**2, 'b-', label='y = x²') # 蓝色平滑曲线 plt.plot(x_int, x_int**2, 'go', markersize=8, label='整数点') # 红色圆点突出整数 plt.xlabel('x') plt.ylabel('y') plt.title('y = x²（突出整数点）') plt.legend() plt.grid(True, alpha=0.3) plt.show()

$y=x^2$的折线图¶

In [8]:

import matplotlib.pyplot as plt
import numpy as np

x_smooth = np.linspace(0, 10, 200)     # 用来画平滑曲线
x_int = np.arange(0, 11)               # 0到10的整数点

plt.plot(x_smooth, x_smooth**2, 'b-', label='y = x²')           # 蓝色平滑曲线
plt.plot(x_int, x_int**2, 'go', markersize=8, label='整数点')   # 绿色圆点突出整数

plt.xlabel('x轴')
plt.ylabel('y轴')
plt.title('y = x²')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

import matplotlib.pyplot as plt import numpy as np x_smooth = np.linspace(0, 10, 200) # 用来画平滑曲线 x_int = np.arange(0, 11) # 0到10的整数点 plt.plot(x_smooth, x_smooth**2, 'b-', label='y = x²') # 蓝色平滑曲线 plt.plot(x_int, x_int**2, 'go', markersize=8, label='整数点') # 绿色圆点突出整数 plt.xlabel('x轴') plt.ylabel('y轴') plt.title('y = x²') plt.legend() plt.grid(True, alpha=0.3) plt.show()

使用面向对象方式绘图¶

虽然大多数的plt函数都可以直接转换为ax的方法进行调用（例如plt.plot() → ax.plot()，plt.legend() → ax.legend()等），但是并不是所有的命令都能应用这种情况。特别是用于设置极值、标签和标题的函数都有一定的改变。下表列出了将 MATLAB 风格的函数转换为面向对象的方法的区别：

• plt.xlabel() → ax.set_xlabel()
• plt.ylabel() → ax.set_ylabel()
• plt.xlim() → ax.set_xlim()
• plt.ylim() → ax.set_ylim()
• plt.title() → ax.set_title()

坐标轴范围设置对应关系：

ax.set_aspect('equal')   # 替代 plt.axis('equal')
ax.autoscale(tight=True) # 替代 plt.axis('tight')

In [9]:

# 生成示例数据（x:时间，y:数值）
x = np.linspace(0, 10, 100)  # 0到10的100个均匀点
y1 = np.sin(x)  # 正弦曲线
y2 = np.cos(x)  # 余弦曲线
# 创建画布和子图
fig, ax = plt.subplots(figsize=(10, 5))
# 绘制折线图
ax.plot(x, y1, label="sin(x)", color="blue", linewidth=2, linestyle="-")  # 实线
ax.plot(x, y2, label="cos(x)", color="red", linewidth=1.5, linestyle="--")  # 虚线
# 添加标题和标签
ax.set_title("正弦函数与余弦函数曲线", fontsize=15)  # 标题
ax.set_xlabel("x值", fontsize=12)  # x轴标签
ax.set_ylabel("y值", fontsize=12)  # y轴标签
# 添加图例（显示label）
ax.legend(fontsize=10)
# 添加网格线（便于读数）
ax.grid(alpha=0.3)  # alpha控制透明度
# 显示图表
plt.show()

# 生成示例数据（x:时间，y:数值） x = np.linspace(0, 10, 100) # 0到10的100个均匀点 y1 = np.sin(x) # 正弦曲线 y2 = np.cos(x) # 余弦曲线 # 创建画布和子图 fig, ax = plt.subplots(figsize=(10, 5)) # 绘制折线图 ax.plot(x, y1, label="sin(x)", color="blue", linewidth=2, linestyle="-") # 实线 ax.plot(x, y2, label="cos(x)", color="red", linewidth=1.5, linestyle="--") # 虚线 # 添加标题和标签 ax.set_title("正弦函数与余弦函数曲线", fontsize=15) # 标题 ax.set_xlabel("x值", fontsize=12) # x轴标签 ax.set_ylabel("y值", fontsize=12) # y轴标签 # 添加图例（显示label） ax.legend(fontsize=10) # 添加网格线（便于读数） ax.grid(alpha=0.3) # alpha控制透明度 # 显示图表 plt.show()

在面向对象接口中，与其逐个调用上面的方法来设置属性，更常见的使用ax.set()方法来一次性设置所有的属性.

In [10]:

ax = plt.axes()
ax.plot(x, np.sin(x))
ax.grid(True, 
        color='gray',         # 网格线颜色
        linestyle='--',       # 虚线（-- 或 : 或 -.）
        linewidth=0.7,        # 线条细一点
        alpha=0.7)            # 透明度，别太抢戏
ax.set(xlim=(0, 10), ylim=(-2, 2),
       xlabel='x', ylabel='sin(x)',
       title='A Simple Plot');

ax = plt.axes() ax.plot(x, np.sin(x)) ax.grid(True, color='gray', # 网格线颜色 linestyle='--', # 虚线（-- 或 : 或 -.） linewidth=0.7, # 线条细一点 alpha=0.7) # 透明度，别太抢戏 ax.set(xlim=(0, 10), ylim=(-2, 2), xlabel='x', ylabel='sin(x)', title='A Simple Plot');

调整折线图：线条颜色和风格¶

通过指定color关键字参数可以调整颜色。如果没有指定颜色，Matplotlib 会在一组默认颜色值中循环使用来绘制每一条线条。

In [11]:

plt.plot(x, np.sin(x - 0), color='blue')        # 通过颜色名称指定
plt.plot(x, np.sin(x - 1), color='g')           # 通过颜色简写名称指定(rgbcmyk)
plt.plot(x, np.sin(x - 2), color='0.75')        # 介于0-1之间的灰阶值
plt.plot(x, np.sin(x - 3), color='#FFDD44')     # 16进制的RRGGBB值
plt.plot(x, np.sin(x - 4), color=(1.0,0.2,0.3)) # RGB元组的颜色值，每个值介于0-1
plt.plot(x, np.sin(x - 5), color='chartreuse'); # 能支持所有HTML颜色名称值

plt.plot(x, np.sin(x - 0), color='blue') # 通过颜色名称指定 plt.plot(x, np.sin(x - 1), color='g') # 通过颜色简写名称指定(rgbcmyk) plt.plot(x, np.sin(x - 2), color='0.75') # 介于0-1之间的灰阶值 plt.plot(x, np.sin(x - 3), color='#FFDD44') # 16进制的RRGGBB值 plt.plot(x, np.sin(x - 4), color=(1.0,0.2,0.3)) # RGB元组的颜色值，每个值介于0-1 plt.plot(x, np.sin(x - 5), color='chartreuse'); # 能支持所有HTML颜色名称值

颜色类型有：

颜色标记	描述
r	红色
g	绿色
b	蓝色
c	青色
m	品红
y	黄色
k	黑色
w	白色

通过linestyle关键字参数可以指定线条的风格：

In [12]:

plt.plot(x, x + 0, linestyle='solid')
plt.plot(x, x + 1, linestyle='dashed')
plt.plot(x, x + 2, linestyle='dashdot')
plt.plot(x, x + 3, linestyle='dotted');

# 还可以用形象的符号代表线条风格
plt.plot(x, x + 4, linestyle='-')  # 实线
plt.plot(x, x + 5, linestyle='--') # 虚线
plt.plot(x, x + 6, linestyle='-.') # 长短点虚线
plt.plot(x, x + 7, linestyle=':');  # 点线

plt.plot(x, x + 0, linestyle='solid') plt.plot(x, x + 1, linestyle='dashed') plt.plot(x, x + 2, linestyle='dashdot') plt.plot(x, x + 3, linestyle='dotted'); # 还可以用形象的符号代表线条风格 plt.plot(x, x + 4, linestyle='-') # 实线 plt.plot(x, x + 5, linestyle='--') # 虚线 plt.plot(x, x + 6, linestyle='-.') # 长短点虚线 plt.plot(x, x + 7, linestyle=':'); # 点线

线类型有：

线类型标记	描述
-	实线
:	虚线
--	破折线
-.	点划线

linestyle和color参数能够合并成一个非关键字参数，传递给plt.plot()函数：

In [13]:

plt.plot(x, x + 0, '-g')  # 绿色实线
plt.plot(x, x + 1, '--c') # 天青色虚线
plt.plot(x, x + 2, '-.k') # 黑色长短点虚线
plt.plot(x, x + 3, ':r');  # 红色点线

plt.plot(x, x + 0, '-g') # 绿色实线 plt.plot(x, x + 1, '--c') # 天青色虚线 plt.plot(x, x + 2, '-.k') # 黑色长短点虚线 plt.plot(x, x + 3, ':r'); # 红色点线

调整折线图：坐标轴范围¶

Matplotlib 会自动选择非常合适的坐标轴范围来绘制你的图像，但是有些情况下你也需要自己进行相关调整。使用plt.xlim()和plt.ylim()函数可以调整坐标轴的范围：

In [14]:

plt.plot(x, np.sin(x))

plt.xlim(-1, 11)
plt.ylim(-1.5, 1.5);
plt.grid()

plt.plot(x, np.sin(x)) plt.xlim(-1, 11) plt.ylim(-1.5, 1.5); plt.grid()

如果某些情况下你希望将坐标轴反向，你可以通过上面的函数实现，将参数顺序颠倒即可：

In [15]:

plt.plot(x, np.sin(x))

plt.xlim(10, 0)
plt.ylim(1.2, -1.2);
plt.grid()

plt.plot(x, np.sin(x)) plt.xlim(10, 0) plt.ylim(1.2, -1.2); plt.grid()

通过 plt.axis() 可以在一个函数调用中就完成 x 轴和 y 轴范围的设置，传递一个 [xmin, xmax, ymin, ymax] 的列表参数即可：

In [16]:

plt.plot(x, np.sin(x))
plt.axis([-1, 11, -1.5, 1.5]);
plt.grid()

plt.plot(x, np.sin(x)) plt.axis([-1, 11, -1.5, 1.5]); plt.grid()

将坐标轴压缩到刚好足够绘制折线图像的大小：

In [17]:

plt.plot(x, np.sin(x))
plt.axis('tight');
plt.grid()

plt.plot(x, np.sin(x)) plt.axis('tight'); plt.grid()

还可以通过设置'equal'参数设置x轴与y轴使用相同的长度单位：

In [18]:

plt.plot(x, np.sin(x))
plt.axis('equal');
plt.grid()

plt.plot(x, np.sin(x)) plt.axis('equal'); plt.grid()

散点图（scatter）：展示变量关系¶

散点图用于观察两个变量之间的相关性（如身高与体重、学习时间与成绩）。

最简单的散点图示例¶

In [19]:

import matplotlib.pyplot as plt

x = [160, 170, 180, 165, 175]
y = [60, 70, 80, 65, 75]

plt.scatter(x, y)
plt.title('散点图示例')
plt.xlabel('身高（cm）')
plt.ylabel('体重（kg）')
plt.grid()

import matplotlib.pyplot as plt x = [160, 170, 180, 165, 175] y = [60, 70, 80, 65, 75] plt.scatter(x, y) plt.title('散点图示例') plt.xlabel('身高（cm）') plt.ylabel('体重（kg）') plt.grid()

In [20]:

### 使用 plt.plot 绘制散点图

### 使用 plt.plot 绘制散点图

In [21]:

x = np.linspace(0, 10, 30)
y = np.sin(x)

plt.plot(x, y, 'o', color='black');

x = np.linspace(0, 10, 30) y = np.sin(x) plt.plot(x, y, 'o', color='black');

设置散点的数据点符号(marker)¶

In [22]:

rng = np.random.RandomState(0)
for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']:
    plt.plot(rng.rand(5), rng.rand(5), marker,
             label="marker='{0}'".format(marker))
plt.legend(numpoints=1)
plt.xlim(0, 1.8);

rng = np.random.RandomState(0) for marker in ['o', '.', ',', 'x', '+', 'v', '^', '<', '>', 's', 'd']: plt.plot(rng.rand(5), rng.rand(5), marker, label="marker='{0}'".format(marker)) plt.legend(numpoints=1) plt.xlim(0, 1.8);

数据点符号¶

在 Matplotlib 里，marker 就是“数据点符号”——用来在坐标位置画一个小图案，让人一眼看到“这里有一个数据点”。
官方文档的标准叫法也是 marker，没有别的术语。

分类速览（按形状/是否填充）：

• 点形：. ,
• 线形：| _
• 空形：' ' None ' '
• 几何填充：o s ^ v < > p h H D d
• 三叶草：*
• 十字： + x X
• 数学/特殊：数字 0–9、字母 (a–z, A–Z)、$…$（LaTeX）、自定义路径 (verts, 0) 等。

所有可用 marker 列表就是 matplotlib.markers.MarkerStyle.markers 的键；字符串键（单字符或 TeX 符号串）就是它们的“标准名称”。

In [23]:

import matplotlib.pyplot as plt
import matplotlib.markers as mmarkers
import numpy as np

# 取到所有内置 marker
markers = list(mmarkers.MarkerStyle.markers.keys())
markers = [m for m in markers if isinstance(m, str)]   # 只要单字符/字符串
markers.sort(key=lambda x: (str(x).lower(), len(str(x))))

# 每行 10 个
cols = 10
rows = (len(markers) + cols - 1) // cols

fig, ax = plt.subplots(figsize=(cols * 1.2, rows * 1.2))
ax.set_xlim(-0.5, cols - 0.5)
ax.set_ylim(-0.5, rows - 0.5)
ax.set_aspect('equal')
ax.axis('off')

for i, m in enumerate(markers):
    row, col = divmod(i, cols)
    filled = mmarkers.MarkerStyle(m).is_filled()
    kwargs = dict(s=300, color='C0')
    if filled:
        kwargs['edgecolor'] = 'black'
    # 用 scatter 画 marker
    ax.scatter(col, rows - 1 - row, marker=m, **kwargs)
    # 把 marker 名字写在格子下方
    ax.text(col, rows - 1 - row - 0.25, repr(m), ha='center', va='top', fontsize=8)

fig.suptitle('Matplotlib Built-in Markers', fontsize=14)
plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt import matplotlib.markers as mmarkers import numpy as np # 取到所有内置 marker markers = list(mmarkers.MarkerStyle.markers.keys()) markers = [m for m in markers if isinstance(m, str)] # 只要单字符/字符串 markers.sort(key=lambda x: (str(x).lower(), len(str(x)))) # 每行 10 个 cols = 10 rows = (len(markers) + cols - 1) // cols fig, ax = plt.subplots(figsize=(cols * 1.2, rows * 1.2)) ax.set_xlim(-0.5, cols - 0.5) ax.set_ylim(-0.5, rows - 0.5) ax.set_aspect('equal') ax.axis('off') for i, m in enumerate(markers): row, col = divmod(i, cols) filled = mmarkers.MarkerStyle(m).is_filled() kwargs = dict(s=300, color='C0') if filled: kwargs['edgecolor'] = 'black' # 用 scatter 画 marker ax.scatter(col, rows - 1 - row, marker=m, **kwargs) # 把 marker 名字写在格子下方 ax.text(col, rows - 1 - row - 0.25, repr(m), ha='center', va='top', fontsize=8) fig.suptitle('Matplotlib Built-in Markers', fontsize=14) plt.tight_layout() plt.show()

自定义散点颜色

In [24]:

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([1, 4, 9, 16, 7, 11, 23, 18])
colors = np.array(["red","green","black","orange","purple","beige","cyan","magenta"])
plt.scatter(x, y, c=colors)
plt.show()

x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = np.array([1, 4, 9, 16, 7, 11, 23, 18]) colors = np.array(["red","green","black","orange","purple","beige","cyan","magenta"]) plt.scatter(x, y, c=colors) plt.show()

散点图分组

In [25]:

import matplotlib.pyplot as plt
import numpy as np

x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
plt.scatter(x, y, color = 'hotpink')

x = np.array([2,2,8,1,15,8,12,9,7,3,11,4,7,14,12])
y = np.array([100,105,84,105,90,99,90,95,94,100,79,112,91,80,85])
plt.scatter(x, y, color = '#88c999')

plt.show()

import matplotlib.pyplot as plt import numpy as np x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6]) y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86]) plt.scatter(x, y, color = 'hotpink') x = np.array([2,2,8,1,15,8,12,9,7,3,11,4,7,14,12]) y = np.array([100,105,84,105,90,99,90,95,94,100,79,112,91,80,85]) plt.scatter(x, y, color = '#88c999') plt.show()

随机颜色和大小的散点图

In [26]:

import numpy as np
import matplotlib.pyplot as plt

# 随机数生成器的种子
np.random.seed(19680801)


N = 50
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N))**2  # 0 to 15 point radii

plt.scatter(x, y, s=area, c=colors, alpha=0.5) # 设置颜色及透明度

plt.title("RUNOOB Scatter Test") # 设置标题
plt.colorbar();

plt.show()

import numpy as np import matplotlib.pyplot as plt # 随机数生成器的种子 np.random.seed(19680801) N = 50 x = np.random.rand(N) y = np.random.rand(N) colors = np.random.rand(N) area = (30 * np.random.rand(N))**2 # 0 to 15 point radii plt.scatter(x, y, s=area, c=colors, alpha=0.5) # 设置颜色及透明度 plt.title("RUNOOB Scatter Test") # 设置标题 plt.colorbar(); plt.show()

带颜色条的散点图

In [27]:

import matplotlib.pyplot as plt
import numpy as np

x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

plt.scatter(x, y, c=colors, cmap='viridis')

plt.colorbar()

plt.show()

import matplotlib.pyplot as plt import numpy as np x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6]) y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86]) colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100]) plt.scatter(x, y, c=colors, cmap='viridis') plt.colorbar() plt.show()

In [28]:

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)      # 用来控制颜色
area = (30 * np.random.rand(50))**2

plt.figure(figsize=(6, 4))
# 1. 画散点并返回 PathCollection
sc = plt.scatter(x, y, s=area, c=colors, cmap='viridis', alpha=0.8)

# 2. 加颜色条
plt.colorbar(sc, label='color value')

plt.title('Scatter with Colorbar')
plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt import numpy as np # 数据 x = np.random.rand(50) y = np.random.rand(50) colors = np.random.rand(50) # 用来控制颜色 area = (30 * np.random.rand(50))**2 plt.figure(figsize=(6, 4)) # 1. 画散点并返回 PathCollection sc = plt.scatter(x, y, s=area, c=colors, cmap='viridis', alpha=0.8) # 2. 加颜色条 plt.colorbar(sc, label='color value') plt.title('Scatter with Colorbar') plt.tight_layout() plt.show()

In [29]:

# 生成示例数据（100个随机点）
np.random.seed(42)  # 固定随机种子，结果可复现
x = np.random.randn(100)  # 均值0、标准差1的随机数（x变量）
y = 2 * x + np.random.randn(100) * 0.5  # y与x近似线性相关，加噪声
# 创建画布和子图
fig, ax = plt.subplots(figsize=(8, 6))
# 绘制散点图
scatter = ax.scatter(
x, y,
c=y,  # 点的颜色由y值决定（颜色映射）
cmap="viridis",  # 颜色映射方案（内置多种，如"coolwarm"、"rainbow"）
s=50,  # 点的大小
alpha=0.7,  # 透明度（0-1）
edgecolors="black"  # 点的边缘颜色
)
# 添加颜色条（解释颜色含义）
cbar = plt.colorbar(scatter)
cbar.set_label("y值", fontsize=10)
# 添加标题和标签
ax.set_title("x与y的散点图（带颜色映射）", fontsize=15)
ax.set_xlabel("x变量", fontsize=12)
ax.set_ylabel("y变量", fontsize=12)
# 添加网格
ax.grid(alpha=0.3)
plt.show()

# 生成示例数据（100个随机点） np.random.seed(42) # 固定随机种子，结果可复现 x = np.random.randn(100) # 均值0、标准差1的随机数（x变量） y = 2 * x + np.random.randn(100) * 0.5 # y与x近似线性相关，加噪声 # 创建画布和子图 fig, ax = plt.subplots(figsize=(8, 6)) # 绘制散点图 scatter = ax.scatter( x, y, c=y, # 点的颜色由y值决定（颜色映射） cmap="viridis", # 颜色映射方案（内置多种，如"coolwarm"、"rainbow"） s=50, # 点的大小 alpha=0.7, # 透明度（0-1） edgecolors="black" # 点的边缘颜色 ) # 添加颜色条（解释颜色含义） cbar = plt.colorbar(scatter) cbar.set_label("y值", fontsize=10) # 添加标题和标签 ax.set_title("x与y的散点图（带颜色映射）", fontsize=15) ax.set_xlabel("x变量", fontsize=12) ax.set_ylabel("y变量", fontsize=12) # 添加网格 ax.grid(alpha=0.3) plt.show()

柱状图（bar/barh）：对比分类数据¶

柱状图用于对比不同类别的数值（如各产品销量、各班级平均分），bar是垂直柱状图，barh是水平柱状图。

In [30]:

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D', 'E']
values = [25, 40, 60, 30, 50]

plt.bar(categories, values)
plt.title('柱状图示例')
plt.xlabel('类别')
plt.ylabel('值')
plt.show()

import matplotlib.pyplot as plt categories = ['A', 'B', 'C', 'D', 'E'] values = [25, 40, 60, 30, 50] plt.bar(categories, values) plt.title('柱状图示例') plt.xlabel('类别') plt.ylabel('值') plt.show()

In [31]:

# 示例数据（类别与数值）
categories = ["产品A", "产品B", "产品C", "产品D"]
values = [35, 52, 28, 41]  # 销量
# 创建画布和子图
fig, ax = plt.subplots(figsize=(8, 5))
# 绘制垂直柱状图
ax.bar(
categories, values,
color=["#FF6B6B", "#4ECDC4", "#45B7D1", "#FFA07A"],  # 每个柱子不同颜色
width=0.6,  # 柱子宽度
edgecolor="black"  # 柱子边缘颜色
)
# 在柱子顶部添加数值标签
for i, v in enumerate(values):
    ax.text(i, v + 1, str(v), ha="center", fontsize=10)  # ha="center"水平居中
# 添加标题和标签
ax.set_title("各产品季度销量对比", fontsize=15)
ax.set_xlabel("产品类别", fontsize=12)
ax.set_ylabel("销量（件）", fontsize=12)
# 设置y轴范围（让顶部标签不溢出）
ax.set_ylim(0, max(values) + 10)
plt.show()

# 示例数据（类别与数值） categories = ["产品A", "产品B", "产品C", "产品D"] values = [35, 52, 28, 41] # 销量 # 创建画布和子图 fig, ax = plt.subplots(figsize=(8, 5)) # 绘制垂直柱状图 ax.bar( categories, values, color=["#FF6B6B", "#4ECDC4", "#45B7D1", "#FFA07A"], # 每个柱子不同颜色 width=0.6, # 柱子宽度 edgecolor="black" # 柱子边缘颜色 ) # 在柱子顶部添加数值标签 for i, v in enumerate(values): ax.text(i, v + 1, str(v), ha="center", fontsize=10) # ha="center"水平居中 # 添加标题和标签 ax.set_title("各产品季度销量对比", fontsize=15) ax.set_xlabel("产品类别", fontsize=12) ax.set_ylabel("销量（件）", fontsize=12) # 设置y轴范围（让顶部标签不溢出） ax.set_ylim(0, max(values) + 10) plt.show()

水平柱状图（barh）示例

直方图（hist）：展示数据分布¶

直方图用于展示单变量的分布情况（如身高分布、成绩分布），与柱状图的区别是：直方图的x轴是连续区间（ bins ），展示“在某个区间内有多少数据”。

In [32]:

# 生成示例数据（1000个符合正态分布的随机数）
np.random.seed(42)
data = np.random.normal(loc=50, scale=10, size=1000)  # 均值50，标准差10
# 创建画布和子图
fig, ax = plt.subplots(figsize=(10, 5))
# 绘制直方图
n, bins, patches = ax.hist(
data,
bins=20,  # 区间数量（分20个桶）
density=True,  # 是否归一化（显示概率密度）
color="#6495ED",
alpha=0.7,
edgecolor="black"
)
# 添加正态分布曲线（更直观展示分布）
from scipy.stats import norm  # 需安装scipy：pip install scipy
mu, sigma = norm.fit(data)  # 拟合均值和标准差
x = np.linspace(bins[0], bins[-1], 100)
ax.plot(x, norm.pdf(x, mu, sigma), "r--", linewidth=2)  # 概率密度曲线
# 添加标题和标签
ax.set_title("数据分布直方图（正态分布）", fontsize=15)
ax.set_xlabel("数值", fontsize=12)
ax.set_ylabel("概率密度", fontsize=12)
ax.grid(alpha=0.3, axis="y")  # 只显示y轴网格
plt.show()

# 生成示例数据（1000个符合正态分布的随机数） np.random.seed(42) data = np.random.normal(loc=50, scale=10, size=1000) # 均值50，标准差10 # 创建画布和子图 fig, ax = plt.subplots(figsize=(10, 5)) # 绘制直方图 n, bins, patches = ax.hist( data, bins=20, # 区间数量（分20个桶） density=True, # 是否归一化（显示概率密度） color="#6495ED", alpha=0.7, edgecolor="black" ) # 添加正态分布曲线（更直观展示分布） from scipy.stats import norm # 需安装scipy：pip install scipy mu, sigma = norm.fit(data) # 拟合均值和标准差 x = np.linspace(bins[0], bins[-1], 100) ax.plot(x, norm.pdf(x, mu, sigma), "r--", linewidth=2) # 概率密度曲线 # 添加标题和标签 ax.set_title("数据分布直方图（正态分布）", fontsize=15) ax.set_xlabel("数值", fontsize=12) ax.set_ylabel("概率密度", fontsize=12) ax.grid(alpha=0.3, axis="y") # 只显示y轴网格 plt.show()

饼图（pie）：展示占比关系¶

饼图用于展示各部分占总体的比例（如市场份额、投票结果），适合类别较少的场景（建议不超过5类，否则可读性差）。

In [33]:

labels = ['A', 'B', 'C', 'D', 'E']
sizes = [15, 30, 25, 10, 20]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('饼图示例')
plt.show()

labels = ['A', 'B', 'C', 'D', 'E'] sizes = [15, 30, 25, 10, 20] plt.pie(sizes, labels=labels, autopct='%1.1f%%') plt.title('饼图示例') plt.show()

In [34]:

# 示例数据（各部分占比）
labels = ["直接访问", "搜索引擎", "社交媒体", "广告推广"]
sizes = [30, 40, 20, 10]  # 总和100
explode = [0, 0.1, 0, 0]  # 突出显示第2部分（搜索引擎）
# 创建画布和子图
fig, ax = plt.subplots(figsize=(7, 7))  # 饼图建议用正方形画布（避免变形）
# 绘制饼图
ax.pie(
sizes,
explode=explode,  # 部分扇形偏离中心
labels=labels,  # 类别标签
autopct="%1.1f%%",  # 显示百分比（保留1位小数）
shadow=True,  # 添加阴影（增强立体感）
startangle=90,  # 起始角度（90度为从正上方开始）
colors=["#FF9999", "#66B2FF", "#99FF99", "#FFCC99"]
)
# 保证饼图是正圆形（否则可能椭圆）
ax.axis("equal")
# 添加标题
ax.set_title("网站访问来源占比", fontsize=15)
plt.show()

# 示例数据（各部分占比） labels = ["直接访问", "搜索引擎", "社交媒体", "广告推广"] sizes = [30, 40, 20, 10] # 总和100 explode = [0, 0.1, 0, 0] # 突出显示第2部分（搜索引擎） # 创建画布和子图 fig, ax = plt.subplots(figsize=(7, 7)) # 饼图建议用正方形画布（避免变形） # 绘制饼图 ax.pie( sizes, explode=explode, # 部分扇形偏离中心 labels=labels, # 类别标签 autopct="%1.1f%%", # 显示百分比（保留1位小数） shadow=True, # 添加阴影（增强立体感） startangle=90, # 起始角度（90度为从正上方开始） colors=["#FF9999", "#66B2FF", "#99FF99", "#FFCC99"] ) # 保证饼图是正圆形（否则可能椭圆） ax.axis("equal") # 添加标题 ax.set_title("网站访问来源占比", fontsize=15) plt.show()

多子图¶

使用MATLAB式接口方式¶

In [35]:

import matplotlib.pyplot as plt

# 创建一个2x2的子图布局
plt.subplot(2, 2, 1)
plt.plot(x, y)

plt.subplot(2, 2, 2)
plt.scatter(x, y)

plt.subplot(2, 2, 3)
plt.bar(categories, values)

plt.subplot(2, 2, 4)
plt.pie(sizes, labels=labels, autopct='%1.1f%%')

plt.tight_layout()  # 调整子图布局
plt.show()

import matplotlib.pyplot as plt # 创建一个2x2的子图布局 plt.subplot(2, 2, 1) plt.plot(x, y) plt.subplot(2, 2, 2) plt.scatter(x, y) plt.subplot(2, 2, 3) plt.bar(categories, values) plt.subplot(2, 2, 4) plt.pie(sizes, labels=labels, autopct='%1.1f%%') plt.tight_layout() # 调整子图布局 plt.show()

使用面向对象模式¶

In [36]:

# 创建2行2列的子图（共4个子图）
fig, axes = plt.subplots(nrows=2, ncols=2)  # axes是子图数组
# 第1行第1列子图（折线图）
x = np.linspace(0, 10, 100)
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title("正弦曲线")
# 第1行第2列子图（散点图）
np.random.seed(42)
axes[0, 1].scatter(np.random.randn(50), np.random.randn(50))
axes[0, 1].set_title("随机散点")
# 第2行第1列子图（柱状图）
axes[1, 0].bar(["A", "B", "C"], [3, 7, 2])
axes[1, 0].set_title("柱状图示例")
# 第2行第2列子图（饼图）
axes[1, 1].pie([15, 30, 45, 10], labels=["a", "b", "c", "d"])
axes[1, 1].set_title("饼图示例")
axes[1, 1].axis("equal")  # 饼图正圆
# 调整子图间距（避免标题/标签重叠）
plt.tight_layout()  # 自动调整间距
# 也可手动调整：plt.subplots_adjust(wspace=0.3, hspace=0.5)  # 水平/垂直间距
plt.show()

# 创建2行2列的子图（共4个子图） fig, axes = plt.subplots(nrows=2, ncols=2) # axes是子图数组 # 第1行第1列子图（折线图） x = np.linspace(0, 10, 100) axes[0, 0].plot(x, np.sin(x)) axes[0, 0].set_title("正弦曲线") # 第1行第2列子图（散点图） np.random.seed(42) axes[0, 1].scatter(np.random.randn(50), np.random.randn(50)) axes[0, 1].set_title("随机散点") # 第2行第1列子图（柱状图） axes[1, 0].bar(["A", "B", "C"], [3, 7, 2]) axes[1, 0].set_title("柱状图示例") # 第2行第2列子图（饼图） axes[1, 1].pie([15, 30, 45, 10], labels=["a", "b", "c", "d"]) axes[1, 1].set_title("饼图示例") axes[1, 1].axis("equal") # 饼图正圆 # 调整子图间距（避免标题/标签重叠） plt.tight_layout() # 自动调整间距 # 也可手动调整：plt.subplots_adjust(wspace=0.3, hspace=0.5) # 水平/垂直间距 plt.show()

参考资料¶

• 画出你的数据故事：Python中Matplotlib使用从基础到高级: https://cloud.tencent.com/developer/article/2318254
• Python matplotlib详解：从入门到精通，数据可视化利器 - 指南: https://www.cnblogs.com/clnchanpin/p/19278911
• 全文 40000 字，最全(最强) Matplotlib 实操指南: https://zhuanlan.zhihu.com/p/388287863
• matplotlib官网:https://matplotlib.org/stable/

In [ ]: