Matplotlib 绘图速查

Matplotlib 是 Python 的通用绘图库。现代代码优先使用面向对象接口：创建 Figure（整张画布）和 Axes（一个坐标轴），再在 Axes 上调用 plot、scatter、bar 等方法。pyplot 适合快速脚本，但不要依赖隐式的全局当前坐标轴。

学习目标

• 能创建 Figure/Axes，并完成线图、散点图、柱状图和直方图。
• 能设置标题、坐标轴、图例、样式和注释。
• 能用 subplots 管理多图，并把结果保存为图片。
• 能理解 Figure、Axes、Axis 和绘图对象的关系。

核心知识点

Figure 是容器，Axes 是真正绘图的坐标区域；Axis 是 x/y 轴对象。推荐写成 fig, ax = plt.subplots()，所有绘图和配置都通过 ax 完成，最后统一 fig.tight_layout() 和 plt.show()。一个 Figure 可以有多个 Axes，一个 Axes 可以包含多条线或多个图元。

绘图代码应区分“数据变换”和“视觉设置”：先准备 x/y 数据，再明确标签、单位和图例。默认颜色和样式适合探索，但报告或复现任务应显式指定关键配置并保存原始数据处理逻辑。

常用用法

plt.subplots 创建 Figure 和 Axes

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(5, 3))
ax.set_title("Demo")
ax.set_xlabel("x")
ax.set_ylabel("y")
fig.tight_layout()
plt.show()
# 图形结果：显示一张带标题和坐标轴标签的空白坐标图。

figsize 使用英寸；需要多图时可以给 nrows、ncols。保存或嵌入应用时保留 fig 引用，比依赖 plt.gca() 更容易测试。

Axes.plot 线图

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
fig, ax = plt.subplots()
ax.plot(x, np.sin(x), label="sin(x)", color="tab:blue", linewidth=2)
ax.plot(x, np.cos(x), label="cos(x)", linestyle="--", color="tab:orange")
ax.set_xlabel("radians")
ax.set_ylabel("value")
ax.legend()
fig.tight_layout()
plt.show()
# 图形结果：同一坐标轴上显示正弦和余弦两条带图例的曲线。

plot(x, y) 要求 x、y 长度匹配。label 只有配合 legend() 才会显示；线型、颜色和宽度可以用关键字参数控制。

Axes.scatter 散点图

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(7)
x = rng.normal(size=30)
y = 0.6 * x + rng.normal(scale=0.4, size=30)
fig, ax = plt.subplots()
ax.scatter(x, y, s=45, alpha=0.75, c=y, cmap="viridis")
ax.set_xlabel("feature")
ax.set_ylabel("target")
fig.tight_layout()
plt.show()
# 图形结果：显示带透明度和颜色映射的散点分布图。

s 是点面积，alpha 控制透明度；c 可以传入与点数量相同的数值并配合 cmap 表示第三个变量。需要颜色条时调用 fig.colorbar。

Axes.bar 柱状图

import matplotlib.pyplot as plt

labels = ["Python", "Java", "Go"]
counts = [88, 64, 42]
fig, ax = plt.subplots()
bars = ax.bar(labels, counts, color=["tab:blue", "tab:orange", "tab:green"])
ax.bar_label(bars, fmt="%d")
ax.set_ylabel("answers")
ax.set_title("Language survey")
fig.tight_layout()
plt.show()
# 图形结果：显示三个类别的垂直柱，并在柱顶标注数值。

类别比较使用 bar，时间连续趋势通常使用 plot。横向柱可使用 barh，类别很多时标签更容易阅读。

Axes.hist 直方图

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(10)
values = rng.normal(loc=70, scale=8, size=500)
fig, ax = plt.subplots()
ax.hist(values, bins=20, edgecolor="white", alpha=0.85)
ax.set_xlabel("score")
ax.set_ylabel("count")
ax.set_title("Score distribution")
fig.tight_layout()
plt.show()
# 图形结果：按区间显示分数的频数分布。

bins 控制分箱数量或边界；density=True 会把纵轴归一化为密度，不能再直接解读成样本数。

subplots 多图布局

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 50)
fig, axes = plt.subplots(1, 2, figsize=(8, 3), sharex=True)
axes[0].plot(x, x ** 2)
axes[0].set_title("square")
axes[1].plot(x, np.sqrt(x), color="tab:orange")
axes[1].set_title("square root")
for ax in axes:
    ax.set_xlabel("x")
    ax.grid(alpha=0.25)
fig.tight_layout()
plt.show()
# 图形结果：并排显示平方和平方根两张共享 x 轴的子图。

当只有一个子图时 axes 是一个 Axes；多个子图时通常是数组。需要统一处理时可以用 np.asarray(axes).ravel()，或在创建时设置 squeeze=False。

标题、标签、范围与刻度

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [2, 4, 3])
ax.set(title="Weekly sales", xlabel="week", ylabel="orders")
ax.set_xlim(1, 3)
ax.set_ylim(0, 5)
ax.set_xticks([1, 2, 3], labels=["Mon", "Tue", "Wed"])
fig.tight_layout()
plt.show()
# 图形结果：显示带范围和自定义刻度标签的折线图。

用 set_* 方法配置明确的 Axes；plt.xlabel 等状态式函数仍可用，但在多图代码中容易设置错当前坐标轴。

图例与网格

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 4, 9], label="observed")
ax.plot([1, 2, 3], [2, 4, 8], label="predicted", linestyle="--")
ax.legend(loc="upper left", frameon=False)
ax.grid(axis="y", linestyle=":", alpha=0.5)
fig.tight_layout()
plt.show()
# 图形结果：显示两条曲线、左上角图例和水平参考网格。

图例位置可用字符串或坐标控制；不要为了“好看”让网格线遮挡数据，通常设置较低的 alpha 即可。

plt.style.context 临时切换样式

import matplotlib.pyplot as plt

with plt.style.context("seaborn-whitegrid"):
    fig, ax = plt.subplots()
    ax.plot([0, 1, 2], [0, 1, 4], marker="o")
    ax.set_title("Temporary style")
    fig.tight_layout()
    plt.show()
# 图形结果：只在上下文中使用白色网格样式绘制带标记的折线图。

样式上下文离开后会恢复之前的全局设置；项目级脚本也可以使用 plt.style.use，但应在入口处统一设置一次。

annotate 添加注释

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
x = [1, 2, 3]
y = [3, 5, 4]
ax.plot(x, y, marker="o")
ax.annotate("peak", xy=(2, 5), xytext=(2.2, 5.5), arrowprops={"arrowstyle": "->"})
ax.set_xlim(0.8, 3.5)
fig.tight_layout()
plt.show()
# 图形结果：在最高点旁显示带箭头的 peak 注释。

xy 是被标注数据点，xytext 是文本位置；坐标默认使用数据坐标。注释应服务于读者理解，避免每个点都堆叠文字。

savefig 保存图片

from pathlib import Path
import tempfile
import matplotlib.pyplot as plt

with tempfile.TemporaryDirectory() as directory:
    path = Path(directory) / "trend.png"
    fig, ax = plt.subplots(figsize=(4, 3))
    ax.plot([1, 2, 3], [1, 4, 9])
    fig.savefig(path, dpi=150, bbox_inches="tight")
    print(path.suffix, path.exists())
# 输出：.png True

先 tight_layout 或在 savefig 使用 bbox_inches="tight" 再保存，避免标签被裁切。dpi 影响栅格图片清晰度，矢量输出可以使用 .svg 或 .pdf。

不常用但需要知道

twinx 双 y 轴

import matplotlib.pyplot as plt

fig, ax_left = plt.subplots()
ax_right = ax_left.twinx()
ax_left.plot([1, 2, 3], [10, 20, 15], color="tab:blue")
ax_right.plot([1, 2, 3], [0.2, 0.5, 0.4], color="tab:orange")
ax_left.set_ylabel("orders", color="tab:blue")
ax_right.set_ylabel("rate", color="tab:orange")
fig.tight_layout()
plt.show()
# 图形结果：一张图中用左右两个 y 轴显示不同量纲的两条曲线。

双轴容易让读者误判相关性；能标准化到同一量纲时优先使用子图或第二个面板。

errorbar 误差线

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.errorbar([1, 2, 3], [10, 12, 11], yerr=[1, 0.8, 1.2], fmt="o-", capsize=4)
ax.set_xlabel("experiment")
ax.set_ylabel("mean ± error")
fig.tight_layout()
plt.show()
# 图形结果：显示带垂直误差线和端帽的实验均值。

误差线必须在图注或数据说明中解释是标准差、置信区间还是测量误差。

fill_between 填充区间

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 50)
mean = x ** 2
spread = 0.1 * (1 - x)
fig, ax = plt.subplots()
ax.plot(x, mean, label="mean")
ax.fill_between(x, mean - spread, mean + spread, alpha=0.2, label="interval")
ax.legend()
fig.tight_layout()
plt.show()
# 图形结果：显示均值曲线及其上下不确定性带。

imshow 与 colorbar 热图

import numpy as np
import matplotlib.pyplot as plt

matrix = np.array([[1, 2, 3], [3, 2, 1]])
fig, ax = plt.subplots()
image = ax.imshow(matrix, cmap="viridis", aspect="auto")
fig.colorbar(image, ax=ax, label="value")
ax.set_xlabel("column")
ax.set_ylabel("row")
fig.tight_layout()
plt.show()
# 图形结果：以颜色深浅展示二维矩阵，并在右侧显示颜色刻度条。

rc_context 局部参数

import matplotlib.pyplot as plt

with plt.rc_context({"font.size": 12, "axes.titlesize": 14}):
    fig, ax = plt.subplots()
    ax.plot([1, 2], [1, 4])
    ax.set_title("Local font settings")
    fig.tight_layout()
    plt.show()
# 图形结果：只在上下文中使用放大的字体绘制折线图。

rc_context 适合单张图或局部报告配置；团队项目要统一风格时可以集中设置 rcParams 或样式文件。

GridSpec 不规则布局

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(6, 3))
grid = fig.add_gridspec(1, 2, width_ratios=[2, 1])
left = fig.add_subplot(grid[0, 0])
right = fig.add_subplot(grid[0, 1])
left.plot([1, 2, 3], [1, 4, 9])
right.bar(["A", "B"], [3, 5])
fig.tight_layout()
plt.show()
# 图形结果：显示一个宽度为右侧两倍的折线图和柱状图组合布局。

易混点

• Figure 是画布，Axes 是坐标区域；绘图方法应优先调用 ax.plot 而不是依赖当前状态。
• plt.show() 负责显示，fig.savefig() 负责保存；保存前要设置布局，显示后不要假定仍能修改同一窗口。
• scatter 的 s 是面积，plot 的 linewidth 是线宽；两者视觉大小不是同一单位。
• bar 比较离散类别，hist 统计连续数值的分箱频数，不能仅凭“都有柱子”互换。
• 多子图时先确认 axes 是单个 Axes 还是数组；squeeze=False 可以统一成二维数组。
• 样式和字体是全局或上下文状态，库函数不应偷偷修改调用者的全局 rcParams。

课后小问

1. 为什么推荐 fig, ax = plt.subplots() 而不是到处调用 plt.plot()？ 答案：面向对象接口明确指定绘图目标，多个子图时不容易把配置应用到错误的坐标轴。 解析：pyplot 是状态式 API，会依赖当前 Figure/Axes；显式持有 ax 更容易复用、测试和保存。

2. bar、hist 和 plot 应如何选择？ 答案：离散类别比较用 bar，连续变量分布用 hist，有序趋势或连续关系用 plot。 解析：图形的形状不是选择依据，数据的语义和横轴类型才是；错误的图形会让读者误解数据。

3. 如何避免保存的图裁掉标签？ 答案：绘制完成后调用 fig.tight_layout()，保存时可补充 bbox_inches="tight"。 解析：布局计算要在标签和图例都创建后进行；bbox_inches 是最后一道边界裁剪保障，但不能替代合理的画布大小。

本节小结

Matplotlib 的稳定套路是“创建 Figure/Axes → 在 Axes 上绘图 → 设置语义标签和样式 → tight_layout → show/savefig”。掌握四类基础图，再用子图、误差带、注释和颜色条表达不确定性与额外变量。

快速回顾

画布：fig, ax = plt.subplots()
基础图：ax.plot / scatter / bar / hist
布局：plt.subplots / GridSpec / tight_layout
说明：set_title / set_xlabel / set_ylabel / legend / annotate
样式：plt.style.context / rc_context
保存：fig.savefig(path, dpi=..., bbox_inches="tight")