你是否知道如何使用Python Matplotlib创建令人惊叹的数据可视化？

Python/ target=_blank class=infotextkey>Python Matplotlib 的使用

Python Matplotlib 是一个基于 Python 的 2D 绘图库，能够生成各种静态、动态、交互式的图表，支持多种输出格式，包括图片、PDF、SVG 等。Matplotlib 提供了大量的绘图函数和工具，可以方便地进行数据可视化、统计分析、科学计算等操作。

本文将深入介绍 Python Matplotlib 的使用，包括常用的 API、参数、返回值，以及各种详细的示例代码，帮助读者更好地掌握这个强大的数据可视化工具。

安装和导入 Matplotlib

在开始使用 Matplotlib 之前，需要先安装 Matplotlib 库。可以使用 pip 命令进行安装。

pip install matplotlib

安装完成后，在 Python 中导入 Matplotlib 库。

import matplotlib.pyplot as plt

绘制简单的线图

在 Matplotlib 中，可以使用 plot 函数绘制简单的线图。plot 函数的基本语法如下：

plt.plot(x, y, fmt, **kwargs)

其中，x 和 y 分别表示 x 轴和 y 轴的数据，fmt 是一个字符串，用于指定线条的样式，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个简单的示例，用于绘制一条正弦曲线。

import numpy as np
import matplotlib.pyplot as plt

# 生成 x 轴和 y 轴数据
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

# 绘制正弦曲线
plt.plot(x, y)

# 显示图形
plt.show()

上述代码中，使用 linspace 函数生成了一个包含 100 个元素的数组，用于表示 x 轴的数据范围。然后使用 sin 函数生成了对应的 y 轴数据，最后调用 plot 函数绘制正弦曲线。

常用的线条样式

在 Matplotlib 中，可以使用 fmt 字符串指定线条的样式。fmt 字符串可以包含多个参数，用于指定线条的颜色、线型、标记等。下面是一些常用的参数：

• 颜色：可以使用单个字符表示颜色，如 "r" 表示红色，"g" 表示绿色，"b" 表示蓝色，"y" 表示黄色等；也可以使用颜色名称，如 "red" 表示红色，"green" 表示绿色等。
• 线型：可以使用单个字符表示线型，如 "-" 表示实线，"--" 表示虚线，":" 表示点线，"-." 表示点划线等。
• 标记：可以使用单个字符表示标记，如 "." 表示点标记，"o" 表示圆形标记，"s" 表示正方形标记，"*" 表示星形标记等。

在 fmt 字符串中，可以使用这些参数组合出各种不同的线条样式。例如，"ro--" 表示红色圆形虚线，"bs:" 表示蓝色正方形点线等。

下面是一个示例，用于演示不同的线条样式。

import numpy as np
import matplotlib.pyplot as plt

# 生成 x 轴和 y 轴数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制正弦曲线和余弦曲线
plt.plot(x, y1, "r-", label="sin")
plt.plot(x, y2, "b--", label="cos")

# 添加图例
plt.legend()

# 显示图形
plt.show()

在上述代码中，使用 plot 函数绘制了两条曲线，一条是红色实线的正弦曲线，一条是蓝色虚线的余弦曲线。然后使用 legend 函数添加了图例，最后调用 show 函数显示图形。

设置图形属性

在 Matplotlib 中，可以使用各种属性设置函数来改变图形的样式，包括标题、坐标轴、标签、颜色、线型等。下面是一些常用的属性设置函数：

• title：设置图形的标题。
• xlabel：设置 x 轴的标签。
• ylabel：设置 y 轴的标签。
• xlim：设置 x 轴的数据范围。
• ylim：设置 y 轴的数据范围。
• legend：添加图例。
• grid：添加网格线。
• color：设置线条的颜色。
• linestyle：设置线条的样式。
• linewidth：设置线条的宽度。
• marker：设置标记的样式。
• markersize：设置标记的大小。

下面是一个示例，用于演示如何设置图形属性。

import numpy as np
import matplotlib.pyplot as plt

# 生成 x 轴和 y 轴数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制正弦曲线和余弦曲线
plt.plot(x, y1, color="red", linestyle="--", linewidth=2, label="sin")
plt.plot(x, y2, color="blue", linestyle="-.", linewidth=2, label="cos")

# 设置标题、标签、数据范围、网格线等属性
plt.title("Sin and Cos Curve")
plt.xlabel("X Axis")
plt.ylabel("Y Axis")
plt.xlim(0, 2*np.pi)
plt.ylim(-1.2, 1.2)
plt.legend()
plt.grid()

# 显示图形
plt.show()

在上述代码中，使用 plot 函数绘制了两条曲线，并通过 color、linestyle、linewidth 等属性设置函数改变了它们的样式。然后使用 title、xlabel、ylabel、xlim、ylim、legend、grid 等属性设置函数添加了标题、标签、数据范围、图例、网格线等属性，最后调用 show 函数显示图形。

绘制多个图形

在 Matplotlib 中，可以使用 subplot 函数绘制多个图形。subplot 函数的基本语法如下：

plt.subplot(nrows, ncols, index, **kwargs)

其中，nrows 和 ncols 分别表示图形的行数和列数，index 表示当前图形的位置，从左到右，从上到下逐个编号。

下面是一个示例，用于演示如何绘制多个图形。

import numpy as np
import matplotlib.pyplot as plt

# 生成 x 轴和 y 轴数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制正弦曲线和余弦曲线
plt.subplot(2, 1, 1)
plt.plot(x, y1, "r-", label="sin")
plt.title("Sin and Cos Curve")
plt.legend()

plt.subplot(2, 1, 2)
plt.plot(x, y2, "b--", label="cos")
plt.xlabel("X Axis")
plt.ylabel("Y Axis")
plt.legend()

# 显示图形
plt.show()

在上述代码中，使用 subplot 函数分别绘制了两个图形，一个是红色实线的正弦曲线，一个是蓝色虚线的余弦曲线。然后使用 title、xlabel、ylabel、legend 等属性设置函数添加了标题、标签、图例等属性，最后调用 show 函数显示图形。

绘制散点图

在 Matplotlib 中，可以使用 scatter 函数绘制散点图。scatter 函数的基本语法如下：

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)

其中，x 和 y 分别表示 x 轴和 y 轴的数据，s

继续

表示散点的大小，c 表示散点的颜色，marker 表示散点的形状，cmap 表示颜色映射表，alpha 表示透明度，linewidths 表示边框线宽度，edgecolors 表示边框颜色，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制散点图。

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(42)
x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)

# 绘制散点图
plt.scatter(x, y, s=sizes, c=colors, alpha=0.5)

# 显示图形
plt.show()

在上述代码中，使用 scatter 函数绘制了一个散点图，散点的大小和颜色都是随机生成的。然后使用 alpha 参数设置了散点的透明度，最后调用 show 函数显示图形。

绘制条形图

在 Matplotlib 中，可以使用 bar 函数绘制条形图。bar 函数的基本语法如下：

plt.bar(x, height, width=0.8, bottom=None, align="center", color=None, edgecolor=None, linewidth=None, tick_label=None, **kwargs)

其中，x 表示条形图的横坐标，height 表示条形图的高度，width 表示条形的宽度，bottom 表示条形图的底部位置，align 表示条形的对齐方式，color 表示条形的颜色，edgecolor 表示边框的颜色，linewidth 表示边框的宽度，tick_label 表示条形的标签，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制条形图。

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(42)
x = np.arange(1, 11)
y = np.random.randint(1, 10, size=10)

# 绘制条形图
plt.bar(x, y, width=0.6, align="center", color="red", alpha=0.5)

# 添加标签和标题
plt.xticks(x, ["A", "B", "C", "D", "E", "F", "G", "H", "I", "J"])
plt.xlabel("Category")
plt.ylabel("Value")
plt.title("Bar Chart")

# 显示图形
plt.show()

在上述代码中，使用 bar 函数绘制了一个条形图，条形的高度和颜色都是随机生成的。然后使用 width、align、color、alpha 等属性设置函数改变了它们的样式。接着使用 xticks、xlabel、ylabel、title 等属性设置函数添加了标签和标题，最后调用 show 函数显示图形。

绘制直方图

在 Matplotlib 中，可以使用 hist 函数绘制直方图。hist 函数的基本语法如下：

plt.hist(x, bins=None, range=None, density=False, cumulative=False, histtype="bar", align="mid", orientatinotallow="vertical", color=None, label=None, stacked=False, **kwargs)

其中，x 表示直方图的数据，bins 表示直方图的分组数目，range 表示直方图的数据范围，density 表示是否将直方图归一化，cumulative 表示是否绘制累计分布图，histtype 表示直方图的类型，align 表示直方图的对齐方式，orientation 表示直方图的方向，color 表示直方图的颜色，label 表示直方图的标签，stacked 表示是否堆叠直方图，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制直方图。

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(42)
data = np.random.randn(1000)

# 绘制直方图
plt.hist(data, bins=20, density=True, alpha=0.5, color="red")

# 添加标签和标题
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.title("Histogram")

# 显示图形
plt.show()

在上述代码中，使用 hist 函数绘制了一个直方图，直方图的数据是随机生成的。然后使用 bins、density、alpha、color 等属性设置函数改变了它们的样式。接着使用 xlabel、ylabel、title 等属性设置函数添加了标签和标题，最后调用 show 函数显示图形。

绘制饼图

在 Matplotlib 中，可以使用 pie 函数绘制饼图。pie 函数的基本语法如下：

plt.pie(x, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, **kwargs)

其中，x 表示饼图的数据，explode 表示饼图中每个扇形块是否分离出来，labels 表示饼图中每个扇形块的标签，colors 表示饼图中每个扇形块的颜色，autopct 表示饼图中每个扇形块的百分比，shadow 表示是否添加阴影效果，startangle 表示起始角度，radius 表示饼图的半径，counterclock 表示是否按逆时针方向绘制饼图，wedgeprops 表示扇形块的属性，textprops 表示文本标签的属性，center 表示饼图的中心位置，frame 表示是否显示图形边框，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制饼图。

import matplotlib.pyplot as plt

# 设置数据
labels = ["A", "B", "C", "D"]
sizes = [15, 30, 45, 10]
colors = ["red", "green", "blue", "yellow"]
explode = (0, 0.1, 0, 0)

# 绘制饼图
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct="%1.1f%%", shadow=True, startangle=90)

# 添加标题
plt.title("Pie Chart")

# 显示图形
plt.show()

在上述代码中，使用 pie 函数绘制了一个饼图，饼图的数据、标签、颜色、分离程度等都是手动设置的。然后使用 autopct、shadow、startangle 等属性设置函数改变了它们的样式。最后调用 title 函数添加了标题，调用 show 函数显示图形。

绘制箱线图

在 Matplotlib 中，可以使用 boxplot 函数绘制箱线图。boxplot 函数的基本语法如下：

plt.boxplot(x, notch=None, sym=None, vert=None, whis=None, positinotallow=None, widths=None, patch_artist=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, cApprops=None, whiskerprops=None, manage_ticks=True, bootstrap=None, usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, **kwargs)

其中：

• x 表示箱线图的数据。
• notch 表示是否绘制缺口箱线图。
• sym 表示异常值的样式。
• vert 表示箱线图的方向。
• whis 表示箱线图的须长度。
• positions 表示箱线图的位置。
• widths 表示箱线图的宽度。
• patch_artist 表示是否填充箱体颜色。
• boxprops 表示箱体的属性。
• labels表示箱线图的标签。
• flierprops 表示异常值的属性。
• medianprops 表示中位数的属性。
• meanprops 表示平均值的属性。
• capprops 表示箱线图顶部和底部的属性。
• whiskerprops 表示须的属性。
• bootstrap 表示是否进行 bootstrap 置信区间估计。
• usermedians 表示中位数的位置。
• conf_intervals 表示置信区间的范围。
• meanline 表示是否绘制平均线。
• showmeans 表示是否显示平均值。
• showcaps 表示是否显示箱线图的顶部和底部。
• showbox 表示是否显示箱体。
• showfliers 表示是否显示异常值。
• **kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制箱线图。

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(42)
data = np.random.randn(100, 5)

# 绘制箱线图
plt.boxplot(data, notch=True, sym="r+", vert=False, whis=1.5, widths=0.5, patch_artist=True, medianprops={"color": "black", "linewidth": 2}, boxprops={"facecolor": "red", "linewidth": 2}, whiskerprops={"linewidth": 2}, capprops={"linewidth": 2})

# 添加标签和标题
plt.xlabel("Value")
plt.ylabel("Category")
plt.title("Box Plot")

# 显示图形
plt.show()

在上述代码中，使用 boxplot 函数绘制了一个箱线图，箱线图的数据是随机生成的。然后使用 notch、sym、vert、whis、widths、patch_artist、medianprops、boxprops、whiskerprops、capprops 等属性设置函数改变了它们的样式。接着使用 xlabel、ylabel、title 等属性设置函数添加了标签和标题，最后调用 show 函数显示图形。

绘制等高线图

在 Matplotlib 中，可以使用 contour 函数绘制等高线图。contour 函数的基本语法如下：

plt.contour(X, Y, Z, levels=None, colors=None, cmap=None, norm=None, alpha=None, linewidths=None, linestyles=None, hatches=None, extend=None, antialiased=None, **kwargs)

其中，X、Y 表示等高线图的网格坐标，Z 表示等高线图的高度，levels 表示等高线图的高度分层，colors 表示等高线图的颜色，cmap 表示颜色映射表，norm 表示颜色映射表的归一化方式，alpha 表示透明度，linewidths 表示等高线图的线宽，linestyles 表示等高线图的线型，hatches 表示等高线图的填充方式，extend 表示颜色映射表的范围，antialiased 表示是否进行抗锯齿处理，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制等高线图。

import numpy as np
import matplotlib.pyplot as plt

# 生成网格坐标和高度数据
delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-3.0, 3.0, delta)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# 绘制等高线图
plt.contour(X, Y, Z, levels=10, cmap="coolwarm")

# 添加颜色条和标题
plt.colorbar()
plt.title("Contour Plot")

# 显示图形
plt.show()

在上述代码中，使用 contour 函数绘制了一个等高线图，等高线图的网格坐标和高度数据都是手动设置的。然后使用 levels、cmap 等属性设置函数改变了它们的样式。接着使用 colorbar、title 等属性设置函数添加了颜色条和标题，最后调用 show 函数显示图形。

绘制热力图

在 Matplotlib 中，可以使用 imshow 函数绘制热力图。imshow 函数的基本语法如下：

plt.imshow(X, cmap=None, norm=None, aspect=None, interpolatinotallow=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, filternorm=1, filterrad=4.0, resample=None, url=None, **kwargs)

其中，X 表示热力图的数据，cmap 表示颜色映射表，norm 表示颜色映射表的归一化方式，aspect 表示热力图的宽高比，interpolation 表示插值方式，alpha 表示透明度，vmin、vmax 表示颜色映射表的范围，origin 表示热力图的坐标原点，extent 表示热力图的坐标范围，filternorm、filterrad 表示滤波器参数，resample 表示重新采样方式，url 表示热力图的 URL，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制热力图。

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(42)
data = np.random.randn(10, 10)

# 绘制热力图
plt.imshow(data, cmap="coolwarm", interpolation="nearest")

# 添加颜色条和标题
plt.colorbar()
plt.title("Heatmap")

# 显示图形
plt.show()

在上述代码中，使用 imshow 函数绘制了一个热力图，热力图的数据是随机生成的。然后使用 cmap、interpolation 等属性设置函数改变了它们的样式。接着使用 colorbar、title 等属性设置函数添加了颜色条和标题，最后调用 show 函数显示图形。

绘制极坐标图

在 Matplotlib 中，可以使用 polar 函数绘制极坐标图。polar 函数的基本语法如下：

plt.polar(theta, r, **kwargs)

其中，theta 表示极坐标图的角度，r 表示极坐标图的半径，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制极坐标图。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
theta = np.linspace(0, 2 * np.pi, 1000)
r = np.sin(5 * theta) * np.cos(3 * theta)

# 绘制极坐标图
plt.polar(theta, r)

# 添加标题
plt.title("Polar Plot")

# 显示图形
plt.show()

在上述代码中，使用 polar 函数绘制了一个极坐标图，极坐标图的数据是手动生成的。然后使用 title 等属性设置函数添加了标题，最后调用 show 函数显示图形。

绘制图像

在 Matplotlib 中，可以使用 imshow 函数绘制图像。imshow 函数的基本语法如下：

plt.imshow(X, cmap=None, norm=None, aspect=None, interpolatinotallow=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, filternorm=1, filterrad=4.0, resample=None, url=None, **kwargs)

其中，X 表示图像的数据，cmap 表示颜色映射表，norm 表示颜色映射表的归一化方式，aspect 表示图像的宽高比，interpolation 表示插值方式，alpha 表示透明度，vmin、vmax 表示颜色映射表的范围，origin 表示图像的坐标原点，extent 表示图像的坐标范围，filternorm、filterrad 表示滤波器参数，resample 表示重新采样方式，url 表示图像的 URL，**kwargs 是一些可选参数，用于设置图形的属性。

下面是一个示例，用于演示如何绘制图像。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

# 读取图像数据
img = mpimg.imread("example.png")

# 绘制图像
plt.imshow(img)

# 添加标题
plt.title("Image")

# 显示图形
plt.show()

在上述代码中，使用 imread 函数读取了一张图像的数据，并使用 imshow 函数绘制了这张图像。然后使用 title 等属性设置函数添加了标题，最后调用 show 函数显示图形。

绘制动画

在 Matplotlib 中，可以使用 animation 模块绘制动画。animation 模块提供了许多用于绘制动画的类和函数，包括 FuncAnimation、ArtistAnimation、animation、FFmpegWriter 等。这些类和函数可以用于创建和保存动画，设置动画的帧数、间隔时间、动画效果等。

下面是一个示例，用于演示如何使用 FuncAnimation 类绘制动画。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# 创建画布和子图
fig, ax = plt.subplots()

# 设置数据和初始线条
x = np.linspace(0, 2 * np.pi, 200)
line, = ax.plot(x, np.sin(x))

# 定义更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame / 10))
    return line,

# 创建动画并显示
ani = FuncAnimation(fig, update, frames=100, interval=20)
plt.show()

在上述代码中，首先创建了一个画布和一个子图。然后设置了数据和初始线条，接着定义了一个更新函数，用于更新线条的数据。最后使用 FuncAnimation 类创建了一个动画，并通过 show 函数显示动画。在创建 FuncAnimation 实例时，需要传入 fig、update、frames 和 interval 等参数，用于指定动画的画布、更新函数、帧数和间隔时间。在更新函数中，需要返回更新后的线条对象，用于动画的绘制。

这个是会动的哦

绘制3D图形

在 Matplotlib 中，可以使用 mplot3d 模块绘制3D图形。mplot3d 模块提供了许多用于绘制3D图形的类和函数，包括 Axes3D、plot_surface、plot_wireframe、plot_trisurf 等。这些类和函数可以用于创建和保存3D图形，设置3D图形的视角、坐标轴、颜色映射表等。

下面是一个示例，用于演示如何使用 Axes3D 类绘制3D散点图。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 创建画布和3D子图
fig = plt.figure()
ax = fig.add_subplot(111, projection="3d")

# 生成数据
x = np.random.normal(size=100)
y = np.random.normal(size=100)
z = np.random.normal(size=100)

# 绘制3D散点图
ax.scatter(x, y, z)

# 添加标题和坐标轴标签
ax.set_title("3D Scatter Plot")
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")

# 显示图形
plt.show()

在上述代码中，首先创建了一个画布和一个3D子图。然后使用 np.random.normal 函数生成了一些随机数据，接着使用 Axes3D 类创建了一个3D散点图，并通过 scatter 函数绘制了散点图。最后使用 set_title、set_xlabel、set_ylabel、set_zlabel 等属性设置函数添加了标题和坐标

这个3D图可以拖拽哦