1.1 Matplotlib 简介与安装

1.1 Matplotlib 简介与安装

本节摘要：Matplotlib 是 Python 生态里最基础、最通用的数据可视化库，它把"数据"变成"图"这件事做成了一套可编程的对象体系——你写代码描述要画什么，它负责把像素渲染出来。它最初的接口模仿 MATLAB 的绘图习惯，但本质是 Python 原生的库，几乎所有更高级的可视化工具都建立在它之上。本节先讲清它是什么、和 MATLAB、Excel、Seaborn 这些工具是什么关系，再说明"安装"到底做了什么，最后用一段最短的代码确认环境已经就绪，为后面动手画图铺路。

学习目标

阅读完本节，你应当能够：

1. 用一句话说清 Matplotlib 是什么，以及它解决的核心问题
2. 讲出它和 MATLAB、Excel、Seaborn 的分工差异，判断什么场合选它
3. 说清"安装一个绘图库"在概念上到底发生了哪几件事
4. 用自己的话描述数据可视化流程里 Matplotlib 站在哪个环节
5. 写出并读懂一段验证环境是否就绪的最短代码

一、它是什么：一张可以编程的坐标纸

先别急着背名词。想象你有一张坐标纸，想在横轴标上时间、纵轴标上温度，然后把每天的气温点连成一条线。用手画，你得量刻度、描点、连线，改一个数据就得擦掉重来。Matplotlib 做的事，就是把这套"手工画图"的动作变成代码：你告诉它数据在哪、用哪种图形、怎么标注，它负责计算坐标、渲染像素、把图呈现在屏幕上或存进文件。

这个定义落到一句话上：Matplotlib 是一个 Python 绘图库，你把数据和一个"怎么画"的描述交给它，它输出一张图。

它最早是 John Hunter 在 2003 年发布的，目标很明确——给 Python 用户一个媲美 MATLAB 绘图能力的工具，让做科学计算的人不必为了画张图再切到 MATLAB 里去。所以它早期的接口风格和 MATLAB 很像：一个命令画一条线，一个命令设标题，用得顺手的人会觉得亲切。但它骨子里是 Python 的东西，和 NumPy、Pandas 天然搭，这点在后面会反复体现。

Matplotlib 能画的图非常杂：折线、散点、柱状、直方图、饼图、箱线图、等高线、热力图、甚至三维图。但这一节我们不急着把所有类型都列出来——那会变成一张没重点的清单。真正要记住的是它"能画什么"背后的那句话：只要你能把数据放进坐标系里，它几乎都能表达。

二、它凭什么站得住：和三个"邻居"的分工

新手上路，最容易困惑的不是 Matplotlib 本身，而是"这么多画图工具，我到底该用哪个"。Excel 能画、MATLAB 能画、Seaborn 也能画，它们和 Matplotlib 到底什么关系？把这个问题想清楚，你就知道 Matplotlib 的位置了。

先说 MATLAB。它是一整个数值计算环境，画图只是它的一部分功能，而且是闭源、要授权的。Matplotlib 从它那里借了接口的"手感"，但只做画图这一件事，而且是开源免费的。如果你的工作流已经在 Python 里（数据用 NumPy 算、用 Pandas 整理），再用 MATLAB 画图就得多切一道环境，Matplotlib 让你在同一个脚本里从数据一路做到图。

再说 Excel。它画图是"点鼠标"，适合做几张临时的、不改的报表图，但一旦要自动生成、要批量出图、要把画图嵌进数据分析流程，点鼠标就成了瓶颈。Matplotlib 是"写代码"，初期上手比点鼠标慢，但换来的是可复现、可自动化、可精细到每一个像素的控制。用哪个，看你要不要"批量"和"精确"。

Seaborn 是最容易和 Matplotlib 混的一个。它其实建立在 Matplotlib 之上，是一层更高级的封装：Matplotlib 给你画笔，Seaborn 给你现成的"统计图模板"，默认样式也更现代。你写一行 Seaborn 画一张带置信区间的回归图，底层还是 Matplotlib 在渲染。所以这两者不是二选一的竞争关系，而是"底层"和"上层"的分工——这也是为什么学 Matplotlib 的人，后面用 Seaborn 会特别顺。

💡 关键直觉：选工具看的不是"谁更强"，而是"你的数据已经在哪、你要不要自动化"。数据已经在 Python 里、又要反复改反复出图，Matplotlib 几乎总是对的那张底牌。

三、它在数据可视化流程里的位置

把 Matplotlib 放进一条完整的数据可视化流水线里看，它的位置会更清楚。通常一条流水线长这样：先准备数据（读文件、算指标、清洗），再决定"用什么图形表达这个数据"，然后才是实际画图，接着做样式调整，最后输出成图片或交互界面。Matplotlib 站的是中间偏后的那几环。

看这张图有个要点：Matplotlib 不负责"准备数据"。它假定你交给它的数据已经是干净的、能放进坐标系的数值。数据清洗是 NumPy、Pandas 的活（第 3 章会专门讲怎么配合）。Matplotlib 的职责从"选择图形"开始，一直延伸到"输出"结束——这正是它"专注做画图这一件事"的体现。

也正因为它在流水线里站得靠后，它必须能接住各种来源的数据：列表、NumPy 数组、Pandas 的 DataFrame，甚至直接一个函数算出来的序列。这个"来者不拒"的输入接口，是它能和整个 Python 数据生态咬合的关键。

四、"安装"这件事到底做了什么

"装 Matplotlib"听起来像一句口令，其实拆开是几件具体的事。理解这几件事，比背下某个安装命令有用得多——命令会变，机理不变。

第一件，把库的代码文件放进你的 Python 能找得到的地方。Python 有一套自己的"模块搜索路径"，安装器做的事，就是把这个库的代码下载下来，放到那些路径里，这样你写 import matplotlib 时，解释器才知道去哪个文件夹找。

第二件，处理依赖。Matplotlib 不是孤零零一个包，它要借助 NumPy 做数值计算、借助 Pillow 处理图像、借助字体引擎渲染文字。安装器会把这些"帮手"一并装好，或确认它们已经在环境里。缺了任何一个，导入时都会报错。

第三件，可能还要装一个"渲染后端"。Matplotlib 能把图画到屏幕上（交互窗口），也能在没有任何屏幕的服务器上把图直接存成文件。后者靠的就是一个叫"后端"的机制，环境不同，需要的后端不同。这也是为什么有的服务器上"图显示不出来"但其实"图能存下来"——它缺的是显示用的后端，而不是画图能力本身。

⚠️ 常见坑：安装成功 ≠ 在任何地方都能用。很多人装好了，在某个编辑器里一跑就报"找不到模块"，往往是因为装进了一个 Python 环境，跑的却是另一个。确认"你在哪个环境里装、又在哪个环境里跑"，比反复重装更重要。
💡 关键直觉：把"安装"想成"把工具和它的零件搬进你正在用的那个工具箱"，而不是一个玄学开关。装错工具箱（环境），工具再好也拿不到。

五、怎么确认环境已经就绪

装完之后，最实在的验证不是看某个版本号，而是真画一张图出来。下面这段代码是所有后续内容的起点，它同时完成了三件事：确认库能导入、确认能建图、确认能把数据画出来。

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]

fig, ax = plt.subplots()   # 建一张画布和一个坐标系
ax.plot(x, y)              # 把 x、y 连成一条折线
ax.set_title("第一张图")
plt.show()                 # 在屏幕上显示
​

这段代码里已经埋了本章后面所有内容的地基，值得现在先混个眼熟。plt.subplots() 一次返回两个东西——fig 是画布，ax 是坐标系，这就是 1.2 节要讲的 Figure 和 Axes。ax.plot 是 1.3 节的折线图，set_title 是 1.4 节的参数设置，最后要不要存文件是 1.5 节的事。

如果在没有图形界面的环境里（比如一台远程服务器）跑，plt.show() 可能弹不出窗口。这不代表没装好，只说明这个环境缺"显示"这条通道。你可以换成把图存成文件的思路来验证——那是 1.5 节的内容。现在你只需要记住：图能画出来、能存下来，就算环境就绪了。

六、从 MATLAB 的"影子"到 Python 的"标准答案"

Matplotlib 今天的地位不是谁钦定的，而是二十多年一点点长出来的。它诞生于 2003 年，作者 John Hunter 当时在做神经科学研究，需要在 Python 里画图，却找不到趁手的工具，于是自己动手写了一个，目标很朴素——让 Python 的画图能力够得上 MATLAB。

这也是它接口带着浓浓 MATLAB 味的原因。plot、xlabel、title 这些函数名，几乎是把 MATLAB 的绘图命令照搬了过来。这个设计当年很聪明，一大批从 MATLAB 转过来的人几乎零成本上手。但它也埋下了今天最大的困惑：新手看到 plt.plot 和 ax.plot 两套写法，搞不清谁是谁。这个困惑，正是 1.2 节要专门掰开讲的核心。

二十多年过去，Matplotlib 从一个科研圈的小工具，长成了 Python 数据生态里的"基础设施"。它的意义早就超出了"一个库"——它定义了 Python 里"图"的底层标准。Seaborn 在它上面包统计图，Pandas 的绘图功能在它上面薄薄铺了一层，无数论文的插图、无数数据报告的配图，背后渲染的都是它。所以哪怕你以后主要用 Seaborn 或别的上层库，理解 Matplotlib 就等于理解了这些工具共同的底座。

七、几个新手常问的问题

Matplotlib 和 Plotly、Bokeh 是什么关系？

后两者主打交互式图表——鼠标悬停显示数值、缩放、拖拽、联动。Matplotlib 主打静态、可精细控制的图表，虽然也能做一点交互和动画，但不是它的主战场。要交互式仪表盘、探索性看板，选 Plotly 这类更顺手；要论文插图、可复现的静态图、精细到每个像素的控制，选 Matplotlib。两者不是替代关系，是"静态精修"与"交互探索"的分工。

我已经会用 Seaborn 了，还需要学 Matplotlib 吗？

需要，而且更划算。Seaborn 底层就是 Matplotlib，你调 Seaborn 图里的细节——改刻度、加文字、挪图例——最终都要落到 Matplotlib 的对象和参数上。懂了 Matplotlib，Seaborn 对你就不再是黑盒：遇到它默认样式满足不了的需求，你知道该往下钻一层、直接改底层的对象。反过来，只会 Seaborn，遇到边界问题就卡住了。

学 Matplotlib 要背多少函数和参数？

基本不用背。它的接口名大多"见名知意"——set_xlabel 就是设 x 轴标签，set_title 就是设标题。真正要记的是对象之间的关系（画布、坐标系、元素），以及"想改哪里、就去哪个对象上找参数"的思维。具体参数名，用到时查官方文档就行——那本字典很厚，但你只需要会翻，不需要全背。

要点速记

• Matplotlib 是 Python 原生绘图库，把"数据加描述"变成"图"，接口最初仿 MATLAB 但本质是 Python 的东西。
• 它不负责准备数据，假定输入已经是干净数值，专注从"选图形"到"输出"这一段。
• 与 MATLAB、Excel、Seaborn 是分工关系：MATLAB 是闭源环境，Excel 是点鼠标，Seaborn 是建立在 Matplotlib 之上的上层封装。
• 安装 = 放代码 + 处理依赖 + 备好后端，理解机理比背命令重要。
• 安装成功不等于处处可用，先确认在哪个环境里装、在哪个环境里跑。
• 验证环境就绪最实在的方式是真画一张图，fig, ax = plt.subplots() 是后续一切的地基。

下一节我们钻进那段验证代码里最关键的一行——fig 和 ax 到底各是什么，Figure 和 Axes 这两个对象是如何撑起整张图的。