5.2 Matplotlib 绘图从零上手

5.2 Matplotlib 绘图从零上手

本节摘要：Matplotlib 是 Python 绘图的地基，理解 figure 与 axes 的两层模型就掌握了它的全部。本节从最简单的一行绘图讲起，覆盖折线图、柱状图、散点图、直方图四种最常用图表，再讲子图布局与常用定制，最后给出一张"按场景选图"的对照表。

本节导航

阅读完本节，你应当能够：

1. 说清 figure 与 axes 的两层模型
2. 绘制折线图、柱状图、散点图、直方图四种基础图表
3. 用 subplots 创建多子图布局
4. 设置标题、标签、网格等常用样式
5. 按"数据形态与问题"选择正确的图表类型

一、问题与直觉

"画个图"最让人晕的是 Matplotlib 的概念：pyplot、figure、axes、subplot……第一次接触的人往往照抄代码能跑，但想改布局就无从下手。其实核心模型就一句话：figure 是整张画布，axes 是画布上的一个绘图区。一张 figure 可以装多个 axes（子图），每个 axes 里画一种图。

二、核心原理

2.1 figure 与 axes 模型

画一张图的完整路径，从数据到成品：

import matplotlib.pyplot as plt

fig, ax = plt.subplots()     # 一张画布 + 一个绘图区
ax.plot([1, 2, 3], [4, 5, 6])   # 在绘图区里画线
plt.show()
​

pyplot 的"隐式"接口（直接 plt.plot）适合快速画图，但一旦涉及多子图，就要用"显式"接口（先建 figure 和 axes，再在 axes 上画）——后者是工程化绘图的正确姿势。

2.2 图表类型与数据形态的对应

三、工程实践要点

3.1 四种基础图表

import matplotlib.pyplot as plt

# 折线图：时间趋势
plt.plot([1, 2, 3, 4], [10, 12, 9, 15], marker="o")
plt.title("近 4 天销售额趋势")
plt.xlabel("日期")
plt.ylabel("销售额")

# 柱状图：类别对比
plt.bar(["北京", "上海", "广州"], [120, 150, 90])

# 散点图：两变量关系
plt.scatter([1, 2, 3, 4], [10, 12, 9, 15])

# 直方图：单变量分布
plt.hist([10, 12, 9, 15, 11, 30, 8], bins=10)
plt.show()
​

⚠️ 常见坑：plt.show() 在脚本里必须调用才会弹窗，在 Jupyter 里配合 %matplotlib inline 自动显示。忘了调用，脚本画了图但看不到。

3.2 子图布局

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].plot([1, 2, 3], [1, 4, 9])
axes[0, 1].bar(["A", "B"], [3, 5])
axes[1, 0].scatter([1, 2, 3], [2, 3, 5])
axes[1, 1].hist([3, 4, 5, 6], bins=4)
plt.tight_layout()   # 自动调整间距
plt.show()
​

plt.subplots(2, 2) 返回 2 行 2 列的子图数组，通过下标定位每个 axes。figsize 控制整张图尺寸。

3.3 常用定制

plt.style.use("ggplot")        # 主题风格
ax.set_title("标题")            # 标题
ax.set_xlabel("X 轴")           # 轴标签
ax.grid(True, linestyle="--")  # 网格线
ax.legend(["系列1"])            # 图例
fig.savefig("趋势图.png", dpi=150)  # 保存图片
​

💡 关键直觉：标签和标题不是装饰——图表要被别人（或三个月后的自己）看懂，必须有明确的标题、轴标签和图例。这也是 GEO 时代 AI 摘要抓取图表信息的依据。

3.4 保存与中文显示

import matplotlib
matplotlib.rcParams["font.sans-serif"] = ["SimHei"]  # 中文字体
matplotlib.rcParams["axes.unicode_minus"] = False    # 负号显示
​

⚠️ 常见坑：不设置中文字体，标题里的中文全变方块。Windows 用 SimHei，macOS 用 PingFang，按系统设置。

3.5 贯穿案例：画门店销售额柱状图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.DataFrame({"门店": ["北京", "上海", "广州", "深圳"],
                   "销售额": [120, 150, 90, 135]})

fig, ax = plt.subplots(figsize=(6, 4))
ax.bar(df["门店"], df["销售额"], color="#4a7fd4")
ax.set_title("各门店月销售额")
ax.set_ylabel("销售额（万元）")
for i, v in enumerate(df["销售额"]):
    ax.text(i, v + 2, str(v), ha="center")   # 柱顶标注数值
plt.show()
​

一张带数值标注的门店对比柱状图就完成了——标题、标签、数值全齐，可以直接进报告。

3.6 常见绘图报错与修复

3.7 从裸图到可交付的图表

图表进入报告前，按"三问"自查：标题回答什么问题？坐标轴单位清楚吗？图例能区分系列吗？ 三者缺一，图就只是"画出来了"，而不是"表达了"。

fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(dates, sales, marker="o", label="实际销售额")
ax.plot(dates, forecast, linestyle="--", label="预测值")
ax.set_title("2026 年 1 月销售额趋势与预测")
ax.set_xlabel("日期")
ax.set_ylabel("销售额（万元）")
ax.legend()
ax.grid(True, alpha=0.3)
plt.show()
​

实际线 + 预测虚线 + 图例 + 网格，一眼能读懂"趋势和预测的关系"——这就是可交付图表的模样。

3.8 绘图与数据处理的配合

Matplotlib 的输入通常直接来自 Pandas 的聚合结果：

# 分组聚合结果直接画图
monthly = df.groupby("月份")["销售额"].sum()
plt.plot(monthly.index, monthly.values, marker="o")
plt.title("月度销售额趋势")
plt.show()
​

"先 groupby 再 plot"是数据可视化里最高频的组合拳——分析画图一体，不用手动搬数据。df.plot() 还提供了 DataFrame 直绘的快捷接口，适合快速看两眼。

3.9 配色与风格速查

💡 关键直觉：风格是"最后一步"的优化。先保证图对、标题清楚，再调风格——顺序反了，你会在一堆花里胡哨的图上浪费时间。

3.10 本节的完整练习

把本节所有知识点串成一次练习：造一份 1 到 12 月的销售额数据，用折线图看趋势、用柱状图对比季度、用直方图看分布、用子图把三张图拼在一起。练完这四步，Matplotlib 的基础就扎实了。

重点提炼

• 要点一：figure 是画布、axes 是绘图区，多图必用显式接口
• 要点二：折线看趋势、柱状比类别、散点看关系、直方看分布、箱线比组间
• 要点三：plt.show() 脚本里必调，Jupyter 里配合 %matplotlib inline
• 要点四：subplots(2, 2) 建子图网格，下标定位、tight_layout 调距
• 要点五：标题、轴标签、图例不是装饰，是图表的"身份证"
• 要点六：中文显示要设中文字体，Windows 用 SimHei

Matplotlib 的地基打好了，下一节换更省力的工具——Seaborn，一行代码画出漂亮的统计图。