让简单的绘图变简单，让复杂的绘图变可能

Matplotlib 并非孤立的工具，而是整个 Python 数据科学生态（如 NumPy、Pandas、Scikit-learn）的 “可视化接口”—— 几乎所有主流数据库（如 Pandas 的 plot() 方法）的底层绘图逻辑，本质上都是通过 Matplotlib 实现的。

核心作用：将数据转换为直观的图形，帮助用户理解数据规律、趋势或分布，常用于数据分析报告、学术论文、商业演示等场景。

Matplotlib 的绘图逻辑围绕两个核心对象展开：

• Figure：代表整个 “画布”，是所有图表元素的容器（可以理解为一张白纸）。
• Axes：代表画布上的 “子图区域”（一个画布可包含多个子图），是实际绘图的区域（如折线图、柱状图绘制在 Axes 上）。

常用的两种绘图接口：

1. pyplot 接口（入门）：通过 matplotlib.pyplot 模块的函数（如 plt.plot()、plt.bar()）快速绘图，适合简单场景或交互式调试。

   import matplotlib.pyplot as plt
   import numpy as np
   
   x = np.linspace(0, 10, 100)  # 生成0-10的100个点
   y = np.sin(x)
   
   plt.plot(x, y)  # 绘制折线图
   plt.xlabel('X轴')  # 添加X轴标签
   plt.ylabel('Y轴')  # 添加Y轴标签
   plt.title('正弦曲线')  # 添加标题
   plt.show()  # 显示图表
   

2. 面向对象接口（进阶）：显式创建 Figure 和 Axes 对象，精确控制子图布局和细节，适合复杂图表（如多子图、定制化样式）。

   fig, ax = plt.subplots(figsize=(8, 4))  # 创建画布和子图，指定尺寸
   ax.plot(x, y, color='red', linestyle='--')  # 在子图上绘图，设置样式
   ax.set_xlabel('X轴', fontsize=12)  # 子图X轴标签
   ax.set_title('正弦曲线（面向对象接口）')
   fig.show()

核心优势：

1. 高度可定制：从坐标轴刻度、颜色、字体到图例位置、图形样式，均可通过参数精确控制，满足学术论文、商业报告等高标准需求。
2. 兼容性强：与 NumPy、Pandas 无缝衔接（可直接传入数组或 DataFrame 数据），支持 Jupyter Notebook 嵌入显示，输出格式包括 PNG、SVG（矢量图）、PDF 等。
3. 生态完善：作为基础库，可与 Seaborn（美化样式）、Plotly（交互式图表）等工具配合，弥补原生功能短板（如默认样式较陈旧、缺乏交互性）。

支持的图表类型:

折线图 (plot)- 查看数据趋势变化
饼图/环形图 (pie) - 查看各部分占比关系
柱状图 (bar/barh) - 比较不同类别数据的大小
散点图 (scatter) - 分析两个变量之间的关系
直方图 (hist) - 查看数据的分布情况
箱线图（boxplot)- 查看异常数据 

创建图表的基本步骤:
1. 引入库
import matplotlib.pyplot as plt
2. 创建画布和图表
plt.figure(figsize=(10, 5))
3. 绘制图表内容
... 具体的绘图代码
4. 显示图表
plt.show()

一、折线图（plot）：查看数据趋势变化

import matplotlib.pyplot as plt
import numpy as np

# 数据：时间（天）与销量
days = np.arange(1, 11)  # 1-10天
sales_a = [20, 35, 30, 45, 50, 60, 55, 70, 80, 90]  # 产品A销量
sales_b = [15, 25, 40, 35, 45, 55, 65, 60, 75, 85]  # 产品B销量

# 创建画布和子图
plt.figure(figsize=(10, 5))

# 绘制折线图（可叠加多条线）
plt.plot(days, sales_a, label='产品A', color='blue', marker='o', linestyle='-')
plt.plot(days, sales_b, label='产品B', color='red', marker='s', linestyle='--')

# 添加标签和标题
plt.xlabel('天数')
plt.ylabel('销量（件）')
plt.title('产品销量趋势图')
plt.legend()  # 显示图例
plt.grid(alpha=0.3)  # 添加网格线（透明度0.3）

plt.show()

关键参数：

• marker：数据点标记（o圆圈、s正方形等）；
• linestyle：线条样式（-实线、--虚线等）；
• label：线条标签（配合legend()显示图例）。

二、饼图 / 环形图（pie）：查看各部分占比关系

import matplotlib.pyplot as plt

# 数据：各渠道用户占比
channels = ['官网', 'APP', '小程序', '第三方平台']
users = [30, 25, 20, 25]  # 百分比
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']  # 自定义颜色

# 1. 饼图
plt.figure(figsize=(12, 5))
plt.subplot(121)  # 1行2列第1个子图
plt.pie(users, labels=channels, colors=colors, autopct='%1.1f%%', 
        startangle=90, explode=[0.1, 0, 0, 0])  # 突出显示第1部分
plt.title('用户来源占比（饼图）')

# 2. 环形图（通过 wedgeprops 设置内半径）
plt.subplot(122)
plt.pie(users, labels=channels, colors=colors, autopct='%1.1f%%',
        wedgeprops=dict(width=0.3))  # 内半径0.3（环形宽度）
plt.title('用户来源占比（环形图）')

plt.tight_layout()  # 自动调整布局
plt.show()

关键参数：

• autopct：显示百分比（%1.1f%%表示保留 1 位小数）；
• explode：设置某部分的偏移量（突出显示）；
• wedgeprops=dict(width=0.3)：环形图核心参数（控制环的宽度）。

三、柱状图（bar/barh）：比较不同类别数据的大小

import matplotlib.pyplot as plt
import numpy as np

# 数据：不同城市的销售额
cities = ['北京', '上海', '广州', '深圳']
sales_2023 = [500, 650, 420, 580]  # 2023年销售额（万元）
sales_2024 = [580, 720, 490, 650]  # 2024年销售额

# 垂直柱状图（两组数据对比）
x = np.arange(len(cities))  # 城市位置索引
width = 0.35  # 柱子宽度

plt.figure(figsize=(10, 6))
plt.bar(x - width/2, sales_2023, width, label='2023年')
plt.bar(x + width/2, sales_2024, width, label='2024年')

# 设置x轴标签和刻度
plt.xlabel('城市')
plt.ylabel('销售额（万元）')
plt.title('各城市销售额对比')
plt.xticks(x, cities)  # 用城市名替换默认刻度
plt.legend()

plt.show()

# 水平柱状图（单独展示2024年数据）
plt.figure(figsize=(10, 4))
plt.barh(cities, sales_2024, color='green')  # barh(类别, 数值)
plt.xlabel('销售额（万元）')
plt.title('2024年各城市销售额（水平柱状图）')
plt.show()

关键技巧：

• 多组数据对比时，通过x ± width/2调整柱子位置，避免重叠；
• 类别名称较长时，用barh（水平柱状图）更易显示标签。

四、散点图（scatter）：分析两个变量之间的关系

import matplotlib.pyplot as plt
import numpy as np

# 数据：广告投入（万元）与销量（千件）
np.random.seed(42)  # 固定随机数，确保结果一致
ad_cost = np.random.randint(10, 100, 50)  # 50个广告投入数据
sales = 2 * ad_cost + np.random.randint(-10, 10, 50)  # 销量（大致正相关）
profit = sales * 0.8 - ad_cost * 0.3  # 利润（作为点的颜色映射）

# 绘制散点图
plt.figure(figsize=(10, 6))
scatter = plt.scatter(ad_cost, sales, c=profit, cmap='coolwarm', 
                      s=sales*5, alpha=0.7, edgecolors='black')  # s控制点大小

# 添加颜色条（表示利润）
plt.colorbar(scatter, label='利润（万元）')

plt.xlabel('广告投入（万元）')
plt.ylabel('销量（千件）')
plt.title('广告投入与销量的关系（点大小=销量，颜色=利润）')
plt.grid(alpha=0.3)

plt.show()

关键参数：

• c：点的颜色（可映射第三变量，配合cmap设置颜色主题）；
• s：点的大小（可映射第四变量）；
• alpha：透明度（避免点重叠时遮挡）。

五、直方图（hist）：查看数据的分布情况

import matplotlib.pyplot as plt
import numpy as np

# 数据：1000名学生的考试分数（正态分布）
np.random.seed(42)
scores = np.random.normal(loc=70, scale=10, size=1000)  # 均值70，标准差10

# 绘制直方图
plt.figure(figsize=(10, 6))
n, bins, patches = plt.hist(scores, bins=15, density=True, alpha=0.7, color='skyblue', 
                            edgecolor='black')  # bins=区间数量

# 添加概率密度曲线（更直观展示分布）
from scipy.stats import norm
mu, sigma = norm.fit(scores)  # 拟合正态分布参数
x = np.linspace(scores.min(), scores.max(), 100)
plt.plot(x, norm.pdf(x, mu, sigma), 'r--', linewidth=2)  # 绘制理论分布曲线

plt.xlabel('分数')
plt.ylabel('频率/概率')
plt.title('学生考试分数分布（直方图+正态曲线）')
plt.axvline(mu, color='green', linestyle=':', label=f'均值={mu:.1f}')  # 标记均值
plt.legend()

plt.show()

关键参数：

• bins：区间数量（过小可能模糊分布，过大可能出现噪声）；
• density=True：将频数转换为概率密度（总面积为 1）。

六、箱线图（boxplot）：查看异常数据

import matplotlib.pyplot as plt
import numpy as np

# 数据：3个班级的成绩（含异常值）
np.random.seed(42)
class1 = np.random.normal(75, 8, 50)
class2 = np.random.normal(68, 10, 50)
class3 = np.random.normal(82, 6, 50)
class3 = np.append(class3, [30, 25, 120])  # 给三班添加3个异常值

# 绘制箱线图
plt.figure(figsize=(10, 6))
box_data = [class1, class2, class3]
labels = ['一班', '二班', '三班']

bplot = plt.boxplot(box_data, labels=labels, patch_artist=True,  # patch_artist=True可填充颜色
                    boxprops=dict(facecolor='lightblue'),  # 箱体颜色
                    flierprops=dict(marker='o', color='red', alpha=0.5))  # 异常值样式

plt.ylabel('分数')
plt.title('各班成绩分布与异常值检测')
plt.grid(axis='y', alpha=0.3)

plt.show()

解读要点：

• 箱体越长，数据离散程度越高；
• 中位数位置偏上 / 下，说明数据左偏 / 右偏；
• 红色点为异常值（通常定义为 <Q1-1.5×IQR 或> Q3+1.5×IQR，IQR=Q3-Q1）。

“既然选择了远方，便只顾风雨兼程。”—— 汪国真