用 matplotlib 画出你的第一幅数据画：Python 可视化入门指南

PTYDJI

1296人浏览 · 2025-08-09 11:49:19

PTYDJI · 2025-08-09 11:49:19 发布

一、为什么要学 matplotlib？

当你拿到一组数据 —— 比如一个班级的考试成绩、一周的气温变化，或者不同专业的选课人数时，密密麻麻的数字很难让人一眼看出规律。这时候，matplotlib 就像一位 “数据画家”，能把冰冷的数字变成直观的图表，让趋势、差异、分布一目了然。

作为计算机专业的新生，未来会接触大量实验数据、统计结果，学会用 matplotlib 画图，不仅能让你的作业和报告更出彩，还能帮你快速从数据中发现问题。而且它操作简单，哪怕是零基础，也能很快画出像样的图表。

二、安装 matplotlib

在开始画图前，需要先把这个工具 “请” 到电脑里。打开终端（Windows 用命令提示符，Mac/Linux 用终端），输入以下命令：

pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple/

！！！！滴滴：不知道怎么安装第三方库或者想换用国内镜像源加速下载，可以点击链接跳转推荐学习文章↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

Python国内镜像源全攻略：加速你的第三方库下载

极速配置！Anaconda换用国内pip镜像源，一劳永逸解决下载龟速！

安装完成后，打开 Python 环境（比如 IDLE、VS Code 或 Jupyter Notebook），输入下面的代码验证是否安装成功：

import matplotlib.pyplot as plt  # 按照惯例，简写成plt
print(plt.__version__)  # 打印版本号，能输出就说明安装成功

三、matplotlib 的基本概念：画布与画笔

在正式画图前，先搞懂两个核心概念，就像画画要先准备画布和画笔：

Figure（画布）：相当于你画画用的纸，所有图表都画在这张纸上。

Axes（子图）：画布上可以画多个图表，每个图表就是一个子图，就像一张纸上可以分区域画几幅小画。

平时用得最多的是 “一张画布 + 一个子图” 的组合，用一行代码就能创建：

import matplotlib.pyplot as plt

# 创建画布和子图（1行1列的第1个图）
fig, ax = plt.subplots()
plt.show()  # 显示图像

运行后会弹出一个空白窗口，这就是你的第一张 “画布” 啦。

四、画折线图：展示趋势变化

折线图最适合展示数据随时间或顺序的变化趋势，比如一周的气温变化、一个学期的成绩波动。

4.1 基础折线图

假设我们有一组数据：周一到周五的气温（单位：℃）分别是 18、20、19、22、25，用折线图展示：

import matplotlib.pyplot as plt

# 准备数据
days = ["周一", "周二", "周三", "周四", "周五"]
temperatures = [18, 20, 19, 22, 25]

# 创建画布和子图
fig, ax = plt.subplots()

# 画折线图
ax.plot(days, temperatures)

# 设置标题和坐标轴标签
ax.set_title("一周气温变化")  # 标题
ax.set_xlabel("星期")  # x轴标签
ax.set_ylabel("气温 (℃)")  # y轴标签

# 显示图像
plt.show()

运行后会看到一条连接各点的折线，清晰展示了气温的起伏。

4.2 美化折线图

可以给折线换颜色、加标记，让图表更美观：

import matplotlib.pyplot as plt

days = ["周一", "周二", "周三", "周四", "周五"]
temperatures = [18, 20, 19, 22, 25]

fig, ax = plt.subplots()

# color设置颜色（red/blue/green等，或用十六进制#FF0000）
# marker设置点标记（o是圆圈，s是正方形，^是三角形）
# linestyle设置线样式（-是实线，--是虚线，-.是点划线）
ax.plot(days, temperatures, color="red", marker="o", linestyle="--")

ax.set_title("一周气温变化", fontsize=15)  # 调整标题字体大小
ax.set_xlabel("星期", fontsize=12)
ax.set_ylabel("气温 (℃)", fontsize=12)

plt.show()

4.3 多条折线对比

如果想同时展示两个班级的成绩趋势，只需多调用一次plot函数：

import matplotlib.pyplot as plt

# 数据：第1-5周的平均成绩
weeks = [1, 2, 3, 4, 5]
class1 = [80, 82, 85, 83, 88]
class2 = [78, 76, 80, 84, 86]

fig, ax = plt.subplots()

ax.plot(weeks, class1, label="一班", color="blue", marker="s")
ax.plot(weeks, class2, label="二班", color="green", marker="^")

ax.set_title("两个班级成绩趋势对比")
ax.set_xlabel("周次")
ax.set_ylabel("平均成绩")
ax.legend()  # 显示图例（根据label自动生成）

plt.show()

五、画柱状图：比较数据差异

柱状图适合比较不同类别的数据，比如不同课程的选课人数、不同专业的平均绩点。

5.1 基础柱状图

统计计算机系 4 门课程的选课人数：

import matplotlib.pyplot as plt

courses = ["Python", "C语言", "数据结构", "计算机网络"]
students = [120, 150, 90, 110]

fig, ax = plt.subplots()

# 画柱状图，color可以传列表设置每个柱子的颜色
ax.bar(courses, students, color=["red", "blue", "green", "yellow"])

ax.set_title("各课程选课人数")
ax.set_xlabel("课程名称")
ax.set_ylabel("选课人数")

plt.show()

5.2 横向柱状图

如果类别名称太长，横向柱状图更合适：

import matplotlib.pyplot as plt

courses = ["Python程序设计", "C语言程序设计", "数据结构与算法", "计算机网络原理"]
students = [120, 150, 90, 110]

fig, ax = plt.subplots()

# barh画横向柱状图（把x和y的数据反过来）
ax.barh(courses, students, color="orange")

ax.set_title("各课程选课人数")
ax.set_xlabel("选课人数")
ax.set_ylabel("课程名称")

plt.show()

5.3 分组柱状图

比较两个年级同一课程的选课人数：

import matplotlib.pyplot as plt
import numpy as np  # 用numpy辅助计算柱子位置

courses = ["Python", "C语言", "数据结构"]
grade1 = [80, 100, 60]
grade2 = [70, 90, 85]

x = np.arange(len(courses))  # 生成0,1,2作为x轴位置
width = 0.35  # 柱子宽度

fig, ax = plt.subplots()

# 两组柱子错开排列
ax.bar(x - width/2, grade1, width, label="大一")
ax.bar(x + width/2, grade2, width, label="大二")

ax.set_title("不同年级选课人数对比")
ax.set_xlabel("课程名称")
ax.set_ylabel("选课人数")
ax.set_xticks(x)  # 设置x轴刻度位置
ax.set_xticklabels(courses)  # 用课程名替换刻度
ax.legend()

plt.show()

六、画散点图：展示变量关系

散点图用于观察两个变量之间的关系，比如学习时间与考试成绩的关系、身高与体重的关系。

假设我们调查了 10 名学生的每周学习时间（小时）和期末考试成绩：

import matplotlib.pyplot as plt

study_time = [10, 15, 8, 20, 12, 18, 5, 22, 16, 14]
scores = [65, 78, 60, 85, 70, 82, 55, 90, 79, 75]

fig, ax = plt.subplots()

# 画散点图，s设置点的大小，alpha设置透明度（0-1）
ax.scatter(study_time, scores, color="purple", s=50, alpha=0.7)

ax.set_title("学习时间与成绩关系")
ax.set_xlabel("每周学习时间（小时）")
ax.set_ylabel("期末考试成绩")

plt.show()

从图中能明显看出：学习时间越长，成绩往往越高，这就是变量间的正相关关系。

七、画饼图：展示占比情况

饼图适合展示各部分占总体的比例，比如班级中不同成绩等级的人数占比。

统计一个班级 50 名学生的成绩等级分布：

import matplotlib.pyplot as plt

grades = ["优秀", "良好", "及格", "不及格"]
counts = [10, 20, 15, 5]

fig, ax = plt.subplots()

# 画饼图，autopct显示百分比，explode突出某一块（这里突出“优秀”）
ax.pie(counts, labels=grades, autopct="%1.1f%%", explode=[0.1, 0, 0, 0])
ax.axis("equal")  # 保证饼图是正圆形

ax.set_title("班级成绩等级分布")

plt.show()

autopct="%1.1f%%"表示保留 1 位小数的百分比，explode参数让 “优秀” 这一块稍微分开，更醒目。

八、实用技巧：让图表更专业

8.1 中文显示问题

有时候图表中的中文会变成乱码，只需在代码开头加几行设置：

import matplotlib.pyplot as plt

# 设置中文字体（支持Windows和Mac）
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
# 解决负号显示问题
plt.rcParams["axes.unicode_minus"] = False

8.2 保存图表

画好的图表可以保存成图片文件（png、jpg、pdf 等）：

# 在plt.show()之前调用savefig
fig.savefig("成绩趋势图.png", dpi=300)  # dpi设置清晰度，数值越大越清晰
plt.show()

8.3 调整画布大小

创建画布时可以指定大小（宽和高，单位英寸）：

fig, ax = plt.subplots(figsize=(8, 5))  # 宽8英寸，高5英寸

九、综合案例：分析学生成绩数据

假设我们有一组包含 100 名学生的成绩数据（语文、数学、英语），用多种图表组合分析：

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据（模拟100名学生成绩）
np.random.seed(42)  # 固定随机数，保证结果一致
chinese = np.random.randint(60, 100, 100)
math = np.random.randint(50, 100, 100)
english = np.random.randint(65, 95, 100)

# 创建2行2列的子图（4个图表）
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
fig.suptitle("学生成绩数据分析", fontsize=16)  # 总标题

# 1. 语文成绩直方图（看分布）
axes[0, 0].hist(chinese, bins=10, color="red", alpha=0.7)
axes[0, 0].set_title("语文成绩分布")
axes[0, 0].set_xlabel("分数")
axes[0, 0].set_ylabel("人数")

# 2. 三门成绩箱线图（看差异）
axes[0, 1].boxplot([chinese, math, english], labels=["语文", "数学", "英语"])
axes[0, 1].set_title("三门成绩对比")
axes[0, 1].set_ylabel("分数")

# 3. 数学与英语成绩散点图（看关系）
axes[1, 0].scatter(math, english, color="green", alpha=0.5)
axes[1, 0].set_title("数学与英语成绩关系")
axes[1, 0].set_xlabel("数学成绩")
axes[1, 0].set_ylabel("英语成绩")

# 4. 平均分饼图（看占比）
avg_scores = [np.mean(chinese), np.mean(math), np.mean(english)]
axes[1, 1].pie(avg_scores, labels=["语文", "数学", "英语"], autopct="%1.1f%%")
axes[1, 1].set_title("三门课程平均分占比")
axes[1, 1].axis("equal")

# 调整子图间距
plt.tight_layout()
plt.show()

这个案例用了直方图（分布）、箱线图（差异）、散点图（关系）、饼图（占比），从多个角度分析数据，这也是实际数据分析中常用的思路。