📊 阅读时长：14分钟 | 关键词：Matplotlib、scatter散点图、bar条形图、imshow热力图、数据可视化

引言

前两篇掌握了基础绘图的"底层操作"——plot、坐标轴、图例。这篇直接上三种最常用的实战图表，每种都有独立的应用场景，学完立马能用。

一、plt.scatter() 散点图

场景：看两个变量之间的关系——身高和体重、广告费与销售额、温度与用电量。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 从正态分布中抽样，模拟两组数据
x1 = np.random.normal(0, 1, 100)
y1 = np.random.normal(0, 1, 100)
x2 = np.random.normal(0, 1, 100)
y2 = np.random.normal(0, 1, 100)

# 第一组：绿色菱形，半透明
plt.scatter(x1, y1, s=90, c='green', marker='D', 
            alpha=0.2, linewidths=2, edgecolors='red')
# 第二组：黄色菱形，不透明
plt.scatter(x2, y2, s=90, c='yellow', marker='D', 
            alpha=0.8, linewidths=2, edgecolors='black')

plt.show()

参数速查：

参数	说明	示例
x, y	数据点坐标（形状为 (n,) 的数组）	x=[1,2,3], y=[4,5,6]
s	标记点的大小（数字）	90
c	标记点的颜色	'green', '#FF0000'
marker	标记样式	'o' 圆, 'D' 菱形, '^' 三角
alpha	透明度（0~1）	0.5 → 半透明
linewidths	标记边框线宽	2
edgecolors	标记边框颜色	'red'

💡 alpha 是散点图的灵魂参数——点多时设半透明，重叠区域的深浅一眼就能看出聚集效果。

二、plt.bar() 条形图

场景：对比分类数据——各部门业绩、各城市人口、各月销量。

2.1 基础条形图

x = np.arange(1, 11)                      # x 坐标 1~10
h1 = np.random.randint(20, 35, 10)        # 随机生成 10 个高度（20~35）
h2 = np.random.randint(15, 40, 10)        # 第二组

plt.figure()
plt.bar(x, +h1, bottom=0.5)    # 向上的条形，底边从 0.5 开始
plt.bar(x, -h2, bottom=-0.5)   # 向下的条形（负值），底边从 -0.5 开始

# 在条形上方标数值
for i in range(len(x)):
    plt.text(x[i], h1[i]+0.5, h1[i], ha='center')
    plt.text(x[i], -h2[i]-0.5, h2[i], va='top', ha='center')

plt.yticks(ticks=range(-40, 31, 10), labels=[40, 30, 20, 10, 0, 10, 20, 30])
plt.show()

2.2 调整条形宽度与对齐

plt.figure()
x = np.arange(1, 25, 2.5)               # 间距较大
h1 = np.random.randint(20, 35, 10)
h2 = np.random.randint(15, 40, 10)

plt.bar(x, h1, align='edge')            # 条形左对齐刻度
plt.bar(x - 0.4, h2)                     # 第二组向左偏移 0.4，并排显示

for i in range(len(x)):
    plt.text(x[i]+0.4, h1[i], h1[i], size=8, ha='center')
    plt.text(x[i]-0.4, h2[i], h2[i], size=8, ha='center')

plt.xticks(ticks=x)
plt.show()

💡 两组条形并排的经典做法：一组 align='edge'，另一组 x 坐标减掉半个宽度。

参数速查：

参数	说明	默认值
x	条形 x 坐标	-
height	条形高度	-
width	条形宽度	0.8
color	条形颜色	-
edgecolor	条形边框颜色	-
alpha	透明度	1
linewidth	边框线宽	-
bottom	底边起始 y 坐标	0
align	对齐方式	'center'（居中）/ 'edge'（左对齐）

三、plt.imshow() 数据转图像

场景：热力图——相关性矩阵、图像数据、二维数组信息的可视化。

plt.figure()

# 自己造一个 3×3 的图像数据（像素值 0-255 看起来才正常，这里只是演示）
data = np.array([[0, 50, 200],
                 [200, 100, 0],
                 [0, 150, 200]])
plt.imshow(data)
plt.show()

# 灰度模式
plt.imshow(data, cmap="Greys")

# 灰度 + 半透明
plt.imshow(data, cmap="Greys", alpha=0.3)

真实应用——相关性热力图：

# 构造一个 5×5 的相关性矩阵
corr = np.random.rand(5, 5)
plt.figure(figsize=(6, 5))
plt.imshow(corr, cmap='hot', interpolation='nearest')
plt.colorbar()           # 添加颜色条
plt.title('相关性矩阵热力图')
plt.show()

参数速查：

参数	说明	示例
X	图像数据（二维 = 灰度，三维 = RGB）	np.array([[0,50],[200,100]])
cmap	颜色映射	'hot', 'Greys', 'viridis', 'coolwarm'
alpha	透明度	0.5
interpolation	插值方式	'nearest'（块状）, 'bilinear'（平滑）

小结

图表类型	函数	典型场景
散点图	plt.scatter()	看两个变量之间的关系
条形图	plt.bar()	分类对比（不同类别、不同时间）
热力图	plt.imshow()	矩阵数据可视化（相关性、图像）

这三种图 + 前面的折线图，覆盖了日常数据可视化 80% 的需求。

下一篇文章，我们学最后一招——在一个画布上排布多个子图（subplot）、画图中图（axes），以及把画好的图保存到文件。

---

本文是「Python从入门到数据分析」系列的第 21 篇。关注我，不错过后续更新。