Matplotlib绘图基础步骤是？

访客 python案例 2026-06-05 21:30:08 1

Matplotlib绘图基础步骤：从零到精通的完整指南

目录导读

Matplotlib是什么？为什么它是Python数据可视化的首选？
Matplotlib绘图的基础流程图
安装与导入Matplotlib
创建画布与子图
准备数据并绘图
定制图形元素（标题、标签、网格、图例）
美化与样式调整
显示或保存图形
常见问题与QA
进阶提示：从基础到高效

Matplotlib是什么？为什么它是Python数据可视化的首选？

Matplotlib是Python生态中最经典、最基础的2D绘图库，它能够生成出版级质量的图表，支持折线图、散点图、柱状图、饼图、热力图等几乎所有的常见图形类型，无论你是做数据分析、机器学习可视化，还是科研论文配图,Matplotlib都是绕不开的核心工具。

相比其他可视化库（如Seaborn、Plotly、Bokeh），Matplotlib的最大优势在于高度可控——你可以控制图上的每一个像素，从坐标轴的刻度到线条的粗细，几乎是“所见即所得”，虽然它的API较为底层，但掌握基础绘图步骤后,就能轻松驾驭。

一个典型的使用场景：你拿到了某电商平台一周的日销售额数据，想画一条清晰的时间趋势折线图，并标注最大值和最小值,这时你就需要Matplotlib的基础绘图能力。

Matplotlib绘图的基础流程图

在深入代码之前，我们先理清一幅Matplotlib图形从无到有的核心流程，这个流程适用于90%以上的图表绘制：

安装与导入 → 2. 创建Figure和Axes → 3. 准备数据和绘图 → 4. 定制元素（标题、标签、刻度） → 5. 美化调整（颜色、线型、样式） → 6. 显示/保存

注意：在实际项目中，“准备数据”往往是第一步，但从绘图步骤的视角来看，我们把它放在创建画布之后,因为绘图函数需要接收数据作为参数。

步骤一：安装与导入Matplotlib

安装

如果尚未安装Matplotlib,请在终端执行：

pip install matplotlib

如果你使用的是Anaconda发行版,通常已经预装了Matplotlib。

导入

标准导入方式有两种：

# 方式一：导入pyplot模块，这是最常用的方式
import matplotlib.pyplot as plt
# 方式二：导入整个matplotlib库（较少用，但在需要修改全局配置时会用到）
import matplotlib

其中plt是约定俗成的别名，后续所有绘图函数都通过plt调用。plt.plot(), plt.title()。

提示：为了让图片在Jupyter Notebook中直接显示，需要在最上方加上一行魔法命令： %matplotlib inline

步骤二：创建画布与子图

创建画布（Figure）

fig = plt.figure(figsize=(10, 6))  # 创建一个10英寸宽、6英寸高的画布

figsize控制整个图形的尺寸比例，单位是英寸，如果不指定，默认大小为6.4x4.8。

创建子图（Axes）

我们可以用两种方式在画布上添绘画区域（Axes）：

方式A：最常用的单图模式

fig, ax = plt.subplots(figsize=(10, 6))

这个ax就是我们要画图的核心对象，所有绘图操作都可以通过ax方法来调用，比如ax.plot(), ax.set_title()。

方式B：多子图布局（例如2行3列）

fig, axes = plt.subplots(2, 3, figsize=(15, 8))
# axes是一个2x3的二维数组，axes[0][0]代表第一行第一列的子图

对于初学者来说，建议先掌握单图模式（方式A）,因为几乎所有基础问题都可以用单图解决。

步骤三：准备数据并绘图

准备数据

以最简单的折线图为例,我们准备两个列表：

x = [1, 2, 3, 4, 5]
y = [10, 15, 13, 18, 20]

真实项目中数据通常来自Pandas DataFrame或NumPy数组,但原理一致。

绘图

使用ax.plot()绘制折线图：

ax.plot(x, y)

如果想画散点图，用ax.scatter()；柱状图用ax.bar()；饼图用ax.pie(),这里以最常用的折线图为例。

关键点：此时图形已经存在，但非常“原始”——没有标题、没有坐标轴标签、没有网格线。

步骤四：定制图形元素（标题、标签、网格、图例）

这是使图形从“可用”变为“可读”的关键步骤。


# 设置x轴和y轴标签
ax.set_xlabel("天数", fontsize=12)
ax.set_ylabel("销售额（万元）", fontsize=12)
# 设置x轴刻度（例如显示文字而不是数字）
ax.set_xticks(x)
ax.set_xticklabels(["周一","周二","周三","周四","周五"])
# 添加网格线（便于观察数据）
ax.grid(True, linestyle='--', alpha=0.7)
# 添加图例（当有多条线时重要）
ax.plot(x, y, label="实际销售额")
ax.legend(loc='upper left')   # 指定图例位置

注意：set_title(), set_xlabel(), grid(), legend()等是Axes对象的方法，你也可以使用plt.title()等全局函数，但使用ax方法更推荐,因为它在多子图时不会混淆。

步骤五：美化与样式调整

颜色、线型、标记

让数据更生动：

ax.plot(x, y, color='orangered', linewidth=2.5, linestyle='-', marker='o', markersize=8)

参数	作用	示例值
`color`	线条颜色	'blue', '#FF4500', 'coral'
`linewidth`	线条宽度	5
`linestyle`	线型	'-'实线, '--'虚线, ':'点线
`marker`	数据点标记	'o'圆圈, '^'三角形, 's'方形
`markersize`	标记大小	8

整体样式主题

Matplotlib内置了多种风格,一键切换：

plt.style.use('ggplot')          # 类似R语言的ggplot风格
# 或
plt.style.use('seaborn-v0_8')    # Seaborn风格

其他常用风格包括：'fivethirtyeight', 'dark_background', 'classic'。

坐标轴范围

ax.set_xlim(0.5, 5.5)   # x轴显示范围
ax.set_ylim(5, 25)      # y轴显示范围

步骤六：显示或保存图形

在Jupyter或脚本中显示

plt.show()

重要提醒：如果是在脚本中运行，plt.show()会阻塞程序，直到你关闭图形窗口,在Jupyter中则直接内嵌显示。

保存为文件（高质量）

# 保存为PNG
plt.savefig('sales_trend.png', dpi=300, bbox_inches='tight')
# 保存为PDF（适合出版）
plt.savefig('sales_trend.pdf', dpi=300, bbox_inches='tight')

参数	说明
`dpi`	分辨率，300为出版级
`bbox_inches='tight'`	自动裁剪掉多余的空白区域

注意：savefig必须在show()之前调用,否则保存的是空图。

常见问题与QA

Q1：为什么我的图片显示出来是空白？
A：最常见的原因是你使用了plt.show()之后又调用了plt.savefig()，顺序应该是先savefig再show,第二种可能是你的数据列表为空。

Q2：如何在同一个图里画多条线？
A：多次调用ax.plot()即可，每次传入不同的数据，并指定不同的label参数，最后调用ax.legend()显示图例。

Q3：中文显示成方框（□□）怎么办？
A：Matplotlib默认字体不支持中文，解决方案有二：
方法一：使用系统支持的中文字体，

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # Mac
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

在绘图时用英文或拼音替代中文标签。

Q4：plt.plot()和ax.plot()有什么区别？
A：plt.plot()是pyplot的全局函数，自动在“当前活跃子图”上绘图，适合快速原型。ax.plot()是面向对象的方法，显式指定绘图区域，在多子图场景下，推荐使用ax.plot()以避免混淆。

Q5：如何把柱状图和折线图画在一起（双y轴）？
A：使用ax.twinx()创建共享x轴的第二个y轴,实现双坐标轴效果。

进阶提示：从基础到高效

使用Pandas直接绘图：如果你已经用Pandas读入了数据，可以直接用df.plot(ax=ax)，它会自动调用Matplotlib绘制,大大简化代码。
子图布局优化：使用plt.subplots_adjust(wspace=0.3, hspace=0.4)调整子图间的间距。
交互式图表：如果想更快速地查看数据，可以尝试%matplotlib widget或使用mplcursors库添加悬浮数据标签。
复杂图表参考：Matplotlib官方图库（gallery）提供了数百种场景示例，遇到复杂需求时先搜索官方示例,往往能直接套用。