Python中Matplotlib数据可视化详解

目录

引言：Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了丰富的绘图功能，可以创建各种静态、动态或交互式的图表。

一、基本概念

二、语法和常用参数

三、基本流程 

显示或保存图表

四、常见的图表类型及其特点

1.折线图 (Line Plot)

1.1图形特点

1.3拓展（上色和多折线图）

2. 柱状图 (Bar Chart) 

 2.1图形特点

2.2柱形图的常用函数及其说明

2.3代码及其输出结果

2.4.1绘制 “2019年城乡就业人数柱形图 ”

2.4.2 根据“books.xlsx”表格的数据，绘制如下图形。 要求将代码和输出结果截图上传

3.饼图 (Pie Chart) 

3.1图形特点

3.2 饼图的常用函数及其说明

3.3 代码及其输出结果

 ​编辑

3.4拓展 

3.4.1分裂饼图

 3.4.2内嵌环形饼图

4.面积图（Area Chart） 

 4.1图形特点

 4.2代码及其输出结果

4.3拓展 

 5.散点图 (Scatter Plot)

5.1图形特点

5.2代码及其输出结果 

五、文章总结

1.Matplotlib基础介绍

2.核心功能演示

3.高级技巧 

4.实战建议 

---

引言：Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了丰富的绘图功能，可以创建各种静态、动态或交互式的图表。

一、基本概念

1. Figure（图形）：绘图的最外层容器，可以包含多个子图

2. Axes（坐标轴）：实际的绘图区域，每个 Axes 包含 x 轴和 y 轴

3. Axis（轴）：包含刻度、刻度标签等元素的数轴

二、语法和常用参数

plt.plot() 绘图： 
语法：plt.plot(x, y, color, linestyle, linewidth, marker, markerfacecolor, markersize, label)
各参数介绍如下：
  x： x轴数据
  y： y轴数据
  color： 线的颜色
  linestyle： 线条样式
  linewidth： 线条宽度（用数字表示大小）
  marker： 标记的样式
  markerfacecolor： 标记填充颜色
  markersize： 标记尺寸（用数字表示大小）
  label： 线条的标签（后文结合 legend() 创建图例来讲）

color 参数：
b：蓝色    g：绿色    r：红色
m：洋红色  c：蓝绿色  y：黄色
k：黑色    w: 白色

三、基本流程 

1. 准备数据

2. 创建图形和坐标轴

3. 绘制图表

4. 自定义图表（标题、标签、图例等）

5. 显示或保存图表

四、常见的图表类型及其特点

1.折线图 (Line Plot)

1.1图形特点

特点：

用线段连接数据点，显示数据变化趋势

适合展示时间序列数据或连续变量的变化

可以同时绘制多条折线进行比较

能够清晰显示数据的上升、下降或波动趋势

可以添加标记点突出数据位置

1.2图形代码及其输出结果

# 绘制第一张图表 
import matplotlib.pyplot as plt
#折线图
plt.plot([1,3,5,7,9], [1, 8, 3, 6, 2])  # x轴默认是 [0,1,2,3,4]

 

1.3拓展（上色和多折线图）

1.3.1模仿体温表

import matplotlib.pyplot as plt
import pandas as pd
# 用figure（）方法来设置画布大小、分辨率、颜色、边框

plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文乱码问题
plt.rcParams['axes.unicode_minus'] = False   # 解决负号不显示问题

flg = plt.figure( figsize=(5,3), facecolor = 'yellow')  
df = pd.read_excel('体温.xls')
# 折线图
x = df['日期'] # x轴数据
y = df['体温'] # y轴数据

plt.plot(x, y, color = 'm', linestyle = '--', marker = 'o' )

plt.xlabel('2020年2月')  # x轴标题
plt.ylabel('基础体温')   # y轴标题

plt.grid(color = 'r', linestyle = '--',linewidth = 1, axis='y') # 设置网格线，用 plt.grid()。 axis='y'是将 Y 轴是网格线隐藏。
plt.legend('基础体温', fontsize = 8, loc = 'upper left')  # 手动添加图例。fontsize字体大小，loc 图例显示位置。
# plt.legend() # 自动显示图例
plt.show()

 

1.3.2多折线图（模拟成绩单）

import pandas as pd
import matplotlib.pyplot as plt
df1=pd.read_excel('data.xls')              #导入Excel文件
#多折线图
x1=df1['姓名']
y1=df1['语文']
y2=df1['数学']
y3=df1['英语']
plt.rcParams['font.sans-serif']=['SimHei']    #解决中文乱码
plt.rcParams['xtick.direction'] = 'out'       #x轴的刻度线向外显示
plt.rcParams['ytick.direction'] = 'in'        #y轴的刻度线向内显示
plt.title('语数外成绩大比拼',fontsize='18')   #图表标题
plt.plot(x1,y1,label='语文',color='r',marker='p')
plt.plot(x1,y2,label='数学',color='g',marker='.',mfc='r',ms=8,alpha=0.7)
plt.plot(x1,y3,label='英语',color='b',linestyle='-.',marker='*')
plt.grid(axis='y')                             #显示网格关闭y轴
plt.ylabel('分数')
plt.yticks(range(50,150,10))
plt.legend(['语文','数学','英语'])             #图例
plt.savefig('image.png')
plt.show()

2. 柱状图 (Bar Chart) 

 2.1图形特点

用长短不等的矩形条表示不同类别的数值

适合比较不同类别间的离散数据

可以垂直(柱状)或水平(条形)显示

支持堆叠和分组显示

直观展示类别间的差异和排名

2.2柱形图的常用函数及其说明

绘制柱状图，我们主要用到 bar() 函数。

函数的常用参数及其说明：bar(x，height， width，bottom，align='center'，**kwargs)

X: 包含所有柱子的下标的列表
    
height: 包含所有柱子的高度值的列表
    
width: 每个柱子的宽度。可以指定一个固定值，那么所有的柱子都是一样的宽。或者设置一个列表，这样可以分别对每个柱子设定不同的宽度。
    
bottom: 指定柱形在起始位置
    
align：柱子对齐方式，有两个可选值：center 和 edge。center 表示每根柱子是根据下标来对齐,
       edge 则表示每根柱子全部以下标为起点，然后显示到下标的右边。如果不指定该参数，默认值是 center。
    
color：每根柱子呈现的颜色。同样可指定一个颜色值，让所有柱子呈现同样颜色；或者指定带有不同颜色的列表，让不同柱子显示不同颜色。

edgecolor：每根柱子边框的颜色。同样可指定一个颜色值，让所有柱子边框呈现同样颜色；或者指定带有不同颜色的列表，让不同柱子的边框显示不同颜色。
 

2.3代码及其输出结果

# 简单柱形图
import matplotlib.pyplot as plt

x=[1,2,3,4,5,6]
height=[10,20,30,40,50,60]

plt.bar(x,height)

2.4拓展 

2.4.1绘制 “2019年城乡就业人数柱形图 ”

import numpy as np
import matplotlib.pyplot as plt
data = np.load('2001-2019年劳动力与就业人员数据.npz', encoding='ASCII', allow_pickle=True) 

print(data)
# print(data["arr_0"])
# print(data["arr_1"])

# 绘制 “2019年城乡就业人数柱形图 ”
plt.rcParams['font.sans-serif']=['SimHei']    #解决中文乱码
columns = data['arr_0']  # 提取其中的columns数组，视为数据的标签
values = data['arr_1']  # 提取其中的values数组，视为数据的存在位置
# 绘制柱形图
labels = ['城镇就业人员', '乡村就业人员']
p = plt.figure(figsize=(6, 6), dpi = 70) # 设置画布大小为 6 * 6 英寸。dpi：每英寸的点数
plt.bar(range(2), values[-1, 3:5], width=0.2) # values[-1, 3:5] 获取 values 数组最后一行数据，中的列索引为 3、4 两列的数据。width=0.2：柱子的宽度
plt.xlabel('类别')
plt.ylabel('就业人数（万人）')
plt.xticks(range(2), labels) # 设置 X 轴的刻度标签。它将 X 轴的（0,1）位置与 labels = ['城镇就业人员', '乡村就业人员'] 的值分别对应关联。
plt.title('2019年城乡就业人数柱形图')
plt.show() # 显示图表

2.4.2 根据“books.xlsx”表格的数据，绘制如下图形。 要求将代码和输出结果截图上传

 books.xlsx：

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_excel('books.xlsx')
plt.rcParams['font.sans-serif']=['SimHei'] #解决中文乱码
x=df['年份']
height=df['销售额']
plt.grid(axis="y", which="major")  # 只在y轴上生成虚线网格。which="major"：只显示主刻度线对应的网格线
#x、y轴标签
plt.xlabel('年份')
plt.ylabel('线上销售额（元）')
#图表标题
plt.title('2013-2019年线上图书销售额分析图')
plt.bar(x,height,width = 0.5,align='center',color = 'b',alpha=0.5,bottom=0.8)  #alpha=0.5透明度

#设置每个柱子的文本标签, format(b,',')格式化销售额为千位分隔符格式
#for a,b in zip(x,height)：遍历x轴位置和柱形高度值
# plt.text() - 添加文本标签，具体参数解释如下：
    # a - x坐标位置
    # b - y坐标位置(柱形顶部)
    # format(b,',') - 将数值格式化为带千位分隔符的字符串
    # ha='center' - 水平对齐方式为居中
    # va='bottom' - 垂直对齐方式为底部对齐
    # fontsize=9 - 字体大小
    # color='b' - 蓝色文本
    # alpha=0.9 - 透明度0.9
for a,b in zip(x,height):
    plt.text(a, b,format(b,','), ha='center', va= 'bottom',fontsize=9,color = 'b',alpha=0.9)

plt.legend(['销售额'])  # 显示图例

3.饼图 (Pie Chart) 

3.1图形特点

用圆形分割表示各部分占总体的比例

适合展示构成比例关系

直观但不宜展示过多类别(通常不超过6个)

可以通过突出某一块(explode)强调特定部分

3D效果可增强视觉吸引力但可能降低准确性

3.2 饼图的常用函数及其说明

主要用于展示各部分数据占总体的比例关系
函数语法; plt.pie(x, explode=None, labels=None, colors=None, autopct=None, **kwargs, radius = 1)
  x：表示各部分的数据值，是绘制饼图的核心数据。
  explode：用于突出显示某些部分，是一个与 x 长度相同的数组，值越大，对应的部分突出越明显。
  labels：各部分的标签，方便我们识别每个扇形代表的内容。
  colors：各部分的颜色，可自定义以增加图表的美观度。
  autopct：用于显示各部分所占百分比的格式，如 '%1.1f%%' 表示保留一位小数。
  radius: 半径，默认值是1

3.3 代码及其输出结果

import matplotlib.pyplot as plt

labels = ['娱乐', '育儿', '饮食', '房贷', '交通', '其它']
x = [200, 500, 1200, 7000, 200, 900]

# 绘制饼图
plt.pie(x, labels=labels, autopct='%1.1f%%')
# 设置图表标题
plt.title("家庭支出比例")
# 显示图表
plt.show()

 

3.4拓展 

3.4.1分裂饼图

import pandas as pd
from matplotlib import pyplot as plt
df1 = pd.read_excel('data2.xlsx')
plt.rcParams['font.sans-serif']=['SimHei'] #解决中文乱码
plt.figure(figsize=(5,3)) #设置画布大小
labels = df1['地区']
sizes = df1['销量']
#设置饼形图每块的颜色
colors = ['red', 'yellow', 'slateblue', 'green','magenta','cyan','darkorange','lawngreen','pink','gold']

# 分裂饼图参数：explode
explode = (0.1, 0,0,0,0,0,0,0,0,0)

plt.pie(sizes, #绘图数据
        labels=labels,#添加区域水平标签
        colors=colors,# 设置饼图的自定义填充色
        labeldistance=1.02,#设置各扇形标签（图例）与圆心的距离
        autopct='%.1f%%',# 设置百分比的格式，这里保留一位小数
        startangle=90,# 设置饼图的初始角度
        radius = 0.5, # 设置饼图的半径
        center = (0.2,0.2), # 设置饼图的原点
        textprops = {'fontsize':9, 'color':'k'}, # 设置文本标签的属性值
        pctdistance=0.6, # 设置百分比标签与圆心的距离
        explode=explode, #分裂饼图
        shadow=True # 立体感带阴影饼图
       )
# 设置x，y轴刻度一致，保证饼图为圆形
plt.axis('equal')
plt.title('2020年1月各地区销量占比情况分析')

 3.4.2内嵌环形饼图

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']

df1 = pd.read_excel('data2.xlsx')
df2=pd.read_excel('data2.xlsx',sheet_name='2月')

#数据集，x1,x2分别对应外环、内环百分比例
x1=df1['销量']
x2=df2['销量']

#设置饼状图各个区块的颜色
colors = ['red', 'yellow', 'slateblue', 'green','magenta','cyan','darkorange','lawngreen','pink','gold']

#外环
plt.pie(x1,autopct='%.1f%%',radius=1,pctdistance=0.85,colors=colors,wedgeprops=dict(linewidth=2,width=0.3,edgecolor='w'))
#内环
plt.pie(x2,autopct='%.1f%%',radius=0.7,pctdistance=0.7,colors=colors,wedgeprops=dict(linewidth=2,width=0.4,edgecolor='w'))

#图例
legend_text=df1['地区']
plt.legend(legend_text,title='地区',frameon=False,bbox_to_anchor=(0.2,0.5))#设置图例标题、位置、去掉图例边框
plt.axis('equal')#设置坐标轴比例以显示为圆形
plt.title('2020年1月和2月各地区销量占比情况分析')
plt.show()

4.面积图（Area Chart） 

 4.1图形特点

展示趋势与累积量：不仅显示数据的变化趋势（类似折线图），还能直观地展示数据的总量或部分占比。

强调变化幅度：填充颜色使数据的变化幅度更明显，适合突出增长或下降的程度。

 适合堆叠（Stacked Area Chart）：可以叠加多个数据系列，展示各部分的构成及其随时间的变化

 4.2代码及其输出结果

# 简单面积图,用函数 stackplot()
import matplotlib.pyplot as plt
x = [1,2,3,4,5]

y1 =[6,9,5,8,4]
y2 = [3,2,5,4,3]
y3 =[8,7,8,4,3]
y4 = [7,4,6,7,12]

plt.stackplot(x, y1,y2,y3,y4, colors=['g','c','r','b'])  # 颜色可以不设置，采用默认值
# plt.stackplot(x, y1,y2,y3,y4)
plt.show()

4.3拓展 

# 标准面积图

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_excel('books.xlsx')
plt.rcParams['font.sans-serif']=['SimHei'] #解决中文乱码
x=df['年份']
y=df['销售额']
#图表标题
plt.title('2013-2019年线上图书销售情况')
plt.stackplot(x, y)
# 强制将y轴的刻度标签显示为普通数字格式（而非科学计数法）。当数据值较大时（如超过1e5），Matplotlib默认会使用科学计数法显示，
plt.ticklabel_format(axis='y', style='plain')  
plt.show()

 5.散点图 (Scatter Plot)

5.1图形特点

用点表示两个变量的关系

适合展示变量间的相关性或分布模式

可以发现数据集群、异常值和趋势

可以通过点的大小、颜色表示第三个维度

常用于回归分析前的数据探索

5.2代码及其输出结果 

# 绘制简单散点图：用scatter()函数
import matplotlib.pyplot as plt

x=[1,2,3,4,5,6]
y=[19,24,37,43,55,68]

plt.scatter(x, y, color= 'r')
plt.show()

五、文章总结

1.Matplotlib基础介绍

Python最经典的数据可视化库，提供丰富的2D/3D图表支持

与NumPy、Pandas无缝集成，适合科学计算和数据分析

2.核心功能演示

折线图：展示趋势变化（如股票走势）

柱状图：对比分类数据（如销售额对比）

散点图：分析变量相关性（如身高体重关系）

直方图：统计数据分布（如考试成绩分布）

饼图：显示比例构成（如市场份额） 

3.高级技巧 

多子图布局（plt.subplots()）

自定义样式（颜色、线型、标记、图例）

3D可视化（曲面图、散点图）

动态动画（FuncAnimation）

4.实战建议 

结合Pandas直接绘制DataFrame数据

使用Seaborn增强统计图表美观度

导出高清图片（plt.savefig()）

作者：Hzc159