Matplotlib详细教程（基础介绍，参数调整，绘图教程）

一、初识Matploblib

1.1 安装 Matplotlib

1.2、Matplotlib 的两种接口风格

1.3、Figure 和 Axes 的深度理解

1.4 设置画布大小

1.5 设置网格线

1.6 设置坐标轴

1.7 设置刻度和标签

1.8 添加图例和标题

1.9 设置中文显示

1.10 调整子图布局

二、常用绘图教程

2.1 折线图

2.2 散点图

2.3 直方图

2.4 饼图

编辑

一、初识Matploblib

Matplotlib是Python中的绘图库，类似于MATLAB，可以用来绘制各种静态，动态，交互式的图表。

1.1 安装 Matplotlib

首先需要安装 Matplotlib 库：

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

1.2、Matplotlib 的两种接口风格

Matplotlib 提供了两种主要使用方式，适用于不同场景：

pyplot 接口（类似 MATLAB 风格）
这种方式通过 plt 模块直接调用函数，自动管理图形和子图状态，适合快速绘图和简单场景。
示例：

import matplotlib.pyplot as plt
import numpy as npx = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x))  # 自动创建figure和axes
plt.title("pyplot接口示例")
plt.show()

面向对象接口（OO 风格）
显式创建 Figure（画布）和 Axes（子图）对象，通过对象方法操作，适合复杂绘图（如多子图、定制化布局）。
示例：

import matplotlib.pyplot as plt
import numpy as npfig, ax = plt.subplots()  # 显式创建figure和axes
ax.plot(x, np.sin(x))
ax.set_title("面向对象接口示例")
fig.show()

区别与选择：简单绘图用 pyplot 更简洁；复杂场景（如多子图联动、自定义坐标轴）必须用 OO 接口，可控性更强。

1.3、Figure 和 Axes 的深度理解

Figure（画布）

整个绘图窗口，是所有元素的容器。
可通过 figsize=(width, height) 控制大小（单位：英寸），dpi 控制分辨率（默认 100）。

Axes（子图）

一个 Figure 可包含多个 Axes（如 2×2 网格的子图），每个 Axes 是一个独立的绘图区域。

1.4 设置画布大小

在使用matplotlib作图时，会遇到图片显示不全或者图片大小不是我们想要的，这个时候就需要调整画布大小。下例左图为500*500像素，右图为1000*1000像素。

import matplotlib.pyplot as plt# 500 x 500 像素（先宽度 后高度）
# 注意这里的宽度和高度的单位是英寸，1英寸=100像素
fig = plt.figure(figsize=(5, 5))
ax = fig.add_subplot(111)
plt.show()

1.5 设置网格线

通过 axes 对象提供的 grid() 方法可以开启或者关闭画布中的网格以及网格的主/次刻度。除此之外，grid() 函数还可以设置网格的颜色、线型以及线宽等属性。

grid() 的函数使用格式如下

grid(color='b', ls = '-.', lw = 0.25)

参数含义如下：

color：表示网格线的颜色；
ls：表示网格线的样式；
lw：表示网格线的宽度；

网格在默认状态下是关闭的，通过调用上述函数，网格会被自动开启，如果只是想开启不带任何样式的网格，可以通过 grid(True) 来实现。

实例如下：

import matplotlib.pyplot as plt
import numpy as np# fig画布；axes子图区域
fig, axes = plt.subplots(1, 3, figsize=(12, 4))
x = np.arange(1, 11)
axes[0].plot(x, x ** 3, 'g', lw=2)
# 开启网格
axes[0].grid(True)
axes[0].set_title('default grid')
axes[1].plot(x, np.exp(x), 'r')
# 设置网格的颜色，线型，线宽
axes[1].grid(color='b', ls='-.', lw=0.25)
axes[1].set_title('custom grid')
axes[2].plot(x, x)
axes[2].set_title('no grid')
fig.tight_layout()
plt.show()

1.6 设置坐标轴

set_xlabel 用字符串列表来设置坐标轴的标签，fontdict 设置轴标签的字体和字号等参数。

import matplotlib.pyplot as plt
import numpy as npfontdict = {'weight': 'normal', 'family': 'Times New Roman', 'size': 20}fig, axes = plt.subplots(1, 1)
x = np.arange(1, 5)
axes.plot(x, np.exp(x))
axes.plot(x, x ** 2)# 设置标题
axes.set_title("Normal scale", fontdict=fontdict)# 设置x、y轴标签
axes.set_xlabel("x axis", fontdict=fontdict)
axes.set_ylabel("y axis", fontdict=fontdict)plt.show()

Matplotlib 可以根据自变量与因变量的取值范围，自动设置 x 轴与 y 轴的数值大小。当然，您也可以用自定义的方式，通过 set_xlim() 和 set_ylim() 对 x、y 轴的数值范围进行设置。

import matplotlib.pyplot as plt
import numpy as npfig, a1 = plt.subplots(1, 1)x = np.arange(1, 10)
a1.plot(x, np.exp(x), 'r')
a1.set_title('exp')
# 设置y轴
a1.set_ylim(0, 4000)
# 设置x轴
a1.set_xlim(0, 8)
plt.show()

1.7 设置刻度和标签

刻度指的是轴上数据点的标记，Matplotlib 能够自动的在 x 、y 轴上绘制出刻度。这一功能的实现得益于 Matplotlib 内置的刻度定位器和格式化器（两个内建类）。在大多数情况下，这两个内建类完全能够满足我们的绘图需求，但是在某些情况下，刻度标签或刻度也需要满足特定的要求，比如将刻度设置为“英文数字形式”或者“大写阿拉伯数字”，此时就需要对它们重新设置。

下面示例介绍了刻度和标签的使用方法，其中对标签逆时针旋转了90°：

import matplotlib.pyplot as plt
import numpy as np
import mathx = np.arange(0, math.pi * 2, 0.05)fig, ax = plt.subplots(1, 1, figsize=(10, 6))y = np.sin(x)
ax.plot(x, y)
# 设置x轴标签
ax.set_xlabel('angle')
# ax.set_title('sine')
ax.set_xticks([0, 2, 4, 6])
# 设置x轴刻度标签,并旋转90°
ax.set_xticklabels(['zero', 'two', 'four', 'six'], rotation=90)
# 设置y轴刻度
ax.set_yticks([-1, 0, 1])
plt.show()

1.8 添加图例和标题

图例通过ax.legend或者plt.legend()实现，标题通过ax.set_title()或者plt.title()实现，基本用法如下例所示。

import matplotlib as mplmpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = Falseimport matplotlib.pyplot as plt
import numpy as npfig = plt.figure()
ax = fig.add_subplot(111)
x = np.linspace(-2 * np.pi, 2 * np.pi, 200)
y = np.sin(x)
y1 = np.cos(x)ax.plot(x, y, label=r"$\sin(x)$")
ax.plot(x, y1, label=r"$\cos(x)$")ax.legend(loc="best")  # 显示图例，loc="best"表示自动选择最佳位置放置图例
ax.set_title("正弦函数和余弦函数的折线图")  # 设置图表的标题
plt.show()

调整图例

对于图例，我们还可以通过改变legend()的参数来改变图例的显示位置，展示样式（包括图例的外边框、图例中的文本标签的排列位置和图例的投影效果等方面）。

import matplotlib.pyplot as plt
import numpy as npx = np.arange(0, 2.1, 0.1)
y = np.power(x, 3)
y1 = np.power(x, 2)
y2 = np.power(x, 1)plt.plot(x, y, ls="-", lw=2, label="$x^{3}$")
plt.plot(x, y1, c="r", ls="-", lw=2, label="$x^{2}$")
plt.plot(x, y2, c="y", ls="-", lw=2, label="$x^{1}$")plt.legend(loc="upper left", bbox_to_anchor=(0.05, 0.95),ncol=3, title="power function", shadow=True,fancybox=True)
plt.show()

loc="upper left"：指定图例的大致位置为左上角。这是一个初始参考位置，实际位置会结合bbox_to_anchor参数进行调整。

bbox_to_anchor=(0.05, 0.95)：这是一个关键参数，用于精确调整图例的位置。它接收一个元组(x, y)，其中的坐标是相对于图表的整个绘图区域（默认是 axes 坐标系，即左下角为 (0,0)，右上角为 (1,1)）。这里(0.05, 0.95)表示图例的左上角顶点位于绘图区域水平方向 0.05（5%）、垂直方向 0.95（95%）的位置。

ncol=3：设置图例中标签的列数为 3 列。如果图例包含多个条目，它们会按 3 列的形式排列，使布局更合理。

title="power function"：为图例添加标题，标题内容为 “power function”，会显示在图例的上方。

shadow=True：使图例添加阴影效果，增强图例的立体感和视觉层次感。

fancybox=True：设置图例的边框为圆角矩形，而默认的是直角矩形。

plt.legend()的位置参数loc也可以使用数字，其对应如下：

字符串	位置编号	位置表述
`best`	0	最佳位置
`upper right`	1	右上角
`upper left`	2	左上角
`lower left`	3	右下角
`lower right`	4	左下角
`right`	5	右侧
`center left`	6	左侧垂直居中
`center right`	7	右侧垂直居中
`lower center`	8	下方水平居中
`upper center`	9	上方水平居中
`center`	10	正中间

1.9 设置中文显示

Matplotlib 默认不支持中文字体，只支持 ASCII 字符，但中文标注更加符合中国人的阅读习惯。

当直接使用中文时，Matplotlib 绘制的图像会出现中文乱码，如左图所示。通过临时重写配置文件的方法，可以解决 Matplotlib 显示中文乱码的问题，代码如下所示：

import matplotlib.pyplot as pltplt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体
plt.rcParams["axes.unicode_minus"] = False  # 正常显示负号
year = [2017, 2018, 2019, 2020]
people = [20, 40, 60, 70]
# 生成图表
plt.plot(year, people)
plt.xlabel('年份')
plt.ylabel('人口')
plt.title('人口增长')
# 设置纵坐标刻度
plt.yticks([0, 20, 40, 60, 80])
# 设置填充选项：参数分别对应横坐标，纵坐标，纵坐标填充起始值，填充颜色
plt.fill_between(year, people, 20, color='green')
# 显示图表
plt.show()

Windows字体中英文名称对照

中文名称	英文名称
黑体	SimHei
微软雅黑	Microsoft YaHei
微软雅黑	Microsoft YaHei
新宋体	NSimSun
新细明体	PMingLiU
细明体	MingLiU
标楷体	DFKai-SB
仿宋	FangSong
楷体	KaiTi
仿宋_GB2312	FangSong_GB2312
楷体_GB2312	KaiTi_GB2312

1.10 调整子图布局

在pyplot模块中，调整子图布局的函数主要用subplots_adjust

subplots_adjust函数的功能为调整子图的布局参数。对于没有设置的参数保持不变

用法：
matplotlib.pyplot.subplots_adjust(left=None, bottom=None, \
right=None, top=None, wspace=None, hspace=None)

参数：

left：所有子图整体相对于图像的左外边距，距离单位为图像宽度的比例（小数）。可选参数。浮点数。默认值为0.125。

right：所有子图整体相对于图像的右外边距，距离单位为图像宽度的比例（小数）。可选参数。浮点数。默认值为0.0。

bottom：所有子图整体相对于图像的下外边距，距离单位为图像高度的比例（小数）。可选参数。浮点数。默认值为0.11。

top：所有子图整体相对于图像的上外边距，距离单位为图像高度的比例（小数）。可选参数。浮点数。默认值为0.88。

wspace：子图间宽度内边距，距离单位为子图平均宽度的比例（小数）。浮点数。默认值为0.2。

hspace：子图间高度内边距，距离单位为子图平均高度的比例（小数）。可选参数。浮点数。默认值为0.2。

示例代码：

import matplotlib.pyplot as plt# 原始间距配置
fig, ax = plt.subplots(3, 3)
print(vars(fig.subplotpars))
# 通过subplots_adjust()设置间距配置
plt.subplots_adjust(left=0.1, bottom=0.1, right=0.9, top=0.9, wspace=0.5, hspace=0.5)
print(vars(fig.subplotpars))
plt.show()

原始

修改间距后（wspace=0.5, hspace=0.5）：

二、常用绘图教程

2.1 折线图

plot()函数画出一系列的点，并且用线将它们连接起来。

格式：

# 基础折线图代码格式
plt.plot(x,                  # x轴数据（数组或列表）y,                  # y轴数据（数组或列表，与x长度相同）label='曲线名称',   # 曲线标签，用于图例显示color='blue',       # 线条颜色（支持名称、十六进制码等）linestyle='-',      # 线型（'-'实线、'--'虚线、':'点线等）linewidth=2,        # 线条宽度（数值越大线越粗）marker='o',         # 数据点标记（'o'圆形、's'正方形等）markersize=5        # 数据点标记的大小
)

看下例子：

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体
plt.rcParams["axes.unicode_minus"] = False  # 正常显示负号
# 生成数据
x = np.linspace(0, 10, 50)  # 0到10之间的50个点
y = np.sin(x)               # 计算正弦值# 绘制折线图
plt.plot(x, y, color='blue', linewidth=2)# 基本标签
plt.title('简单折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')# 显示图形
plt.show()

如果需要展示多条线，只需再添加一行plt.plot(x, 其他数据, ...)即可。

2.2 散点图

只画点，不用线连接起来。

基本格式：

plt.scatter(x,                  # x轴数据（数组或列表）y,                  # y轴数据（数组或列表，与x长度相同）s=50,               # 散点大小（数值越大点越大）c='blue',           # 散点颜色（支持名称、数组映射等）marker='o',         # 散点形状（'o'圆形、'+'加号等）alpha=0.7,          # 透明度（0-1之间，值越小越透明）edgecolors='black', # 散点边缘颜色label='数据点'      # 数据标签，用于图例显示
)

示例：

import matplotlib.pyplot as plt
import numpy as npx = np.arange(10)
y = np.random.randn(10)
plt.scatter(x, y, color='red', marker='+')
plt.show()

2.3 直方图

直方图用于统计数据出现的次数或者频率，有多种参数可以调整，见下例：

import matplotlib.pyplot as plt
import numpy as np# 生成示例数据：1000个符合正态分布的随机数
data = np.random.randn(1000)# 绘制直方图
n, bins, patches = plt.hist(x=data,               # 要绘制直方图的数据bins=30,              # 直方图的分箱数量，越多越精细density=False,        # 是否将直方图归一化为概率密度（总和为1）alpha=0.7,            # 透明度，0-1之间color='skyblue',      # 直方图颜色edgecolor='black'     # 直方图边框颜色
)# 添加标题和标签
plt.title('正态分布数据直方图', fontsize=14)
plt.xlabel('数值', fontsize=12)
plt.ylabel('频数', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

2.4 饼图

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体
plt.rcParams["axes.unicode_minus"] = False  # 正常显示负号
labels = ['苹果', '香蕉', '橙子', '葡萄', '草莓']  # 各部分标签
sizes = [35, 25, 20, 15, 5]  # 各部分占比
explode = (0.1, 0, 0, 0, 0)  # 突出显示特定部分（这里突出显示第一个部分）# 绘制饼图
plt.pie(x=sizes,  # 饼图各部分的数值（会自动计算占比）explode=explode,  # 每个部分的偏移量，用于突出显示labels=labels,  # 各部分的标签autopct='%1.1f%%',  # 显示百分比的格式shadow=True,  # 是否添加阴影效果startangle=90,  # 饼图的起始角度（0表示从x轴正方向开始）colors=['red', 'yellow', 'orange', 'purple', 'pink']  # 各部分颜色
)# 设置饼图为正圆形（默认可能为椭圆形）
plt.axis('equal')
# 添加标题
plt.title('水果销售占比')
# 显示图形
plt.show()