一文入门 matplotlib：从基础图表到数据可视化初体验

一、matplotlib 的 "Hello World"

使用 matplotlib 绘图，通常需要导入两个库：matplotlib.pyplot（绘图核心）和numpy（数据处理）。最简单的折线图代码如下：

python

import matplotlib.pyplot as plt
import numpy as np

# 准备数据
x = np.array([1, 2, 3, 4])
y = np.array([1, 4, 9, 16])

# 绘制折线图并显示
plt.plot(x, y)
plt.show()

这几行代码完成了 "数据→绘图→显示" 的完整流程，是所有复杂图表的基础。

二、常见图表类型及适用场景

matplotlib 支持多种图表类型，不同图表适合展示不同数据：

• 折线图：用plt.plot()绘制，适合展示数据随时间或连续变量的变化趋势，比如温度变化、股票走势。

• 柱状图 / 水平柱状图：分别用plt.bar()和plt.barh()，适合对比不同类别的数据，比如各平台商品价格、不同班级的成绩分布。

• 散点图：用plt.scatter()，用于观察两个变量的相关性，比如身高与体重的关系、广告投入与销量的关联。

• 饼图：用plt.pie()，适合展示各部分占总体的比例，比如班级学生的兴趣分布、公司各部门的人员占比。

• 直方图：用plt.hist()，用于展示数据的分布情况，比如学生成绩的分数段分布、零件尺寸的误差范围。

三、让图表更 "懂人话" 的技巧

绘制出图表后，添加必要的说明能让读者更快理解数据：

1. 标签与标题：用plt.xlabel()、plt.ylabel()标注坐标轴，plt.title()添加标题，明确图表主题。

2. 图例：在plot()等函数中设置label参数，再用plt.legend()显示，区分多组数据。

3. 网格线：plt.grid()可以添加网格，让数据读取更方便，还能通过参数调整颜色和样式。

4. 中文显示：默认情况下 matplotlib 可能无法显示中文，只需一行代码设置字体：

   python

   plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
   

四、从基础到进阶：子图与样式定制

当需要对比多组数据时，子图（subplot）是实用工具，它能在一张图中展示多个图表：

python

# 1行2列布局，绘制两个子图
plt.subplot(1, 2, 1)  # 定位第一个子图
plt.plot([1, 2, 3], [2, 4, 6])

plt.subplot(1, 2, 2)  # 定位第二个子图
plt.scatter([1, 2, 3], [2, 4, 6])

plt.show()

此外，通过调整颜色（color）、线条样式（linestyle）、标记点（marker）等参数，可以让图表更符合需求，比如用红色虚线突出重要数据趋势。

五、总结

matplotlib 的核心逻辑是 "先准备数据，再调用绘图函数，最后添加辅助信息并显示"。从简单的折线图到复杂的多子图布局，掌握这些基础用法后，就能应对大部分日常数据可视化需求。

后续可以尝试结合 pandas 处理真实数据集，或探索 seaborn 等基于 matplotlib 的高级库，让可视化效果更上一层楼。