「Matplotlib 入门指南」 Python 数据可视化分析【数据分析全栈攻略：爬虫+处理+可视化+报告】

- 第 107 篇 -
Date: 2025 - 06 - 15
Author: 郑龙浩（仟墨）

Matplotlib – 数据可视化分析

一 Matplotlib 基础

1 介绍

Matplotlib是Python最常用的绘图库，用于创建静态、交互式和动态可视化

2 matplotlib的安装

• 在终端输入pip install matplotlib安装库

• 如果出现 Successfully installed contourpy-1.3.2......之类的字样表示安装成功

  如果出现Requirement already satisfied之类的字样则表示已经安装过了

3 matplotlib 的 pyplot 引用

大部分使用的程序都是 pyplot 子模块下的，所以通常直接引用 pyplot

import matplotlib.pyplot as plt

4 打印可视化图形

打印图形的时候，用 print 函数是打印不出来的，必须使用plt.show
使用方法如下：

import matplotlib.pyplot as plt
plt.show()

二 plt.plot() --> 绘制图像：折线图

1 绘制线条

1.1 绘制 x 和 y点

• 用于在图标中绘制点(标记)
• 默认情况下，plot()函数是点到点绘制一条线
  参数1是一个包含x轴上的点的数组
  参数2是一个包含y轴上的点的数组

1.2 两个点绘制 --> 1条直线

import matplotlib.pyplot as plt
import numpy as np
import pandas as pdxPoints = np.array([1,20]) # x 轴
yPoints = np.array([12,100]) # y 轴
plt.plot(xPoints, yPoints) # 根据xy轴得出一条直线
plt.show()

打印结构如下

绘制两条线

当然也可以绘制两条线，只使用一个plt.show()打印，如下：

import matplotlib.pyplot as plt
import numpy as np
xPoints = np.array([1,20]) # x 轴
yPoints = np.array([12,100]) # y 轴
yPoints2 = np.array([50,100]) # y 轴
plt.plot(xPoints, yPoints) # 根据xy轴得出一条直线
plt.plot(xPoints, yPoints2) # 根据xy轴得出一条直线
plt.show()

打印结果如下

1.3 只绘制两个点 --> 无线条

只绘制起点和终点两个点

plt.plot(xPoints, yPoints2, 'o')
plt.show()

效果

1.4 多个点绘制 --> 折线

其中，两个人参数中的数组元素数量必须保持一致
如果第一个数组3个元素，第二个数组5个元素，不匹配的话会报错

xPoints = np.array([1, 5, 7, 50, 100]) # x 轴
yPoints = np.array([2, 4, 25, 6, 60]) # y 轴
plt.plot(xPoints, yPoints)
plt.show()

效果

1.5 自动匹配x轴的点

当然，第一个参数可以不写，只写第二个参数，如果这样的话，x轴的点就是自动生成的了 --> 默认 从0开始，步长为1

比如y轴有5个元素，x轴就是 0 1 2 3 4

plt.plot(yPoints)
plt.show()

效果如下

plot()中常用的参数有：点标记（marker）、线型（linestyle）、线条颜色（color）、标记大小（markersize）、线宽（linewidth）

---

2 点标记（marker）

标记符号	描述	示例
'.'	小圆点	marker='.'
','	像素点（极小方块）	marker=','
'o'	大圆点	marker='o'
'v'	下三角形（▼）	marker='v'
'^'	上三角形（▲）	marker='^'
'<'	左三角形（◀）	marker='<'
'>'	右三角形（▶）	marker='>'
'1'	下箭头（三线版）	marker='1'
'2'	上箭头（三线版）	marker='2'
'3'	左箭头（三线版）	marker='3'
'4'	右箭头（三线版）	marker='4'
's'	正方形（■）	marker='s'
'p'	五边形（⬟）	marker='p'
'*'	星号（★）	marker='*'
'h'	六边形（垂直，⬢）	marker='h'
'H'	六边形（水平，⬣）	marker='H'
'+'	加号（＋）	marker='+'
'x'	叉号（✖）	marker='x'
'D'	菱形（◆）	marker='D'
'd'	瘦菱形（❖）	marker='d'
'|'	垂直线（│）	marker='|'
'_'	水平线（─）	marker='_'
'P'	填充加号（🞣）	marker='P'
'X'	填充叉号（🞨）	marker='X'
'$...$'	LaTeX 符号（如 '$\u2665$' 显示❤️）	marker='$\u2665$'

查看所有标记

import matplotlib.pyplot as plt
# Matplotlib支持的所有标记
markers = ['.', ',', 'o', 'v', '^', '<', '>', '1', '2', '3', '4','s', 'p', '*', 'h', 'H', '+', 'x', 'D', 'd', '|', '_', 'P', 'X',0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
plt.figure(figsize=(10, 3))
for i, marker in enumerate(markers):plt.plot(i, 0, marker=marker, markersize=10, label=f"{marker}")
plt.show()

效果

3 线型（linestyle）

线型符号	描述	示例
'-'	实线（默认）	linestyle='-'
'--'	虚线	linestyle='--'
'-.'	点划线	linestyle='-.'
':'	点线	linestyle=':'
'None'	无线（仅显示点）	linestyle='None'

简写 --> 线型可以和颜色写到一起：

plt.plot(x, y, 'r--')  # 红色虚线
plt.plot(x, y, 'g:')   # 绿色点线

4 颜色（'color'/'c'、'markeredgecolor'/'mec'、'markerfacecolor'/'mfc'）

可以填充两个部分：①线条颜色 ②标记内部颜色 ③标记边框颜色

4.1 基本颜色

类型	参数名	作用对象	示例
统一颜色	color/c	同时设置线条、标记内部和边框	color='red'
标记内部颜色	markerfacecolor/mfc	仅标记填充色	markerfacecolor='#FF5733'
标记边框颜色	markeredgecolor/mec	仅标记边框色	markeredgecolor=(0,0.5,0)

颜色符号	描述	示例
'b'	蓝色（blue）	color='b'
'g'	绿色（green）	color='g'
'r'	红色（red）	color='r'
'c'	青色（cyan）	color='c'
'm'	品红（magenta）	color='m'
'y'	黄色（yellow）	color='y'
'k'	黑色（black）	color='k'
'w'	白色（white）	color='w'

其他颜色格式
当然不只是只有这几个颜色，也可以用如下方式去表示其他的颜色

格式	示例
RGB 元组（0-1）	color=(0.2, 0.5, 0.8)
十六进制颜色	color='#FF5733'
颜色名称（字符串）	color='orange'

4.2 优先级 和 区别

属性	参数名（缩写）	作用对象	默认	优先级
线条颜色	color （ c）	连接数据点的线	继承自全局样式或默认色	最低
标记内部颜色	markerfacecolor（mfc）	数据点标记的填充色	默认与线条颜色相同	中等
标记边框颜色	markeredgecolor（mec）	数据点标记的边框色	默认与线条颜色相同	最高

4.3 填充线条颜色

代码示例

# sin函数图像
x = np.linspace(0, 10, 20)
y = np.sin(x)
# xy轴，实线，大圆点
# plt.plot(x, y, color='b', linestyle='-', marker='o')
# 十六进制颜色
plt.plot(x, y, color='#FF5733')  # 橙色# RGB元组
plt.plot(x+1, y+1, color=(0.2, 0.6, 0.8))  # 天蓝色# 颜色名称（全称/简称）
plt.plot(x+2, y+2, color='darkorange')  # 深橙色
plt.plot(x+3, y+3, color='y') # 黄色
plt.show()

效果

4.4 标记内部颜色、标记边框颜色

如下所示，

• 如果不指定标记内部颜色、标记边框颜色，则全都默认为“线条颜色”
• 如果不指定标记内部颜色，则标记内部颜色默认为“线条颜色”
• 如果不指定标记边框颜色，则标记边框颜色默认为“线条颜色”

代码示例

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 20)
y = np.sin(x)
plt.plot(x+1, y+1, marker='o', color='r', linestyle='-')
plt.plot(x, y, marker='o', color='r', mfc='y') # color='r'--> 线条颜色红色，  mec='y'--> 标记颜色"黄色“
plt.plot(x, y, marker='o', color='r', mfc='y', mec='black') # 新增边框颜色为“黑色”
plt.show()

效果

5 标记大小（Markersize）

参数	描述	示例
markersize	标记大小（默认 6）	markersize=10

示例代码

x = np.linspace(0, 10, 20)
y = np.sin(x)plt.plot(x, y, marker='d', color='b', markersize='10')
plt.show()

效果

6 线宽/线粗（Linewidth）

这里的线宽，指的就是线的粗度

参数	描述	示例
linewidth	线宽（默认 1.5）	linewidth=2

示例代码

plt.plot(x, y, marker='d', color='b', markersize='10', linewidth='0.1')
plt.plot(x+1, y+1, marker='d', color='b', markersize='10', linewidth='5')
plt.show()

效果

7 不透明度（Alpha）

7.1 alpha参数

alpha这个参数取值范围是 0（完全透明）到 1（完全不透明）

添加不透明度

import numpy as np
import matplotlib.pyplot as pltx = np.linspace(0, 10, 20)
y = np.sin(x)
plt.plot(x+2, y+2, marker='o', color='r', alpha=0.7)  # 70% 不透明
plt.plot(x+1, y+1, marker='o', color='r', mfc='y', alpha=0.5)  # 50% 不透明
plt.plot(x, y, marker='o', color='r', mfc='y', mec='black', alpha=0.3)  # 30% 不透明plt.show()

7.2 单独控制标记透明与线条透明

• 仅标记透明：通过调整颜色RGBA值实现

  plt.plot(x, y, marker='o', color='r', mfc=(1, 1, 0, 0.5))  # 黄色标记50%透明
  

• 仅线条透明：

  plt.plot(x, y, marker='o', color=(1, 0, 0, 0.3), mfc='y')  # 红色线条30%透明
  

代码

plt.plot(x, y, marker='o', color='r', mfc=(1, 1, 0, 0.5))  # 黄色标记50%透明
plt.plot(x+1, y+1, marker='o', color=(1, 0, 0, 0.3), mfc='y')  # 红色线条30%透明
plt.show()

效果

8 标签

是用于说明图表坐标轴含义和图表主题的文本描述，使数据可视化更清晰易懂

8.1 如果无法显示中文

无法正常显示中文：

Matplotlib 最初是为科学计算设计的，早期主要面向英文用户，默认使用英文字体（如 DejaVu Sans）。这些字体不包含中文字符集，遇到中文时会自动回退到空白或方框（□）

标签中写中文的时候，可能无法正常显示，比如中文显示为方框（□）或乱码
想要解决的话，可以手动设置字体

plt.rcParams['font.sans-serif'] = ['SimHei']  # 默认字体--黑体

8.2 标签的作用

• x轴​​：表示什么数据（如时间、距离、类别）
• ​​y轴​​：表示什么数据（如温度、销量、频率）
• ​​标题​​：图表的核心主题

8.3 绘图标题、x轴标签、y轴标签

可以为绘图设置标签，也可以给x和y轴设置标签

代码示例

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']  # 默认字体--黑体
days = np.array(['2025.6.13', '6.14', '6.15', '6.16', '6.17', '6.18', '6.19']) # 日期
temperature1 = np.array([22, 22, 22, 22, 21, 23, 21]) # 温度数据 - 最低温
temperature2 = np.array([29, 31, 28, 29, 28, 36, 28])  # 温度数据 - 最高温
plt.plot(days, temperature1, color='b', marker='o', linestyle='--') # 最低温
plt.plot(days, temperature2, color='r', marker='o', linestyle='--') # 最高温plt.title('温度变化情况')
plt.ylabel('温度（℃）')
plt.xlabel('日期')
plt.show()

实现效果

8.4 设置标题、标签的字体属性

8.4.1 直接传参

实现代码

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']  # 默认字体--黑体
days = np.array(['2025.6.13', '6.14', '6.15', '6.16', '6.17', '6.18', '6.19']) # 日期
temperature1 = np.array([22, 22, 22, 22, 21, 23, 21]) # 温度数据 - 最低温
temperature2 = np.array([29, 31, 28, 29, 28, 36, 28])  # 温度数据 - 最高温
plt.plot(days, temperature1, color='b', marker='o', linestyle='--') # 最低温
plt.plot(days, temperature2, color='r', marker='o', linestyle='--') # 最高温# 1. 设置标题属性
plt.title('温度变化情况', # 标签名fontfamily='SimHei', # 字体（Windows系统黑体）fontsize=16, # 字体大小 单位-->磅fontweight='bold',  # 加粗 ('normal'/'bold')color='b',  # 蓝色pad=20 # 标题与图的间距
)# 2. 设置Y轴标签属性
plt.ylabel('温度（℃）', # 标签名fontfamily='Microsoft YaHei', # 微软雅黑fontsize=15, # 字体大小fontstyle='italic', # 斜体color='r', # 红色labelpad=15,   # 标签与坐标轴的间距rotation=45, # 标签旋转角度  （单位-->度）
)# 3. 设置X轴标签属性
plt.xlabel('日期',fontfamily='SimHei', # 黑体fontsize=15, # 字体大小rotation=-5, # 标签旋转角度  （单位-->度）color='g', # 绿色fontweight='bold',  # 加粗labelpad=10 # 标签与坐标轴的间距
)plt.show()

实现效果

8.4.2 使用字典

当然也可以用字典,个人感觉这样写看起来比较整洁简单

实现代码

plt.rcParams['font.sans-serif'] = ['SimHei']  # 默认字体--黑体
days = np.array(['2025.6.13', '6.14', '6.15', '6.16', '6.17', '6.18', '6.19']) # 日期
temperature1 = np.array([22, 22, 22, 22, 21, 23, 21]) # 温度数据 - 最低温
temperature2 = np.array([29, 31, 28, 29, 28, 36, 28])  # 温度数据 - 最高温
plt.plot(days, temperature1, color='b', marker='o', linestyle='--') # 最低温
plt.plot(days, temperature2, color='r', marker='o', linestyle='--') # 最高温# 1. 标题属性字典（移除了pad）
title_font = {'fontfamily': 'SimHei','fontsize': 16,'fontweight': 'bold','color': 'b'
}# 2. Y轴标签属性字典
ylabel_font = {'fontfamily': 'Microsoft YaHei','fontsize': 15,'fontstyle': 'italic','color': 'r','rotation': 45
}# 3. X轴标签属性字典
xlabel_font = {'fontfamily': 'SimHei','fontsize': 15,'rotation': -5,'color': 'g','fontweight': 'bold'
}# 应用字典设置，pad作为单独参数
plt.title('温度变化情况', fontdict=title_font, pad=20)
plt.ylabel('温度（℃）', fontdict=ylabel_font, labelpad=15)
plt.xlabel('日期', fontdict=xlabel_font, labelpad=10)plt.show()

实现效果

8.5 设置标题位置

loc参数可以指定三种：legt/right/center – 靠左，靠右，居中（默认居中）

实现代码

plt.title('温度变化情况', loc='left') # legt/right/center
plt.ylabel('温度（℃）')
plt.xlabel('日期')plt.show()

实现效果

8.6 所有参数

参数名	可选值/类型	说明	适用函数
fontfamily	字符串或字体名	指定字体家族，如 'SimHei', 'Arial', 'serif'	所有文本函数
fontsize	数值或相对大小	字体大小（磅），如 12，或相对值 'xx-small', 'x-large'	所有文本函数
fontweight	字符串或数值	字体粗细：'normal', 'bold', 'light', 或数值 100-900	所有文本函数
fontstyle	'normal', 'italic', 'oblique'	字体样式（常规/斜体/倾斜）	所有文本函数
color	颜色字符串/RGB元组/十六进制	文本颜色，如 'red', (0.1,0.2,0.3), '#FF0000'	所有文本函数
rotation	数值（度）或字符串	文本旋转角度（如 45），或 'vertical', 'horizontal'	xlabel()/ylabel()/text()
labelpad	数值	标签与坐标轴的间距（磅），仅适用于坐标轴标签	xlabel()/ylabel()
backgroundcolor	颜色值	文本背景色	所有文本函数
alpha	0-1之间的浮点数	文本透明度	所有文本函数
verticalalignment	'top', 'center', 'bottom', 'baseline'	文本垂直对齐方式	text()/标题类函数
horizontalalignment	'left', 'center', 'right'	文本水平对齐方式	所有文本函数
bbox	字典	文本边框样式，如 {'boxstyle':'round', 'facecolor':'yellow'}	所有文本函数
usetex	True/False	是否使用LaTeX渲染（需系统安装LaTeX）	所有文本函数

9 网格

9.1 添加网格

visible=True 可省略此参数
三种
① 全部

axis='both' 可以省略

import numpy as np
import matplotlib.pyplot as plt
y = np.array([1, 10])
plt.plot(y)
plt.grid(axis='both'o) # 显示全部 
plt.show() # 全部显示

② 仅纵向

import numpy as np
import matplotlib.pyplot as plt
y = np.array([1, 10])
plt.plot(y)
plt.grid(axis = 'x') # 只显示纵向网格
plt.show() # 全部显示

③ 仅横向

import numpy as np
import matplotlib.pyplot as plt
y = np.array([1, 10])
plt.plot(y)
plt.grid(axis = 'y') # 只显示横向网格
plt.show() # 全部显示

9.3 设置网格属性

函数语法

plt.grid(visible=True,  # 是否显示网格（True/False） --> 默认为 Truewhich='major',  # 网格类型：'major'主网格,默认 / 'minor'次网格）/ 'both'axis='both',  # 显示方向：'x'（仅x轴）/ 'y'（仅y轴）/ 'both'（默认，双轴）color='gray',   # 网格线颜色linestyle=':',   # 线型：'-'（实线），'--'（虚线），':'（点线），'-.'（点划线）linewidth=0.5,    # 线宽（单位：磅）alpha=0.4   # 透明度（0.0透明 ~ 1.0不透明）
)

线型、颜色、线宽、透明度和前面那些函数的用法相同

plt.grid(visible=True,  # 是否显示网格（True/False）which='major',  # 网格类型：'major'（主网格）/ 'minor'（次网格）/ 'both'axis='both',color='b',linestyle='--',linewidth=1,alpha=0.7
)plt.show() # 全部显示

三 plt.subplot() --> 创建多个子图

1 介绍

subplot()是Matplotlib库中用于在单个画布上创建和管理多个子图的核心函数。能够将多个图表以网格形式排列在一个图形窗口中，非常适合数据对比分析或多角度展示数据。
如果需要很多个线条在同一图中显示，有时会显得凌乱，所以可以创建多个图，进行整理和分析

2 函数语法 + 使用方法

说白了，三个参数意思就是: 总共有几行，几列，当前图的位置（横着数，数到头就换行）

plt.subplot(nrows,  # 子图网格的行数ncols,  # 子图网格的列数index   # 当前子图的位置（从1开始编号）
)

• nrows：子图网格的行数
• ncols：子图网格的列数
• index：当前子图的位置（从1开始，按行优先编号）

还可以给子图加标题
也可以给总图加标题 – > 使用超级标题

plt.suptitle('超级标题')

3 实操

import numpy as np
import matplotlib.pyplot as plt# plt.grid() # 显示全部
# plt.grid(axis = 'x') # 只显示纵向网格# 第一个图
x = np.array([1, 5])
y = np.array([1, 10])
plt.title('总图', fontfamily='SimHei')
plt.subplot(2, 2, 1)
plt.plot(x, y)
plt.title('第1个图', fontfamily='SimHei')
# 第二个图
x2 = np.array([1, 5])
y2 = np.array([1, -10])
plt.subplot(2, 2, 2)
plt.plot(x2, y2)
plt.title('第2个图', fontfamily='SimHei')# 第三个图
x3 = np.array([1, 2, 3, 4])  # 修改为有序x值
y3 = np.array([2, 4, 6, 8])
plt.subplot(2, 2, 3)
plt.plot(x3, y3)
plt.title('第3个图', fontfamily='SimHei')plt.suptitle('超级标题', fontfamily='SimHei')
plt.show() # 全部显示

四 plt.scatter() --> 绘制散点图

1 函数语法

函数语法

plt.scatter(x, y,  # 数据点坐标（必需）s=36,  # 点大小（默认36，即6x6像素）c='#1f77b4', # 默蓝色marker='o', # 默认圆圈alpha=1.0, # 默认不透明linewidths=1.5, # 默认边框宽度1.5edgecolors='face' # 默认边框颜色同填充色
)

2 创建散点图

代码示例

import numpy as np
import matplotlib.pyplot as pltx = [3.85,8.89,1.9,6.04,5.37,2.65,0.31,7.62,9.69,4.46,0.92,3.27,7.12,4.15,8.45,5.59,9.27,6.52,1.47,7.35]
y = [0.71,-3.12,4.12,-2.12,-4.52,3.8,2.38,-1.35,-4.11,-3.98,3.12,0.12,-2.35,-4.12,-3.89,-4.62,-4.21,-3.01,4.35,-2.45]
plt.scatter(x, y)
plt.show()

实现效果

3 点标记、点大小、透明度

散点图也可以设置点的大小与透明度，而且点的大小可以指定一串数值，也就是每个点的大小可以不是固定的

4 设置点的颜色（新知识：颜色映射）

注意：

• 如果同时指定 c 和 color，c 参数优先级更高
• 使用 cmap 时必须提供数值型 c 参数

4.1 默认颜色 --> 当不指定时，默认颜色

在使用plt.scatter()绘制散点图的时候，会默认为蓝色（#1f77b4）,当使用了多个plt.scatter()绘制散点图的时候，且不指定颜色，会按照如下顺序分配颜色：

1. #1f77b4 (蓝色)  
2. #ff7f0e (橙色)  
3. #2ca02c (绿色)  
4. #d62728 (红色)  
5. #9467bd (紫色)  
6. #8c564b (棕色)  
7. #e377c2 (粉色)  
8. #7f7f7f (灰色)

• 第1-8个 scatter() 调用：依次使用上述颜色
• 从第9个调用开始​​：重新从第1个颜色（蓝色）开始循环

手动指定颜色：

4.2 颜色名称/缩写

• 基础色：'r', 'g', 'b', 'c', 'm', 'y', 'k', 'w'
• 所有合法颜色名

代码示例

plt.subplot(1, 3, 1)
plt.scatter(x, y, c='red') # 英文名称
plt.subplot(1, 3, 2)
plt.scatter(x+1, y+1, c='r') # 缩写 --> 相当于 red
plt.subplot(1, 3, 3)
plt.scatter(x+2, y+2, c='skyblue') # CSS4/CSS颜色名称
plt.show()

显示效果

4.3 十六进制颜色码

plt.scatter(x, y, c='#1f77b4')  # 默认蓝色

4.4 RGB/RGBA元组

注意
当指定一个RGB或RGBA颜色时，用参数color而不是参数c
刚开始我用的c，给我弹警告了，我才知道当指定单个颜色(1, 0, 0, 0.5) 的时候，系统无法立即确定意图是：

• 想为所有点设置同一颜色（RGBA），还是
• 想用四个数值做颜色映射（如果数据点恰好也是4个）

如果想要指定多个RGB颜色，需要写成这样
c=[(r1,g1,b1,a1), (r2,g2,b2,a2), ...]

plt.scatter(x-2, y-2, color=(1, 0, 0)) # 纯红 (RGB 0-1)
plt.scatter(x, y, color=(0.2, 0.4, 0.6)) # 自定义RGB
plt.scatter(x+2, y+2, color=(1, 0, 0, 0.5)) # 半透明红 (RGBA)

4.5 灰度值

也可以设置灰度值，不止是纯颜色

plt.scatter(x, y, c='0.5') # 50%灰（字符串格式,字符串也是小数的形式）
plt.show()

4.6 颜色映射（数值 --> 颜色）

顾名思义，就是数值映射为颜色

4.6.1 基础用法

values = np.random.rand(20)  # 生成范围数量为20,数字在0-1之间的随机数
plt.scatter(x, y, c=values, cmap='viridis') # 生成随机颜色的散点图
plt.colorbar()  # 显示颜色条
plt.show()

颜色条的范围也并非是0~1，这个取决于数值范围，比如数值改成1-100之间的数值：

values2 = np.random.randint(1, 101, size=20) 
plt.scatter(x, y, c=values2, cmap='viridis') # 生成随机颜色的散点图
plt.colorbar()  # 显示颜色条
plt.show()

4.6.2 控制数值范围

data = np.random.randint(0, 200, 100) # 数值0-200
plt.scatter(x, y, c=data, cmap='viridis',  # 色图映射vmin=0,     # 最小值映射到色表起点vmax=200)   # 最大值映射到色表终点

4.6.3常用色表

类型	色表名	特点
连续型	'viridis'	蓝-青-黄渐变（推荐）–> 最常用
	'plasma'	紫-红-黄（高对比度）
发散型	'coolwarm'	蓝-白-红（正负值对比）
离散型	'tab10'	10种区分色（分类数据）

4.6.4 自动归一化机制​​

• ​​颜色映射的数值并没有一个明确的限制​​，系统会自动处理任意范围的数值，数据会被​​自动归一化​​到 [0,1] 范围，再映射到色表，比如指定数据是1-100，1自动归一为0，而100自动归一到1
• 无论数据范围是 0-1、1-100 还是 -500~500，Matplotlib 都会通过以下公式自动归一化：

归一化值 = (当前值 - vmin) / (vmax - vmin)

• ​​默认行为​​：不指定 vmin/vmax 时，系统默认用指定数据的 ​​最小值​​ 和 ​​最大值​​ 作为范围，如下举例：
  最小值为50，最大值为200，所以就算不指定，也是默认为 vmin=50, vmax=200

data = np.array([x for x in range(50, 201, 2)])  # 范围50-200
plt.scatter(x, y, c=data, cmap='viridis')  
# 等价于：
# plt.scatter(x, y, c=data, cmap='viridis', vmin=50, vmax=200)

4.7 为每个点单独指定颜色

# 每个点不同颜色（数组长度需与数据一致）
colors = ['red', 'blue', 'green']  # 颜色列表
plt.scatter([1,2,3], [1,2,3], c=colors)# 或用RGB数组
rgb_colors = np.random.rand(100, 3)  # 生成100个随机RGB颜色
plt.scatter(x, y, c=rgb_colors)

5 示例

import numpy as np
import matplotlib.pyplot as plt
plt.subplot(1, 2, 1)
x = np.array([3.85,8.89,1.9,6.04,5.37,2.65,0.31,7.62,9.69,4.46,0.92,3.27,7.12,4.15,8.45,5.59,9.27,6.52,1.47,7.35])
y = np.array([0.71,-3.12,4.12,-2.12,-4.52,3.8,2.38,-1.35,-4.11,-3.98,3.12,0.12,-2.35,-4.12,-3.89,-4.62,-4.21,-3.01,4.35,-2.45])
sizes = np.random.randint(1, 202, size=20) # 设置点的大小
colors = np.random.rand(20)  # 设置颜色
alphas = np.random.rand(20)  # 设置不透明度
# plt.scatter(x, y, s=sizes, c=colors, marker='d', alpha=alphas)
plt.colorbar()  # 显示颜色条
plt.title('图1', fontfamily='SimHei')# 图2
plt.subplot(1, 2, 2)
x2 = np.random.randint(1, 200, size=90) # 设置点的大小
y2 = np.random.randint(1, 200, size=90) # 设置点的大小
sizes2 = np.random.randint(1, 202, size=90) # 设置点的大小
colors2 = np.random.rand(90)  # 设置颜色
alphas2 = np.random.rand(90)  # 设置不透明度
plt.scatter(x2, y2, s=sizes2, c=colors2, marker='o', alpha=alphas2)
plt.title('图2', fontfamily='SimHei')
plt.colorbar()  # 显示颜色条
plt.show()

五 plt.bar() / plt.barh() --> 绘制柱状图

1 函数语法

1.1 plt.bar()

plt.bar(x, height,  # 数据位置和高度（必需）width=0.8,  # 柱宽度（默认0.8）bottom=None, # 柱底部的y坐标（默认从0开始）color=None,  # 柱颜色（默认使用样式循环色）edgecolor='none', # 边框颜色（默认无边框）linewidth=1.0, # 边框宽度（默认1.0）alpha=1.0,  # 透明度（默认不透明）align='center' # 对齐方式（默认居中对齐） 还有 left 和 right
)

1.2 plt.barh()

plt.barh(y, width,  # 数据位置和宽度（必需）height=0.8, # 条形高度（默认0.8）left=None,  # 条形左侧的x坐标（默认从0开始）color=None,   # 条形颜色（默认使用样式循环色）edgecolor='none', # 边框颜色（默认无边框）linewidth=1.0,  # 边框宽度（默认1.0）alpha=1.0,   # 透明度（默认不透明）align='center'  # 对齐方式（默认居中对齐） 还有 left 和 right
)

1.3 区别

• ​​方向​​
  • bar()：垂直（x=位置，height=高度）
  • barh()：水平（y=位置，width=宽度）
• ​​柱高调节​​
  • bar() 用 width 调柱宽
  • barh() 用 height 调柱高

2 设置颜色

与 plt.scatter() 类似，但部分参数用法不同

2.1 基础颜色

• 单柱统一颜色

  plt.bar(x, height, color='skyblue')  # 预定义颜色名
  plt.bar(x, height, color='#1f77b4')  # 十六进制
  plt.bar(x, height, color=(0.2, 0.4, 0.8))  # RGB元组（0~1）
  

• 多柱不同颜色

  colors = ['red', 'green', 'blue']
  plt.bar(x, height, color=colors)  # 颜色列表长度需与数据一致
  

2.2 颜色映射（数值→颜色）

适用场景：根据数值大小自动分配颜色（如热力图效果）

values = np.random.rand(10)  # 生成0~1的随机值
plt.bar(x, height, color=plt.cm.viridis(values))  # 使用viridis色映射
plt.colorbar()  # 显示颜色条

3 堆叠柱状图

通过 bottom（垂直）或 left（水平）参数实现：
也就是说，在画第二个图的时候，从上一个图的顶部为起始

# 垂直堆叠
plt.bar(x, height1, color='r', label='A')
plt.bar(x, height2, bottom=height1, color='b', label='B')  # 在A上堆叠B# 水平堆叠
plt.barh(y, width1, color='r', label='A')
plt.barh(y, width2, left=width1, color='b', label='B')  # 在A右侧堆叠B

4 分组柱状图

调整 x 坐标和 width 实现分组：

x = np.arange(3)  # 0, 1, 2
width = 0.3  # 柱宽plt.bar(x - width/2, height1, width, label='Group1')
plt.bar(x + width/2, height2, width, label='Group2')
plt.xticks(x, ['A', 'B', 'C'])  # 设置x轴标签

5 分组 + 颜色映射 示例

import numpy as np
import matplotlib.pyplot as pltx = ['A', 'B', 'C'] # x轴
height1 = [5, 20, 15]
height2 = [1, 12, 2]# 堆叠柱状图 + 颜色映射
plt.figure(figsize=(10, 4)) # 设置画布大小，长为10，宽为4 单位英寸
plt.bar(x, height1, color='g', edgecolor='black', label='1')
plt.bar(x, height2, bottom=height1, color='orange', edgecolor='black', label='2')
plt.legend() # 显示图例
plt.title('叠堆柱状图 + 颜色映射', fontfamily='SimHei')
plt.show()

六 plt.hist --> 绘制直方图

1 函数语法

plt.hist(x,   # 输入数据（必需）bins=10, # 柱子数量或边界（默认10）range=None,# 数据范围（默认(min,max)）density=False, # 是否显示概率密度（默认False）color=None, # 柱子颜色edgecolor='none',  # 边框颜色（默认无边框）alpha=1.0, # 透明度align='mid',  # 对齐方式（'left','mid','right'）orientation='vertical' # 方向（'vertical'或'horizontal'）
)

2 代码示例

import numpy as np
import matplotlib.pyplot as pltdata = np.random.normal(0, 1, 1000)  # 生成1000个正态分布随机数
plt.hist(data, bins=30, color='skyblue', edgecolor='black', alpha=0.7)
plt.title('正态分布直方图', fontfamily='SimHei')
plt.xlabel('数值', fontfamily='SimHei')
plt.ylabel('频数', fontfamily='SimHei')
plt.show()

七 plt.pie --> 绘制饼图

1 函数语法

plt.pie(x,  # 数据数组（必需）labels=None, # 各扇区的标签colors=None, # 自定义颜色列表autopct=None, # 百分比显示格式startangle=90, # 起始角度（默认12点钟方向）shadow=False, # 是否添加阴影explode=None, # 突出某些扇区pctdistance=0.6, # 百分比标签距圆心距离labeldistance=1.1, # 文本标签距圆心距离wedgeprops=None, # 扇区属性（如边框）textprops=None, # 文本属性（如字体大小）center=(0, 0), # 圆心位置radius=1,  # 饼图半径frame=False,   # 是否显示外框rotatelabels=False,  # 旋转标签以适应扇区
)

2 参数说明

参数	类型	默认值	作用	示例值	注意事项
x	array	必填	数据数组（决定各扇区大小）	[15, 30, 45]	数据总和会自动归一化为100%
labels	list	None	扇区的文本标签	['A', 'B', 'C']	1. 长度需与x的长度保持一致 2. 空标签用'' 3. labels参数必须是1个数组，每个楔形(扇形)都有一个标签（数组元素）与之对应
colors	list	循环色表	也可以自定义扇区颜色	['#ff9999', 'gold', 'lightblue']	1 支持颜色名、十六进制、RGB元组 2 如果指定了参数，则必须是一个数组，且长度与x的长度一致
autopct	str	None	百分比显示格式	'%1.1f%%'（1位小数）	需包含%%表示百分号
startangle	float	90	起始角度（度）	45（从2点钟方向开始）	0度=3点钟方向，逆时针旋转
shadow	bool	False	是否添加阴影	True	阴影方向固定为右下角
explode	list	None	突出扇区（偏移比例）	[0, 0.1, 0]	1 长度需与x一致 2 如果指定参数，则必须是数组，数组内容相当于楔形与圆心的距离
pctdistance	float	0.6	百分比标签位置	0.8（靠近边缘）	0.5=圆心，1.0=边缘
labeldistance	float	1.1	文本标签位置	1.3（更远离圆心）	可设为None隐藏标签
wedgeprops	dict	None	扇区样式控制	{'width':0.3, 'edgecolor':'black'}	1width控制环宽（甜甜圈图） 2 写1和None的效果一样，中间是没有洞的
textprops	dict	None	文本样式控制	{'fontsize':12, 'color':'red'}	影响标签和百分比文本
center	tuple	(0,0)	圆心坐标	(0.5, 0.5)	需配合radius调整位置
radius	float	1	饼图半径	1.2（放大）	值越大图形越大
frame	bool	False	是否显示外框	True	框线颜色同坐标轴
rotatelabels	bool	False	旋转标签适应扇区	True	适合小角度扇区

plt.legend 同样可以设置图例

3 代码示例

示例中引入的库皆为：

import numpy as np
import matplotlib.pyplot as plt

示例中的x数组皆为：

x = np.array([10, 40, 50])

3.1 基础创建

plt.pie(x, labels=['A', 'B', 'C', 'D'])
plt.show()

2. 突出显示B+阴影

plt.pie(x, explode=[0, 0.1, 0, 0], shadow=True)
plt.show()

3. 环形饼图（甜甜圈图）

# 图1 --> 甜甜圈
plt.subplot(1, 3, 1)
plt.pie(x, labels=['A', 'B', 'C', 'D'], wedgeprops={'width': 0.5})  # width控制环宽
# 图2 --> 中间无洞
plt.subplot(1, 3, 2)
plt.pie(x, labels=['A', 'B', 'C', 'D'], wedgeprops=None)
# 图3 --> 中间无洞
plt.subplot(1, 3, 3)
plt.pie(x, labels=['A', 'B', 'C', 'D'], wedgeprops={'width': 1})
plt.show()