用 Matplotlib 实现数据可视化3 个案例实战

用 Matplotlib 实现数据可视化实战：3 个案例

在数据驱动决策的时代，数据可视化是将枯燥数字转化为直观洞察的核心工具。Matplotlib 作为 Python 生态中最经典的绘图库，能灵活应对各类场景的可视化需求 —— 无论是反映民生的消费支出分析、保障粮食安全的产量统计，还是助力教育质量提升的成绩对比，都能通过几行代码实现专业级图表。

本文将通过 3 个实战案例（民生消费饼图、粮食产量饼图 + 表格、学生成绩柱形图），带大家从零到一掌握 Matplotlib 的核心用法，每个案例均包含「需求分析→数据准备→代码实现→结果解读」，确保初学者也能跟着动手实践。

案例 1：2023 年全国居民人均消费支出饼图

需求分析

需要将居民消费支出按「食品烟酒、衣着、居住」等 8 类拆分，用饼图展示各类支出的占比，要求：

• 以消费分类为扇区标签，支出金额为数据依据
• 为每个扇区指定专属颜色，增强区分度
• 显示各分类的占比百分比（保留 1 位小数）

数据准备

从官方统计数据中提取 2023 年全国居民人均消费支出明细：

消费分类	支出金额（元）
食品烟酒	7983
衣着	1479
居住	6095
生活用品及服务	1526
交通通信	3652
教育文化娱乐	2904
医疗保健	2460
其他用品及服务	697

代码实现（带详细注释）

# 1. 导入必备库
import matplotlib.pyplot as plt
import numpy as np# 2. 解决中文显示乱码（Matplotlib默认不支持中文，这步必加）
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']  # 支持中文+英文
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示异常问题# 3. 准备数据（与上述表格一一对应）
kinds = ['食品烟酒', '衣着', '居住', '生活用品及服务', '交通通信', '教育文化娱乐', '医疗保健', '其他用品及服务']
money_scale = np.array([7983, 1479, 6095, 1526, 3652, 2904, 2460, 697])# 4. 定义扇区颜色（选色原则：对比鲜明、视觉舒适，可自定义）
colors = ['#E64A19', '#3949AB', '#4CAF50', '#FFC107', '#2196F3', '#9C27B0', '#00BCD4', '#795548']# 5. 创建饼图
fig, ax = plt.subplots(figsize=(10, 8))  # 设置图表大小（宽10英寸，高8英寸）# 核心参数解释：
# explode：让占比最高的2类（食品烟酒、居住）向外突出5%，增强视觉重点
# autopct：指定百分比格式（%1.1f%% 表示保留1位小数）
explode = (0.05, 0, 0.05, 0, 0, 0, 0, 0)  
wedges, texts, autotexts = ax.pie(x=money_scale,          # 饼图数据（支出金额）labels=kinds,          # 扇区标签（消费分类）colors=colors,         # 扇区颜色autopct='%1.1f%%',     # 显示百分比startangle=90,         # 起始角度（从正上方开始顺时针绘制）textprops={'fontsize': 11}  # 标签文字大小
)# 6. 调整布局+显示/保存图表
plt.title('2023年全国居民人均消费支出及其构成', fontsize=14, fontweight='bold', pad=20)
plt.tight_layout()  # 自动调整布局，避免文字被截断
# plt.savefig('居民消费支出饼图.png', dpi=300, bbox_inches='tight')  # 可选：保存为高清图片
plt.show()

结果解读

从饼图可直观看出：

1. 食品烟酒（29.8%）和居住（22.7%）是居民最主要的两项支出，合计占比超 50%，反映 “吃” 和 “住” 仍是民生消费的核心；
2. 交通通信（13.6%）、教育文化娱乐（10.8%）紧随其后，体现居民对出行便利和精神消费的需求提升；
3. 其他用品及服务（2.6%）占比最低，属于非必需消费。

案例 2：2023 年各品种粮食产量（饼图 + 表格）

需求分析

在展示玉米、大豆等 5 类粮食产量占比的基础上，需额外在饼图下方添加表格显示具体产量，要求：

• 饼图扇区中心显示占比（保留 1 位小数）
• 表格需清晰罗列 “品种名称 - 产量（亿斤）” 对应关系
• 饼图与表格布局协调，不重叠

数据准备

2023 年我国主要粮食品种产量数据（来源：农业农村部统计）：

粮食品种	产量（亿斤）
玉米	5776.8
大豆	416.8
薯类	602.8
稻谷	4132.1
小麦	2731.8

代码实现（带详细注释）

# 1. 导入库
import matplotlib.pyplot as plt
import numpy as np# 2. 解决中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 3. 准备数据
category_name = np.array(['玉米', '大豆', '薯类', '稻谷', '小麦'])  # 品种名称
yield_data = np.array([5776.8, 416.8, 602.8, 4132.1, 2731.8])     # 产量（亿斤）
total_yield = yield_data.sum()  # 总产量（用于计算占比）
percentages = (yield_data / total_yield) * 100  # 各品种占比（%）# 4. 定义饼图颜色（对应5类粮食，视觉区分明显）
colors = ['#4169E1', '#FFA500', '#32CD32', '#CD5C5C', '#9370DB']# 5. 创建画布：分2行1列（上：饼图，下：表格），高度比例2:1
fig, (ax_pie, ax_table) = plt.subplots(2, 1, figsize=(8, 6), gridspec_kw={'height_ratios': [2, 1]}  # 控制上下区域高度
)# 6. 绘制饼图
ax_pie.pie(percentages,labels=category_name,colors=colors,autopct='%1.1f%%',  # 扇区中心显示占比（1位小数）startangle=0,       # 从水平方向开始绘制textprops={'fontsize': 10}
)
ax_pie.axis('equal')  # 保证饼图是正圆形（避免拉伸成椭圆）
ax_pie.set_title('2023年各品种粮食产量占比', fontsize=12, fontweight='bold', pad=15)# 7. 绘制下方表格（隐藏坐标轴，避免干扰）
ax_table.axis('off')  # 关闭表格区域的坐标轴
table = ax_pie.table(cellText=[yield_data],  # 表格数据（1行5列，对应5个品种的产量）cellLoc='center',       # 单元格文字居中colWidths=[0.12]*5,     # 5列，每列宽度0.12（总宽度适配饼图）rowLabels=['产量(亿斤)'],# 行标签（说明数据单位）rowLoc='center',        # 行标签居中colLabels=category_name,# 列标签（品种名称）colLoc='center',        # 列标签居中loc='lower center',     # 表格位置（饼图正下方）bbox=[0, -0.3, 1, 0.2]  # 调整表格位置和大小（左、下、宽、高）
)# 8. 调整布局并显示
plt.tight_layout()
plt.show()

结果解读

1. 产量主导地位：玉米（47.4%）和稻谷（34.0%）是我国最主要的粮食品种，合计占比超 80%，是保障粮食安全的核心；
2. 小众品种补充：大豆（3.4%）和薯类（4.9%）占比偏低，反映我国需持续推进大豆产能提升行动；
3. 表格价值：下方表格补充了具体产量数值，既保留饼图的 “占比直观性”，又满足用户对 “精确数据” 的需求。

案例 3：高二各班男生、女生英语成绩柱形图

需求分析

对比全校高二年级 6 个班男生和女生的英语平均成绩，需添加年级平均分参考线，要求：

• 两组柱形分别代表 “男生成绩” 和 “女生成绩”，避免重叠
• 水平虚线表示年级平均分（88.5 分），作为成绩对比基准
• 标题、坐标轴标签清晰，图例位于右下角

数据准备

高二年级 6 个班男女英语平均成绩及年级平均分：

班级	男生平均成绩	女生平均成绩
高二 1 班	90.5	92.7
高二 2 班	89.5	87.0
高二 3 班	88.7	90.5
高二 4 班	88.5	85.0
高二 5 班	85.2	89.5
高二 6 班	86.6	89.8
年级平均	-	88.5

代码实现（带详细注释）

# 1. 导入库
import matplotlib.pyplot as plt
import numpy as np# 2. 解决中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei', 'WenQuanYi Zen Hei']
plt.rcParams['axes.unicode_minus'] = False# 3. 准备数据
classes = ['高二1班', '高二2班', '高二3班', '高二4班', '高二5班', '高二6班']  # 班级列表
men_means = (90.5, 89.5, 88.7, 88.5, 85.2, 86.6)  # 男生成绩
women_means = (92.7, 87.0, 90.5, 85.0, 89.5, 89.8)  # 女生成绩
grade_avg = 88.5  # 年级平均分（参考线）# 4. 柱形图基础设置
width = 0.35  # 柱形宽度（控制两组柱形的间距，避免重叠）
x = np.arange(len(classes))  # x轴刻度位置（对应6个班级）
fig, ax = plt.subplots(figsize=(10, 6))  # 图表大小# 5. 绘制两组柱形
# 男生柱形：位置偏左（x - width/2），蓝色，标签“男生平均成绩”
rects1 = ax.bar(x - width/2, men_means, width, label='男生平均成绩', color='#1f77b4')
# 女生柱形：位置偏右（x + width/2），橙色，标签“女生平均成绩”
rects2 = ax.bar(x + width/2, women_means, width, label='女生平均成绩', color='#ff7f0e')# 6. 绘制水平参考线（年级平均分）
ax.axhline(y=grade_avg, color='gray', linestyle='--',  # 虚线样式linewidth=1.5, label=f'年级平均成绩（{grade_avg}分）'  # 参考线标签
)# 7. 设置标题、坐标轴标签和刻度
ax.set_title('高二各班男生、女生英语平均成绩', fontsize=16, fontweight='bold', pad=20)
ax.set_ylabel('分数', fontsize=12, fontweight='bold')  # y轴标签（成绩分数）
ax.set_xticks(x)  # x轴刻度位置（对齐两组柱形中间）
ax.set_xticklabels(classes, fontsize=11)  # x轴刻度标签（班级名称）# 8. 设置图例（位置：右下角，避免遮挡柱形）
ax.legend(loc='lower right', fontsize=11)# 9. （可选）在柱形顶部添加具体分数（方便直接读取数值）
def autolabel(rects):for rect in rects:height = rect.get_height()  # 获取柱形高度（即成绩）ax.annotate(f'{height}',  # 标签内容（成绩）xy=(rect.get_x() + rect.get_width() / 2, height),  # 标签位置（柱形顶部中心）xytext=(0, 3),  # 标签向上偏移3个像素（避免与柱形重叠）textcoords="offset points",ha='center', va='bottom', fontsize=9)
autolabel(rects1)  # 男生柱形添加分数标签
autolabel(rects2)  # 女生柱形添加分数标签# 10. 调整布局并显示
plt.tight_layout()
plt.show()

结果解读

1. 性别差异：除高二 2 班外，其余 5 个班女生英语成绩均高于男生，尤其高二 1 班（女生 92.7 分 vs 男生 90.5 分）和高二 6 班（女生 99.8 分 vs 男生 86.6 分）差距明显，需关注男生英语学习薄弱点；
2. 班级整体水平：高二 1 班、3 班男女成绩均高于年级平均分（88.5 分），整体表现优秀；高二 4 班、5 班需加强提升；
3. 参考线价值：年级平均分虚线清晰划分 “达标” 与 “待提升” 班级，为教学管理提供明确依据。

总结：Matplotlib 核心知识点回顾

通过 3 个案例，我们掌握了 Matplotlib 的高频用法：

1. 基础配置：plt.rcParams解决中文乱码，figsize控制图表大小；

2. 图表类型

   ：

   • 饼图（pie）：适合展示 “占比”，autopct显示百分比，explode突出重点；
   • 柱形图（bar）：适合 “对比”，通过x ± width/2避免两组柱形重叠；
   • 表格（table）：搭配图表补充精确数据，bbox调整位置；

3. 细节优化：axhline添加参考线，legend设置图例位置，autolabel添加数值标签，tight_layout避免文字截断。

这些知识点可灵活迁移到其他场景（如销售数据对比、用户行为分析等），大家只需替换数据和调整参数，就能快速生成专业可视化图表！