NumPy 与 Matplotlib 使用教程

Matplotlib 是 Python 主流绘图库，可与 NumPy 无缝配合（NumPy 负责生成 / 处理数据，Matplotlib 负责可视化），提供开源的 MatLab 替代方案，还支持 PyQt、wxPython 等图形工具包。本文基于菜鸟教程内容，详细讲解其安装、基础用法、核心功能及常见图表实现。

一、Matplotlib 安装

1. 主流安装方式

不同操作系统的安装命令如下，推荐使用清华 PyPI 源（-i https://pypi.tuna.tsinghua.edu.cn/simple）提升下载速度：

操作系统 / 环境	安装命令	说明
Windows/macOS（pip3）	pip3 install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple	通用 pip 安装方式，需提前安装 Python3
Debian/Ubuntu（Linux）	sudo apt-get install python-matplotlib	基于 APT 包管理器
Fedora/Redhat（Linux）	sudo yum install python-matplotlib	基于 YUM 包管理器

2. 安装验证

安装后通过以下命令检查是否成功（查看 Matplotlib 版本）：

pip3 list | grep matplotlib
# 示例输出：matplotlib        3.3.0（版本号可能不同）

二、基础绘图：线性图实例

Matplotlib 的pyplot子模块是绘图核心，以下是最基础的线性图案例，涵盖数据生成、图表标注、显示等流程。

1. 完整代码

import numpy as np  # 导入NumPy生成数据
from matplotlib import pyplot as plt  # 导入绘图子模块# 1. 生成数据：x为1-10的整数，y=2x+5（线性关系）
x = np.arange(1, 11)  # arange(start, end)生成[1,2,...,10]
y = 2 * x + 5# 2. 设置图表标注
plt.title("Matplotlib Demo")  # 图表标题
plt.xlabel("X Axis Caption")  # X轴标签
plt.ylabel("Y Axis Caption")  # Y轴标签# 3. 绘制线性图并显示
plt.plot(x, y)  # 绘制x与y的线性关系
plt.show()      # 弹出窗口显示图表

2. 代码解释

• 数据生成：np.arange(1,11)替代 Python 原生range，生成高效的 NumPy 数组，避免循环；
• 标注设置：title()/xlabel()/ylabel()定义图表的可读性信息，避免 “无意义图表”；
• 绘图核心：plt.plot()是基础绘图函数，默认绘制实线；plt.show()触发图表渲染，必须调用才会显示。

3. 输出结果

图表为一条从(1,7)到(10,25)的直线，X 轴范围 1-10，Y 轴范围 7-25，标注清晰。

三、关键问题：中文显示解决方案

Matplotlib 默认不支持中文字体，直接使用中文会显示 “方框”，需通过以下两种方法解决：

方法 1：使用开源思源黑体（跨平台）

思源黑体是 Adobe 与 Google 联合推出的免费中文字体，兼容性强，步骤如下：

1. 下载字体：

   • 官网：https://source.typekit.com/source-han-serif/cn/
   • GitHub（简体中文 OTF 格式）：https://github.com/adobe-fonts/source-han-sans/tree/release/OTF/SimplifiedChinese
   • 网盘备用：https://pan.baidu.com/s/10-w1JbXZSnx3Tm6uGpPGOw（提取码：yxqu）
   • 推荐下载SourceHanSansSC-Bold.otf（粗体）。

2. 放置字体：将下载的SourceHanSansSC-Bold.otf文件放在代码所在目录（确保路径正确）。

3. 代码实现：

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.font_manager  # 导入字体管理模块# 1. 加载自定义字体（fname为字体文件路径）
zh_font = matplotlib.font_manager.FontProperties(fname="SourceHanSansSC-Bold.otf")# 2. 生成数据
x = np.arange(1, 11)
y = 2 * x + 5# 3. 绘制图表（指定fontproperties参数启用中文）
plt.title("菜鸟教程 - 测试", fontproperties=zh_font, fontsize=14)  # 标题+字体大小
plt.xlabel("X轴", fontproperties=zh_font)
plt.ylabel("Y轴", fontproperties=zh_font)
plt.plot(x, y)
plt.show()

方法 2：使用系统自带中文字体（无需额外下载）

先查询系统已安装的中文字体名称，再直接调用，步骤如下：

1. 查询系统中文字体：

from matplotlib import pyplot as plt
import matplotlib# 打印所有已注册的字体名称
fonts = sorted([f.name for f in matplotlib.font_manager.fontManager.ttflist])
for font_name in fonts:print(font_name)  # 查找包含“宋”“仿宋”“微软雅黑”等关键词的字体

• 常见系统中文字体名称：
  • Windows：STFangsong（仿宋）、Microsoft YaHei（微软雅黑）；
  • macOS：PingFang SC（苹方）；
  • Linux：WenQuanYi Zen Hei（文泉驿正黑）。

    2.设置中文字体：

import numpy as np
from matplotlib import pyplot as plt# 全局设置中文字体（无需每次标注都传fontproperties）
plt.rcParams['font.family'] = ['STFangsong']  # 替换为查询到的字体名称
plt.rcParams['font.size'] = 12  # 可选：全局设置字体大小# 后续绘图代码与基础案例一致，中文可正常显示
x = np.arange(1, 11)
y = 2 * x + 5
plt.title("菜鸟教程 - 测试")
plt.xlabel("X轴")
plt.ylabel("Y轴")
plt.plot(x, y)
plt.show()

四、核心参数：线型、标记与颜色

plt.plot()支持通过格式字符串（如"ob"）快速设置线型、标记样式和颜色，格式为[颜色][标记][线型]（顺序可调整，部分参数可省略）。

1. 线型与标记样式（常用）

格式字符	描述	类型
--	实线（默认）	线型
--	短横线	线型
-.	点划线	线型
:	虚线	线型
.	点标记	标记
o	圆标记	标记
v	倒三角标记	标记
^	正三角标记	标记
s	正方形标记	标记
*	星形标记	标记
+	加号标记	标记
x	X 形标记	标记

2. 颜色缩写（常用）

格式字符	颜色
b	蓝色
g	绿色
r	红色
c	青色
m	品红色
y	黄色
b	黑色
w	白色

3. 实例：散点图（圆标记 + 蓝色）

将线性图改为散点图，只需将plt.plot(x,y)改为plt.plot(x,y,"ob")（o= 圆标记，b= 蓝色）：

import numpy as np
from matplotlib import pyplot as pltx = np.arange(1, 11)
y = 2 * x + 5
plt.title("Matplotlib Demo (Scatter)")
plt.xlabel("X Axis")
plt.ylabel("Y Axis")
plt.plot(x, y, "ob")  # 蓝色圆标记散点图
plt.show()

输出结果：X 轴 1-10 的位置显示蓝色圆点，无连接线，清晰展示离散数据点。

五、常见图表类型实战

1. 正弦波图（连续数据可视化）

利用 NumPy 生成正弦函数数据，Matplotlib 绘制平滑曲线：

import numpy as np
from matplotlib import pyplot as plt# 1. 生成数据：x范围0~3π，步长0.1（步长越小曲线越平滑）
x = np.arange(0, 3 * np.pi, 0.1)
y = np.sin(x)  # 计算正弦值# 2. 绘图
plt.title("Sine Wave Form")
plt.xlabel("X (0~3π)")
plt.ylabel("Y (sin(x))")
plt.plot(x, y, "r-", linewidth=2)  # 红色实线，线宽2
plt.show()

输出结果：振幅为[-1,1]的正弦曲线，覆盖 0 到 3π（约 9.42）的 X 范围，曲线平滑连续。

2. 子图（subplot ()）：同一窗口多图表

subplot(行数, 列数, 当前子图索引)可在同一窗口划分多个子图，索引从 1 开始。以下实例同时绘制正弦和余弦曲线：

import numpy as np
from matplotlib import pyplot as plt# 1. 生成数据（正弦和余弦共用X轴）
x = np.arange(0, 3 * np.pi, 0.1)
y_sin = np.sin(x)  # 正弦数据
y_cos = np.cos(x)  # 余弦数据# 2. 创建子图1（2行1列，第1个图）
plt.subplot(2, 1, 1)
plt.plot(x, y_sin, "g-")
plt.title("Sine Wave")  # 子图1标题# 3. 创建子图2（2行1列，第2个图）
plt.subplot(2, 1, 2)
plt.plot(x, y_cos, "b-")
plt.title("Cosine Wave")  # 子图2标题# 4. 调整子图间距（避免标题与图表重叠）
plt.tight_layout()
plt.show()

输出结果：窗口分为上下两部分，上为绿色正弦曲线，下为蓝色余弦曲线，各自有标题，布局紧凑。

3. 条形图（bar ()）：离散数据对比

plt.bar(x, height, color, align)用于绘制条形图，适合对比多组离散数据：

from matplotlib import pyplot as plt# 1. 两组对比数据
x1 = [5, 8, 10]  # 第一组条形的X轴位置
y1 = [12, 16, 6] # 第一组条形的高度
x2 = [6, 9, 11]  # 第二组条形的X轴位置
y2 = [6, 15, 7]  # 第二组条形的高度# 2. 绘制两组条形图
plt.bar(x1, y1, align="center", label="Group A")  # 默认颜色，添加图例标签
plt.bar(x2, y2, color="g", align="center", label="Group B")  # 绿色，图例标签# 3. 设置标注与图例
plt.title("Bar Graph (Group Comparison)")
plt.xlabel("X Axis")
plt.ylabel("Y Axis (Value)")
plt.legend()  # 显示图例（基于label参数）
plt.show()

输出结果：X 轴范围 5-11，两组条形居中对齐，Group A 为默认色，Group B 为绿色，图例清晰区分两组数据。

4. 直方图（histogram）：数据分布可视化

直方图用于展示数据的频率分布，需先通过numpy.histogram()计算频率，再用plt.hist()绘图。

步骤 1：计算频率分布（numpy.histogram ()）

import numpy as np# 1. 原始数据（15个随机整数）
a = np.array([22, 87, 5, 43, 56, 73, 55, 54, 11, 20, 51, 5, 79, 31, 27])# 2. 定义 bins（区间边界）：[0,20), [20,40), [40,60), [60,80), [80,100]
bins = [0, 20, 40, 60, 80, 100]# 3. 计算频率（hist）和区间（bins）
hist, bins = np.histogram(a, bins=bins)# 4. 打印结果
print("频率分布（每个区间的数据个数）：", hist)  # 输出：[3 4 5 2 1]
print("区间边界：", bins)                      # 输出：[  0  20  40  60  80 100]

• 解释：[0,20)区间有 3 个数据（5,11,20），[20,40)有 4 个数据（22,31,27），以此类推。

步骤 2：绘制直方图（plt.hist ()）

import numpy as np
from matplotlib import pyplot as plta = np.array([22, 87, 5, 43, 56, 73, 55, 54, 11, 20, 51, 5, 79, 31, 27])
bins = [0, 20, 40, 60, 80, 100]# 绘制直方图
plt.hist(a, bins=bins, color="orange", edgecolor="black")  # 橙色柱体，黑色边框
plt.title("Histogram (Data Distribution)")
plt.xlabel("Value Range")
plt.ylabel("Frequency (Count)")
plt.show()

输出结果：X 轴为区间[0,100]，Y 轴为频率（0-5），橙色柱体高度对应每个区间的数据个数，边框清晰区分柱体。

六、补充：常用全局设置

除了上述功能，可通过plt.rcParams设置全局绘图样式，避免重复代码：

import matplotlib.pyplot as plt# 1. 全局中文字体
plt.rcParams['font.family'] = ['Microsoft YaHei']
# 2. 全局字体大小
plt.rcParams['font.size'] = 12
# 3. 图表标题大小
plt.rcParams['axes.titlesize'] = 14
# 4. 轴标签大小
plt.rcParams['axes.labelsize'] = 12
# 5. 图例大小
plt.rcParams['legend.fontsize'] = 10
# 6. 线条宽度
plt.rcParams['lines.linewidth'] = 2

七、总结

Matplotlib 与 NumPy 的配合是 Python 数据可视化的基础，核心能力包括：

1. 数据生成：NumPy 的arange()、sin()、cos()等函数高效生成绘图数据；
2. 基础绘图：线性图、散点图、正弦波图，通过plot()参数控制样式；
3. 多图表布局：subplot()实现同一窗口多子图；
4. 离散 / 分布可视化：条形图（bar()）对比离散数据，直方图（hist()）展示分布；
5. 中文支持：通过自定义字体或系统字体解决中文显示问题。

感谢大家的阅读 制作不易 麻烦各位点点关注和收藏 每天8点持续更新！！！