Matplotlib 与数据可视化

Matplotlib 是 Python 可视化的奠基者——几乎所有 Python 图表库（Seaborn、Pandas 内置绘图）都基于它构建。本页带你从第一张折线图走到多子图仪表盘。前置阅读：NumPy 科学计算入门。

这个库是什么

Matplotlib 由 John Hunter 于 2003 年创建，最初是为了在 Python 中复现 MATLAB 的绘图能力（名字就来自 MATplotlib PLOT LIB）。它是一个底层绘图引擎，能画从简单折线图到复杂科学论文插图的几乎所有二维图表，精细到每一个像素都可控制。

它的设计哲学是渐进式控制：用三行代码画一张能看的图，但如果你想调整字号、坐标轴刻度、图例位置、配色方案，每一处都可以精确定制。这种”简单的事情简单做，复杂的事情能做到”的特性，使它成为学术论文、数据报告、Jupyter 笔记本中最常用的可视化工具。

2025-2026 最新进展（v3.11）

Matplotlib 在 2025-2026 年发布了重要的 3.11 版本（2026 年 7 月发布 3.11.1），带来了自 3.0 以来最大的更新：

文本与字体渲染全面重写：通过集成 libraqm、HarfBuzz（文本整形引擎）、SheenBidi（双向文本处理）和更新的 FreeType（字体光栅化引擎），实现了对现代字体特性的完整支持，包括所有语言的国际化渲染（阿拉伯语、日语、希伯来语等从右到左或混合方向的文字不再乱码）。这是本次更新的最大变化。
无障碍配色方案：新增 Petroff 色谱等感知均匀且色盲友好的颜色序列，适用于多类别图表（最多 10 类），让色觉障碍读者也能区分不同数据系列。
3D 坐标轴改进：3D 绘图功能得到大幅增强，包括更好的 tight_layout 支持、坐标轴反转修复、宽高比控制改进等。
性能优化：渲染管线优化，尤其是大规模散点图和等高线图的绘制速度。
Python 3.14 支持：包括自由线程（free-threaded，即无 GIL 模式）版本的 wheel（预编译二进制包），走在 Python 生态最前沿。
灵活的图形管理：新的 Figure 管理接口让多窗口交互式绘图更可靠。

兼容性提示：由于字体渲染引擎的全面升级，3.11 生成的文字在像素级别上可能与旧版本略有差异。如果你用 Matplotlib 做图像对比测试，可能需要适当放宽容差。

安装与环境配置

# 安装 Matplotlib
pip install matplotlib

# 推荐搭配 NumPy（生成数据）和 Pandas（数据处理）一起使用
pip install matplotlib numpy pandas

# 验证安装
python -c "import matplotlib; print(matplotlib.__version__)"

在 Jupyter Notebook 中，在文件开头加一行 %matplotlib inline 即可在单元格内显示图表。脚本中用 plt.show() 弹出窗口查看，或用 plt.savefig('图.png') 保存文件。导入约定写为 import matplotlib.pyplot as plt。

核心概念

Figure 与 Axes：画板与画纸

Matplotlib 的世界观非常直观：Figure 是画板（一整块画布），Axes 是画纸（画板上一张张具体的图）。一块画板上可以放多张画纸（子图），每张画纸有自己独立的坐标轴、标题、数据。

Figure：最外层容器，控制整体大小、背景色、输出文件。
Axes：单张图表，包含 x 轴、y 轴、数据线、标题等所有元素。注意 Axes（复数）不是 Axis（坐标轴），一字之差。
Artist：你在图上看到的一切元素（线条、文字、图例）都是 Artist（艺术家对象）——Matplotlib 用”艺术家在画纸上作画”的比喻来组织所有可视元素。

绘图流程

典型流程是：创建 Figure 和 Axes → 在 Axes 上画数据（plot、scatter、hist）→ 添加标题、标签、图例 → 显示或保存。

面向对象 vs Pyplot 接口

Matplotlib 有两套 API：Pyplot 接口（plt.plot()、plt.title()，简单快捷，适合单图）和面向对象接口（fig, ax = plt.subplots(); ax.plot()，精确控制，适合多子图和复杂图表）。初学用 Pyplot，进阶务必转向面向对象写法。

打个比方：Pyplot 接口像自动挡——简单但控制力有限；面向对象接口像手动挡——操作更多但你能精确控制每一个齿轮。

配色与无障碍设计

数据可视化的一个常被忽视的维度是无障碍性——你的图表是否对色觉障碍（约影响全球 8% 的男性）读者友好？Matplotlib 3.11 新增了 Petroff 色谱等方案来解决这个问题。选择配色时应优先考虑：

viridis / plasma / inferno / magma：感知均匀的连续配色（数值越大颜色越深，人眼感受呈线性变化）。
coolwarm：双向配色，适合表达正负偏差。
Petroff 色谱（3.11 新增）：离散的类别配色，最多 10 种颜色，色盲友好。

架构与工作流

动手实践

例 1：折线图——最基础的图表

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据：某城市一年气温变化
months = np.arange(1, 13)
temp = np.array([2, 5, 11, 18, 23, 28, 30, 29, 24, 17, 9, 3])

plt.figure(figsize=(8, 4))     # 设置画板大小（宽8英寸，高4英寸）
plt.plot(months, temp,         # x 轴数据, y 轴数据
         color='#E91E63',       # 线条颜色
         marker='o',            # 数据点标记为圆点
         linewidth=2,           # 线宽
         label='月平均气温')     # 图例文字
plt.xlabel('月份')              # x 轴标签
plt.ylabel('温度 (°C)')         # y 轴标签
plt.title('2024 年全年气温趋势')
plt.legend()                    # 显示图例
plt.grid(True, alpha=0.3)       # 半透明网格线
plt.show()

折线图示例：年度气温趋势

例 2：散点图——观察两个变量的关系

import matplotlib.pyplot as plt
import numpy as np

# 模拟数据：房屋面积与价格的关系
np.random.seed(42)
area = np.random.uniform(50, 200, 100)        # 100套房的面积
price = area * 5 + np.random.randn(100) * 80  # 面积越大价格越高，加噪声

plt.figure(figsize=(7, 5))
plt.scatter(area, price,
            c=price,            # 点的颜色随价格变化（颜色映射）
            cmap='viridis',     # 配色方案：感知均匀，色盲友好
            alpha=0.7,          # 半透明，重叠区域更深
            edgecolors='white') # 白色描边
plt.colorbar(label='价格 (万元)')  # 颜色条
plt.xlabel('面积 (m²)')
plt.ylabel('价格 (万元)')
plt.title('房屋面积与价格关系')
plt.show()

散点图示例：房屋面积与价格关系

例 3：子图（Subplot）——面向对象接口

import matplotlib.pyplot as plt
import numpy as np

# 面向对象接口：一次创建多张子图的画板
fig, axes = plt.subplots(2, 2, figsize=(10, 8))  # 2行2列共4张子图
x = np.linspace(0, 2 * np.pi, 100)

# 左上：正弦与余弦曲线叠加
axes[0, 0].plot(x, np.sin(x), label='sin', color='steelblue')
axes[0, 0].plot(x, np.cos(x), label='cos', color='coral')
axes[0, 0].legend(); axes[0, 0].set_title('三角函数')

# 右上：直方图（数据分布）
data = np.random.randn(1000)
axes[0, 1].hist(data, bins=30, color='mediumpurple', edgecolor='white')
axes[0, 1].set_title('正态分布直方图')

# 左下：柱状图
categories = ['A', 'B', 'C', 'D']
values = [23, 45, 12, 67]
axes[1, 0].bar(categories, values, color=['#4CAF50', '#2196F3', '#FF9800', '#E91E63'])
axes[1, 0].set_title('各类别数值对比')

# 右下：面积图
axes[1, 1].fill_between(x, np.sin(x), alpha=0.3, color='teal')
axes[1, 1].set_title('正弦曲线面积图')

plt.tight_layout()  # 自动调整子图间距，避免重叠
plt.show()

子图示例：三角函数、直方图、柱状图、面积图

例 4：直方图与中文显示配置

import matplotlib.pyplot as plt
import numpy as np

# 中文字体配置（解决中文乱码问题，Windows/Linux 常见需求）
# Matplotlib 默认字体不含中文字符，必须手动指定系统中可用的中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']   # 使用黑体显示中文（Windows）
# Linux 用户可能需要改为：['WenQuanYi Micro Hei'] 或 ['Noto Sans CJK SC']
# macOS 用户可以改为：['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False      # 正常显示负号（中文字体常导致负号变方块）

# 模拟两个班级的考试成绩
class_a = np.random.normal(75, 10, 200)  # A班：均值75，标准差10
class_b = np.random.normal(70, 15, 200)  # B班：均值70，标准差15

plt.figure(figsize=(8, 5))
plt.hist([class_a, class_b], bins=20,
         label=['A 班', 'B 班'],
         color=['steelblue', 'coral'],
         alpha=0.7, edgecolor='white')
plt.xlabel('分数')
plt.ylabel('人数')
plt.title('两个班级成绩分布对比')
plt.legend()
plt.savefig('成绩分布.png', dpi=150, bbox_inches='tight')  # 保存为高清图片
plt.show()

两个班级成绩分布对比直方图

3.11 字体渲染升级提示：如果你使用 Matplotlib 3.11+，得益于全新的 libraqm + HarfBuzz 字体引擎，复杂文字（混合中英文、特殊符号、数学公式）的渲染效果会显著提升。如果你之前的图表中有文字间距不均匀或某些字符显示异常的问题，升级后很可能自动修复。

例 5：热力图——机器学习中的常用可视化

热力图（Heatmap）用颜色深浅表示二维矩阵中数值的大小，在混淆矩阵可视化、特征相关性分析等场景极为常用：

import matplotlib.pyplot as plt
import numpy as np

# 模拟一个混淆矩阵（3 类分类任务）
labels = ['猫', '狗', '鸟']
confusion = np.array([[85, 10, 5],
                       [8, 87, 5],
                       [3, 7, 90]])

fig, ax = plt.subplots(figsize=(6, 5))
# imshow 把二维数组显示为图像，颜色映射到数值大小
im = ax.imshow(confusion, cmap='Blues')

# 添加颜色条
plt.colorbar(im, label='样本数')

# 设置刻度标签
ax.set_xticks(range(3)); ax.set_yticks(range(3))
ax.set_xticklabels(labels); ax.set_yticklabels(labels)
ax.set_xlabel('预测类别'); ax.set_ylabel('真实类别')
ax.set_title('分类混淆矩阵')

# 在每个格子里写上数值
for i in range(3):
    for j in range(3):
        # 文字颜色：深色背景用白色文字，浅色背景用黑色文字
        color = 'white' if confusion[i, j] > 50 else 'black'
        ax.text(j, i, str(confusion[i, j]), ha='center', va='center', color=color)

plt.tight_layout()
plt.show()

热力图示例：分类混淆矩阵

例 6：使用样式表快速美化

Matplotlib 内置了多种样式表（stylesheet），一行代码就能切换整体视觉风格：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

# 查看所有可用样式
print(plt.style.available)
# ['seaborn-v0_8-darkgrid', 'ggplot', 'bmh', 'dark_background', ...]

# 使用 ggplot 风格（类似 R 语言 ggplot2 的经典外观）
with plt.style.context('ggplot'):
    fig, ax = plt.subplots(figsize=(8, 4))
    ax.plot(x, np.sin(x), label='sin(x)', linewidth=2)
    ax.plot(x, np.cos(x), label='cos(x)', linewidth=2)
    ax.set_title('使用 ggplot 样式')
    ax.legend()
    plt.show()

# 使用暗色背景（适合深色主题的演示文稿）
with plt.style.context('dark_background'):
    fig, ax = plt.subplots(figsize=(8, 4))
    ax.plot(x, np.sin(x), label='sin(x)', color='cyan', linewidth=2)
    ax.set_title('使用 dark_background 样式')
    ax.legend()
    plt.show()

ggplot 样式效果

dark_background 样式效果

常用 API 速查

API	用途	示例
`plt.figure(figsize=)`	创建画板	`plt.figure(figsize=(8,4))`
`plt.subplots(r,c)`	创建多子图	`fig, ax = plt.subplots(2,2)`
`ax.plot(x,y)`	折线图	`ax.plot(x, np.sin(x))`
`ax.scatter(x,y)`	散点图	`ax.scatter(area, price)`
`ax.bar(x,h)`	柱状图	`ax.bar(['A','B'],[1,2])`
`ax.barh(y,w)`	水平柱状图	`ax.barh(cats, vals)`
`ax.hist(data,bins)`	直方图	`ax.hist(scores, bins=20)`
`ax.imshow(data)`	热力图 / 图像	`ax.imshow(confusion_matrix, cmap='Blues')`
`ax.fill_between(x,y)`	面积图	`ax.fill_between(x, y, alpha=0.3)`
`ax.contour(X,Y,Z)`	等高线图	`ax.contour(X, Y, Z, levels=20)`
`ax.set_title(t)`	设置标题	`ax.set_title('销量趋势')`
`ax.set_xlabel(t)`	设置 x 轴标签	`ax.set_xlabel('月份')`
`ax.legend()`	显示图例	`ax.legend()`
`plt.style.use(name)`	使用样式表	`plt.style.use('ggplot')`
`plt.savefig(path)`	保存图片	`plt.savefig('fig.png', dpi=150)`
`plt.tight_layout()`	自动调整间距	`plt.tight_layout()`
`plt.colorbar()`	添加颜色条	`plt.colorbar(label='价格')`

实践要点

中文乱码必踩坑：Matplotlib 默认不支持中文，图表中的中文字符会显示为方框。解决方法是在脚本开头设置 plt.rcParams['font.sans-serif'] = ['SimHei']（Windows）或 ['WenQuanYi Micro Hei']（Linux）。3.11 版本的字体引擎升级让更多 CJK（中日韩）字体能被正确识别和使用。
面向对象接口更适合实战：单张简单图用 plt.plot() 即可；但凡涉及多子图、双 y 轴、精细刻度控制，一律用 fig, ax = plt.subplots() 的面向对象写法，否则全局状态混乱到难以排查。
配色不要用默认彩虹色：plt.cm.jet 虽然鲜艳但感知不均匀（相邻颜色人眼难以区分），色盲不友好。推荐用 viridis、plasma、coolwarm 等 Matplotlib 内置的现代配色方案，或 3.11 新增的 Petroff 色谱。
保存时用高 DPI：plt.savefig('图.png', dpi=150) 保存的图远比截屏清晰。论文用 300 dpi，网页用 150 dpi。bbox_inches='tight' 能避免标签被裁剪。
图表类型匹配数据类型：趋势用折线图、关系用散点图、分布用直方图、比较用柱状图、占比用饼图——选错图表类型会误导读者。
避免 3D 图表：除非数据确实是三维的，否则 3D 柱状图、3D 饼图几乎总是让数据更难读，是典型的”花哨但无用”。3.11 虽然改进了 3D 坐标轴，但这条原则不变。
善用样式表：不需要逐个参数调整——plt.style.use('seaborn-v0_8-darkgrid') 一行就能让默认图表变得专业。

典型应用场景

数据探索性分析：拿到数据先画分布直方图、散点矩阵，快速发现异常值和规律，比纯看数字高效得多。
模型训练过程可视化：画出训练过程中 loss（损失函数值）和准确率的折线图，判断是否过拟合、何时早停。详见模型评估。
学术论文插图：Matplotlib 精细到像素的控制能力，使它能产出达到期刊发表质量的图表。配合 LaTeX 渲染公式，是科研标配。
混淆矩阵与特征相关性热力图：用 imshow 可视化二维矩阵数据，直观展示分类器的错误分布或特征间相关程度。
聚类结果可视化：将高维数据降维到二维后用散点图着色，直观展示聚类效果。详见聚类分析。
数据报告与仪表盘：多子图拼合成综合面板，配合 savefig 导出图片嵌入报告。

与同类工具对比

特性	Matplotlib	Seaborn	Plotly	PyEcharts
定位	底层绘图引擎	统计可视化上层封装	交互式图表	交互式图表（百度）
交互性	静态（可内嵌）	静态	强交互（悬停/缩放）	强交互
输出格式	PNG / PDF / SVG	同 Matplotlib	HTML / 网页	HTML / 网页
统计图表	需手动计算	内置（一行画箱线图）	需手动	内置多种
美观度（默认）	一般（需调参/样式表）	出色（默认好看）	出色	出色
国际化支持	3.11 全面升级（libraqm）	同 Matplotlib	原生支持	原生支持
学习曲线	中等（API 庞大）	低（基于 Matplotlib）	中等	低
适用场景	论文 / 静态报告	数据分析快速出图	交互式仪表盘	网页数据看板

选择建议：快速数据分析用 Seaborn（基于 Matplotlib，一行画出好看的统计图）；学术论文和静态报告用 Matplotlib（控制力最强）；网页交互式可视化用 Plotly。