第46课：数据可视化：Matplotlib 基础

1. 学习目标

学完本课，你将能够：

理解 Matplotlib 的核心架构，特别是 Figure (画板) 与 Axes (坐标系) 的关系。
掌握使用 matplotlib.pyplot 模块绘制基本图表（折线图、柱状图、散点图）的流程。
运用面向对象 (OO) 的 API 来创建和精细控制图表，包括标题、坐标轴标签、图例和网格。
实现在一个 Figure 中创建多个子图 (Subplots)，进行数据的多角度对比分析。

2. 核心概念

Matplotlib 是什么？

想象一下，你想用手画一幅图表。你需要：

一块画板 (Figure)：这是你所有绘图的容器。
一个或多个画布/坐标系 (Axes)：每个坐标系是画板上独立绘制图表的区域，包含 x 轴、y 轴、标题、刻度等。
画笔和颜料 (绘图函数)：在坐标系里绘制点、线、条形等。

Matplotlib 就是用 Python 代码模拟这个过程的工具库。它主要有两种工作方式：

pyplot 模块：提供类似 MATLAB 的命令式接口，简单快捷，适合快速探索。
面向对象 (OO) API：先创建 Figure 和 Axes 对象，再调用它们的方法。更灵活、功能更强大，是构建复杂可视化图表的推荐方式。

我们将重点学习 面向对象 API，因为它能让你对图表的每一个细节拥有完全的控制权。

3. 代码示例

示例1：绘制你的第一张折线图（基础三步曲）

import matplotlib.pyplot as plt
import numpy as np

# 1. 准备数据
x = np.linspace(0, 2 * np.pi, 100)  # 生成0到2π之间的100个点
y = np.sin(x)  # 正弦函数值

# 2. 创建 Figure 和 Axes 对象（核心步骤）
fig, ax = plt.subplots(figsize=(8, 4))  # figsize设置画板大小(英寸)

# 3. 在 Axes 上绘制图形
ax.plot(x, y, color='blue', linewidth=2, linestyle='-', label='sin(x)')
ax.plot(x, np.cos(x), color='red', linewidth=2, linestyle='--', label='cos(x)')

# 4. 美化和标注图表
ax.set_title('Sine & Cosine Curves')  # 设置标题
ax.set_xlabel('Angle (radians)')      # 设置x轴标签
ax.set_ylabel('Amplitude')            # 设置y轴标签
ax.legend()                           # 显示图例
ax.grid(True, linestyle=':', alpha=0.7) # 显示网格，alpha设置透明度
ax.set_ylim(-1.5, 1.5)                # 设置y轴范围

# 5. 显示图表
plt.show()

示例2：多子图 (Subplots) 绘制

将多个图表放在一个画板上，便于对比分析。

import matplotlib.pyplot as plt
import numpy as np

# 准备数据
x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.exp(x/10)
y3 = x**2

# 创建2行2列的子图布局，返回Figure对象和包含4个Axes对象的数组
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

# 在每个子图上分别绘图
# axes[0, 0] 表示第一行第一列的子图
axes[0, 0].plot(x, y1, 'r-')
axes[0, 0].set_title('Sin(x)')
axes[0, 0].set_xlabel('x')
axes[0, 0].set_ylabel('y')

axes[0, 1].scatter(x, y2, color='green', marker='o', s=20) # 散点图，s控制点大小
axes[0, 1].set_title('Exp(x/10)')
axes[0, 1].set_xlabel('x')

axes[1, 0].bar(np.arange(10), np.arange(10)**2, color='purple') # 柱状图
axes[1, 0].set_title('Bar Chart')
axes[1, 0].set_xlabel('n')
axes[1, 0].set_ylabel('n^2')

axes[1, 1].plot(x, y3, 'g--', linewidth=3)
axes[1, 1].set_title('x^2')
axes[1, 1].set_xlabel('x')
axes[1, 1].set_ylabel('y')
axes[1, 1].grid(True)

# 自动调整子图间距，防止标签重叠
plt.tight_layout()
plt.show()

4. 实践练习

练习1：基础柱状图

要求：使用面向对象 API，绘制一周七天（周一到周日）每日销售额的柱状图。

自行创建模拟数据（如 [120, 135, 148, 160, 175, 190, 155]）。
设置图表标题为 "Weekly Sales Report"。
设置 x 轴标签为 "Day"，y 轴标签为 "Sales (USD)"。
给柱子设置你喜欢的颜色。

练习2：多子图对比

要求：创建一个 Figure，包含两个并排的子图 (1行2列)。

左边子图：绘制 y = x^3 在 x 从 -5 到 5 的曲线图，并加上网格线。
右边子图：绘制 y = 3^x 在 x 从 0 到 5 的曲线图，并使用红色线。
为每个子图设置合适的标题和坐标轴标签。

练习3：综合挑战（选做）

要求：读取或生成一个包含 "月份" 和 "降雨量(mm)" 的数据集（如12个月），绘制：

一个主图 (Axes) 为柱状图，显示各月降雨量。
在同一张图上覆盖一个折线图，显示月平均降雨量线（假设为常数 80mm）。
将折线图的标签设为 "Average"，并在图例中清晰显示。

5. 常见错误

忘记调用 plt.show()：在脚本或非交互式环境中，不调用 show() 函数，图表窗口将不会弹出。在 Jupyter Notebook 中通常可以省略，因为它会自动显示最后的对象。
混淆 Figure 和 Axes 的属性设置方法：记住，ax.set_title() 设置的是坐标系内的标题，fig.suptitle() 设置的是整个画板的总标题。

坐标轴标签显示乱码（特别是中文）：这是字体问题。可以在代码开头添加以下设置来尝试解决：

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号

子图布局重叠：使用 plt.tight_layout() 或在 subplots() 中设置 constrained_layout=True，可以自动调整子图参数，使之填充整个图像区域，避免标签或标题被切断。
过度使用 pyplot 全局状态：在复杂脚本或循环中，频繁调用 plt.plot() 等命令可能导致难以追踪当前操作的是哪个 Axes。养成先创建明确对象 (fig, ax = plt.subplots())，再对对象进行操作的习惯。

6. 小结

核心架构：Matplotlib 的绘图围绕 Figure (画板) 和 Axes (坐标系) 展开。一个 Figure 可以包含一个或多个 Axes。
两种API：pyplot 适合快速绘图，面向对象 API (fig, ax) 功能强大且灵活，是专业可视化的首选。
基本三步曲：
1. import matplotlib.pyplot as plt
2. fig, ax = plt.subplots() 创建对象。
3. ax.plot() / ax.bar() / ax.scatter() 绑定数据并绘制。
图表美化：通过 ax.set_title(), ax.set_xlabel(), ax.legend(), ax.grid() 等方法，为图表添加清晰的上下文信息，使其易于理解。
多图分析：使用 plt.subplots(nrows, ncols) 轻松创建子图网格，实现数据的多维度并行展示。

掌握了 Matplotlib 的这些基础，你就拥有了将数据转化为直观图像的能力。下一课，我们将在此基础上学习更高级、更美观的统计图表绘制库——Seaborn。

练习编辑器

python