Python数据可视化实战：Matplotlib绘制柱状图、折线图、饼图及散点图等常用图表

Ryan

发布时间：2026-10-13 | 5人浏览过

原创

本文详细介绍如何使用Python的Matplotlib库绘制多种常用数据图表。内容涵盖柱状图（含水平排列）、折线图、饼图（详解pie函数参数）、散点图、箱线图、雷达图及气泡图的实现代码与效果。通过具体案例如水果销量分析，帮助数据分析师掌握图表制作技能，直观展示数据分布与趋势。

前言

数据分析的核心在于将数据转化为直观的图表，以辅助决策。因此，熟练掌握饼图、柱状图、线图等常见图表的制作是数据分析师必备的技能。在Python生态中，Matplotlib和Pyechart是两个备受推崇的图表制作框架。本文将重点讲解如何利用Matplotlib制作各类数据图表。

Matplotlib是Python中最流行的2D数据绘图库，支持跨平台使用，能够绘制散点图、柱状图、饼图等多种图形。

1、柱状图

柱状图是一种通过长方形或长方体的高度来展示数据的统计报告图，由一系列高度不等的纵向条纹表示数据分布情况。它主要用于比较两个或多个价值（如不同时间或不同条件下的数据），通常适用于变量较少的小型数据集分析。柱状图不仅能直观比较数据量的大小，还能观察事件的变化趋势，且支持横向排列或多维表达。

实现代码：

# 导入绘图模块
import matplotlib.pyplot as plt
# 构建数据
sales = [7125,12753,13143,8635]

# 中文乱码的处理，rcParams也可以用于设置图的分辨率，大小等信息
plt.rcParams['font.sans-serif'] =['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 绘图,第一个参数是x轴的数据，第二个参数是y轴的数据，第三个参数是柱子的大小，默认值是1（值在0到1之间），color是柱子的颜色，alpha是柱子的透明度
plt.bar(range(4), sales, 0.4,color='r', alpha = 0.8)
# 添加轴标签
plt.ylabel('销量')
# 添加标题
plt.title('水果2018年度销量')
# 添加刻度标签
plt.xticks(range(4),['苹果','香蕉','梨','猕猴桃'])
# 设置Y轴的刻度范围
plt.ylim([5000,15000])

# 为每个条形图添加数值标签
for x,y in enumerate(sales):
 plt.text(x,y+100,'%s' %y,ha='center')

# 显示图形
plt.show()

效果图：

只需将绘制柱状图的函数bar()替换为barh()，即可将垂直方向的长方形或长方体转换为水平方向。

实现代码：

# 导入绘图模块
import matplotlib.pyplot as plt
# 构建数据
sales = [7125,12753,13143,8635]

# 中文乱码的处理
plt.rcParams['font.sans-serif'] =['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = ['苹果','香蕉','梨','猕猴桃']
# 绘图
plt.barh(range(4), sales, 0.4,color='r', alpha = 0.8)
# 添加轴标签
plt.ylabel('销量')
# 添加标题
plt.title('水果2018年度销量')
# 添加刻度标签
plt.yticks(range(4),['苹果','香蕉','梨','猕猴桃'])
# 设置Y轴的刻度范围
plt.xlim([5000,15000])

# 为每个条形图添加数值标签
for x,y in enumerate(sales):
 plt.text(y+0.2,x,'%s' %y,va='center')

# 显示图形
plt.show()

效果图：

除了将bar()改为barh()外，还需进行其他几处修改：在添加每个条形图的数值标签时，将水平对齐方式ha='center'改为垂直对齐方式va='center'；同时，将添加x轴标签的方法从xlabel改为ylabel。

柱状图和折线图混合使用

柱状图可与折线图结合使用，以展示数据的变化趋势。以下示例中，柱状图表示水果的年度销量，折线图则表示水果在1月份的销量。

代码：

# 导入绘图模块
import matplotlib.pyplot as plt

jan_sales = [3010,4029,5021,3056]
# 构建数据
sales = [7125,12753,13143,8635]


# 中文乱码的处理
plt.rcParams['font.sans-serif'] =['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = ['苹果','香蕉','梨','猕猴桃']

plt.plot(x,jan_sales,'r')# 折线 1 x 2 y 3 color
plt.plot(x,jan_sales,'g',lw=5)# 4 line w

# 绘图
plt.bar(range(4), sales, 0.4,color='b', alpha = 0.8)
# 添加轴标签
plt.ylabel('销量')
# 添加标题
plt.title('水果2018年度销量')
# 添加刻度标签
plt.xticks(range(4),['苹果','香蕉','梨','猕猴桃'])
# 设置Y轴的刻度范围
plt.ylim([2000,15000])

# 为每个条形图添加数值标签
for x,y in enumerate(sales):
 plt.text(x,y+100,'%s' %y,ha='center')

# 显示图形
plt.show()

效果图：

2、折线图

折线图主要用于展示数据的变化趋势，通过直线连接不同的数据点。

# 导入绘图模块
import matplotlib.pyplot as plt

#构建数据
jan_sales = [3010,4029,5021,3056]


# 中文乱码的处理
plt.rcParams['font.sans-serif'] =['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = ['苹果','香蕉','梨','猕猴桃']

#第一个参数是x轴，第二参数时y轴数据，第三个参数是线的颜色，第二个参数是线条的粗细
plt.plot(x,jan_sales,'r',lw=5)# 4 line w

# 添加标题
plt.title('水果2018年度1月份销量图')
plt.ylim([2000,15000])

# 为每个点添加数值标签
for x,y in enumerate(jan_sales):
 plt.text(x,y+100,'%s' %y,ha='center')

# 显示图形
plt.show()

效果图：

折线图通过调用plot()方法绘制。

3、饼图

饼图主要用于展示数据的占比情况，使人能直观地看出各部分的比例大小。饼图使用pie()函数绘制。

import matplotlib.pyplot as plt

# 设置绘图的主题风格（不妨使用R中的ggplot分隔）
plt.style.use('ggplot')

# 构造数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['苹果','香蕉','梨','猕猴桃','桔子']

explode = [0,0.1,0,0,0] # 用于突出显示大专学历人群
colors=['#FEB748','#EDD25D','#FE4F54','#51B4FF','#dd5555'] # 自定义颜色

# 中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 将横、纵坐标轴标准化处理，保证饼图是一个正圆，否则为椭圆
plt.axes(aspect='equal')

# 控制x轴和y轴的范围
plt.xlim(0,4)
plt.ylim(0,4)

# 绘制饼图
plt.pie(x = edu,# 绘图数据
 explode=explode, # 突出显示香蕉人群
 labels=labels, # 添加水果销量水平标签
 colors=colors, # 设置饼图的自定义填充色
 autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
 pctdistance=0.8,# 设置百分比标签与圆心的距离
 labeldistance = 1.15, # 设置销量水平标签与圆心的距离
 startangle = 180, # 设置饼图的初始角度
 radius = 1.5, # 设置饼图的半径
 counterclock = False, # 是否逆时针，这里设置为顺时针方向
 wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'},# 设置饼图内外边界的属性值
 textprops = {'fontsize':12, 'color':'k'}, # 设置文本标签的属性值
 center = (1.8,1.8), # 设置饼图的原点
 frame = 1)# 是否显示饼图的图框，这里设置显示

# 删除x轴和y轴的刻度
plt.xticks(())
plt.yticks(())
# 添加图标题
plt.title('2018年水果销量分析')

# 显示图形
plt.show()

效果图：

简要介绍pie函数的主要参数：

x: 指定绘图的数据
explode: 指定饼图中某些部分的突出显示，即呈现爆炸式效果
labels: 为饼图添加标签说明，类似于图例说明
colors: 指定饼图的填充色
autopct: 设置百分比格式，如'%.1f%%'表示保留一位小数
shadow: 是否添加饼图的阴影效果
pctdistance: 设置百分比标签与圆心的距离
labeldistance: 设置各扇形标签（图例）与圆心的距离
startangle: 设置饼图的初始摆放角度，180表示水平
radius: 设置饼图的半径大小
counterclock: 是否让饼图按逆时针顺序呈现，值为True或False
wedgeprops: 设置饼图内外边界的属性，如边界线的粗细、颜色等，例如wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'}
textprops: 设置饼图中文本的属性，如字体大小、颜色等
center: 指定饼图的中心点位置，默认为原点
frame: 是否要显示饼图背后的图框，如果设置为True，需要同时控制图框x轴、y轴的范围和饼图的中心位置

4、散点图

散点图的主要作用是判断两个变量之间关系的强弱，或者确认是否存在关系。

散点图由scatter()方法绘制。

import numpy as np
import matplotlib.pyplot as plt

# 数据个数
n = 50
# 均值为0, 方差为1的随机数
x = np.random.normal(0, 1, n)
y = np.random.normal(0, 1, n)

# 计算颜色值
color = np.arctan2(y, x)
# 绘制散点图
plt.scatter(x, y, s = 75, c = color, alpha = 0.5)
# 设置坐标轴范围
plt.xlim((-1.5, 1.5))
plt.ylim((-1.5, 1.5))

# 不显示坐标轴的值
plt.xticks(([-1,0,1,2,3,4]))
plt.yticks(([-1,0,1,2,3,4]))

plt.show()

效果图：

5、箱线图

箱线图通常用于展示数据的大小、占比、趋势等信息，包含均值、分位数、极值等统计量。因此，该图信息量大，不仅能分析不同类别数据的平均水平差异（需在箱线图中加入均值点），还能揭示数据间的离散程度、异常值及分布差异等。

使用boxplot()方法绘制。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
np.random.seed(2) #设置随机种子
df = pd.DataFrame(np.random.rand(5,4),
columns=['A', 'B', 'C', 'D'])#先生成0-1之间的5*4维度数据，再装入4列DataFrame中
df.boxplot() #也可用plot.box()
plt.show()

效果图：

6、雷达图

雷达图可用于显示一个周期数值的变化，也可用于展示多个对象或维度之间的关系。

import numpy as np
import matplotlib.pyplot as plt

#标签
labels = np.array(['语文','数学','英语','生物','物理','化学'])
#数据个数
dataLenth = 6
#数据
data = np.array([7,4,3,6,4,8])

angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False)
data = np.concatenate((data, [data[0]])) # 闭合
angles = np.concatenate((angles, [angles[0]])) # 闭合

fig = plt.figure()
ax = fig.add_subplot(111, polar=True)# polar参数！！
ax.plot(angles, data, 'bo-', linewidth=2)# 画线
ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充
ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
ax.set_title("matplotlib雷达图", va='bottom', fontproperties="SimHei")
ax.set_rlim(0,10)
ax.grid(True)
plt.show()

效果图：

7、气泡图

气泡图用于判断3个变量之间是否存在某种关系。它与散点图类似，区别在于气泡图以气泡大小作为新的维度。

import pandas as pd
import matplotlib.pyplot as plt
import pandas as pd

d = {"时间":pd.Series([2006,2007,2008,2009,2010]),
  "数量":pd.Series([10,200,120,150,300]),
  "大小":pd.Series([50,130,40,50,160]),
  "分类":pd.Series([1,2,0,1,2]),
  "判断":pd.Series([True,True,True,True,True])}

df=pd.DataFrame(d)

#先定义气泡大小，rank 函数将大小列进行大小分配，越大的值分配结果也越高
#n 为倍数，用来调节气泡的大小，且看后头

size=df['大小'].rank()
n=20

#定义一个字典，将颜色跟对应的分类进行绑定

color={0:'red',1:'blue',2:'orange'}

#增加color的参数，用列表解析式将data分类中的每个数据的数字映射到前面color的颜色中

plt.scatter(df['数量'],df['大小'],color=[color[i] for i in df['分类']],s=size*n,alpha=0.6)
plt.show()

效果图：