Python数据可视化入门：matplotlib基础绘图指南

matplotlib简介与背景

matplotlib简介

对于参与过数学建模竞赛或熟悉MATLAB的用户而言，其强大的绘图功能令人印象深刻。MATLAB能够便捷地生成各类函数曲线与数值分布图像，操作直观且高效。即便未曾接触过MATLAB，了解其绘图优势即可。尽管MATLAB功能强大，但作为商业软件，其授权成本较高；相比之下，许多开发者更倾向于使用语法简洁且免费的Python进行开发。

鉴于MATLAB的普及与成本问题，社区中出现了仿照其绘图接口开发的Python工具，即matplotlib。它是目前Python数据分析及机器学习领域中最主流、应用最广泛的可视化库，几乎占据主导地位。此前因国际形势变化，部分高校被限制使用MATLAB，这进一步推动了使用Python开源工具替代的需求。虽然Python在其他复杂功能上未必能完全替代MATLAB，但在绘图可视化领域，matplotlib已能提供充分的支持。

matplotlib基本用法与安装

matplotlib 基本用法

matplotlib之所以广受欢迎，核心在于其易用性与高效性。通过简短的代码即可生成高画质的图表，以下经典案例将直观展示其强大功能。

我们主要使用matplotlib库中的pyplot模块，从名称即可看出这是Python的绘图库。若已安装Anaconda等完整Python发行版，该库通常已预装。若未安装，可通过简单的pip命令进行安装：。

pip install matplotlib

安装完成后，业界通用的惯例是将pyplot模块重命名为plt，因此在阅读开源代码或专家教程时，常会看到plt.xxx形式的调用，这便是由此约定而来。

import matplotlib.pyplot as plt

matplotlib提供了多种常用绘图函数：首先是用于绘制折线图或曲线图的plot函数；其次是用于绘制柱状图的hist函数；第三是用于绘制散点图的scatter函数；此外还有用于绘制饼状图的pie函数。虽然也支持三维图像绘制，但日常应用中较少涉及，多用于特殊展示需求。

曲线图绘制详解

曲线图

plot函数主要用于绘制曲线图，其原理是通过描点并连接数据点形成平滑曲线。当然，根据数据特性，它同样适用于绘制折线图或直线，最终呈现效果完全取决于输入数据的分布特征。

其基本用法十分简单，只需传入代表x轴和y轴数值的两个列表即可。例如，绘制Logistic函数图像的代码如下：。

x = np.linspace(-10, 10, 100)
y = 1 / (1 + np.exp(-x))

plt.plot(x, y)
plt.show()

在上述代码中，首先利用numpy库的linspace函数生成一个包含100个均匀分布点的数组，范围从-10到10。随后计算对应的Logistic函数值，即y = 1 / (1 + np.exp(-x))。该函数大家已十分熟悉：x是一个包含100个元素的列表，对应的y也是100个元素的列表。每一对(x, y)构成一个坐标点，代表图中的位置。

无需进行额外转换，直接将这两个数组传入plt.plot()，库会自动完成坐标映射。最终呈现效果如下：。

从图中可见，绘图效果良好。除了完整绘制曲线外，坐标轴上的点位标记也清晰可见，便于数据查看与核对。

直方图与分布分析

直方图

hist函数用于绘制直方图，这是一种极为常见的图表类型。在财经领域，直方图常用于展示数据走势；在数据分析与机器学习中，它则用于展示特征或数值的分布情况。

绘制直方图时，只需传入待分析分布的数组，并指定bins参数以设定分桶数量。系统将统计每个桶内的数据数量并绘制直方图，从而直观展示数据的分布形态。

x = np.random.normal(size=200)
plt.hist(x,bins=30)
plt.show()

此处调用numpy库中生成正态分布随机数的函数，所得结果应呈现正态分布特征：。

观察生成的图像，结果与理论预期的正态分布基本吻合：。

散点图与数据分布

点状图

第三种图表为散点图，用于展示每个数据点的具体分布。在介绍KNN（K近邻）和K-Means聚类模型时，常使用散点图，其中每个点代表一个样本。通过散点图，我们可以直接观察样本及其数据分布情况，相比直方图的统计结果，散点图更为直观。

然而，散点图也存在局限性：它仅能展示二维平面内的点分布，超过三维的维度难以直接绘制，且三维数据的分布观察难度较大。

散点图的绘制同样简便，只需调用scatter函数并传入x和y数组即可：。

x = np.random.rand(100)
y = np.random.rand(100)

plt.scatter(x, y)

由于此处x和y均为随机分布，因此生成的图像呈现为杂乱无规律的点集：。

饼状图与比例展示

饼状图

最后介绍饼状图，这也是常用图表之一。虽然同样反映数据分布，但饼状图更侧重于展示各部分占总体的比例，通过视觉面积直观体现占比关系。

向pie函数传入一个列表，matplotlib会根据列表中各值在总和中的占比绘制饼状图。一个简单的示例如下：。

a = np.array([0.5, 0.3, 0.2, 0.1, 0.8])

plt.pie(a)

生成的结果如下：。

与前述图表相比，饼状图的清晰度稍逊，尽管不同区域使用了不同颜色区分，但难以直观判断每个区域具体代表的含义。此问题可通过传入额外参数和设置来解决，从而展示更多信息，使数据呈现更加生动清晰。

本文到此结束，若觉得内容有用，欢迎关注、转发和点赞，给予支持。

以上就是关于Python matplotlib绘图库的详细教程，更多Python及matplotlib相关资料请关注本站其他文章。