Python Matplotlib 绘图核心操作与可视化指南

Matplotlib 绘图基础架构

在 Python 中进行数据可视化时，理解底层对象模型至关重要。Matplotlib 的图像并非直接绘制在屏幕上，而是位于 Figure 对象之中。要创建一个新的画布，需调用 plt.figure()。随后，必须通过 add_subplot() 方法在 Figure 中创建具体的子图（subplot）区域，才能进行数据绘制。

子图布局与共享轴

当需要展示多组数据对比时，合理布局子图能提升可读性。创建子图时，可传入 label 参数以标识特定子图。若多个子图需要展示相同量级的数据，可通过 sharex 和 sharey 参数指定它们共享 X 轴或 Y 轴，确保坐标刻度一致。

子图之间的间距可通过 subplots_adjust() 函数进行精细调整。其中，wspace 控制子图之间的宽度百分比，hspace 控制高度百分比。合理设置这些参数可避免图表元素重叠。

绘图类型与代码实现

Matplotlib 支持多种基础图表类型，开发者可根据数据特征选择合适的函数：

• 线形图：默认情况下，plot() 函数绘制线形图。
• 柱状图：使用 bar() 绘制垂直柱状图，barh() 绘制水平柱状图。
• 直方图与密度图：可通过 Series 的 hist() 方法绘制直方图，并设置 kin='kde' 叠加核密度估计曲线。
• 散布图：使用 plt.scatter() 绘制散点分布。

以下代码展示了如何创建 Figure、添加子图并绘制带有标签的累积和曲线：

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.plot(randn(1000).cumsum(), 'k', label='one')

图表注解与样式配置

为了增强图表的信息密度，常需添加文本或箭头注解。Matplotlib 提供了三个相关函数：text() 用于添加静态文本，arrow() 用于绘制带箭头的线条，annotate() 则用于添加带有指引线的复杂注解。

全局样式设置

若希望统一图表的字体风格，可使用 plt.rc() 设置全局默认值。例如，以下代码将字体设置为等宽字体、粗体且字号较小：

font_options = {'family': 'monospace', 'weight': 'bold', 'size': 'small'}
plt.rc('font', **font_options)

图片保存与导出

完成绘图后，使用 savefig() 函数将图像保存为文件。为了获得高清输出，可指定 dpi（每英寸点数）参数，例如保存为 400 DPI 的 PNG 文件。此外，设置 bbox_inches='tight' 可自动裁剪图表周围的空白区域，使保存的图片更紧凑。

plt.savefig('figpath.png', dpi=400, bbox_inches='tight')

通过掌握 Figure 创建、子图布局、注解添加及高清保存等核心操作，开发者能够高效利用 Python 进行专业级的数据可视化工作。

以上就是 Python Matplotlib 绘图和可视化的详细内容，更多关于 Python 数据可视化、Matplotlib 高级用法及数据分析的资料请关注本站其它相关文章！