你是不是——

看Matplotlib教程时，被各种“坐标系”“子图”“轴域”绕晕？

想画个简单图表，却要翻10篇文档才能拼出代码？

论文/工作报告急需一张专业图表，但只会Excel“柱状图大法”？

别慌，这篇教程不一样！

用大白话 + 直接能抄的代码，从“画个折线图都手抖”到“3D动态图表自由”，只差这一篇！

一、Matplotlib 基础

在机器学习实验中，Matplotlib 的高级绘图技巧对于数据可视化非常的重要，因为它们能够有效地揭示数据之间的关系、分布和趋势，帮助大家快速识别模式和异常点。通过使用多种图形（如子图、散点图、箱线图等），可以清晰展示复杂的数据特征，提高数据分析的效率。

最终，良好的可视化不仅有助于模型选择和结果解释，还能够在与团队和利益相关者沟通时传达更具说服力的分析结果。

• 安装

bash

pip install matplotlib

1. 快速入门

python

import matplotlib.pyplot as plt

import numpy as np

# 生成数据

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

y = np.sin(x)

# 创建画布和坐标系

plt.figure(figsize=(8,4)) # 设置画布大小

plt.plot(x, y, label='sin(x)', color='blue', linestyle='--')

# 添加标注

plt.title("Sine Wave")

plt.xlabel("X-axis")

plt.ylabel("Y-axis")

plt.legend() # 显示图例

plt.grid(True)

# 显示图形

plt.show()

二、核心图表类型

1. 折线图

python

plt.plot([1,2,3,4], [1,4,9,16], 'ro-') # 红色圆点+连线

2. 柱状图

python

categories = ['A', 'B', 'C']

values = [15, 25, 30]

plt.bar(categories, values, color=['r', 'g', 'b'])

3. 散点图

python

x = np.random.randn(100)

y = x + np.random.randn(100)*0.5

plt.scatter(x, y, alpha=0.5, c=np.random.rand(100), s=50)

4. 饼图

python

sizes = [25, 35, 40]

labels = ['A', 'B', 'C']

plt.pie(sizes, labels=labels, autopct='%1.1f%%', explode=(0,0.1,0))

三、高级技巧

1. 多图布局

在可视化多维数据时，你可能希望在同一个窗口中展示多个图表进行对比。这时，使用 plt.subplots() 可以非常轻松地实现多子图布局。你可以灵活控制每个子图的大小、位置，甚至每个子图中的内容。

python

fig, axes = plt.subplots(2, 2, figsize=(10,8)) # 2x2布局

# 绘制子图

axes[0,0].plot(x, y)

axes[0,1].scatter(x, y)

axes[1,0].bar(categories, values)

axes[1,1].pie(sizes, labels=labels)

plt.tight_layout() # 自动调整间距

2. 样式控制

Matplotlib 提供了一些预设风格，比如 seaborn 或 ggplot 风格，你可以根据需要自定义图形的整体风格，让图表更美观。

python

plt.style.use('ggplot') # 使用预定义样式

# 或自定义样式

plt.rcParams.update({

'font.size': 12,

'axes.titlesize': 16,

'lines.linewidth': 2

})

3. 3D绘图

Matplotlib 支持三维绘图，可以帮助可视化三维数据。

实现方式使用 mpl_toolkits.mplot3d 提供的 Axes3D 创建三维坐标系。

python

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()

ax = fig.add_subplot(111, projection='3d')

x = np.random.standard_normal(100)

y = np.random.standard_normal(100)

z = np.random.standard_normal(100)

ax.scatter(x, y, z, c=z, cmap='viridis')

四、专业级技巧

1. 动态更新

python

plt.ion() # 开启交互模式

for i in range(10):

plt.clf() # 清空画布

plt.plot(np.random.randn(100))

plt.pause(0.5) # 暂停0.5秒

plt.ioff()

2. 保存图像

python

plt.savefig('output.png', dpi=300, bbox_inches='tight')

3. 动画制作

python

from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()

xdata, ydata = [], []

ln, = plt.plot([], [], 'ro')

def init():

ax.set_xlim(0, 2*np.pi)

ax.set_ylim(-1, 1)

return ln,

def update(frame):

xdata.append(frame)

ydata.append(np.sin(frame))

ln.set_data(xdata, ydata)

return ln,

ani = FuncAnimation(fig, update, frames=np.linspace(0, 2*np.pi, 128),

init_func=init, blit=True)

plt.show()

五、最佳实践

1. 矢量图格式：优先保存为PDF/SVG格式用于印刷出版

2. 分辨率设置：屏幕显示用72-100dpi，印刷用300dpi+

3. 颜色选择：使用色盲友好配色（推荐使用viridis、plasma等内置colormap）

4. 字体设置：中文字体显示解决方案：

python

plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows

plt.rcParams['axes.unicode_minus'] = False

六、学习路径

1. 精通基础API：figure, axes, plot, scatter, bar等核心函数

2. 掌握布局系统：subplots, gridspec, add_axes

3. 深入样式定制：颜色映射、线型、标记符号

4. 扩展学习：

- Seaborn：统计图形高级封装

- Plotly：交互式可视化

- Mayavi：专业级3D可视化

官方文档：

https://matplotlib.org/stable/contents.html

通过以上知识点结合实践练习，可以快速掌握Matplotlib的核心功能。建议从简单图表开始，逐步挑战复杂可视化需求。

如果对你来说比较有用，记得点赞、收藏，慢慢学习~下次会有更多干货等着你！~