Matplotlib 基础

本章目标

1. 理解 Figure、Axes、Axis 三层对象结构以及创建方式
2. 掌握 plot 的线型、标记、颜色等高频可视化参数
3. 学会使用 subplots 快速构建多图布局并保存输出

重点方法与概念速览

名称	类型	作用
plt.subplots(nrows, ncols)	函数	创建 Figure 与 Axes 容器
ax.plot(x, y)	方法	绘制折线并配置线型、颜色、标记
ax.set_xlabel / set_ylabel / set_title	方法	设置轴标签、标题
ax.legend()	方法	管理图例展示
ax.grid(True)	方法	显示网格线
fig.savefig(path)	方法	将图表写入文件
plt.tight_layout()	函数	自动调整子图间距

1. Figure 和 Axes

plt.subplots / ax.plot

作用

plt.subplots 返回 (fig, ax)，其中 fig 是画布，ax 是绘图区域。多条曲线可在同一个 Axes 上叠加，配合图例便于对比。轴标签、标题、网格属于最基础的读图语义信息，应显式设置。

重点方法

plt.subplots(nrows=1, ncols=1, *, figsize=None)
ax.plot(*args, label=None, color=None, linestyle='-')
ax.set_xlabel(xlabel) / ax.set_ylabel(ylabel) / ax.set_title(label)
ax.legend() / ax.grid(visible=True)

参数

参数名	类型	说明	示例取值
nrows	int	子图行数，默认为 1	1
ncols	int	子图列数，默认为 1	1
figsize	tuple[float, float]	画布尺寸（英寸）	(8, 5)
x / y	array_like	横/纵轴数据序列	np.linspace(0, 10, 100), np.sin(x)
label	str	图例名称	"sin(x)"
color	str	线条颜色	"red"
linestyle	str	线条样式："-" / "--" / ":" / "-."	"--"

示例代码

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(x, np.sin(x), label="sin(x)")
ax.plot(x, np.cos(x), label="cos(x)")
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.set_title("Basic Plot")
ax.legend()
ax.grid(True)

输出

控制台提示: 图表已保存到 outputs/visualization/01_basic.png

理解重点

• 把 Figure 理解为"画布"，Axes 理解为"具体图表区域"
• 任何复杂布局都可以拆解成多个 Axes 的组合
• ax.plot 返回 Line2D 列表，可用于后续修改

2. 线条样式

ax.plot 的线型参数

作用

plot 支持通过格式字符串快速指定颜色和线型（如 "r-"、"g--"）。linewidth 可以显著改善可读性，建议在对比图中统一设置。线型差异是彩色和灰阶打印都可区分的重要编码方式。

重点方法

ax.plot(x, y, fmt, *, linewidth=1.5, label=None)

参数

参数名	类型	说明	示例取值
fmt	str	颜色与线型快捷写法："r-" "g--" "b:" "m-."	"r-"
linewidth	float	线宽	2
label	str	图例名称	"solid"

示例代码

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 50)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x), "r-", linewidth=2, label="solid")
ax.plot(x, np.sin(x + 0.5), "g--", linewidth=2, label="dashed")
ax.plot(x, np.sin(x + 1.0), "b:", linewidth=2, label="dotted")
ax.plot(x, np.sin(x + 1.5), "m-.", linewidth=2, label="dashdot")
ax.legend()
ax.set_title("Line Styles")
plt.close()

输出

控制台提示: 图表已保存到 outputs/visualization/01_line_styles.png
常用线型: - / -- / : / -.

理解重点

• 线型应优先用于"系列区分"，颜色用于"语义强调"
• 同时设置 label 与 legend 是对比图最小闭环
• 格式字符串第一个字符为颜色，第二个字符为线型

3. 标记符号

ax.plot 的 marker 参数

作用

标记（marker）可以突出离散采样点，适合小样本展示。markersize 决定视觉密度，过大容易遮挡趋势。多序列情况下，图例列数可通过 legend(ncol=...) 控制紧凑布局。

重点方法

ax.plot(x, y, *, marker=None, markersize=None, label=None)
ax.legend(*, ncol=1)

参数

参数名	类型	说明	示例取值
marker	str	标记符号："o" "s" "^" "D" "v" "p" "*" "x"	"o"
markersize	float	标记大小	8
ncol	int	图例列数，默认为 1	4

示例代码

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 10)
markers = ["o", "s", "^", "D", "v", "p", "*", "x"]

fig, ax = plt.subplots(figsize=(10, 6))
for i, m in enumerate(markers):
    ax.plot(x, np.sin(x) + i * 0.5, marker=m, label=f"'{m}'", markersize=8)
ax.legend(ncol=4)
ax.set_title("Marker Symbols")
plt.close()

输出

控制台提示: 图表已保存到 outputs/visualization/01_markers.png

理解重点

• 标记是离散信息编码，不应替代颜色和线型的主语义
• 数据点很多时建议降低 alpha 或减少 marker 使用
• 标记符号的可见性取决于 markersize 和数据密度

4. 颜色设置

颜色指定方式

作用

Matplotlib 支持单字符、颜色名、十六进制、RGB 元组与 colormap 多种写法。在团队协作中建议固定调色板，避免每张图配色风格漂移。

重点方法

ax.plot(x, y, color=None)           # 单字符 / 颜色名 / hex / RGB
plt.cm.get_cmap(name)               # 获取 colormap 对象

参数

参数名	类型	说明	示例取值
color	str 或 tuple	颜色指定：单字符 / 名称 / #RRGGBB / (r,g,b)	"red" "#FF5733" (0.1,0.2,0.5)
name	str	colormap 名称："viridis" "coolwarm" "Set1" 等	"viridis"

示例代码

import matplotlib.pyplot as plt

print("单字符: r, g, b, c, m, y, k, w")
print("颜色名: red, green, blue, steelblue, coral")
print("十六进制: #FF5733")
print("RGB 元组: (0.1, 0.2, 0.5)")
print(f"Colormap 示例: {plt.cm.viridis}")

输出

单字符: r, g, b, c, m, y, k, w
颜色名: red, green, blue, steelblue, coral
十六进制: #FF5733
RGB 元组: (0.1, 0.2, 0.5)
Colormap 示例: <matplotlib.colors.LinearSegmentedColormap object>

理解重点

• 颜色不是装饰，而是编码变量和强调信息的工具
• 在深浅背景切换时，优先验证颜色对比度是否足够
• 连续数据用顺序色图（viridis），发散数据用 diverging（coolwarm），类别用定性色图（Set1）

5. 子图布局

plt.subplots 多图网格

作用

subplots(2, 2) 可一次性创建网格布局，适合多指标对照。axes[i, j] 访问单个子图，配置方式与普通 ax 完全一致。保存前调用 tight_layout 可以避免标题和坐标标签重叠。

重点方法

plt.subplots(nrows=1, ncols=1, *, figsize=None)
plt.tight_layout()
fig.savefig(fname, dpi=None)

参数

参数名	类型	说明	示例取值
nrows	int	子图行数，默认为 1	2
ncols	int	子图列数，默认为 1	2
figsize	tuple[float, float]	画布尺寸	(10, 8)
fname	str	保存路径	"output.png"
dpi	int	分辨率，默认为 None	150

示例代码

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].plot(x, np.sin(x)); axes[0, 0].set_title("sin(x)")
axes[0, 1].plot(x, np.cos(x)); axes[0, 1].set_title("cos(x)")
axes[1, 0].plot(x, np.exp(-x / 5) * np.sin(x)); axes[1, 0].set_title("Damped")
axes[1, 1].plot(x, x ** 2); axes[1, 1].set_title("x²")
plt.tight_layout()
plt.close()

输出

控制台提示: 图表已保存到 outputs/visualization/01_subplots.png

理解重点

• 子图布局是"同一视图比较"最有效的表达方式
• 建议保持统一配色和字体，避免多图布局视觉噪音
• tight_layout 在标题/标签较长时尤为重要

常见坑

1. 忘记调用 plt.tight_layout() 导致标题被截断
2. 坐标轴刻度标签与数据精度不匹配
3. 中文显示为方块——需配置中文字体

小结

• Matplotlib 采用 Figure → Axes → Axis 三层结构——先理解对象层级再绘图
• subplots 是创建画布的统一入口——单图和多图都用它
• 线型、标记、颜色三要素各自承载不同信息维度——避免混用
• 子图布局 + 统一样式是专业报告图的基础