Matplotlib是Python最强大的数据可视化库，广泛应用于科研、商业分析等领域。本文聚焦基础图表绘制与高级定制技巧，助你快速掌握数据图形化表达。文末提供《Python数据可视化实战源码包》可直接运行修改。

---

一、快速入门：5种基础图表

1. 折线图（趋势分析）

python

import matplotlib.pyplot as plt  
x = [1, 2, 3, 4, 5]  
y = [2, 4, 1, 6, 3]  
plt.plot(x, y, linestyle='--', color='blue', marker='o')  
plt.title("月度销售额趋势")  
plt.xlabel("月份")  
plt.ylabel("销售额（万元）")  
plt.show()  

关键参数：linestyle（线型）、marker（标记点样式）、linewidth（线宽）。

2. 柱状图（对比分析）

python

categories = ['A', 'B', 'C']  
values = [23, 45, 37]  
plt.bar(categories, values, color=['#FF6B6B', '#4ECDC4', '#45B7D1'])  
plt.grid(axis='y', alpha=0.5)  # 添加横向网格线  

3. 散点图（相关性分析）

python

​import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 6, 3]
plt.scatter(x, y, s=50, c=y, cmap='viridis')  # s控制点大小，c用颜色映射数值
plt.colorbar(label='数值强度')
plt.show() 

​

4. 饼图（占比分析）

python

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
labels = ['电商', '门店', '批发']
sizes = [55, 30, 15]
plt.pie(sizes, labels=labels, autopct='%1.1f%%', explode=(0.1, 0, 0))
plt.show()

5. 子图布局（多图组合）

python

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
ax1=plt.subplot(211)
ax2=plt.subplot(212)
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 6, 3]
categories = ['A', 'B', 'C']
values = [23, 45, 37]
ax1.plot(x, y)
ax2.bar(categories, values)
plt.tight_layout()  # 自动调整间距
plt.show()

---

二、进阶技巧：让图表更专业

1. 样式美化

   • 使用plt.style.use('ggplot')调用预置主题（如seaborn、dark_background）

   • 自定义字体：plt.rcParams['font.sans-serif'] = ['SimHei']（解决中文乱码）

2. 动态可视化

python

from matplotlib.animation import FuncAnimation  
fig, ax = plt.subplots()  
line, = ax.plot([], [])  

def update(frame):  
    line.set_data(x[:frame], y[:frame])  
    return line,  

ani = FuncAnimation(fig, update, frames=len(x), interval=200)  
plt.show()  

1. 3D绘图

python

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x=[3,2,4,5,2,1,5]
y=[5,3,1,2,5,6,7]
z=[9,3,2,4,5,3,5]
ax.scatter(x, y, z, c='r', marker='o')
plt.show()

---

三、实战案例解析

在《Python数据可视化实战源码包》中，包含以下经典场景：

1. 销售数据仪表盘：组合折线图、柱状图与饼图，使用subplots布局

2. 人口金字塔图：通过双柱状图反向对称呈现年龄分布

3. 热力图绘制：用imshow()展示矩阵数据关联性（适合用户行为分析）

4. 动态排序图：结合FuncAnimation实现条形图竞赛效果

示例代码片段（热力图）：

python

import numpy as np  
data = np.random.rand(10, 10)  
plt.imshow(data, cmap='coolwarm')  
plt.colorbar()  
plt.xticks(range(10), ['A','B','C','D','E','F','G','H','I','J'])  
plt.yticks(range(10), ['1月','2月','3月','4月','5月','6月','7月','8月','9月','10月'])  

---

四、学习建议

1. 从模仿开始：运行附件源码，逐步修改参数（颜色、尺寸等）观察变化

2. 善用文档：通过plt.plot?查看函数详细参数说明

3. 数据驱动：优先用Pandas导入数据（如df.plot()快速绘图）

4. 导出图表：使用plt.savefig('chart.png', dpi=300)保存高清图片

附：下载《Python数据可视化实战源码包》，包含10+行业案例代码及数据集，注释率100%，适合二次开发！

掌握Matplotlib，让数据开口说话——你的分析报告将从此与众不同！