当前位置：首页 > news >正文

Matplotlib图形绘制方法精讲：从面向对象架构到多子图布局实战

news 2026/8/28 6:43:31

1. 为什么“从零开始”学Matplotlib，却要从“图形绘制方法”切入？

很多朋友一听到“从零开始学习”，下意识就会去找那种从安装Python、配置环境开始的保姆级教程。这当然没错，但对于Matplotlib这个库，如果你真的按部就班从import matplotlib.pyplot as plt开始，然后学plt.plot()、plt.scatter()这些基础函数，大概率会陷入一个怪圈：教程里的图都画出来了，但一到自己的项目里，想调个图例位置、改个坐标轴刻度、或者把几个子图排列得好看点，就立刻抓瞎，代码越写越乱，最后只能去Stack Overflow上复制粘贴看不懂的魔改代码。

这就是典型的“知道函数，但不懂方法”。函数是工具，方法是使用工具的逻辑和体系。这篇“特别篇”的目的，就是帮你跳过那个混乱的摸索期，直接建立起Matplotlib图形绘制的“方法观”。我们不追求面面俱到地介绍所有函数，而是聚焦于几个核心的、能解决你80%绘图需求的“方法”。当你掌握了这些方法，再去看官方文档或者复杂案例，你会发现它们都是这些基础方法的组合与变体，学起来会快得多。

最近在技术社区里，关于Matplotlib的讨论除了常规的“如何画得更好看”，还出现了一些很有意思的实践，比如结合NumPy进行矩阵计算后可视化（像“numpy 计算matplotlib画的方块邻居元素之和”这类问题），这其实就涉及到了数据计算与图形元素精准映射的方法。而“pr中图形绘制中的控制健”这个搜索词（虽然可能是其他领域的误输入），也侧面反映了大家对“控制”和“交互”的渴望——在Matplotlib里，这就是通过对象方法和事件回调来实现的。所以，这篇内容会紧扣“方法”二字，让你不仅能画出图，更能理解图背后的对象层级和控制逻辑，从而真正掌控你的可视化。

2. 理解Matplotlib的“两层楼”架构：为什么你的图总调不好？

几乎所有Matplotlib新手都会踩的第一个大坑，就是混淆了它的两种接口风格：pyplot状态机接口和面向对象（OO）接口。很多入门教程只教前者，因为它简单，几行代码就能出图，但这恰恰是导致后期代码难以维护和定制的根源。

2.1 快速出图但“失控”的pyplot模式

我们最熟悉的写法是这样的：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(8, 4)) # 创建一个图形 plt.plot(x, y, label='sin(x)') # 在当前图形和坐标轴上画线 plt.title('A Simple Sine Wave') # 给“当前”坐标轴加标题 plt.xlabel('X Axis') plt.ylabel('Y Axis') plt.legend() plt.grid(True) plt.show()

这段代码能完美运行。plt.plot()、plt.title()、plt.xlabel()这些函数仿佛有记忆，它们自动在“当前”的图形（Figure）和坐标轴（Axes）上操作。pyplot模块在背后维护了一个状态机，记录着当前激活的是哪个图形和坐标轴。这种方法对于写脚本、做一次性探索分析非常快捷。

但是，它的弊端在需要精细控制时暴露无遗：

隐式依赖：你永远要小心“当前”激活的是哪个坐标轴，尤其是在画子图（subplot）时，一个不小心就会把内容画错地方。
代码难以模块化：如果你想写一个函数来定制化某个图，这个函数内部如果调用了plt.xxx()，它会影响到函数外部的全局绘图状态，带来意想不到的副作用。
功能受限：很多高级定制功能，在pyplot接口里要么没有，要么用起来很别扭。

2.2 清晰且强大的面向对象（OO）模式

这才是Matplotlib设计的核心，也是我们这篇“方法篇”的基石。它的理念非常直观：显式地创建图形对象，并在这些对象上调用方法。

同样的图，用OO模式重写：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) # 1. 显式创建图形（画布）和坐标轴（子图） fig, ax = plt.subplots(figsize=(8, 4)) # 2. 所有绘图和设置操作，都在具体的ax对象上进行 line, = ax.plot(x, y, label='sin(x)') # ax.plot() 返回一个线条对象列表 ax.set_title('A Simple Sine Wave') # 注意是 set_title，不是 plt.title() ax.set_xlabel('X Axis') ax.set_ylabel('Y Axis') ax.legend() ax.grid(True) # 3. 显示图形 plt.show()

关键变化：

fig, ax = plt.subplots()：这行代码同时创建了图形（fig）和一个坐标轴（ax）。fig好比是画布，ax是画布上的一个坐标系（可以有很多个）。
ax.plot(),ax.set_title(),ax.set_xlabel()：所有操作都是针对ax这个明确的对象。代码意图一目了然，没有任何隐式状态。
line, = ax.plot(...)：plot方法返回一个包含线条对象的列表。这里用逗号赋值将其解包出来。这个line对象后续可以用来单独设置线条属性（如颜色、宽度），实现更精细的控制。

为什么OO模式是必须掌握的方法？因为它将Matplotlib的三个核心对象层级清晰地暴露给你：

Figure（图形）：顶级容器，相当于画布或窗口。可以设置画布大小（figsize）、DPI、背景色等。
Axes（坐标轴）：这是绝大多数魔法发生的地方。一个Figure可以包含多个Axes（子图）。我们常说的“画图”，其实90%的工作是在Axes对象上完成的：绘图（plot, scatter, bar...）、设置坐标轴范围、刻度、标签、图例、网格等。
Axis（轴）：注意是Axis，不是Axes。指的是每个坐标轴上的那条线（x轴、y轴），控制着刻度位置、刻度标签格式等。

理解了这个“两层楼”（Figure - Axes）或“三层楼”（Figure - Axes - Axis）的架构，你就掌握了Matplotlib的“地图”。无论你想修改什么，都知道该去找哪个对象。

实操心得：从今天起，强迫自己使用OO模式。plt.subplots()是你的好朋友。即使是单图，也写成fig, ax = plt.subplots()。这一个小小的习惯，能为你后续节省大量的调试时间。

3. 核心绘制方法：不止是plot和scatter

掌握了OO模式，我们来看看在Axes对象上，有哪些核心的绘图“方法”。这些方法决定了你呈现数据的“视觉编码”方式。

3.1 折线图与散点图：数据趋势与分布的基石

ax.plot()和ax.scatter()是最常用的两个方法，但它们的参数远不止x, y。

ax.plot()- 连接点以显示趋势

# 基础用法 ax.plot(x, y, color='blue', linewidth=2, linestyle='--', marker='o', markersize=8, label='Data Trend') # 关键参数解析： # - color: 颜色。可以用名字('red')、十六进制('#FF5733')或RGB元组((0.1, 0.2, 0.5))。 # - linewidth (lw): 线宽。整数或浮点数。 # - linestyle (ls): 线型。'-'实线，'--'虚线，':'点线，'-.'点划线。 # - marker: 数据点标记。'o'圆圈，'s'方块，'^'上三角，'*'星星等。 # - markersize (ms): 标记大小。 # - label: 为线条设置标签，用于图例。

plot方法的核心思想是“连接”，适合展示连续数据的变化趋势、时间序列等。

ax.scatter()- 展示个体与分布

# 生成随机数据 np.random.seed(42) x_scatter = np.random.randn(100) y_scatter = np.random.randn(100) colors = np.random.rand(100) # 用于颜色映射的数值 sizes = 1000 * np.random.rand(100) # 点的大小数组 # 绘制散点图，用颜色和大小传递第三、第四维信息 scatter = ax.scatter(x_scatter, y_scatter, c=colors, s=sizes, alpha=0.6, cmap='viridis', edgecolors='black', linewidth=0.5) # 添加颜色条(Colorbar)，解释颜色映射 fig.colorbar(scatter, ax=ax, label='Color Value') # 关键参数解析： # - c: 颜色。可以是一个颜色字符串（所有点同色），也可以是一个数值序列，此时颜色由cmap参数和该数值共同决定。 # - s: 点的大小。可以是一个标量（所有点一样大），也可以是一个数组（每个点不同大小）。 # - alpha: 透明度，0-1之间。 # - cmap: 颜色映射表。当c是数值时，通过此色彩映射将数值映射为颜色。'viridis', 'plasma', 'coolwarm'等都是常用选项。 # - edgecolors: 点的边缘颜色。 # - linewidth: 边缘线宽。

scatter方法的核心是“展示每个点”，适合展示数据分布、聚类、相关性，并且能通过点的大小、颜色和透明度轻松编码更多维度的信息，是探索性数据分析（EDA）的利器。

3.2 柱状图与直方图：比较与分布可视化

ax.bar()与ax.barh()- 分类比较

categories = ['A', 'B', 'C', 'D', 'E'] values = [23, 45, 56, 78, 33] errors = [2, 3, 4, 5, 2] # 误差值 # 垂直柱状图 bars = ax.bar(categories, values, yerr=errors, capsize=5, color='skyblue', edgecolor='navy', linewidth=1.5) # 在柱子上方添加数值标签 for bar in bars: height = bar.get_height() ax.text(bar.get_x() + bar.get_width() / 2., height + 1, f'{height}', ha='center', va='bottom', fontsize=10) # 水平柱状图只需使用 ax.barh(y_positions, widths, ...)

柱状图用于比较不同类别的数值。yerr/xerr参数可以添加误差棒，capsize控制误差棒端帽的大小。ax.text()用于添加自定义文本标签，这是美化图表的关键技巧。

ax.hist()- 数据分布探查

data = np.random.randn(1000) # 1000个符合标准正态分布的随机数 # 绘制直方图 n, bins, patches = ax.hist(data, bins=30, density=True, alpha=0.7, color='steelblue', edgecolor='black') # 叠加一个理论上的概率密度函数（PDF）曲线，例如正态分布PDF from scipy.stats import norm x_pdf = np.linspace(min(data), max(data), 100) y_pdf = norm.pdf(x_pdf, data.mean(), data.std()) ax.plot(x_pdf, y_pdf, 'r-', linewidth=2, label='Normal PDF') ax.legend() # 关键参数解析： # - bins: 箱子数量。可以是整数，也可以是一个定义箱子边界的序列。 # - density: 如果为True，y轴显示的是概率密度（面积和为1），而非频数。 # - alpha: 透明度。 # - histtype: 直方图类型，如'bar'(默认)， 'barstacked', 'step', 'stepfilled'。 # - range: 数据的范围，超出范围的数据将被忽略。

直方图将连续数据分段，统计每个区间的频数或频率，是观察数据分布形态（是否正态、是否偏斜、有无多峰）最基本也最重要的工具。density=True参数使其变为概率密度直方图，便于与理论分布对比。

3.3 高级方法示例：填充、等高线与矢量场

为了应对更复杂的科学可视化需求，Matplotlib提供了丰富的高级绘图方法。

ax.fill_between()- 填充区域，常用于表示置信区间

x_fill = np.linspace(0, 10, 100) y_mean = np.sin(x_fill) y_std = 0.2 * np.abs(np.cos(x_fill)) # 假设标准差随x变化 y_upper = y_mean + y_std y_lower = y_mean - y_std ax.plot(x_fill, y_mean, 'b-', label='Mean') ax.fill_between(x_fill, y_lower, y_upper, color='blue', alpha=0.2, label='±1 Std Dev') ax.legend()

这个方法在展示模型预测的不确定性、误差范围时极其有用。alpha参数控制填充区域的透明度，避免遮盖底层线条。

ax.contour()与ax.contourf()- 绘制等高线（填充）

# 生成网格数据 x_contour = np.linspace(-3, 3, 100) y_contour = np.linspace(-3, 3, 100) X, Y = np.meshgrid(x_contour, y_contour) Z = np.sin(np.sqrt(X**2 + Y**2)) # 一个二维函数，例如震荡衰减曲面 # 绘制等高线 contour_lines = ax.contour(X, Y, Z, levels=10, colors='black', linewidths=0.5) ax.clabel(contour_lines, inline=True, fontsize=8) # 在线条上添加标签 # 在同一坐标轴上叠加填充等高线 contour_fill = ax.contourf(X, Y, Z, levels=10, cmap='RdYlBu_r', alpha=0.7) fig.colorbar(contour_fill, ax=ax, label='Z Value') # 添加颜色条 # 关键点：`np.meshgrid`是生成二维网格坐标的必备工具。 # `levels`参数控制等高线的数量或具体数值。

等高线图常用于地理、气象和工程领域，展示二维标量场（如高度、温度、压力）的分布。contour画线，contourf填充颜色，两者结合信息更丰富。

ax.quiver()- 绘制矢量场（箭头图）

x_quiver = np.arange(0, 2*np.pi, 0.5) y_quiver = np.arange(0, 2*np.pi, 0.5) X_q, Y_q = np.meshgrid(x_quiver, y_quiver) # 定义一个矢量场，例如旋涡场 U = np.sin(Y_q) # X方向分量 V = np.cos(X_q) # Y方向分量 ax.quiver(X_q, Y_q, U, V, color='red', angles='xy', scale_units='xy', scale=5, width=0.005) ax.set_xlim(0, 2*np.pi) ax.set_ylim(0, 2*np.pi) ax.set_aspect('equal') # 保证x和y轴比例相同，箭头方向才准确

quiver图用于可视化矢量场，如流体速度场、电磁场、梯度方向等。关键参数angles='xy'和scale_units='xy'确保了箭头在数据坐标系中的方向和长度是准确的，这是最容易出错的地方。

避坑指南：当你的箭头图看起来方向或大小很奇怪时，十有八九是angles和scale_units参数没设置对。对于在常规笛卡尔坐标系中的数据，设置angles='xy', scale_units='xy'是最稳妥的选择。

4. 多子图布局的艺术：从混乱到有序

一张图里放多个子图（Subplot）是科研论文和报告中的常态。Matplotlib提供了多种强大的布局方法，但方法选不对，排版就会一团糟。

4.1 基础网格布局：`plt.subplots`与`add_subplot`

plt.subplots一次性创建网格（推荐）这是最清晰、最常用的方法。

# 创建一个2行3列的图形网格 fig, axs = plt.subplots(nrows=2, ncols=3, figsize=(12, 8), constrained_layout=True) # constrained_layout自动调整间距 # axs 是一个 2x3 的 numpy 数组，存储着6个Axes对象 print(axs.shape) # 输出：(2, 3) # 像访问二维数组一样访问每个坐标轴进行绘图 axs[0, 0].plot(x, y, 'r-') axs[0, 0].set_title('Subplot (0,0)') axs[1, 2].scatter(x_scatter, y_scatter) axs[1, 2].set_title('Subplot (1,2)') # 如果需要将整个网格的x轴或y轴标签统一，可以遍历设置 for ax in axs.flat: ax.set(xlabel='Common X', ylabel='Common Y') ax.label_outer() # 一个有用的技巧：只显示最外围子图的刻度标签，避免重叠

constrained_layout=True参数能自动调整子图间的间距和与画布边缘的间距，解决标签重叠问题，强烈建议始终开启。

add_subplot动态添加子图

fig = plt.figure(figsize=(10, 6)) # 添加第一个子图，占据1行2列中的第1个位置 ax1 = fig.add_subplot(1, 2, 1) # 参数：行数，列数，索引位置 ax1.plot(x, y) # 添加第二个子图 ax2 = fig.add_subplot(1, 2, 2) ax2.hist(data, bins=20) # 这种方法在动态、条件性创建子图时更灵活。

这种方法更“手动”，适合子图布局不规则或需要动态生成的情况。

4.2 复杂布局：`GridSpec`与`subplot_mosaic`

当需要子图大小不一时，基础网格就不够用了。

GridSpec- 灵活的网格规划师

import matplotlib.gridspec as gridspec fig = plt.figure(figsize=(10, 8)) # 定义一个3行3列的网格 gs = gridspec.GridSpec(3, 3, figure=fig, wspace=0.4, hspace=0.4) # 让第一个子图占据第一整行 ax_big = fig.add_subplot(gs[0, :]) # 第0行，所有列 ax_big.plot(x, y**2) ax_big.set_title('Big Plot - Row 0, All Columns') # 第二行，第一列的子图 ax_small1 = fig.add_subplot(gs[1, 0]) ax_small1.scatter(x[:50], y[:50]) # 第二行，第二、三列合并的子图 ax_small2 = fig.add_subplot(gs[1, 1:]) # 第1行，第1列到最后一列 ax_small2.hist(data) # 第三行，所有列，但只占一半高度？我们可以进一步嵌套GridSpec # 但更简单的方法是直接指定位置 ax_bottom = fig.add_subplot(gs[2, :]) ax_bottom.bar(categories, values)

GridSpec通过类似NumPy数组的切片语法（:表示所有，start:stop表示范围）来定义子图占据的网格区域，功能非常强大。

subplot_mosaic- 直观的“马赛克”布局（Matplotlib 3.3+）这是我最推荐给新手的复杂布局方法，因为它用可视化的字符网格来定义布局，非常直观。

# 定义一个布局马赛克，用字符串代表每个子图区域 mosaic_layout = """ [A A A] [B C D] [B E E] """ # ‘A’区域占第一行整行，‘B’区域占第二、三行的第一列，等等。 fig, ax_dict = plt.subplot_mosaic(mosaic_layout, figsize=(10, 8), constrained_layout=True) # ax_dict 是一个字典，键是你在布局中定义的字符 ax_dict['A'].plot(x, y, 'g-') ax_dict['A'].set_title('Area A') ax_dict['B'].scatter(x_scatter, y_scatter, c=colors, cmap='viridis') ax_dict['B'].set_title('Area B') ax_dict['C'].hist(data, bins=20, orientation='horizontal') ax_dict['C'].set_title('Area C') # ... 设置其他区域

subplot_mosaic极大地简化了复杂布局的代码，让意图一目了然。如果你的Matplotlib版本在3.3以上，请优先考虑它。

布局经验：
先规划，后编码：在写代码前，最好在纸上画一下你想要的布局草图。
善用constrained_layout：它能解决90%的标签重叠和裁剪问题。
统一风格：对于一组相关的子图，尽量使用相同的颜色映射、刻度范围和图例风格，以方便比较。
共享坐标轴：plt.subplots的sharex和sharey参数可以让子图共享x轴或y轴，节省空间且便于对比。例如plt.subplots(2, 2, sharex=True, sharey=True)。

5. 精细化控制：让你的图表从“能用”到“好看”

数据可视化不仅是展示信息，更是传递洞察。一个精心修饰的图表能极大提升可读性和专业性。这部分我们深入Axes和Figure对象的细节控制方法。

5.1 坐标轴与刻度的完全掌控

默认的刻度标签和范围往往不符合我们的需求。

设置范围与比例

ax.set_xlim([0, 12]) # 手动设置x轴范围 ax.set_ylim([-1.5, 1.5]) # 手动设置y轴范围 ax.set_aspect('equal') # 设置x轴和y轴的单位长度相等，对于几何图形、地图等至关重要。 # 其他比例选项：'auto'（默认），一个数字（如1，表示y轴单位长度是x轴的1倍）

自定义刻度位置与标签

# 1. 设置主要刻度位置 ax.set_xticks([0, np.pi/2, np.pi, 3*np.pi/2, 2*np.pi]) # 2. 为这些位置设置自定义标签 ax.set_xticklabels(['0', r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$'], fontsize=12) # 使用LaTeX语法渲染数学符号，r表示原始字符串，避免转义问题。 # 3. 设置次要刻度（更细的网格） from matplotlib.ticker import MultipleLocator ax.xaxis.set_minor_locator(MultipleLocator(np.pi/4)) # 在x轴上每pi/4设置一个次要刻度 # 4. 格式化刻度标签（例如，显示为百分比） import matplotlib.ticker as mtick ax.yaxis.set_major_formatter(mtick.PercentFormatter(1.0)) # 将y轴刻度格式化为百分比（假设数据范围是0-1）

对数坐标轴

ax.set_xscale('log') # 将x轴设置为对数坐标 ax.set_yscale('log') # 将y轴设置为对数坐标 # 这对于展示跨越多个数量级的数据（如地震震级、恒星亮度、微生物数量）非常有用。 # 设置后，plot和scatter等方法会自动在对数坐标系下正确绘制。

5.2 图例、文本与注释的艺术

图例（Legend）的精细控制

line1, = ax.plot(x, y1, label='Model A', lw=2) line2, = ax.plot(x, y2, label='Model B', ls='--') scatter = ax.scatter(x_scatter, y_scatter, label='Observations', c='green', s=20) # 基础图例 ax.legend() # 高级控制 legend = ax.legend(loc='upper left', # 位置：'best', 'upper right', 'lower left'等，或元组(x, y) frameon=True, # 是否显示边框 shadow=True, # 是否显示阴影 fancybox=True, # 边框是否圆角 framealpha=0.9, # 边框透明度 borderpad=1, # 边框内部填充 title='Legend Title', # 图例标题 fontsize='medium', ncol=2) # 图例分2列显示 # 手动指定图例句柄和标签（例如，只想显示其中两条线） # ax.legend(handles=[line1, scatter], labels=['Theoretical', 'Experimental'])

添加文本与箭头注释

# 在数据坐标系中某点添加文本 ax.text(5, 0.5, 'Critical Point', fontsize=12, style='italic', bbox={'boxstyle': 'round', 'facecolor': 'wheat', 'alpha': 0.8}) # 添加带箭头的注释 ax.annotate('Local Maximum', xy=(np.pi/2, 1), # 箭头指向的点 xytext=(np.pi/2 + 2, 0.5), # 文本起始位置 arrowprops=dict(facecolor='black', shrink=0.05, width=1.5, headwidth=8), fontsize=10, ha='center')

annotate功能非常强大，arrowprops字典可以详细控制箭头的样式（颜色、宽度、头部大小、箭头样式等）。

5.3 样式与色彩：告别“科研风”默认样式

Matplotlib的默认样式（‘default’）常被调侃为“科研风”，虽然清晰但不够美观。我们有多种方法提升颜值。

使用预定义样式（Style）

print(plt.style.available) # 查看所有可用的样式 plt.style.use('seaborn-v0_8-darkgrid') # 应用一个样式，如seaborn风格的深色网格 # 其他流行样式：'seaborn-whitegrid', 'ggplot', 'fivethirtyeight', 'grayscale' # 样式会影响当前会话中所有后续创建的图形的颜色、网格、背景等。

样式是全局设置，一次use，后续所有图都会应用该样式，是快速改变图表整体观感的最简单方法。

手动设置颜色、线型、标记的循环

# 自定义属性循环，让plot自动按你定义的顺序取用颜色/线型 from cycler import cycler custom_cycler = (cycler(color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']) + cycler(linestyle=['-', '--', '-.', ':'])) ax.set_prop_cycle(custom_cycler) # 然后多次plot，会自动循环使用上面定义的4种颜色和4种线型组合 for i in range(4): ax.plot(x, y + i*0.2)

使用色彩映射（Colormap）色彩映射对于显示第三维数据（如热度、高度）至关重要。

# 1. 在绘图时指定cmap参数（如之前的scatter, contourf例子） # 2. 获取色彩映射对象并从中取色 cmap = plt.cm.get_cmap('viridis') # 获取'viridis'色彩映射对象 color_for_value_0_5 = cmap(0.5) # 获取映射到数值0.5处的颜色(RGBA值) ax.plot(x, y, color=color_for_value_0_5) # 3. 创建自定义的离散色彩映射 from matplotlib.colors import ListedColormap my_cmap = ListedColormap(['darkblue', 'blue', 'lightblue', 'white']) # 这个色彩映射只有4种颜色，适用于分类数据。

5.4 图形（Figure）级别的全局设置与保存

图形属性设置

fig = plt.figure(figsize=(10, 6), dpi=150, facecolor='whitesmoke', edgecolor='black') # figsize: 图形尺寸（宽，高）英寸。dpi: 每英寸点数，影响输出分辨率。 # facecolor: 图形背景色。edgecolor: 图形边框颜色。 fig.suptitle('Overall Figure Title', fontsize=16, y=0.98) # 添加图形总标题，y控制垂直位置

保存图形到文件这是最终产出的一步，参数设置直接影响图片质量。

fig.savefig('my_plot.png', # 文件名，支持.png, .jpg, .pdf, .svg等格式 dpi=300, # 分辨率，用于出版或打印建议300以上 bbox_inches='tight', # **关键参数**：紧凑型边界框，自动裁剪图形周围的白边 pad_inches=0.1, # 在bbox_inches='tight'时，保留的额外边距（英寸） facecolor='white', # 保存时图形的背景色，可与显示时不同 edgecolor='none', transparent=False) # 背景是否透明，对于.png和.svg格式有用

bbox_inches='tight'是解决保存图片时边缘有过多空白的万能钥匙，务必养成习惯使用。

美化核心技巧：
少即是多：避免图表元素过度拥挤。如果图例项太多，考虑分列或放在图形外部。
字体一致性：使用plt.rcParams全局设置字体，确保所有文本（标题、标签、刻度、图例）风格一致。例如：
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 plt.rcParams['font.size'] = 12
颜色无障碍：考虑色盲人群，避免同时使用红绿色对比。可以使用viridis,plasma,cividis等感知均匀的色彩映射。
保存为矢量图：如果图表用于印刷或需要无限缩放，优先保存为.pdf或.svg格式。它们是基于矢量的，放大不会失真。

6. 实战：组合运用——创建一个完整的分析图表

让我们把以上所有方法组合起来，完成一个稍复杂的任务：可视化一个简单数据集，并包含多个子图、自定义样式和注释。

假设我们有一组模拟的传感器时间序列数据，包含温度、湿度和一个计算出的“舒适度指数”。我们将创建一张包含三个子图的仪表板式图表。

import matplotlib.pyplot as plt import numpy as np import matplotlib.dates as mdates from datetime import datetime, timedelta # 1. 生成模拟数据 np.random.seed(2024) num_points = 100 base_time = datetime(2024, 5, 1, 8, 0, 0) time_stamps = [base_time + timedelta(minutes=10*i) for i in range(num_points)] # 温度数据（有日间波动和随机噪声） temperature = 20 + 5 * np.sin(2 * np.pi * np.arange(num_points) / 50) + np.random.randn(num_points) * 0.5 # 湿度数据 humidity = 50 + 10 * np.cos(2 * np.pi * np.arange(num_points) / 70) + np.random.randn(num_points) * 2 # 一个虚构的“舒适度指数”，与温湿度负相关 comfort_index = 100 - 0.8 * np.abs(temperature - 22) - 0.2 * np.abs(humidity - 55) comfort_index = np.clip(comfort_index, 0, 100) # 限制在0-100之间 # 2. 创建图形和复杂的子图布局 (使用 subplot_mosaic) mosaic = """ AA BC """ fig, axd = plt.subplot_mosaic(mosaic, figsize=(12, 10), constrained_layout=True, gridspec_kw={'height_ratios': [2, 1]}) # 第一行高度是第二行的两倍 # 应用一个美观的样式 plt.style.use('seaborn-v0_8-talk') # 这个样式适合演示，有较大的字体和清晰的线条 # 3. 绘制第一个子图（A）：温度与湿度时间序列（共享X轴） ax_a = axd['A'] # 绘制温度（左轴） color_temp = 'tab:red' line_temp = ax_a.plot(time_stamps, temperature, color=color_temp, linewidth=2.5, marker='o', markersize=4, label='Temperature (°C)')[0] ax_a.set_ylabel('Temperature (°C)', color=color_temp, fontsize=12) ax_a.tick_params(axis='y', labelcolor=color_temp) ax_a.set_xlabel('Time') ax_a.xaxis.set_major_formatter(mdates.DateFormatter('%H:%M')) # 格式化时间显示为 时:分 fig.autofmt_xdate(rotation=45, ha='right') # 自动旋转日期标签，避免重叠 # 创建第二个Y轴（右轴）用于湿度 ax_a_hum = ax_a.twinx() color_hum = 'tab:blue' line_hum = ax_a_hum.plot(time_stamps, humidity, color=color_hum, linewidth=2.5, linestyle='--', label='Humidity (%)')[0] ax_a_hum.set_ylabel('Relative Humidity (%)', color=color_hum, fontsize=12) ax_a_hum.tick_params(axis='y', labelcolor=color_hum) # 为第一个子图添加图例（合并两个轴的句柄） lines_a = [line_temp, line_hum] labels_a = [l.get_label() for l in lines_a] ax_a.legend(lines_a, labels_a, loc='upper left', framealpha=0.9) ax_a.set_title('Sensor Readings: Temperature & Humidity over Time', fontsize=14, pad=15) ax_a.grid(True, alpha=0.3) # 4. 绘制第二个子图（B）：舒适度指数分布直方图 ax_b = axd['B'] # 计算一些统计量用于标注 mean_ci = comfort_index.mean() std_ci = comfort_index.std() n, bins, patches = ax_b.hist(comfort_index, bins=15, color='lightgreen', edgecolor='darkgreen', alpha=0.7, density=True) ax_b.axvline(mean_ci, color='red', linestyle='-', linewidth=2, label=f'Mean: {mean_ci:.1f}') ax_b.axvline(mean_ci + std_ci, color='orange', linestyle='--', linewidth=1.5, alpha=0.7) ax_b.axvline(mean_ci - std_ci, color='orange', linestyle='--', linewidth=1.5, alpha=0.7, label=f'±1 Std Dev') # 在直方图上添加文本标注 ax_b.text(0.05, 0.95, f'Mean: {mean_ci:.1f}\nStd: {std_ci:.1f}', transform=ax_b.transAxes, # 使用坐标轴相对坐标 verticalalignment='top', bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.8)) ax_b.set_xlabel('Comfort Index') ax_b.set_ylabel('Density') ax_b.set_title('Distribution of Comfort Index', fontsize=13) ax_b.legend() ax_b.grid(True, alpha=0.3) # 5. 绘制第三个子图（C）：温湿度与舒适度的散点图（颜色编码） ax_c = axd['C'] # 散点图，点的大小固定，颜色由舒适度指数决定 scatter = ax_c.scatter(temperature, humidity, c=comfort_index, cmap='RdYlGn', s=50, alpha=0.8, edgecolors='k', linewidth=0.3) # 添加颜色条 cbar = fig.colorbar(scatter, ax=ax_c, orientation='vertical', pad=0.02) cbar.set_label('Comfort Index', rotation=270, labelpad=15) # 添加一条表示“理想温湿度”的十字线 ax_c.axhline(55, color='gray', linestyle=':', alpha=0.5, linewidth=1) ax_c.axvline(22, color='gray', linestyle=':', alpha=0.5, linewidth=1) ax_c.text(22.2, 56, 'Ideal Point (22°C, 55%)', fontsize=9, color='gray') ax_c.set_xlabel('Temperature (°C)') ax_c.set_ylabel('Humidity (%)') ax_c.set_title('Temperature vs Humidity (Colored by Comfort)', fontsize=13) ax_c.grid(True, alpha=0.3) # 6. 为整个图形添加一个总标题 fig.suptitle('Environmental Sensor Data Analysis Dashboard', fontsize=16, y=1.02) # 7. 保存和显示 plt.savefig('sensor_analysis_dashboard.png', dpi=300, bbox_inches='tight') plt.show()

这个实战案例融合了以下关键方法：