Python基础教程之Matplotlib图形绘制详解
1.引言
以下是Matplotlib的一些主要特点：
Matplotlib提供了简单而直观的API，使得绘图变得容易上手和使用。多样化的图形：它支持各种常见的图形类型，包括线图、散点图、柱状图、饼图、等高线图、3D图等。你可以根据需求选择合适的图形进行绘制。高度可定制性：Matplotlib提供了大量的参数选项，你可以自定义图形的各个方面，包括线型、颜色、标签、标题、网格等，以满足特定的需求。高质量的输出：Matplotlib能够生成高质量的图形输出，支持多种输出格式，如PNG、JPEG、PDF等，方便在论文、报告和演示文稿中使用。与NumPy集成：Matplotlib与NumPy紧密集成，可以直接接收NumPy数组作为输入数据，并且能够方便地处理和呈现这些数据。支持交互式绘图：除了静态图形，Matplotlib还提供了交互式绘图的功能，可以通过添加交互元素和事件处理来实现用户与图形的交互操作。首先，确保你已经安装了matplotlib和NumPy模块，可以通过以下命令来安装它们：
pip install matplotlib numpy
接下来，导入需要的模块：
import matplotlib.pyplot as pltimport numpy as np
2. 绘制折线图：
x = np.linspace(0, 2*np.pi, 100) # 在0到2π之间生成100个点作为x轴坐标y = np.sin(x) # 通过sin函数生成对应的y轴坐标plt.plot(x, y) # 绘制折线图plt.xlabel('x') # 设置x轴标签plt.ylabel('y') # 设置y轴标签plt.title('Sin Function') # 设置标题plt.show() # 显示图形
3. 绘制散点图
x = np.random.rand(100) # 生成100个随机数作为x轴坐标y = np.random.rand(100) # 生成100个随机数作为y轴坐标plt.scatter(x, y) # 绘制散点图plt.xlabel('x') # 设置x轴标签plt.ylabel('y') # 设置y轴标签plt.title('散点图') # 设置标题plt.show() # 显示图形
绘制的图形如下，我们可以看到，标题本应当显示散点图，但实际上显示的却是三个小方格。为什么会这样呢?
原因在于 matplotlib 的作者在设计时并没有直接支持中文，主要原因是中文字体渲染较为复杂，并且涉及到不同操作系统、字体库和编程环境的差异。这使得在绘制中文时可能遇到各种字体显示问题，例如乱码、错位等。但是，我们可以通过一些方法来解决这个问题。
4.解决中文显示问题
在使用 matplotlib绘图时出现中文显示问题，可以按照以下步骤解决：
1、配置字体路径
这种方法是墙裂不推荐的，原因是需要修改matplotlib本身的配置文件，同样的代码换个环境执行，可能中文就显示异常了，但也在这介绍一下。找到系统中已安装的中文字体文件，通常位于Windows的C:WindowsFonts目录下，或者其他操作系统中类似的位置。你也可以使用如下代码查看：
import matplotlib.font_manager as fm# 获取系统中所有已安装的字体信息font_info = fm.findSystemFonts()# 输出每个字体的名称和路径for font_path in font_info: font_prop = fm.FontProperties(fname=font_path) font_name = font_prop.get_name() print(f"Font Name: {font_name}") print(f"Font Path: {font_path}n")将字体文件路径添加到matplotlib的配置文件中。可以在Python中执行以下代码查看matplotlibrc配置文件的所在路径。
import matplotlibprint(matplotlib.matplotlib_fname())
找到下图所示这几行配置，这里我将sans-serif改成 微软雅黑字体:Microsoft YaHei，并取消这几行的注释，运行后可以看到中文正常显示。
2.修改rcParams来达到效果，这种方法适合用于修改默认字体、默认样式等，对于字体个性化需求较高的图形，不建议使用此方法。
import matplotlib.pyplot as plt#####################################from matplotlib import rcParamsrcParams['font.family'] = 'Microsoft YaHei'
3.设置FontProperties，推荐使用此方法来对字体进行设置，比较灵活
import matplotlib.pyplot as pltimport numpy as npfrom matplotlib.font_manager import FontPropertiesmicrosoft_yahei_font = FontProperties('Microsoft YaHei')fang_song_font = FontProperties(fname=r'C:WindowsFontssimfang.ttf')x = np.random.rand(100) # 生成100个随机数作为x轴坐标y = np.random.rand(100) # 生成100个随机数作为y轴坐标plt.scatter(x, y) # 绘制散点图plt.xlabel('x轴') # 设置x轴标签plt.ylabel('y轴',fontproperties=microsoft_yahei_font) # 设置y轴标签plt.title('散点图',fontproperties=fang_song_font) # 设置标题plt.show()绘制的图形中，可以看到上述设置字体及未设置的区别，推荐使用此方法。
5.划分子图
在Matplotlib中，使用子图（Subplot）可以在一个绘图窗口中创建多个小的坐标系，从而将多个图形放置在同一个图像中，并进行灵活的布局。
import matplotlib.pyplot as pltfrom matplotlib.font_manager import FontPropertiesimport numpy as np# 设置字体为微软雅黑font = FontProperties('Microsoft YaHei')# 生成随机数据categories = ['A', 'B', 'C', 'D']values = np.random.rand(len(categories))# 创建一个包含两个子图的画布fig, ax = plt.subplots(2, 1)# 在第一个子图上绘制柱状图ax[0].bar(categories, values)ax[0].set_title('柱状图', fontproperties=font)# 在第二个子图上绘制另一个饼图# 生成随机数据sizes = np.random.rand(len(categories))ax[1].pie(sizes, labels=categories, autopct='%1.1f%%')ax[1].set_title('带百分比的饼图', fontproperties=font)# 调整子图之间的间距和布局plt.tight_layout()# 显示图形plt.show()
通过调整subplots()函数的参数，你可以创建不同尺寸和布局的子图，以满足你的需求。同时，你也可以使用其他的matplotlib绘图函数在子图中绘制各种类型的图形。
6.总结
Python的Matplotlib是一个功能强大的数据可视化库，可以用于创建各种类型的静态、动态和交互式图形。它提供了广泛的绘图选项和配置参数，使用户能够根据自己的需求定制图形。常见的一些用法如下：
1、使用不同的matplotlib绘图函数创建所需的图形，如折线图、散点图、柱状图、饼图等。常用的绘图函数有plt.plot()、plt.scatter()、plt.bar()、plt.pie()等。
2、配置图形属性：可以使用各种属性设置函数来自定义图形，如标题、坐标轴标签、图例、线型、颜色、标记符号等。常用的属性设置函数有plt.title()、plt.xlabel()、plt.ylabel()、plt.legend()、plt.grid()等。
3、显示图形：通过调用plt.show()函数显示图形。该函数可以在所有绘图操作完成后调用，也可以在每次绘制完一个子图后调用，以便逐个显示子图。
4、保存图形：通过使用plt.savefig()函数将绘制的图形保存为文件，常见的文件格式包括PNG、JPEG、PDF等。
5、绘制多个子图：使用plt.subplots()函数可以创建一个包含多个子图的画布，然后在不同的子图上绘制不同的图形。可以使用索引或布局参数来控制子图的位置和排列方式。
Matplotlib提供了丰富的样式选项和布局控制功能，可以帮助美化图形和调整图形的形状、大小和比例。除了基本的Matplotlib库外，还有一些扩展库可以进一步增强Matplotlib的功能。例如，Seaborn可以提供更漂亮的图形样式，Basemap可以绘制地理地图，3D可视化库可以创建三维图形等等。
总之，Matplotlib是Python中最常用和最受欢迎的数据可视化库之一。通过灵活的接口和强大的功能，它可以满足各种数据可视化需求，并帮助用户以可视化的方式更好地理解和呈现数据。
