Matplotlib可以说是Python最声名远扬的可视化库了，也是Python数据分析库的“三驾马车”之一。Matplotlib是基础而非常强大的可视化库，Seaborn等好用的可视化库是在前者的基础上进行的封装。Matplotlib擅长快速出简单的图、有丰富的接口进行精细化绘图、和Numpy结合做科学可视化及三维图配合默契、三维图。但也有些缺点，如不容易基于实用目的绘制有一定难度的图表（如小提琴图等）、标签等元素需指定坐标而不能自适应优化显示、难以实现交互。

官网说：

Matplotlib tries to make easy things easy and hard things possible.

我越用越认可这句话，Matplotlib非常强大，Hard things是possible但并非easy and fast。

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(1)

Matplotlib出图示例

可视化基础框架

对于一个数据表df(通过pandas读入为DataFrame)来说，用Matplotlib对其进行可视化的基础框架为：

fig, ax = plt.subplots() ax.plot(df['x'],df['y'])

通过上面几行代码就可以画出df表周一到周五y指标的变化折线。

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(2)

折线图绘制示例

Matplotlib其实为作图提供了两套可视化接口：

  • plt.plot()系列
  • fig, ax = plt.subplots() ax.plot() 系列

根据官网教程，分别对应MATLAB的陈述式语法和面向对象写法，

个人理解，plt.plot()适合用于快速出图，读入一个数据表后想快速知道数据分布、指标关系等，通过plt.plot()系列语句直接出图，而ax.plot()更方便用来精细绘图，接口对各种图表元素的编辑很友好。

在Matplotlib官网搜索，通常能看到两套接口，如搜绘制饼图的关键词pie，结果中的axes.Axes.pie对应ax.pie()的用法，pyplot.pie对应plt.pie()的函数接口。

ax.×××()的写法看起来要写的语句多些，但这种面向对象(object-oriented)的写法通过fig, ax = plt.subplots()建立画布(figure)和定义轴域(axes)，能更明确在哪作画和映射规则，给用户更大的自由度和更精细的调参能力。Axes包含了一套坐标轴(axis)，确定了x/y坐标轴之后，数值再确定对应坐标，也就唯一确定了所在位置（这是二维情况下，更高维度就会对应着更多的axis），散点图是去确定点在轴域下的位置，柱状图是确定每个柱柱所在的位置，因此一套Axes就确定了唯一的独立的图，一个画布可以有多套Axes。简单说就是ax.×××()更方便调细节，初学者尽量避免用plt.×××系列来画图。

基础图表绘制

数据可视化从目的来说，是为了更直观展示数据或数据之间的对比、分布或关联关系。散点图、折线图、柱状图、条形图、饼图、直方图是非常常用而基础的可视化图。个人认为通过画这几种基础图并调细节是很好的学可视化实践。

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(3)

将数据映射为可视图表

为了整体的美观和一致性，本文都用了一套自定义配色，通过mpl.rcParams["axes.prop_cycle"] = mpl.cycler('color', ['1EAFAE', 'A3FFFF', '69FFFF']) 语句实现简单改配色，具体关于mpl.rcParams后面再展开。

画散点图可以用两种主要的方法，scatter(x,y)和plot(x,y,'o') 。 通过ax.scatter(x,y)绘制以x为横坐标，y为纵坐标的散点图，scatter的重要参数如下：

  • x,y：对应着x轴和y轴的数据，散点画在坐标轴里的[xi,yi]处。
  • s,c,alpha: 对应散点大小(size)、颜色(color)、透明度，都可以传一个和点数量相同长度的数组，如s=df['z']可以做气泡图，一般气泡图为了防止遮盖问题，通常设置一定的透明度，alpha的范围为0到1。c='#BA5C25'设置点颜色，c赋值为一个数组可以做出每个点一个颜色的效果。
  • marker：设置点的形状；
  • cmap:颜色映射；
  • norm:当颜色c为一组浮点数时，把值标准化到[0,1]做颜色映射，vmin和vamx参数是结合 norm 来用的；

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(4)

散点图参数示例

ax.plot(x,y,'o')也可以画散点图，ax.plot()核心是绘制坐标系下的点和点之间的连线的，当突出点的大小而省略线时，就是散点图了，同样突出线就变成了折线图。通过fmt(也就是format_string)参数来控制这些，包括点的形状、颜色、线的风格颜色等。折线图基础绘制效果可回看上一部分可视化基础框架。

plot()的常用参数如下：

  • x,y: x轴和y轴的数据，当plot()只有一个输入列表或数组时，参数被当做y轴，也就是value，x轴以索引自动生成，也就是ax.plot(y)相当于ax.plot(range(len(y)),y);
  • fmt: 控制x,y绘制的折线的点形状、颜色、线的风格、颜色；
  • 其他的lines.Line2D支持的属性， 如color控制线颜色，marker控制点形状，linestyle控制线风格类型及linewidth控制线宽等，如果既设置了fmt又指定了color呢？可以实践一下，线的颜色会根据color属性最终显示。

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(5)

常用fmt字符意义整理(可收藏方便查阅)

plot()除了plot(x,y,[fmt])这种写法之外，还可以传多套x,y以绘制多条折线，写法是plot(x,y,[fmt],x2,y2,[fmt2],…)。

另外plot()还支持plot('col1','col2',data=df)这种写法，这是对二维表格数据更友好的接口。本文讲到的其他图形如bar、barh等基本也都是支持ax.×××(df['x'],df['y']) 和ax.×××(x,y,data)写法的。

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(6)

通过ax.bar(x,height)绘制柱状图，条形图的绘制用ax.barh(y,width)，因bar和barh的用法很类似，参数之间有对应关系，这里结合着看。

matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(7)

  • x,height: x轴的值和各柱的高，相当于折线图的x,y；
  • width: 柱的宽度，默认是0.8，也可以传入一个数组，画不等宽的柱状图；
  • bottom: 每个柱底部开始位置，默认是0，改bottom可以画堆积柱状图、瀑布图等；
  • align: 柱状的x是在柱底部中心还是边缘，{'center', 'edge'}，默认是center；
  • data: 可以传入一个DataFrame，用法和前面说到的ax.plot('col1','col2',data=df)一致；
  • 其他像color(柱颜色)、edgecolor(柱边框色)、linewidth(边框线宽)等图元属性用法都一致，linewidth也是可以简写为lw的，颜色可以传一个数组，可以画出五彩斑斓的柱，也可借由这个参数美化瀑布图；
  • 条形图barh的参数有barh(y,width,height,left,align)，y是Y轴的值，每个柱的位置，因此barh的y对应bar的x，barh的width对应bar的height，barh的height对应bar的width。每个柱开始的位置是left，对应bar的bottom。align、data、color等一致。

    • 注意的是柱状图绘制语句ax.bar(x,height)的返回值是一个容器(BarContainer)，包含了所有画出来的柱。通过这个返回值可以对柱进行一些个性化的处理，另外的应用就是根据返回柱的属性给每个柱标上文本标签。

    #给柱状图标上标签 fig,ax= plt.subplots() rects=ax.bar(df['x'],df['y']) ax.set_ylim(0,100) for rect in rects: height = rect.get_height() ax.annotate('{}'.format(height), xy=(rect.get_x() rect.get_width() / 2, height), xytext=(0,1), # 1 points vertical offset textcoords="offset points", ha='center', va='bottom')

    通过给x以一定的偏移量，绘制簇状柱形图。代码如下：

    #簇状柱 ClusterBar x = list(range(1,len(df) 1)) ​ width = 0.2 #每个柱的宽度 x1=[i-width for i in x] x2=[i width for i in x] fig, ax = plt.subplots(figsize=(6,5)) rects1 = ax.bar(x1,df['y'], width*2, label='Men',color='#1EAFAE') rects2 = ax.bar(x2,df['z'], width*2, label='Women',color='#69FFFF') ​ ax.set_xticks(x) ax.set_xticklabels(df['x']) ax.legend()

    matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(8)

    通过给bottom参数传一个数组，可以画堆叠柱状图：堆叠柱除了等值堆叠之外，还可以等比堆叠，思路就是将每个x对应的柱都做一下数值变换，把柱的高度约束在[0,1]，且堆叠之和为1，height=h[i]/sum(h)。

    #堆叠柱状图 fig,ax= plt.subplots() ax.bar(df['x'],df['y'],label='Men') ax.bar(df['x'],df['z'],bottom=df['y'],label='Women') ax.legend() ​ #等比例堆叠柱 fig,ax= plt.subplots() df['y1']=df.apply(lambda x:(x['y'])*100/(x['y'] x['z']),axis=1) df['z1']=df.apply(lambda x:(x['z'])*100/(x['y'] x['z']),axis=1) ax.bar(df['x'],df['y1']) ax.bar(df['x'],df['z1'],bottom=df['y1']) ax.set_ylim(0,100) #标签设置等代码省略

    matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(9)

    堆叠柱状图绘制效果

    调节width参数使得柱和柱之间的宽度为0，并对数据进行统计在画图，可以用ax.bar()绘制直方图，但也不需要这么复杂，Matplotlib提供了绘制直方图的接口ax.hist(x,bins,normed)，可以直接对某列数据绘制直方图。x是需要统计分布的数据列，bins控制分箱的个数，默认是10。

    箱线图在数据分析中挺常用的，箱线图对于数据分布有很好的展示作用，Matplotlib提供了boxplot(x)用于绘制箱线图。

    fig, ax= plt.subplots() ax.boxplot(df['y']) #箱线图

    matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(10)

    饼图是可视化中基础而重要的图形，是各种数据报告的常客，Matplotlib绘制饼图时因为xy轴默认比例尺不同，为了得到不扁的饼，需设置xy轴1像素对应的值相等。

    #绘制饼图 fig,ax=plt.subplots(subplot_kw=dict(aspect="equal")) ax.pie(df['y']) #为了得到不扁的饼，设置xy轴比例尺相同 #--- #环状图 fig, ax = plt.subplots(subplot_kw=dict(aspect="equal")) wps=dict(width=0.3, edgecolor='w') ax.pie(df['y'], radius=1,startangle=90,counterclock=False,wedgeprops=wps) ax.pie(df['z'], radius=1-0.3,startangle=90,counterclock=False,wedgeprops=wps)

    matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(11)

    本文近五千字，从基础图表入手拆解对应绘制函数的重点参数，共10张图，基本都是个人绘制和排版的，个人认为较系统讲了Matplotlib的用法和核心功能，下篇会实践更有趣的内容。

    matplotlib可视化效果（一步步学Matplotlib炫酷可视化）(12)

    画心形线（下篇彩蛋）

    ,