Matplotlib通过plt模块提供类似MATLAB的绘图接口，基本流程包括导入库、准备数据、调用绘图函数、设置标签和显示图像；支持折线图、散点图、柱状图、直方图等多种图形，可用subplots创建多子图布局，并通过savefig保存高清图像，最后需调用show显示图表。
Python中使用Matplotlib画图非常直观且功能强大，适合从简单折线图到复杂可视化图表的绘制。核心库是matplotlib.pyplot，通常简写为plt，它提供了类似MATLAB的绘图接口，让绘图变得简单高效。
基本绘图步骤
无论绘制什么类型的图，流程大致相同：
- 导入Matplotlib库（通常是pyplot模块）
- 准备数据（如x、y坐标值）
- 调用绘图函数（如plot、scatter等）
- 设置标题、坐标轴标签、图例等
- 显示或保存图像
示例：绘制一条简单的正弦曲线
import matplotlib.pyplot as pltimport numpy as np
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title("Sine Wave")
plt.xlabel("x")
plt.ylabel("sin(x)")
plt.grid(True)
plt.show()
常见图形类型与用法
Matplotlib支持多种图形，以下是几种常用类型及其实现方法。
立即学习“Python免费学习笔记（深入）”；
1. 折线图（Line Plot）
使用plt.plot()绘制连续数据趋势。
plt.plot(x, y, label='sin(x)', color='red', linestyle='--')可设置颜色、线型、标记点等样式，并通过label添加图例，再用plt.legend()显示。
2. 散点图（Scatter Plot）
用plt.scatter()展示数据点分布。
plt.scatter(x, y, c=y, cmap='viridis')plt.colorbar()
可通过颜色映射反映第三个变量，常用于观察相关性。
3. 柱状图（Bar Chart）
使用plt.bar()表示分类数据大小。
categories = ['A', 'B', 'C']values = [3, 7, 5]
plt.bar(categories, values, color='skyblue')
适合对比不同类别的数值。
4. 直方图（Histogram）
用plt.hist()统计数据分布频率。
data = np.random.randn(1000)plt.hist(data, bins=30, alpha=0.7, edgecolor='black')
bins控制分组数量，alpha调节透明度。
多图布局与子图
使用plt.subplots()可以创建多个子图进行对比展示。
fig, axs = plt.subplots(2, 2, figsize=(8, 6))axs[0, 0].plot(x, np.sin(x))
axs[0, 0].set_title('Sin')
axs[0, 1].plot(x, np.cos(x))
axs[0, 1].set_title('Cos')
# 其他子图类似...
plt.tight_layout()
plt.show()
figsize设置画布大小，tight_layout自动调整间距防止重叠。
保存图像
用plt.savefig()将图像保存为文件，支持png、pdf、svg等多种格式。
plt.savefig('my_plot.png', dpi=300, bbox_inches='tight')dpi控制分辨率，bbox_inches确保所有元素都被包含。
基本上就这些。掌握基础语法后，结合官方文档调整样式和细节，就能画出专业级图表。不复杂但容易忽略的是：记得在显示前调用plt.show()，否则Jupyter之外的环境可能看不到图。
