Python 数据可视化绘图基础与实战指南

1.2 二维散点图

散点图用于展示两个变量之间的关系或分布情况。

基本语法：

plt.scatter(x, y, s=20, c='b', marker='o', cmap=None, alpha=1.0)

• s：点的面积（像素平方）。
• c：点的颜色，可传单个颜色或数组。
• cmap：当 c 为数值时，指定颜色映射表（如 'viridis', 'rainbow'）。
• alpha：透明度，范围 0~1。

代码示例：

size = 100
x = np.random.uniform(size=size)
y = np.random.uniform(size=size)
s = np.random.uniform(5, 400, size=size)
c = np.random.uniform(size=size)
lw = np.random.uniform(1, 4, size=size)

plt.figure()
plt.subplot(1, 2, 1)
plt.scatter(x, y, s=s, c=c, alpha=0.5, linewidths=lw, edgecolors='m')
plt.title("带边框的散点图")

plt.subplot(1, 2, 2)
plt.scatter(x, y, s=s, c=c, cmap='rainbow', alpha=0.5)
plt.title("彩色映射散点图")
plt.colorbar(label='Value')
plt.show()

1.3 其他常用二维图表

除了曲线和散点，柱状图和饼图也是数据可视化的基础。

柱状图 (Bar Chart)：

plt.bar(x, height, width=0.8, color='blue', label='Data')

饼图 (Pie Chart)：

labels = ['A', 'B', 'C']
sizes = [30, 40, 30]
plt.pie(sizes, labels=labels, autopct='%1.1f%%')

1.4 图像修饰与布局

通过控制坐标轴、刻度和网格，可以优化图表的可读性。

• 窗口设置：figure(num, figsize, dpi) 创建新窗口。
• 标题与标签：title(), xlabel(), ylabel()。
• 范围控制：xlim(), ylim(), axis()。
• 刻度定制：xticks(ticks, labels), yticks()。
• 分割线：vlines(), hlines()。
• 文本标注：text(x, y, s)。
• 多子图：subplot(rows, cols, num)。
• 保存图像：savefig(name, dpi)，支持 png, pdf, svg 等格式。

刻度间隔控制： 使用 MultipleLocator 精确控制主刻度间隔。

from matplotlib.pyplot import MultipleLocator
ax = plt.gca()
ax.xaxis.set_major_locator(MultipleLocator(3.14))

刻度格式控制： 使用 FormatStrFormatter 格式化显示数字。

from matplotlib.ticker import FormatStrFormatter
ax.yaxis.set_major_formatter(FormatStrFormatter('%.1f'))

2. 三维图像绘制

2.1 三维坐标轴对象

绘制三维图需导入 Axes3D 模块。

创建方法：

from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

注意：即使不直接使用 Axes3D 类，也需导入该模块以注册投影类型。

2.2 三维曲线

t = np.linspace(0, 20, 70)
x = np.sin(t)
y = np.cos(t)
z = 2 * t
ax.plot(x, y, z, 'r*-')

2.3 三维散点图

size = 150
x = np.random.randint(0, 30, size)
y = np.random.randint(0, 30, size)
z = np.random.randint(0, 30, size)
ax.scatter(x, y, z, s=50, c='r', alpha=0.8)

2.4 三维曲面与网格

曲面图常用于展示函数 $z = f(x, y)$ 的形态。

核心步骤：

1. 生成网格数据：np.meshgrid()。
2. 计算 Z 值。
3. 调用 plot_surface()。

x = np.linspace(0, 10, 50)
y = np.linspace(0, 9, 45)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) + np.cos(Y)

fig = plt.figure()
ax = fig.add_subplot(1, 2, 1, projection='3d')
ax.plot_surface(X, Y, Z, cmap='hot')

ax = fig.add_subplot(1, 2, 2, projection='3d')
ax.plot_surface(X, Y, Z, cmap='rainbow')
plt.show()

3. 常见问题与最佳实践

3.1 中文乱码处理

Matplotlib 默认不支持中文，需配置字体。

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
# Linux/Mac 可能需要 'Arial Unicode MS' 或 'DejaVu Sans'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块问题

3.2 图片保存质量

使用高分辨率保存适合出版或演示。

plt.savefig('output.png', dpi=300, bbox_inches='tight')

bbox_inches='tight' 可去除多余空白边距。

3.3 性能优化

对于大规模数据（超过 10 万点），建议使用 scatter 的 antialiased=False 选项或降低采样率以提升渲染速度。

4. 总结

本文系统讲解了 Matplotlib 在二维及三维绘图中的应用。从基础的曲线绘制到复杂的曲面展示，涵盖了坐标轴控制、样式定制及常见问题的解决方案。掌握这些技能将显著提升数据分析结果的直观性与专业性。在实际项目中，建议结合 Pandas 进行数据预处理，利用 Seaborn 进行更高级的统计绘图，构建完整的数据分析工作流。