引言：為何可視化至關重要？

俗話說，“一圖勝千言”。在數據分析領域，這句話尤其正確。原始的數據表格和統計摘要雖然精確，但往往難以揭示數據中隱藏的模式、趨勢、異常值和關系。數據可視化通過將數據轉換成圖形，利用人類視覺系統的強大能力來快速識別這些信息，是**探索性數據分析（EDA）**中不可或缺的一環。

Matplotlib 是 Python 中最基礎、最強大的數據可視化庫。它為創建各種靜態、動態和交互式圖表提供了堅實的基礎。幾乎所有其他高級可視化庫（如 Seaborn）都是在 Matplotlib 的基礎上構建的。因此，掌握 Matplotlib 是進行任何嚴肅數據可視化的前提。

Matplotlib 的解剖學：Figure 與 Axes

要真正掌握 Matplotlib，首先需要理解其核心的兩個對象：Figure 和 Axes。

• Figure: 可以看作是整個圖表的“畫布”或“畫框”。它是一個頂層容器，可以包含一個或多個圖表（Axes）、標題、圖例等所有繪圖元素。
• Axes: 這是實際的“繪圖區域”或“子圖”。我們平時所說的“一個圖”，在 Matplotlib 的語境下通常指的就是一個 Axes 對象。它包含了數據點、x 軸（xaxis）、y 軸（yaxis）、刻度、標簽等。一個 Figure 對象可以包含一個或多個 Axes 對象。

把它們想象成一幅畫：Figure 是整個畫框，而每個 Axes 是畫框里的一幅獨立的畫。

兩種繪圖方式：Pyplot vs. 面向對象 (OO)

Matplotlib 提供了兩種主要的繪圖接口：

1. Pyplot 接口 (狀態機接口): 這是一系列函數的集合（如 plt.plot(), plt.title()），它會自動管理當前的 Figure 和 Axes。這種方式對于快速、簡單的繪圖非常方便，其風格類似于 MATLAB。
2. 面向對象 (OO) 接口: 這是更強大、更靈活的方式。我們首先顯式地創建一個 Figure 對象和一個或多個 Axes 對象（通常使用 fig, ax = plt.subplots()），然后調用這些對象的方法來繪圖和進行定制（如 ax.plot(), ax.set_title()）。

為什么我們強烈推薦面向對象 (OO) 的方式？

對于初學者來說，pyplot 接口似乎更簡單。然而，一旦你需要繪制更復雜的圖表，比如在一個 Figure 中放置多個子圖，或者對某個特定的子圖進行精細控制時，pyplot 的狀態機機制就會變得混亂和難以管理。你很難確定當前的 plt 函數到底作用于哪個子圖。

而面向對象的方式則從根本上解決了這個問題。通過 fig, ax = plt.subplots()，你得到了對 Figure 和 Axes 對象的直接引用。當你調用 ax.set_title() 時，你非常清楚地知道這個標題是屬于 ax 這個特定的子圖的。這種明確的控制使得代碼更具可讀性、可維護性，并且是創建復雜、可復用圖表的標準做法。從一開始就學習和使用 OO 風格，會為你未來的學習之路打下更堅實的基礎。

你的第一張圖 (使用 OO 風格)

讓我們遵循標準的 OO 風格工作流，創建幾種最常見的圖表。

標準工作流：

• 導入庫: import matplotlib.pyplot as plt 和 import numpy as np。
• 準備數據。
• 創建 Figure 和 Axes: fig, ax = plt.subplots()。
• 在 Axes 上繪圖: ax.plot(), ax.scatter() 等。
• 定制圖表: ax.set_title(), ax.set_xlabel(), ax.set_ylabel(), ax.legend()。
• 顯示圖表: plt.show()。

折線圖 (Line Plot)

折線圖非常適合展示數據隨時間或某個連續變量變化的趨勢。

import matplotlib.pyplot as plt
import numpy as npx = np.linspace(0, 10, 100)
y = np.sin(x)# 1. 創建 Figure 和 Axes
fig, ax = plt.subplots()# 2. 在 Axes 上繪圖
ax.plot(x, y)# 3. 定制圖表
ax.set_title('Simple Sine Wave')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis (sin(x))')# 4. 顯示圖表
plt.show()

柱狀圖 (Bar Chart)

柱狀圖用于比較不同類別之間的數量。

import matplotlib.pyplot as pltcategories = ['A', 'B', 'C', 'D']
values = [23, 45, 55, 19]fig, ax = plt.subplots()
ax.bar(categories, values, color='skyblue')ax.set_title('Category Comparison')
ax.set_xlabel('Category')
ax.set_ylabel('Value')plt.show()

散點圖 (Scatter Plot)

散點圖用于可視化兩個數值變量之間的關系，幫助我們發現相關性。

import matplotlib.pyplot as plt
import numpy as np# 生成隨機數據
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
sizes = 1000 * np.random.rand(50)fig, ax = plt.subplots()
# 使用 c 參數映射顏色，s 參數映射大小，cmap 指定顏色圖譜
ax.scatter(x, y, c=colors, s=sizes, alpha=0.5, cmap='viridis')ax.set_title('Scatter Plot Example')
ax.set_xlabel('X Value')
ax.set_ylabel('Y Value')plt.show()

直方圖 (Histogram)

直方圖用于展示單個數值變量的分布情況。

import matplotlib.pyplot as plt
import numpy as np# 生成符合正態分布的隨機數據
data = np.random.randn(1000)fig, ax = plt.subplots()
ax.hist(data, bins=30, edgecolor='black')ax.set_title('Distribution of Data')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')plt.show()

總結與展望

在本篇中，我們學習了 Matplotlib 的基本概念，特別是 Figure 和 Axes 的區別，并強烈推薦了面向對象的繪圖風格。我們還實踐了如何使用 OO 風格創建四種最基本的圖表：折線圖、柱狀圖、散點圖和直方圖。

雖然 Matplotlib 功能強大且靈活，但有時繪制美觀的統計圖表需要編寫較多的樣板代碼。為了解決這個問題，社區開發了 Seaborn。在下一篇文章中，我們將學習 Seaborn 如何在 Matplotlib 的基礎上，用更簡潔的代碼創建出更具美感和信息量的統計圖形。