????????Python 中有個非常實用的可視化庫 ——Matplotlib。數據可視化是數據分析中不可或缺的環節，而 Matplotlib 作為 Python 的 2D 繪圖庫，能幫助我們生成高質量的圖表，讓數據更直觀、更有說服力。接下來，我們將從 Matplotlib 的概述、圖表的基本設置到常用圖表的繪制，做個介紹。

一、Matplotlib 模塊的概述

1. 了解 Matplotlib 模塊

Matplotlib 是一個功能強大的 Python 2D 繪圖庫，它支持多種硬拷貝格式和跨平臺的交互式環境，能生成出版物級別的圖形。無論是簡單的折線圖、柱狀圖，還是復雜的熱力圖、雷達圖，Matplotlib 都能輕松應對。只需幾行代碼，就能將枯燥的數據轉化為清晰直觀的圖表，讓數據背后的規律和趨勢一目了然。

比如，我們可以用它繪制學生成績對比圖、銷售額趨勢圖、各省銷量占比圖等，這些圖表能幫助我們快速理解數據特征，為決策提供支持。

2. Matplotlib 模塊的安裝

在使用 Matplotlib 之前，我們需要先安裝它。安裝方法很簡單，主要有以下幾種：

1. 使用 pip 工具安裝：打開 “命令提示符” 或 “Anaconda Prompt” 窗口，輸入命令pip install matplotlib，按回車即可完成安裝。
2. 在 Pycharm 開發環境中安裝：通過 Pycharm 的包管理工具，搜索 “matplotlib” 并安裝，方便快捷。

安裝完成后，我們就可以在代碼中通過import matplotlib.pyplot as plt引入模塊，開始繪圖了。

3. 體驗 Matplotlib 可視化圖表

接下來，我們通過一個簡單的例子來體驗一下 Matplotlib 的繪圖功能。繪制第一張圖表只需三步：

1. 引入 pyplot 模塊：import matplotlib.pyplot as plt
2. 使用plot()方法繪制圖表：plt.plot([1, 2, 3, 4, 5])
3. 使用show()函數顯示圖表：plt.show()

運行這段代碼，我們就能看到一個簡單的折線圖。在 Jupyter Notebook 中，同樣可以通過類似的代碼繪制圖表，非常便捷。

二、圖表的基本設置

要繪制出美觀且信息完整的圖表，需要對圖表進行一系列基本設置。下面我們介紹一些常用的設置方法。

1. 基本繪圖 ——plot()函數

plot()函數是 Matplotlib 中最基礎的繪圖函數，用于繪制折線圖。它的語法為：

matplotlib.pyplot.plot(x, y, format_string, **kwargs)

1. x和y分別為 x 軸和 y 軸的數據。
2. format_string用于控制曲線的格式，包括顏色、線條樣式和標記樣式。
3. ** kwargs為其他鍵值參數，用于進一步設置曲線屬性。

例如，我們可以通過plt.plot(x, y, color='r', linestyle='--', marker='o')繪制一條紅色、虛線、帶圓形標記的折線。

其中，顏色可以通過字母（如'r'表示紅色、'b'表示藍色）、十六進制值（如'#FFFF00'表示黃色）或灰度值（如0.5）設置；線條樣式有實線（'-'）、雙劃線（'--'）、點劃線（'-.'）、虛線（':'）等；標記樣式包括點（.）、實心圓（'o'）、三角（'v' '^'等）、正方形（'s'）等。

2. 設置畫布 ——figure()函數

畫布是圖表的基礎，figure()函數用于創建自定義畫布，其語法為：

matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)

1. num：圖像的編號或名稱。
2. figsize：指定畫布的寬和高（單位為英寸）。
3. dpi：繪圖對象的分辨率，數值越大，畫布越清晰。
4. facecolor和edgecolor：分別設置畫布的背景顏色和邊框顏色。
5. frameon：是否顯示邊框，默認為True。

例如，plt.figure(figsize=(5, 3), facecolor='yellow')可以創建一個 5×3 英寸的黃色畫布。

3. 設置坐標軸 ——xlabel()、ylabel()等函數

坐標軸是圖表的重要組成部分，合理設置坐標軸能讓圖表更易讀。

1. 坐標軸標題：xlabel()和ylabel()函數分別用于設置 x 軸和 y 軸的標題，例如plt.xlabel('2023年1月')、plt.ylabel('基礎體溫')。
2. 坐標軸刻度：xticks()和yticks()函數用于設置坐標軸的刻度和標簽，例如plt.xticks(range(1, 15))將 x 軸刻度設置為 1 到 14 的連續數字。
3. 坐標軸范圍：xlim()和ylim()函數用于設置坐標軸的取值范圍，例如plt.ylim(35, 45)將 y 軸范圍設置為 35 到 45。

此外，還可以通過axis()函數設置坐標軸的其他屬性，如axis('off')關閉坐標軸，axis('equal')使 x、y 軸長度一致等。

需要注意的是，Matplotlib 默認可能存在中文亂碼和負號顯示問題，我們可以通過以下代碼解決：

4. 設置文本標簽 ——text()函數

text()函數用于在圖表的指定位置添加文本標簽，語法為：

matplotlib.pyplot.text(x, y, s, fontdict=None, withdash=False, **kwargs)

1. x和y為文本標簽的坐標位置。
2. s為文本內容。
3. fontdict用于設置文本的字體樣式，如字體大小、顏色等。

例如，在體溫折線圖中，我們可以用text()函數為每個數據點添加具體的體溫值，讓數據更清晰。

5. 設置標題和圖例 ——title()、legend()函數

-** 標題 **：title()函數用于設置圖表的標題，語法為plt.title(label, fontdict=None, loc='center', pad=None,** kwargs)，其中label為標題文本，loc控制標題的水平位置（'center'、'left'、'right'）。

1. 圖例：legend()函數用于添加圖例，標識圖表中的不同數據系列。可以通過loc參數設置圖例的位置（如'upper right'表示右上角），通過ncol參數設置圖例的列數等。例如plt.legend(('基礎體溫',), loc='upper right')。

6. 添加注釋 ——annotate()函數

annotate()函數用于為圖表添加帶箭頭的注釋，突出顯示重要數據點，語法為：

plt.annotate(s, xy, *args, **kwargs)

1. s為注釋文本。
2. xy為被注釋的坐標點。
3. xytext為注釋文本的坐標位置。
4. arrowprops用于設置箭頭的樣式。

例如，在體溫折線圖中，我們可以用annotate()函數指示出最高體溫的位置，并添加 “最高體溫” 的注釋。

7. 設置網格線 ——grid()函數

grid()函數用于為圖表添加網格線，使數據的讀取更方便。例如plt.grid(color='0.5', linestyle='--', linewidth=1)可以添加灰色、虛線、線寬為 1 的網格線。通過axis參數可以控制網格線的方向，如axis='x'只顯示 x 軸網格線。

8. 設置參考線 ——axhline()、axvline()等函數

1. axhline()和axvline()函數分別用于繪制水平和垂直參考線，無需指定起止點，默認貫穿整個圖表。
2. hlines()和vlines()函數也用于繪制參考線，但需要指定起止點。

例如，plt.axhline(y=36.5, color='r', linestyle='--')可以添加一條 y=36.5 的紅色虛線作為水平參考線，表示體溫的平均值。

9. 選取范圍 ——axhspan()、axvspan()函數

這兩個函數用于在圖表中標記出特定的范圍：

1. axhspan(ymin, ymax, facecolor, alpha)用于繪制水平選取范圍，ymin和ymax為 y 軸范圍的最小值和最大值。
2. axvspan(xmin, xmax, facecolor, alpha)用于繪制垂直選取范圍，xmin和xmax為 x 軸范圍的最小值和最大值。

例如，axhspan(36.5, 37, facecolor='yellow', alpha=0.3)可以標記出體溫在 36.5 到 37 度之間的區域。

10. 圖表的布局 ——tight_layout()函數

tight_layout()函數用于自動調整圖表的布局，避免元素之間的重疊，使圖表更美觀。只需在顯示圖表前調用plt.tight_layout()即可。

11. 保存圖表 ——savefig()函數

savefig()函數用于將圖表保存為圖片文件，語法為plt.savefig('image.png')，其中'image.png'為保存的文件名和格式，支持 png、jpg、pdf 等多種格式。需要注意的是，savefig()函數應放在show()函數之前，否則可能保存為空圖片。

三、繪制常用的圖表

Matplotlib 支持多種類型的圖表，下面我們介紹一些常用圖表的繪制方法。

1. 散點圖 ——scatter()函數

散點圖用于展示兩個變量之間的關系，scatter()函數的語法為：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, ...)

1. x和y為數據點的坐標。
2. s為標記的大小，c為標記的顏色。
3. marker為標記的樣式。

例如，我們可以用散點圖分析銷售收入與廣告費的相關性，通過觀察點的分布判斷兩者是否存在正相關或負相關關系。

2. 折線圖 ——plot()函數

折線圖常用于展示數據隨時間或其他連續變量的變化趨勢，我們可以用plot()函數繪制。例如，繪制學生語數外各科成績的折線圖，對比不同學生的成績差異和各科的整體表現。

3. 柱形圖 ——bar()函數

柱形圖用于比較不同類別數據的大小，bar()函數的語法為：

matplotlib.pyplot.bar(x, height, width, bottom=None, align='center', ...)

1. x為 x 軸的類別數據。
2. height為柱子的高度（y 軸數據）。
3. width為柱子的寬度。

我們可以繪制簡單的柱形圖展示單一類別數據，也可以繪制多柱形圖對比不同平臺、不同年份的數據，例如 2016—2022 年各平臺圖書銷售額分析圖。

4. 直方圖 ——hist()函數

直方圖用于展示數據的分布情況，hist()函數的語法為：

matplotlib.pyplot.hist(x, bins=None, range=None, density=None, ...)

1. x為要分析的數據集。
2. bins為統計數據的區間分布。
3. density為True時顯示頻率分布，False時顯示頻數分布。

例如，用直方圖分析學生數學成績的分布情況，觀察成績集中在哪個分數段。

5. 餅形圖 ——pie()函數

餅形圖用于展示各部分占總體的比例，pie()函數的語法為：

matplotlib.pyplot.pie(x, explode=None, labels=None, autopct=None, ...)

1. x為各部分的比例數據。
2. explode用于設置某部分離中心的距離，突出顯示該部分。
3. labels為各部分的標簽。
4. autopct用于設置百分比的顯示格式。

我們可以繪制基礎餅形圖、分裂餅形圖（突出某一部分）、帶陰影的餅形圖，還可以繪制環形圖和內嵌環形圖，例如分析 2023 年 1 月各省銷量占比情況。

6. 面積圖 ——stackplot()函數

面積圖用于展示數據的累積趨勢，stackplot()函數可以繪制標準面積圖和堆疊面積圖。堆疊面積圖能同時展示多個數據系列的變化趨勢和總體的變化，例如分析 2016—2022 年線上各平臺圖書銷售情況。

7. 箱形圖 ——boxplot()函數

箱形圖用于展示數據的分布特征，包括中位數、四分位數、異常值等，boxplot()函數的語法為：

matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, ...)

通過箱形圖，我們可以快速判斷數據的分布是否對稱、是否存在異常值。例如，分析客人總消費數據中的異常值，異常值的判斷標準為：大于Q3 + 1.5(Q3 - Q1)或小于Q1 - 1.5(Q3 - Q1)（其中 Q1 為下四分位數，Q3 為上四分位數）。

8. 熱力圖 ——imshow()函數

熱力圖通過顏色的深淺展示數據的大小差異，適合展示矩陣形式的數據。例如，用熱力圖對比分析學生各科成績，顏色越深表示成績越高，直觀呈現學生的優勢和劣勢科目。

9. 雷達圖 ——polar()函數

雷達圖用于展示多個維度的數據，將各維度的數據繪制在極坐標上，形成多邊形，便于比較整體水平和各部分的關系。例如，分析男生女生各科平均成績的差異，判斷不同性別的學生在科目上的優勢差異。

10. 氣泡圖 ——scatter()函數

氣泡圖是散點圖的擴展，通過氣泡的大小表示第三個變量的值。例如，分析成交商品件數與訪客數的關系，氣泡越大表示銷售額越高。

11. 棉棒圖 ——stem()函數

棉棒圖用于繪制離散有序的數據，在每個 x 位置繪制從基線到 y 的垂直線，并在 y 處繪制標記。例如，展示某組離散數據的分布情況。

12. 誤差棒圖 ——errorbar()函數

誤差棒圖用于展示數據的誤差范圍，在折線圖或散點圖的基礎上添加誤差線。例如，繪制帶誤差的實驗數據，展示數據的不確定性。

總結

我們介紹了?Matplotlib 模塊的基礎知識，包括模塊的概述、安裝方法，圖表的基本設置（如畫布、坐標軸、標題、圖例等），以及 12 種常用圖表的繪制方法。在實際應用中，我們可以根據數據特點和分析需求選擇合適的圖表類型，并通過調整各種參數使圖表更美觀、信息更完整。