函数完全指南：从参数详解到中文乱码解决)
刚开始碰Python可视化这条线的人十个里有九个第一行代码写的是plt.plot(x, y)。Matplotlib的plot()函数像一个最低门槛的入口——它不需要你先理解后台的渲染管线也不需要搞清楚figure和axes谁先谁后丢两个列表进去就能看到一条线出来。这篇文章我打算把plot()这条主线从头到尾串一遍安装环境、数据传参、样式颜色、和pandas配合的实战习惯再到大概率会碰上的font_manager字体警告和中文乱码问题。如果你是刚准备画图的新手或者画过几张图但一直靠复制粘贴改参数这篇应该能帮你把每个参数背后的逻辑理顺。1. plot()的定位为什么学Matplotlib绕不开它1.1 它解决的其实是坐标映射问题很多人把plot()当成“画折线的函数”这个理解没错但不太本质。你往折线图里看不外乎是“横轴一个值纵轴一个值把点连起来”。plot()干的事情就是把你给的x序列和y序列一一对应地映射到坐标系上然后用线段把这些点按顺序连起来。所以它最简单的用法其实长这样import matplotlib.pyplot as plt y [3, 5, 8, 6, 9] plt.plot(y) plt.show()当只传入一个序列时matplotlib会自动把[0, 1, 2, 3, 4]当作x轴坐标y用你给的数据。这是纯索引坐标没有实际业务含义。真正负责表达“我横轴是日期、纵轴是数量”的用法是传入两个等长序列x [1, 2, 3, 4, 5] y [3, 5, 8, 6, 9] plt.plot(x, y) plt.show()x和y的长度必须一致这是plot()最底层的前提。哪怕你传入的是pandas的Series、numpy的数组最终也会被转换成内部的数据点数组来绘制。1.2 两条命令出来的图是“能跑”的但离“能用”还很远plt.plot(x, y)加plt.show()是你人生中第一张图特点是快但简陋。没有标题、没有坐标轴说明、没有图例、颜色也是默认的蓝线。做探索性分析时这完全够用可一旦要把图放进报告、博客、论文或者给同事看就远远不够了。“能用”的图至少要有几样东西标题告诉别人这图在说什么x轴和y轴标签说明横纵坐标的物理含义曲线有区分度关键数据点有标记必要时加图例。这些能力plot()函数本身都能提供这也是为什么这个函数值得花一整篇文章去拆——它虽然叫“入门”但深度一点都不浅。我见过不少工作两三年的同事画图还是每次现查参数。原因不是懒而是他们从没把plot()的完整参数体系系统过一遍。这就是本文想解决的问题。2. 准备工作区安装Matplotlib与跑通第一个折线图2.1 安装方式选择与国内镜像绝大多数人用的还是pip没什么特殊需求的话直接装pip install matplotlib如果下载速度很慢可以临时指定国内镜像源pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple用Anaconda的同学则推荐conda install matplotlib有几点值得说清楚确认当前Python环境是哪个别用系统Python和虚拟环境混装。最常见的坑是“我在终端里pip装好了但IDE里导入失败”几乎都是环境没对应上。matplotlib支持Python 3.9以上版本装完后可以在终端里跑python -c import matplotlib; print(matplotlib.__version__)验证。部分旧教程会让你装python-matplotlib这种名字那是Debian/Ubuntu的apt包名不要和pip包混为一谈。安装方式适用场景注意事项pip install matplotlib最通用注意当前虚拟环境是否激活conda install matplotlibAnaconda用户conda会顺带处理依赖apt/yum安装Linux系统级版本较旧不建议新手用2.2 三条代码跑通第一个图装完之后第一步先别急着画复杂图把最基础的demo跑起来import matplotlib.pyplot as plt x [1, 2, 3, 4, 5] y [2, 4, 1, 8, 7] plt.plot(x, y) plt.show()如果你的环境是Jupyter Notebook可以把plt.show()换成这行魔法命令写在代码块最上方%matplotlib inline这样图会直接嵌入在单元格下方。如果是PyCharm或者VSCode的交互窗口plt.show()会弹出独立窗口在窗口关闭前代码会停在那一行。这些行为差异来自matplotlib的后端机制后面细说。值得解释一下为什么大家都写import matplotlib.pyplot as plt。matplotlib本身是个大包绘图入口很多pyplot是它模仿MATLAB风格设计出来的一套函数集合负责维护“当前图表”的状态。plt这个别名纯粹是社区习惯官方文档和所有教程都这么用你也就顺着来别改成别的缩写。2.3 交互式环境与脚本运行的区别新手最容易困惑的为什么同样一段代码在Jupyter里能出来图在终端脚本里就是一片空白这要说到matplotlib的后端backend。后端就是负责“把画好的图输出到哪里”的渲染器。命令行脚本默认可能用的是agg后端它不弹窗只能保存图片文件。Jupyter用的是module://matplotlib_inline.backend_inline直接把图转为静态图片嵌进浏览器。PyCharm的Python Console则用TkAgg或QtAgg弹窗交互。换句话说在脚本里跑代码必须显式调用plt.plot(x, y) plt.show() # 阻塞式显示 plt.close() # 关闭当前图否则脚本退出前可能残留窗口而保存图片时即使plt.show()没调用plt.savefig()也能正常出图。又或者直接在代码里指定后端import matplotlib matplotlib.use(Agg) # 只输出文件不弹窗适合服务器上跑理解这个区别能少踩很多莫名其妙的坑。3. 拆解plot()的参数从传数据到控样式这个章节是整个入门的重点我把plot()最常见的用法分几层来讲每一层都有明确的用途和时间节点。3.1 数据传参的四种姿势# 姿势一只传一个序列 plt.plot(y) # 姿势二传两个等长序列 plt.plot(x, y) # 姿势三y还能是二维数组按列绘制 import numpy as np y2d np.random.rand(10, 3) plt.plot(y2d) # 画出3条不同颜色的线 # 姿势四传入pandas Series索引会被当作x轴 import pandas as pd s pd.Series([4, 7, 2, 8], index[a, b, c, d]) plt.plot(s)第四种用得最多。真实数据分析场景里你随手从DataFrame里取一列它就是Series带日期索引直接plt.plot(df[value])横轴自动变成日期非常方便。3.2 fmt格式字符串一行代码同时定颜色、标记和线型plot()有个很“MATLAB基因”的传参方式——格式字符串fmt用一两个字符就把颜色、线型、标记全定了plt.plot(x, y, ro-)这个字符串里的三个字符分别表示r红色、o圆形标记、-实线。顺序在官方文档里是[marker][line][color]但实际写的时候ro-、-or、r-o都会被正确解析。判断依据很简单英文字母会被当作颜色或标记字符-、--、-.、:会被当作线型。常见单字母颜色字符颜色b蓝色g绿色r红色c青色m品红色y黄色k黑色w白色注意黑色是k不是b因为b被蓝色占用了。常见线型-实线--虚线-.点划线:点线常见标记.小点、,像素点、o圆点、v/^//不同朝向的三角、s方块、*星号、D菱形、P加号。实测下来fmt适合快速出图、临时看趋势因为一行代码就能区分不同曲线。但正式做图时我不建议依赖它一是颜色、线型、标记挤在一串字符里很难维护二是你很快就会发现需要更细致的控制比如实线配大标记时fmt没法分别设置线和标记的尺寸。3.3 常用细节参数线宽、透明度、标签和裁剪推荐用关键字参数来提高可读性这也是长期项目里更推荐的风格plt.plot( x, y, color#2b6cb0, linestyle--, linewidth2, markero, markersize6, markerfacecolorwhite, markeredgewidth1.5, alpha0.9, label实验组 )参数速查表参数作用示例color线条颜色red,#ff5733,(0.2, 0.6, 1.0)linestyle/ls线型-,--,:,Nonelinewidth/lw线条粗细2数值越大越粗marker数据点标记o,s,^markersize/ms标记大小6markerfacecolor标记填充色whitemarkeredgewidth标记边框宽度1.5alpha透明度0~11为完全不透明label图例标签配合legend()显示线宽、标记大小、透明度这三样是提升“图感”最直接的手段。同样是红色圆圈markersize4和markersize12传递的视觉信息完全不同前者像散点后者像强调单点。新手画图经常所有元素都是一个尺寸图就显得“平”适当放大关键曲线的linewidth到2.5或3整体立刻不一样。label必须配合plt.legend()调用才会出现图例plt.plot(x, y, label收入) plt.plot(x, y2, label支出) plt.legend()需要强调的是三条曲线共享同一个label是可以的图例会合并不想要图例项时label_nolegend_是一种官方约定写法。4. matplotlib颜色体系从单字母到色板颜色是搜“matplotlib颜色”时最常被问到的问题这里一次讲透。4.1 八种基本色其实来自旧版约定上一节列的rgbcmykw是matplotlib一直保留的基本色缩写从MATLAB时代延续下来的习惯。用字符画图虽然快但有几个绕不过去的短板颜色只有8种做不了渐变可读性差也没法表达透明度。所以新手熟悉它但成熟项目里很少只用它。一个容易忽略的细节这8个字符也可以直接作为color参数的值比如colorr和colorred效果一致。4.2 十六进制、RGB元组和XKCD颜色名plot()的color参数支持非常多的形式全部列举没必要但下面这四种掌握后基本走遍天下# 十六进制 plt.plot(x, y, color#2b6cb0) # RGB元组取值范围0~1 plt.plot(x, y, color(0.17, 0.42, 0.69)) # RGBA元组第四位是透明度 plt.plot(x, y, color(0.17, 0.42, 0.69, 0.5)) # CSS/XKCD颜色名 plt.plot(x, y, colorsteelblue) plt.plot(x, y, colorxkcd:sky blue)十六进制是最推荐用的设计工具里取出来的颜色基本都是#RRGGBB格式。RGB元组需要注意取值范围很多刚从图像处理转过来的人喜欢写(255, 107, 107)结果得到的是一个灰不拉几的颜色——因为matplotlib把元组值当成0到1之间的比例。255会被裁剪成1.0也就是纯白坐标所以能看到但不报错特别迷惑人。4.3 同类多条曲线的配色思路实际画图时曲线一多配色立刻变成问题。我见过最灾难的图是把十条线画成不同亮度的彩虹色跟仪表盘一样什么都看不清。matplotlib内置了几个适合定性对比的色表最常用的是tab10和tab20。默认情况下你连续调用plt.plot()多次颜色会自动从tab10里取不用自己指定。手动取色可以用下面这种写法import matplotlib colors plt.cm.tab10.colors # 一组10个颜色 plt.plot(x, y, colorcolors[0], labelA) plt.plot(x, y2, colorcolors[1], labelB)当你要画很多条曲线的时候与其硬编码颜色不如用get_cmap按位置取cmap plt.get_cmap(viridis) for i in range(5): plt.plot(x, y i, colorcmap(i / 4), labelf组{i})viridis是matplotlib默认的连续色表色觉障碍友好这个词你在官方文档里会经常见到。入门阶段只要记住定性对比用tab10连续数值用viridis或plasma基本够用到进阶。5. 实战用plot()绘制“每日新增病例”趋势折线图讲完参数来一个贴近真实场景的案例。这个案例不是从网上抄的是我日常处理数据时最常用的一套流程pandas整理数据然后plot()画折线叠加上累计曲线最后保存出图。5.1 用pandas整理数据假设你拿到一份某城市每日新增病例的历史数据字段是日期和新增数。真实数据往往带着各种列名、缺失值、文本格式这里先构造一份简洁的DataFrameimport pandas as pd import numpy as np import matplotlib.pyplot as plt np.random.seed(42) dates pd.date_range(2024-01-01, periods10) new_cases np.array([5, 12, 20, 35, 28, 18, 15, 10, 8, 5]) df pd.DataFrame({日期: dates, 新增病例: new_cases}) df[累计病例] df[新增病例].cumsum() print(df)这份数据本身没有特殊含义纯粹演示前五天上升、后面回落是典型的“新增趋势先涨后降”曲线。需要注意的是日期列必须保证是datetime64类型否则plot()会把日期当字符串处理x轴的间距会变得非常诡异——每两个点均匀分布无视真实日期间隔。5.2 第一版折线图先画一个基本版plt.figure(figsize(10, 5)) plt.plot(df[日期], df[新增病例], markero, label每日新增) plt.title(每日新增病例趋势) plt.xlabel(日期) plt.ylabel(新增病例数) plt.grid(alpha0.3) plt.legend() plt.show()这里plt.figure(figsize(10, 5))是新建一张宽10英寸、高5英寸的画布。figsize的单位是英寸不是像素实际清晰度还取决于保存时设置的dpi。网格线plt.grid()默认是灰色实线我习惯加alpha0.3降低存在感避免抢走数据本身的可读性。日期轴如果出现横排文字太多重叠成黑块可以加一行旋转plt.xticks(rotation45)5.3 加对比曲线与图例下一步把累计病例叠加上去。这里有个尺度问题每日新增的数值在5到35之间累计病例在5到168之间两个数量级差异明显直接画在同一坐标系里新增曲线会变成贴着x轴的一条线完全看不出来波动。处理方式通常有两种一是只对比量级差不多的序列二是用双y轴。入门阶段先掌握“画量级相近的序列”更实际。比如把“每日新增”和“前一天的滚动态势”对比或者画新增和治愈如果量级相近。我在这里演示简单做法输出一张双系列图plt.figure(figsize(10, 5)) plt.plot(df[日期], df[新增病例], markero, label每日新增) plt.plot(df[日期], df[累计病例], markers, linestyle--, label累计病例) plt.title(每日新增与累计病例对比) plt.xlabel(日期) plt.ylabel(人数) plt.grid(alpha0.3) plt.legend() plt.show()如果非得让两个尺度悬殊的序列共图用twinx()生成右侧y轴fig, ax1 plt.subplots() ax2 ax1.twinx() ax1.plot(df[日期], df[新增病例], o-, color#c0392b, label每日新增) ax2.plot(df[日期], df[累计病例], s--, color#2c3e50, label累计病例) ax1.set_ylabel(每日新增) ax2.set_ylabel(累计)twinx()是新手阶段最后一个需要知道的“高级技巧”先了解存在即可真正用到再翻文档也来得及。5.4 保存图片的最佳参数图调完之后保存是重头戏。最常犯的错误是直接把窗口截图清晰度取决于屏幕正确做法是savefigplt.savefig(cases_trend.png, dpi150, bbox_inchestight)dpi150是推荐的最低出版级清晰度普通PPT、博客用dpi100够用打印或投稿至少300。bbox_inchestight会自动裁掉图片周围多余的白边避免生成的图四周大片空白。格式由文件后缀决定png是位图svg是矢量图放大不糊pdf适合文档插入。保存的时机也有讲究——要么放在plt.show()之前要么显示后先plt.savefig()再plt.show()。如果你先show()再savefig()在部分交互后端里会存成空白图因为figure对象已经被清空了。6. 报错与警告排查font_manager字体警报和常见异常6.1 看懂font_manager警告日志很多人在第一次画带有中文标签的图时终端里会出现类似这样的日志findfont: Font family SimHei not found. findfont: Font family Microsoft YaHei not found.前面还可能带一段matplotlib.font_manager的预警信息格式大概是[warning] matplotlib.font_manager。它的本质是matplotlib内部有一套字体管理器负责扫描操作系统里的字体文件、建立缓存、按字体名匹配。你代码里要求用“SimHei”或者“Microsoft YaHei”但字体管理器在你的系统里没找到对应字体所以退回到默认字体导致中文显示成方框。字体管理器在第一次import时会把全系统字体扫描一遍扫描结果缓存在用户目录下。多装了字体后如果还一直警告大概率是缓存没刷新。常见解决路径我放在下一节。6.2 中文乱码的三种修法方法一最省事直接指定中文字体。在画图代码前加上plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, Noto Sans CJK SC] plt.rcParams[axes.unicode_minus] False第一行是让matplotlib优先用中文字体渲染sans-serif类文本第二行是防止负号显示成方块。负号问题的根源是很多中文字体的西文符号区域不完整axes.unicode_minus默认值为True也就是用Unicode的减号−绘图一旦当前字体不支持就会乱码。改成False之后负号会用ASCII的连字符-代替大多数情况下视觉上完全可接受。方法二Linux服务器没有中文字体时安装系统字体包以Ubuntu为例sudo apt install fonts-noto-cjk rm -rf ~/.matplotlib/fontlist-*.json方法三直接删除字体缓存。rm -rf ~/.matplotlib下次运行import matplotlib时会重新扫描。为什么有时候删缓存比改代码更有效因为字体管理器一旦把不存在的字体名写进缓存后面每次查找都会命中脏数据你换字体名也救不回来。6.3 画完图不显示的常见原因这块我在第2章提到过后端差异再补充几个高频场景脚本文件里没有plt.show()而且后端不是内嵌展示型的。在Jupyter里用了plt.show()但没有先执行%matplotlib inline新版自动处理旧版需要。调用了plt.close()之后才plt.show()自然一片空白。用PyCharm时图弹出来瞬间被IDE的Python Console接管代码继续往下跑最终窗口被回收。解决办法是在plt.show()后加一行plt.pause(0.01)或使用plt.show(blockTrue)。真正排查思路是先确认是“没画出来”还是“画出来了没显示”。没画出来看数据范围对不对画出来了没显示100%是后端或展示方式问题。6.4 其他高频报错速查表报错信息原因处理ValueError: x and y must have same first dimensionx和y长度不一致最常见的是len(x)5、len(y)3打印两个长度检查数据清洗时是否丢行TypeError: plot() got an unexpected keyword argument foo参数名写错了比如把linewidth拼成line_width核对官方签名或用IDE自动补全KeyError: 日期DataFrame列名不对可能是date的大小写或空格问题打印df.columns确认ValueError: ordinal must be 1日期还没转成datetime类型就被当数值处理使用pd.to_datetime()OverflowError某些版本在日期范围超过Timestamp范围时报错确认日期年份合法看报错有个核心习惯永远先看最后一行traceback别从第一行开始读。前面几行往往是调用链最后一行才是真正抛错的位置。7. pyplot与axes接口入门后的分水岭7.1 pyplot接口方便在哪到目前为止所有示例用的都是plt.plot()这种函数式写法。它的名字叫pyplot接口工作方式是“状态机”式的matplotlib内部维护着一个“当前figure”和“当前axes”你每次调plt.plot()它自动画在最新的axes上你调plt.title()它也自动设置最新axes的标题。单图场景下极其顺手。官方文档和网上绝大多数教程都用pyplot接口所以新手不需要一上来就否定这种写法。7.2 面向对象接口的使用结构不过pyplot的状态机制存在两个痛点一是多子图时你得记住当前操作的是哪个axes容易串二是如果想在画完图之后还能修改某张子图的细节用pyplot写起来很别扭。面向对象接口建议从入门后半段就开始接触核心结构就三行fig, ax plt.subplots() ax.plot(x, y) ax.set_title(标题)换成对比写法一眼就能看出区别# pyplot接口 plt.figure() plt.plot(x, y) plt.title(标题) # 面向对象接口 fig, ax plt.subplots() ax.plot(x, y) ax.set_title(标题)plt.subplots()返回两个对象fig是整张画布ax是画布上的一个axes可以理解为子图坐标区。ax.plot()和ax.set_title()都是axes对象的方法不会再依赖“当前坐标系”这个隐式状态。7.3 为什么长期写代码建议用ax我自己是踩过坑之后才彻底转向ax.写法的。有一次做三合一对比图三个子图共用数据源用pyplot的plt.subplot(2, 2, 1)切换当前子图后面有个标签设置错位找了几分钟才发现改到了上一个子图。换成fig, axs plt.subplots(2, 2)之后每个子图有明确的变量名axs[0][0]、axs[0][1]操作哪个就写哪个永远不会串。多子图示例fig, axs plt.subplots(2, 1, figsize(8, 6)) axs[0].plot(df[日期], df[新增病例], markero, color#c0392b) axs[0].set_title(每日新增) axs[1].plot(df[日期], df[累计病例], markers, linestyle--, color#2c3e50) axs[1].set_title(累计病例) fig.tight_layout()fig.tight_layout()控制子图间距避免标题和坐标轴重叠这行是输出多子图时必加的。7.4 一句话看懂figure、axes、axis的关系很多教材把这三个词混着讲导致新手彻底懵圈。用生活类比解释figure是一面墙你所有要展示的内容都挂在这面墙上。axes是墙上挂的一个相框相框里有自己的坐标系。axis是相框里的上下左右边框也就是单独的x轴或y轴。一张figure可以有很多个axes每个axes有自己的x轴和y轴。平常说的“双y轴图”就是同一个axes上放了两个axis。这个理解一旦建立plt.subplots()、twinx()、subplot这些概念全部能串起来。回到开头的问题入门要不要学ax接口我的建议是plot()这批基础功能先用pyplot接口练熟明白每个参数是干什么的当你要画第二张子图的时候主动切成fig, ax写法。你会发现之前最困扰的“多子图管理问题”其实只是接口设计差异带来的和你的画图水平没太大关系。
刚开始碰Python可视化这条线的人十个里有九个第一行代码写的是plt.plot(x, y)。Matplotlib的plot()函数像一个最低门槛的入口——它不需要你先理解后台的渲染管线也不需要搞清楚figure和axes谁先谁后丢两个列表进去就能看到一条线出来。这篇文章我打算把plot()这条主线从头到尾串一遍安装环境、数据传参、样式颜色、和pandas配合的实战习惯再到大概率会碰上的font_manager字体警告和中文乱码问题。如果你是刚准备画图的新手或者画过几张图但一直靠复制粘贴改参数这篇应该能帮你把每个参数背后的逻辑理顺。1. plot()的定位为什么学Matplotlib绕不开它1.1 它解决的其实是坐标映射问题很多人把plot()当成“画折线的函数”这个理解没错但不太本质。你往折线图里看不外乎是“横轴一个值纵轴一个值把点连起来”。plot()干的事情就是把你给的x序列和y序列一一对应地映射到坐标系上然后用线段把这些点按顺序连起来。所以它最简单的用法其实长这样import matplotlib.pyplot as plt y [3, 5, 8, 6, 9] plt.plot(y) plt.show()当只传入一个序列时matplotlib会自动把[0, 1, 2, 3, 4]当作x轴坐标y用你给的数据。这是纯索引坐标没有实际业务含义。真正负责表达“我横轴是日期、纵轴是数量”的用法是传入两个等长序列x [1, 2, 3, 4, 5] y [3, 5, 8, 6, 9] plt.plot(x, y) plt.show()x和y的长度必须一致这是plot()最底层的前提。哪怕你传入的是pandas的Series、numpy的数组最终也会被转换成内部的数据点数组来绘制。1.2 两条命令出来的图是“能跑”的但离“能用”还很远plt.plot(x, y)加plt.show()是你人生中第一张图特点是快但简陋。没有标题、没有坐标轴说明、没有图例、颜色也是默认的蓝线。做探索性分析时这完全够用可一旦要把图放进报告、博客、论文或者给同事看就远远不够了。“能用”的图至少要有几样东西标题告诉别人这图在说什么x轴和y轴标签说明横纵坐标的物理含义曲线有区分度关键数据点有标记必要时加图例。这些能力plot()函数本身都能提供这也是为什么这个函数值得花一整篇文章去拆——它虽然叫“入门”但深度一点都不浅。我见过不少工作两三年的同事画图还是每次现查参数。原因不是懒而是他们从没把plot()的完整参数体系系统过一遍。这就是本文想解决的问题。2. 准备工作区安装Matplotlib与跑通第一个折线图2.1 安装方式选择与国内镜像绝大多数人用的还是pip没什么特殊需求的话直接装pip install matplotlib如果下载速度很慢可以临时指定国内镜像源pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple用Anaconda的同学则推荐conda install matplotlib有几点值得说清楚确认当前Python环境是哪个别用系统Python和虚拟环境混装。最常见的坑是“我在终端里pip装好了但IDE里导入失败”几乎都是环境没对应上。matplotlib支持Python 3.9以上版本装完后可以在终端里跑python -c import matplotlib; print(matplotlib.__version__)验证。部分旧教程会让你装python-matplotlib这种名字那是Debian/Ubuntu的apt包名不要和pip包混为一谈。安装方式适用场景注意事项pip install matplotlib最通用注意当前虚拟环境是否激活conda install matplotlibAnaconda用户conda会顺带处理依赖apt/yum安装Linux系统级版本较旧不建议新手用2.2 三条代码跑通第一个图装完之后第一步先别急着画复杂图把最基础的demo跑起来import matplotlib.pyplot as plt x [1, 2, 3, 4, 5] y [2, 4, 1, 8, 7] plt.plot(x, y) plt.show()如果你的环境是Jupyter Notebook可以把plt.show()换成这行魔法命令写在代码块最上方%matplotlib inline这样图会直接嵌入在单元格下方。如果是PyCharm或者VSCode的交互窗口plt.show()会弹出独立窗口在窗口关闭前代码会停在那一行。这些行为差异来自matplotlib的后端机制后面细说。值得解释一下为什么大家都写import matplotlib.pyplot as plt。matplotlib本身是个大包绘图入口很多pyplot是它模仿MATLAB风格设计出来的一套函数集合负责维护“当前图表”的状态。plt这个别名纯粹是社区习惯官方文档和所有教程都这么用你也就顺着来别改成别的缩写。2.3 交互式环境与脚本运行的区别新手最容易困惑的为什么同样一段代码在Jupyter里能出来图在终端脚本里就是一片空白这要说到matplotlib的后端backend。后端就是负责“把画好的图输出到哪里”的渲染器。命令行脚本默认可能用的是agg后端它不弹窗只能保存图片文件。Jupyter用的是module://matplotlib_inline.backend_inline直接把图转为静态图片嵌进浏览器。PyCharm的Python Console则用TkAgg或QtAgg弹窗交互。换句话说在脚本里跑代码必须显式调用plt.plot(x, y) plt.show() # 阻塞式显示 plt.close() # 关闭当前图否则脚本退出前可能残留窗口而保存图片时即使plt.show()没调用plt.savefig()也能正常出图。又或者直接在代码里指定后端import matplotlib matplotlib.use(Agg) # 只输出文件不弹窗适合服务器上跑理解这个区别能少踩很多莫名其妙的坑。3. 拆解plot()的参数从传数据到控样式这个章节是整个入门的重点我把plot()最常见的用法分几层来讲每一层都有明确的用途和时间节点。3.1 数据传参的四种姿势# 姿势一只传一个序列 plt.plot(y) # 姿势二传两个等长序列 plt.plot(x, y) # 姿势三y还能是二维数组按列绘制 import numpy as np y2d np.random.rand(10, 3) plt.plot(y2d) # 画出3条不同颜色的线 # 姿势四传入pandas Series索引会被当作x轴 import pandas as pd s pd.Series([4, 7, 2, 8], index[a, b, c, d]) plt.plot(s)第四种用得最多。真实数据分析场景里你随手从DataFrame里取一列它就是Series带日期索引直接plt.plot(df[value])横轴自动变成日期非常方便。3.2 fmt格式字符串一行代码同时定颜色、标记和线型plot()有个很“MATLAB基因”的传参方式——格式字符串fmt用一两个字符就把颜色、线型、标记全定了plt.plot(x, y, ro-)这个字符串里的三个字符分别表示r红色、o圆形标记、-实线。顺序在官方文档里是[marker][line][color]但实际写的时候ro-、-or、r-o都会被正确解析。判断依据很简单英文字母会被当作颜色或标记字符-、--、-.、:会被当作线型。常见单字母颜色字符颜色b蓝色g绿色r红色c青色m品红色y黄色k黑色w白色注意黑色是k不是b因为b被蓝色占用了。常见线型-实线--虚线-.点划线:点线常见标记.小点、,像素点、o圆点、v/^//不同朝向的三角、s方块、*星号、D菱形、P加号。实测下来fmt适合快速出图、临时看趋势因为一行代码就能区分不同曲线。但正式做图时我不建议依赖它一是颜色、线型、标记挤在一串字符里很难维护二是你很快就会发现需要更细致的控制比如实线配大标记时fmt没法分别设置线和标记的尺寸。3.3 常用细节参数线宽、透明度、标签和裁剪推荐用关键字参数来提高可读性这也是长期项目里更推荐的风格plt.plot( x, y, color#2b6cb0, linestyle--, linewidth2, markero, markersize6, markerfacecolorwhite, markeredgewidth1.5, alpha0.9, label实验组 )参数速查表参数作用示例color线条颜色red,#ff5733,(0.2, 0.6, 1.0)linestyle/ls线型-,--,:,Nonelinewidth/lw线条粗细2数值越大越粗marker数据点标记o,s,^markersize/ms标记大小6markerfacecolor标记填充色whitemarkeredgewidth标记边框宽度1.5alpha透明度0~11为完全不透明label图例标签配合legend()显示线宽、标记大小、透明度这三样是提升“图感”最直接的手段。同样是红色圆圈markersize4和markersize12传递的视觉信息完全不同前者像散点后者像强调单点。新手画图经常所有元素都是一个尺寸图就显得“平”适当放大关键曲线的linewidth到2.5或3整体立刻不一样。label必须配合plt.legend()调用才会出现图例plt.plot(x, y, label收入) plt.plot(x, y2, label支出) plt.legend()需要强调的是三条曲线共享同一个label是可以的图例会合并不想要图例项时label_nolegend_是一种官方约定写法。4. matplotlib颜色体系从单字母到色板颜色是搜“matplotlib颜色”时最常被问到的问题这里一次讲透。4.1 八种基本色其实来自旧版约定上一节列的rgbcmykw是matplotlib一直保留的基本色缩写从MATLAB时代延续下来的习惯。用字符画图虽然快但有几个绕不过去的短板颜色只有8种做不了渐变可读性差也没法表达透明度。所以新手熟悉它但成熟项目里很少只用它。一个容易忽略的细节这8个字符也可以直接作为color参数的值比如colorr和colorred效果一致。4.2 十六进制、RGB元组和XKCD颜色名plot()的color参数支持非常多的形式全部列举没必要但下面这四种掌握后基本走遍天下# 十六进制 plt.plot(x, y, color#2b6cb0) # RGB元组取值范围0~1 plt.plot(x, y, color(0.17, 0.42, 0.69)) # RGBA元组第四位是透明度 plt.plot(x, y, color(0.17, 0.42, 0.69, 0.5)) # CSS/XKCD颜色名 plt.plot(x, y, colorsteelblue) plt.plot(x, y, colorxkcd:sky blue)十六进制是最推荐用的设计工具里取出来的颜色基本都是#RRGGBB格式。RGB元组需要注意取值范围很多刚从图像处理转过来的人喜欢写(255, 107, 107)结果得到的是一个灰不拉几的颜色——因为matplotlib把元组值当成0到1之间的比例。255会被裁剪成1.0也就是纯白坐标所以能看到但不报错特别迷惑人。4.3 同类多条曲线的配色思路实际画图时曲线一多配色立刻变成问题。我见过最灾难的图是把十条线画成不同亮度的彩虹色跟仪表盘一样什么都看不清。matplotlib内置了几个适合定性对比的色表最常用的是tab10和tab20。默认情况下你连续调用plt.plot()多次颜色会自动从tab10里取不用自己指定。手动取色可以用下面这种写法import matplotlib colors plt.cm.tab10.colors # 一组10个颜色 plt.plot(x, y, colorcolors[0], labelA) plt.plot(x, y2, colorcolors[1], labelB)当你要画很多条曲线的时候与其硬编码颜色不如用get_cmap按位置取cmap plt.get_cmap(viridis) for i in range(5): plt.plot(x, y i, colorcmap(i / 4), labelf组{i})viridis是matplotlib默认的连续色表色觉障碍友好这个词你在官方文档里会经常见到。入门阶段只要记住定性对比用tab10连续数值用viridis或plasma基本够用到进阶。5. 实战用plot()绘制“每日新增病例”趋势折线图讲完参数来一个贴近真实场景的案例。这个案例不是从网上抄的是我日常处理数据时最常用的一套流程pandas整理数据然后plot()画折线叠加上累计曲线最后保存出图。5.1 用pandas整理数据假设你拿到一份某城市每日新增病例的历史数据字段是日期和新增数。真实数据往往带着各种列名、缺失值、文本格式这里先构造一份简洁的DataFrameimport pandas as pd import numpy as np import matplotlib.pyplot as plt np.random.seed(42) dates pd.date_range(2024-01-01, periods10) new_cases np.array([5, 12, 20, 35, 28, 18, 15, 10, 8, 5]) df pd.DataFrame({日期: dates, 新增病例: new_cases}) df[累计病例] df[新增病例].cumsum() print(df)这份数据本身没有特殊含义纯粹演示前五天上升、后面回落是典型的“新增趋势先涨后降”曲线。需要注意的是日期列必须保证是datetime64类型否则plot()会把日期当字符串处理x轴的间距会变得非常诡异——每两个点均匀分布无视真实日期间隔。5.2 第一版折线图先画一个基本版plt.figure(figsize(10, 5)) plt.plot(df[日期], df[新增病例], markero, label每日新增) plt.title(每日新增病例趋势) plt.xlabel(日期) plt.ylabel(新增病例数) plt.grid(alpha0.3) plt.legend() plt.show()这里plt.figure(figsize(10, 5))是新建一张宽10英寸、高5英寸的画布。figsize的单位是英寸不是像素实际清晰度还取决于保存时设置的dpi。网格线plt.grid()默认是灰色实线我习惯加alpha0.3降低存在感避免抢走数据本身的可读性。日期轴如果出现横排文字太多重叠成黑块可以加一行旋转plt.xticks(rotation45)5.3 加对比曲线与图例下一步把累计病例叠加上去。这里有个尺度问题每日新增的数值在5到35之间累计病例在5到168之间两个数量级差异明显直接画在同一坐标系里新增曲线会变成贴着x轴的一条线完全看不出来波动。处理方式通常有两种一是只对比量级差不多的序列二是用双y轴。入门阶段先掌握“画量级相近的序列”更实际。比如把“每日新增”和“前一天的滚动态势”对比或者画新增和治愈如果量级相近。我在这里演示简单做法输出一张双系列图plt.figure(figsize(10, 5)) plt.plot(df[日期], df[新增病例], markero, label每日新增) plt.plot(df[日期], df[累计病例], markers, linestyle--, label累计病例) plt.title(每日新增与累计病例对比) plt.xlabel(日期) plt.ylabel(人数) plt.grid(alpha0.3) plt.legend() plt.show()如果非得让两个尺度悬殊的序列共图用twinx()生成右侧y轴fig, ax1 plt.subplots() ax2 ax1.twinx() ax1.plot(df[日期], df[新增病例], o-, color#c0392b, label每日新增) ax2.plot(df[日期], df[累计病例], s--, color#2c3e50, label累计病例) ax1.set_ylabel(每日新增) ax2.set_ylabel(累计)twinx()是新手阶段最后一个需要知道的“高级技巧”先了解存在即可真正用到再翻文档也来得及。5.4 保存图片的最佳参数图调完之后保存是重头戏。最常犯的错误是直接把窗口截图清晰度取决于屏幕正确做法是savefigplt.savefig(cases_trend.png, dpi150, bbox_inchestight)dpi150是推荐的最低出版级清晰度普通PPT、博客用dpi100够用打印或投稿至少300。bbox_inchestight会自动裁掉图片周围多余的白边避免生成的图四周大片空白。格式由文件后缀决定png是位图svg是矢量图放大不糊pdf适合文档插入。保存的时机也有讲究——要么放在plt.show()之前要么显示后先plt.savefig()再plt.show()。如果你先show()再savefig()在部分交互后端里会存成空白图因为figure对象已经被清空了。6. 报错与警告排查font_manager字体警报和常见异常6.1 看懂font_manager警告日志很多人在第一次画带有中文标签的图时终端里会出现类似这样的日志findfont: Font family SimHei not found. findfont: Font family Microsoft YaHei not found.前面还可能带一段matplotlib.font_manager的预警信息格式大概是[warning] matplotlib.font_manager。它的本质是matplotlib内部有一套字体管理器负责扫描操作系统里的字体文件、建立缓存、按字体名匹配。你代码里要求用“SimHei”或者“Microsoft YaHei”但字体管理器在你的系统里没找到对应字体所以退回到默认字体导致中文显示成方框。字体管理器在第一次import时会把全系统字体扫描一遍扫描结果缓存在用户目录下。多装了字体后如果还一直警告大概率是缓存没刷新。常见解决路径我放在下一节。6.2 中文乱码的三种修法方法一最省事直接指定中文字体。在画图代码前加上plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, Noto Sans CJK SC] plt.rcParams[axes.unicode_minus] False第一行是让matplotlib优先用中文字体渲染sans-serif类文本第二行是防止负号显示成方块。负号问题的根源是很多中文字体的西文符号区域不完整axes.unicode_minus默认值为True也就是用Unicode的减号−绘图一旦当前字体不支持就会乱码。改成False之后负号会用ASCII的连字符-代替大多数情况下视觉上完全可接受。方法二Linux服务器没有中文字体时安装系统字体包以Ubuntu为例sudo apt install fonts-noto-cjk rm -rf ~/.matplotlib/fontlist-*.json方法三直接删除字体缓存。rm -rf ~/.matplotlib下次运行import matplotlib时会重新扫描。为什么有时候删缓存比改代码更有效因为字体管理器一旦把不存在的字体名写进缓存后面每次查找都会命中脏数据你换字体名也救不回来。6.3 画完图不显示的常见原因这块我在第2章提到过后端差异再补充几个高频场景脚本文件里没有plt.show()而且后端不是内嵌展示型的。在Jupyter里用了plt.show()但没有先执行%matplotlib inline新版自动处理旧版需要。调用了plt.close()之后才plt.show()自然一片空白。用PyCharm时图弹出来瞬间被IDE的Python Console接管代码继续往下跑最终窗口被回收。解决办法是在plt.show()后加一行plt.pause(0.01)或使用plt.show(blockTrue)。真正排查思路是先确认是“没画出来”还是“画出来了没显示”。没画出来看数据范围对不对画出来了没显示100%是后端或展示方式问题。6.4 其他高频报错速查表报错信息原因处理ValueError: x and y must have same first dimensionx和y长度不一致最常见的是len(x)5、len(y)3打印两个长度检查数据清洗时是否丢行TypeError: plot() got an unexpected keyword argument foo参数名写错了比如把linewidth拼成line_width核对官方签名或用IDE自动补全KeyError: 日期DataFrame列名不对可能是date的大小写或空格问题打印df.columns确认ValueError: ordinal must be 1日期还没转成datetime类型就被当数值处理使用pd.to_datetime()OverflowError某些版本在日期范围超过Timestamp范围时报错确认日期年份合法看报错有个核心习惯永远先看最后一行traceback别从第一行开始读。前面几行往往是调用链最后一行才是真正抛错的位置。7. pyplot与axes接口入门后的分水岭7.1 pyplot接口方便在哪到目前为止所有示例用的都是plt.plot()这种函数式写法。它的名字叫pyplot接口工作方式是“状态机”式的matplotlib内部维护着一个“当前figure”和“当前axes”你每次调plt.plot()它自动画在最新的axes上你调plt.title()它也自动设置最新axes的标题。单图场景下极其顺手。官方文档和网上绝大多数教程都用pyplot接口所以新手不需要一上来就否定这种写法。7.2 面向对象接口的使用结构不过pyplot的状态机制存在两个痛点一是多子图时你得记住当前操作的是哪个axes容易串二是如果想在画完图之后还能修改某张子图的细节用pyplot写起来很别扭。面向对象接口建议从入门后半段就开始接触核心结构就三行fig, ax plt.subplots() ax.plot(x, y) ax.set_title(标题)换成对比写法一眼就能看出区别# pyplot接口 plt.figure() plt.plot(x, y) plt.title(标题) # 面向对象接口 fig, ax plt.subplots() ax.plot(x, y) ax.set_title(标题)plt.subplots()返回两个对象fig是整张画布ax是画布上的一个axes可以理解为子图坐标区。ax.plot()和ax.set_title()都是axes对象的方法不会再依赖“当前坐标系”这个隐式状态。7.3 为什么长期写代码建议用ax我自己是踩过坑之后才彻底转向ax.写法的。有一次做三合一对比图三个子图共用数据源用pyplot的plt.subplot(2, 2, 1)切换当前子图后面有个标签设置错位找了几分钟才发现改到了上一个子图。换成fig, axs plt.subplots(2, 2)之后每个子图有明确的变量名axs[0][0]、axs[0][1]操作哪个就写哪个永远不会串。多子图示例fig, axs plt.subplots(2, 1, figsize(8, 6)) axs[0].plot(df[日期], df[新增病例], markero, color#c0392b) axs[0].set_title(每日新增) axs[1].plot(df[日期], df[累计病例], markers, linestyle--, color#2c3e50) axs[1].set_title(累计病例) fig.tight_layout()fig.tight_layout()控制子图间距避免标题和坐标轴重叠这行是输出多子图时必加的。7.4 一句话看懂figure、axes、axis的关系很多教材把这三个词混着讲导致新手彻底懵圈。用生活类比解释figure是一面墙你所有要展示的内容都挂在这面墙上。axes是墙上挂的一个相框相框里有自己的坐标系。axis是相框里的上下左右边框也就是单独的x轴或y轴。一张figure可以有很多个axes每个axes有自己的x轴和y轴。平常说的“双y轴图”就是同一个axes上放了两个axis。这个理解一旦建立plt.subplots()、twinx()、subplot这些概念全部能串起来。回到开头的问题入门要不要学ax接口我的建议是plot()这批基础功能先用pyplot接口练熟明白每个参数是干什么的当你要画第二张子图的时候主动切成fig, ax写法。你会发现之前最困扰的“多子图管理问题”其实只是接口设计差异带来的和你的画图水平没太大关系。
