企业官网建设流程全解析

文章标签：#Python #Matplotlib #数据可视化 #数据分析 #AI 人工智能 #零基础学 Python

前言

在人工智能、数据分析、机器学习领域，数据可视化是最核心的呈现方式。Matplotlib 是 Python 中最经典、最稳定、最通用的 2D 绘图库，几乎所有数据分析、AI 训练、论文绘图都会用到。

本文专为零基础小白打造，从安装→基础绘图→进阶美化→AI 实战→常见问题，全程代码可直接复制运行，每一段代码都带详细注释，每一张图都已生成并展示，不讲废话、只讲实战，让你快速掌握 Matplotlib 绘图全技能！

一、Matplotlib 基础认知

1.1 什么是 Matplotlib？

Matplotlib 是 Python 的2D 绘图库，可以绘制：折线图、散点图、柱状图、直方图、饼图、热力图、3D 图、等高线图等。它是数据科学、AI、机器学习、办公自动化必备工具。

1.2 Matplotlib 核心优势

1. 免费开源、轻量高效
2. 低配电脑可流畅运行
3. 语法简单、零基础快速上手
4. 高度自定义，可做出论文级图表
5. 与 NumPy、Pandas、AI 框架完美兼容
6. 支持高清导出 PNG、PDF、SVG

1.3 核心架构（极简理解）

• Figure 画布：整张图的容器
• Axes 坐标系：真正绘图的区域
• Axis 坐标轴：X 轴、Y 轴
• plt.plot()：绘图
• plt.show()：显示图片
• plt.savefig()：保存图片

二、环境安装与基础配置（必看）

2.1 安装命令（无报错版）

bash

运行

pip install matplotlib numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 全局中文配置（解决中文乱码）

python

运行

import matplotlib.pyplot as plt import numpy as np # -------------------------- 【全局配置】 -------------------------- plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文显示 plt.rcParams['axes.unicode_minus'] = False # 负号显示 plt.rcParams['axes.grid'] = True # 默认网格 plt.rcParams['grid.alpha'] = 0.3 # 网格透明度 plt.rcParams['figure.figsize'] = (10, 6) # 画布大小 plt.rcParams['figure.dpi'] = 100 # 画布分辨率

三、基础绘图：5 大核心图表（全代码 + 全注释 + 全运行 + 全图）

3.1 折线图 plt.plot () —— 趋势展示（最常用）

实战 1：年龄趋势图

python

运行

import matplotlib.pyplot as plt import numpy as np # 配置中文 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['axes.grid'] = True plt.rcParams['grid.alpha'] = 0.3 # 数据 ages = ['13岁','14岁','15岁','16岁','17岁','18岁','19岁','20岁','21岁','22岁','23岁','24岁','25岁','26岁','27岁'] values = [1,1,2,4,3,2,3,4,4,5,6,5,4,3,3] # 创建画布 plt.figure(figsize=(12,6)) # 绘制折线 plt.plot(ages, values, color='#1f77b4', linewidth=2.5, marker='o', markersize=6, label='数值') # 图表装饰 plt.title('年龄分布趋势折线图', fontsize=16) plt.xlabel('年龄', fontsize=12) plt.ylabel('统计数值', fontsize=12) plt.xticks(rotation=30) plt.legend() plt.grid(alpha=0.3) # 保存 + 显示 plt.tight_layout() plt.savefig('age_trend.png', dpi=300, bbox_inches='tight') plt.show()

3.2 双折线对比图（正弦 + 余弦）

python

运行

import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 生成数据 x = np.linspace(0, 10, 100) y_sin = np.sin(x) y_cos = np.cos(x) # 绘图 plt.figure(figsize=(10,6)) plt.plot(x, y_sin, label='sin(x)', color='#1f77b4', linewidth=2) plt.plot(x, y_cos, label='cos(x)', color='#ff7f0e', linewidth=2, linestyle='--') # 装饰 plt.title('正弦余弦函数对比曲线', fontsize=14) plt.xlabel('X轴', fontsize=12) plt.ylabel('Y轴', fontsize=12) plt.legend() plt.grid(alpha=0.3) plt.savefig('sin_cos.png', dpi=300) plt.show()

3.3 散点图 plt.scatter () —— 数据相关性分析

python

运行

import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 构造数据 np.random.seed(42) x = np.linspace(0,10,100) y = 2 * x + np.random.randn(100) * 2 # 绘制散点图 plt.figure(figsize=(10,6)) plt.scatter(x, y, color='#2ca02c', s=60, alpha=0.7, label='样本点') # 装饰 plt.title('散点图：X与Y线性关系', fontsize=14) plt.xlabel('自变量X', fontsize=12) plt.ylabel('因变量Y', fontsize=12) plt.legend() plt.grid(alpha=0.3) plt.savefig('scatter.png', dpi=300) plt.show()

生成图形：

3.4 柱状图 plt.bar () —— 分类数据对比

python

运行

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 数据 names = ['产品A','产品B','产品C','产品D','产品E'] sales = [45,62,38,75,52] colors = ['#1f77b4','#ff7f0e','#2ca02c','#d62728','#9467bd'] # 绘图 plt.figure(figsize=(10,6)) bars = plt.bar(names, sales, color=colors) # 给柱子添加数值 for bar in bars: h = bar.get_height() plt.text(bar.get_x()+bar.get_width()/2, h+1, f'{h}', ha='center', fontsize=12) # 装饰 plt.title('产品销量对比柱状图', fontsize=14) plt.xlabel('产品类型') plt.ylabel('销量（件）') plt.grid(axis='y', alpha=0.3) plt.savefig('bar_sales.png', dpi=300) plt.show()

生成图形：

3.5 直方图 plt.hist () —— 数据分布统计

python

运行

import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 生成正态分布数据 data = np.random.normal(loc=0, scale=1, size=10000) # 绘图 plt.figure(figsize=(10,6)) plt.hist(data, bins=50, color='#1f77b4', edgecolor='black', alpha=0.7) # 装饰 plt.title('正态分布直方图（10000样本）', fontsize=14) plt.xlabel('数值') plt.ylabel('频数') plt.grid(alpha=0.3) plt.savefig('hist.png', dpi=300) plt.show()

3.6 饼图 plt.pie () —— 占比分析

python

运行

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 数据 labels = ['手机端','PC端','平板端','其他'] sizes = [65,22,10,3] colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99'] explode = (0.05,0,0,0) # 绘图 plt.figure(figsize=(8,8)) plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=90) plt.axis('equal') plt.title('用户设备使用占比饼图', fontsize=14) plt.savefig('pie.png', dpi=300) plt.show()

四、Matplotlib 进阶绘图（AI / 工作必备）

4.1 多子图 subplots（一图多表）

python

运行

import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 创建2行2列子图 fig, axs = plt.subplots(2, 2, figsize=(12,8)) x = np.linspace(0,10,100) axs[0,0].plot(x, np.sin(x), color='#1f77b4') axs[0,0].set_title('正弦函数') axs[0,0].grid(True, alpha=0.3) axs[0,1].plot(x, np.cos(x), color='#ff7f0e') axs[0,1].set_title('余弦函数') axs[0,1].grid(True, alpha=0.3) axs[1,0].plot(x, np.exp(-x/5), color='#2ca02c') axs[1,0].set_title('指数衰减') axs[1,0].grid(True, alpha=0.3) axs[1,1].plot(x, np.sqrt(x), color='#d62728') axs[1,1].set_title('平方根函数') axs[1,1].grid(True, alpha=0.3) plt.tight_layout() plt.savefig('subplots.png', dpi=300) plt.show()

4.2 AI 模型训练曲线（最常用实战）

python

运行

import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 模拟训练数据 epochs = np.arange(1,51) train_loss = 0.8 * np.exp(-epochs/10) val_loss = 0.9 * np.exp(-epochs/12) train_acc = 0.5 + 0.48*(1-np.exp(-epochs/8)) val_acc = 0.45 + 0.45*(1-np.exp(-epochs/10)) # 创建双图 fig, (ax1, ax2) = plt.subplots(1,2, figsize=(14,5)) ax1.plot(epochs, train_loss, label='训练损失', linewidth=2) ax1.plot(epochs, val_loss, label='验证损失', linewidth=2, linestyle='--') ax1.set_title('损失曲线', fontsize=12) ax1.set_xlabel('Epoch', fontsize=10) ax1.set_ylabel('Loss', fontsize=10) ax1.legend() ax1.grid(True, alpha=0.3) ax2.plot(epochs, train_acc, label='训练准确率', color='green', linewidth=2) ax2.plot(epochs, val_acc, label='验证准确率', color='red', linewidth=2, linestyle='--') ax2.set_title('准确率曲线', fontsize=12) ax2.set_xlabel('Epoch', fontsize=10) ax2.set_ylabel('Accuracy', fontsize=10) ax2.legend() ax2.grid(True, alpha=0.3) plt.suptitle('AI模型训练可视化', fontsize=14) plt.tight_layout() plt.savefig('ai_training.png', dpi=300) plt.show()

五、Matplotlib 高级美化技巧

5.1 线条样式设置

python

运行

plt.plot(x,y, linestyle='-') # 实线 plt.plot(x,y, linestyle='--') # 虚线 plt.plot(x,y, linestyle=':') # 点线 plt.plot(x,y, marker='o') # 圆点 plt.plot(x,y, marker='s') # 方块

5.2 颜色设置

python

运行

color='red' color='#1f77b4' color='#ff7f0e'

5.3 高清导出

python

运行

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

5.4 画布大小

python

运行

plt.figure(figsize=(10,6))

六、零基础常见问题（100% 解决）

6.1 中文显示方框？

python

运行

plt.rcParams['font.sans-serif'] = ['SimHei']

6.2 图片不显示？

python

运行

plt.show()

6.3 保存图片空白？

必须先保存，后显示：

python

运行

plt.savefig('a.png') plt.show()

6.4 标签重叠？

python

运行

plt.xticks(rotation=30)

七、总结（超完整版）

本文从零基础带你掌握：

1. Matplotlib 安装与中文配置
2. 5 大基础图表（折线 / 散点 / 柱状 / 直方图 / 饼图）
3. 多子图、AI 训练曲线、高清导出
4. 商务风格、论文风格、AI 风格绘图
5. 所有代码可直接运行、无报错、全注释
6. 所有图表已实际生成、清晰美观

只要跟着本文练习3 天，你就能独立完成：✅ 数据分析图表✅ AI 模型训练曲线✅ 商务报表图表✅ 论文高清插图✅ 自动化办公绘图