企业官网建设流程全解析

1. 从零开始理解Matplotlib的绘图逻辑

1.1 先搞清楚Figure、Axes和plt的关系

很多小白学Matplotlib容易卡在第一步：搞不清plt.plot()、plt.figure()、plt.subplots()之间到底是什么关系。其实这背后有一套非常清晰的逻辑，搞懂了它，后面画图就是水到渠成的事。

我用一个生活化的类比来解释：做菜的时候，你需要厨房（Figure）、锅（Axes）、以及炒菜的动作（plot）。

• Figure是整个画布，相当于整个厨房空间。它最大，承载所有东西。
• Axes是画布上的一个绘图区域，相当于厨房里的那口锅。在一张画布上可以放很多口锅（比如1行2列的子图），每口锅单独画自己的内容。
• plt.plot()这类函数就是炒菜的动作，你得指定在哪口锅里炒。

传统的plt.plot()其实是所谓的“状态机”模式，它会自动找到当前活跃的Axes，画上去。但当你开始画子图，或者需要精确控制多个图时，这种隐式的状态管理会让你晕头转向。所以我的建议是：从第一篇教程开始，就使用显式的方式——fig, ax = plt.subplots()，而不是直接plt.plot()。

刚开始学，你可能会觉得plt.plot(x, y)好像更简单，但一旦代码行数超过50行，图的数量超过1个，你会体会到这套显式逻辑带给你的掌控感。我在实际项目里画几十个图，靠的就是这套规范的面向对象接口。

所以，这篇教程里的所有示例，我都用统一的结构：

import matplotlib.pyplot as plt import numpy as np # 创建画布和坐标系 fig, ax = plt.subplots(figsize=(8, 5)) # 在ax上绘制内容 ax.plot(x, y) # 显示图形 plt.show()

这样做一开始就建立正确的使用习惯，后续你去看官方文档、开源项目代码时也不会发怵。

1.2 为什么Matplotlib的地位至今无法被替代

市面上Python可视化的库很多，比如Seaborn、Plotly、Bokeh，为什么我还要专门花一整篇教程来写Matplotlib？

我的实际感受是：Matplotlib是地基，其他库都是在这片地基上盖的楼。Seaborn封装的底层就是Matplotlib，Plotly虽然交互性强，但是静态图表的精细控制能力远不如Matplotlib。

Matplotlib拥有极强的控制力。不管是科研论文里的严谨图表，还是日常分析中的快速探索性画图，它都能胜任。它能控制的细节包括但不限于：坐标轴刻度方向、标签的字体族、网格线的线型、图例的位置精确到某个坐标点。这种“刀耕火种级”的自由度，是其他库很难给的。

更重要的是，Matplotlib对中文字体的支持，虽然配置过程麻烦，但一旦配好了，出来的图非常稳定。我在网络上经常看到有人抱怨乱码问题，其实那都是第一次配置没配好，配好之后，后面所有的项目都可以复用。

既然系列教程已经出了第一篇，相信你已经画出了第一张图，认识了plot、show、savefig。这篇教程的第二篇，我们把基础夯实，把绘图的核心环节拆开揉碎讲清楚，让你不仅会用，还能懂得为什么这么做。

2. 小白必会的绘图核心流程拆解

2.1 数据准备阶段的两大关键习惯

说句实话，我看到很多教程一上来就讲各种绘图API，却忽略了数据准备。但在真实场景中，画图前的数据整理时间往往占整个流程的70%。

绘图数据的本质是“序列”。x轴一个序列，y轴一个序列。这两个序列必须长度一致，元素一一对应。flask如果你从数据库或Excel里读取数据，通常得到的是DataFrame，你需要先做筛选、排序、去重，才能变成绘图可用的序列。

我建议小白在画图之前，务必养成两个习惯：

第一个习惯：先打印数据形状。

print(len(x_data), len(y_data)) # 或者 print(x_data.shape, y_data.shape)

这个动作只需要一秒钟，但能避免80%的无效报错。Matplotlib报错很多时候就是长度不匹配。

第二个习惯：用变量名代表数据语义，不要写魔法常量。

# 不推荐 ax.plot([1, 2, 3, 4], [2, 4, 1, 5]) # 推荐 days = np.array(['周一', '周二', '周三', '周四']) temperatures = np.array([22, 25, 19, 28]) ax.plot(days, temperatures)

这样做的意义在于代码可读性和可维护性。几个月之后翻看脚本，你还能知道自己在画什么。

另外，如果你用的是numpy数组，画图前要注意是否有NaN值。NaN会在图线上造成断点，看似异常其实背后是数据缺失。可以用np.isnan()配合索引定位清洗。

# 删除包含NaN的值 mask = ~np.isnan(y_data) x_clean = x_data[mask] y_clean = y_data[mask]

2.2 创建画布时figsize和dpi到底怎么选

fig, ax = plt.subplots(figsize=(8, 5), dpi=100)这行代码里，figsize和dpi是小白的第一个拦路虎。

我遇到很多同学问：为什么我的图保存出来文字很小、图片很模糊？答案就藏在这两个参数里。

figsize是画布的长和宽，单位是英寸（inch）。dpi是每英寸包含的点数（dots per inch）。最终图片的像素尺寸 = 宽度（英寸）× dpi。比如figsize=(8, 5)，dpi=100，那图片就是 800×500 像素。

• 日常屏幕查看：figsize=(8, 5)或(10, 6)，dpi=100 就够了。
• 论文或报告打印：建议figsize=(12, 8)，dpi=300，这样插入Word或LaTeX后才不会糊。
• 网页展示：可以适当小巧，figsize=(6, 4)，dpi=80~100。

还有一个容易被忽略的点：长宽比例决定图形的视觉说服力。我见过太多人直接把默认的方形图丢在汇报里，其实你完全可以根据数据变化趋势来调整。如果数据随时间缓慢变化，用宽扁的图（12, 4）会更好展示过程；如果比较各组之间的差异，用接近正方形（7, 6）会更均衡。

还有一个小技巧，如果图形内容只有一条折线，不要用太大的画布，否则线会显得很细，视觉上不饱满。线条的粗细、画布的大小、坐标轴的刻度密度，这三者是互相配合的。

2.3 plot函数的核心参数逐个说清楚

ax.plot()是出镜率最高的函数，但参数非常多。小白一开始只需要掌握三个核心参数：color（颜色）、linestyle（线型）、marker（数据点标记样式）。

ax.plot(x, y, color='crimson', linestyle='--', marker='o', linewidth=2, markersize=6)

颜色的取值有三种常用格式：

• 颜色名称字符串，比如'red'、'blue'、'crimson'。
• 十六进制颜色码，比如'#FF4500'，精细控制颜色时非常有用。
• 灰度值，比如'0.2'，介于黑与白之间。

线型常用的有：'-'实线、'--'虚线、'-.'点划线、':'点线。选择线型的逻辑是：区分不同数据系列时，先改颜色；如果颜色不足以区分（比如黑白打印），再改线型。

标记常用的有：'o'圆点、's'正方形、'^'三角形、'D'菱形。标记的作用是标识离散的数据点，配合markersize控制大小。

我总结一个实战原则：连续型数据用实线，预测或对比数据用虚线，离散采样点加标记。这样你画出来的图，别人第一眼就能读出数据的属性。

还有alpha参数，控制透明度，0到1，适合重叠数据较多的场景。两个数据系列重叠严重时，调低alpha可以看清底层趋势。

2.4 显示和保存图形的正确姿势

画完图之后，plt.show()和fig.savefig()是两种出口。它们的使用场景完全不同。

plt.show()用于交互环境，比如Jupyter Notebook里运行或者命令行执行脚本。它的作用是渲染图形到屏幕上供你查看。注意，show()之后，画布的状态会重置，如果窗口被关闭，你不能再往图里添加内容。

fig.savefig()用于把图形保存为文件，比如PNG、JPG、SVG、PDF。

fig.savefig('输出图表.png', dpi=200, bbox_inches='tight')

这里有个我踩过很多次的坑：如果你先调用了plt.show()，再调用savefig()，保存下来的图片可能是一片空白。因为show()已经消费了画布。正确的方式是：先savefig()，再show()。

关于bbox_inches='tight'：它的作用是裁掉图片四周多余的空白，让图的边框尽量贴合画布内容。如果你不设置，保存出来的图四周往往有大片留白，插入文档里显得不协调。我日常画图基本都加这个参数。

保存格式也有讲究：

• 提交到毕业论文或学术期刊：保存.pdf或.svg矢量图，文字怎么放大都不糊。
• 网页直接展示：保存.png，透明度支持好且体积适中。
• 尽量不要用.jpg，因为jpeg压缩会导致文字边缘出现噪点，不美观。

3. 让图表具备“表达力”的细节定制

3.1 标题、轴标签和图例的正确写法

Matplotlib画图的默认状态是什么？是没标题、没坐标轴标签、没图例。很多小白画完图直接丢给人看，别人根本不知道横轴是什么、纵轴是什么。图表是信息传达的载体，缺少这些基本元素，等于写了一篇文章没有段落标题。

• ax.set_title('2024年各季度销售额趋势')设置图表标题。
• ax.set_xlabel('月份')、ax.set_ylabel('销售额（万元）')设置坐标轴标签。
• ax.legend()显示图例。

图例的写法有讲究。最简单的方式是在plot时指定label：

ax.plot(month, sales_a, label='A产品') ax.plot(month, sales_b, label='B产品') ax.legend(loc='best')

loc参数控制图例位置：'upper right'、'upper left'、'lower left'、'best'自动选择不遮挡数据的位置。我通常还会加一句frameon=False去掉图例边框，视觉上更干净，避免边框线干扰数据读取。

如果你画的图数据系列比较多，图例重叠，还有一种方案是把图例放在图外：

ax.legend(loc='upper left', bbox_to_anchor=(1.02, 1), borderaxespad=0)

这个方法可以让图例出现在画布右侧外部，适合图内空间不够的情况。

有一个细节需要注意：x轴是分类数据（比如周一、周二）时，plot会把它们当作字符串处理，轴刻度会均匀分布；但要注意标签可能会重叠，尤其数量过多时。这时候有几种处理方式，初学者知道旋转标签就够了：

plt.xticks(rotation=45)

或者，直接用ax.tick_params(axis='x', rotation=45)。

3.2 坐标轴范围的设置逻辑

默认情况下，Matplotlib会自动计算坐标轴的上下限，把画出的数据完整包裹住。但自动的范围有时并不理想。

我举一个典型场景：你想画一个从0到10的指数增长曲线，默认可能会把y轴范围压缩得让曲线填满整个图。但你想强调“起点在0”，那就得手动指定范围。

ax.set_xlim(0, 12) # x轴范围 ax.set_ylim(0, 100) # y轴范围

手动设置范围时要谨慎：范围过窄会截断数据线，让观者产生误解；范围过宽则会压缩数据差异的视觉表现。比如员工绩效都在85~95分之间，如果你的轴从0到100，大家看起来都差不多，图表传递不出差距。此时把y轴设为80到100，差异立刻显现。

不过也要提醒一句：在学术或诚实呈现数据的原则下，y轴截断（也就是不从0开始）要注意标注清楚，否则有误导倾向。

还有ax.set_aspect('equal')可以控制坐标轴比例相同，适合画几何图形或需要保持形状比例的场景，比如地图坐标点分布。散点图中的点位分布，如果横纵比例不一致，看起来聚集方向会被扭曲。

3.3 网格、边框和坐标轴刻度的精细控制

一张“专业感”很强的图和一般图表的区别，往往体现在细节。网格线就是其中之一。

ax.grid(True, linestyle='--', alpha=0.6)

默认的网格是实线，黑色，显得特别生硬。我习惯用浅灰色虚线，alpha调低，看起来是淡淡的背景参考线。这样既不干扰数据，又能辅助读数。

关于刻度，ax.tick_params()是控制刻度外观的统一入口，包括刻度方向、长短、标签字号。

ax.tick_params(axis='both', labelsize=10, direction='in')

direction='in'是让刻度线朝图形内侧，这是很多科研论文的标准风格。坦白说，日常汇报用不着这个细节，但做正规图表时很加分。

除了主刻度，还有次要刻度set_minor_locator，适合画对数坐标时必须的精细网格。对数坐标在分析数量级跨越很大的数据时非常常用，比如收入分布、地震震级、人口增长。

ax.set_xscale('log') ax.set_yscale('log')

一旦用了对数坐标，刻度标签的读法完全变了，小白看到非线性的刻度不要慌，你只需要关心数据的相对比例而不是绝对差值。

3.4 字体和中文显示的终极解法

Matplotlib默认字体渲染不出中文字符，这是它在国内使用者中最有名的槽点。网上有各种教程，但很多写得不清不楚。我直接给出我长期稳定使用的方法。

第一步，查看当前系统里可用的中文字体：

import matplotlib.font_manager as fm # 查看所有可用字体 for font in fm.fontManager.ttflist: if 'SimHei' in font.name or 'Microsoft' in font.name: print(font.name)

第二步，全局设置字体：

plt.rcParams['font.sans-serif'] = ['SimHei'] # 用黑体 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示为方块的问题

axes.unicode_minus这个配置非常关键。中文字体里没有专门的负号字符，默认渲染时负号会变成方块。记得一定设成False。

如果你用Linux系统，可能没有SimHei，那可以安装中文字体包，或者指定为'Noto Sans CJK SC'，然后同样用rcParams去设置。还有一种更稳妥的方法：在代码里指定字体文件路径。

from matplotlib import font_manager import matplotlib.pyplot as plt # 指定系统中文字体文件路径 font_path = '/usr/share/fonts/truetype/droid/DroidSansFallbackFull.ttf' prop = font_manager.FontProperties(fname=font_path) plt.rcParams['font.family'] = prop.get_name()

这种方式不依赖系统已经注册的字体名称，直接把字体文件塞进去，成功率更高。我曾在各种不同的系统里装Matplotlib，这一直是我推荐新手的备选方案。

4. 多种绘图类型的选型与实战

4.1 散点图、直方图、柱状图该怎么选

Matplotlib除了折线图，还有三类最常用的基础图：散点图、直方图、柱状图。很多小白搞不清它们的使用场景，我给出一张选型思路表：

核心逻辑就一句话：横轴是时间，用折线；横轴是数值变量，先考虑散点；只看单个变量的分布，用直方图；要对比品类大小，用柱状图。

我见过有人用柱状图画连续时间序列数据，硬生生把平滑的趋势画成一截一截的，这就是搞混了数据类型。

4.2 散点图的实际操作与透明度的妙用

散点图最容易出现的问题是“点太多、叠在一起看不出密度”。比如你有两万个样本点，所有点挤成一团黑色。这时候alpha参数就是救星。

x = np.random.randn(10000) y = np.random.randn(10000) fig, ax = plt.subplots(figsize=(8, 6)) ax.scatter(x, y, s=5, alpha=0.5, c='steelblue')

s=5是控制点的大小，alpha=0.5让点半透明，重叠的区域颜色更深，这样就能看出来中心密度更高。这是分析大样本分布时非常实用的技巧。

还可以在散点图中加入颜色映射，也就是用c参数传入第三个维度的数值，配合cmap='viridis'，做出类似热力分布的效果。

sc = ax.scatter(x, y, c=z, cmap='viridis', s=10) fig.colorbar(sc) # 添加颜色条说明

viridis是Matplotlib默认的色图，色觉障碍者也能分辨。如果是为了严谨呈现数据，一定要用默认的viridis，不要自己调花里胡哨的颜色。

4.3 直方图的参数细节：bins和density

直方图最容易出错的地方是bins的设置。bins是箱子数量，决定直方图的分组粒度。

ax.hist(data, bins=30, density=True, edgecolor='white')

bins过小，分布细节被抹平；过大，图形会非常破碎，噪声太多。我的一般做法是先试bins=20，再根据形状增减。数据量大于一万时，可以适当把bins增加到50甚至100。

density=True的效果是把直方图的y轴变成频率密度而不是简单计数。这样处理的好处是：当两组数据样本量不同时，可以用density模式放在同一张图上比较分布形态，而不受样本量影响。

4.4 柱状图的美化与数据标签

柱状图在业务汇报里最常用。默认的柱子灰灰的，没有信息标注，能力展现不出来。我一般会给每个柱子加上数值标签。

categories = ['A部门', 'B部门', 'C部门', 'D部门'] values = [15, 22, 18, 27] fig, ax = plt.subplots(figsize=(8, 5)) bars = ax.bar(categories, values, color=['#5790FC', '#F89C20', '#E42536', '#964A8B']) # 在柱顶添加数据标签 for bar in bars: height = bar.get_height() ax.text(bar.get_x() + bar.get_width()/2., height + 0.5, f'{height}', ha='center', va='bottom', fontsize=12)

bar.get_x()和bar.get_width()是柱子几何属性的读取方法，在柱子的正上方的位置定位文本，再偏移0.5个单位防止文字贴在柱子顶端。

另外，如果分类多于10个，横向柱状图的表现力更好。用ax.barh()，标签在y轴，数据条在x轴方向延伸，阅读起来更轻松。

5. 子图布局与多图对比的实用技巧

5.1 用subplots创建多子图的基本套路

在分析报告中，把多个相关图表放在同一个画布上，能强烈提升信息密度。plt.subplots(nrows, ncols)的返回值是画布和一个二维的axes数组。

fig, axes = plt.subplots(2, 2, figsize=(12, 10)) # axes 是一个 2x2 的数组

然后你可以分别选择某个位置来画图：

axes[0, 0].plot(x1, y1) axes[0, 1].scatter(x2, y2) axes[1, 0].hist(data1) axes[1, 1].bar(categories, values)

这个模式极其清晰，就好比你面前摆了一张4格的盘子，你往每个格子里放对应的菜。

还有一个小技巧：如果只需要快速展开一行的多个图，可以用plt.subplots(1, 3)，这时候axes是一维数组，直接用axes[0]、axes[1]、axes[2]索引即可。

5.2 用共享坐标轴保持图间比例一致

多子图对比时，最怕的是坐标系范围不一致，导致视觉对比失真。比如左图y轴是0到5，右图y轴是0到50，旁人看柱子的高低还以为是趋势差异，实际上只是刻度不同。

解决方案是使用sharex和sharey参数：

fig, axes = plt.subplots(1, 2, figsize=(12, 5), sharey=True)

这样两个子图会共用y轴，一个图调整范围另一个也跟着调，对比起来客观准确。在展示多个实验组的同一指标时，强烈建议开启sharex或sharey。

5.3 子图之间间距的调优方案

多个子图挤在一起，标签互相重叠，观感很差。此时可以用fig.tight_layout()自动调整子图的间距，也可以手动调plt.subplots_adjust。

fig.tight_layout() # 一行代码解决大部分间距问题

tight_layout是自动计算每个子图合适的位置，非常省心。如果有图例被截断的情况，增加rect参数：

fig.tight_layout(rect=[0, 0, 0.9, 1]) # 右侧留出10%空间

这些细节，虽然图上不起眼，但发布于报告或博客时，整体观感会完全不一样。

6. 常见问题与排查技巧实录

6.1 中文乱码和负号显示的问题

这是小白最常见的问题，几乎人人都遇到。中文乱码的原因很简单：Matplotlib默认字体不支持汉字。解决分两步，第一检查系统可用字体，第二在代码里全局设置。我再次强调那一行关键的：

plt.rcParams['axes.unicode_minus'] = False

如果你设了中文字体，但没有设上面这行，负号会显示成方块，而且很难察觉原因，因为它只是一个小方块，被忽略掉。

6.2 明明画了图但export出来是空白

plt.show()之后再调用savefig，或者忘记调用savefig直接show，都可能产生空白图。正确顺序是先保存再显示。

还有另一个场景：在使用pycharm运行脚本时，show()会弹出窗口并阻塞进程，如果不手动关闭窗口，代码不会继续往下走。如果你是在写自动化生成图表的脚本，千万不要在循环里调用show()。只要写savefig就好。

6.3 图例不显示label的问题

很多小白画了带label的线，但调用ax.legend()后图例却是空的。常见原因是，legend()被调用在了plot之前。图例的信息是从当前ax中已有的带label的元素收集的，顺序很重要，一定保证plot在前，legend在后。

还有一种情况：图例显示了一堆“_child”条目，这是因为代码是在循环里不正确地传了label。解决办法是在plot时显式指定label，或者在循环后调用ax.legend([series_names])手动传入标签列表。

6.4 坐标轴刻度变成科学计数法的处理

当数据量跨越好几个数量级时，Matplotlib自动把刻度显示成1e6这样的形式。某些场景下不友好，比如展示人口数据时，阅读者更习惯看到“5,000,000”而不是“5×10^6”。

这时可以用：

ax.ticklabel_format(style='plain', axis='y')

或者用自定义格式：

from matplotlib.ticker import FuncFormatter ax.yaxis.set_major_formatter(FuncFormatter(lambda x, p: format(int(x), ',')))

最后分享一下我自己的制图流程。每次需要画一个新图，我不会一上来就敲代码。先问自己三个问题：横轴是什么类型的数据？要强调对比还是趋势？最终呈现载体是PPT还是论文？想清楚这三个，再打开编辑器，公式一套流程走下来，基本上图的质量不会差。绘图本就不是一步到位的艺术，先用默认形式画出来，再逐步迭代样式，这比一开始就追求完美更实际。你反复调出来的图，才是真正符合你需求的图。