企业官网建设流程全解析

绘图的坑，我帮你踩过了：Matplotlib.pyplot 从入门到顺手

我见过太多人第一次跑数据可视化，卡在module 'matplotlib' has no attribute 'pyplot'这类报错上，或者装了半天库，import matplotlib.pyplot as plt依然红一片。说实话，作为一个用 Python 做数据分析、平时出图表比写文档还勤快的人，我太清楚 Matplotlib 这套东西对新手有多劝退了——文档不算友好，默认样式又丑，网上教程东一榔头西一棒子，真正能落地解决问题的干货反而分散。

所以这篇我就把 Matplotlib.pyplot 这套绘画体系，从安装、核心概念、常用图表的实操写法，到“六张图合在一个图里”这种多子图布局、中文乱码和样式美化这些高频痛点，一次性串起来讲。不管你是刚接触数据可视化的学生，还是工作中被各种报表逼着画图的职场人，这篇文章都能让你少走弯路，照着手敲就能跑出图来。

1. 先把基础夯实：matplotlib 的安装与“面向对象”思维

1.1 安装那点事，别让环境劝退你

matplotlib 的安装本身不算复杂，但很多人恰恰死在这一步。常见的pip install matplotlib报错，多半是网络源太慢、Python 版本太老，或者当前环境压根没激活对。我习惯在装任何 Python 包之前，先敲一句：

python -m pip install --upgrade pip

把 pip 自己先升到最新，然后再装 matplotlib：

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

这里用的是清华镜像源，国内下载速度快非常多。如果你用的是 Anaconda 发行版，那更省事，conda 环境里一般自带 matplotlib，直接在终端里输入：

conda install matplotlib

很多新手会遇到“明明装了却还是ModuleNotFoundError: No module named 'matplotlib'”，这种十有八九是环境混了。比如你在终端里pip install装了一个，然后在 Jupyter Notebook 或者 IDE 里用的是另一个 Python 解释器。排查方法很简单，在报错的那个环境里重新跑一下安装命令，或者直接在代码里打印：

import sys print(sys.executable)

看看当前解释器路径，再去命令行里pip show matplotlib确认包的安装路径，两者能对上就基本没问题。这个坑我踩了不止一次，尤其是换了新电脑、装了多个 Python 版本的时候，特别容易中招。

1.2 pyplot 是什么？它和你画的图是什么关系

import matplotlib.pyplot as plt里的pyplot，说白了是 matplotlib 提供的一个面向过程的接口模块。它像一个“画板管家”，你调用一次plt.plot()，它就在当前画布上画一笔；你调用plt.show()，它就把画布弹出来给你看。这个机制类似你在纸上先画草图，草稿不用留，最后成品满意了再精心装裱。

但真正让我从“会用”到“用明白”的，是理解了 Matplotlib 的面向对象接口。简单理解：

• Figure：整张画布/纸张，所有元素都贴在它上面。
• Axes：画布上的一个绘图区域，也就是一个“子图”，你实际看到的数据、坐标轴、刻度都是 Axes 的属性。
• Axis：就是 X 轴、Y 轴本身，控制刻度、标签等细节。

刚开始用plt.plot(x, y)这种写法时，你以为在往“全局画布”上画东西，其实 pyplot 在背后自动帮你创建了一个 Figure 和一个 Axes。等你要在一个图里放六个子图的时候，只有把 Figure 和 Axes 的概念搞明白，才能随心所欲地排兵布阵。所以后面讲子图布局之前，我会先带你把这个模型吃透。

2. 从零画出一张图：折线图与散点图实战

2.1 你的第一张折线图：代码背后发生了什么

折线图大概是 matplotlib 里最常用、也最被低估的图表。很多人用plt.plot(x, y)画完就拉倒，但里面的参数值得玩味。我先给出一个最朴素的版本：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.plot(x, y) plt.title("y = sin(x)") plt.xlabel("x") plt.ylabel("y") plt.grid(True) plt.show()

这段代码会画出一条正弦波。但你可能好奇：np.linspace(0, 10, 100)干了什么？它生成从 0 到 10 之间均匀分布的 100 个点。因为正弦函数是连续曲线，你不可能真的画“无限”个点，用有限点连成折线就足够平滑了。100 个点在 0~10 这个区间上非常平滑，根本看不出是折线；如果只给 10 个点，曲线就会呈现明显的锯齿感。

plt.plot(x, y)里面还有很多好用的参数。比如你想把线的颜色改成红色，线型改成虚线，点用圆形标记：

plt.plot(x, y, color='red', linestyle='--', marker='o', markersize=4)

这里的marker控制坐标点上的标记样式，markersize控制标记大小。我一般这么记：plot函数有通用的样式参数，还有对应的缩写写法，比如'r--o'就代表红色虚线加圆形标记。缩写在快速画图时很高效，但代码可读性会下降，合作项目里我会写成完整参数名，方便别人看懂。

2.2 散点图：当数据凌乱时更需要被看见

散点图的出场场景往往是“两个变量之间有没有相关性”。比如分析身高和体重的关系、广告投入和销售额的关系，用散点图一眼就能看出趋势。

x = np.random.randn(200) y = np.random.randn(200) * 0.5 + x * 0.3 plt.scatter(x, y, alpha=0.6, s=30, c='steelblue') plt.title("Scatter Plot Demo") plt.xlabel("X") plt.ylabel("Y") plt.show()

这里alpha=0.6是透明度。当散点特别多、重叠特别严重的时候，不加透明度你会看到一团黑，加了透明度就能看到分布密度差异。s是点的大小，c是颜色。这些参数看似简单，但真正决定一张散点图好不好看、能不能传递信息的，往往是这些细节。

我自己的习惯是，散点图尽量配合趋势线一起用。直接用np.polyfit拟合一条一次函数，再叠加画到图上，比单纯丢一堆点上去更有说服力。

import numpy as np coeff = np.polyfit(x, y, deg=1) trend = np.polyval(coeff, x) plt.scatter(x, y, alpha=0.6, s=30, c='steelblue', label='data') plt.plot(x, trend, color='red', linewidth=2, label='trend') plt.legend() plt.show()

np.polyfit的作用就是做最小二乘拟合，deg=1表示一次线性拟合，返回的是斜率与截距组成的数组。再用np.polyval把拟合系数代回去，算出每个 x 对应的拟合值。这样图上有原始点、有趋势线、有图例，一眼就能跟老板交代“这两列数据到底有没有关系”。

3. 柱状图与饼图：业务汇报里的“发言担当”

3.1 柱状图：别忽略基准线这个细节

柱状图在业务汇报里几乎是刚需。比如你手里有三个城市的销售额数据，想直观比大小：

cities = ['Beijing', 'Shanghai', 'Guangzhou'] sales = [120, 165, 90] plt.bar(cities, sales, color=['#4C72B0', '#DD8452', '#55A868']) plt.ylabel("Sales (万元)") plt.title("City Sales Comparison") plt.show()

plt.bar第一个参数是分类轴的位置，第二个是高度，也就是数值大小。颜色我习惯用 matplotlib 内置的配色 cycler，不用自己调得太费神，这几个十六进制色值是来自 seaborn 风格的颜色，看起来比默认的蓝橙绿和谐不少。

柱状图有一个常被忽略但很关键的参数：bottom。如果你想做“堆积柱状图”，比如一个季度里线上销售额和线下销售额分别多少，叠加起来看总量，这个参数就非常有用：

import numpy as np quarters = ['Q1', 'Q2', 'Q3'] online = [30, 42, 38] offline = [50, 48, 45] plt.bar(quarters, online, label='Online') plt.bar(quarters, offline, bottom=online, label='Offline') plt.ylabel("Sales") plt.legend() plt.show()

我踩过一个坑：堆积柱状图的bottom参数如果没对齐好，两个分类的数据会“错位叠加”，看起来特别奇怪。比如online有 3 个数据、offline有 3 个数据，必须确保bottom里的序列长度和当前柱子的序列长度一致。如果长度不一致，matplotlib 不会报错，但你的图会悄悄画错地方，而且不仔细看根本发现不了。

3.2 饼图：三个容易翻车的坑

饼图是一个看着简单、实际很容易翻车的图。小问题在于标签重叠，大问题在于信息表达不清。一张饼图超过 5 个类别，我建议你换个图表类型，或者把次要类别合并成一个“其他”。

一个相对稳的写法：

labels = ['A', 'B', 'C', 'D'] sizes = [45, 30, 15, 10] colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728'] explode = (0, 0.1, 0, 0) # 只有第二个扇形突出 plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90, explode=explode, shadow=False) plt.axis('equal') plt.show()

autopct='%1.1f%%'控制扇形内显示的百分比格式，保留一位小数。startangle=90是可以转饼图起始角度，我习惯从 90 度开始，这样第一块扇形在正上方，读起来更顺。explode是让某一块“炸开”，适合强调重点类别。

但有一类问题很隐蔽：plt.pie默认会自动按数据顺序从逆时针方向排列扇形，如果数据本身不是按大小排的，你可能想手动调整顺序。我一般先给数据排序再传进去，否则图上一团乱麻，用户看半天也不知道哪个占比大。另一个坑是plt.axis('equal')千万别漏，不写的话饼图会被拉成椭圆，视觉上比例全错了。

4. 六张图合在一个图上：子图布局的精髓

4.1 用 plt.subplots 直接切分画布

很多热搜词会指向“matplotlib 六张图合在一个图上”，这其实是多子图布局问题。最推荐的方式是plt.subplots()，它比plt.subplot()更 Pythonic，而且返回的fig, axes结构让你可以分别控制每个子图。

fig, axes = plt.subplots(2, 3, figsize=(12, 8))

这行代码生成了一个 2 行 3 列的画布网格，共 6 个子图。figsize控制整张图的宽高，单位是英寸。2 行 3 列在我实践下来是六张图里最舒服的排列，横向 3 张不会太拥挤，纵向 2 行也能保证高度合理。如果你把figsize设成 (6, 4)，每个子图会非常局促，标签和标题互相挤压，图基本没法看。

接下来向每个子图填充内容：

import numpy as np x = np.linspace(0, 10, 100) fig, axes = plt.subplots(2, 3, figsize=(12, 8)) axes[0, 0].plot(x, np.sin(x)) axes[0, 0].set_title("sin(x)") axes[0, 1].plot(x, np.cos(x)) axes[0, 1].set_title("cos(x)") axes[0, 2].plot(x, np.tan(x)) axes[0, 2].set_ylim(-5, 5) axes[0, 2].set_title("tan(x)") axes[1, 0].plot(x, x**2) axes[1, 0].set_title("x^2") axes[1, 1].plot(x, np.exp(x)) axes[1, 1].set_title("exp(x)") axes[1, 2].plot(x, np.log(x + 1)) axes[1, 2].set_title("log(x+1)") plt.tight_layout() plt.show()

注意axes是一个二维数组，axes[0, 0]是第一行第一列，axes[0, 1]是第一行第二列，依此类推。不熟悉的人总是把axes[0]当成第一个子图，用着用着就错了。知道它是二维结构以后，你就把每个axes[i, j]当作一个独立的“小画布”，调用它的plot()、set_title()等方法来绘制内容就行。

真正常见的错误是：画完六个子图后，图与图之间贴得太紧，标题和刻度标签都挤在一起。解决办法就是加上plt.tight_layout()这一行，它会让 matplotlib 自动调整子图间距，效果立竿见影。我在所有多子图布局里都会加这一句，基本上不会翻车。

4.2 更灵活的方式：add_subplot 与 GridSpec

subplots虽好，但它只能画规则的均匀网格。如果我想让第一个子图横跨两列，或者某个子图更高一些，就得用add_subplot或GridSpec了。

add_subplot适合“手动划分但仍在网格内”的场景。比如我想让左边一个大图，右边上下两个小图：

fig = plt.figure(figsize=(10, 6)) ax1 = fig.add_subplot(1, 2, 1) ax2 = fig.add_subplot(2, 2, 2) ax3 = fig.add_subplot(2, 2, 4) ax1.plot(x, np.sin(x)) ax1.set_title("Left Large Plot") ax2.plot(x, np.cos(x), 'tab:orange') ax2.set_title("Top Right") ax3.plot(x, np.exp(x / 3), 'tab:green') ax3.set_title("Bottom Right") plt.tight_layout() plt.show()

fig.add_subplot(1, 2, 1)表示把画布划分成 1 行 2 列，选中第 1 个位置。fig.add_subplot(2, 2, 2)表示划分成 2 行 2 列，选中第 2 个位置。这样左右区域在网格里错开，就能实现“左边一个大图，右边上下两个小图”的效果。

GridSpec更强大，支持自定义每个子图跨度的精细控制。它做复杂仪表盘时非常好用，但多数人日常用subplots就够了。我建议先把subplots练熟，碰到需求超出“均匀网格”的范围时，再上GridSpec去攻，这样学起来更平滑。

5. 中文乱码与外观美化：别让图被“丑”拦住

5.1 中文显示问题的两条出路

matplotlib 默认字体不包含中文字符，所以一画图，中文就变成一个个小方框，非常影响美观。以前我都是用rcParams把所有字体全局改成宋体或者黑体：

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

第一行是把默认无衬线字体改为黑体，第二行是让负号正常显示。设完这个，中文标题、标签都不会乱码。这个做法的缺点是，如果你换一台电脑，或者生成的图片交给别人用他自己的环境跑，字体不存在就会失效。所以更稳妥的办法是直接指定字体路径：

import matplotlib.pyplot as plt from matplotlib import font_manager font_path = '/System/Library/Fonts/PingFang.ttc' font_prop = font_manager.FontProperties(fname=font_path) plt.rcParams['font.family'] = font_prop.get_name()

font_manager.FontProperties可以直接加载指定路径下的字体文件，不依赖系统是否安装。fname参数就是字体文件路径，你可以找到系统里任一一个中文字体，把路径往这一填，全局字体就变了。这个方式在公司服务器、或者多人协作时最稳，因为它把“这台机器有没有这个字体”的依赖彻底绕开了。

5.2 调整配色、坐标轴和网格线的实战技巧

默认的 matplotlib 样式确实很“工程风”，蓝底、白刻度、灰边框，放在论文里没问题，但放在大屏演示或者自有博客上，就差点意思。我常用的策略是直接用内置的style主题：

plt.style.use('seaborn-v0_8-whitegrid')

不同 matplotlib 版本可用的 style 名稍有差异，比如老版本是'seaborn'，新版本可能是'seaborn-v0_8-whitegrid'。如果use时报错，可以先执行：

print(plt.style.available)

把所有可用的 style 名列出来，挑一个你喜欢的。我试过ggplot、fivethirtyeight、seaborn-v0_8-darkgrid，最终用得最多的是带网格的seaborn-v0_8-whitegrid，原因很简单：它对数据点的位置阅读非常友好，又不会像深色主题那样“喧宾夺主”。

坐标轴视角的调整也很技巧。比如画正切函数，默认 y 轴范围会拉到正负无穷，图完全没法看，所以我上面才加了set_ylim(-5, 5)。用一个日志量级的数据，我还会用set_xscale('log')。用对坐标轴尺度，要比单纯换颜色更能解决“图看不清楚”的问题。

plt.grid(True)是打开网格线，alpha=0.3是让网格变淡，不至于抢了数据本身的风头。这些都是细节，但正是这些细节决定了你的图是“能用”还是“好看”。

6. 猜你想问：Matplotlib 高频报错与实用排查

6.1 加载不出图、看不见图、图一闪而过

“代码运行了没有报错，但图没弹出来”是一个高频问题。如果你在终端脚本里调用plt.show()后图一闪而过，大概率是脚本执行完就退出了，窗口也跟着关了。我一般会在脚本结尾加一句：

plt.show() input("Press Enter to exit...")

让窗口等你敲回车再关闭。如果你在 Jupyter Notebook 里，图像显示不出来，通常是魔法命令没加，在 cell 最上面加：

%matplotlib inline

%matplotlib inline是让 matplotlib 图像直接内嵌到 Jupyter 的输出区域里，而不是弹出独立窗口。头一次用 Jupyter 没加这句，图就会“跑丢”，但其实它被输出到底层了，不立即可见，特别容易让人摸不着头脑。

还有一个容易被忽略的点：如果你在服务器上跑代码，没有图形界面，plt.show()就什么也不会显示。这时候你需要用：

fig.savefig('output.png', dpi=150, bbox_inches='tight')

把图直接保存成文件，再下载到本地看。dpi控制分辨率，bbox_inches='tight'会裁掉多余的留白，让图片更紧凑。这个组合我基本天天用，尤其批量出图的时候，全部通过savefig落盘，效率极高。

6.2 图例、刻度、以及保存时被裁剪的坑

图例的位置loc是一个容易翻车的细节。默认是右上角'best'，但你有时候希望固定图例位置，比如loc='upper left'或者loc='lower right'。当数据点很多、图例和曲线重叠在一起时，我会加frameon=False去掉图例边框，或者稍微调小图例文字透明度，这样整体看起来更干净。

刻度标签过多也是麻烦。如果 x 轴有 50 个类别，全部显示出来就会叠成黑黑一团。我常用：

plt.xticks(rotation=45, ha='right')

让标签旋转 45 度，避免互相遮挡；ha='right'表示右对齐，这样旋转后的文字看着更整齐。如果你的数据是时间序列，直接像下面这样让 matplotlib 自动挑选刻度间距，通常比手动指定更聪明：

fig.autofmt_xdate()

保存图片被裁剪是另一个常见的坑。如果你代码里写了plt.savefig('myplot.png')，但标题或者某个标签被切了半个，那就是你没有设置bbox_inches='tight'。我在生成任何交付用图时都会写：

plt.savefig('myplot.png', dpi=200, bbox_inches='tight')

dpi=200保证放大后不糊，bbox_inches='tight'保证所有元素完整落进图片。这条经验是我被朋友提醒过之后才长记性的，现在它已经写进了我的代码备忘录。

6.3 性能问题：绘制太多点卡死怎么办

当你的数据量非常大，比如有几百万个散点，直接用plt.scatter画，matplotlib 会卡到你怀疑人生。scatter的设计目标是支持每个点不同大小、不同颜色，这些额外负担在大数据量下会被无限放大。这个时候我一般换用plt.plot加上标记来画散点图：

x = np.random.randn(1000000) y = np.random.randn(1000000) # 快很多 plt.plot(x, y, '.', markersize=1, alpha=0.3)

'.'表示用单个像素点作为标记，markersize=1进一步缩小点的大小。实测下来，百万级数据的绘制速度能提升好几个数量级。如果数据量再大，还可以用np.histogram2d先做密度统计，然后用imshow画热力图，这才是正解。可视化不是硬画，而是用合适的图表达合适的数据密度。

7. 数据可视化的“好习惯”与扩展方向

7.1 一个万能的绘图模板，直接抄作业

用到现在，我自己总结了一套模板，基本能满足 90% 的日常需求。你可以直接复制改改：

import matplotlib.pyplot as plt import numpy as np # 全局设置 plt.rcParams['figure.dpi'] = 120 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False fig, ax = plt.subplots(figsize=(8, 5)) # 数据准备 x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) # 绘图 ax.plot(x, y1, linewidth=2, label='sin(x)') ax.plot(x, y2, linewidth=2, label='cos(x)', linestyle='--') ax.set_xlabel("x") ax.set_ylabel("y") ax.set_title("Sin and Cos Curves") ax.legend(loc='upper right') ax.grid(True, alpha=0.3) plt.tight_layout() plt.savefig('sin_cos.png', dpi=150, bbox_inches='tight') plt.show()

figure.dpi是控制整个图片输出分辨率的全局参数，这个模板里设成 120 是我反复权衡后的值：观察窗口清晰、保存文件体积也合理。你换成figsize=(10, 6)就能得到更宽的长宽比。整套模板拆解下来，无非就是“设置全局→准备数据→选择 Axes 绘图→标注细节→保存显示”，思路清晰后，任何图都只是变这几个环节。

7.2 接下来说说往 Pandas 和 Seaborn 方向的自然延伸

matplotlib 只是基础绘图库，真正的生产力提升来自和 Pandas、Seaborn 的结合。Pandas 的 DataFrame 直接提供.plot()方法，底层就是调用 matplotlib：

import pandas as pd df = pd.DataFrame({'x': x, 'sin': np.sin(x), 'cos': np.cos(x)}) df.plot(x='x', y=['sin', 'cos'], figsize=(8, 5)) plt.show()

df.plot(x='x', y=['sin', 'cos'])会自动生成图例，并对 DataFrame 里的列名做映射，比逐个传递数组要省事不少。碰到数据探索阶段，我基本都是这个流程：先df.describe()看统计口径，再用df.plot()快速画一遍粗图，最后才用 matplotlib 精细调整样式。

Seaborn 更高级，它是基于 matplotlib 的封装，画统计图特别方便：

import seaborn as sns tips = sns.load_dataset('tips') sns.scatterplot(data=tips, x='total_bill', y='tip', hue='time')

sns.scatterplot的hue参数可以按另一个类别字段自动着色，并且自动添加图例。这个功能用纯 matplotlib 去写会非常繁琐，但用 Seaborn 一行就搞定了。如果你做数据分析报告，强烈建议先学 matplotlib 打底，再学 Seaborn 提效。

7.3 用动画展示数据变化，其实没那么玄乎

matplotlib 的 animation 模块我一开始觉得特别复杂，但只要理解“每一帧重新绘制一次”这个本质，就发现也挺顺手。比如想让一条正弦曲线动起来，可以这样做：

import matplotlib.animation as animation fig, ax = plt.subplots() x = np.linspace(0, 2 * np.pi, 100) line, = ax.plot(x, np.sin(x)) def update(frame): line.set_ydata(np.sin(x + frame / 10)) return line, ani = animation.FuncAnimation(fig, update, frames=100, interval=50) plt.show()

关键在于line.set_ydata()只更新 y 数据，而不是从头plot一次，这样性能才扛得住。FuncAnimation会反复调用update函数，每次传一个frame参数，你就可以用这个帧编号来控制数据的变化。interval=50表示每 50 毫秒更新一帧，这个速度播放起来比较顺滑，不会太焦急也不会卡顿。

动画很适合做时序数据的展示，比如传感器数值的实时曲线回放，或者模拟数据的变化过程。虽然日常静态图已经能覆盖绝大多数场景，但掌握了 animation，你会发现述职汇报里放一段动态变化图，效果比干巴巴的静态图好太多。

8. 回顾与一个实用建议

我自己最早接触 matplotlib 时，也走了一些弯路。那时候什么都是从网上抄代码，抄是抄会了，但始终没有理解“Figure-Axes”这一对核心概念，导致一碰到复杂布局就两眼一抹黑。后来我强迫自己每画一张图，都先问一句“我现在是在操纵 Figure 还是 Axes？”，这个习惯帮我节省了大量时间。

如果你想在这个基础上继续深入，我建议你把官方文档里的 Canvas 示例挨个跑一遍，特别是subplots和GridSpec的组合用法。另一点是留意apply_autoscale、set_xlim、set_aspect这些坐标轴细节，它们解决的虽然是“小问题”，但在真实工作中，正是这些小问题决定了你的图表是让人眼前一亮，还是让人皱眉头。

画图这件事，和写代码一样，多练才有手感。打开你的编辑器，先跑通上面的模板，再试着把里面的数据换成你自己的，一步步来，你很快就能把 matplotlib.pyplot 用成顺手的小工具。