企业官网建设流程全解析

做数据分析这几年，Matplotlib里的pyplot几乎是我每天都会打开的模块。别人问我会不会画图，我说会，其实就是会用pyplot把数据变成可视化图形。但真正把绘图这件事做得又快又顺手，不是记住几个API就够的，你得理解它的绘图逻辑，知道怎么把多张图拼在一起，还得学会处理那些奇奇怪怪的报错，比如最近经常有人问的“请安装matplotlib以显示图标”到底是怎么回事。

这篇博文就围绕Matplotlib.pyplot绘图展开。我会从pyplot的底层思路讲起，重点拆解“六张图合在一个图上”这类多子图拼接需求，再分享一套完整可复用的实操代码，最后把安装配置、中文乱码、图表不显示这些高频问题一次性讲透。不管你是刚装好Matplotlib的新手，还是已经画过一阵子图但总感觉不系统的同学，这篇应该都能帮上忙。

1. 先把思路理顺：pyplot到底解决什么问题

1.1 为什么选 pyplot，而不是直接上手面向对象

很多人第一次接触Matplotlib，上来就学习figure、axes这些概念，结果一头雾水。我个人的建议是：先从pyplot入手，因为它是一层更贴近直觉的封装。

pyplot设计得很像MATLAB的绘图方式，核心思路是一个“状态机”。你调用plt.plot()，它就把数据画到“当前坐标系”上；再调用plt.xlabel()，它就给刚才这张图加标签；再调用plt.title()，就给这张图加标题。你不需要时刻盯着figure和axes对象，只管像喊口令一样一步一步来就行。

这种模式特别适合交互式探索场景。比如你在Jupyter Notebook里分析数据，临时想看看某两列的关系，两条命令就出图了。但是，如果要做正式的、复杂的图表，我建议还是要用fig, ax = plt.subplots()这种面向对象的方式。原因很简单：pyplot的隐式状态在复杂场景下容易“串图”，尤其当你需要同时管理多个子图时，显式的axes对象会让代码更清晰、更好控制。

1.2 安装配置：pip install matplotlib 前后的那些坑

先解决环境问题。安装Matplotlib本身很简单，一行命令：

pip install matplotlib

但实际项目中，这条命令可能踩到几个典型坑。最常见的是“装到了错误的Python环境”。比如你电脑里既有Anaconda，又有系统Python，还在某个虚拟环境里开发，如果你没激活虚拟环境就执行pip install matplotlib，装完发现导入仍报错，那多半就是装错地方了。

我的习惯是，在项目根目录建一个虚拟环境，然后老老实实激活后再装：

python -m venv venv

Windows下激活：

venv\Scripts\activate

macOS/Linux下激活：

source venv/bin/activate

然后再装matplotlib。装完验证一下：

python -c "import matplotlib; print(matplotlib.__version__)"

能输出版本号，说明环境没问题。如果你的网络下载比较慢，可以用国内镜像源，比如清华的PyPI镜像：

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

另外，很多人遇到的“请安装matplotlib以显示图标”并不是matplotlib本体报错，而是IDE或者Jupyter环境检测不到已安装的matplotlib时给出的提示。解决思路很简单：在对应环境里装好matplotlib，然后重启Notebook内核或重启IDE。如果装好了还是提示，就检查一下是不是内核选的不是当前虚拟环境，这属于老生常谈但确实容易搞混的问题。

2. 核心细节解析：从一张图到多子图拼接

2.1 先吃透 pyplot 的基本绘图链路

我把pyplot绘图的基本流程概括成六步，大部分图表都逃不出这个套路：

1. 准备数据，一般就是列表、NumPy数组或者Pandas列。
2. 创建画布，用plt.figure(figsize=(宽, 高))，这一步可选，但建议显式设置画布尺寸，否则好看不到哪去。
3. 添加坐标系，或者直接用plt.plot()等函数隐式创建。
4. 调用具体绘图函数，比如plot、scatter、bar、hist。
5. 设置细节，包括标题、轴标签、图例、网格、刻度范围。
6. 显示或保存，交互环境用plt.show()，脚本或批量生成用plt.savefig()。

如果你关注热搜词里的“matplotlib六张图合在一个图上”，那核心痛点就出在第3步到第6步之间。很多人知道了单张图画法，但一到拼图就懵了。其实原理不复杂，关键在于理解“坐标系”这个概念。

简单打个比方：一张画布是figure，画布上面可以划分出很多个格子，每个格子里放一张图，每个格子就是一个axes对象。你要画六张图，本质就是创建一张画布，在上面划分出2行3列的网格，然后往每个格子里填内容。

2.2 三种实现“六张图合一个图”的方案对比

具体实现多子图，目前主流有三种方式，我列个表格对比一下：

如果你就是想把6张图均匀地拼成一个2行3列的大图，最省事的方案就是plt.subplots(2, 3)。它会一次性返回一个figure对象和一个形状为(2, 3)的axes数组，然后你用axes[0][0]、axes[1][2]这些下标去定位每一张子图就行。

这里我要特别说一下plt.subplot(2, 3, 1)和plt.subplots(2, 3)的区别。前者是每次调用都指定“第几个位置”，你要画6张图就得调用6次；后者是一次性建好6个位置，后续只需要在对应位置画图。如果你用面向对象方式写，后续调整样式、共享坐标轴都会方便很多。

2.3 构图参数：figsize、dpi、共享坐标轴和布局调整

多子图拼在一起之后，最常见的两个问题：一是图太小看不清，二是子图之间挤在一起。前者靠figsize解决，后者靠tight_layout()或constrained_layout=True解决。

figsize的单位是英寸，dpi是每英寸像素点数。比如plt.subplots(2, 3, figsize=(12, 8), dpi=120)，意思是画布宽12英寸、高8英寸，分辨率120 DPI，最终生成的图片宽就是1440像素。这个参数不是随便拍脑袋定的，要看你最终用途：公众号配图一般100-150 DPI就够，打印或投稿则需要300 DPI。

再说共享坐标轴。六个子图画在同一张画布上，有时候它们代表的是同一套时间轴或同一套数值范围，那可以用sharex=True或sharey=True，这样缩放一个子图时其他子图会联动，而且刻度标签不会重复占空间，整体观感会很紧凑专业。

最后提醒一点：拼图完成后，一定要调用plt.tight_layout()或者创建figure时设置constrained_layout=True，否则子图标题和轴标签很容易被切掉或者重叠。这个小细节很多人忽略，结果图一出来边距奇怪，还以为是代码问题。

3. 实操过程：用一份代码完成六图拼接

3.1 场景设定：一份数据分析报告需要六张图

为了把这个过程讲得具体，我模拟一个真实场景。假设你在做一份商品销售数据分析，报告里需要展示以下六张图：

1. 销售额随时间的变化趋势（折线图）
2. 各渠道销售额占比（饼图）
3. 订单金额的分布情况（直方图）
4. 商品价格与销量的关系（散点图）
5. 各区域销售额对比（柱状图）
6. 不同门店销售额的分布差异（箱线图）

这就是典型的“六张图合在一个图上”的需求，用plt.subplots(2, 3)来做非常合适。我先构造一份模拟数据，然后一步步来画。

3.2 核心代码实现与逐步讲解

先导入库和准备数据：

import matplotlib.pyplot as plt import numpy as np # 解决中文乱码（重点是SimHei字体和负号设置） plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 模拟数据 np.random.seed(42) months = np.arange(1, 13) sales = np.array([120, 135, 128, 150, 165, 180, 175, 190, 205, 210, 225, 240]) channels = ['App', 'Web', '小程序', '线下'] channel_sales = [360, 220, 280, 140] order_amounts = np.random.normal(150, 40, 500) price = np.random.uniform(10, 200, 200) qty = (500 / price + np.random.normal(0, 8, 200)).clip(1, 60) regions = ['华东', '华南', '华北', '西南'] region_sales = [820, 735, 620, 410] store_sales = [np.random.normal(80, 15, 30) for _ in range(4)]

然后创建画布和子图：

fig, axes = plt.subplots(2, 3, figsize=(14, 9), dpi=120)

这一行的意思就是，创建一个14英寸宽、9英寸高的画布，划分成2行3列共6个子图，axes的形状是(2, 3)。

接下来逐个填充子图：

# 1. 销售额趋势 axes[0, 0].plot(months, sales, marker='o', color='#1f77b4', linewidth=2) axes[0, 0].set_title('月度销售额趋势') axes[0, 0].set_xlabel('月份') axes[0, 0].set_ylabel('销售额（万元）') axes[0, 0].grid(True, linestyle='--', alpha=0.6) # 2. 渠道占比 axes[0, 1].pie(channel_sales, labels=channels, autopct='%.1f%%', startangle=90) axes[0, 1].set_title('各渠道销售额占比') # 3. 订单金额分布 axes[0, 2].hist(order_amounts, bins=30, color='#2ca02c', edgecolor='white', alpha=0.8) axes[0, 2].set_title('订单金额分布') axes[0, 2].set_xlabel('订单金额（元）') axes[0, 2].set_ylabel('频数') # 4. 价格与销量关系 axes[1, 0].scatter(price, qty, alpha=0.5, s=30, color='#ff7f0e') axes[1, 0].set_title('商品价格与销量关系') axes[1, 0].set_xlabel('价格（元）') axes[1, 0].set_ylabel('销量（件）') # 5. 各区域销售额 axes[1, 1].bar(regions, region_sales, color='#d62728', alpha=0.85) axes[1, 1].set_title('各区域销售额对比') axes[1, 1].set_xlabel('区域') axes[1, 1].set_ylabel('销售额（万元）') for i, v in enumerate(region_sales): axes[1, 1].text(i, v + 10, str(v), ha='center', fontsize=10) # 6. 门店销售额箱线图 axes[1, 2].boxplot(store_sales, tick_labels=regions, patch_artist=True) axes[1, 2].set_title('门店销售额分布') axes[1, 2].set_xlabel('区域') axes[1, 2].set_ylabel('销售额（万元）') plt.tight_layout() plt.savefig('sales_report.png', bbox_inches='tight', dpi=150) plt.show()

这段代码跑完之后，你应该能看到一张2行3列的大图，六个子图分别是折线图、饼图、直方图、散点图、柱状图、箱线图。整张图会被自动保存为sales_report.png，同时弹窗展示。

几个我特别想强调的细节：

第一，plt.rcParams的中文字体设置必须放在绘图之前，否则画出来的中文全是方块。而且axes.unicode_minus=False这个也别忘了，不然坐标轴的负号会显示成乱码。

第二，boxplot函数里我用了patch_artist=True，这样箱线图才能填充颜色，否则默认是透明的，打印出来观感差很多。新版matplotlib里tick_labels代替了旧的labels参数，写代码时注意兼容。

第三，饼图里的autopct='%.1f%%'是显示百分比格式，保留一位小数。这个格式很常用，如果你要保留两位，就写成'%.2f%%'。

3.3 让图更专业：样式、配色与出版级导出

六张图都能画出来，只是“能用”；真正让图显专业的，往往是细节。尽可能统一配色就是最简单有效的方法。Matplotlib默认的颜色循环虽然不难看，但用久了会有“默认脸”的感觉。我个人比较喜欢用color参数手动指定色系，或者直接换主题风格：

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

这句可以让背景变白、网格变淡，整体瞬间精神很多。你可以自己试试ggplot、fivethirtyeight等风格，找到适合你项目的。

导出图片时，savefig的参数比你想的重要。bbox_inches='tight'会自动裁剪多余白边，dpi控制清晰度。如果需要插入到Word或PPT里，我一般用150 DPI；如果是要打印或者投稿，我会用到300 DPI。另外，savefig支持透明背景，参数是transparent=True，在某些版式下特别有用。

如果你的图片要放到深色背景的PPT里，还可以把文字颜色调成浅色，这个属于进阶玩法，但掌握之后非常出彩。

4. 常见问题与排查技巧实录

4.1 安装和导入阶段的报错速查表

我整理了一份我在工作中真实遇到的报错对照表，算是排坑经验集合：

“请安装matplotlib以显示图标”这个提示，我特别想多说两句。我第一次看到这个提示是在一个Jupyter Notebook里，当时明明在终端里可以正常导入matplotlib，但Notebook就是不认。后来才意识到，Notebook的内核指向的是base环境，而我安装matplotlib是在另一个虚拟环境里。解决方法是确认Notebook内核对准当前环境，或者直接在当前内核环境里重新安装。

如果你用的是VS Code，这个错误还会出现在“交互式窗口”里，解决办法是在VS Code右下角切换Python解释器，让它指向你安装了matplotlib的那个环境。

4.2 图表显示和保存阶段的经典问题

画图没有弹窗，这个问题在脚本运行场景下出现频率极高。本质原因是，Matplotlib的默认后端是TkAgg或QtAgg，但在某些服务器或无界面环境下，没有图形显示器可以弹窗。解决方案有几种：

• 脚本里检查有没有写plt.show()。
• 如果是服务器上运行，直接用plt.savefig()保存图片，不调用plt.show()。
• 如果需要交互，提前设置后端：import matplotlib; matplotlib.use('TkAgg')。

另一个经典问题是“保存图片是空白的”。这个现象通常是把plt.savefig()放在plt.show()之后。plt.show()会清空当前图形缓存，所以先show()再savefig()，保存到的对象就是空的。正确顺序是先savefig()，后show()。

中文显示为方块也几乎人人都遇到过。原因很简单：Matplotlib默认字体不包含中文字符。用plt.rcParams['font.sans-serif'] = ['SimHei']是Windows下最快的解决办法。macOS可以用['Arial Unicode MS']或['PingFang SC']。Linux服务器上如果字体不够，你可以用fc-list :lang=zh查看系统已装的中文字体，没有就装一个fonts-wqy-zenhei之类的字体包。

4.3 绘图性能和布局排错的进阶心得

当你用Matplotlib画几十万个点的散点图时，渲染性能会明显下降，图表拖起来卡顿。这种场景下我建议，调低点的大小和透明度，或者用rasterized=True让图层栅格化，图片体积和渲染速度会改善不少。

坐标轴刻度重叠也是个高频问题。比如柱状图的横轴标签太长，或者日期格式的刻度太多。最简单的方案是用plt.xticks(rotation=45)旋转标签，或者用plt.tight_layout()调整边距。如果刻度太多，还可以用MaxNLocator限制刻度数量：

from matplotlib.ticker import MaxNLocator ax.xaxis.set_major_locator(MaxNLocator(integer=True, nbins=6))

这样横轴最多显示6个刻度，干净利落。

布局排错方面，我刚接触子图时，经常因为axes的下标写错而报IndexError。比如创建的是(2, 3)的网格，你却写了axes[0, 3]，那肯定越界。这种问题没有捷径，只能多看多写。写多了之后，你会形成肌肉记忆：第一维是行，第二维是列，axes[1, 0]就是左下角那张图。

我个人在实际操作中的体会是，Matplotlib这条路，真正难的不是API记不住，而是心态。你越是急着画完，越容易卡在细节上。倒不如先搭建一个固定的绘图模板，把常见配置写成函数，需要的时候改数据、改标题就行。如果你要把这套技能用到真正的项目里，建议从复制上面那段六图拼接代码开始，把每个参数都改一遍，观察效果变化，这个过程比背文档高效得多。最后再分享一个小技巧：设置plt.rcParams时，可以把常用配置做成一个mpl_config.py文件，每次项目里直接import，省得每个脚本重复写那段中文乱码设置。