Python matplotlib绘制散点图、柱状图和饼图代码示例

在日常数据分析和报表汇报中，散点图、柱状图和饼图是使用频次最高的三种基础统计图表。它们分别承担着观察变量相关性、对比类别数值大小以及展现比例构成的核心任务。本文将直接基于 Python matplotlib 库的面向对象标准接口（fig, ax = plt.subplots()），提供这三类图表规范、可直接运行的代码示例，并解析关键参数的设置逻辑与排错要点。

一、Matplotlib 基础绘图通用生命周期

为了编写结构清晰且便于维护的代码，推荐使用面向对象（Object-Oriented）的绘图模式，而不是直接调用 plt.plot() 等快捷状态机函数。面向对象方式明确将画布对象（Figure）与子图轴对象（Axes）解耦，使得子图布局、坐标轴调整及图元微调更加稳定可控。

图 1：Matplotlib 面向对象绘图标准四步生命周期

在所有绘图代码执行前，必须首先解决中文字符集与负号渲染问题。默认情况下，Matplotlib 不包含完整的中文字体映射，若不配置可能出现方框乱码。通用配置如下：

import matplotlib.pyplot as plt
import numpy as np

# 跨平台中文支持配置
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False  # 确保负号正常显示为减号而不是方块

二、散点图（Scatter Plot）代码示例与参数解析

散点图常用于展现两个连续变量之间的相关性、群集特征或离群点分布。核心函数为 ax.scatter()。除基础的 X、Y 坐标外，还可以利用数据点的大小（s）、颜色（c）、透明度（alpha）映射额外的数据维度。

1. 完整代码示例

import matplotlib.pyplot as plt
import numpy as np

# 设置随机种子以保证结果可复现
np.random.seed(42)

# 模拟 100 组样本数据
x = np.random.randn(100) * 15 + 50         # 模拟特征 A（例如：广告预算）
y = x * 1.8 + np.random.randn(100) * 10    # 模拟特征 B（例如：销售额，具备线性相关特征）
point_size = np.random.uniform(20, 200, 100) # 第三维度：业务规模（映射为散点大小）
color_values = y - x                       # 第四维度：净收益增量（映射为散点颜色）

# 1. 创建画布与坐标系
fig, ax = plt.subplots(figsize=(8, 5), dpi=100)

# 2. 绘制散点图
scatter = ax.scatter(
    x, y,
    s=point_size,              # 点的面积大小
    c=color_values,            # 颜色映射序列
    cmap='viridis',            # 渐变调色板
    alpha=0.75,                # 透明度，减轻重叠干扰
    edgecolors='white',        # 散点外边缘颜色
    linewidths=0.8             # 边框粗细
)

# 3. 添加颜色条说明与坐标轴标签
cbar = fig.colorbar(scatter, ax=ax)
cbar.set_label('净收益增量指标', fontsize=10)

ax.set_title('广告投入与销售收益散点分布图', fontsize=14, pad=12)
ax.set_xlabel('广告投放预算（万元）', fontsize=11)
ax.set_ylabel('实际销售金额（万元）', fontsize=11)
ax.grid(True, linestyle='--', alpha=0.5)

plt.tight_layout()
plt.show()

2. 核心参数与注意事项

• s（Size）：注意 s 接收的是散点面积（点平方 points^2）而非半径。若直接将未归一化的原始数值传给 s，过大的数值会导致散点铺满画布，过小的数值会看不清。建议使用线性缩放归一化到 [20, 300] 区间。
• alpha（透明度）：当样本量较多时，散点容易重叠形成黑色色块。设置 alpha=0.4~0.7 可以清晰识别高密度聚合区域。
• cmap 与 fig.colorbar()：将一维数值映射为渐变颜色时，需配合 fig.colorbar(scatter, ax=ax) 显示数值刻度条，否则读者无法判断颜色所代表的具体数值区间。

三、柱状图（Bar Chart）代码示例与参数解析

柱状图用于展示离散分类变量的数值对比。当需要对比多组分类数据（例如不同季度的两类产品销量）时，通常采用并列柱状图或堆叠柱状图。在绘制多组并列柱状图时，必须手动计算每个柱子在 X 轴上的偏移量，以避免相互遮挡。

1. 完整代码示例（多组并列柱状图）

import matplotlib.pyplot as plt
import numpy as np

# 分类标签与两组指标数据
categories = ['第一季度', '第二季度', '第三季度', '第四季度']
sales_product_a = [120, 145, 175, 210]
sales_product_b = [95, 130, 160, 185]

# X 轴基准刻度位置与柱体宽度
x_indices = np.arange(len(categories))
bar_width = 0.35  # 单个柱子的宽度

# 1. 创建画布与坐标系
fig, ax = plt.subplots(figsize=(8, 5), dpi=100)

# 2. 绘制并列柱状图（通过偏移 x_indices 实现并排）
rects1 = ax.bar(x_indices - bar_width/2, sales_product_a, width=bar_width, 
                label='产品 A', color='#83ADD0', edgecolor='#142537', linewidth=0.8)
rects2 = ax.bar(x_indices + bar_width/2, sales_product_b, width=bar_width, 
                label='产品 B', color='#77B9AE', edgecolor='#142537', linewidth=0.8)

# 3. 标注数值标签（Matplotlib 3.4+ 内置函数）
ax.bar_label(rects1, padding=3, fontsize=9)
ax.bar_label(rects2, padding=3, fontsize=9)

# 4. 配置坐标轴文本、刻度与图例
ax.set_title('2025年度各季度产品销售对比', fontsize=14, pad=12)
ax.set_xlabel('财年季度', fontsize=11)
ax.set_ylabel('销售额（万元）', fontsize=11)
ax.set_xticks(x_indices)
ax.set_xticklabels(categories)
ax.set_ylim(0, 250)
ax.legend(frameon=True, facecolor='#ffffff', edgecolor='#cbd5e1')
ax.grid(axis='y', linestyle=':', alpha=0.6)

plt.tight_layout()
plt.show()

2. 核心参数与注意事项

• X 轴偏移量计算：若有 N 组数据，单组柱宽为 w，则各组中心点依次为 x + (i - (N-1)/2) * w。若不偏移直接调用多次 ax.bar()，后绘制的柱子会直接覆盖在前面的柱子上。
• ax.bar_label()：相比过去使用 for 循环和 ax.text() 手动排版，内置的 ax.bar_label() 能自动适应柱高并处理垂直对齐，padding 参数可微调文字与柱顶的间距。
• 横向柱状图（ax.barh）：当类别名称较长（如部门全称、技术栈名称）时，纵向柱状图的 X 轴标签容易发生交叠，此时改用 ax.barh(y, width) 可以极大提升可读性。

四、饼图（Pie Chart）代码示例与参数解析

饼图用于显示各组成部分在总体中的百分比份额。饼图适用于分类项较少（通常不超过 5~7 项）且总和具备明确“整体（100%）”语义的场景。若分类过多，应优先选用横向柱状图。

1. 完整代码示例（分离切片与环形图样式）

import matplotlib.pyplot as plt

# 数据与标签定义
labels = ['智能硬件', '企业软件', '云端服务', '咨询服务', '其他业务']
sizes = [35, 25, 20, 12, 8]
colors = ['#83ADD0', '#77B9AE', '#5B8FB9', '#E09F67', '#A0AEC0']

# 突出显示占比最大的项（智能硬件）
explode = (0.06, 0, 0, 0, 0)

# 1. 创建画布与坐标系
fig, ax = plt.subplots(figsize=(7, 6), dpi=100)

# 2. 绘制饼图
wedges, texts, autotexts = ax.pie(
    sizes,
    explode=explode,           # 切片分离距离
    labels=labels,             # 外部文本标签
    colors=colors,             # 各切片颜色
    autopct='%1.1f%%',         # 内部百分比格式化字符串
    startangle=140,            # 起始角度（逆时针旋转）
    pctdistance=0.75,          # 百分比数字距离圆心的距离比率
    wedgeprops=dict(width=0.6, edgecolor='white', linewidth=1.5) # 环形图空心参数
)

# 3. 增强百分比文字样式
for autotext in autotexts:
    autotext.set_color('#142537')
    autotext.set_fontsize(10)
    autotext.set_weight('bold')

for text in texts:
    text.set_fontsize(11)

# 4. 强制正圆比例与标题
ax.set_title('2025年度核心业务营收占比分布', fontsize=14, pad=15)
ax.axis('equal')  # 确保长宽比一致，避免椭圆畸变

plt.tight_layout()
plt.show()

2. 核心参数与注意事项

• ax.axis('equal')：必须显式调用，保证 X 轴和 Y 轴比例尺完全相同，防止因画布长宽比不同而使饼图被拉伸为椭圆。
• wedgeprops=dict(width=...)：通过设置切片环宽，可直接将实心饼图转化为甜甜圈图（Donut Chart），中心空白区域更透气，也可用于放置核心汇总指标文字。
• autopct 格式化：'%1.1f%%' 表示保留一位小数的浮点数并追加百分号；若需整数百分比可写为 '%d%%'。

五、图表选型决策与特征对比

正确选型是有效传达数据信息的前提。散点图、柱状图和饼图在数据维度、类别容量和信息承载重点上各有侧重：

图 2：散点图、柱状图与饼图选型特征对比矩阵

六、Matplotlib 核心对象层级与图表组件映射

深入理解 Matplotlib 的组件树结构，有助于在调用微调方法时快速定位对象属性。顶层是 Figure，其下承载一个或多个 Axes，而每个 Axes 内部管理着专属的标题、刻度、轴线（Spines）以及具体的图元（Artist）：

图 3：Matplotlib 核心对象层级与图表组件映射关系

七、综合应用：单画布组合三种图表

在实际汇报仪表盘中，经常需要在一个 Figure 窗口中并行展示这三类图表。通过 plt.subplots(1, 3, figsize=(18, 5))，我们可以将散点图、柱状图与饼图横向排布，形成统一风格的数据看板：

import matplotlib.pyplot as plt
import numpy as np

# 1. 设置中文与负号环境
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 2. 模拟三组业务数据
# 散点数据：用户停留时长 vs 消费金额
np.random.seed(101)
stay_minutes = np.random.uniform(5, 60, 60)
spend_amount = stay_minutes * 12 + np.random.normal(0, 50, 60)

# 柱状数据：各渠道获客数量
channels = ['搜索引流', '社交推广', '邮件召回', '信息流']
customer_counts = [4200, 3100, 1850, 2600]

# 饼图数据：各终端活跃设备占比
devices = ['iOS', 'Android', '桌面端', '小程序']
device_shares = [42, 38, 12, 8]

# 3. 创建 1 行 3 列的子图画布
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(16, 5), dpi=100)

# --- 子图 1：散点图 ---
ax1.scatter(stay_minutes, spend_amount, color='#83ADD0', edgecolors='#142537', alpha=0.8, s=45)
ax1.set_title('用户在线时长与消费关联散点', fontsize=12)
ax1.set_xlabel('停留时长 (分钟)')
ax1.set_ylabel('消费金额 (元)')
ax1.grid(True, linestyle=':', alpha=0.5)

# --- 子图 2：柱状图 ---
bars = ax2.bar(channels, customer_counts, color='#77B9AE', width=0.5, edgecolor='#142537')
ax2.bar_label(bars, padding=3, fontsize=9)
ax2.set_title('各渠道新客增长对比', fontsize=12)
ax2.set_xlabel('推广渠道')
ax2.set_ylabel('用户数 (人)')
ax2.set_ylim(0, 5000)
ax2.grid(axis='y', linestyle=':', alpha=0.5)

# --- 子图 3：饼图 ---
ax3.pie(
    device_shares,
    labels=devices,
    colors=['#83ADD0', '#77B9AE', '#5B8FB9', '#E09F67'],
    autopct='%1.1f%%',
    startangle=90,
    wedgeprops=dict(width=0.6, edgecolor='white')
)
ax3.set_title('活跃终端分布占比', fontsize=12)
ax3.axis('equal')

# 4. 全局紧凑排版与展示
plt.tight_layout()
plt.show()

八、常见问题与避坑清单

在初次编写 Matplotlib 代码时，开发者容易在字体渲染、重叠计算和比例拉伸上遇到细节阻碍。以下整理了四类高频排错方案：

图 4：Matplotlib 基础绘图常见问题与避坑清单