Python Matplotlib绘图教程：折线图、散点图等数据可视化实战

一、Matplotlib 架构理解：为什么推荐面向对象接口

很多初学者在编写绘图脚本时习惯直接调用 plt.plot() 或 plt.scatter()。这种方式属于 MATLAB 风格的“状态机接口”（State-machine Interface），其特点是操作隐式：系统在后台记录当前“活动的画布”与“活动的坐标系”。当脚本只需绘制一张简单图表时，状态机非常快；但在处理多个子图、调整局部坐标轴刻度或嵌入外部应用时，状态机模式容易出现操作串位和状态丢失。

工业级数据分析与生产环境推荐采用面向对象接口（Object-Oriented API）。通过 fig, ax = plt.subplots() 显式创建画布容器（Figure）与坐标轴对象（Axes）。其中 Figure 代表整张图的画纸空间，包含尺寸、分辨率与背景色；Axes 则是具体承载数据点、刻度线、网格与图例的实际绘图区。所有绘图方法都绑定在 ax 对象上，调用关系透明，多子图独立管理互不干扰。

一个标准的面向对象绘图流程分为五个清晰步骤：

1. 环境准备与配置：导入 matplotlib.pyplot，并统一指定中文显示字体与负号支持配置；
2. 创建画布与坐标系：显式调用 plt.subplots(figsize=(宽, 高)) 创建 fig 和 ax 实例；
3. 数据映射与绘制：在坐标轴对象上调用 ax.plot()、ax.scatter() 等几何图形绘制函数；
4. 坐标轴与文本修饰：配置轴标签、主标题、参考网格（ax.grid()）及图例说明（ax.legend()）；
5. 渲染展示或持久化导出：调用 plt.show() 进行交互查看，或调用 fig.savefig() 导出高分辨率图片。

二、折线图实战：时序变化与连续趋势分析

折线图（Line Plot）主要用于展示连续型变量随时间或有序序列的变化规律。绘制折线图的核心在于让线条走势清晰、关键采样点醒目，且多条对比曲线之间具有显著的视觉区分度。

1. 核心参数与几何控制

在面向对象模式中，折线图通过 ax.plot(x, y, ...) 进行绘制。控制其外观的核心参数包括：

• color：线条与标记的基准色彩，支持 16 进制颜色（如 #6487A5）或标准色彩名称；
• linestyle：线型样式，常用实线 '-'、虚线 '--'、点划线 '-.' 与细点线 ':'；
• linewidth：线条像素宽度，主趋势推荐 2.0 ~ 2.5，次要辅助线推荐 1.0 ~ 1.5；
• marker 与 markersize：采样节点标记符号（如圆点 'o'、方块 's'、三角 '^'），让离散的数据观测点一目了然；
• label：数据序列的文本标识，后续调用 ax.legend() 时将以此为图例标题。

2. 完整实战代码：多产品月度业绩趋势对比

以下示例展示了 2026 年上半年两种业务产品的销售额对比。代码完整覆盖了中文字体注入、多线样式差异化、网格辅助与图例布局：

import matplotlib.pyplot as plt

# 1. 配置全局中文支持与负号正常显示
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 2. 准备业务数据
months = ['1月', '2月', '3月', '4月', '5月', '6月']
sales_prod_a = [32.5, 45.0, 58.2, 51.0, 68.4, 79.8]  # 单位：万元
sales_prod_b = [28.0, 31.5, 39.0, 44.5, 48.0, 53.2]

# 3. 创建画布与坐标系
fig, ax = plt.subplots(figsize=(8, 4.8), dpi=100)

# 4. 绘制对比折线
ax.plot(months, sales_prod_a, 
        color='#6487A5', linestyle='-', linewidth=2.2, 
        marker='o', markersize=6, label='核心产品 A')

ax.plot(months, sales_prod_b, 
        color='#C28B68', linestyle='--', linewidth=2.0, 
        marker='s', markersize=6, label='新兴产品 B')

# 5. 坐标轴与辅助信息修饰
ax.set_title('2026年上半年产品销售额趋势对比', fontsize=14, pad=14, fontweight='bold')
ax.set_xlabel('月份', fontsize=11, labelpad=8)
ax.set_ylabel('销售额 (万元)', fontsize=11, labelpad=8)
ax.set_ylim(20, 90)

# 开启轻量虚线网格，增强数值横向对比
ax.grid(True, linestyle='--', alpha=0.5)

# 添加图例说明
ax.legend(loc='upper left', frameon=True, facecolor='#FFFFFF', edgecolor='#CBD5E1')

# 6. 保存或展示
plt.tight_layout()
# fig.savefig('line_sales_trend.png', dpi=300, bbox_inches='tight')
plt.show()

三、散点图实战：相关性分析与四维数据编码

散点图（Scatter Plot）的核心价值在于研究两组连续数值变量之间的相关分布规律，例如观察身高与体重、广告投入与销售转化、或者发现聚类群体与异常离群点。在更高阶的数据分析场景中，散点图还能进一步扩展为“气泡图”，利用点的位置、尺寸、色彩同步表达多达 4 个维度的特征信息。

1. 四维通道映射规则

调用 ax.scatter(x, y, s, c, cmap, alpha, edgecolors) 时，各个参数承担着精确的数据通道分工：

• 通道 1 与 2（X, Y 坐标）：定位平面的横纵空间坐标，直接反映两变量的正相关、负相关或非线性关系；
• 通道 3（点大小 s）：将第三个数值特征映射为数据点的绘制面积（单位为点平方）。例如用圆圈大小代表企业规模或用户量；
• 通道 4（色彩梯度 c 与 cmap）：将第四个数值特征映射为连续颜色谱。通过 fig.colorbar(scatter_obj) 附带垂直色条，直观呈现数值高低区间；
• 防重叠调优（alpha 与 edgecolors）：当样本量较多时，数据点极易相互重叠掩盖分布密度。设置 alpha=0.6~0.75 并给边缘加上 edgecolors='#2C3E50'，能让密集团内部的层叠层数清晰显现。

2. 完整实战代码：多门店客流、客单价与营收综合气泡图

import numpy as np
import matplotlib.pyplot as plt

# 保证中文正常输出
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 模拟 50 家零售门店数据
np.random.seed(42)
daily_visitors = np.random.uniform(500, 3500, 50)       # X: 日均客流 (人次)
avg_ticket_price = 120 + 0.03 * daily_visitors + np.random.normal(0, 20, 50) # Y: 客单价 (元)
store_area = np.random.uniform(80, 500, 50)             # Size: 门店面积 (平米)
monthly_profit = (daily_visitors * avg_ticket_price * 0.25) / 1000 # Color: 月利润 (千元)

fig, ax = plt.subplots(figsize=(8.5, 5.2), dpi=100)

# 面积通过平方比例放大，适配散点图像素面积单位
bubble_sizes = store_area * 0.6

# 绘制散点图
sc = ax.scatter(daily_visitors, avg_ticket_price,
                s=bubble_sizes,
                c=monthly_profit,
                cmap='viridis',
                alpha=0.75,
                edgecolors='#2C3E50',
                linewidths=0.8)

# 添加颜色标尺 (Colorbar)
cbar = fig.colorbar(sc, ax=ax, pad=0.03)
cbar.set_label('月均净利润 (千元)', fontsize=10.5)

# 轴标签与标题
ax.set_title('50家试点门店客流、客单价、营业面积与利润分布分析', fontsize=13, fontweight='bold', pad=12)
ax.set_xlabel('日均进店人次 (X轴)', fontsize=11)
ax.set_ylabel('平均客单价 / 元 (Y轴)', fontsize=11)
ax.grid(True, linestyle=':', alpha=0.6)

plt.tight_layout()
plt.show()

四、进阶组合实战：散点观测值与拟合趋势线同图排版

在实际业务分析中，折线图与散点图往往不是孤立存在的。最常见的场景是：先用散点展示实验或采集到的实际离散样本，随后使用平滑折线绘制回归方程预测的拟合趋势线。二者在同一个 Axes 坐标系中叠加，既展示了底层数据的真实离散度，又交代了整体规律。

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 构造模拟数据
x_sample = np.linspace(1, 10, 30)
noise = np.random.normal(0, 1.2, size=len(x_sample))
y_sample = 2.4 * x_sample + 3.0 + noise

# 拟合一次线性回归方程
slope, intercept = np.polyfit(x_sample, y_sample, 1)
x_line = np.linspace(1, 10, 100)
y_fit = slope * x_line + intercept

# 面向对象绘图
fig, ax = plt.subplots(figsize=(8, 4.5), dpi=100)

# 1. 绘制底层观测样本（散点）
ax.scatter(x_sample, y_sample, color='#C28B68', alpha=0.85, 
           edgecolors='#78350F', s=45, label='观测样本点')

# 2. 绘制上方拟合趋势曲线（折线）
ax.plot(x_line, y_fit, color='#6487A5', linewidth=2.4, 
        linestyle='-', label=f'拟合趋势线 (y={slope:.2f}x+{intercept:.2f})')

ax.set_title('采样点与线性拟合趋势叠加展示', fontsize=13, fontweight='bold', pad=12)
ax.set_xlabel('自变量 X', fontsize=11)
ax.set_ylabel('响应变量 Y', fontsize=11)
ax.grid(True, linestyle='--', alpha=0.45)
ax.legend(loc='upper left', framealpha=0.9)

plt.tight_layout()
plt.show()

五、图表选型总结与高频避坑指南

数据可视化的本质是降低理解成本。选择错误的图表类型或忽视渲染配置，往往会导致信息误读甚至脚本执行报错。以下梳理了从图表选型到生产导出的核心避坑决策模型：

1. 选型判定原则

2. 常见问题排查与修复清单

• 问题 1：中文字符显示为白色小方块（ToFu 乱码）
  原因：Matplotlib 默认回退到 DejaVu Sans 字体，该字体库不含中文字形。
  解决：在脚本开头显式声明包含系统中可用的中文字体列表：
  plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']。
• 问题 2：坐标轴负数减号显示为空心方框
  原因：引入中文字体后，部分字体将 Unicode 减号映射为了未定义字符。
  解决：必须紧随其后声明：
  plt.rcParams['axes.unicode_minus'] = False，指示 Matplotlib 使用标准 ASCII 连字符作为负号。
• 问题 3：导出图片边缘文字被切掉
  原因：默认 fig.savefig() 采用固定外边距，当轴标签或图例较长时会超出绘制界限。
  解决：在保存时添加 bbox_inches='tight' 参数，系统会自动重算图表紧凑包围盒：
  fig.savefig('chart.png', dpi=300, bbox_inches='tight')。
• 问题 4：散点过于密集导致大片墨迹遮挡
  原因：散点不透明时，上层点完全覆盖底层点，丧失了对样本密度高低的观察能力。
  解决：调低透明度至 alpha=0.3 ~ 0.6，配合缩小散点尺寸 s=15，让高频区域通过颜色叠加自动变深。

通过遵循面向对象的代码规范、合理利用线型标记与四维视觉通道，并规范处理字体与边界参数，开发者便能高效产出清晰、严谨且具备发表级质感的数据图表。