python必背源代码matplotlib画图代码

Matplotlib 绘图的核心在于掌握面向对象 API（即 fig, ax = plt.subplots()）的通用骨架，配合中文字体配置与常用图表模板。在实际数据分析与工程项目中，熟记一套结构规范的标准模板和几种高频图表的传参模式，就能直接解决日常 90% 以上的可视化需求，同时规避中文乱码、多图状态冲突和内存泄漏问题。

一、运行环境初始化与中文支持必背代码

在默认安装环境下，Matplotlib 无法正常渲染中文字符，负号（-）也常被错误解析为方块乱码。这是由于默认字体库不包含中文字形且未启用标准减号映射。在每个绘图脚本或 Jupyter Notebook 单元格的最上方，应统一配置以下全局参数：

import matplotlib.pyplot as plt
import numpy as np

# 1. 必背初始化配置：设置中文字体与正常显示负号
plt.rcParams['font.sans-serif'] = ['SimHei', 'PingFang SC', 'Microsoft YaHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 2. 可选工程优化：提升屏幕与交互渲染清晰度
plt.rcParams['figure.dpi'] = 100

上述代码中，font.sans-serif 提供了一个按优先级回退的字体列表：在 Windows 系统上优先加载黑体（SimHei），在 macOS 系统上回退至苹方（PingFang SC），确保跨平台运行时中文字符均能被正确识别。axes.unicode_minus = False 强制 Matplotlib 使用 ASCII 破折号代替 Unicode 负号，彻底根除负数刻度乱码。

二、标准画图骨架：面向对象 API 核心模板

Matplotlib 提供了两种绘图接口风格：一是模仿 MATLAB 的 plt.plot() 状态机接口，二是基于显式对象操作的面向对象接口（Object-Oriented API）。在工程实践与生产代码中，强烈推荐始终使用面向对象接口。状态机接口依赖隐式的“当前活动画布”，一旦涉及多子图或异步渲染，极易产生状态污染。

以下为必须熟背的面向对象标准画图完整模板：

import matplotlib.pyplot as plt
import numpy as np

# 准备演示数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 步骤 1：显式创建顶层画布 (Figure) 与坐标系实例 (Axes)
fig, ax = plt.subplots(figsize=(8, 4.8))

# 步骤 2：在目标坐标系上调用图元绘制方法
ax.plot(x, y, color='#345E82', linewidth=2.0, linestyle='-', label='正弦波动信号')

# 步骤 3：统一配置坐标轴标签、主标题与坐标范围
ax.set_title('正弦波形时序特征', fontsize=14, fontweight='bold', pad=12)
ax.set_xlabel('时间序列 (秒)', fontsize=12)
ax.set_ylabel('信号幅值 (V)', fontsize=12)
ax.set_xlim(0, 10)
ax.set_ylim(-1.5, 1.5)

# 步骤 4：添加辅助图例与轻量工程网格
ax.legend(loc='upper right', frameon=True, facecolor='#F2F6FA', edgecolor='none')
ax.grid(True, linestyle='--', alpha=0.5, color='#C5D4E2')

# 步骤 5：高清导出图像并关闭对象释放内存
fig.savefig('sin_wave_demo.png', dpi=300, bbox_inches='tight')
plt.close(fig)

理解这套模板的关键在于理清底层对象层次：Figure 代表整张图纸，负责控制总宽高、分辨率与整体背景；Axes 代表图纸中的独立坐标系，所有实际绘图（折线、柱子、散点）与坐标轴设置都在 ax 内部完成。

三、高频图表必背核心源代码

日常业务与算法研究中最常用的图表形态为：折线图（趋势）、柱状图（对比）、散点图（关联分布）以及多子图组合。以下逐一提供精简且具备代表性的必背代码。

1. 多线折线图（Line Plot）必背代码

折线图用于呈现连续自变量下的数值走势。多条曲线同屏显示时，需通过线型（linestyle）、颜色（color）和数据点标记（marker）进行区分，避免仅靠色彩辨识。

fig, ax = plt.subplots(figsize=(8, 4.5))

months = ['1月', '2月', '3月', '4月', '5月', '6月']
sales_a = [120, 145, 180, 165, 210, 240]
sales_b = [90, 110, 130, 150, 175, 195]

# 绘制产品 A 曲线：实线带圆点标记
ax.plot(months, sales_a, color='#345E82', linewidth=2, marker='o', markersize=6, label='产品线 A')

# 绘制产品 B 曲线：虚线带正方形标记
ax.plot(months, sales_b, color='#AD8060', linewidth=2, linestyle='--', marker='s', markersize=6, label='产品线 B')

ax.set_title('上半年产品销量增长趋势对比', fontsize=13)
ax.set_xlabel('统计月份')
ax.set_ylabel('销量 (件)')
ax.legend(loc='upper left')
ax.grid(True, linestyle=':', alpha=0.6)
fig.savefig('line_plot.png', dpi=300, bbox_inches='tight')
plt.close(fig)

2. 分组柱状图（Bar Chart）必背代码

柱状图用于展示离散分类指标的绝对量级。实现多组并列对比的关键是**手动计算 X 轴坐标的宽度偏移量**，并使用 ax.bar_label() 自动在柱顶标注数值。

categories = ['指标 A', '指标 B', '指标 C', '指标 D']
group1 = [45, 78, 62, 85]
group2 = [55, 68, 75, 92]

x = np.arange(len(categories))
width = 0.35  # 单个柱子宽度

fig, ax = plt.subplots(figsize=(8, 4.8))

# 通过 x - width/2 与 x + width/2 实现对称错位
rects1 = ax.bar(x - width/2, group1, width, label='基线模型', color='#345E82')
rects2 = ax.bar(x + width/2, group2, width, label='优化模型', color='#AD8060')

# 映射分类文字到 X 轴中心
ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.set_ylabel('评测得分')
ax.set_title('模型优化前后各项性能指标对比', fontsize=13)
ax.legend()

# 必背利器：自动标注柱顶数值，无需手动调用 ax.text 循环
ax.bar_label(rects1, padding=3, fontsize=9)
ax.bar_label(rects2, padding=3, fontsize=9)

ax.set_ylim(0, 110)
fig.savefig('grouped_bar.png', dpi=300, bbox_inches='tight')
plt.close(fig)

3. 散点图与气泡图（Scatter Plot）必背代码

散点图用于探索两个数值变量的相关性。如果进一步将第三个变量映射为点的大小（s），第四个变量映射为色彩（c），即可升格为表达多维信息的气泡图。

np.random.seed(42)
n = 60
feature_x = np.random.rand(n) * 100
feature_y = feature_x * 0.8 + np.random.randn(n) * 15
bubble_size = np.random.rand(n) * 300 + 50
heat_value = feature_x + feature_y

fig, ax = plt.subplots(figsize=(8, 5))

# s 控制气泡物理面积，c 绑定数值阵列，cmap 指定色彩映射方案
scatter = ax.scatter(feature_x, feature_y, s=bubble_size, c=heat_value, 
                     cmap='Blues', alpha=0.75, edgecolors='#345E82', linewidth=1)

ax.set_title('样本多维特征关联分布图', fontsize=13)
ax.set_xlabel('特征 X')
ax.set_ylabel('特征 Y')
ax.grid(True, linestyle='--', alpha=0.4)

# 必背配置：为散点颜色映射绑定标尺色条 (Colorbar)
cbar = fig.colorbar(scatter, ax=ax)
cbar.set_label('热度指标强度', rotation=270, labelpad=15)

fig.savefig('scatter_plot.png', dpi=300, bbox_inches='tight')
plt.close(fig)

4. 多子图网格布局（Subplots）必背代码

当需要同时展示多项互相关联的指标时，利用 plt.subplots(nrows, ncols) 构建子图矩阵最为简洁。处理二维子图数组的最高效方式是调用 axes.flat 扁平化迭代器。

# 创建 2 行 2 列共 4 个子图，指定共享 X 轴
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 7), sharex=True)

x = np.linspace(0, 5, 50)
formulas = [np.sin(x), np.cos(x), np.exp(-x), x**2]
titles = ['子图 1: 正弦曲线', '子图 2: 余弦曲线', '子图 3: 指数衰减', '子图 4: 二次曲线']

# 必背技巧：使用 axes.flat 将二维数组拍平为一维循环
for idx, ax in enumerate(axes.flat):
    ax.plot(x, formulas[idx], color='#345E82', linewidth=1.8)
    ax.set_title(titles[idx], fontsize=11)
    ax.grid(True, linestyle=':', alpha=0.5)

# 必背防重叠语句：自动计算各个子图间距
fig.tight_layout()
fig.savefig('multi_subplots.png', dpi=300, bbox_inches='tight')
plt.close(fig)

四、细节微调与图像导出必背参数

图表的专业感往往体现在边界对齐、双轴协同与保存质量等细节设置上。以下整理三处不可或缺的代码片段：

1. 双 Y 轴图表（ax.twinx()）

当同一张图内两条曲线的数值量级相差悬殊（如“交易笔数”为数十万、“转化率”为百分比）时，必须引入次级坐标轴：

fig, ax1 = plt.subplots(figsize=(8, 4.5))

x = np.arange(1, 7)
y_count = [12000, 15000, 19000, 22000, 26000, 31000]
y_rate = [2.4, 2.7, 3.1, 2.9, 3.5, 4.0]

# 主轴绘制柱状图
ax1.bar(x, y_count, color='#345E82', alpha=0.4, width=0.4, label='访问总量')
ax1.set_xlabel('季度阶段')
ax1.set_ylabel('访问人数 (人)', color='#345E82')

# 必背核心：克隆 X 轴并生成独立的第二 Y 轴
ax2 = ax1.twinx()
ax2.plot(x, y_rate, color='#AD8060', linewidth=2.5, marker='o', label='转化率')
ax2.set_ylabel('付费转化率 (%)', color='#AD8060')

fig.savefig('twinx_chart.png', dpi=300, bbox_inches='tight')
plt.close(fig)

2. 参考线与特征区间标注

在关键阈值处添加参考虚线或阴影区，能够大幅提升图表的工程解释力：

# 水平参考线 (如合格警戒线)
ax.axhline(y=60, color='#AD8060', linestyle='--', linewidth=1.2, label='及格基线')

# 垂直参考线 (如事件发生时间节点)
ax.axvline(x=4, color='#64748B', linestyle='-.', linewidth=1.2)

# 重点区间阴影覆盖 (如异常波动观察区)
ax.axvspan(xmin=3.5, xmax=5.5, color='#AD8060', alpha=0.15)

3. 高保真导出参数

默认执行 plt.savefig("demo.png") 时，外部坐标标签与标题常因边界留白不足而被直接裁切。请始终按如下参数导出：

fig.savefig(
    'final_report.png', 
    dpi=300,                  # 满足印刷与论文出版级分辨率
    bbox_inches='tight',      # 自动收紧边缘，彻底杜绝文字裁切
    transparent=False,        # 保持不透明白色背景，防止插入文档时反色黑底
    facecolor='#FFFFFF'
)
plt.close(fig)               # 彻底释放画布句柄，杜绝循环批量画图时的内存泄漏

五、工程实践常见问题排查