Python matplotlib深度教程：画图与多图示例

本文主要介绍了Python的matplotlib库用于数据可视化的基础使用方法，包括绘制基本图形、多图绘制以及直方图的制作。 在Python的数据分析和可视化领域，matplotlib是一个非常重要的库，它提供了丰富的图形绘制功能。首先，我们需要导入matplotlib.pyplot模块，通常简称为plt，以及用于数值计算的numpy库。 ```python import matplotlib.pyplot as plt import numpy as np ``` 一个简单的绘图例子是绘制一条正弦曲线。通过numpy的`arange`函数生成x轴上的等差序列，然后利用`sin`函数计算对应的y值，最后使用`plot`函数绘制图形。同时，我们可以添加x轴和y轴的标签以及图形的标题： ```python t = np.arange(0.0, 2.0, 0.01) s = np.sin(2 * np.pi * t) plt.plot(t, s) plt.xlabel('时间 (s)') plt.ylabel('电压 (mV)') plt.title('简单示例') ``` 为了显示图形，调用`show`函数。若想保存图形，可以使用`savefig`函数，例如保存为PNG格式的文件： ```python plt.savefig("test.png") plt.show() ``` 对于绘制多张图，可以使用`subplot`函数来创建多个子图。例如，创建2行1列的布局，分别绘制两个图形： ```python plt.subplot(2, 1, 1) # 第一张图的绘制代码... plt.subplot(2, 1, 2) # 第二张图的绘制代码... plt.show() ``` 此外，matplotlib还支持绘制直方图。以下是一个创建正态分布直方图的例子： ```python mu = 100 # 正态分布的均值 sigma = 15 # 标准差 x = mu + sigma * np.random.randn(10000) # 生成随机数据 plt.hist(x, bins=50, density=True, alpha=0.6, color='g') plt.xlabel('值') plt.ylabel('概率密度') plt.title('正态分布直方图') plt.show() ``` 在这个例子中，`hist`函数用于绘制直方图，`bins`参数指定分箱的数量，`density=True`表示返回的是概率密度，`alpha`控制透明度，`color`设置填充颜色。 通过以上内容，我们可以了解到matplotlib的基本使用，包括绘制单一图形、多图以及直方图，这些都是进行数据分析和展示的重要工具。在实际应用中，还可以结合其他参数和方法，如改变线条样式、调整坐标轴范围、添加图例等，以实现更复杂、更具交互性的数据可视化。