【数据分析】03 - Matplotlib

【数据分析】03 - Matplotlib

一：基础入门

1：Matplotlib简介

1.1：什么是Matplotlib

Matplotlib 是 Python 中最著名的 2D 绘图库，它提供了一个面向对象的 API 和一系列函数，用于将数据可视化。

最初由 John D. Hunter 于 2003 年创建，现已成为 Python 科学计算生态系统中最核心的可视化工具之一。

主要特点：

1. 跨平台性：可在 Windows、Linux 和 macOS 上运行
2. 多种输出格式：支持 PNG、PDF、SVG、EPS 等多种格式
3. 高度可定制：几乎可以控制图形的每个元素
4. 丰富的图表类型：支持线图、散点图、条形图、直方图、饼图等
5. 与科学计算库集成：与 NumPy、Pandas、SciPy 等无缝协作
6. 交互式功能：支持缩放、平移和更新图形

1.2：Matplotlib架构

Matplotlib 采用三层架构设计，各层职责分明：

Backend 层（后端层） -> 处理与具体显示/输出设备的交互 -> 将 Artist 层生成的图形渲染到屏幕或文件中

主要后端类型如下：

• Agg：用于生成 PNG 等静态图像文件（无显示功能）
• TkAgg：基于 Tkinter 的交互式后端
• QtAgg：基于 Qt 的交互式后端
• GTK：基于 GTK 的交互式后端
• WX：基于 WXWidgets 的交互式后端
• MacOSX：macOS 原生后端
• WebAgg：基于 Web 的后端（可在浏览器中显示）

Artist 层（艺术家层）-> 处理所有高级绘图元素（如线条、文本、图像等）

面向对象接口，提供对图形元素的精细控制

• FigureCanvas：表示绘图区域
• Renderer：知道如何在绘图区域上绘图
• Artist：所有可见元素的基类
  • Figure：顶级容器，包含所有绘图元素
  • Axes：实际的绘图区域，包含坐标轴、标签等
  • Axis：坐标轴，处理刻度、标签等
  • Line2D、Text、Patch 等具体图形元素

Scripting 层（脚本层）-> 提供类似 MATLAB 的简单接口，便于快速绘图

• 状态机接口，保持当前图形和坐标轴的状态
• 适合交互式使用和简单脚本
• 底层仍然使用 Artist 层

主要模块：

• pyplot 模块：提供类似 MATLAB 的绘图命令
• pylab 模块（不推荐使用）：将 pyplot 和 numpy 合并到同一命名空间

2：基本的绘图流程

1. 创建图形 (plt.figure())
2. 创建子图 (plt.subplot()/add_subplot())
3. 绘制简单图形 (plt.plot())
4. 显示图形 (plt.show())

3：图形基本元素

3.1：图形容器Figure

顶级容器，相当于画布

创建一个新的图形窗口或画布

参数	说明
figsize	(宽度, 高度) 英寸为单位
dpi	每英寸点数（分辨率）
facecolor	背景颜色
edgecolor	边框颜色

fig = plt.figure(figsize=(8, 6), dpi=100, facecolor='lightgray')

• 可以包含一个或多个 Axes（子图）

• 控制图形大小、DPI、背景色等全局属性

• 常用方法：

  fig = plt.figure(figsize=(8,6), dpi=100, facecolor='white')
  fig.suptitle('Figure Title')  # 图形总标题
  

3.2：坐标轴系统 - axes

实际的绘图区域（子图）

• 每个 Axes 包含 x 轴和 y 轴

• 真正的绘图函数（如 plot()）都是在 Axes 上调用的

• 创建方法：

  ax = fig.add_subplot(111)  # 1行1列第1个子图
  # 或
  fig, ax = plt.subplots()  # 更现代的创建方式
  

创建子图 - plt.subplot() || fig.add_subplot || plt.subplots

方式一：plt.subplot(nrows, ncols, index)

plt.subplot(2, 2, 1)  # 创建2行2列的第1个子图, 就是创建nrows * ncols个子图，然后index是显示第几个

方式二：fig.add_subplot(nrows, ncols, index)

fig = plt.figure(figsize=(8, 6), dpi=100, facecolor='lightgray')
ax = fig.add_subplot(2, 2, 3)  # 在已创建的图形上添加子图

方式三：plt.subplots(nrows, nrols)

fig, ax = plt.subplots(nrows=2, ncols=2)  # 一次性创建多个子图

3.3：坐标轴 - axis

创建画布 -> 创建子图(坐标轴系统) -> 在子图中绘制坐标轴

实际的坐标轴对象：

• 控制刻度、刻度标签、网格线等

• 包含 XAxis 和 YAxis 两个对象

• 常用定制方法：

  ax.xaxis.set_ticks([0, 1, 2])  # 设置x轴刻度
  ax.yaxis.set_tick_params(rotation=45)  # 旋转y轴标签
  

3.4：其他常用的基本元素

标题和标签

ax.set_title('Subplot Title')  # 子图标题
ax.set_xlabel('X Axis Label')  # x轴标签
ax.set_ylabel('Y Axis Label')  # y轴标签

图例 (Legend)

lines = ax.plot(x, y1, x, y2)
ax.legend(lines, ['Line 1', 'Line 2'], loc='upper right')

网格线 (Grid)

ax.grid(True, linestyle='--', alpha=0.5)  # 显示虚线网格

刻度 (Ticks)

ax.set_xticks([0, 1, 2, 3])  # 设置x轴刻度位置
ax.set_xticklabels(['A', 'B', 'C', 'D'])  # 设置刻度标签

注释 (Annotation)

ax.annotate('Important Point', xy=(2,1), xytext=(3,1.5),
            arrowprops=dict(facecolor='black'))

图形元素 (Shapes)

# 矩形
rect = plt.Rectangle((0.5,0.5), 0.2, 0.4, color='green')
ax.add_patch(rect)

# 圆形
circle = plt.Circle((0.5,0.5), 0.1, color='red')
ax.add_patch(circle)

图形保存

plt.savefig('output.png', dpi=300, bbox_inches='tight')

二：核心绘图功能

1：基本图表类型

图表类型	适用场景	不适用场景
折线图	趋势分析、时间序列	非连续数据
散点图	相关性分析、分布观察	大数据集(需采样)
柱状图	类别比较、离散数据	连续数据分布
直方图	数据分布、概率密度	类别数据
饼图	比例展示、组成分析	多类别(>6)、精确比较
箱线图	统计分布、异常值检测	展示具体数据点

1.1：折线图plot

显示数据随时间或有序类别的变化趋势

plt.plot(x, y, fmt, **kwargs) 

plt.plot()是matplotlib中最基础且最常用的函数之一，用于绘制二维图形

x, y参数

必须参数，数据点的 x 坐标和 y 坐标

• 可以是列表、元组或 numpy 数组
• 如果只提供 y 值，x 值会自动生成为 [0, 1, 2, …, len(y)-1]

fmt

格式字符串由颜色、标记和线型三部分组成，格式为：[marker][line][color]，顺序任意。

颜色 (color):

• 'b': 蓝色
• 'g': 绿色
• 'r': 红色
• 'c': 青色
• 'm': 洋红
• 'y': 黄色
• 'k': 黑色
• 'w': 白色

标记 (marker):

• '.': 点
• ',': 像素
• 'o': 圆圈
• 'v': 下三角
• '^': 上三角
• '<': 左三角
• '>': 右三角
• 's': 正方形
• 'p': 五边形
• '*': 星形
• 'h': 六边形1
• 'H': 六边形2
• '+': 加号
• 'x': x符号
• 'D': 菱形
• 'd': 小菱形
• '|': 垂直线
• '_': 水平线

线型 (linestyle):

• '-': 实线
• '--': 虚线
• '-.': 点划线
• ':': 点线
• 'None' 或 ' ': 无线

常用关键字参数

• color 或 c: 线条颜色 (可以接受十六进制颜色码如 '#FF0000')
• linestyle 或 ls: 线型
• linewidth 或 lw: 线宽 (浮点数)
• marker: 标记样式
• markersize 或 ms: 标记大小
• markerfacecolor 或 mfc: 标记填充色
• markeredgecolor 或 mec: 标记边缘色
• markeredgewidth 或 mew: 标记边缘宽度
• label: 图例标签
• alpha: 透明度 (0-1)
• zorder: 绘图顺序 (数值大的显示在上层)

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)  # 最简单的折线图
plt.show()

plt.plot(x, y, 'ro--')  # 红色圆圈标记，虚线
plt.plot(x, y, 'g^:', linewidth=2, markersize=8)  # 绿色上三角标记，点线


plt.plot(x, y, color='blue', linestyle='-', linewidth=2, 
         marker='o', markersize=6, markerfacecolor='red', 
         label='sin(x)')


y2 = np.cos(x)
plt.plot(x, y, 'b-', label='sin(x)')
plt.plot(x, y2, 'r--', label='cos(x)')
plt.legend()

# 设置数据点之间的插值方式
plt.plot(x, y, drawstyle='steps-post')  # 阶梯图

# 使用不同的缩放
plt.plot(x, y, '-', x, y*2, '--')  # 同时绘制两条线

line, = plt.plot(x, y, 'b-')
line.set_linestyle(':')  # 之后将线改为点线
line.set_color('r')      # 改为红色

1.2：散点图scatter

展示两个变量之间的关系，发现数据分布、聚类或异常值

plt.scatter(x, y, s=None, c=None, marker=None, **kwargs)

• x, y: 数据点坐标
• s: 点的大小（标量或与x,y同长度的数组）
• c: 点颜色（颜色字符串或颜色序列）
• marker: 点形状，如 'o', 's', '^' 等

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 随机生成数据 - 50个点
x = np.random.rand(50)
y = np.random.rand(50)
# 随机生成颜色和尺寸
colors = np.random.rand(50)
sizes = 1000 * np.random.rand(50)

# alpha参数控制透明度
plt.scatter(x, y, c=colors, s=sizes, alpha=0.5)
plt.colorbar()  # 显示颜色条
plt.title('散点图示例')
plt.show()

1.3：柱状图bar/barh

特征	垂直柱状图	水平柱状图	直方图
坐标方向	垂直	水平	垂直
适用场景	类别比较	长标签/排名	数据分布
X轴	类别标签	数值	数值区间
Y轴	数值	类别标签	频数/频率

垂直柱状图最适合比较少量类别间的数值差异，当类别标签较长或类别较多时，建议改用水平柱状图

垂直柱状图 - bar

比较不同类别的离散数据

# x -> 柱子的x坐标（类别位置）-> 可以是标量序列（如列表、数组）或类别标签
# height -> 柱子的高度（数值）
# width -> 柱子宽度（默认0.8）, 范围在0-1之间，大于1会导致柱子重叠
# bottom -> 柱子底部基准（用于堆叠柱状图）
# align -> 柱子对齐方式 -> 'center'：以x坐标为中心（默认）-> 'edge'：以x坐标为左边缘
# color/facecolor：柱子填充色 -> 可接受颜色名称、十六进制或RGB值
# edgecolor：边框颜色
# linewidth/lw：边框宽度
# alpha：透明度（0-1）
# label：图例标签
plt.bar(x, height, width=0.8, bottom=None, **kwargs)

# ============== 示例 ======================
import matplotlib.pyplot as plt
import numpy as np

# 定义横纵坐标的内容
categories = ['Apple', 'Banana', 'Orange', 'Grape']
values = [23, 45, 56, 12]

# 柱子的颜色是skyblue， 边框颜色是black
plt.bar(categories, values, color='skyblue', edgecolor='black')
# 标题，x标签，y标签
plt.title('Fruit Sales')
plt.xlabel('Fruit Type')
plt.ylabel('Sales Quantity')
# grid样式
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

如果是多组柱状图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

categories = ['Apple', 'Banana', 'Orange', 'Grape']
values = [23, 45, 56, 12]

n = len(categories)
width = 0.35  # 柱子宽度

# 第一组数据
plt.bar(np.arange(n) - width/2, values, width, label='2022')
# 第二组数据
plt.bar(np.arange(n) + width/2, [x*1.2 for x in values], width, label='2023')

plt.xticks(np.arange(n), categories)  # 设置x轴标签
plt.legend()
plt.show()

如果是堆叠柱状图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

categories = ['Apple', 'Banana', 'Orange', 'Grape']
values = [23, 45, 56, 12]

bottom_values = [20, 30, 40, 10]
top_values = [15, 20, 25, 8]

plt.bar(categories, bottom_values, label='Base')
plt.bar(categories, top_values, bottom=bottom_values, label='Bonus')
plt.legend()
plt.show()

水平柱状图 (barh)

# y：柱子的y坐标（类别位置） -> 可以是标量序列或类别标签
# width：柱子的宽度（数值）
# height：柱子高度（默认0.8）-> 相当于垂直柱状图中的width参数
# left：柱子左边缘基准（用于堆叠柱状图）
# align：柱子对齐方式 -> 'center'：以y坐标为中心（默认） -> 'edge'：以y坐标为下边缘
# color/facecolor：柱子填充色 -> 可接受颜色名称、十六进制或RGB值
# edgecolor：边框颜色
# linewidth/lw：边框宽度
# alpha：透明度（0-1）
# label：图例标签
plt.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

# ========== 举一个例子 =================
import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt

# 定义y -> 类别
categories = ['金融服务', '医疗健康', '教育培训', '电子商务']
# 定义x -> 数值
values = [120, 85, 65, 110]

plt.barh(categories, values, color='lightgreen', edgecolor='darkgreen')
plt.title('行业投资金额（百万美元）')
plt.xlabel('投资金额')
plt.ylabel('行业类别')
plt.grid(axis='x', linestyle='--', alpha=0.6)
plt.tight_layout()
plt.show()

同理，多组的水平柱状图如下

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

categories = ['金融服务', '医疗健康', '教育培训', '电子商务']
values = [120, 85, 65, 110]

n = len(categories)
height = 0.35  # 柱子高度

# 第一组数据（左侧）
plt.barh(np.arange(n) - height/2, values, height, label='2022')
# 第二组数据（右侧）
plt.barh(np.arange(n) + height/2, [x*1.3 for x in values], height, label='2023')

plt.yticks(np.arange(n), categories)
plt.legend()
plt.tight_layout()
plt.show()

1.4：直方图hist

基础直方图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 生成随机数据 - 1000个数据
data = np.random.normal(0, 1, 1000)  # 均值为0，标准差为1的正态分布

# 绘制基础直方图
# 创建一个figure对象，并设置大小为8 x 6
plt.figure(figsize=(8, 6))
# 创建直方图，bins表示直方图的柱数，color表示柱的颜色，edgecolor表示柱的边框颜色
plt.hist(data, bins=30, color='steelblue', edgecolor='white')

# 添加标题和标签
plt.title('基础直方图示例', fontsize=14)
plt.xlabel('数值范围', fontsize=12)
plt.ylabel('频数', fontsize=12)

# 添加网格线
plt.grid(axis='y', alpha=0.3)

plt.show()

可以自定义一些直方图的参数

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 生成随机数据 - 1000个数据
data = np.random.normal(0, 1, 1000)  # 均值为0，标准差为1的正态分布

plt.figure(figsize=(8, 6))

# 更多自定义参数
plt.hist(data,
         bins=50,                   # 柱子数量
         range=(-3, 3),             # 数值范围
         density=True,              # 显示密度而非频数
         color='#FF6B6B',           # 柱子颜色
         edgecolor='#4D96FF',       # 边缘颜色
         linewidth=1.2,             # 边缘线宽
         alpha=0.7,                 # 透明度
         histtype='stepfilled',     # 直方图类型
         label='正态分布')          # 图例标签

plt.title('自定义参数直方图', fontsize=14)
plt.xlabel('数值', fontsize=12)
plt.ylabel('概率密度', fontsize=12)
plt.legend(fontsize=10)
plt.grid(axis='y', linestyle='--', alpha=0.5)

plt.show()

可以多组直方图进行比较

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 生成多组数据
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1.5, 800)
data3 = np.random.normal(-2, 0.8, 1200)

plt.figure(figsize=(10, 6))

# 绘制多组直方图
plt.hist(data1, bins=30, alpha=0.5, label='组1: μ=0, σ=1')
plt.hist(data2, bins=30, alpha=0.5, label='组2: μ=2, σ=1.5')
plt.hist(data3, bins=30, alpha=0.5, label='组3: μ=-2, σ=0.8')

plt.title('多组数据直方图比较', fontsize=14)
plt.xlabel('数值', fontsize=12)
plt.ylabel('频数', fontsize=12)
plt.legend(fontsize=10)
plt.grid(axis='y', alpha=0.3)

plt.show()

还可以直方图配合密度曲线

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

plt.figure(figsize=(10, 6))

data = np.random.normal(loc=0, scale=1, size=1000)

# 绘制直方图
plt.hist(data, bins=30, density=True,
         color='lightgreen',
         edgecolor='black',
         alpha=0.7,
         label='直方图')

# 添加核密度估计曲线
sns.kdeplot(data, color='red', linewidth=2, label='密度曲线')

# 添加理论正态分布曲线
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = norm.pdf(x, np.mean(data), np.std(data))
plt.plot(x, p, 'k--', linewidth=1.5, label='理论正态分布')

plt.title('直方图与密度曲线', fontsize=14)
plt.xlabel('数值', fontsize=12)
plt.ylabel('密度', fontsize=12)
plt.legend(fontsize=10)

plt.show()

1.5：饼图pie

基础饼图

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 数据准备
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]  # 各部分大小
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']  # 颜色

# 绘制饼图
plt.figure(figsize=(8, 6))
plt.pie(sizes,
        labels=labels,
        colors=colors,
        autopct='%1.1f%%',  # 显示百分比格式
        startangle=90)  # 起始角度

# 添加标题
plt.title('基础饼图示例', fontsize=14)

# 显示为圆形(防止压缩变形)
plt.axis('equal')
plt.show()

可以通过属性，添加突出和阴影效果

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 数据准备
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]  # 各部分大小
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']  # 颜色

# 突出显示某一块(这里突出第2块)
explode = (0, 0.1, 0, 0)

plt.figure(figsize=(8, 6))
plt.pie(sizes,
        explode=explode,  # 突出显示
        labels=labels,
        colors=colors,
        autopct='%1.1f%%',
        shadow=True, # 阴影效果
        startangle=90)

plt.title('带阴影和突出显示的饼图', fontsize=14)
plt.axis('equal')
plt.show()

如果是环形图，其实就是在饼图的基础上上面在画一个圆

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 数据准备
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]  # 各部分大小
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']  # 颜色

# 突出显示某一块(这里突出第2块)
explode = (0, 0.1, 0, 0)

plt.figure(figsize=(8, 6))

# 先画饼图
pie = plt.pie(sizes,
              labels=labels,
              colors=colors,
              autopct='%1.1f%%',
              startangle=90)

# 添加一个白色圆形在中心
centre_circle = plt.Circle((0, 0), 0.7, color='white')
fig = plt.gcf()
fig.gca().add_artist(centre_circle)

plt.title('环形图(甜甜圈图)示例', fontsize=14)
plt.axis('equal')
plt.show()

1.6：箱线图boxplot

箱线图（又称盒须图）是展示数据分布特征的重要工具，可以直观显示数据的中位数、四分位数、异常值等统计信息

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 生成随机数据
np.random.seed(42)
data = np.random.normal(loc=0, scale=1, size=100)

# 绘制基础箱线图
plt.figure(figsize=(8, 6))
plt.boxplot(data, patch_artist=True)  # patch_artist=True允许填充颜色

# 添加标题和标签
plt.title('基础箱线图', fontsize=14)
plt.ylabel('数值', fontsize=12)
plt.xticks([1], ['数据集'])  # 设置x轴标签

plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

当然还可以自定义样式

import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
import seaborn as sns

# 设置中文字体，确保图表中的中文能够正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统使用黑体
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 创建一个新的图像，指定大小
plt.figure(figsize=(10, 6))

# 生成三组正态分布的随机数据，用于绘制箱线图
np.random.seed(42)
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(2, 1.5, 100)
data3 = np.random.normal(-1, 0.8, 100)
all_data = [data1, data2, data3]

# 定义箱线图中箱子的颜色
colors = ['#FF9F43', '#48CFAD', '#4FC1E9']

# 绘制自定义样式的箱线图
box = plt.boxplot(all_data,
                 patch_artist=True,  # 允许自定义填充颜色
                 labels=['组1', '组2', '组3'],  # 设置每个数据组的标签
                 widths=0.6,          # 箱体宽度
                 showmeans=True,      # 显示均值
                 meanline=True,       # 均值显示为线
                 showfliers=True,     # 显示异常值
                 flierprops=dict(      # 异常点样式
                     marker='o',
                     markerfacecolor='red',
                     markersize=8,
                     markeredgecolor='none'),
                 medianprops=dict(     # 中位数线样式
                     color='white',
                     linewidth=2),
                 meanprops=dict(       # 均值线样式
                     color='yellow',
                     linewidth=2),
                 whiskerprops=dict(    # 须线样式
                     color='gray',
                     linewidth=1.5),
                 capprops=dict(       # 箱体顶端线样式
                     color='gray',
                     linewidth=1.5))

# 为每个箱子设置颜色和透明度
for patch, color in zip(box['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.8)  # 设置透明度

# 添加图表标题和y轴标签
plt.title('自定义样式的箱线图', fontsize=14)
plt.ylabel('数值分布', fontsize=12)

# 添加网格，便于观察数据分布
plt.grid(axis='y', linestyle='--', alpha=0.5)

# 显示图表
plt.show()

2：多子图绘制

前面已经介绍过了 subplot 函数和 subplots 函数，下面看看还有那些绘制子图的知识点

2.1：GridSpec 高级布局

GridSpec是Matplotlib中用于创建复杂子图布局的强大工具，它比简单的subplot()或subplots()函数提供了更精细的控制。

GridSpec不是直接创建子图的函数，而是一个指定网格布局的类，然后你可以在这个网格的特定位置创建子图。

1. 创建GridSpec对象，指定网格的行数和列数
2. 使用subplot()函数并传入GridSpec的切片来创建子图

import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec

fig = plt.figure(figsize=(10, 6))

# 创建2行3列的网格
gs = GridSpec(2, 3, figure=fig)

# 在网格的不同位置创建子图
ax1 = fig.add_subplot(gs[0, 0])  # 第一行第一列
ax2 = fig.add_subplot(gs[0, 1:])  # 第一行第二和第三列
ax3 = fig.add_subplot(gs[1, :2])  # 第二行第一和第二列
ax4 = fig.add_subplot(gs[1, 2])  # 第二行第三列

# 添加一些示例内容
ax1.plot([1, 2, 3], [1, 2, 3])
ax2.bar(['A', 'B', 'C'], [3, 7, 2])
ax3.scatter([1, 2, 3], [3, 2, 1])
ax4.pie([15, 30, 45, 10], labels=['A', 'B', 'C', 'D'])

plt.tight_layout()
plt.show()

高级设置 - 调整子图间距

gs = GridSpec(2, 2, figure=fig, 
              width_ratios=[1, 2],  # 列宽度比例
              height_ratios=[2, 1],  # 行高度比例
              wspace=0.4,  # 列间距
              hspace=0.3)  # 行间距

高级设置 - 跨越多行/列的子图

gs = GridSpec(3, 3, figure=fig)

# 创建跨越多行/列的子图
ax1 = fig.add_subplot(gs[:2, :])  # 占据前两行所有列
ax2 = fig.add_subplot(gs[2, :2])  # 占据第三行前两列
ax3 = fig.add_subplot(gs[2, 2])   # 占据第三行第三列

再举一个复杂的例子

import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
import numpy as np


def grid_spec_test():
    # 创建一个Figure对象, 并设置大小为10x8
    fig = plt.figure(figsize=(10, 8))
    # 创建一个GridSpec对象, 宽高比为1:1, 4 * 4
    gs = GridSpec(4, 4, figure=fig)

    # 主图占据前3行和前3列
    ax_main = fig.add_subplot(gs[:3, :3])

    # 右侧颜色条占据前3行第4列
    ax_color = fig.add_subplot(gs[:3, 3])

    # 底部直方图占据第4行前3列
    ax_hist = fig.add_subplot(gs[3, :3])

    # 生成一些数据
    x = np.random.randn(1000)
    y = np.random.randn(1000)

    # 在主图中绘制散点图
    sc = ax_main.scatter(x, y, c=np.sqrt(x ** 2 + y ** 2), alpha=0.6)

    # 添加颜色条
    plt.colorbar(sc, cax=ax_color)

    # 在底部绘制直方图
    ax_hist.hist(x, bins=30, alpha=0.7)

    plt.tight_layout()
    plt.show()


if __name__ == '__main__':
    grid_spec_test()

2.2：嵌套子图

嵌套子图是Matplotlib中创建复杂布局的高级技术，它允许你在一个主图中嵌入多个子图，或者在一个子图中再创建子图

基本创建方式

# 使用`add_axes()`手动定位
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 8))

# 主图
main_ax = fig.add_subplot(111)
main_ax.plot([1, 2, 3], [1, 2, 3], 'r-')

# 在(0.2, 0.6)位置创建嵌套子图，宽度和高度为0.2
inset_ax = fig.add_axes([0.2, 0.6, 0.2, 0.2])  # [left, bottom, width, height]
inset_ax.plot([1, 2, 3], [3, 2, 1], 'b--')
inset_ax.set_title('嵌套子图')

plt.show()


# 使用inset_axes()方法
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1.inset_locator import inset_axes

fig, ax = plt.subplots(figsize=(8, 6))
ax.plot([1, 2, 3], [1, 2, 3])

# 在主图中创建嵌套子图
inset_ax = inset_axes(ax, 
                     width="30%",  # 宽度为主图的30%
                     height="20%",  # 高度为主图的20%
                     loc='upper right')  # 位置在右上角

inset_ax.plot([1, 2, 3], [3, 2, 1], 'g-')
inset_ax.set_title('使用inset_axes创建')

高级嵌套技术

# 多级嵌套子图
import matplotlib.pyplot as plt
fig = plt.figure(figsize=(12, 8))

# 一级主图
main_ax = fig.add_subplot(111)
main_ax.plot([0, 1, 2], [0, 1, 0], 'k-')

# 二级嵌套子图
inset1 = fig.add_axes([0.2, 0.6, 0.3, 0.3])
inset1.plot([1, 2, 3], [1, 3, 1], 'b-')

# 三级嵌套子图（在二级子图中再嵌套）
inset2 = inset1.inset_axes([0.5, 0.5, 0.4, 0.4])
inset2.plot([1, 2], [2, 1], 'r--')
inset2.set_title('三级嵌套')

plt.show()


# 使用GridSpec实现嵌套布局
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec

fig = plt.figure(figsize=(10, 8))

# 外层GridSpec：1行2列
outer_gs = GridSpec(1, 2, figure=fig, width_ratios=[3, 1])

# 内层GridSpec：2行1列（用于左侧主区域）
inner_gs = GridSpec(2, 1, figure=fig, 
                   left=0.05, right=0.65,  # 定位
                   hspace=0.3)  # 行间距

# 创建子图
main_ax1 = fig.add_subplot(inner_gs[0])
main_ax2 = fig.add_subplot(inner_gs[1])
side_ax = fig.add_subplot(outer_gs[1])

# 填充内容
main_ax1.plot([1, 2, 3], [1, 2, 1])
main_ax2.scatter([1, 2, 3], [3, 1, 2])
side_ax.bar(['A', 'B', 'C'], [2, 3, 1])

plt.show()

实用嵌套模式

# 放大局部区域
import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(8, 6))

x = np.linspace(0, 10, 1000)
y = np.sin(x) * np.exp(-x/10)
ax.plot(x, y)

# 创建放大区域
inset_ax = inset_axes(ax, width="40%", height="30%", loc='upper right')
inset_ax.plot(x, y)
inset_ax.set_xlim(4, 6)  # 放大x=4到6的区域
inset_ax.set_ylim(0.2, 0.5)

# 添加连接线
from mpl_toolkits.axes_grid1.inset_locator import mark_inset
mark_inset(ax, inset_ax, loc1=2, loc2=4, fc="none", ec="0.5")

plt.show()


# 仪表板式嵌套布局
fig = plt.figure(figsize=(12, 10))

# 定义布局：主图+3个小图
main_ax = fig.add_axes([0.1, 0.3, 0.6, 0.6])  # 主图
small1 = fig.add_axes([0.75, 0.7, 0.2, 0.2])  # 右上小图
small2 = fig.add_axes([0.75, 0.4, 0.2, 0.2])  # 右中小图
small3 = fig.add_axes([0.1, 0.1, 0.6, 0.15])  # 底部长图

# 填充内容
x = np.linspace(0, 2*np.pi, 100)
main_ax.plot(x, np.sin(x), label='sin(x)')
main_ax.plot(x, np.cos(x), label='cos(x)')
main_ax.legend()

small1.pie([15, 30, 45, 10], labels=['A', 'B', 'C', 'D'])
small2.barh(['X', 'Y', 'Z'], [3, 7, 2])
small3.hist(np.random.randn(1000), bins=30)

plt.show()

嵌套子图的样式控制

# 边框和背景控制
fig, ax = plt.subplots()

# 创建嵌套子图并设置样式
inset_ax = inset_axes(ax, width="30%", height="30%", loc='lower left',
                     borderpad=2,  # 边框间距
                     bbox_to_anchor=(0.4, 0.4),  # 锚点位置
                     bbox_transform=ax.transAxes)  # 使用轴坐标

inset_ax.plot([1, 2, 3], [3, 1, 2])
inset_ax.set_facecolor('lightgray')  # 背景色
inset_ax.spines['top'].set_linestyle('--')  # 上边框虚线
inset_ax.spines['right'].set_visible(False)  # 隐藏右边框

plt.show()


# 共享坐标轴
fig, axs = plt.subplots(2, 1, figsize=(8, 6))

# 在第一个子图中创建嵌套子图
inset_ax = axs[0].inset_axes([0.6, 0.6, 0.3, 0.3])

# 共享x轴
shared_inset = axs[1].inset_axes([0.1, 0.6, 0.3, 0.3], sharex=axs[1])

# 填充内容
axs[0].plot([1, 2, 3], [1, 2, 1])
inset_ax.plot([1.5, 2.5], [1.5, 1.5], 'r-')

axs[1].plot(np.arange(10), np.random.rand(10))
shared_inset.plot(np.arange(3, 7), np.random.rand(4), 'g--')

plt.show()

3：图形样式设置

3.1：颜色设置

Matplotlib 提供了多种方式来指定颜色：

import matplotlib.pyplot as plt
import numpy as np

# 1. 使用预定义的颜色名称
plt.plot([1, 2, 3], color='red')

# 2. 使用十六进制颜色代码
plt.plot([1, 2, 3], color='#FF5733')

# 3. RGB或RGBA元组 (值在0-1之间)
plt.plot([1, 2, 3], color=(0.1, 0.2, 0.5, 0.8))  # RGBA

# 4. 使用灰度字符串 (0-1之间的字符串)
plt.plot([1, 2, 3], color='0.75')  # 75%灰度

# 5. 使用CN颜色循环中的颜色
plt.plot([1, 2, 3], color='C1')  # 使用颜色循环中的第二个颜色

Matplotlib 支持所有标准的HTML/CSS颜色名称，如：

• 基本颜色：'red', 'green', 'blue', 'cyan', 'magenta', 'yellow', 'black', 'white'
• 灰色调：'gray', 'lightgray', 'darkgray'
• 其他：'orange', 'purple', 'pink', 'brown'

同时还可以进行颜色映射：

x = np.linspace(0, 10, 100)
y = np.sin(x)
colors = np.linspace(0, 1, len(x))

# 使用colormap
plt.scatter(x, y, c=colors, cmap='viridis')
plt.colorbar()  # 显示颜色条

常用colormap：

• 顺序型：'viridis', 'plasma', 'inferno', 'magma', 'cividis'
• 发散型：'coolwarm', 'bwr', 'seismic'
• 循环型：'twilight', 'hsv'

3.2：线型设置

基本线型如下：

# 实线 (默认)
plt.plot([1, 2, 3], linestyle='-')  # 或 '-'

# 虚线
plt.plot([1, 2, 3], linestyle='--')  # 或 '--'

# 点划线
plt.plot([1, 2, 3], linestyle='-.')  # 或 '-.'

# 点线
plt.plot([1, 2, 3], linestyle=':')  # 或 ':'

# 无线条 (只显示标记)
plt.plot([1, 2, 3], linestyle='None')  # 或 'None' 或 ''

还可以自定义线型

# 使用元组定义线型 (线段长度, 空白长度, ...)
plt.plot([1, 2, 3], linestyle=(0, (1, 1)))  # 点线
plt.plot([1, 2, 3], linestyle=(0, (5, 5, 1, 5)))  # 自定义点划线

3.3：标记设置

基本标记设置：

# 圆形
plt.plot([1, 2, 3], marker='o')  # 或 'o'

# 方形
plt.plot([1, 2, 3], marker='s')  # 或 's'

# 三角形
plt.plot([1, 2, 3], marker='^')  # 向上三角形

# 其他常见标记
# '+' 加号, 'x' 叉号, '*' 星号, 'D' 钻石形, 'd' 小钻石形, 'p' 五边形

标记大小颜色和样式填充

plt.plot([1, 2, 3], marker='o', markersize=10,  # 或 ms=10
         markerfacecolor='red',  # 标记填充色
         markeredgecolor='blue',  # 标记边缘色
         markeredgewidth=2)  # 标记边缘宽度


plt.plot([1, 2, 3], marker='o', 
         markerfacecolor='none',  # 无填充
         markeredgecolor='blue')

3.4：透明度设置

# global
plt.plot([1, 2, 3], alpha=0.5)  # 50%透明度


# 不同元素的透明度
# 填充区域的透明度
plt.fill_between([1, 2, 3], [1, 2, 1], alpha=0.3)

# 散点图的透明度
plt.scatter(np.random.rand(50), np.random.rand(50), alpha=0.6)

# 条形图的透明度
plt.bar([1, 2, 3], [3, 2, 1], alpha=0.7)

还可以设置图片的透明度

img = np.random.rand(10, 10)
plt.imshow(img, alpha=0.8)

3.5：图形尺寸设置

创建图形时设置尺寸

# 设置图形尺寸 (宽度, 高度) 单位英寸
plt.figure(figsize=(8, 6))  # 8英寸宽，6英寸高

DPI设置

# 设置DPI (每英寸点数)
plt.figure(figsize=(8, 6), dpi=100)

调整现有图形尺寸

fig = plt.gcf()
fig.set_size_inches(10, 5)  # 调整现有图形尺寸

保存图形时的尺寸和DPI

plt.savefig('output.png', dpi=300, bbox_inches='tight')

子图间距调整

plt.subplots_adjust(left=0.1, right=0.9, 
                   bottom=0.1, top=0.9,
                   wspace=0.4, hspace=0.4)

约束布局

# 自动调整布局
plt.figure(constrained_layout=True)

三：高级绘图功能

1：高级图标类型

1.1：面积图stackplot

面积图（stackplot）是一种用于展示多个数据序列累积效果的可视化图表，特别适合显示各部分随时间变化的累积关系。Matplotlib 中的 stackplot() 函数可以方便地创建这种图表。

基本用法

最简单的堆叠面积图

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.arange(1, 6)  # x轴数据
y1 = np.array([1, 2, 3, 4, 5])  # 第一组数据
y2 = np.array([2, 3, 4, 5, 6])  # 第二组数据
y3 = np.array([3, 4, 5, 6, 7])  # 第三组数据

# 绘制堆叠面积图
plt.stackplot(x, y1, y2, y3)
plt.title('基本堆叠面积图')
plt.show()

参数详解

主要参数

• x：x轴数据（1D数组）
• y：y轴数据（多个1D数组或2D数组）
• labels：各系列的标签（用于图例）
• colors：各系列的颜色
• baseline：基线计算方法（‘zero’(默认), ‘sym’, ‘wiggle’, ‘weighted_wiggle’）

完整参数示例

plt.stackplot(x, y1, y2, y3,
              labels=['系列A', '系列B', '系列C'],
              colors=['#FF5733', '#33FF57', '#3357FF'],
              alpha=0.8,  # 透明度
              baseline='zero')  # 基线方法
plt.legend(loc='upper left')
plt.title('带标签和自定义颜色的堆叠面积图')
plt.show()

高级用法

使用DataFrame数据

import pandas as pd

# 创建DataFrame
data = {
    '年份': [2018, 2019, 2020, 2021, 2022],
    '产品A': [200, 220, 250, 270, 300],
    '产品B': [150, 160, 170, 190, 210],
    '产品C': [100, 120, 140, 160, 180]
}
df = pd.DataFrame(data)

# 绘制堆叠面积图
plt.stackplot(df['年份'], df['产品A'], df['产品B'], df['产品C'],
              labels=['产品A', '产品B', '产品C'],
              colors=['#FF9999', '#66B2FF', '#99FF99'])
plt.legend(loc='upper left')
plt.title('使用DataFrame绘制的堆叠面积图')
plt.xlabel('年份')
plt.ylabel('销售额')
plt.show()

自定义基线方法

# 创建数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 四种不同的基线方法
baselines = ['zero', 'sym', 'wiggle', 'weighted_wiggle']

fig, axs = plt.subplots(2, 2, figsize=(12, 8))
axs = axs.flatten()

for ax, baseline in zip(axs, baselines):
    ax.stackplot(x, y1, y2, baseline=baseline)
    ax.set_title(f"基线方法: '{baseline}'")
    ax.set_xlim(0, 2*np.pi)

plt.tight_layout()
plt.show()

边缘线样式设置

# 创建数据
days = np.arange(1, 8)
sleep = [7, 6, 8, 7, 9, 8, 10]
work = [8, 9, 7, 8, 6, 9, 5]
leisure = [9, 9, 9, 9, 9, 7, 9]

# 绘制堆叠面积图并设置边缘线
plt.stackplot(days, sleep, work, leisure,
              labels=['睡眠', '工作', '休闲'],
              colors=['#8ECFC9', '#FFBE7A', '#FA7F6F'],
              edgecolor='black',  # 边缘颜色
              linewidth=0.5)     # 边缘线宽

plt.legend(loc='upper left')
plt.title('每日活动时间分配')
plt.xlabel('星期')
plt.ylabel('小时')
plt.xticks(days, ['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
plt.show()

部分堆叠面积图

# 创建数据
months = np.arange(1, 13)
sales_A = np.random.randint(20, 50, size=12)
sales_B = np.random.randint(10, 30, size=12)
sales_C = np.random.randint(5, 20, size=12)

# 只堆叠B和C，A单独显示
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))

# 上方：全部堆叠
ax1.stackplot(months, sales_A, sales_B, sales_C,
              labels=['产品A', '产品B', '产品C'])
ax1.set_title('完全堆叠面积图')
ax1.legend(loc='upper left')

# 下方：部分堆叠
ax2.plot(months, sales_A, label='产品A', color='#FF5733')
ax2.stackplot(months, sales_B, sales_C,
              labels=['产品B', '产品C'],
              colors=['#33FF57', '#3357FF'])
ax2.set_title('部分堆叠面积图')
ax2.legend(loc='upper left')

plt.tight_layout()
plt.show()

实用技巧

添加数值标签

# 创建数据
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
revenue = [40, 60, 80, 70]
cost = [20, 30, 40, 35]
profit = [20, 30, 40, 35]

# 计算累积高度用于标签位置
cum_height = np.vstack((np.zeros(len(quarters)), 
                       np.array(revenue), 
                       np.array(revenue)+np.array(cost))).T

# 绘制堆叠面积图
plt.stackplot(quarters, revenue, cost, profit,
              labels=['收入', '成本', '利润'],
              colors=['#4CAF50', '#F44336', '#2196F3'])

# 添加数值标签
for i, q in enumerate(quarters):
    plt.text(i, cum_height[i][1]/2, f'{revenue[i]}', ha='center', va='center')
    plt.text(i, cum_height[i][1]+cost[i]/2, f'{cost[i]}', ha='center', va='center')
    plt.text(i, cum_height[i][2]+profit[i]/2, f'{profit[i]}', ha='center', va='center')

plt.legend(loc='upper left')
plt.title('季度财务数据堆叠面积图')
plt.ylabel('金额（万元）')
plt.show()

平滑曲线堆叠面积图

from scipy.interpolate import make_interp_spline

# 原始数据
x = np.array([1, 2, 3, 4, 5])
y1 = np.array([2, 3, 5, 7, 6])
y2 = np.array([3, 4, 6, 4, 7])

# 创建平滑曲线
x_smooth = np.linspace(x.min(), x.max(), 300)
spl1 = make_interp_spline(x, y1, k=3)
spl2 = make_interp_spline(x, y2, k=3)
y1_smooth = spl1(x_smooth)
y2_smooth = spl2(x_smooth)

# 绘制平滑的堆叠面积图
plt.stackplot(x_smooth, y1_smooth, y2_smooth,
              labels=['系列A', '系列B'],
              colors=['#FF9AA2', '#FFB7B2'],
              alpha=0.8)

# 添加原始数据点
plt.scatter(x, y1, color='#FF5D73', zorder=3)
plt.scatter(x, y2+y1, color='#D81159', zorder=3)

plt.legend(loc='upper left')
plt.title('平滑曲线堆叠面积图')
plt.show()

时间序列堆叠面积图

import pandas as pd

# 创建时间序列数据
date_rng = pd.date_range(start='2023-01-01', end='2023-12-31', freq='M')
categories = ['电子产品', '家居用品', '服装']
data = np.random.randint(10, 50, size=(len(date_rng), len(categories)))
df = pd.DataFrame(data, index=date_rng, columns=categories)

# 绘制时间序列堆叠面积图
plt.stackplot(df.index, df['电子产品'], df['家居用品'], df['服装'],
              labels=categories,
              colors=['#7BC8F6', '#FF7373', '#FFA500'])

plt.legend(loc='upper left')
plt.title('2023年各月销售额分布')
plt.ylabel('销售额（万元）')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

1.2：等高线图contour/contourf

等高线图是用于可视化三维数据的二维表示方法，通过等高线展示数据的分布特征。Matplotlib提供contour和contourf两种函数来绘制等高线图，前者绘制线条，后者填充颜色区域。

基本等高线图(contour)

contour函数的基本使用需要三个二维数组：X,Y坐标网格和Z值数据。创建方法如下：

import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
import numpy as np

# plt.rcParams['font.sans-serif'] = ['PingFang']  # Windows系统使用黑体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False


def grid_spec_test():
    # 生成地形数据
    x = np.linspace(-5, 5, 100)
    y = np.linspace(-5, 5, 100)
    X, Y = np.meshgrid(x, y)
    Z = np.sin(np.sqrt(X ** 2 + Y ** 2))  # 圆形波浪地形

    # 绘制地形
    plt.figure(figsize=(10, 6))
    # 通过contourf绘制等值线图
    cf = plt.contourf(X, Y, Z, levels=20, cmap='terrain')
    c = plt.contour(X, Y, Z, levels=20, colors='black', linewidths=0.5)
    plt.clabel(c, inline=True, fontsize=8)
    plt.colorbar(cf, label='高度')
    plt.title('地形高度图')
    plt.xlabel('经度')
    plt.ylabel('纬度')
    plt.show()


if __name__ == '__main__':
    grid_spec_test()

contour会自动选择等高线的数量和位置，也可以通过levels参数手动指定：

# 指定10条等高线
plt.contour(X, Y, Z, levels=10)

# 指定具体等高线位置
plt.contour(X, Y, Z, levels=[0.1, 0.3, 0.5, 0.7, 0.9])

填充等高线图(contourf)

contourf会填充等高线之间的区域，比contour更直观：

plt.contourf(X, Y, Z, levels=10, cmap='RdYlBu')  # 使用红-黄-蓝色图
plt.colorbar()
plt.title('填充等高线图')
plt.show()

可以同时使用contour和contourf增强可视化效果：

# 先绘制填充
cf = plt.contourf(X, Y, Z, levels=10, cmap='coolwarm')

# 再绘制等高线
c = plt.contour(X, Y, Z, levels=10, colors='black', linewidths=0.5)

# 添加等高线标签
plt.clabel(c, inline=True, fontsize=8)

plt.colorbar(cf)
plt.title('组合等高线图')
plt.show()

高级定制选项

线型和颜色

对于contour图，可以自定义线型和颜色：

# 不同等高线使用不同颜色和线型
CS = plt.contour(X, Y, Z, levels=5, 
                colors=('r', 'g', 'b', 'c', 'm'),
                linestyles=('--', '-.', '-', ':', '--'))
plt.clabel(CS, fmt='%1.1f')  # 格式化标签

透明度设置

可以设置填充区域的透明度：

plt.contourf(X, Y, Z, levels=10, alpha=0.6)
plt.contour(X, Y, Z, levels=10, colors='k', linewidths=0.5)

不等间距等高线

可以创建不等间距的等高线来突出特定区域：

levels = [0, 0.1, 0.2, 0.4, 0.6, 0.8, 1.0]
plt.contourf(X, Y, Z, levels=levels, extend='both')  # extend允许超出范围
plt.colorbar()

实际应用示例

地形高度

# 生成地形数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))  # 圆形波浪地形

# 绘制地形
plt.figure(figsize=(10, 6))
cf = plt.contourf(X, Y, Z, levels=20, cmap='terrain')
c = plt.contour(X, Y, Z, levels=20, colors='black', linewidths=0.5)
plt.clabel(c, inline=True, fontsize=8)
plt.colorbar(cf, label='高度')
plt.title('地形高度图')
plt.xlabel('经度')
plt.ylabel('纬度')
plt.show()

温度分布图

# 生成温度数据
x = np.linspace(0, 24, 100)
y = np.linspace(0, 30, 100)
X, Y = np.meshgrid(x, y)
Z = 20 + 10*np.sin(X/2) + 5*np.cos(Y/6)  # 模拟昼夜和季节变化

# 绘制温度分布
plt.figure(figsize=(10, 6))
cf = plt.contourf(X, Y, Z, levels=np.linspace(5, 35, 13), cmap='jet')
c = plt.contour(X, Y, Z, levels=np.linspace(5, 35, 13), colors='k', linewidths=0.5)
plt.clabel(c, inline=True, fmt='%1.0f°C')
plt.colorbar(cf, label='温度 (°C)')
plt.title('温度时空分布')
plt.xlabel('时间 (小时)')
plt.ylabel('天数')
plt.show()

数学函数可视化

# 定义复杂函数
def f(x, y):
    return np.sin(x) * np.cos(y) + np.sin(y/2) * np.cos(x/3)

# 生成数据
x = np.linspace(-2*np.pi, 2*np.pi, 200)
y = np.linspace(-2*np.pi, 2*np.pi, 200)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)

# 绘制函数图像
plt.figure(figsize=(10, 8))
plt.contourf(X, Y, Z, levels=20, cmap='coolwarm')
plt.contour(X, Y, Z, levels=20, colors='k', linewidths=0.3)
plt.colorbar(label='函数值')
plt.title('复杂函数 f(x,y) = sin(x)cos(y) + sin(y/2)cos(x/3)')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True, linestyle='--', alpha=0.5)
plt.show()

常见问题解决

1. 锯齿状等高线：增加网格密度(np.linspace点数)
2. 颜色条范围不合适：使用vmin/vmax参数手动设置范围
3. 标签重叠：调整fmt格式或使用manual参数手动放置
4. 内存不足：对于大数据集，减少网格点数或使用pcolormesh
5. 数值范围过大：考虑对数据取对数(np.log)后再绘图

1.3：3D 绘图mplot3d

Matplotlib的mplot3d工具包提供了丰富多样的三维数据可视化功能，可以创建各种类型的三维图表

方法一：首先可以使用projection="3d"直接构建3d效果，可以拖动

import matplotlib.pyplot as plt
import numpy as np
# from mpl_toolkits.mplot3d import Axes3D

# plt.rcParams['font.sans-serif'] = ['PingFang']  # Windows系统使用黑体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False


def grid_spec_test():
    # 创建图形和三维坐标轴
    fig = plt.axes(projection="3d")
    x = np.linspace(-5, 5, 100)
    y = np.linspace(-5, 5, 100)
    # 生成网格
    X, Y = np.meshgrid(x, y)
    # 计算Z, 创建三维曲面
    Z = np.sin(np.sqrt(X ** 2 + Y ** 2))
    # 绘制
    fig.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
    plt.show()

if __name__ == '__main__':
    grid_spec_test()

方式二：使用Axes3D子图实现

# 创建画布，并在画布上创建对应的3D子图
fig = plt.figure()
ax = Axes3D(fig)
...

1.4：极坐标图polar

极坐标图是一种在极坐标系（半径和角度）而非笛卡尔坐标系（x和y）中绘制的图表，非常适合展示周期性或方向性数据。

要创建极坐标图，需要在创建子图时指定polar=True参数

import numpy as np
import matplotlib.pyplot as plt

# 创建极坐标图
ax = plt.subplot(111, polar=True)

# 生成数据
theta = np.linspace(0, 2*np.pi, 100)  # 角度
r = np.abs(np.sin(5*theta))  # 半径

# 绘制极坐标线图
ax.plot(theta, r)

plt.title('基本极坐标图')
plt.show()

主要极坐标图表类型

极坐标线图：

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, polar=True)

# 生成更复杂的数据
theta = np.linspace(0, 2*np.pi, 200)
r1 = 1 + 0.3*np.sin(8*theta)
r2 = 0.8 + 0.2*np.cos(12*theta)

# 绘制多条极坐标曲线
ax.plot(theta, r1, label='曲线1', lw=2)
ax.plot(theta, r2, label='曲线2', ls='--', lw=2)

# 设置图例位置（转换为极坐标位置）
ax.legend(bbox_to_anchor=(1.1, 1.1))

plt.title('极坐标线图')
plt.show()

极坐标散点图：

plt.figure(figsize=(8, 6))
ax = plt.subplot(111, polar=True)

# 生成随机数据
theta = np.random.uniform(0, 2*np.pi, 50)
r = np.random.uniform(0, 1, 50)
colors = theta  # 使用角度值作为颜色
sizes = 100 * r**2  # 使用半径值决定点大小

# 绘制极坐标散点图
sc = ax.scatter(theta, r, c=colors, s=sizes, 
                cmap='hsv', alpha=0.7)

# 添加颜色条
plt.colorbar(sc, label='角度值')

plt.title('极坐标散点图')
plt.show()

极坐标柱状图（风玫瑰图）：

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, polar=True)

# 生成数据 - 16个方向的频率
directions = np.linspace(0, 2*np.pi, 16, endpoint=False)
frequencies = np.random.randint(1, 10, 16)
width = 2*np.pi/16 * 0.8  # 柱宽

# 绘制极坐标柱状图
bars = ax.bar(directions, frequencies, width=width, 
              bottom=0.0, alpha=0.7, 
              color=plt.cm.viridis(frequencies/10))

# 设置角度刻度
ax.set_xticks(directions)
ax.set_xticklabels(['N', '', 'NE', '', 'E', '', 'SE', '', 
                    'S', '', 'SW', '', 'W', '', 'NW', ''])

plt.title('风玫瑰图（极坐标柱状图）')
plt.show()

极坐标填充图：

plt.figure(figsize=(8, 6))
ax = plt.subplot(111, polar=True)

theta = np.linspace(0, 2*np.pi, 100)
r = 2 + np.sin(5*theta)

# 填充极坐标曲线下方的区域
ax.fill(theta, r, 'skyblue', alpha=0.6)
ax.plot(theta, r, 'b-', lw=2)

plt.title('极坐标填充图')
plt.show()

高级极坐标图定制

极坐标网格和刻度定制：

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, polar=True)

theta = np.linspace(0, 2*np.pi, 100)
r = np.exp(0.1*theta)

ax.plot(theta, r)

# 自定义径向网格和标签
ax.set_rgrids([1, 2, 3, 4, 5], angle=45, 
              labels=['1x', '2x', '3x', '4x', '5x'],
              color='gray', linestyle='--')

# 自定义角度网格
ax.set_thetagrids(np.arange(0, 360, 45), 
                 labels=np.arange(0, 360, 45))

# 设置径向范围
ax.set_rlim(0, 6)

plt.title('自定义网格的极坐标图')
plt.show()

多极坐标子图：

fig = plt.figure(figsize=(12, 6))

# 第一个子图
ax1 = fig.add_subplot(121, polar=True)
theta = np.linspace(0, 2*np.pi, 100)
r1 = np.abs(np.sin(3*theta))
ax1.plot(theta, r1)
ax1.set_title('3叶玫瑰线')

# 第二个子图
ax2 = fig.add_subplot(122, polar=True)
r2 = np.abs(np.cos(4*theta))
ax2.plot(theta, r2, color='red')
ax2.set_title('4叶玫瑰线')

plt.tight_layout()
plt.show()

极坐标等高线图：

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, polar=True)

# 生成网格数据
theta = np.linspace(0, 2*np.pi, 100)
r = np.linspace(0, 3, 100)
T, R = np.meshgrid(theta, r)
Z = ((R**2 - 1)**2)

# 绘制极坐标等高线图
contour = ax.contour(T, R, Z, levels=10, cmap='rainbow')

# 添加标签
ax.clabel(contour, inline=True, fontsize=8)

plt.title('极坐标等高线图')
plt.show()

实际应用示例

雷达图（蜘蛛网图）：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

# plt.rcParams['font.sans-serif'] = ['PingFang']  # Windows系统使用黑体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False


def grid_spec_test():
    fig = plt.figure(figsize=(8, 6))
    ax = fig.add_subplot(111, polar=True)

    # 数据 - 五个维度的评分
    categories = ['速度', '力量', '技巧', '防守', '耐力']
    values1 = [4, 3, 5, 2, 4]
    values2 = [3, 4, 2, 3, 4]
    N = len(categories)

    # 闭合数据
    values1 += values1[:1]
    angles1 = np.linspace(0, 2 * np.pi, N, endpoint=False).tolist()
    angles1 += angles1[:1]
    values2 += values2[:1]
    angles2 = np.linspace(0, 2 * np.pi, N, endpoint=False).tolist()
    angles2 += angles2[:1]

    # 绘制雷达图
    ax.plot(angles1, values1, 'b-', linewidth=2, label='球员A')
    ax.fill(angles1, values1, 'b', alpha=0.2)
    ax.plot(angles2, values2, 'r-', linewidth=2, label='球员B')
    ax.fill(angles2, values2, 'r', alpha=0.2)

    # 设置角度刻度
    ax.set_xticks(angles1[:-1])
    ax.set_xticklabels(categories1)
    ax.set_xticks(angles2[:-1])
    ax.set_xticklabels(categories2)

    # 设置径向刻度
    ax.set_yticks([1, 2, 3, 4, 5])
    ax.set_ylim(0, 5)

    plt.title('运动员能力雷达图')
    plt.legend(loc='upper right')
    plt.show()

if __name__ == '__main__':
    grid_spec_test()

24小时极坐标时钟图：

fig = plt.figure(figsize=(8, 8))
ax = fig.add_subplot(111, polar=True)

# 生成24小时数据
hours = np.linspace(0, 2*np.pi, 24, endpoint=False)
activity = np.random.randint(1, 10, 24)

# 绘制柱状图
bars = ax.bar(hours, activity, 
              width=2*np.pi/24*0.8,
              color=plt.cm.plasma(activity/10),
              edgecolor='k')

# 设置时钟样式
ax.set_theta_zero_location('N')  # 0度在顶部
ax.set_theta_direction(-1)  # 顺时针方向
ax.set_xticks(hours)
ax.set_xticklabels(range(24))
ax.set_rgrids([2, 4, 6, 8], angle=0)

plt.title('24小时活动极坐标图')
plt.show()

常见问题与技巧

1. 角度方向控制：

   ax.set_theta_direction(-1)  # 顺时针方向
   ax.set_theta_zero_location('N')  # 0度在顶部
   

2. 径向标签位置：

   ax.set_rlabel_position(135)  # 径向标签放在135度位置
   

3. 极坐标与笛卡尔坐标转换：

   # 极坐标转笛卡尔坐标
   x = r * np.cos(theta)
   y = r * np.sin(theta)
   

4. 处理负半径值：

   • 负半径会显示在相反方向的角度上
   • 可以使用np.abs()处理数据，如果不需要这种特性

5. 极坐标图保存：

   plt.savefig('polar_plot.png', dpi=300, bbox_inches='tight', transparent=True)
   

极坐标图是展示周期性数据、方向性数据和多变量比较的理想选择。通过合理设置角度、径向参数以及颜色映射，可以创建出信息丰富且美观的可视化图表。

1.5：热力图imshow/pcolor

热力图是一种用颜色矩阵展示数据值的二维可视化方法，Matplotlib提供了imshow和pcolor两种主要函数来创建热力图

imshow是最常用的热力图函数，适合显示规则的二维数组数据：

import numpy as np
import matplotlib.pyplot as plt

# 创建数据（10x10的随机矩阵）
data = np.random.rand(10, 10)

# 基础热力图
plt.figure(figsize=(8, 6))
plt.imshow(data)
plt.colorbar()  # 添加颜色条
plt.title('基础imshow热力图')
plt.show()

plt.imshow(data,
          cmap='viridis',      # 颜色映射
          interpolation='nearest',  # 插值方式
          aspect='auto',       # 纵横比('auto','equal',数字)
          origin='upper',      # 原点位置('upper','lower')
          vmin=0, vmax=1,      # 颜色范围限制
          alpha=0.8)           # 透明度

pcolor和更高效的pcolormesh适合非均匀网格数据：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

# plt.rcParams['font.sans-serif'] = ['PingFang']  # Windows系统使用黑体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False


def grid_spec_test():
    # 创建非均匀网格数据
    x = np.arange(0, 10, 1)
    y = np.arange(0, 15, 1.5)
    X, Y = np.meshgrid(x, y)
    Z = np.sin(X) + np.cos(Y)

    # pcolormesh绘图
    plt.figure(figsize=(10, 6))
    plt.pcolormesh(X, Y, Z,
                   shading='auto',  # 着色方式('auto','flat','gouraud')
                   cmap='coolwarm')
    plt.colorbar(label='数值')
    plt.title('pcolormesh热力图')
    plt.xlabel('X轴')
    plt.ylabel('Y轴')
    plt.show()

if __name__ == '__main__':
    grid_spec_test()

2：动画和交互

2.1：基本动画

Matplotlib的动画功能主要通过animation模块实现，可以创建各种动态可视化效果。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(8, 5))
x = np.linspace(0, 2*np.pi, 200)
line, = ax.plot(x, np.sin(x))
ax.set_ylim(-1.5, 1.5)

# 动画更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame/10))  # 更新y数据
    return line,

# 创建动画
ani = FuncAnimation(fig, update, frames=100, 
                   interval=50, blit=True)

plt.title('正弦波动画')
plt.show()

可以保存为gif或者mp4

# 保存为GIF需要安装pillow
ani.save('sine_wave.gif', writer='pillow', fps=20, dpi=100)

# 保存为MP4需要安装ffmpeg
ani.save('sine_wave.mp4', writer='ffmpeg', 
        fps=20, bitrate=1800, dpi=100)

2.2：交互式绘图

缩放和平移

plt.ion()  # 开启交互模式

fig, ax = plt.subplots(figsize=(8, 5))
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')
ax.legend()
# 交互功能会自动启用
plt.title('可缩放平移的图表 (尝试用鼠标操作)')
plt.ioff()  # 关闭交互模式
plt.show()

数据光标功能

from matplotlib.widgets import Cursor

fig, ax = plt.subplots(figsize=(8, 5))
x = np.linspace(0, 10, 100)
y = np.sin(x)
ax.plot(x, y)
# 添加十字光标
cursor = Cursor(ax, horizOn=True, vertOn=True, 
               color='red', linewidth=1)

plt.title('带数据光标的图表 (鼠标移动查看坐标)')
plt.show()

交互式标记点

class ClickMarker:
    def __init__(self, ax):
        self.ax = ax
        self.xs, self.ys = [], []
        self.line, = ax.plot([], [], 'ro', ms=8)
        self.cid = fig.canvas.mpl_connect('button_press_event', self)
    
    def __call__(self, event):
        if event.inaxes != self.ax: return
        self.xs.append(event.xdata)
        self.ys.append(event.ydata)
        self.line.set_data(self.xs, self.ys)
        fig.canvas.draw()

fig, ax = plt.subplots(figsize=(8, 5))
ax.set_xlim(0, 10); ax.set_ylim(-2, 2)
ax.plot(np.linspace(0, 10, 100), np.sin(np.linspace(0, 10, 100)))

click = ClickMarker(ax)
plt.title('点击图表添加标记点')
plt.show()

交互式控件

from matplotlib.widgets import Slider, Button
import matplotlib.pyplot as plt
import numpy as np

# plt.rcParams['font.sans-serif'] = ['PingFang']  # Windows系统使用黑体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS系统
# plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # Linux系统或通用方案

# 解决负号('-')显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

fig, (ax, slider_ax) = plt.subplots(2, 1, 
                                   figsize=(8, 6),
                                   gridspec_kw={'height_ratios': [4, 1]})

x = np.linspace(0, 2*np.pi, 200)
freq_init = 1.0
line, = ax.plot(x, np.sin(freq_init * x))
ax.set_ylim(-1.5, 1.5)

# 创建滑块
slider = Slider(slider_ax, '频率', 0.1, 5.0, 
               valinit=freq_init)

def update(val):
    freq = slider.val
    line.set_ydata(np.sin(freq * x))
    fig.canvas.draw_idle()

slider.on_changed(update)

# 添加重置按钮
reset_ax = plt.axes([0.8, 0.025, 0.1, 0.04])
button = Button(reset_ax, '重置')

def reset(event):
    slider.reset()

button.on_clicked(reset)

plt.title('带交互控件的图表')
plt.tight_layout()
plt.show()

2.3：事件处理

Matplotlib提供了完善的事件处理系统，可以捕获并响应各种用户交互事件。

键盘事件处理

def on_key(event):
    print(f'你按下了: {event.key}')
    if event.key == 'escape':
        plt.close(event.canvas.figure)

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(np.random.rand(10))

fig.canvas.mpl_connect('key_press_event', on_key)
plt.title('尝试按键盘按键 (ESC键退出)')
plt.show()

鼠标事件处理

def on_move(event):
    if event.inaxes:
        print(f'鼠标位置: x={event.xdata:.2f}, y={event.ydata:.2f}')

def on_click(event):
    if event.inaxes:
        print(f'在位置 ({event.xdata:.2f}, {event.ydata:.2f}) 点击了 {event.button} 键')

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(np.random.rand(10))

fig.canvas.mpl_connect('motion_notify_event', on_move)
fig.canvas.mpl_connect('button_press_event', on_click)
plt.title('移动鼠标和点击查看事件')
plt.show()

自定义选取区域

class RegionSelector:
    def __init__(self, ax):
        self.ax = ax
        self.start = None
        self.rect = None
        self.cid_press = fig.canvas.mpl_connect('button_press_event', self.on_press)
        self.cid_release = fig.canvas.mpl_connect('button_release_event', self.on_release)
    
    def on_press(self, event):
        if event.inaxes != self.ax: return
        self.start = (event.xdata, event.ydata)
        self.rect = plt.Rectangle((event.xdata, event.ydata), 
                                0, 0, fill=False, 
                                edgecolor='red', linewidth=2)
        self.ax.add_patch(self.rect)
    
    def on_release(self, event):
        if self.start is None: return
        x0, y0 = self.start
        x1, y1 = event.xdata, event.ydata
        width = x1 - x0
        height = y1 - y0
        print(f'选取区域: x={min(x0,x1):.2f}-{max(x0,x1):.2f}, y={min(y0,y1):.2f}-{max(y0,y1):.2f}')
        self.rect.set_width(width)
        self.rect.set_height(height)
        fig.canvas.draw()
        self.start = None

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(np.random.rand(100))

selector = RegionSelector(ax)
plt.title('鼠标拖拽选取区域')
plt.show()

复杂事件处理示例

class InteractivePlot:
    def __init__(self):
        self.fig, self.ax = plt.subplots(figsize=(10, 6))
        self.x = np.linspace(0, 10, 100)
        self.line, = self.ax.plot(self.x, np.sin(self.x))
        self.fig.canvas.mpl_connect('key_press_event', self.on_key)
        self.fig.canvas.mpl_connect('scroll_event', self.on_scroll)
        self.freq = 1.0
        self.amp = 1.0
        self.ax.set_title("使用↑↓调整频率(当前:1.0), 滚轮调整振幅(当前:1.0)")
    
    def on_key(self, event):
        if event.key == 'up':
            self.freq += 0.1
        elif event.key == 'down':
            self.freq -= 0.1
        self.update_plot()
    
    def on_scroll(self, event):
        if event.button == 'up':
            self.amp += 0.1
        elif event.button == 'down':
            self.amp -= 0.1
        self.update_plot()
    
    def update_plot(self):
        self.line.set_ydata(self.amp * np.sin(self.freq * self.x))
        self.ax.set_title(f"使用↑↓调整频率(当前:{self.freq:.1f}), 滚轮调整振幅(当前:{self.amp:.1f})")
        self.fig.canvas.draw()

interactive_plot = InteractivePlot()
plt.show()