代码语言

知识点思维导图

28 个知识节点

参考资料

Python（22） - 数据可视化

读完后，你应能完成以下任务：

绘制“Python（22） - 数据可视化 / 先建立前端锚点”的关键对象与数据流，解释“差别在于——ECharts 是"声明式塞一份 option"，matplotlib 更像"命令式地往画布上一笔一笔画"。”，并用源码位置、日志或 Trace 标注证据。

为“Python（22） - 数据可视化 / 最小可用：三行画一条折线”设计正常与异常输入，验证“记住这个对照：ECharts 是一份 option 对象，matplotlib 是一串 plt.xxx() 调用，最后 show() 等价于 ECharts 渲染到 DOM。”，输出首个偏差位置与回归测试结果。

实现“Python（22） - 数据可视化 / 关键：matplotlib 有两套 API，别学混”的最小代码或配置，检验“新手看 matplotlib 教程最容易懵，是因为网上代码混用了两种写法。”，输出命令、结果与 Diff，并说明不适用边界。

你在前端画图，第一反应是 ECharts / Chart.js / D3：给个容器、塞一份 option 配置、它就渲染出图。Python 这边对标的就是 matplotlib——数据科学界事实上的"画图标准库"，Pandas、NumPy 的结果几乎都靠它出图。本篇解决三个问题：怎么把一组数字快速画成折线/柱状/散点；matplotlib 那套"看起来很乱"的 API 到底分几种、该用哪种；以及在没有屏幕的后端服务器上怎么把图存成文件。

一、先建立前端锚点

你在前端这么做	matplotlib 对应	说明
`import * as echarts from 'echarts'`	`import matplotlib.pyplot as plt`	引入画图库
`echarts.init(dom)` 拿到实例	`fig, ax = plt.subplots()` 拿到画布+坐标系	创建图
`chart.setOption({...})`	`ax.plot(x, y)` / `ax.bar(...)`	往图里塞数据
浏览器自动渲染到页面	`plt.show()`（弹窗）或 `fig.savefig(...)`（存文件）	输出
`arr.map(...)` 处理完数组再喂给图表	`df.plot()`（Pandas 直接出图）	数据→图一步到位

核心切入点：matplotlib ≈ 后端版的 ECharts/D3。差别在于——ECharts 是"声明式塞一份 option"，matplotlib 更像"命令式地往画布上一笔一笔画"。理解了这个差异，后面那套看着零散的 API 就顺了。

安装：pip install matplotlib。它常和 NumPy（第 20 篇）、Pandas（第 21 篇）一起用，画图的数据来源通常就是它们。

二、最小可用：三行画一条折线

对照你熟悉的 ECharts，本质是同一件事，只是 matplotlib 把"配置"拆成了一行行函数调用：

// ECharts 等价写法：一份声明式 option 塞进去
chart.setOption({
  xAxis: { data: [1, 2, 3, 4, 5] },
  yAxis: {},
  series: [{ type: 'line', data: [2, 5, 3, 8, 7] }]
})

记住这个对照：ECharts 是一份 option 对象，matplotlib 是一串 plt.xxx() 调用，最后 show() 等价于 ECharts 渲染到 DOM。

三、关键：matplotlib 有两套 API，别学混

新手看 matplotlib 教程最容易懵，是因为网上代码混用了两种写法。务必先分清：

3.1 pyplot 状态机接口（plt.xxx）—— 像全局单例画布

plt.plot()、plt.title() 这类直接挂在 plt 上的函数，背后操作的是一个全局"当前图"。你不用拿到任何对象，所有调用都默默作用在那块隐藏的画布上。

这种风格类比 JS 里操作一个全局 canvas 单例：你不传引用，函数内部自己找那块全局画布。写一次性脚本很爽，但多张图并存时容易画串。

3.2 面向对象接口（fig, ax）—— 像拿到 DOM 节点再操作

更推荐、也更可控的写法：先 plt.subplots() 拿到 fig（整张画布）和 ax（坐标系），之后所有操作都明确作用在 ax 上。

这就像前端里 const dom = document.getElementById('chart') 拿到节点再操作，而不是依赖某个全局状态。多子图、复杂布局、在函数里画图返回，一律用 OO 接口。

状态机接口	OO 接口	类比
`plt.plot(...)`	`ax.plot(...)`	全局 canvas vs 拿到的 DOM 节点
`plt.title(...)`	`ax.set_title(...)`	注意 OO 多了 `set_` 前缀
`plt.xlabel(...)`	`ax.set_xlabel(...)`	同上
适合：一次性脚本、Jupyter 速画	适合：多图、库代码、可控布局	——

边界提醒：两套 API 别在同一段代码里乱混。新手常见错误是先 fig, ax = plt.subplots() 又去调 plt.title()，结果标题加到了"当前图"而不是你的 ax 上，看着没生效。本篇之后统一用 OO 接口。

四、四种最常用的图

数据可视化 90% 的场景就这几种。下面都用 OO 接口。

4.1 折线图（趋势）—— ax.plot

4.2 柱状图（对比）—— ax.bar

4.3 散点图（相关性）—— ax.scatter

4.4 直方图（分布）—— ax.hist

直方图和柱状图不一样：柱状图是"每个分类一根柱"，直方图是"把连续数据切成若干区间(bin)，统计每段落了多少个"，用来看分布。

图类型	函数	用来回答	ECharts 里的 type
折线	`ax.plot`	随时间怎么变	`line`
柱状	`ax.bar`	各类别谁高谁低	`bar`
散点	`ax.scatter`	两个量有无相关	`scatter`
直方	`ax.hist`	数据怎么分布	无直接对应，需自己分桶

五、常见定制：标题、坐标、图例、多线

一张图常常要画多条线、加网格、调范围。这些都是 ax 上的方法：

要点：多条线 = 在同一个 ax 上多次 plot，每条给不同 label，最后 ax.legend() 一次性显示图例。这和 ECharts 往 series 数组里塞多项是一个意思。

六、显示 vs 保存：后端服务器没有屏幕

这是前端转后端最容易踩的点。plt.show() 是要"弹窗"的，但你的代码常常跑在没有图形界面的服务器上（比如 FastAPI 接口里生成报表图）。这时候不能 show()，要直接存成文件。

6.1 保存为图片

注意：savefig 要在 show() 之前调用。因为 show() 在某些环境下会清空当前图，之后再 save 可能得到空白图。

6.2 无界面环境：切 Agg 后端

如果服务器连图形库都没装，import matplotlib.pyplot 可能直接报错或卡住。解决办法是在导入 pyplot 之前指定一个不依赖屏幕的后端 Agg：

类比理解：浏览器里 ECharts 必须有 DOM 容器才能渲染；Agg 后端相当于给 matplotlib 一块"虚拟离屏 canvas"，画完直接导出图片，全程不需要真实窗口。

七、和 Pandas 联动：一行出图

实际数据分析里，数据基本都在 Pandas 的 DataFrame 里（第 21 篇）。DataFrame 自带 .plot()，底层就是调 matplotlib，省去手动取列：

df.plot() 会自动把每一列画成一条线、用 index 当横轴、列名当图例——相当于帮你把"取数据 + 配 series"一步做完。快速探查数据时首选它。

八、绕不开的坑：中文显示成方块 □□□

这是中文用户用 matplotlib 的第一个拦路虎：标题、标签里的中文全变成空心方块。WHY：matplotlib 默认字体不含中文字形，找不到就用方块占位。解决办法是显式指定一个系统里有的中文字体：

plt.rcParams 是 matplotlib 的全局配置字典，类比前端的全局主题变量/CSS 变量——改一次，之后所有图都生效。

九、其他易踩的坑

两套 API 混用导致设置不生效（第三节已说，重复强调因为最常见）。拿了 ax 就一路 ax.set_xxx，别中途跳回 plt.title。
plt.show() 在脚本里会阻塞。它会卡住程序直到你手动关掉弹窗，循环里画多张图时尤其坑。批量出图请用 savefig 不用 show。
忘了清理导致图越画越乱。状态机接口下连续画多张图，新图会叠在旧图上。要么每次用独立的 fig, ax = plt.subplots()，要么 plt.close(fig) 关掉上一张释放内存（服务器里循环出图不关会内存泄漏）。
Jupyter 里不用 show() 也能显示。Notebook 环境自动渲染最后一个图对象，但写成 .py 脚本就必须 show() 或 savefig()，别把 Jupyter 习惯带到脚本里。
直方图 hist 当成柱状图 bar 用。bar 要你自己给好每根柱的高度；hist 是给它一堆原始数据、它自己分桶统计。搞反了画出来不对。

十、总结

先建立前端锚点：| 浏览器自动渲染到页面 | plt.show()（弹窗）或 fig.savefig(...)（存文件） | 输出 |
最小可用：三行画一条折线：记住这个对照：ECharts 是一份 option 对象，matplotlib 是一串 plt.xxx() 调用，最后 show() 等价于 ECharts 渲染到 DOM。
关键：matplotlib 有两套 API，别学混：新手看 matplotlib 教程最容易懵，是因为网上代码混用了两种写法。
四种最常用的图：直方图和柱状图不一样：柱状图是"每个分类一根柱"，直方图是"把连续数据切成若干区间(bin)，统计每段落了多少个"，用来看分布。
常见定制：标题、坐标、图例、多线：这和 ECharts 往 series 数组里塞多项是一个意思。
显示 vs 保存：后端服务器没有屏幕：这是前端转后端最容易踩的点。