Matplotlib 教程：在 Python 中绘制折线图、柱状图与散点图

Q: How do I install Matplotlib?

您可以使用 Python 的包管理器 pip 安装 Matplotlib。打开终端并输入： pip install matplotlib 。如果您在使用 Jupyter 笔记本，可以在代码单元前加感叹号直接运行： !pip install matplotlib 。

Q: How do I create a basic plot in Matplotlib?

下面是一个简单示例。首先需要导入 Matplotlib 库。最常用的模块是 pyplot ，通常以别名 plt 导入： import matplotlib.pyplot as plt 然后可以这样创建一个基础折线图： plt.plot([1, 2, 3, 4]) plt.ylabel('Some Numbers') plt.show() 在此示例中， plt.plot([1, 2, 3, 4]) 用于绘制给定的数字列表。 plt.ylabel('Some Numbers') 设置 y 轴标签， plt.show() 用于显示图表。

在本教程中，我将演示如何使用股票市场数据在 Matplotlib 中创建折线图、柱状图和散点图。教程假设您对NumPy 数组和pandas DataFrame已有一定了解。文中会在出现时解释每个库调用的作用，但重点放在 Matplotlib 本身。

要点速览

Matplotlib 是 Python 的基础绘图库 — 通过 pip install matplotlib 安装，并以 import matplotlib.pyplot as plt 导入
用 plt.plot(x, y) 绘制折线图，用 plt.bar(x, height) 绘制柱状图，用 plt.scatter(x, y) 绘制散点图
使用 plt.show() 显示图表，或用 plt.savefig('filename.png') 保存图表
用 plt.title()、plt.xlabel()、plt.ylabel() 和 color 参数自定义图表
连续数据可使用颜色映射（cmap），多序列图可添加 plt.legend()

什么是 Matplotlib？

Matplotlib 是 Python 中使用最广泛的可视化库，截至 2026 年每月下载量超过 5000 万。它可创建静态、交互式和动画图表，包括折线图、柱状图、散点图、直方图等。多数其他 Python 可视化库（Seaborn、pandas 的绘图功能，甚至Plotly 的部分能力）都构建在 Matplotlib 之上。

Matplotlib 能对每个视觉元素进行精细控制，但这也意味着即便是基础图表往往需要更多代码。如果您更关注快速探索性绘图，Seaborn 提供了更高级的默认样式，开箱即用的效果更好。若需要交互式的网页图表，可以考虑 Plotly Express。

完成本教程后，您将会掌握如何创建如下所示的折线图、柱状图与散点图，并了解自定义的基础操作：选择颜色、添加标签与标题、设置坐标轴范围及将图像保存为文件。

开始使用 Matplotlib

话不多说，让我们加载 Matplotlib，并快速查看本教程使用的数据集。

加载 Matplotlib

在创建任何图表前，您需要导入该库。pyplot 子模块提供了本教程中使用的所有绘图函数。

约定俗成地将 pyplot 起别名为 plt。我还会导入 pandas、NumPy 和 datetime，后续章节会用到。

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from datetime import datetime技术支持

加载道琼斯工业平均指数（DJIA）数据集

Matplotlib 旨在与 NumPy 数组和 pandas 数据帧协同工作。该库可轻松从表格数据生成图形。本教程使用 2022-01-01 至 2022-12-31 的道琼斯工业平均指数（DJIA）历史价格（来源）。您可以在页面上设置日期范围，然后点击“download a spreadsheet”按钮下载。

我们将使用 pandas 加载名为 HistoricalPrices.csv 的 CSV 文件，并通过 .head() 方法查看前几行。

import pandas as pd

djia_data = pd.read_csv('HistoricalPrices.csv')
djia_data.head()技术支持

可以看到数据包含 4 列：Date、Open、High、Low 和 Close。后四列与指数在交易日内的价格相关。下面是每个变量的简要说明。

Date：该行数据所对应的日期。
Open：股市在东部时间上午 9:30 开盘时 DJIA 的价格。
High：当日 DJIA 达到的最高价格。
Low：当日 DJIA 达到的最低价格。
Close：东部时间下午 4:00 收盘时 DJIA 的价格。

作为一个快速清洗步骤，我们需要使用 pandas 的 rename() 方法，因为下载的数据集中列名前多了一个空格。

djia_data = djia_data.rename(columns = {' Open': 'Open', ' High': 'High', ' Low': 'Low', ' Close': 'Close'})技术支持

我们还将 Date 列转换为 datetime 类型，并按日期升序排序。关于数据类型转换的更多内容，请参阅Python 数据类型转换教程。

djia_data['Date'] = pd.to_datetime(djia_data['Date'])
djia_data = djia_data.sort_values(by = 'Date')技术支持

用 Matplotlib 绘制折线图

折线图展示数值在连续维度（最常见的是时间）上的变化。对于时间序列数据，它是首选图表，因为连线能一眼揭示趋势、季节性与异常。

单折线图

我们可以使用 plt.plot() 方法创建折线图，第一个参数是 x 变量，第二个参数是 y 变量。每次创建图表后，都要确保调用 plt.show() 才能看到生成的图形。下面我们可视化 DJIA 的收盘价随时间的变化。

plt.plot(djia_data['Date'], djia_data['Close'])
plt.show()技术支持

可以看到全年走势中，指数在年初处于高位，随后全年上下波动。大约在 10 月达到年内低点，随后在年底出现强劲回升。

多折线图

要在同一张图中展示多条折线，只需在 plt.show() 之前再调用一次 plt.plot()。

plt.plot(djia_data['Date'], djia_data['Open'])
plt.plot(djia_data['Date'], djia_data['Close'])


plt.show()技术支持

全年来看，每个交易日的开盘价与收盘价彼此接近，并无明确的长期“谁总在谁之上”的规律。

添加图例

若要区分每条折线代表的含义，可以添加图例，这会在图的角落生成颜色对应的标签。使用 plt.legend()，并在每次 plt.plot() 调用中添加 label 参数即可。

plt.plot(djia_data['Date'], djia_data['Open'], label = 'Open')
plt.plot(djia_data['Date'], djia_data['Close'], label = 'Close')
plt.legend()
plt.show()技术支持

现在在右上角的默认位置看到了带有指定标签的图例（也可通过 plt.legend() 的 loc 参数指定位置）。

用 Matplotlib 绘制柱状图

柱状图非常适合比较不同类别的数值，尤其便于找出最高与最低的类别。

本节中，我们使用 pandas 的 .groupby() 将数据聚合为每月平均值，以比较 DJIA 的月度表现。若想深入了解分组操作，请参阅Pandas GroupBy 教程。

# Import the calendar package 
from calendar import month_name

# Order by months by chronological order
djia_data['Month'] = pd.Categorical(djia_data['Date'].dt.month_name(), month_name[1:])

# Group metrics by monthly averages
djia_monthly_mean = djia_data \
    .groupby('Month') \
    .mean(numeric_only=True) \
    .reset_index()

djia_monthly_mean.head(6)技术支持

垂直柱状图

我们先创建一个竖向柱状图。使用 plt.bar() 方法，第一个参数为 x 轴变量（Month），height 参数为 y 轴变量（Close）。然后调用 plt.show() 显示图表。

plt.bar(djia_monthly_mean['Month'], height = djia_monthly_mean['Close'])
plt.show()技术支持

可以看到，大多数月份的 DJIA 平均收盘价接近；6 月最低，1 月最高。

柱状图重新排序

如果希望按月度平均收盘价从高到低显示这些柱，可以使用 pandas 的 sort_values() 对数据排序，再用相同的 plt.bar() 方法绘图。

djia_monthly_mean_srtd = djia_monthly_mean.sort_values(by = 'Close', ascending = False)

plt.bar(djia_monthly_mean_srtd['Month'], height = djia_monthly_mean_srtd['Close'])
plt.show()技术支持

这样更易于看出哪些月份平均收盘价最高、哪些最低，也便于跨月份比较与排序。

水平柱状图

有时将柱状图改为横向更易阅读标签。可以使用 plt.barh() 方法实现。

plt.barh(djia_monthly_mean_srtd['Month'], width = djia_monthly_mean_srtd['Close'])
plt.show()技术支持

可以看到，各类别（月份）的标签比竖向时更易阅读，同时仍然便于跨组比较。类别很多时，横向柱状图尤其实用。

用 Matplotlib 绘制散点图

散点图展示两个数值变量之间的关系。每个点代表一条观测，整体形态揭示线性、非线性或无关关系，从而直接影响建模方法的选择。

创建基础散点图

与其他图表类似，散点图可用 pyplot.scatter() 创建，第一个参数是 x 轴变量，第二个参数是 y 轴变量。本例考察 DJIA 的开盘价与收盘价之间的关系。

plt.scatter(djia_data['Open'], djia_data['Close'])
plt.show()技术支持

x 轴为开盘价，y 轴为收盘价。正如预期，开盘价越高，收盘价也越高，二者呈现明显的正相关关系。

添加趋势线

接下来，为图形添加趋势线，以更明确地展示开盘与收盘变量之间的线性关系。我们将使用 numpy 的 polyfit() 与 poly1d()。前者执行最小二乘多项式拟合：第一个参数是 x 变量，第二个是 y 变量，第三个是拟合阶数（1 表示线性）；后者基于系数生成一维多项式类，随后用 plt.plot() 画出趋势线。

z = np.polyfit(djia_data['Open'], djia_data['Close'], 1)
p = np.poly1d(z)


plt.scatter(djia_data['Open'], djia_data['Close'])
plt.plot(djia_data['Open'], p(djia_data['Open']))
plt.show()技术支持

可以看到，背景中的直线紧密跟随散点的趋势，说明开盘与收盘价格之间具有很强的线性关系。开盘价上升时，收盘价通常也以近似线性的速度上升。

设置图表标题与坐标轴标签

图表标题与坐标轴标签有助于读者理解所见数据。Matplotlib 提供 plt.title()、plt.xlabel() 和 plt.ylabel() 来注释图表。下面是在之前的散点图中加入这三者的示例：

plt.scatter(djia_data['Open'], djia_data['Close'])
plt.title('DJIA 2022: Open vs. Close Price')
plt.xlabel('Open Price ($)')
plt.ylabel('Close Price ($)')
plt.show()技术支持

更改颜色

配色影响可读性与重点突出。在 Matplotlib 中，可通过三种方式指定颜色：

命名颜色："red"、"blue"、"steelblue"
十六进制色值："#f4db9a"、"#383c4a"
RGB 元组：(0.49, 0.39, 0.15)、(0.12, 0.21, 0.47)

更改折线颜色

在折线图中，可在 plt.plot() 中使用 color 参数修改颜色。下面将开盘价折线改为“black”，收盘价折线改为“red”。

plt.plot(djia_data['Date'], djia_data['Open'], color = 'black')
plt.plot(djia_data['Date'], djia_data['Close'], color = 'red')
plt.show()技术支持

更改柱形颜色

对于柱状图，可以向 color 参数传入一个列表来指定每个柱的颜色。假设我们想突出 1 月的平均价格，以强调其平均收盘价较强的观点，就可以为该柱赋予唯一的颜色以吸引注意力。

plt.bar(djia_monthly_mean_srtd['Month'], height = djia_monthly_mean_srtd['Close'], color = ['blue', 'gray', 'gray', 'gray', 'gray', 'gray'])
plt.show()技术支持

更改散点颜色

最后，在散点图中，可通过 plt.scatter() 的 color 参数设置点的颜色。我们将 1 月的所有点设为蓝色，其余月份设为灰色，讲述与上图相似的故事。

plt.scatter(djia_data[djia_data['Month'] == 'January']['Open'], djia_data[djia_data['Month'] == 'January']['Close'], color = 'blue')

plt.scatter(djia_data[djia_data['Month'] != 'January']['Open'], djia_data[djia_data['Month'] != 'January']['Close'], color = 'gray')

plt.show()技术支持

使用颜色映射

颜色映射是 Matplotlib 内置的颜色刻度，可将数值映射到颜色渐变（官方文档）。想进一步了解，请参阅我们的Matplotlib 颜色映射教程。颜色映射通常在审美上更协调，并有助于讲述“数值递增”的视觉故事。

在下例中，我们将收盘价（y 变量）传给 c 参数，并通过 cmap 使用 plasma 颜色映射。可以看到，数值越大，颜色越亮、越偏黄；数值较低时则呈现更深的紫色。

plt.scatter(djia_data['Open'], djia_data['Close'], c=djia_data['Close'], cmap = plt.cm.plasma)

plt.show()技术支持

设置坐标轴范围

有时我们希望只观察图中的某个数值区间。例如，如果 DJIA 当前在 30,000 美元附近交易，我们或许只关心该价格附近的表现。可以向 plt.xlim() 与 plt.ylim() 传入元组，分别设置 x 与 y 的范围。元组的第一个值为下限，第二个值为上限。

plt.scatter(djia_data['Open'], djia_data['Close'])
plt.xlim((29000, 34000))
plt.ylim((29000, 34000))
plt.title('DJIA Open vs Close (Zoomed In)')
plt.xlabel('Open Price ($)')
plt.ylabel('Close Price ($)')
plt.show()技术支持

保存图表

当您对图表满意后，可以将其保存为文件。Matplotlib 通过 plt.savefig() 支持 PNG、PDF、SVG 等格式，格式由文件扩展名推断。

最后，我们可以使用 plt.savefig() 保存在 matplotlib 中创建的图表。支持多种文件格式，包括“png”“pdf”“svg”。第一个参数是文件名，格式由扩展名推断（也可用 format 参数覆盖）。

plt.scatter(djia_data['Open'], djia_data['Close'])
plt.savefig('DJIA 2022 Scatterplot Open vs. Close.png')技术支持

总结

本教程介绍了折线图、柱状图与散点图——最常用的三类图表。与 Seaborn 或 Plotly 等更高级的库相比，Matplotlib 的代码更为繁琐，但这种“啰嗦”换来了对图像中每个元素的像素级控制。

接下来，建议继续学习直方图、饼图以及颜色映射。若想系统深入，Introduction to Data Visualization with Matplotlib 课程将在 4 小时内带您掌握子图、样式与分享图形等主题。

Matplotlib 常见问答

What is Matplotlib in Python?

Matplotlib 是 Python 中广受欢迎的可视化库，常用于创建静态、交互式和动画图表。使用 Matplotlib，您只需几行代码就能生成折线图、直方图、柱状图、散点图等。

Why should I use Matplotlib for data visualization?

有几个原因。首先，Matplotlib 十分灵活，支持多种图形类型，并且能很好地与 NumPy、pandas 等众多 Python 库集成。其次，它成熟且应用广泛，拥有强大的社区与丰富的教程资源。最后，由于它基于 Python，您可以将绘图自动化并在数据流水线中高度自定义。

How do I install Matplotlib?

您可以使用 Python 的包管理器 pip 安装 Matplotlib。打开终端并输入：pip install matplotlib。如果您在使用 Jupyter 笔记本，可以在代码单元前加感叹号直接运行：!pip install matplotlib。

How do I create a basic plot in Matplotlib?

下面是一个简单示例。首先需要导入 Matplotlib 库。最常用的模块是 pyplot，通常以别名 plt 导入：

import matplotlib.pyplot as plt技术支持

然后可以这样创建一个基础折线图：

plt.plot([1, 2, 3, 4]) plt.ylabel('Some Numbers') plt.show()技术支持

在此示例中，plt.plot([1, 2, 3, 4]) 用于绘制给定的数字列表。plt.ylabel('Some Numbers') 设置 y 轴标签，plt.show() 用于显示图表。

作者

Kevin Babitz

数据科学作者｜Wayfair 高级技术营销分析师｜宾夕法尼亚大学数据科学硕士（MSE）

主题

Python 数据可视化