前言

接上篇：【Python篇】matplotlib超详细教程-由入门到精通（上篇）

建议把代码复制到pycharm等IDE上面看实际效果，方便理解嗷❤️

第六部分：保存与导出图表

在实际的应用场景中，我们不仅需要在程序中展示图表，有时候还需要将这些图表保存为文件，以便在其他地方使用，比如插入文档、报告或网页中。matplotlib 提供了非常方便的保存图表功能。

6.1 保存为图片文件

matplotlib 可以将生成的图表保存为多种格式的图片文件，比如 PNG、JPG、SVG 等。我们可以通过 savefig() 函数来完成这个操作。

示例：保存图表为 PNG 文件

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加标题
plt.title('保存为 PNG 文件的示例')

# 保存图表为 PNG 文件
plt.savefig('my_plot.png')

# 显示图表
plt.show()

解释：

• plt.savefig('my_plot.png')：将当前的图表保存为名为 my_plot.png 的图片文件。默认保存为 PNG 格式。

关键点：

• savefig() 的参数是文件名，可以指定文件格式。如果没有明确指定格式，它会根据文件名的后缀来确定格式。例如，my_plot.jpg 会保存为 JPG 文件。
• savefig() 可以在 plt.show() 之前或之后调用，但推荐在 plt.show() 之前保存，这样不会受后续图表显示的影响。

6.2 保存为高分辨率图片

有时候我们需要保存高分辨率的图片，比如用于打印或发布。可以通过 dpi 参数设置分辨率。

示例：保存为高分辨率图片

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加标题
plt.title('保存为高分辨率 PNG 文件的示例')

# 保存图表为高分辨率的 PNG 文件，dpi 参数设置分辨率
plt.savefig('high_res_plot.png', dpi=300)

# 显示图表
plt.show()

解释：

• dpi=300：设置图像分辨率为 300 DPI（每英寸像素数），这在出版或打印中通常是常用的高分辨率标准。

6.3 保存为不同文件格式

matplotlib 支持多种文件格式，常见的格式有：

• PNG：位图格式，常用于网页和应用程序中。
• JPG：另一种常用的位图格式，但通常会有压缩损失。
• SVG：矢量图格式，适合在网页中显示，并且在缩放时不会失真。
• PDF：矢量图格式，适合用于打印和高质量展示。

示例：保存为不同文件格式

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加标题
plt.title('保存为多种格式的示例')

# 保存为 PNG 文件
plt.savefig('plot.png')

# 保存为 JPG 文件
plt.savefig('plot.jpg')

# 保存为 SVG 文件
plt.savefig('plot.svg')

# 保存为 PDF 文件
plt.savefig('plot.pdf')

# 显示图表
plt.show()

解释：

• 根据文件的后缀名自动保存为相应的格式。
• 矢量图 (SVG, PDF) 在放大和缩小时不会失真，适合用于需要缩放的场景。

6.4 调整图表的保存尺寸

我们可以通过 figsize 参数来控制保存的图片大小，figsize 以英寸为单位。

示例：设置图片尺寸并保存

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表，并设置图像大小为 10x6 英寸
plt.figure(figsize=(10, 6))

# 绘制图表
plt.plot(x, y)

# 添加标题
plt.title('设置图片尺寸并保存')

# 保存图表为指定尺寸的 PNG 文件
plt.savefig('custom_size_plot.png')

# 显示图表
plt.show()

解释：

• plt.figure(figsize=(10, 6))：设置图像的宽度为 10 英寸，高度为 6 英寸。这样可以控制保存图像的实际尺寸。

6.5 解决中文乱码问题

在绘制带有中文标题或标签的图表时，可能会遇到显示乱码的问题。这是由于 matplotlib 默认使用的字体不支持中文。我们可以通过设置字体来解决这个问题。

示例：解决中文显示乱码

import matplotlib.pyplot as plt

# 导入中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体

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

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 绘制图表，添加中文标题和标签
plt.plot(x, y)
plt.title('折线图示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 显示图表
plt.show()

解释：

• plt.rcParams['font.sans-serif'] = ['SimHei']：设置默认字体为 SimHei（黑体），以支持中文字符显示。
• plt.rcParams['axes.unicode_minus'] = False：避免负号显示为方块。

---

至此，我们已经完成了 matplotlib 的基本操作，并掌握了保存图表的方式。在今后的应用中，可以根据需求保存图表为各种格式，并控制图像的尺寸和分辨率。同时也学会了如何处理中文字符显示的问题。

接下来我们继续深入，学习 matplotlib 的更多高级功能，例如：

• 绘制 3D 图形
• 动态图表
• 动画的创建

---

第七部分：高级图表定制

在实际的数据可视化中，我们可能不仅仅满足于绘制简单的图表。为了让图表更具表现力和可读性，matplotlib 提供了许多高级的定制功能。这部分内容会深入讲解如何控制图表中的各个元素，使其更贴合实际需求。

7.1 设置坐标轴的范围与刻度

有时候，matplotlib 会自动根据数据的范围来设置坐标轴的范围，但这并不总是理想的。在某些场景下，我们可能需要手动调整坐标轴的范围，以突出重点数据。我们可以使用 xlim() 和 ylim() 方法来设置坐标轴的范围。

示例：手动设置坐标轴范围

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 手动设置 X 轴和 Y 轴的范围
plt.xlim(0, 6)  # 设置 X 轴范围为 0 到 6
plt.ylim(0, 30)  # 设置 Y 轴范围为 0 到 30

# 添加标题和坐标轴标签
plt.title('手动设置坐标轴范围的示例')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# 显示图表
plt.show()

解释：

• plt.xlim(0, 6)：设置 X 轴的显示范围为 0 到 6。
• plt.ylim(0, 30)：设置 Y 轴的显示范围为 0 到 30。

拓展：

• 在一些动态数据可视化中，坐标轴范围的设置可以根据实际需要动态调整，从而使得数据更直观。

7.2 自定义坐标轴刻度

除了坐标轴的范围，有时候我们也需要更改刻度的显示，比如让刻度间隔更大或更小，或是使用特定的数字或文本作为刻度标记。

示例：自定义刻度

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义 X 轴和 Y 轴的刻度
plt.xticks([0, 1, 2, 3, 4, 5, 6], ['零', '一', '二', '三', '四', '五', '六'])  # 自定义 X 轴刻度为中文
plt.yticks([0, 5, 10, 15, 20, 25, 30], ['0', '5', '10', '15', '20', '25', '30'])

# 添加标题和坐标轴标签
plt.title('自定义刻度的示例')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# 显示图表
plt.show()

解释：

• plt.xticks()：自定义 X 轴的刻度及显示内容，可以是数字、文本或其他符号。
• plt.yticks()：自定义 Y 轴的刻度及显示内容。

7.3 添加网格线

为了使数据更加清晰直观，特别是在查看大范围的数据时，网格线 (Grid) 是一个很有用的工具。matplotlib 允许我们为图表添加水平和垂直网格线，并可以定制网格线的样式。

示例：添加网格线

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加网格线，并设置样式
plt.grid(True, linestyle='--', color='grey', alpha=0.7)

# 添加标题和坐标轴标签
plt.title('添加网格线的示例')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# 显示图表
plt.show()

解释：

• plt.grid(True)：开启网格线，True 表示显示网格线。
• linestyle：设置网格线的线型，例如虚线 '--'。
• color：设置网格线的颜色。
• alpha：设置网格线的透明度，值为 0 到 1，越接近 1 越不透明。

拓展：

除了基本的添加网格线功能，matplotlib 允许我们对网格线进行更高级的自定义。例如，我们可以单独为 X 轴或 Y 轴添加网格线，改变网格线的密度、样式、颜色等。这些功能特别适用于精细化的图表设计，使数据更容易解读。

7.3.1 为特定轴添加网格线

我们不一定需要为所有的轴都添加网格线。有时，数据只需要在某个特定方向上进行参照。可以通过 axis 参数指定网格线仅应用于 X 轴或 Y 轴。

示例：仅为 Y 轴添加网格线

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 仅为 Y 轴添加网格线
plt.grid(True, axis='y', linestyle='--', color='grey', alpha=0.7)

# 添加标题
plt.title('仅为 Y 轴添加网格线')

# 显示图表
plt.show()

解释：

• axis='y'：表示仅为 Y 轴添加网格线。如果想只为 X 轴添加网格线，可以将 axis 设置为 'x'。
• 这样可以避免图表中过多的视觉干扰，突出某个方向的数据信息。

---

7.3.2 设置网格线的间隔与密度

在某些场景下，默认的网格线密度可能过高或过低。我们可以通过设置主刻度 (major) 和次刻度 (minor) 来控制网格线的间隔与密度。

示例：为次刻度添加网格线

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 设置主刻度和次刻度
plt.minorticks_on()  # 打开次刻度
plt.grid(which='major', linestyle='-', linewidth='0.5', color='black')  # 主刻度网格线
plt.grid(which='minor', linestyle=':', linewidth='0.5', color='grey')   # 次刻度网格线

# 添加标题
plt.title('为次刻度添加网格线')

# 显示图表
plt.show()

解释：

• plt.minorticks_on()：打开次刻度。
• which='major'：设置主刻度的网格线样式。
• which='minor'：设置次刻度的网格线样式。
  

---

7.3.3 自定义网格线的样式与线宽

matplotlib 允许我们通过不同的线型、线宽、颜色等选项，灵活地调整网格线的外观，使其与图表的整体风格保持一致。

示例：自定义网格线的线型与线宽

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义网格线的样式与线宽
plt.grid(True, linestyle='-.', linewidth=2, color='green')

# 添加标题
plt.title('自定义网格线样式与线宽')

# 显示图表
plt.show()

解释：

• linestyle='-.':：使用点划线的样式作为网格线（类似于点划线）。
• linewidth=2: 将网格线的宽度设置为 2，这比默认的线宽更粗，更容易看清。

拓展：

• 在有多个数据系列的复杂图表中，不同的网格线样式有助于将重要数据与背景信息区分开。可以尝试不同的线型，如 '-', '--', ':' 等，调整视觉效果。
• 同时，使用 alpha 参数可以设置网格线的透明度，以避免网格线过于突出影响数据阅读。

---

7.3.4 控制网格线的显示层次 (zorder)

matplotlib 中的每个图形元素都有一个 zorder，决定了它们在图表中的显示顺序。通过控制网格线的 zorder，我们可以确保它们出现在数据线条的上方或下方。

示例：调整网格线的 zorder

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y, zorder=2)  # 数据线条的 zorder 为 2

# 将网格线的 zorder 设置为 1，这样网格线会在数据线的下方
plt.grid(True, linestyle='--', color='grey', zorder=1)

# 添加标题
plt.title('调整网格线的显示层次')

# 显示图表
plt.show()

解释：

• zorder=2: 设置数据线条的显示顺序为 2（较高的顺序）。
• zorder=1: 设置网格线的显示顺序为 1，使其显示在数据线条的下方。
  

拓展：

• 通过调节 zorder，我们可以让网格线与图表中的其他元素保持适当的层次关系。特别是在有多个数据系列和复杂背景的图表中，合理的 zorder 设置可以极大提升图表的可读性。

---

7.4 自定义图例 (Legend)

除了基本的图例位置、字体大小和样式的设置，matplotlib 还提供了更多的自定义选项，帮助我们进一步控制图例的外观和表现形式。在数据可视化中，合理的图例能够帮助读者快速理解图表中的信息。

7.4.1 更改图例边框与透明度

我们可以通过 framealpha 设置图例的透明度，通过 edgecolor 设置边框颜色。

示例：修改图例边框颜色与透明度

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]

# 创建图表
plt.plot(x, y1, label='数据 1', color='blue')
plt.plot(x, y2, label='数据 2', color='green')

# 自定义图例的样式
plt.legend(loc='upper left', fontsize=12, frameon=True, edgecolor='red', framealpha=0.5)

# 添加标题
plt.title('自定义图例边框颜色和透明度')

# 显示图表
plt.show()

解释：

• edgecolor='red'：将图例的边框设置为红色。
• framealpha=0.5：将图例的背景设置为半透明，值越接近 1，透明度越低。

拓展：

• 通过调节 framealpha，我们可以创建更柔和的图例，避免它遮挡住重要的图表内容。
• edgecolor 可以帮助图例在复杂的背景图表中显得更加突出或和谐。
• 

---

7.4.2 使用多个图例

有时候，我们的图表可能需要使用多个图例来区分不同的数据组。为了实现这一点，我们可以在同一张图表中放置多个图例。

示例：多图例展示

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]
y3 = [10, 12, 14, 16, 18]

# 创建图表
line1, = plt.plot(x, y1, label='数据 1', color='blue')
line2, = plt.plot(x, y2, label='数据 2', color='green')

# 为第一个图例自定义样式并放置于图表的左上角
plt.legend(handles=[line1, line2], loc='upper left', title='主要数据')

# 再添加一个数据和图例
line3, = plt.plot(x, y3, label='数据 3', color='red')

# 使用 ax.legend() 来创建第二个图例，并放置于右上角
plt.gca().add_artist(plt.legend(handles=[line1, line2], loc='upper left'))
plt.legend(handles=[line3], loc='upper right', title='附加数据')

# 添加标题
plt.title('多图例展示示例')

# 显示图表
plt.show()

解释：

• handles：指定要展示的线条对象，用于手动选择显示哪些数据系列。
• add_artist()：将第一个图例添加到当前的轴 (axes) 上，这样第二个图例可以独立添加。

拓展：

• 多个图例的使用有助于在一张图表中展示大量数据时，避免混淆，保持数据的清晰和可读性。
• 可以通过 add_artist() 方法将任意自定义的图例或其他元素添加到图表中。

---

7.4.3 动态更新图例

有时，在动态图表中，数据是动态变化的，图例可能需要根据数据的变化实时更新。我们可以通过动态调整图例的位置、内容和样式，使其与图表内容同步变化。

示例：动态更新图例

import matplotlib.pyplot as plt
import numpy as np
import time

# 初始化图表
plt.ion()  # 开启交互模式
fig, ax = plt.subplots()

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

line, = ax.plot(x, y, label='sin(x)')  # 初始图形及图例

legend = ax.legend(loc='upper right')  # 初始化图例

# 动态更新图表
for i in range(50):
    y = np.sin(x + i / 10.0)
    line.set_ydata(y)  # 更新 Y 轴数据
    ax.set_title(f"当前帧: {i}")  # 更新标题
    legend.set_title(f"帧数 {i}")  # 动态更新图例标题
    fig.canvas.draw()  # 重新绘制图表
    fig.canvas.flush_events()  # 刷新图表显示
    time.sleep(0.1)  # 模拟数据变化的时间间隔

plt.ioff()  # 关闭交互模式
plt.show()  # 显示最终图表

解释：

• legend.set_title()：动态更新图例的标题，随时间变化。
• 动态图表和图例的更新通过 canvas.draw() 和 flush_events() 来实现。

拓展：

• 动态图表在展示时间序列数据、监控数据变化时非常有用。通过图例的动态更新，可以使图表更加直观，帮助观众理解图表中的每一帧数据。

---

7.5 设置图表的标题、轴标签、注释和样式

matplotlib 提供了全面的定制选项来设置图表的标题、坐标轴标签和注释。通过调整字体、颜色、大小等参数，我们可以让图表更加清晰易懂。

示例：自定义图表标题与坐标轴标签样式

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义标题和坐标轴标签的样式
plt.title('自定义标题', fontsize=20, fontweight='bold', color='purple')
plt.xlabel('自定义 X 轴标签', fontsize=14, fontstyle='italic', color='blue')
plt.ylabel('自定义 Y 轴标签', fontsize=14, fontstyle='italic', color='red')

# 显示图表
plt.show()

解释：

• fontsize：设置字体大小。
• fontweight：设置字体的粗细（例如 bold 表示加粗）。
• fontstyle：设置字体样式（例如 italic 表示斜体）。
• color：设置字体颜色。

拓展：

• 标题、轴标签和图例的样式定制可以帮助你创建更具个性化的图表，并且可以与企业的品牌风格保持一致。

---

7.6 多坐标轴图表

在一些数据可视化任务中，我们可能需要在一个图表中显示多种不同类型的数据，而这些数据的数值范围有很大差异。为了让不同数据能够清晰显示，我们可以在图表中使用多坐标轴。

示例：双 Y 轴图表

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]  # 第一组数据
y2 = [100, 200, 300, 400, 500]  # 第二组数据

# 创建图表，绘制第一组数据
fig, ax1 = plt.subplots()

ax1.plot(x, y1, 'b-')  # 蓝色实线表示 y1 数据
ax1.set_xlabel('X 轴')  # 设置 X 轴标签
ax1.set_ylabel('Y1 轴', color='b')  # 设置 Y 轴标签
ax1.tick_params('y', colors='b')  # 设置 Y 轴刻度颜色

# 创建第二个 Y 轴，绘制第二组数据
ax2 = ax1.twinx()
ax2.plot(x, y2, 'r--')  # 红色虚线表示 y2 数据
ax2.set_ylabel('Y2 轴', color='r')  # 设置第二个 Y 轴标签
ax2.tick_params('y', colors='r')  # 设置第二个 Y 轴刻度颜色

# 添加标题
plt.title('双 Y 轴图表示例')

# 显示图表
plt.show()

解释：

• ax1.twinx()：创建一个共享 X 轴但有独立 Y 轴的图表。
• tick_params('y', colors='b')：设置 Y 轴刻度颜色与线条颜色匹配。

拓展：

• 这种多坐标轴图表在展示例如温度和湿度、价格和销量等数据时非常有用。通过不同的 Y 轴，我们可以更直观地查看数据变化趋势。

---

7.7 绘制 3D 图形

matplotlib 也支持 3D 图形的绘制，通过 mpl_toolkits.mplot3d 模块，我们可以轻松创建 3D 折线图、3D 散点图等。

示例：绘制 3D 折线图

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

# 创建 3D 图形对象
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 定义数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
z = np.sin(np.sqrt(x**2 + y**2))

# 绘制 3D 折线图
ax.plot(x, y, z)

# 设置标题和轴标签
ax.set_title('3D 折线图示例')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
ax.set_zlabel('Z 轴')

# 显示图表
plt.show()

解释：

• projection='3d'：指定绘制 3D 图形。
• ax.plot(x, y, z)：在三维坐标系中绘制折线图。
• set_zlabel()：设置 Z 轴标签。

拓展：

• 3D 图表适用于展示多维度数据。你可以使用 plot_surface() 来绘制 3D 曲面，或者 scatter() 来绘制 3D 散点图。

---

7.9 创建动画

matplotlib 的 animation 模块可以用来创建简单的动画，特别是在数据动态变化的场景中，动画能够直观展示数据随时间变化的过程。

示例：创建简单动画

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

# 初始化图表
fig, ax = plt.subplots()
x = np.linspace(0, 2 * np.pi, 100)
line, = ax.plot(x, np.sin(x))

# 动画更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))  # 更新 y 数据
    return line,

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

# 显示动画
plt.show()

解释：

• FuncAnimation()：创建动画，frames 表示动画的帧数，interval 表示每帧之间的间隔时间。
• update()：动画每一帧的更新函数，用于动态更新图表数据。

---

以上就是关于【Python篇】matplotlib超详细教程-由入门到精通（下篇）的内容啦，各位大佬有什么问题欢迎在评论区指正，或者私信我也是可以的啦，您的支持是我创作的最大动力！❤️