Python数据可视化：Matplotlib基础与实战技巧-代码聚汇网

Python数据可视化：Matplotlib基础与实战技巧

Wong Kosheng

1. Matplotlib绘图基础与核心概念

Matplotlib是Python生态中最经典的数据可视化库，由John Hunter于2003年创建。作为科学计算领域的事实标准，它提供了类似MATLAB的绘图接口，同时完美支持Numpy数组操作。我在金融数据分析工作中使用Matplotlib已有7年，处理过从简单折线图到复杂3D建模的各种场景。

核心架构分为三层：

Backend层：处理与操作系统图形界面的底层交互（如Agg、GTK、Qt等）
Artist层：负责图形元素的绘制和样式控制（Figure、Axes、Line2D等对象）
Scripting层：面向用户的pyplot模块，提供快速绘图API

安装只需一行命令：

bash复制pip install matplotlib

重要提示：在Jupyter Notebook中使用时，需添加%matplotlib inline魔法命令才能显示图形。如果是交互式开发，推荐使用%matplotlib notebook获得缩放平移等交互功能。

2. 基础图形绘制实战

2.1 折线图绘制与样式控制

折线图是展示时间序列数据的首选。以下示例展示如何绘制带自定义样式的正弦曲线：

python复制import numpy as np
import matplotlib.pyplot as plt

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

plt.figure(figsize=(10, 5))  # 设置画布尺寸
plt.plot(x, y, 
         color='#FF6B6B',   # 十六进制颜色
         linewidth=3,       # 线宽
         linestyle='--',    # 虚线样式
         marker='o',        # 数据点标记
         markersize=8,      # 标记尺寸
         label='sin(x)')    # 图例标签

plt.title("正弦函数曲线", fontsize=14, pad=20)  # pad调整标题间距
plt.xlabel("X轴", fontsize=12)
plt.ylabel("Y轴", fontsize=12)
plt.grid(alpha=0.3)  # 网格线透明度
plt.legend(loc='upper right')  # 图例位置
plt.tight_layout()  # 自动调整子图间距
plt.show()

样式控制要点：

颜色支持多种格式：颜色名称（'red'）、十六进制值（'#FF6B6B'）、RGB元组（(1,0,0)）
线型常用选项：'-'实线、'--'虚线、':'点线、'-.'点划线
标记样式：'o'圆形、's'方形、'^'三角形等20余种

2.2 柱状图与分组展示

比较不同类别数据时，柱状图比折线图更直观。下面是分组柱状图的实现方法：

python复制labels = ['2020', '2021', '2022']
sales_A = [23, 45, 37]
sales_B = [34, 30, 41]

x = np.arange(len(labels))  # 生成位置索引
width = 0.35  # 柱宽

fig, ax = plt.subplots(figsize=(8,6))
rects1 = ax.bar(x - width/2, sales_A, width, label='产品A', 
                color='#4ECDC4', edgecolor='black', linewidth=1)
rects2 = ax.bar(x + width/2, sales_B, width, label='产品B',
                color='#FF6B6B', edgecolor='black', linewidth=1)

# 添加数据标签
def autolabel(rects):
    for rect in rects:
        height = rect.get_height()
        ax.annotate(f'{height}',
                    xy=(rect.get_x() + rect.get_width() / 2, height),
                    xytext=(0, 3),  # 垂直偏移
                    textcoords="offset points",
                    ha='center', va='bottom')

autolabel(rects1)
autolabel(rects2)

ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.set_ylabel('销售额（万元）')
ax.set_title('年度产品销售额对比')
ax.legend()
fig.tight_layout()

分组柱状图技巧：

使用np.arange生成位置索引，通过±width/2实现分组偏移
edgecolor和linewidth参数为柱体添加描边更美观
annotate方法添加数据标签时，注意xytext的偏移量单位是points

3. 高级可视化技巧

3.1 多子图与组合图形

使用plt.subplots()可以创建复杂的多子图布局。下面的例子展示2x2网格中包含四种不同类型的图形：

python复制fig, axs = plt.subplots(2, 2, figsize=(12, 10))

# 子图1：散点图
x = np.random.randn(100)
y = x + np.random.randn(100)*0.5
axs[0,0].scatter(x, y, alpha=0.6, c=np.arctan2(y, x), cmap='hsv')
axs[0,0].set_title('彩色散点图')

# 子图2：饼图
sizes = [15, 30, 45, 10]
labels = ['A组', 'B组', 'C组', 'D组']
explode = (0, 0.1, 0, 0)  # 突出第二块
axs[0,1].pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
             shadow=True, startangle=90)
axs[0,1].axis('equal')  # 保证饼图是圆形
axs[0,1].set_title('占比分析')

# 子图3：直方图
mu, sigma = 100, 15
data = mu + sigma * np.random.randn(1000)
axs[1,0].hist(data, bins=30, density=True, alpha=0.6, color='g')
axs[1,0].set_title('正态分布直方图')

# 子图4：箱线图
np.random.seed(10)
data = [np.random.normal(0, std, 100) for std in range(1,4)]
axs[1,1].boxplot(data, vert=True, patch_artist=True,
                labels=['组1', '组2', '组3'])
axs[1,1].set_title('分组箱线图')

fig.suptitle('多类型图形组合展示', y=1.02, fontsize=16)
plt.tight_layout()

子图布局经验：

figsize参数应根据子图数量合理设置，避免图形挤压
tight_layout()自动调整间距，也可手动指定subplots_adjust参数
共享坐标轴可通过sharex/sharey参数实现

3.2 3D图形绘制

Matplotlib支持基本的3D可视化，需要先导入mplot3d工具包：

python复制from mpl_toolkits import mplot3d

fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')

# 生成数据
theta = np.linspace(0, 2*np.pi, 100)
z = np.linspace(0, 10, 100)
r = z**2 + 1
x = r * np.sin(theta)
y = r * np.cos(theta)

# 绘制3D螺旋线
ax.plot3D(x, y, z, 'blue', linewidth=3, label='螺旋线')

# 添加3D散点
z = np.random.rand(50)*10
x = np.sin(z) + np.random.rand(50)*0.3
y = np.cos(z) + np.random.rand(50)*0.3
ax.scatter3D(x, y, z, c=z, cmap='viridis', s=100, label='散点')

ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
ax.set_title('3D图形示例', pad=20)
ax.legend()

# 调整视角
ax.view_init(elev=30, azim=45)  # 仰角30度，方位角45度
plt.tight_layout()

3D绘图注意事项：

交互式环境中可使用鼠标拖动旋转视角
复杂3D场景建议使用Mayavi或Plotly等专业库
view_init参数控制初始视角，elev是仰角，azim是方位角

4. 样式美化与输出控制

4.1 使用样式表快速美化

Matplotlib内置了多种专业设计的样式表，一键切换整体风格：

python复制print(plt.style.available)  # 查看可用样式

plt.style.use('seaborn-darkgrid')  # 应用样式

x = np.linspace(0, 10, 100)
plt.figure(figsize=(10,5))
for i in range(1,5):
    plt.plot(x, np.sin(x + i*0.5)*(10-i), 
             label=f'曲线{i}', 
             linewidth=3-i*0.5)
    
plt.title('不同样式表示例', fontsize=14)
plt.legend()
plt.show()

推荐样式组合技巧：

学术论文：seaborn-poster + LaTeX字体
演示报告：seaborn-darkgrid + 高对比度颜色
网页嵌入：ggplot + 离散颜色循环

4.2 输出高质量图片

出版级图片需要调整DPI和输出格式：

python复制fig, ax = plt.subplots(figsize=(8,6))
x = np.random.randn(1000)
ax.hist(x, bins=30, alpha=0.7)

fig.savefig('high_quality.png', 
           dpi=300,          # 打印分辨率
           bbox_inches='tight',  # 去除白边
           facecolor='white',    # 背景色 
           transparent=False,    # 是否透明
           quality=95)           # JPEG质量

输出格式选择指南：

格式	适用场景	优点	缺点
PNG	网页/印刷	无损压缩	文件较大
SVG	矢量图形	无限缩放	不适用复杂图形
PDF	学术论文	矢量质量	兼容性问题
JPEG	照片类	高压缩比	有损质量

5. 常见问题与性能优化

5.1 中文显示问题解决方案

默认情况下Matplotlib不显示中文，可通过以下方式解决：

python复制# 方法1：使用系统字体（推荐）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # Mac
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 方法2：指定字体文件路径
import matplotlib.font_manager as fm
font_path = '/path/to/your/font.ttf'
font_prop = fm.FontProperties(fname=font_path)
plt.title('自定义字体标题', fontproperties=font_prop)

5.2 大数据量绘图优化

当数据点超过10万时，可采用以下策略提升性能：

降采样显示：

python复制def downsample(data, factor):
    return data[::factor]

x = np.linspace(0, 100, 1_000_000)  # 100万点
y = np.sin(x) + np.random.randn(1_000_000)*0.1

plt.plot(downsample(x, 100), downsample(y, 100), 
         alpha=0.5, linewidth=0.5)

使用快速渲染方法：

python复制# 改用scatter的优化版本
plt.hexbin(x, y, gridsize=50, cmap='viridis', bins='log')

启用加速后端：

python复制import matplotlib
matplotlib.use('Agg')  # 非交互式后端

5.3 坐标轴高级控制

精细控制坐标轴能显著提升图表专业性：

python复制fig, ax = plt.subplots(figsize=(10,6))
x = np.linspace(0, 10, 100)
y = np.exp(x)

ax.semilogy(x, y)  # Y轴对数坐标

# 设置主要刻度格式
from matplotlib.ticker import ScalarFormatter
ax.yaxis.set_major_formatter(ScalarFormatter())

# 添加次要刻度
ax.yaxis.set_minor_locator(plt.LogLocator(base=10.0, subs=np.arange(2,10)*0.1))

# 自定义刻度标签
def format_fn(tick_val, tick_pos):
    if tick_val < 1:
        return f"{int(tick_val*100)}%"
    return f"${int(tick_val)}$"

ax.xaxis.set_major_formatter(plt.FuncFormatter(format_fn))

ax.grid(which='both', alpha=0.5)  # 主次刻度都显示网格
ax.set_title('对数坐标轴高级控制', pad=20)

6. 交互功能与动态可视化

6.1 添加交互控件

使用widgets模块创建交互式控件：

python复制from matplotlib.widgets import Slider, Button

fig, ax = plt.subplots(figsize=(10,6))
plt.subplots_adjust(bottom=0.3)  # 为控件留出空间

x = np.linspace(0, 2*np.pi, 1000)
initial_amp = 1.0
line, = ax.plot(x, initial_amp*np.sin(x), lw=2)

ax_amp = plt.axes([0.25, 0.15, 0.65, 0.03])
amp_slider = Slider(
    ax=ax_amp,
    label='振幅',
    valmin=0.1,
    valmax=5.0,
    valinit=initial_amp,
)

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

amp_slider.on_changed(update)

reset_ax = plt.axes([0.8, 0.025, 0.1, 0.04])
reset_button = Button(reset_ax, '重置', hovercolor='0.975')

def reset(event):
    amp_slider.reset()
reset_button.on_clicked(reset)

plt.show()

6.2 动画创建

使用FuncAnimation创建动态可视化：

python复制from matplotlib.animation import FuncAnimation
from IPython.display import HTML

fig, ax = plt.subplots(figsize=(8,6))
x = np.linspace(0, 2*np.pi, 200)
line, = ax.plot(x, np.sin(x), 'r-', linewidth=3)
ax.grid(alpha=0.3)

def animate(i):
    line.set_ydata(np.sin(x + i/10.0))  # 相位移动
    return line,

ani = FuncAnimation(
    fig, animate, frames=100, 
    interval=50, blit=True)

# 在Jupyter中显示
HTML(ani.to_jshtml())

动画优化技巧：

设置blit=True只重绘变化部分提升性能
interval控制帧间隔（毫秒）
输出GIF或MP4时需安装ffmpeg

7. 专业图表案例

7.1 热力图与相关性矩阵

python复制import pandas as pd

# 生成模拟数据
data = pd.DataFrame(np.random.randn(100, 5), 
                   columns=['A', 'B', 'C', 'D', 'E'])
corr = data.corr()

fig, ax = plt.subplots(figsize=(8,6))
im = ax.imshow(corr, cmap='coolwarm', vmin=-1, vmax=1)

# 添加颜色条
cbar = ax.figure.colorbar(im, ax=ax, shrink=0.7)
cbar.ax.set_ylabel('相关系数', rotation=-90, va="bottom")

# 设置刻度标签
ax.set_xticks(np.arange(len(corr.columns)))
ax.set_yticks(np.arange(len(corr.columns)))
ax.set_xticklabels(corr.columns)
ax.set_yticklabels(corr.columns)

# 旋转x轴标签
plt.setp(ax.get_xticklabels(), rotation=45, ha="right",
         rotation_mode="anchor")

# 添加数值标注
for i in range(len(corr.columns)):
    for j in range(len(corr.columns)):
        text = ax.text(j, i, f"{corr.iloc[i, j]:.2f}",
                       ha="center", va="center", color="w")

ax.set_title("变量相关性热力图", pad=20)
fig.tight_layout()

7.2 雷达图绘制

python复制from matplotlib.patches import Circle, RegularPolygon
from matplotlib.path import Path
from matplotlib.projections.polar import PolarAxes
from matplotlib.spines import Spine

def radar_factory(num_vars, frame='circle'):
    theta = np.linspace(0, 2*np.pi, num_vars, endpoint=False)
    
    class RadarAxes(PolarAxes):
        name = 'radar'
        
        def __init__(self, *args, **kwargs):
            super().__init__(*args, **kwargs)
            self.set_theta_zero_location('N')

        def fill(self, *args, closed=True, **kwargs):
            return super().fill(closed=closed, *args, **kwargs)

    return theta, RadarAxes

# 示例数据
data = [
    ['性能指标', '速度', '稳定性', '易用性', '功能', '兼容性'],
    ['产品A', [90, 70, 85, 80, 75]],
    ['产品B', [80, 85, 70, 75, 90]]
]

theta, RadarAxes = radar_factory(len(data[0][1:]), frame='polygon')

fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(projection='radar'))
ax.set_rgrids([20, 40, 60, 80, 100])

for d in data[1:]:
    ax.plot(theta, d[1], label=d[0])
    ax.fill(theta, d[1], alpha=0.25)

ax.set_varlabels(data[0][1:])
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))
plt.title('产品性能雷达图对比', pad=40)

8. 与其他库的集成

8.1 结合Pandas直接绘图

Pandas DataFrame集成了Matplotlib的绘图方法：

python复制import pandas as pd

df = pd.DataFrame({
    '年份': [2015, 2016, 2017, 2018, 2019, 2020],
    '销售额': [23, 45, 37, 52, 61, 58],
    '利润': [5, 7, 8, 9, 12, 11]
})

ax = df.plot(x='年份', y=['销售额', '利润'], 
            kind='bar', 
            secondary_y='利润',
            figsize=(10,6),
            colormap='Paired')

ax.set_ylabel('销售额（万元）')
ax.right_ax.set_ylabel('利润（万元）')
ax.set_title('销售额与利润双轴图')
plt.xticks(rotation=0)
plt.tight_layout()

8.2 在Seaborn中调用Matplotlib

Seaborn是基于Matplotlib的高级封装，可以混合使用：

python复制import seaborn as sns

tips = sns.load_dataset("tips")

g = sns.FacetGrid(tips, col="time", height=4)
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip", hue="sex")
g.add_legend()

# 使用Matplotlib方法添加标题
plt.suptitle('不同时段小费分布', y=1.05)

# 调整子图间距
g.fig.subplots_adjust(wspace=0.3, hspace=0.3)

# 单独设置某个子图
g.axes[0,0].set_title('午餐时段')

9. 实用技巧与最佳实践

9.1 图形元素精确定位

使用transforms模块实现元素精确定位：

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

x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), label='sin(x)')

# 在数据坐标(5,0)处添加箭头
ax.annotate('最小值', xy=(4.7, -1), xytext=(3, -0.5),
            arrowprops=dict(facecolor='black', shrink=0.05),
            bbox=dict(boxstyle="round", fc="w"))

# 使用混合坐标系添加水印
fig.text(0.5, 0.5, '草稿', 
         fontsize=80, color='gray', 
         alpha=0.2, ha='center', va='center',
         transform=fig.transFigure, rotation=30)

plt.legend()
plt.tight_layout()

9.2 自定义颜色映射

创建非线性颜色映射增强可视化效果：

python复制from matplotlib.colors import LinearSegmentedColormap

# 自定义颜色映射
colors = ["#2E86AB", "#F6F5AE", "#F5F749", "#F24236"]
nodes = [0.0, 0.3, 0.7, 1.0]
cmap_custom = LinearSegmentedColormap.from_list(
    "mycmap", list(zip(nodes, colors)))

# 应用示例
x = np.random.randn(1000)
y = np.random.randn(1000)
z = np.sin(x*2) + np.cos(y*2)

plt.figure(figsize=(10,8))
plt.scatter(x, y, c=z, cmap=cmap_custom, s=50, alpha=0.7)
plt.colorbar(label='Z值')
plt.title('自定义颜色映射散点图')
plt.grid(alpha=0.3)

10. 性能监控与调试

10.1 绘图性能分析

使用timeit模块测试不同绘图方法的性能：

python复制import timeit

setup = '''
import numpy as np
import matplotlib.pyplot as plt
x = np.random.rand(100000)
y = np.random.rand(100000)
'''

methods = {
    'scatter': 'plt.scatter(x, y, s=1)',
    'plot': 'plt.plot(x, y, ",", markersize=1)[0]',
    'hexbin': 'plt.hexbin(x, y, gridsize=50, bins="log")'
}

results = {}
for name, code in methods.items():
    t = timeit.timeit(stmt=code, setup=setup, number=10)
    results[name] = t

plt.figure(figsize=(8,5))
plt.bar(results.keys(), results.values(), color=['#4ECDC4', '#FF6B6B', '#45B7D1'])
plt.ylabel('执行时间（秒）')
plt.title('10万数据点不同绘图方法性能对比')
plt.grid(axis='y', alpha=0.3)

10.2 内存使用优化

处理大型数据集时，可采用以下策略减少内存占用：

使用生成器代替数组：

python复制def data_generator(size, chunksize=1000):
    for i in range(0, size, chunksize):
        yield np.random.randn(chunksize)

fig, ax = plt.subplots()
for chunk in data_generator(1000000, 10000):
    ax.plot(chunk, alpha=0.1, color='blue')

释放图形内存：

python复制plt.close('all')  # 关闭所有图形释放内存

使用lru_cache缓存计算结果：

python复制from functools import lru_cache

@lru_cache(maxsize=32)
def compute_expensive_data(params):
    # 复杂计算过程
    return processed_data

11. 扩展功能与高级应用

11.1 地理地图绘制

结合cartopy库实现地理可视化：

python复制import cartopy.crs as ccrs
import cartopy.feature as cfeature

fig = plt.figure(figsize=(12,8))
ax = fig.add_subplot(1,1,1, projection=ccrs.PlateCarree())

ax.add_feature(cfeature.LAND)
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE, linewidth=0.8)
ax.add_feature(cfeature.BORDERS, linestyle=':')

# 添加城市标记
cities = {
    '北京': (116.4, 39.9),
    '上海': (121.47, 31.23),
    '广州': (113.26, 23.12)
}

for name, (lon, lat) in cities.items():
    ax.plot(lon, lat, 'ro', markersize=8, transform=ccrs.PlateCarree())
    ax.text(lon+2, lat, name, transform=ccrs.PlateCarree(),
            bbox=dict(facecolor='white', alpha=0.7))

ax.set_extent([70, 140, 15, 55])  # 设置显示范围
ax.gridlines(draw_labels=True)
plt.title('中国主要城市分布')

11.2 交互式3D体绘制

使用mplot3d实现体数据可视化：

python复制from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(12,10))
ax = fig.add_subplot(111, projection='3d')

# 生成3D高斯分布数据
x, y, z = np.mgrid[-5:5:30j, -5:5:30j, -5:5:30j]
vol = np.sin(x*y*z)/(x*y*z)

# 提取等值面
verts, faces, _, _ = measure.marching_cubes(vol, 0.1)

# 绘制3D表面
ax.plot_trisurf(verts[:,0], verts[:,1], faces, verts[:,2],
                cmap='Spectral', lw=0.1, alpha=0.7)

ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
ax.set_title('3D体数据等值面可视化')
plt.tight_layout()

12. 项目实战：股票数据分析仪表盘

综合应用多种技术创建股票分析仪表盘：

python复制import pandas as pd
import pandas_datareader.data as web
from datetime import datetime

# 获取股票数据
start = datetime(2020,1,1)
end = datetime(2023,1,1)
df = web.DataReader('AAPL', 'yahoo', start, end)

# 创建图形
fig = plt.figure(figsize=(16,12), constrained_layout=True)
gs = fig.add_gridspec(3, 2)

# 子图1：价格走势
ax1 = fig.add_subplot(gs[0, :])
df['Close'].plot(ax=ax1, color='#2E86AB', lw=2)
ax1.set_title('AAPL收盘价走势', pad=20)
ax1.grid(alpha=0.3)

# 子图2：成交量
ax2 = fig.add_subplot(gs[1, 0])
df['Volume'].plot(ax=ax2, kind='area', color='#4ECDC4', alpha=0.6)
ax2.set_title('成交量', pad=15)
ax2.grid(alpha=0.3)

# 子图3：收益率分布
ax3 = fig.add_subplot(gs[1, 1])
returns = df['Close'].pct_change().dropna()
ax3.hist(returns, bins=50, color='#FF6B6B', alpha=0.7, density=True)
ax3.set_title('日收益率分布', pad=15)
ax3.grid(alpha=0.3)

# 子图4：移动平均线
ax4 = fig.add_subplot(gs[2, 0])
df['Close'].rolling(20).mean().plot(ax=ax4, label='20日均线', color='#F24236')
df['Close'].rolling(50).mean().plot(ax=ax4, label='50日均线', color='#45B7D1')
ax4.legend()
ax4.set_title('移动平均线', pad=15)
ax4.grid(alpha=0.3)

# 子图5：相关性热图
ax5 = fig.add_subplot(gs[2, 1])
corr = df[['Open', 'High', 'Low', 'Close', 'Volume']].corr()
im = ax5.imshow(corr, cmap='coolwarm', vmin=-1, vmax=1)
fig.colorbar(im, ax=ax5, shrink=0.6)
ax5.set_xticks(range(len(corr.columns)))
ax5.set_yticks(range(len(corr.columns)))
ax5.set_xticklabels(corr.columns, rotation=45)
ax5.set_yticklabels(corr.columns)
ax5.set_title('价格指标相关性', pad=15)

plt.suptitle('AAPL股票分析仪表盘', y=1.02, fontsize=16)

仪表盘开发要点：

使用gridspec实现复杂布局
各子图保持统一的视觉风格
添加适当的间距和标题层级
选择互补色系增强可读性

13. 输出与分享

13.1 创建可交互HTML

使用mpld3库将图形转换为网页交互形式：

python复制import mpld3

fig, ax = plt.subplots(figsize=(10,6))
x = np.linspace(0, 10, 100)
for i in range(5):
    ax.plot(x, np.sin(x + i), label=f'曲线{i}')

ax.set_title('可交互图形')
ax.legend()
ax.grid(alpha=0.3)

html_str = mpld3.fig_to_html(fig)
with open("interactive_plot.html", "w") as f:
    f.write(html_str)

13.2 嵌入LaTeX文档

配置Matplotlib输出LaTeX兼容的矢量图：

python复制plt.rcParams.update({
    "text.usetex": True,    # 使用LaTeX渲染文本
    "font.family": "serif", # 使用衬线字体
    "font.serif": ["Times"], # Times New Roman
    "font.size": 11         # 字号
})

fig, ax = plt.subplots(figsize=(6,4))
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), label=r'$\sin(x)$')
ax.plot(x, np.cos(x), label=r'$\cos(x)$')

ax.set_xlabel(r'$x$轴', fontsize=12)
ax.set_ylabel(r'$y$轴', fontsize=12)
ax.set_title('三角函数曲线', pad=15)
ax.legend()

fig.savefig('latex_figure.pdf', 
           bbox_inches='tight', 
           pad_inches=0.05)

14. 版本兼容性与维护

14.1 处理API变更

Matplotlib 3.0+的重要变更及应对方案：

默认样式变更：

python复制# 恢复经典样式（兼容旧代码）
plt.style.use('classic')

颜色循环调整：

python复制# 显式设置颜色循环
plt.rcParams['axes.prop_cycle'] = plt.cycler(
    color=['#1f77b4', '#ff7f0e', '#2ca02c'])

3D坐标轴标签：

python复制# 新版本需要单独设置各轴标签
ax.set(xlabel='X', ylabel='Y', zlabel='Z')

14.2 长期维护建议

版本锁定：

python复制# requirements.txt中指定版本
matplotlib==3.6.0

兼容性检查：

python复制print(f"当前Matplotlib版本: {matplotlib.__version__}")
print(f"Backend: {matplotlib.get_backend()}")

弃用警告处理：

python复制import warnings
warnings.filterwarnings('ignore', category=MatplotlibDeprecationWarning)

15. 资源推荐与进阶学习

15.1 官方文档重点

画廊示例：https://matplotlib.org/stable/gallery/index.html
API参考：https://matplotlib.org/stable/api/index.html
教程资源：https://matplotlib.org/stable/tutorials/index.html

15.2 推荐扩展库

库名称	用途	特点
Seaborn	统计可视化	高级API，美观默认样式
Plotly	交互式可视化	丰富图表类型，Web集成
Bokeh	交互式仪表盘	流数据支持，Web嵌入
Mayavi	科学计算3D	大规模数据渲染
HoloViews	多维数据	声明式语法，自动交互

15.3 性能优化工具

Numba加速：

python复制from numba import jit

@jit(nopython=True)
def compute_mandelbrot(width, height, maxiter):
    # 高性能计算实现
    return result

Dask并行处理：

python复制import dask.array as da

x = da.random.random((100000, 100000), chunks=(1000, 1000))
y = x.mean(axis=1).compute()

内存映射文件：

python复制data = np.memmap('large_array.npy', dtype='float32', mode='r', shape=(10000,10000))