Matplotlib 数据可视化

SunnyFan大约 14 分钟约 4240 字

Matplotlib 数据可视化

简介

Matplotlib 是 Python 最经典的数据可视化库，支持折线图、柱状图、散点图、饼图等几乎所有常见图表类型。它是数据分析和科学计算的标配可视化工具。

Matplotlib 的架构分为三层：(1) 后端层（Backend）——负责将图表渲染到屏幕或文件，支持 TkAgg、Qt5Agg、Agg（非交互式）等多种后端；(2) 艺术家层（Artist）——所有可见元素都是 Artist 对象，包括 Figure、Axes、Line2D、Text 等；(3) 脚本层（Pyplot）——matplotlib.pyplot 模块提供类似 MATLAB 的状态机接口，是最常用的编程接口。理解这三层关系有助于在需要精细控制时直接操作 Artist 对象。

特点

1.图表类型丰富 — 折线/柱状/散点/热力图等
2.高度可定制 — 颜色/字体/布局均可调整
3.多子图 — 一张画布多个图表
4.导出格式 — PNG/SVG/PDF
5.面向对象 — 可直接操作 Figure 和 Axes
6.样式系统 — 内置和自定义样式表

全局配置与中文字体

import matplotlib.pyplot as plt
import matplotlib as mpl

# 方式一：全局 rcParams 设置（影响所有图表）
plt.rcParams['font.sans-serif'] = ['SimHei']       # 中文字体
plt.rcParams['axes.unicode_minus'] = False           # 正常显示负号
plt.rcParams['figure.dpi'] = 100                     # 默认 DPI
plt.rcParams['figure.figsize'] = (8, 6)              # 默认尺寸
plt.rcParams['savefig.dpi'] = 150                    # 保存 DPI
plt.rcParams['savefig.bbox'] = 'tight'               # 保存时自动裁剪
plt.rcParams['axes.grid'] = True                     # 默认显示网格
plt.rcParams['grid.alpha'] = 0.3                     # 网格透明度

# 方式二：使用样式表（推荐）
# 查看所有可用样式
print(plt.style.available)
# 使用内置样式
plt.style.use('seaborn-v0_8-whitegrid')  # 类 Seaborn 风格

# 方式三：创建自定义样式文件
# 在项目目录下创建 my_style.mplstyle
# 内容示例:
# figure.figsize: 10, 6
# axes.titlesize: 14
# axes.labelsize: 12
# font.sans-serif: SimHei, Microsoft YaHei
# axes.unicode_minus: False
# lines.linewidth: 2
# axes.grid: True
# grid.alpha: 0.3
# 然后使用: plt.style.use('my_style.mplstyle')

# 方式四：上下文管理器临时切换样式
with plt.style.context('ggplot'):
    fig, ax = plt.subplots()
    ax.plot([1, 2, 3], [1, 4, 9])
    plt.title('临时使用 ggplot 样式')
    plt.savefig('ggplot_temp.png')
    plt.close()

# 重置为默认样式
plt.style.use('default')

基础图表

折线图

import matplotlib.pyplot as plt
import numpy as np

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 折线图
months = ['1月', '2月', '3月', '4月', '5月', '6月']
sales = [120, 150, 180, 165, 200, 220]
costs = [80, 95, 110, 100, 130, 140]

plt.figure(figsize=(10, 6))
plt.plot(months, sales, 'b-o', label='销售额', linewidth=2, markersize=8)
plt.plot(months, costs, 'r--s', label='成本', linewidth=2, markersize=8)
plt.fill_between(months, sales, costs, alpha=0.2, color='green')

plt.title('月度销售额与成本对比', fontsize=16)
plt.xlabel('月份', fontsize=12)
plt.ylabel('金额（万元）', fontsize=12)
plt.legend(fontsize=12)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('line_chart.png', dpi=150)
plt.show()

深入折线图：多轴与注释

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import FuncFormatter

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 双 Y 轴折线图
fig, ax1 = plt.subplots(figsize=(12, 6))

months = np.arange(1, 13)
revenue = [120, 135, 150, 165, 180, 210, 230, 225, 240, 260, 280, 310]
users = [1000, 1200, 1500, 1800, 2200, 2600, 3000, 3200, 3500, 4000, 4500, 5000]

# 左 Y 轴：收入
color1 = '#4472C4'
ax1.set_xlabel('月份', fontsize=12)
ax1.set_ylabel('收入（万元）', color=color1, fontsize=12)
line1 = ax1.plot(months, revenue, color=color1, marker='o', linewidth=2,
                 label='收入', markersize=6)
ax1.tick_params(axis='y', labelcolor=color1)
ax1.set_ylim(0, 400)

# 右 Y 轴：用户数
ax2 = ax1.twinx()
color2 = '#ED7D31'
ax2.set_ylabel('用户数', color=color2, fontsize=12)
line2 = ax2.plot(months, users, color=color2, marker='s', linewidth=2,
                 linestyle='--', label='用户数', markersize=6)
ax2.tick_params(axis='y', labelcolor=color2)
ax2.yaxis.set_major_formatter(FuncFormatter(lambda x, p: f'{x/1000:.0f}K'))

# 合并图例
lines = line1 + line2
labels = [l.get_label() for l in lines]
ax1.legend(lines, labels, loc='upper left')

# 添加注释
ax1.annotate('收入增长拐点',
             xy=(6, 210), xytext=(4, 300),
             arrowprops=dict(arrowstyle='->', color='red'),
             fontsize=10, color='red')

plt.title('月度收入与用户增长趋势', fontsize=16)
plt.tight_layout()
plt.savefig('dual_axis.png', dpi=150)
plt.close()

柱状图

# 柱状图
categories = ['技术部', '产品部', '设计部', '市场部']
q1 = [45, 30, 25, 35]
q2 = [50, 35, 28, 40]

x = np.arange(len(categories))
width = 0.35

fig, ax = plt.subplots(figsize=(10, 6))
bars1 = ax.bar(x - width/2, q1, width, label='Q1', color='#4472C4')
bars2 = ax.bar(x + width/2, q2, width, label='Q2', color='#ED7D31')

# 添加数值标签
for bar in bars1:
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
            f'{bar.get_height()}', ha='center', fontsize=10)
for bar in bars2:
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
            f'{bar.get_height()}', ha='center', fontsize=10)

ax.set_xlabel('部门')
ax.set_ylabel('人数')
ax.set_title('各部门季度人数对比')
ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.legend()
plt.tight_layout()
plt.savefig('bar_chart.png', dpi=150)

高级柱状图：水平柱状图与堆叠

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 水平柱状图（适合长标签）
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

products = ['智能手机', '笔记本电脑', '平板电脑', '智能手表', '耳机']
sales = [8500, 6200, 3800, 2100, 4500]

# 水平柱状图
sorted_idx = np.argsort(sales)
ax1.barh([products[i] for i in sorted_idx],
         [sales[i] for i in sorted_idx],
         color=plt.cm.Blues(np.linspace(0.3, 0.9, len(products))))
ax1.set_xlabel('销售额（万元）')
ax1.set_title('产品销售额排行')

# 堆叠柱状图
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
online = [120, 150, 180, 200]
offline = [80, 70, 60, 50]

x = np.arange(len(quarters))
ax2.bar(x, online, 0.5, label='线上', color='#4472C4')
ax2.bar(x, offline, 0.5, bottom=online, label='线下', color='#ED7D31')
ax2.set_xticks(x)
ax2.set_xticklabels(quarters)
ax2.set_ylabel('销售额（万元）')
ax2.set_title('线上线下销售额对比')
ax2.legend()

# 在堆叠柱上添加总值标签
for i in range(len(quarters)):
    total = online[i] + offline[i]
    ax2.text(i, total + 5, f'{total}', ha='center', fontsize=10)

plt.tight_layout()
plt.savefig('bar_advanced.png', dpi=150)
plt.close()

散点图

# 散点图
np.random.seed(42)
x = np.random.randn(100)
y = 2 * x + np.random.randn(100) * 0.5
categories = np.random.choice(['A', 'B', 'C'], 100)

colors = {'A': 'red', 'B': 'blue', 'C': 'green'}

fig, ax = plt.subplots(figsize=(8, 6))
for cat in ['A', 'B', 'C']:
    mask = categories == cat
    ax.scatter(x[mask], y[mask], c=colors[cat], label=f'类别{cat}',
              alpha=0.6, edgecolors='white', s=100)

# 趋势线
z = np.polyfit(x, y, 1)
p = np.poly1d(z)
x_line = np.linspace(x.min(), x.max(), 100)
ax.plot(x_line, p(x_line), 'k--', alpha=0.5, label='趋势线')

ax.set_xlabel('X 值')
ax.set_ylabel('Y 值')
ax.set_title('散点图与趋势线')
ax.legend()
plt.tight_layout()
plt.savefig('scatter_chart.png', dpi=150)

高级散点图：气泡图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)

# 气泡图 —— 第三维度用气泡大小表示
countries = ['中国', '美国', '日本', '德国', '英国', '法国', '韩国', '印度']
gdp = [17.7, 25.5, 4.2, 4.1, 3.1, 2.8, 1.7, 3.4]  # 万亿美元
population = [14.1, 3.3, 1.3, 0.83, 0.67, 0.68, 0.52, 14.2]  # 亿人
life_exp = [78.2, 77.2, 84.8, 81.2, 81.3, 82.5, 83.7, 70.8]

fig, ax = plt.subplots(figsize=(12, 8))

# 气泡大小与人口成正比
sizes = [p * 80 for p in population]
scatter = ax.scatter(gdp, life_exp, s=sizes, c=population, cmap='YlOrRd',
                     alpha=0.7, edgecolors='gray', linewidth=1)

# 添加国家标签
for i, country in enumerate(countries):
    ax.annotate(country, (gdp[i], life_exp[i]),
                textcoords="offset points", xytext=(10, 5), fontsize=9)

ax.set_xlabel('GDP（万亿美元）', fontsize=12)
ax.set_ylabel('人均寿命（岁）', fontsize=12)
ax.set_title('各国 GDP、人口与人均寿命', fontsize=16)
fig.colorbar(scatter, ax=ax, label='人口（亿人）')
plt.tight_layout()
plt.savefig('bubble_chart.png', dpi=150)
plt.close()

高级图表

饼图和热力图

# 饼图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# 饼图
sizes = [35, 25, 20, 15, 5]
labels = ['技术', '产品', '设计', '市场', '其他']
colors = ['#4472C4', '#ED7D31', '#A5A5A5', '#FFC000', '#5B9BD5']
explode = (0.05, 0, 0, 0, 0)

ax1.pie(sizes, explode=explode, labels=labels, colors=colors,
        autopct='%1.1f%%', startangle=90, textprops={'fontsize': 11})
ax1.set_title('部门人数占比')

# 热力图（相关矩阵）
import pandas as pd
data = pd.DataFrame({
    '销售额': np.random.randn(100) * 100 + 500,
    '广告费': np.random.randn(100) * 20 + 50,
    '访客数': np.random.randn(100) * 500 + 2000,
    '转化率': np.random.rand(100) * 0.1 + 0.02
})
corr = data.corr()
im = ax2.imshow(corr, cmap='RdBu_r', vmin=-1, vmax=1)
ax2.set_xticks(range(len(corr)))
ax2.set_yticks(range(len(corr)))
ax2.set_xticklabels(corr.columns, rotation=45)
ax2.set_yticklabels(corr.columns)
# 添加数值标注
for i in range(len(corr)):
    for j in range(len(corr)):
        ax2.text(j, i, f'{corr.iloc[i, j]:.2f}',
                ha='center', va='center', fontsize=10)
ax2.set_title('特征相关性热力图')
fig.colorbar(im, ax=ax2, shrink=0.8)

plt.tight_layout()
plt.savefig('advanced_charts.png', dpi=150)

直方图与箱线图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

np.random.seed(42)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# 直方图
data_a = np.random.normal(50, 10, 1000)
data_b = np.random.normal(60, 15, 1000)

ax1.hist(data_a, bins=30, alpha=0.6, color='#4472C4', label='组A', edgecolor='white')
ax1.hist(data_b, bins=30, alpha=0.6, color='#ED7D31', label='组B', edgecolor='white')
ax1.set_xlabel('数值')
ax1.set_ylabel('频数')
ax1.set_title('两组数据分布对比')
ax1.legend()

# 箱线图
data_box = [
    np.random.normal(100, 15, 200),
    np.random.normal(90, 20, 200),
    np.random.normal(110, 10, 200),
    np.random.normal(95, 25, 200),
]
labels_box = ['产品A', '产品B', '产品C', '产品D']

bp = ax2.boxplot(data_box, labels=labels_box, patch_artist=True,
                 medianprops=dict(color='red', linewidth=2))

colors_box = ['#4472C4', '#ED7D31', '#A5A5A5', '#FFC000']
for patch, color in zip(bp['boxes'], colors_box):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

ax2.set_ylabel('评分')
ax2.set_title('各产品评分分布')

plt.tight_layout()
plt.savefig('hist_box.png', dpi=150)
plt.close()

多子图布局

# 2x2 子图布局
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

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

# 子图1：正弦波
axes[0, 0].plot(x, np.sin(x), 'b-', linewidth=2)
axes[0, 0].set_title('正弦波')
axes[0, 0].grid(True, alpha=0.3)

# 子图2：柱状图
data = np.random.randn(20)
axes[0, 1].bar(range(len(data)), data, color=np.where(data > 0, 'green', 'red'))
axes[0, 1].set_title('正负柱状图')

# 子图3：直方图
normal_data = np.random.randn(1000)
axes[1, 0].hist(normal_data, bins=30, color='steelblue', edgecolor='white')
axes[1, 0].set_title('正态分布直方图')

# 子图4：面积图
x_area = np.arange(12)
y1 = np.random.randint(10, 50, 12)
y2 = np.random.randint(5, 30, 12)
axes[1, 1].stackplot(x_area, y1, y2, labels=['产品A', '产品B'],
                     colors=['#4472C4', '#ED7D31'], alpha=0.7)
axes[1, 1].set_title('堆叠面积图')
axes[1, 1].legend(loc='upper left')

plt.suptitle('多图表组合展示', fontsize=16, fontweight='bold')
plt.tight_layout()
plt.savefig('subplots.png', dpi=150)

高级子图布局：GridSpec

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

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig = plt.figure(figsize=(14, 10))
gs = gridspec.GridSpec(3, 3, figure=fig, hspace=0.4, wspace=0.3)

# 大图占据上方两列
ax_main = fig.add_subplot(gs[0:2, 0:2])
x = np.linspace(0, 10, 200)
ax_main.plot(x, np.sin(x), 'b-', linewidth=2, label='sin(x)')
ax_main.plot(x, np.cos(x), 'r--', linewidth=2, label='cos(x)')
ax_main.fill_between(x, np.sin(x), alpha=0.1, color='blue')
ax_main.set_title('主图表区域', fontsize=14)
ax_main.legend()

# 右上角小图
ax_top_right = fig.add_subplot(gs[0, 2])
data = np.random.randn(50)
ax_top_right.hist(data, bins=15, color='steelblue', edgecolor='white')
ax_top_right.set_title('数据分布')

# 右中角小图
ax_mid_right = fig.add_subplot(gs[1, 2])
sizes = [30, 25, 20, 15, 10]
ax_mid_right.pie(sizes, labels=['A', 'B', 'C', 'D', 'E'],
                 autopct='%1.0f%%', textprops={'fontsize': 8})
ax_mid_right.set_title('占比分布')

# 底部横跨三列
ax_bottom = fig.add_subplot(gs[2, :])
x_bar = ['1月', '2月', '3月', '4月', '5月', '6月']
y_bar = [100, 120, 150, 130, 180, 200]
ax_bottom.bar(x_bar, y_bar, color='#4472C4', alpha=0.8)
ax_bottom.set_title('月度趋势', fontsize=12)

plt.suptitle('GridSpec 复杂布局示例', fontsize=16, fontweight='bold')
plt.savefig('gridspec.png', dpi=150)
plt.close()

面向对象绘图详解

import matplotlib.pyplot as plt
from matplotlib.figure import Figure
from matplotlib.axes import Axes
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 面向对象方式 vs pyplot 方式
# 推荐：面向对象方式，适合复杂图表和函数封装

# 方式一：pyplot（简单但不够灵活）
plt.figure()
plt.plot([1, 2, 3], [1, 4, 9])
plt.title('pyplot 方式')
plt.close()

# 方式二：面向对象（推荐）
fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 4, 9])
ax.set_title('面向对象方式')
plt.close()

# 封装绘图函数
def create_comparison_chart(
    data: dict,
    title: str,
    xlabel: str,
    ylabel: str,
    figsize: tuple = (10, 6),
    save_path: str | None = None,
) -> Figure:
    """创建对比折线图的通用函数

    Args:
        data: 键为系列名，值为 y 值列表的字典
        title: 图表标题
        xlabel: X 轴标签
        ylabel: Y 轴标签
        figsize: 图表尺寸
        save_path: 保存路径（可选）
    Returns:
        Figure 对象
    """
    fig, ax = plt.subplots(figsize=figsize)

    colors = ['#4472C4', '#ED7D31', '#A5A5A5', '#FFC000', '#5B9BD5']
    markers = ['o', 's', '^', 'D', 'v']

    for idx, (name, values) in enumerate(data.items()):
        x = range(len(values))
        ax.plot(x, values,
                color=colors[idx % len(colors)],
                marker=markers[idx % len(markers)],
                linewidth=2, markersize=6, label=name)

    ax.set_title(title, fontsize=14)
    ax.set_xlabel(xlabel, fontsize=12)
    ax.set_ylabel(ylabel, fontsize=12)
    ax.legend()
    ax.grid(True, alpha=0.3)

    if save_path:
        plt.savefig(save_path, dpi=150, bbox_inches='tight')

    return fig

# 使用
chart_data = {
    '销售额': [120, 150, 180, 200, 220],
    '利润': [30, 40, 55, 65, 75],
}
fig = create_comparison_chart(chart_data, '销售趋势', '月份', '万元')
plt.close()

样式与颜色系统

import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# Matplotlib 颜色表示方式
# 1. 单字符颜色: 'b', 'r', 'g', 'c', 'm', 'y', 'k', 'w'
# 2. HTML 颜色: '#4472C4', 'red', 'blue'
# 3. RGB 元组: (0.2, 0.5, 0.8)
# 4. RGBA 元组: (0.2, 0.5, 0.8, 0.5)
# 5. 灰度字符串: '0.5' (50% 灰)

# 查看命名颜色
print(f"命名颜色数量: {len(mcolors.CSS4_COLORS)}")

# Colormap（颜色映射）
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

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

# 顺序 colormap
scatter1 = axes[0, 0].scatter(x, np.cos(x), c=range(len(x)), cmap='viridis', s=30)
axes[0, 0].set_title('viridis (顺序)')
fig.colorbar(scatter1, ax=axes[0, 0])

# 发散 colormap
scatter2 = axes[0, 1].scatter(x, np.cos(x), c=range(len(x)), cmap='RdBu_r', s=30)
axes[0, 1].set_title('RdBu_r (发散)')
fig.colorbar(scatter2, ax=axes[0, 1])

# 循环 colormap
for i in range(5):
    axes[1, 0].plot(x, np.sin(x + i), color=plt.cm.Set2(i / 5),
                    linewidth=2, label=f'系列{i}')
axes[1, 0].set_title('Set2 (循环)')
axes[1, 0].legend()

# 自定义 colormap
from matplotlib.colors import LinearSegmentedColormap
colors_list = ['#2196F3', '#4CAF50', '#FF9800', '#F44336']
custom_cmap = LinearSegmentedColormap.from_list('custom', colors_list)
scatter3 = axes[1, 1].scatter(x, np.cos(x), c=range(len(x)), cmap=custom_cmap, s=30)
axes[1, 1].set_title('自定义 colormap')
fig.colorbar(scatter3, ax=axes[1, 1])

plt.tight_layout()
plt.savefig('colormaps.png', dpi=150)
plt.close()

动画图表

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

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 简单动画：动态折线图
fig, ax = plt.subplots(figsize=(10, 6))

x_data = []
y_data = []
line, = ax.plot([], [], 'b-', linewidth=2)

ax.set_xlim(0, 100)
ax.set_ylim(0, 100)
ax.set_title('实时数据动画', fontsize=14)
ax.grid(True, alpha=0.3)

def init():
    line.set_data([], [])
    return line,

def animate(frame):
    x_data.append(frame)
    y_data.append(np.sin(frame * 0.1) * 30 + 50 + np.random.randn() * 5)
    line.set_data(x_data, y_data)
    # 动态调整 X 轴范围
    if frame > 80:
        ax.set_xlim(frame - 80, frame + 20)
    return line,

anim = animation.FuncAnimation(
    fig, animate, init_func=init,
    frames=200, interval=50, blit=True
)

# 保存为 GIF（需要 pillow）
# anim.save('animation.gif', writer='pillow', fps=20)

# 保存为 MP4（需要 ffmpeg）
# anim.save('animation.mp4', writer='ffmpeg', fps=20)

plt.close()

生产环境最佳实践

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

# 1. 非交互式后端（服务器/CI 环境必须）
# 在导入 pyplot 之前设置
# mpl.use('Agg')

# 2. 封装通用图表生成器
class ChartGenerator:
    """生产环境图表生成器

    特性：
    - 统一样式配置
    - 自动保存
    - 支持返回 Figure 对象供测试
    """

    # 统一配色方案
    PRIMARY_COLORS = ['#4472C4', '#ED7D31', '#A5A5A5', '#FFC000', '#5B9BD5']
    SUCCESS_COLOR = '#70AD47'
    DANGER_COLOR = '#FF4444'
    WARNING_COLOR = '#FFC000'

    def __init__(self, style: str = 'default', dpi: int = 150):
        self.dpi = dpi
        self.style = style
        plt.style.use(style)

    def line_chart(
        self,
        x, y_series: dict,
        title: str = '',
        xlabel: str = '',
        ylabel: str = '',
        figsize: tuple = (10, 6),
    ) -> plt.Figure:
        """折线图"""
        fig, ax = plt.subplots(figsize=figsize)
        for idx, (name, y) in enumerate(y_series.items()):
            ax.plot(x, y, color=self.PRIMARY_COLORS[idx % len(self.PRIMARY_COLORS)],
                    linewidth=2, label=name, marker='o', markersize=4)
        ax.set_title(title, fontsize=14)
        ax.set_xlabel(xlabel, fontsize=12)
        ax.set_ylabel(ylabel, fontsize=12)
        ax.legend()
        ax.grid(True, alpha=0.3)
        plt.tight_layout()
        return fig

    def save(self, fig: plt.Figure, path: str):
        """保存图表"""
        fig.savefig(path, dpi=self.dpi, bbox_inches='tight',
                    facecolor='white', edgecolor='none')
        plt.close(fig)

# 使用示例
gen = ChartGenerator()
months = list(range(1, 7))
fig = gen.line_chart(
    months,
    {'销售额': [120, 150, 180, 200, 220, 250], '利润': [30, 40, 55, 65, 75, 90]},
    title='月度趋势',
    xlabel='月份',
    ylabel='万元'
)
gen.save(fig, 'report_chart.png')

优点

1.图表全面 — 覆盖几乎所有图表类型
2.高度可定制 — 细节控制精确
3.导出灵活 — PNG/SVG/PDF 多格式
4.生态兼容 — Pandas/Sklearn 直接集成

缺点

1.API 繁琐 — 样式调整代码量大
2.不够美观 — 默认样式较朴素
3.交互性弱 — 不支持 Web 交互图表
4.大数据量 — 渲染百万点时较慢

总结

Matplotlib 核心：plt.figure() 创建画布，plt.plot/bar/scatter/hist 绑定图表。子图用 plt.subplots()。中文字体设置 plt.rcParams['font.sans-serif']。数值标签用 ax.text()。保存用 plt.savefig()。更美观的替代方案：Seaborn（统计图表）、Plotly（交互图表）、Pyecharts（Web 图表）。