Matplotlib 速查手册

 1import matplotlib.pyplot as plt
 2
 3# === 1. 准备最简单的一串数据 ===
 4x = [1, 2, 3, 4, 5]
 5y = [2, 4, 1, 5, 3]
 6
 7# === 2. 画图：核心 plot 方法（同时控制 点、线、颜色） ===
 8# marker='o'  -> 画空心圆点
 9# linestyle='--' -> 画虚线（两个减号）
10# color='r'   -> 红色 (r=red, b=blue, g=green, k=black)
11# markersize=8 -> 点的大小
12plt.plot(x, y, marker='o', linestyle='--', color='r', markersize=8)
13
14# === 3. 控制横竖坐标的显示范围 ===
15plt.xlim(0, 6)  # X轴显示 0 到 6
16plt.ylim(0, 6)  # Y轴显示 0 到 6
17
18# === 4. 控制横竖坐标的刻度（显示哪些数字） ===
19plt.xticks([1, 2, 3, 4, 5])   # X轴上只显示 1,2,3,4,5
20plt.yticks([0, 2, 4, 6])      # Y轴上只显示 0,2,4,6
21
22# === 5. 展示图形 ===
23plt.show()

1import matplotlib.pyplot as plt
2import numpy as np
3
4# 生成示例数据：0到10之间的100个点
5x = np.linspace(0, 10, 100)
6y = np.sin(x)

 1import matplotlib.pyplot as plt
 2import numpy as np
 3
 4# 1. 创建一个 2行 x 2列 的子图布局，并设置画布大小为 10x6 英寸
 5fig, axs = plt.subplots(2, 2, figsize=(10, 6))
 6
 7# 此时 axs 是一个二维数组，结构如下：
 8# axs[0, 0]  axs[0, 1]
 9# axs[1, 0]  axs[1, 1]
10
11# 2. 在指定位置绘图（必须指明在哪个坐标系上画）
12x = np.linspace(0, 10, 50)
13axs[0, 0].plot(x, np.sin(x), color='red')          # 第一行第一列
14axs[0, 1].scatter(x, np.cos(x), color='blue')      # 第一行第二列
15axs[1, 0].plot(x, np.tan(x), color='green')        # 第二行第一列
16axs[1, 1].plot(x, np.exp(x/5), color='purple')     # 第二行第二列
17
18# 3. 分别定制每个小图的标题和标签（避免混乱）
19axs[0, 0].set_title("正弦波")
20axs[0, 0].set_xlabel("时间")
21axs[0, 0].set_ylabel("振幅")
22
23axs[1, 1].set_title("指数增长")
24axs[1, 1].set_xlabel("迭代次数")
25
26# 4. 给整个大画板添加总标题
27fig.suptitle("2x2 子图综合示例", fontsize=16)
28
29# 5. 自动防止标签重叠（强烈建议加上）
30plt.tight_layout()
31plt.show()

 1# sharex=True 表示：所有子图共享 X 轴的刻度和范围（只需最下面一行显示刻度即可）
 2# sharey=True 表示：所有子图共享 Y 轴的刻度和范围（只需最左边一列显示刻度即可）
 3fig, axs = plt.subplots(2, 2, figsize=(10, 8), sharex=True, sharey=True)
 4
 5# 模拟四个不同噪声水平的数据分布
 6data1 = np.random.normal(0, 1, 1000)
 7data2 = np.random.normal(1, 1.5, 1000)
 8data3 = np.random.normal(-1, 0.8, 1000)
 9data4 = np.random.normal(2, 1.2, 1000)
10
11axs[0, 0].hist(data1, bins=30, alpha=0.7)
12axs[0, 1].hist(data2, bins=30, alpha=0.7)
13axs[1, 0].hist(data3, bins=30, alpha=0.7)
14axs[1, 1].hist(data4, bins=30, alpha=0.7)
15
16# 由于 sharex=True，只需要设置最下面一行子图的 X 轴标签
17axs[1, 0].set_xlabel("特征值")
18axs[1, 1].set_xlabel("特征值")
19# 由于 sharey=True，只需要设置最左边一列子图的 Y 轴标签
20axs[0, 0].set_ylabel("频数")
21axs[1, 0].set_ylabel("频数")
22
23fig.suptitle("不同噪声水平下特征分布对比", fontsize=14)
24plt.tight_layout()
25plt.show()

 1# 使用 mosaic 描述布局（语法直观易懂）
 2fig, axs = plt.subplot_mosaic([
 3    ['主图', '右上'],
 4    ['主图', '右下']
 5], figsize=(8, 6))
 6
 7# 绘图（直接通过字符串名称索引）
 8axs['主图'].plot(x, np.sin(x), label='主趋势', color='k')
 9axs['主图'].set_title('主图：整体走势')
10axs['右上'].scatter(x[:20], np.cos(x[:20]), color='r')
11axs['右上'].set_title('右上：局部散点')
12axs['右下'].hist(np.random.randn(500), bins=20)
13axs['右下'].set_title('右下：残差分布')
14
15plt.tight_layout()
16plt.show()

1# 应用 'ggplot' 样式，模仿R语言的ggplot2风格
2plt.style.use('ggplot')
3
4# 或者应用 'seaborn-v0_8-whitegrid' 样式
5plt.style.use('seaborn-v0_8-whitegrid')

 1# 假设 train_scores 和 val_scores 是已计算好的分数列表
 2train_scores = [0.6, 0.7, 0.8, 0.85]
 3val_scores = [0.5, 0.65, 0.7, 0.72]
 4train_sizes = [100, 200, 300, 400]
 5
 6plt.plot(train_sizes, train_scores, 'o-', label='训练集')
 7plt.plot(train_sizes, val_scores, 'o-', label='验证集')
 8plt.xlabel('训练集大小')
 9plt.ylabel('模型得分')
10plt.title('学习曲线')
11plt.legend()
12plt.grid(True)
13plt.show()