w wyl123ly 的博客
MD

Matplotlib可视化

20 KB 2026.10.18 原文件

Matplotlib可视化

定义

数据可视化是把数值映射为位置、长度、面积、颜色等视觉通道,以便在有限分辨率内识别分布、趋势、离群与错误结构的过程。Matplotlib 是 Python 的绘图库,其核心是一个三层对象模型。

  • Figure:画布容器,记录尺寸(英寸)、分辨率(dpi)、背景色,以及其上的所有 Axes。一个 Figure 可含多个 Axes。
  • Axes:带数据坐标系的绘图区,含两条(或三条)Axis、标题、图例与若干 Artist。数据坐标到显示坐标的变换由 Axes 持有。
  • Artist:所有可见元素的基类,包括 Line2D(折线)、PathCollection(散点)、Rectangle(柱)、Text(文字)、AxesImage(图像)。绘图即向 Axes 追加 Artist。
  • pyplot 状态机:matplotlib.pyplot 模块维护“当前 Figure”与“当前 Axes”,plt.plot 等函数先取当前 Axes,再调用其同名方法。
  • 面向对象接口:显式持有 fig 与 ax 引用,只调用 ax.plot、ax.set_xlabel 等方法,不依赖全局当前对象。

本文的“图”指 Figure 对象,“坐标区”指 Axes 对象。

为什么重要

模型训练与评估的多数判断依赖图形,而非单个标量。

  • 训练损失与验证损失的分叉形状决定是否过拟合、是否早停;仅看最后一个 epoch 的数值无法区分“仍在下降”与“已经发散”。
  • 混淆矩阵的非对角元素给出错误类别对,决定后续应补数据还是改损失函数;总体准确率会掩盖某一类别的系统性失败。
  • 特征分布图与缺失模式图能在建模前暴露长尾、双峰、截断与异常编码。
  • 图形错误会直接导致错误结论:在错误的 Axes 上叠加曲线会隐藏真实差异;两张热力图使用各自的颜色范围会把 0.6 与 0.9 画成同一颜色。

Matplotlib 的面向对象接口是 Pandas数据清洗 中分布核对、模型评估与交叉验证 中评估结果展示、PyTorch实战入门 中训练循环记录的共同输出层。

原理与推导

1 三层对象模型与两套接口

Figure 持有 Axes 列表,Axes 持有 Artist 列表。设第 个 Axes 为 ,则一次绘图的调用链可写为

其中 是 Artist。ax.plot(x, y) 的语义是新建一个 Line2D 并追加到 ;fig.savefig 的语义是遍历整棵树并按 zorder 栅格化或矢量化。

pyplot 接口在此之上增加了一层全局状态。plt.plot(x, y) 近似等价于

fig = plt.gcf()       # 当前 Figure,不存在则新建
ax = fig.gca()        # 当前 Axes,不存在则新建
ax.plot(x, y)

plt.subplot(1, 2, 1)、plt.subplot(1, 2, 2) 会依次把当前 Axes 切换为左、右子图,因此“当前 Axes”是隐式变量。面向对象接口把该变量显式化为 ax1、ax2,从而具备三项性质:作用对象可静态确定;同一绘图函数可复用于任意 Axes;多 Figure 并存时不会互相覆盖。

维度pyplot 状态机面向对象接口
作用对象全局当前 Figure/Axes显式传入的 fig/ax
多子图依靠 subplot 切换状态依靠 axes[i] 索引
复用函数内隐式依赖调用顺序函数接收 ax 参数
调试需追踪当前对象引用即位置
适用交互式快速查看脚本、库、报告、测试

需要强调的是,pyplot 并非被废弃。plt.subplots、plt.figure、plt.show、plt.savefig 仍是创建与输出图形的标准入口;差别在于创建之后应通过返回的 ax 作画,而不是继续调用 plt.plot。

2 常用图与数据映射

图表类型由数据类型与待回答问题决定。

图调用适用数据回答的问题不适用
折线ax.plot有序连续变量趋势、收敛、周期无序类别、重复测量
散点ax.scatter两个连续变量相关、聚类、离群超大样本(需抽样或透明度)
柱ax.bar/barh类别 + 聚合值类别间大小比较未聚合的原始观测
直方ax.hist单变量连续样本分布形状、偏度、多峰样本极少、类别数据
箱线ax.boxplot分组连续样本中位数、四分位、离群多峰分布(会掩盖峰)
热力图ax.imshow/pcolormesh矩阵混淆矩阵、相关系数、注意力稀疏且量纲差异大的矩阵

直方图对分箱宽度敏感。设样本密度为 、组距为 、样本量为 ,第 个箱的期望计数约为 。 过大时多个峰被合并为单峰, 过小时计数受抽样噪声支配。应以 bins="auto" 或固定 的多次比较作为默认做法,而不是只看一次默认 10 个箱的结果。

箱线图把每组压缩为五数概括:下须、、中位数、、上须。须的端点通常取 与 ,超出者单独标为离群点。该概括不保留峰的数量,双峰分布可能画出与单峰相同的箱线。

3 布局:subplots 与 GridSpec

规则网格用 plt.subplots(nrows, ncols, figsize=(w, h), sharex=True, sharey=True, constrained_layout=True)。当 nrows=ncols=1 时返回单个 Axes,其余情况返回形状为 (nrows, ncols) 的 ndarray;squeeze=False 可强制始终返回二维数组,避免分支判断。

非规则网格用 GridSpec。设网格为 行 列,gs = fig.add_gridspec(R, C, height_ratios=[...], width_ratios=[...]),则 fig.add_subplot(gs[i, j]) 取单元格,gs[i, :] 取整行,gs[:, 0] 取整列,gs[0, 0:2] 取跨列区域。跨行跨列的本质是把多个单元格合并为一个 Axes 的矩形区域。

constrained_layout=True 在绘制时迭代求解约束,自动避让刻度标签、标题与 colorbar;fig.tight_layout() 在绘制后一次性调整,遇到 suptitle 或嵌套 GridSpec 时容易裁切。两者不应同时依赖,新代码优先 constrained_layout。

4 坐标轴、刻度、标签与图例

Axes 的显示范围由 set_xlim、set_ylim 控制,刻度位置由 set_xticks 控制,刻度文本由 set_xticklabels 控制。刻度位置与文本的顺序不能颠倒:先设位置再设文本,否则文本按旧位置解释。对数轴用 set_yscale("log") 或 semilogy,适用于跨数量级的损失与学习率扫描。

文本元素包括 set_xlabel、set_ylabel、set_title、fig.suptitle、ax.text、ax.annotate。annotate 的 xy 是数据坐标,xytext 是文本坐标,arrowprops 控制箭头。

图例只为带 label 参数的 Artist 生成条目。两种写法等价:在绘图时传 label="训练损失" 再调用 ax.legend();或在 legend(handles=[...], labels=[...]) 中显式指定。若图例为空,首先检查绘图调用是否缺少 label。loc 接受 "best"、"upper right" 等字符串;frameon=False 去掉边框;ncol=2 排成两列。

双纵轴用 ax2 = ax1.twinx(),两个 Axes 共享 x 轴但各自持有 y 轴。此时两套刻度的颜色应与对应曲线一致,否则读者无法判断曲线属于哪一侧。

5 中文显示与负号

Matplotlib 默认字体不含中日韩字形,中文标签会显示为方框。修复方式是把支持中文的字体放到 font.sans-serif 列表首位,并按顺序回退:

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei", "Noto Sans CJK SC"]
plt.rcParams["axes.unicode_minus"] = False

第二行针对负号。Unicode 减号 U+2212 在中文字体中常缺字形,axes.unicode_minus=False 让 Matplotlib 改用 ASCII 连字符 - 渲染负刻度。该设置只影响坐标轴刻度,不影响数学公式中的 $-$。

字体按名称匹配,名称错误不会报错,只会静默回退到默认字体。可用 matplotlib.font_manager.fontManager.ttflist 检查可用名称:

from matplotlib import font_manager
available = {f.name for f in font_manager.fontManager.ttflist}
print([n for n in ["Microsoft YaHei", "SimHei", "Noto Sans CJK SC"] if n in available])

需要局部生效时用 with plt.rc_context({...}):,退出后自动恢复,避免污染其他图。

6 输出:dpi、bbox_inches 与格式

位图尺寸由画布英寸数与 dpi 共同决定:

figsize=(9, 3.4)、dpi=200 的理论像素为 。bbox_inches="tight" 会按实际内容裁剪空白,输出尺寸略小于理论值;pad_inches 控制裁剪后保留的边距。论文与幻灯片用 dpi=300 以上,网页用 dpi=150 左右即可。

格式由扩展名决定:.png 为位图,适合屏幕;.pdf、.svg 为矢量,缩放不失真,适合排版。facecolor="white" 可避免透明背景在深色主题下不可读。保存必须在 plt.show() 之前,某些后端在 show() 后销毁图形;脚本中可用 matplotlib.use("Agg") 直接跳过显示,只写文件。

fig.savefig("training_curves.png", dpi=200, bbox_inches="tight", pad_inches=0.02, facecolor="white")
plt.close(fig)   # 释放 Figure,批量出图时防止内存累积

7 训练曲线与混淆矩阵的构造

训练曲线以 epoch 为横轴、指标为纵轴。常用做法是每个 epoch 记录训练损失、验证损失、验证准确率,训练结束后一次性绘制。损失常跨数量级,纵轴可取对数;验证曲线应标出最优 epoch,避免读者在图中自行寻找极小值。多次实验的曲线可画出均值与标准差带,但须注明重复次数与随机种子。

混淆矩阵把真实类别与预测类别计数排成矩阵。设样本数为 ,真实标签 ,预测标签 ,则

行归一化矩阵为 ,其对角元即各类召回率;列归一化则给出各类精确率。绘制时用 imshow 把 映射为颜色,用 text 在每格写数值,并用 colorbar 给出颜色与计数的对应。

颜色映射是线性归一化:

若两张图各自以自身最大值设定 ,相同的 对应不同的原始计数,颜色不可比较。比较多个矩阵时应共享 vmin 与 vmax,或共享一个 matplotlib.colors.Normalize 实例。

8 颜色、透明度和不确定性

颜色映射按语义分三类。顺序型(Blues、viridis)用于有大小方向的量,亮度单调变化;发散型(RdBu、coolwarm)用于以零或某个基准为中心的正负偏离,需用 TwoSlopeNorm(vcenter=0) 保证基准色居中;分类型(tab10、Set2)用于无序类别,颜色之间没有大小关系。混淆矩阵用顺序型,相关系数矩阵用发散型,若对相关系数使用顺序型,正负相关会被编码成同一方向的深浅。

透明度用于缓解散点重叠。设同一点被重复绘制的次数为 ,单点不透明度为 ,重叠处的有效不透明度为 。alpha=0.2 时 的重叠区约为 ,仍可分辨; 过大则密集区饱和为实心块,掩盖样本密度。样本量超过 时,应改用二维直方图、六边形分箱或随机抽样,而不是继续降低 alpha。

不确定性用误差棒或置信带表示。设第 个 epoch 在 次重复实验中的均值为 、样本标准差为 ,则

前者描述单次实验的波动范围,后者描述均值估计的精度;图中必须注明采用哪一种,否则读者会把窄带误读为结果稳定。ax.errorbar(x, y, yerr=...) 画离散误差棒,ax.fill_between(x, lower, upper, alpha=0.2) 画连续置信带。

关键直觉

TIP

Figure 是容器,Axes 是坐标系,绘图函数的作用是向某个 Axes 的 Artist 列表追加对象;plt.* 只是“取当前 Axes 再调用其方法”的简写。因此凡是出现“图画到了别处”“图例是空的”“两张图颜色不可比”,都应先定位到具体 Axes 与具体 Artist 属性,而不是调整全局参数。

例子与代码

以下脚本在 Matplotlib 3.9 及以上版本运行,使用 Agg 后端,不依赖显示器。它生成两张图:训练曲线与混淆矩阵。中文字体按 Windows 与 Linux 的常见名称回退。

import matplotlib
matplotlib.use("Agg")                      # 无显示环境,只写文件
import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei", "Noto Sans CJK SC"]
plt.rcParams["axes.unicode_minus"] = False  # 负号用 ASCII 连字符

rng = np.random.default_rng(0)
epochs = np.arange(1, 41)
train_loss = 2.30 * np.exp(-epochs / 9) + 0.18 + rng.normal(0, 0.015, epochs.size)
val_loss = 2.30 * np.exp(-epochs / 11) + 0.28 + rng.normal(0, 0.025, epochs.size)
val_acc = 0.55 + 0.40 * (1 - np.exp(-epochs / 8)) + rng.normal(0, 0.004, epochs.size)

# 图一:两个并排坐标区,分别画损失与准确率
fig, (ax_loss, ax_acc) = plt.subplots(1, 2, figsize=(9.0, 3.4), constrained_layout=True)

ax_loss.plot(epochs, train_loss, color="tab:blue", label="训练损失")
ax_loss.plot(epochs, val_loss, color="tab:orange", linestyle="--", label="验证损失")
best = int(np.argmin(val_loss)) + 1
ax_loss.scatter(best, val_loss[best - 1], color="black", zorder=3)
ax_loss.annotate(f"最优 epoch={best}", xy=(best, val_loss[best - 1]),
                 xytext=(best + 2, val_loss[best - 1] + 0.18),
                 arrowprops={"arrowstyle": "->", "color": "black"})
ax_loss.set(xlabel="epoch", ylabel="交叉熵损失", title="损失曲线")
ax_loss.legend(frameon=False)
ax_loss.grid(alpha=0.3)

ax_acc.plot(epochs, val_acc, color="tab:green")
ax_acc.set(xlabel="epoch", ylabel="验证准确率", title="准确率曲线")
ax_acc.set_ylim(0.5, 1.0)
ax_acc.grid(alpha=0.3)

fig.savefig("training_curves.png", dpi=200, bbox_inches="tight", facecolor="white")
plt.close(fig)

# 图二:混淆矩阵,计数与颜色同时编码
cm = np.array([[48, 2, 1],
               [3, 40, 4],
               [0, 5, 47]])
class_names = ["猫", "狗", "鸟"]

fig, ax = plt.subplots(figsize=(4.0, 3.4), constrained_layout=True)
im = ax.imshow(cm, cmap="Blues", vmin=0, vmax=cm.max())
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        ax.text(j, i, str(cm[i, j]), ha="center", va="center",
                color="white" if cm[i, j] > cm.max() * 0.6 else "black")
ax.set_xticks(range(len(class_names)))
ax.set_xticklabels(class_names)
ax.set_yticks(range(len(class_names)))
ax.set_yticklabels(class_names)
ax.set(xlabel="预测类别", ylabel="真实类别", title="混淆矩阵(计数)")
fig.colorbar(im, ax=ax, fraction=0.046, pad=0.03)
fig.savefig("confusion_matrix.png", dpi=200, bbox_inches="tight", facecolor="white")
plt.close(fig)

第一张图的画布为 英寸、200 dpi,理论尺寸 像素。左侧坐标区含两条曲线、一个黑色最优点与箭头标注,标注指向验证损失最低的 epoch;右侧坐标区纵轴固定在 ,避免准确率的小幅波动被放大。第二张图的理论尺寸为 像素, 单元格,颜色由浅到深对应计数 到 ,每格居中写计数。

该混淆矩阵共 个样本,总体准确率为 。三类召回率分别为 、、;第二类与第三类之间的 个混淆是主要错误来源。若只报告准确率,这一结构不可见。

非规则布局可使用 GridSpec。下例上方横跨三列画总损失,下方三格分别画三个子任务,代码可直接追加到上例之后运行。

fig = plt.figure(figsize=(8.0, 4.6), constrained_layout=True)
gs = fig.add_gridspec(2, 3, height_ratios=[2, 1])
ax_top = fig.add_subplot(gs[0, :])
for k in range(3):
    ax_top.plot(epochs, train_loss + 0.1 * k, label=f"任务{k + 1}")
ax_top.set(ylabel="损失", title="多任务总览")
ax_top.legend(frameon=False, ncol=3)

for k in range(3):
    ax = fig.add_subplot(gs[1, k])
    ax.plot(epochs, val_acc - 0.02 * k, color=f"C{k}")
    ax.set(xlabel="epoch", title=f"任务{k + 1}")
    ax.set_ylim(0.5, 1.0)
fig.savefig("grid_overview.png", dpi=200, bbox_inches="tight", facecolor="white")
plt.close(fig)

该图上方坐标区跨三列,高度占比 ;下方三个坐标区高度占比 ,共享相同的纵轴范围,因此子任务之间的准确率可直接比较。

易错点

WARNING

- 在错误的 Axes 上绘图。执行 fig, (ax1, ax2) = plt.subplots(1, 2) 后,plt.plot(...) 画在最后创建的 ax2 上,plt.title(...) 也作用于 ax2;多子图场景应始终写 ax1.plot(...)、ax1.set_title(...)。

- 图例为空。ax.legend() 只收集带 label 的 Artist;若绘图时未传 label,或调用 plt.legend() 时当前 Axes 不是目标 Axes,图例不会出现在预期位置。

- 颜色映射范围不一致。imshow 每次调用都按当前数组自动定标,两个子图各自定标后相同颜色对应不同数值;比较时应显式传同一组 vmin/vmax 或同一个 Normalize。

- 中文显示为方框、负号显示为方块。前者是字体列表缺少中文字体,后者是 Unicode 减号缺字形;需同时设置 font.sans-serif 与 axes.unicode_minus=False。

- 先 plt.show() 再 savefig。部分后端在 show() 后关闭或清空图形,保存得到空白图;脚本应使用 Agg 后端,并在 show() 之前保存。

- 直方图分箱数改变结论。默认箱数固定为 10,不随样本量自适应;样本量增大时同一箱数会过度平滑,样本量减小时计数噪声上升。报告分布前应固定组距或使用 bins="auto" 并说明。

关联笔记

  • Pandas数据清洗:前置。分布图、缺失模式图与离群值图依赖清洗后的表结构与 dtype。
  • NumPy向量化:前置。绘图数据以 ndarray 传入,形状与 dtype 决定 imshow 的矩阵解释方式。
  • 模型评估与交叉验证:后续。混淆矩阵、PR 曲线与阈值扫描的可视化以该篇的指标定义为前提。
  • PyTorch实战入门:后续。训练循环中记录的损失与准确率序列是本篇训练曲线的数据来源。
  • 可解释性:后续。特征重要性与注意力权重的热力图沿用本篇的矩阵到颜色映射方法。

达标检测

  • [ ] 能画出 Figure、Axes、Artist 三层关系,并说明 plt.plot 与 ax.plot 在作用对象上的差别。
  • [ ] 给定 plt.subplots(2, 2) 的返回值,能写出访问左下角坐标区的两种索引方式。
  • [ ] 能解释 constrained_layout 与 tight_layout 的执行时机差异,并说明为何不应同时依赖两者。
  • [ ] 能写出中文字体与负号的完整设置,并说明 axes.unicode_minus=False 影响的范围。
  • [ ] 能由 figsize 与 dpi 计算输出像素尺寸,并说明 bbox_inches="tight" 对尺寸的影响。
  • [ ] 能指出两张混淆矩阵颜色不可比的原因,并给出共享 vmin/vmax 的修改方案。

参考来源

  • Matplotlib 官方文档, Anatomy of a Figure —— 对应本篇第 1 节 Figure、Axes、Artist 三层对象模型。
  • Matplotlib 官方文档, Quick start guide(含面向对象接口与 pyplot 接口的对比) —— 对应第 1 节两套接口的差异与选择依据。
  • Matplotlib 官方文档, Customizing Matplotlib with style sheets and rcParams —— 对应第 5 节字体、负号与 rcParams 的作用域。
  • Matplotlib 官方文档, Saving figures —— 对应第 6 节 dpi、bbox_inches、格式与保存顺序。
  • d2l.ai《动手学深度学习》第 2 章预备知识与第 3 章线性回归 —— 对应 d2l.plot 封装与训练曲线绘制方式。