---
tags: [AI, python, matplotlib, 可视化]
阶段: 02-Python与数据处理
难度: ★★☆
created: 2026-10-18
related: "[[Pandas数据清洗]], [[模型评估与交叉验证]], [[PyTorch实战入门]]"
---

# 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 $k$ 个 Axes 为 $A_k$，则一次绘图的调用链可写为

$$
\text{Figure}\;\supset\;\{A_1,\dots,A_p\},\qquad
A_k\;\supset\;\{a_{k1},\dots,a_{kq}\}
$$

其中 $a_{kj}$ 是 Artist。`ax.plot(x, y)` 的语义是新建一个 `Line2D` 并追加到 $A_k$；`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

```python
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 $f(x)$、组距为 $h$、样本量为 $n$，第 $b$ 个箱的期望计数约为 $n\,f(x_b)\,h$。$h$ 过大时多个峰被合并为单峰，$h$ 过小时计数受抽样噪声支配。应以 `bins="auto"` 或固定 $h$ 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、$Q_1$、中位数、$Q_3$、上须。须的端点通常取 $Q_1-1.5\,\mathrm{IQR}$ 与 $Q_3+1.5\,\mathrm{IQR}$，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 $R$ 行 $C$ 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：

```python
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：

```python
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：

$$
W_{\text{px}}=w_{\text{in}}\times\mathrm{dpi},\qquad
H_{\text{px}}=h_{\text{in}}\times\mathrm{dpi}
$$

`figsize=(9, 3.4)`、`dpi=200` 的理论像素为 $1800\times680$。`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。

```python
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 $N$，真实标签 $y_n\in\{1,\dots,K\}$，预测标签 $\hat y_n$，则

$$
C_{ij}=\sum_{n=1}^{N}\mathbb{1}[y_n=i\wedge\hat y_n=j]
$$

行归一化矩阵为 $\tilde C_{ij}=C_{ij}/\sum_{j=1}^{K}C_{ij}$，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 $C$ 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：

$$
z=\frac{x-v_{\min}}{v_{\max}-v_{\min}},\qquad z\in[0,1]
$$

若两张图各自以自身最大值设定 $v_{\max}$，相同的 $z$ 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 $k$，单点不透明度为 $\alpha$，重叠处的有效不透明度为 $1-(1-\alpha)^k$。`alpha=0.2` 时 $k=5$ 的重叠区约为 $0.67$，仍可分辨；$\alpha$ 过大则密集区饱和为实心块，掩盖样本密度。样本量超过 $10^5$ 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 $t$ 个 epoch 在 $R$ 次重复实验中的均值为 $\bar m_t$、样本标准差为 $s_t$，则

$$
\text{SD band}=\bar m_t\pm s_t,\qquad
\text{SE band}=\bar m_t\pm \frac{s_t}{\sqrt{R}}
$$

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。

```python
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 $9.0\times3.4$ 英寸、200 dpi，理论尺寸 $1800\times680$ 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 $[0.5,1.0]$，避免准确率的小幅波动被放大。第二张图的理论尺寸为 $800\times680$ 像素，$3\times3$ 单元格，颜色由浅到深对应计数 $0$ 到 $48$，每格居中写计数。

该混淆矩阵共 $150$ 个样本，总体准确率为 $(48+40+47)/150=0.90$。三类召回率分别为 $48/51\approx0.941$、$40/47\approx0.851$、$47/52\approx0.904$；第二类与第三类之间的 $4+5=9$ 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。

```python
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 $2/3$；下方三个坐标区高度占比 $1/3$，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。
