人工智能之数据分析 Matplotlib：第五章 常见函数

人工智能之数据分析 Matplotlib

第五章 常见函数

前言

在 Matplotlib 中，除了常用的 plot、scatter、bar 等绘图函数外，还有一些图像处理和样式控制相关的常用函数，如 imshow、imsave、imread，以及解决中文显示问题的方法。此外，Seaborn 作为基于 Matplotlib 的高级可视化库，也常与之配合使用。

本文将系统介绍这些内容：

一、Matplotlib 图像处理三剑客：imread / imshow / imsave

⚠️ 注意：从 Matplotlib 3.6 起，matplotlib.pyplot.imread 和 imsave 已被弃用（deprecated），推荐改用 Pillow（PIL） 或 imageio。但为兼容旧代码，仍可使用（部分版本会警告）。

1. plt.imread() —— 读取图像

import matplotlib.pyplot as plt

img = plt.imread('photo.jpg')  # 返回 numpy.ndarray (H, W, C)
print(img.shape)  # 如 (480, 640, 3) 表示 RGB 图像

• 支持格式：PNG、JPEG、TIFF 等（依赖 Pillow）
• 返回值：float32（0~1）或 uint8（0~255），取决于文件

✅ 推荐替代（现代方式）：from PIL import Image import numpy as np img = np.array(Image.open('photo.jpg'))

2. plt.imshow() —— 显示图像

plt.imshow(img)
plt.axis('off')  # 关闭坐标轴（图像通常不需要）
plt.title("My Photo")
plt.show()

常用参数：

✅ 显示灰度图示例：

gray_img = plt.imread('lena.png')  # 假设是单通道
plt.imshow(gray_img, cmap='gray')

✅ 显示热力图（矩阵）：

data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.show()

3. plt.imsave() —— 保存图像数组为图片文件

plt.imsave('output.png', img, cmap='gray')  # 若为灰度图需指定 cmap

✅ 推荐替代：from PIL import Image Image.fromarray(img_uint8).save('output.png') # 注意 dtype 应为 uint8

二、其他常见 Matplotlib 函数

三、中文显示问题解决方案

Matplotlib 默认不支持中文字体，直接使用中文会导致 方框或乱码。

✅ 方法一：全局设置中文字体（推荐）

import matplotlib.pyplot as plt

# Windows 常用字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 黑体
# macOS 可用：['Arial Unicode MS'] 或 ['PingFang HK']
# Linux 可用：['WenQuanYi Micro Hei']

plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号（如 -1）

# 测试
plt.plot([1, 2, 3], [1, 4, 9])
plt.title("中文标题测试")
plt.xlabel("X轴")
plt.show()

✅ 方法二：指定字体路径（跨平台通用）

from matplotlib import font_manager

# 加载字体文件（如 SimHei.ttf）
font_path = "C:/Windows/Fonts/simhei.ttf"  # Windows 示例
my_font = font_manager.FontProperties(fname=font_path)

plt.plot([1, 2, 3], [1, 4, 9])
plt.title("中文标题", fontproperties=my_font)
plt.xlabel("X轴", fontproperties=my_font)
plt.show()

💡 提示：可通过以下代码查看系统可用字体：from matplotlib.font_manager import findSystemFonts print([f for f in findSystemFonts() if 'hei' in f.lower() or 'song' in f.lower()])

四、Matplotlib 与 Seaborn 协同使用

Seaborn 是基于 Matplotlib 的高级统计可视化库，语法更简洁，配色更美观。

安装

pip install seaborn

基本用法

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 设置 Seaborn 样式（会自动应用到 Matplotlib）
sns.set_style("whitegrid")  # 还有 "darkgrid", "ticks", "white"
sns.set_palette("Set2")     # 配色方案

# 示例：绘制带回归线的散点图
tips = sns.load_dataset("tips")
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.title("小费数据分布（Seaborn + Matplotlib）")
plt.show()

混合使用技巧

• Seaborn 绘图后，仍可用 plt.title()、plt.xlabel() 等 Matplotlib 函数进一步定制。
• 使用 plt.figure() 或 plt.subplots() 控制画布布局，再传入 Seaborn 的 ax 参数：

fig, ax = plt.subplots(figsize=(8, 5))
sns.boxplot(data=tips, x="day", y="total_bill", ax=ax)
ax.set_title("Box Plot with Seaborn on Matplotlib Axes")
plt.show()

常用 Seaborn 函数 vs Matplotlib

✅ 建议：探索性数据分析用 Seaborn，精细控制或出版级图表用 Matplotlib 面向对象 API。

总结

后续

python过渡项目部分代码已经上传至gitee，后续会逐步更新。

资料关注

公众号：咚咚王

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》