【项目】使用Python matplotlib 绘制第一个图表（两种方法）

假设大家想画一幅素描：

同理，使用matplotlib库绘制的图形并非只有一层结构 。

方法一：自定义绘图区域

下面的代码展示了如何使用matplotlib来绘制一个简单的图表。我们将一步步地讲解每一行代码的功能，帮助学生理解整个过程。

import numpy as np

import matplotlib.pyplot as plt

# 准备数据

data = np.array([1, 2, 3, 4, 5])

# 创建代表画布的Figure 类的对象fig

fig = plt.figure()

# 在画布fig上添加坐标系风格的绘图区域ax

ax = fig.add_subplot()

# 绘制图表

ax.plot(data)

# 展示图表

plt.show()

输出结果：

第一步：导入需要的库

import numpy as np

import matplotlib.pyplot as plt

•import numpy as np：这行代码导入了numpy库并为它起了一个简短的别名np。numpy是一个非常常用的数学库，可以帮助我们更高效地处理数值计算，尤其是数组操作。在这段代码中，numpy主要用来创建数据。

•import matplotlib.pyplot as plt：这行代码导入了matplotlib.pyplot模块，并为它起了一个别名plt。matplotlib是一个用于绘图的库，pyplot是它的一个子模块，提供了简单的接口来绘制各种类型的图表。

第二步：准备数据

data = np.array([1, 2, 3, 4, 5])

• 这里，我们使用numpy创建了一个简单的一维数组data，包含了 5 个数字：[1, 2, 3, 4, 5]。这些数据将用于绘制图表。

第三步：创建画布

fig = plt.figure()

• 这行代码使用plt.figure()创建了一个Figure对象，表示整个画布。画布是你用来绘制图形的区域。在此之前并没有实际绘制任何内容，只是创建了一个空白的画布对象。

第四步：添加绘图区域

ax = fig.add_subplot()

• 这行代码在我们刚刚创建的fig画布上添加了一个坐标系风格的绘图区域ax。add_subplot()方法默认在画布上添加一个简单的坐标系（即 X 轴和 Y 轴），并为后续的绘图提供空间。

• 如果你在未来想要在同一个画布上添加多个子图，可以通过给add_subplot()方法传入多个参数来定义多个绘图区域，比如：fig.add_subplot(1, 2, 1)表示创建一个 1 行 2 列的布局，在第一个位置添加一个图表。

第五步：绘制图表

ax.plot(data)

• 这行代码实际绘制了数据data上的图表。ax.plot(data)是绘制一条折线图（默认行为），数据data中的每个点都会在图表中显示出来，并通过线条将相邻的点连接起来。

•ax.plot()方法的功能非常强大，你可以通过传入更多的参数来控制图表的样式（比如线条的颜色、类型、宽度等），但在这个简单的示例中，我们只使用了默认设置。

第六步：展示图表

plt.show()

• 这行代码是用来显示图表的。当你调用plt.show()时，matplotlib会打开一个图形窗口，显示你绘制的图表。在此之前，所有的绘图操作都只是添加到画布中，直到调用show()，图表才会被实际渲染出来。

输出结果

执行上述代码后，学生将看到一个非常简单的折线图，X 轴是数据的索引（从 0 到 4），Y 轴是数据的实际值（即[1, 2, 3, 4, 5]）。

总结

• 我们首先导入了numpy和matplotlib库，准备好了数据。

• 然后创建了一个画布（fig）和一个绘图区域（ax）。

• 使用ax.plot()绘制了数据的折线图。

• 最后，通过plt.show()展示了图表。

这个过程展示了如何使用matplotlib快速绘制一个简单的图表，帮助学生理解绘图的基础步骤。

方法二：默认绘图区域

以下是另一个简化版本的代码，它与前面的代码效果相同，但在写法上有所不同。我们将逐步讲解这段代码的含义：

import numpy as np

import matplotlib.pyplot as plt     # 导入 pyplot 模块

# 准备数据

data = np.array([1, 2, 3, 4, 5])

# 在当前画布的绘图区域中绘制图表

plt.plot(data)

# 展示图表

plt.show()

输出结果：

第一步：导入需要的库

import numpy as np

import matplotlib.pyplot as plt

•import numpy as np：导入numpy库，numpy是用来处理数值计算和数组操作的工具，功能非常强大。我们使用numpy来创建数据。

•import matplotlib.pyplot as plt：导入matplotlib.pyplot模块，并为其指定别名plt。pyplot是matplotlib的一部分，它提供了一系列绘图功能。通过plt，我们可以简洁地创建各种类型的图表。

第二步：准备数据

data = np.array([1, 2, 3, 4, 5])

• 这行代码创建了一个简单的numpy数组data，包含了 5 个整数：[1, 2, 3, 4, 5]。这些数据将作为折线图的 Y 轴数据。

第三步：绘制图表

plt.plot(data)

• 在这行代码中，plt.plot(data)直接绘制了数据data的折线图。与之前的代码不同，这里没有显式创建画布fig和坐标区域ax，而是直接使用了plt来绘制图表。

• 在这个简化版本中，会自动创建一个画布和坐标区域。如果你没有特别指定画布和坐标区域，它会默认使用一个 "隐式" 的画布和坐标区域来进行绘图。实际上，plt.plot(data)也会自动在内存中创建一个画布和坐标区域，只不过我们没有显式地定义它们。

第四步：展示图表

plt.show()

• 这行代码是用来展示图表的。当调用plt.show()时，matplotlib会弹出一个窗口来显示已经绘制的图表。

区别和总结

1.简化的代码：与前一个示例相比，这段代码省略了显式创建画布（fig）和坐标区域（ax）的步骤，直接通过plt创建和管理这些对象。在大多数情况下，这种简化方式足够用，适用于简单的绘图任务。

2.隐式创建画布和坐标区域：在这个简化版本中，plt.plot(data)自动创建了画布和坐标区域，因此不需要单独调用fig = plt.figure()和ax = fig.add_subplot()。

3.代码更加简洁：对于初学者，直接使用plt.plot()和plt.show()可以让代码更简洁易懂，适合快速展示数据的趋势。

总体来说，虽然两段代码实现的效果完全一样，简化版的代码更适合一些简单的情景。而在需要更高灵活性和更多绘图控制时，第一种写法会更有优势，因为它显式地控制了图形的每个细节。