Matplotlib二维绘图核心指南：从基础架构到实战优化

1. 从数据到洞察：为什么二维绘图是数据分析的“第一语言”

干了这么多年数据分析，我越来越觉得，二维图形绘制不是什么花里胡哨的“锦上添花”，而是我们和数据对话的“第一语言”。你想想看，面对一堆冰冷的数字，哪怕你用再精妙的算法算出个结果，如果没法直观地呈现出来，跟老板、跟同事、甚至跟自己都说不清楚。而Matplotlib，就是Python世界里帮你把数据“翻译”成这幅通用语言的最经典、最强大的工具。它可能不是最漂亮的（那是Seaborn或Plotly的活儿），但它绝对是最底层的、最可控的，你几乎可以用它画出任何你能想象到的二维图形。

很多新手一上来就想搞三维炫图、动态交互，但我总劝他们：先把二维的玩明白了。因为绝大多数业务问题，折线图看趋势、柱状图比大小、散点图找关系、直方图看分布，这四板斧下去，80%的洞见就已经出来了。Matplotlib就像一个功能齐全的机床，从最简单的螺丝钉到复杂的零件都能加工。今天，我就以一个老司机的视角，带你深入Matplotlib的二维世界，不光是教你怎么画，更要讲清楚为什么这么画，以及那些官方文档里不会写的“踩坑实录”。

2. 核心架构与绘图逻辑：理解“画布”、“坐标系”与“艺术家”

在动手写第一行代码之前，我们必须先理解Matplotlib的核心心智模型。很多人画图别扭，就是因为没搞懂它的三层架构：Figure（画布）、Axes（坐标系/子图）和Artist（艺术家元素）。这不是抽象概念，而是你控制图形的实体手柄。

2.1 Figure与Axes：你的画布与绘图区域

你可以把Figure想象成一张空白的物理画布或一张纸。而Axes则是贴在这张画布上的一个或多个带刻度的坐标系。一个Figure可以包含多个Axes，但一个Axes一定只属于一个Figure。我们所有的绘图动作，几乎都是在Axes对象上进行的。

为什么区分它们很重要？因为很多全局设置（如图形尺寸、背景色、保存的DPI）是针对Figure的；而数据相关的设置（如X/Y轴范围、标题、图例）是针对Axes的。混用会导致设置无效。

我强烈建议从一开始就使用面向对象（OO）的接口，放弃那些简单的pyplot直接绘图。虽然plt.plot(x, y)写起来快，但当你需要精细控制多个子图时，OO接口的清晰度是无可替代的。

import matplotlib.pyplot as plt import numpy as np # 面向对象（OO）风格 - 推荐 fig, ax = plt.subplots() # 创建一个画布和一个坐标系 x = np.linspace(0, 10, 100) y = np.sin(x) ax.plot(x, y) # 在这个特定的坐标系ax上绘图 ax.set_xlabel('X轴') ax.set_ylabel('Y轴') ax.set_title('一个正弦波') # 对比：简单的pyplot风格（不利于复杂控制） # plt.plot(x, y) # plt.xlabel('X轴') # plt.title('一个正弦波') # plt.show()

plt.subplots()这个函数是黄金搭档。fig, ax = plt.subplots(2, 3)一下子创建了一个2行3列共6个子图的画布，ax变成一个2x3的数组，你可以通过ax[0, 0]、ax[1, 2]来精准操作每一个子图。这种控制力是简单接口无法提供的。

2.2 绘图的核心流程与生命周期管理

一个健壮的绘图脚本应该遵循清晰的生命周期，避免内存泄漏和图形错乱：

1. 准备数据：清洗、转换你的numpy数组或pandasSeries/DataFrame。
2. 创建图形和坐标系：使用plt.subplots()或plt.figure()+fig.add_subplot()。
3. 在坐标系上绘图：调用ax.plot(),ax.scatter(),ax.bar()等方法。
4. 美化图形：设置标题、标签、刻度、图例、网格等。
5. 显示或保存图形：plt.show()用于在交互环境中显示，fig.savefig()用于保存到文件。
6. 清理：在脚本中，特别是循环创建图形时，使用plt.close('all')关闭所有图形，释放内存。

注意：在Jupyter Notebook中，使用%matplotlib inline魔法命令可以让图形直接嵌入在单元格下方输出。如果你希望有交互功能（缩放、平移），可以使用%matplotlib widget（需安装ipympl）或%matplotlib qt5。

3. 五大基础图形深度解析与实战技巧

掌握了架构，我们就可以开始“挥毫泼墨”了。下面我挑最核心的5种二维图形，不仅讲怎么画，更分享参数选择的门道和实战中的坑。

3.1 折线图：趋势分析的基石

折线图用于展示数据随时间或其他连续变量的变化趋势。它的核心是顺序和连续性。

# 示例：绘制两条对比趋势线 fig, ax = plt.subplots(figsize=(10, 6)) # figsize控制画布宽高（英寸） years = np.arange(2015, 2023) sales_a = [20, 22, 25, 28, 30, 33, 31, 35] sales_b = [15, 18, 22, 25, 26, 28, 30, 33] # 绘图，并立即获取线条对象，便于后续设置图例 line_a, = ax.plot(years, sales_a, marker='o', linestyle='-', linewidth=2, color='steelblue', label='产品A') line_b, = ax.plot(years, sales_b, marker='s', linestyle='--', linewidth=2, color='coral', label='产品B') # 精细化设置 ax.set_xlabel('年份', fontsize=12) ax.set_ylabel('销售额 (百万)', fontsize=12) ax.set_title('2015-2022年产品销售额趋势对比', fontsize=14, fontweight='bold') ax.legend(loc='upper left') # 添加图例 ax.grid(True, linestyle=':', alpha=0.7) # 添加网格线，设置样式和透明度 # 设置刻度 ax.set_xticks(years) # 确保每年都显示刻度 ax.set_xticklabels(years, rotation=45) # 刻度标签旋转45度，避免重叠 plt.tight_layout() # 自动调整子图参数，使图形元素不重叠 plt.show()

关键参数与避坑指南：

• marker:‘o’（圆点）,‘s’（方块）,‘^’（三角）。数据点稀疏时建议加上，密集时可省略。
• linestyle:‘-’（实线）,‘--’（虚线）,‘:’（点线）,‘-.’（点划线）。用于区分不同线条。
• linewidth(或lw): 线条粗细。印刷或海报展示时需加粗（如2.5），屏幕显示1.5-2即可。
• color: 可直接用颜色名（如‘red’）、十六进制码（如‘#FF5733’）或RGB元组。避坑：不要用太浅的颜色（如亮黄）做线条，在白色背景上根本看不清。
• plt.tight_layout(): 这是一个神器！它能自动调整子图之间的间距和画布边距，解决标签、标题被截断的问题。在图形元素复杂时务必调用。

3.2 散点图：探索变量关系的显微镜

散点图是发现两个连续变量之间相关性、聚类或异常值的利器。它的核心是分布和密度。

# 示例：探索身高与体重的相关性，并按性别着色 np.random.seed(42) n_samples = 200 # 模拟数据 male_height = np.random.normal(175, 7, n_samples//2) male_weight = male_height * 0.6 + np.random.normal(0, 5, n_samples//2) + 50 female_height = np.random.normal(162, 6, n_samples//2) female_weight = female_height * 0.5 + np.random.normal(0, 4, n_samples//2) + 45 height = np.concatenate([male_height, female_height]) weight = np.concatenate([male_weight, female_weight]) gender = np.array(['男']*(n_samples//2) + ['女']*(n_samples//2)) fig, ax = plt.subplots(figsize=(9, 6)) # 分别绘制不同性别的散点 for g in ['男', '女']: idx = gender == g ax.scatter(height[idx], weight[idx], label=g, alpha=0.6, # 透明度，解决点重叠问题 edgecolors='w', # 点边缘白色，使密集处更清晰 s=50) # 点的大小 ax.set_xlabel('身高 (cm)') ax.set_ylabel('体重 (kg)') ax.set_title('身高与体重关系散点图（按性别区分）') ax.legend() ax.grid(True, alpha=0.3) # 添加趋势线（以全部数据为例） z = np.polyfit(height, weight, 1) # 一次多项式拟合 p = np.poly1d(z) ax.plot(height, p(height), “r--”, lw=1.5, label=f‘趋势线: y={z[0]:.2f}x+{z[1]:.2f}’) ax.legend() plt.tight_layout() plt.show()

核心技巧与问题排查：

• 解决点重叠（Overplotting）：这是散点图最常见的问题。解决方法：
  1. 设置透明度 (alpha): 如alpha=0.5，重叠区域颜色会加深，直观显示密度。
  2. 使用边缘色 (edgecolors): 设为白色(‘w’)或浅灰色，能让密集区域的点轮廓更清晰。
  3. 减小点大小 (s): 点特别多时，将s从50降到20或10。
  4. 采样或使用蜂群图/二维密度图：如果数据量极大（>10万点），考虑先采样，或使用ax.hexbin()、seaborn.kdeplot绘制密度图。
• s参数：可以是一个标量，所有点一样大；也可以是一个与数据长度相同的数组，用于让点的大小代表第三个变量（气泡图的雏形）。
• 拟合趋势线：使用np.polyfit进行多项式拟合，再用np.poly1d生成函数并绘图，是快速观察相关性强弱的实用方法。

3.3 柱状图：分类比较的标尺

柱状图用于比较不同类别之间的数值差异。分为普通柱状图和分组/堆叠柱状图。

# 示例：分组柱状图 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6)) # 数据 categories = ['Q1', 'Q2', 'Q3', 'Q4'] product_x = [120, 135, 148, 165] product_y = [90, 115, 130, 140] x_index = np.arange(len(categories)) # 类别索引 [0, 1, 2, 3] bar_width = 0.35 # 柱子的宽度 # 子图1：分组柱状图 bars1 = ax1.bar(x_index - bar_width/2, product_x, width=bar_width, label='产品X', color='lightblue', edgecolor='black') bars2 = ax1.bar(x_index + bar_width/2, product_y, width=bar_width, label='产品Y', color='lightcoral', edgecolor='black') ax1.set_xlabel('季度') ax1.set_ylabel('销售额 (万)') ax1.set_title('产品季度销售额对比（分组）') ax1.set_xticks(x_index) ax1.set_xticklabels(categories) ax1.legend() # 在柱子上方添加数值标签 for bar in bars1: height = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2., height + 3, f‘{height}’, ha=‘center’, va=‘bottom’, fontsize=9) for bar in bars2: height = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2., height + 3, f‘{height}’, ha=‘center’, va=‘bottom’, fontsize=9) ax1.grid(axis=‘y’, alpha=0.4) # 子图2：堆叠柱状图 ax2.bar(categories, product_x, label='产品X', color='lightblue', edgecolor='black') ax2.bar(categories, product_y, bottom=product_x, label='产品Y', color='lightcoral', edgecolor='black') # 关键参数 bottom ax2.set_xlabel('季度') ax2.set_ylabel('总销售额 (万)') ax2.set_title('产品季度销售额对比（堆叠）') ax2.legend(loc=‘upper left’) ax2.grid(axis=‘y’, alpha=0.4) plt.tight_layout() plt.show()

分组与堆叠的选择逻辑：

• 分组柱状图：适合比较同一类别下不同分组的绝对数值。例如，比较每个季度产品X和产品Y各自的销售额。
• 堆叠柱状图：适合展示同一类别下各分组的构成比例，以及总量的对比。例如，展示每个季度总销售额中，产品X和产品Y分别贡献了多少。
• 避坑：如果分组的数值有正有负，堆叠图会变得难以阅读，此时应使用分组图。

添加数据标签的细节：

• bar.get_height()获取柱子的高度（值）。
• bar.get_x()和bar.get_width()获取柱子的左下角x坐标和宽度。
• text()函数中，ha=‘center’（水平对齐）和va=‘bottom’（垂直对齐）是让标签居中显示在柱子上方的关键。
• 标签的y坐标是height + 3，这里的3是一个偏移量，让标签略高于柱子，避免重叠。

3.4 直方图与密度图：分布形态的透视镜

直方图将连续数据分箱，用柱子的高度表示频数，是观察数据分布形状（是否正态、是否偏态）的首选工具。密度图（KDE）则是直方图的平滑版本。

# 示例：直方图与密度图叠加 fig, ax = plt.subplots(figsize=(10, 6)) # 生成偏态数据 data_skewed = np.random.gamma(shape=2, scale=2, size=1000) # 绘制直方图（归一化到密度） counts, bins, patches = ax.hist(data_skewed, bins=30, density=True, alpha=0.6, color='skyblue', edgecolor='black', label='直方图 (密度)') # 绘制核密度估计（KDE）曲线 from scipy.stats import gaussian_kde kde = gaussian_kde(data_skewed) x_range = np.linspace(bins[0], bins[-1], 500) ax.plot(x_range, kde(x_range), ‘r-’, linewidth=2, label=‘核密度估计 (KDE)’) # 添加理论分布曲线（例如Gamma分布）作为参考 shape, loc, scale = 2, 0, 2 x = np.linspace(bins[0], bins[-1], 500) pdf = (x**(shape-1) * np.exp(-x/scale)) / (scale**shape * gamma(shape)) ax.plot(x, pdf, ‘g--’, linewidth=1.5, label=‘理论Gamma分布’) ax.set_xlabel(‘数据值’) ax.set_ylabel(‘密度’) ax.set_title(‘数据分布分析：直方图 vs. KDE vs. 理论分布’) ax.legend() ax.grid(True, alpha=0.3) plt.tight_layout() plt.show()

关于bins（分箱数）的选择：这是直方图最关键的参数，没有固定答案。太少会丢失细节，太多会产生噪音。

• 经验法则：bins = int(np.sqrt(len(data)))或bins = int(np.ceil(2 * (len(data) ** (1/3))))。
• 常用策略：使用‘auto’、‘fd’（Freedman-Diaconis准则）、‘sturges’等字符串，让Matplotlib自动选择。‘fd’对于异常值较多的数据更稳健。
• 实操心得：多试几个bins值，选择那个最能清晰展示数据主要特征（如单峰/双峰、偏度、尾部）且不会过于破碎的值。

density=True参数：这会将直方图归一化，使得所有柱子的面积之和为1。这样，直方图就可以和概率密度函数（如KDE曲线、理论分布曲线）在同一尺度下进行比较，非常有用。

3.5 饼图与箱线图：比例与统计的利器

• 饼图：用于显示一个整体中各组成部分的比例。慎用，因为人眼对角度差异不敏感。类别过多（>5个）或比例接近时，建议改用堆叠柱状图。

  fig, ax = plt.subplots(figsize=(8, 8)) sizes = [35, 25, 20, 15, 5] labels = [‘A类’, ‘B类’, ‘C类’, ‘D类’, ‘其他’] explode = (0.05, 0, 0, 0, 0) # 突出第一块 ax.pie(sizes, explode=explode, labels=labels, autopct=‘%1.1f%%’, startangle=90, colors=plt.cm.Set3(np.arange(len(sizes))/len(sizes))) ax.set_title(‘市场份额分布’) ax.axis(‘equal’) # 确保饼图是正圆 plt.show()

  关键点：autopct格式化百分比，startangle设置起始角度，explode使某部分突出。务必使用ax.axis(‘equal’)。

• 箱线图：用于展示一组数据的中位数、四分位数、异常值。是数据探索性分析（EDA）的必备工具，能快速了解数据的集中趋势、离散程度和偏态。

  fig, ax = plt.subplots(figsize=(8, 6)) # 生成多组数据 data_to_plot = [np.random.normal(0, std, 100) for std in range(1, 5)] bp = ax.boxplot(data_to_plot, patch_artist=True, labels=[f‘组{i+1}’ for i in range(4)]) # 美化箱子颜色 for box in bp[‘boxes’]: box.set(facecolor=‘lightblue’, alpha=0.6) ax.set_ylabel(‘观测值’) ax.set_title(‘多组数据箱线图对比’) ax.grid(True, axis=‘y’, alpha=0.4) plt.show()

  解读箱线图：箱子中间的线是中位数；箱子的上下边是上四分位数（Q3）和下四分位数（Q1）；箱子的高度是四分位距（IQR）；上下“须”通常延伸到Q1 - 1.5*IQR和Q3 + 1.5*IQR；之外的单个点被视为异常值。

4. 图形美化的艺术：从“能看”到“专业”

一张专业的图表，细节决定成败。Matplotlib的默认样式比较基础，我们需要手动调整。

4.1 全局样式设置：一键切换专业风格

在绘图前设置全局样式，可以统一所有图形的外观。

import matplotlib.pyplot as plt # 设置全局样式 plt.style.use(‘seaborn-v0_8-darkgrid’) # 使用seaborn的深色网格样式，经典美观 # 其他优秀样式：’ggplot‘, ’fivethirtyeight‘, ’grayscale‘ plt.rcParams[‘font.sans-serif’] = [‘SimHei’, ‘Arial Unicode MS’] # 解决中文显示问题 plt.rcParams[‘axes.unicode_minus’] = False # 解决负号显示为方块的问题 plt.rcParams[‘figure.dpi’] = 150 # 提高图形显示分辨率 plt.rcParams[‘savefig.dpi’] = 300 # 保存图片时的分辨率，用于出版或打印 plt.rcParams[‘savefig.bbox’] = ‘tight’ # 保存时自动裁剪白边

4.2 颜色与色彩映射

颜色是传递信息的重要手段。

• 定性配色：用于区分不同类别，如折线图中的多条线。使用plt.cm.tab10、plt.cm.Set2等。

  colors = plt.cm.tab10(np.arange(5)/5) # 生成5个区分度好的颜色

• 顺序配色：用于表示数值大小，如热力图。使用plt.cm.viridis、plt.cm.plasma（对色盲友好）。
• 发散配色：用于表示相对中点的正负偏差，如相关性矩阵。使用plt.cm.RdBu、plt.cm.coolwarm。
• 在绘图函数中指定：color=‘#2E86AB’(十六进制)，color=(0.1, 0.2, 0.5)(RGB元组，值在0-1之间)。

4.3 刻度、标签与图例的精细化控制

这是让图表清晰易读的关键。

fig, ax = plt.subplots() # ... 绘图代码 ... # 1. 刻度设置 ax.set_xlim(0, 100) # 设置X轴范围 ax.set_ylim(-1.5, 1.5) # 设置Y轴范围 ax.set_xticks([0, 20, 40, 60, 80, 100]) # 设置X轴刻度位置 ax.set_xticklabels([‘起点’, ‘20%’, ‘40%’, ‘60%’, ‘80%’, ‘终点’], rotation=30) # 设置刻度标签并旋转 ax.tick_params(axis=‘both’, which=‘major’, labelsize=9) # 设置主刻度标签大小 # 2. 轴标签和标题 ax.set_xlabel(‘时间进度’, fontsize=12, fontweight=‘bold’) ax.set_ylabel(‘性能指标’, fontsize=12) ax.set_title(‘项目性能随时间变化图’, fontsize=14, pad=15) # pad增加标题与图的间距 # 3. 图例高级设置 # 假设lines是之前plot返回的线条对象列表 ax.legend(lines, [‘模型A’, ‘模型B’], loc=‘upper left’, frameon=True, # 显示图例边框 fancybox=True, # 边框圆角 shadow=True, # 添加阴影 fontsize=10, ncol=2) # 图例分两列显示 # 4. 添加文本和箭头注释 ax.text(50, 0.5, ‘关键节点’, fontsize=11, style=‘italic’, ha=‘center’) ax.annotate(‘峰值出现’, xy=(65, 1.2), xytext=(40, 1.0), arrowprops=dict(arrowstyle=‘->’, connectionstyle=‘arc3,rad=.2’), fontsize=10)

4.4 多子图布局与组合图形

将多个相关图形组合在一张大图中，是进行综合对比分析的常用手段。

fig = plt.figure(figsize=(12, 10)) # 使用GridSpec进行复杂布局 gs = fig.add_gridspec(3, 4) # 3行4列 # 左上角：一个大图占两行两列 ax_main = fig.add_subplot(gs[0:2, 0:2]) ax_main.plot(...) # 主图内容 # 右上角：两个小图上下排列 ax_sub1 = fig.add_subplot(gs[0, 2]) ax_sub1.hist(...) # 子图1 ax_sub2 = fig.add_subplot(gs[1, 2]) ax_sub2.scatter(...) # 子图2 # 底部：一个长图占一行四列 ax_bottom = fig.add_subplot(gs[2, :]) ax_bottom.bar(...) # 底部图 # 共享坐标轴（常用于对比） fig2, (ax_left, ax_right) = plt.subplots(1, 2, sharey=True) # 共享Y轴 ax_left.plot(...) ax_right.plot(...) # 此时只需设置左边图的Y轴标签即可 ax_left.set_ylabel(‘共享的Y轴’) plt.tight_layout() plt.show()

5. 高级技巧与性能优化

当数据量变大或图形复杂度增加时，你需要这些技巧。

5.1 大量数据的高效绘制

绘制数十万甚至上百万个数据点时，直接使用plot或scatter会极其缓慢。

• 对于折线图：使用ax.plot(x, y, ‘-’, linewidth=0.5)，线条比标记点快得多。如果数据是排序好的，可以尝试用ax.fill_between填充区域来代替细线。
• 对于散点图：
  1. 使用ax.plot代替ax.scatter：plot在绘制纯色、固定大小点时效率远高于scatter。ax.plot(x, y, ‘o’, markersize=1, alpha=0.5)。
  2. 下采样：在绘图前对数据进行随机采样或等间隔采样。
  3. 使用rasterized=True：在scatter或plot中设置此参数，会将这部分图形在保存为矢量图（如PDF）时进行栅格化，大幅减小文件体积。ax.scatter(x, y, s=1, alpha=0.2, rasterized=True)。
• 终极方案：对于超大数据集，考虑使用专门库，如Datashader（先栅格化再可视化）。

5.2 图形保存与格式选择

fig.savefig()是保存图形的标准方法。

fig.savefig(‘my_plot.png’, dpi=300, bbox_inches=‘tight’, facecolor=‘white’, edgecolor=‘none’)

• 格式选择：
  • .png：位图，支持透明度，适用于网页、报告。文件大小和分辨率（DPI）相关。
  • .jpg/.jpeg：有损压缩位图，文件小，不支持透明度。适用于照片类图像。
  • .pdf：矢量图，无限缩放不失真，适用于学术出版、打印。文件可能较大。
  • .svg：矢量图，适用于网页前端交互。可被代码编辑器编辑。
• bbox_inches=‘tight’：自动计算并裁剪图形周围的空白区域，强烈推荐。
• facecolor/edgecolor：设置画布的背景色和边框色。

5.3 自定义绘图样式与复用

你可以创建自己的样式文件，实现公司或个人的图表风格统一。

1. 创建一个mystyle.mplstyle文件，内容如下：

   figure.figsize: 8, 6 figure.dpi: 150 font.size: 11 axes.titlesize: 13 axes.labelsize: 11 lines.linewidth: 2 lines.markersize: 6 legend.fontsize: 10 grid.alpha: 0.3 savefig.dpi: 300 savefig.bbox: tight

2. 在代码中使用：plt.style.use(‘./mystyle.mplstyle’)。

6. 常见问题排查与调试心得

绘图时总会遇到各种奇怪的问题，这里记录几个最常遇到的。

问题1：中文显示为方框

• 原因：系统缺少中文字体或Matplotlib未配置中文字体。
• 解决：

  # 方法一：临时指定（推荐） plt.rcParams[‘font.sans-serif’] = [‘SimHei’, ‘Microsoft YaHei’, ‘Arial Unicode MS’] # Windows # plt.rcParams[‘font.sans-serif’] = [‘Heiti TC’, ‘Arial Unicode MS’] # Mac plt.rcParams[‘axes.unicode_minus’] = False

  • 如果上述字体无效，找到你系统里的中文字体文件（如C:\Windows\Fonts\msyh.ttc微软雅黑），并将其路径添加到Matplotlib的字体管理中。

问题2：保存的图片分辨率低，文字模糊

• 原因：保存时DPI设置过低，或显示DPI与保存DPI混淆。
• 解决：
  1. 在保存时明确指定高DPI：fig.savefig(‘output.png’, dpi=300)。
  2. 设置全局保存DPI：plt.rcParams[‘savefig.dpi’] = 300。
  3. 确保画布尺寸（figsize）足够大。一个figsize=(8,6)英寸，dpi=300的图片，像素尺寸是2400x1800，足够清晰。

问题3：图例显示不正确或出现重复项

• 原因：重复调用ax.plot且未正确处理返回的线条对象，或在循环中错误添加标签。
• 解决：
  • 在绘图时明确指定label参数，并确保每个label唯一。
  • 调用一次ax.legend()即可。如果图例项不对，可以手动指定：

    line1, = ax.plot(x1, y1, label=‘Line 1’) line2, = ax.plot(x2, y2, label=‘Line 2’) ax.legend([line1, line2], [‘自定义名1’, ‘自定义名2’])

问题4：图形在Notebook中显示不正常或太小

• 原因：figsize设置不当或未使用%matplotlib inline魔法命令。
• 解决：
  1. 在Jupyter单元格开头运行%matplotlib inline。
  2. 创建图形时设置合适的figsize，如plt.subplots(figsize=(12, 8))。
  3. 使用plt.tight_layout()自动调整布局。
  4. 可以尝试%config InlineBackend.figure_format = ‘retina’来获得更高清的显示（如果系统支持）。

问题5：绘制速度慢，卡顿

• 原因：数据量过大；图形元素过多（如大量散点、文本）；使用了抗锯齿等高性能消耗特性。
• 解决：
  1. 对大数据进行下采样。
  2. 简化图形：减少不必要的网格、图例、注释。
  3. 关闭抗锯齿：在绘图函数中加入antialiased=False参数（对线条有效）。
  4. 使用更高效的绘图方法（如前文所述，用plot代替scatter）。
  5. 考虑使用Matplotlib的交互式后端（如%matplotlib widget）进行数据探索，但最终出版图形用静态后端渲染。

绘图就像做菜，Matplotlib给了你最齐全的厨房和食材，但一道好菜需要你对火候（参数）、刀工（数据处理）、摆盘（美化）都有深刻的理解。最好的学习方式就是“临摹”——找到你觉得专业的图表，用Matplotlib尝试复现它，在这个过程中，你会被迫去查每一个细节的实现方法，这才是最快的学习路径。当你能够不假思索地调出合适的颜色、设置完美的布局、一眼看出图形中的问题所在时，你就真正掌握了用二维图形讲述数据故事的能力。