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：
| 参数 | 说明 |
|---|---|
cmap |
颜色映射，用于灰度图，如 'gray', 'viridis' |
vmin, vmax |
控制颜色范围（归一化） |
interpolation |
插值方式，如 'nearest', 'bilinear' |
✅ 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
| 函数 | 用途 |
|---|---|
plt.figure(figsize=(w, h)) |
创建新图形，设置尺寸（英寸） |
plt.subplot(nrows, ncols, index) |
创建子图 |
plt.subplots() |
一次性创建 figure + axes（推荐） |
plt.tight_layout() |
自动调整子图间距，避免重叠 |
plt.savefig('file.png', dpi=300, bbox_inches='tight') |
高清保存图像 |
plt.close() |
关闭当前图形（防止内存泄漏） |
plt.gca() / plt.gcf() |
获取当前坐标轴 / 图形对象 |
plt.xlim(), plt.ylim() |
设置坐标轴范围 |
plt.xticks(), plt.yticks() |
自定义刻度标签 |
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
| 分析目标 | Seaborn | Matplotlib |
|---|---|---|
| 分布 | sns.histplot(), sns.kdeplot() |
plt.hist() |
| 相关性 | sns.heatmap(df.corr()) |
plt.imshow() + 手动标注 |
| 分类比较 | sns.barplot(), sns.boxplot() |
plt.bar(), plt.boxplot() |
| 散点关系 | sns.scatterplot() |
plt.scatter() |
✅ 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
| 功能 | 推荐做法 |
|---|---|
| 读/写图像 | 优先用 PIL.Image 或 imageio，而非 imread/imsave |
| 显示图像/热力图 | plt.imshow() + cmap + colorbar() |
| 中文显示 | plt.rcParams['font.sans-serif'] = ['SimHei'] |
| 美化图表 | sns.set_style() + Matplotlib 定制 |
| 复杂布局 | plt.subplots() + ax 对象传给 Seaborn |
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
gitee：https://gitee.com/wy18585051844/ai_learning
《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》
posted on
浙公网安备 33010602011771号