Lab 2.2 高效学习Matplotlib绘图实验¶

(date: 2025-11-24)

需改写

通过这个90分钟的实验，你可以快速掌握Matplotlib的核心绘图功能。Matplotlib是Python最流行的数据可视化库，用于创建各种静态、动态和交互式图表。

在本实验中，你会需要先阅读和运行基础示例，然后按 [step] 要求修改代码完成实验。

实验环境准备¶

# 安装matplotlib（如果尚未安装）
# pip install matplotlib

import matplotlib.pyplot as plt
import numpy as np

print("Matplotlib版本:", plt.__version__)

第1部分：基础绘图与样式定制¶

创建简单线图¶

[step 1] 要求：

创建x从0到4π，包含100个点的数组
绘制sin(x)和cos(x)的曲线，sin用红色实线，cos用蓝色虚线
添加标题"三角函数曲线"，x轴标签"x"，y轴标签"y"
添加图例，显示'sin(x)'和'cos(x)'
设置网格线

# 基础绘图示例
x = np.linspace(0, 2*np.pi, 50)
y_sin = np.sin(x)
y_cos = np.cos(x)

plt.figure(figsize=(10, 6))
plt.plot(x, y_sin, label='sin(x)')
plt.plot(x, y_cos, label='cos(x)')
plt.title('基础三角函数图')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.grid(True)
plt.show()

多子图布局¶

[step 2] 要求：

创建2×2的子图布局
左上：绘制sin(x)的散点图，点大小为20，颜色为红色
右上：绘制cos(x)的柱状图（使用bar）
左下：绘制tan(x)，注意处理无穷大值
右下：绘制sin(x) + cos(x)的面积图
为每个子图添加标题

# 多子图示例
x = np.linspace(0, 2*np.pi, 20)

fig, axes = plt.subplots(2, 2, figsize=(12, 8))

# 子图1：线图
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title('正弦函数')

plt.tight_layout()
plt.show()

第2部分：高级图表与数据可视化¶

多种图表类型¶

[step 3] 要求：

创建包含3个子图的画布
左图：绘制随机数据的散点图，点大小和颜色随数据变化
中图：绘制3组随机数据的箱线图，添加均值标记
右图：绘制随机数据的直方图，设置透明度为0.7，添加密度曲线

# 多种图表类型示例
np.random.seed(42)
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(1, 1.5, 100)

plt.figure(figsize=(15, 5))

# 散点图示例
plt.subplot(1, 3, 1)
plt.scatter(data1, data2)
plt.title('散点图')

plt.tight_layout()
plt.show()

热力图与颜色映射¶

[step 4] 要求：

创建10×10的随机矩阵，数值范围0-1
绘制热力图，使用'viridis'颜色映射
添加颜色条，设置标签"数值强度"
在热力图上显示数值文本（保留1位小数）
设置x轴和y轴标签为1-10

# 热力图示例
data = np.random.rand(5, 5)

plt.figure(figsize=(8, 6))
plt.imshow(data, cmap='hot')
plt.colorbar()
plt.title('热力图示例')
plt.show()

第3部分：实战应用-数据故事讲述¶

综合数据可视化项目¶

[step 5] 要求：分析模拟销售数据并创建完整的仪表板

数据准备：生成12个月的模拟销售数据，包含产品A、B、C的销售额
创建2×2的仪表板：
- 左上：月度总销售额趋势线图
- 右上：各产品销售额堆叠面积图
- 左下：产品销售额占比饼图
- 右下：月度增长率柱状图
样式要求：
- 使用seaborn风格
- 统一颜色主题
- 添加总标题"年度销售分析仪表板"
- 调整间距使布局美观

# 数据准备
months = ['1月', '2月', '3月', '4月', '5月', '6月', 
          '7月', '8月', '9月', '10月', '11月', '12月']
product_a = np.random.randint(1000, 5000, 12)
product_b = np.random.randint(800, 4000, 12)
product_c = np.random.randint(1200, 6000, 12)

# 基础图表示例
plt.style.use('seaborn')
fig, ax = plt.subplots(figsize=(10, 6))
x_pos = np.arange(len(months))

ax.bar(x_pos - 0.2, product_a, 0.2, label='产品A')
ax.bar(x_pos, product_b, 0.2, label='产品B')
ax.bar(x_pos + 0.2, product_c, 0.2, label='产品C')

ax.set_title('月度产品销售对比')
ax.set_xticks(x_pos)
ax.set_xticklabels(months)
ax.legend()

plt.show()

高级定制与输出¶

[step 6] 要求：

优化前面的销售仪表板，添加以下高级功能：
- 在趋势图中标记最高和最低点
- 在饼图中突出显示占比最大的产品
- 在增长率图中用不同颜色区分正负增长
- 添加自定义注释和箭头指向关键数据点
保存图表为高质量PNG文件（300 dpi）
在analysis.md中分析哪个图表最能有效传达信息，为什么？

# 图表保存示例
plt.figure(figsize=(10, 6))
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
plt.savefig('my_plot.png', dpi=300, bbox_inches='tight')
plt.show()

实验总结¶

通过这个实验，你将掌握：

✅ Matplotlib基础绘图和样式定制
✅ 多子图布局和复杂图表创建
✅ 数据可视化最佳实践
✅ 图表导出和高级定制技巧

在analysis.md中回答：

多子图布局中，subplot()和subplots()的主要区别是什么？
在数据可视化中，如何选择合适的图表类型来传达信息？
高质量的科学图表应该具备哪些特征？