Python中Matplotlib库的使用（三）—— Matplotlib绘制图的常用类型

Matplotlib绘制图的常用类型

plot(x,y)

plot(x, y)函数用于绘制折线图。折线图是一种用来展示连续数据之间关系的图表类型，适用于表示数据随着一个或多个变量的变化而变化的情况。

具体来说，plot(x, y)函数接受两个参数：

• x：表示X轴上的数据点的值，通常是一个数组或列表，表示自变量的取值。
• y：表示Y轴上的数据点的值，也是一个数组或列表，表示因变量随自变量变化的取值。

折线图会将这些数据点连接起来，形成一条或多条线，以展示数据的趋势或变化情况。以下是一些常见的折线图样式及其特点：

1. 单条折线图：用于表示单一变量的变化趋势。可以通过添加数据标记点来强调关键数据点。
2. 多条折线图：可以在同一张图上绘制多条折线，用于比较多个变量之间的趋势。每条折线可以使用不同的颜色或线型进行区分。
3. 带标记点的折线图：通过在折线上添加标记点，可以更清晰地表示数据的取值，尤其在数据变化明显的位置。
4. 平滑曲线折线图：使用平滑曲线（如样条曲线或平滑的多项式拟合曲线）来连接数据点，以平滑显示数据的变化趋势，避免过多的波动。
5. 面积图折线图：可以通过在折线下方填充颜色，展示数据随时间的累积变化。常用于表示累积数据，如总收入或总销量。
6. 双坐标轴折线图：在同一张图上绘制两条折线，分别使用左右两个不同的Y轴刻度，用于表示不同量纲或变化幅度较大的数据。

例如：

import matplotlib.pyplot as plt
import numpy as np
plt.style.use('_mpl-gallery')
# 生成数据
x = np.linspace(0, 10, 100)
y = 4 + 2 * np.sin(2 * x)

# plot
fig, ax = plt.subplots()

ax.plot(x, y, linewidth=2.0)

ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))
plt.show()

scatter(x, y)

scatter(x, y)函数用于绘制散点图。散点图是一种用于展示两个变量之间关系的图表类型，每个数据点由两个数值（X轴和Y轴上的值）表示，以点的形式在图表上进行表示。

scatter(x, y)函数接受两个参数：

• x：表示X轴上的数据点的值，通常是一个数组或列表，表示自变量的取值。
• y：表示Y轴上的数据点的值，也是一个数组或列表，表示因变量的取值。

散点图通过在坐标系中放置单个数据点来展示两个变量之间的关系。以下是一些散点图的特点和用途：

1. 相关性检测：通过绘制散点图，可以观察两个变量之间的关系，判断它们之间是否存在线性相关性、正相关还是负相关。
2. 分布情况：散点图可以用来展示数据的分布情况，特别是在两个维度上都有变化的情况下。
3. 聚类分析：当数据点在图上聚集成群时，散点图可以帮助识别是否存在多个聚类或群集。
4. 异常值识别：通过观察散点图，可以识别出位于数据集中的异常值或离群点。
5. 多变量关系：散点图也可以用于展示多个变量之间的关系，通过使用不同的颜色、大小或形状来表示不同的变量。

比如生成一个显示汽车速度与制动距离关系的散点图，其中每个数据点表示一个速度-制动距离的对应关系：

import matplotlib.pyplot as plt
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体

# 示例数据：汽车速度与制动距离的关系
speed = [4, 7, 11, 15, 18, 20, 22, 24, 26, 29]
brake_distance = [2, 4, 7, 10, 12, 15, 18, 22, 25, 28]

# 创建散点图
plt.figure(figsize=(8, 6))  # 设置图像大小
plt.scatter(speed, brake_distance, color='blue', marker='o', label='数据点')  # 绘制散点图
plt.title('汽车速度与制动距离关系')  # 添加标题
plt.xlabel('速度 (mph)')  # 添加X轴标签
plt.ylabel('制动距离 (ft)')  # 添加Y轴标签
plt.legend()  # 显示图例
plt.grid(True)  # 添加网格线
plt.show()  # 显示图像

在使用scatter(x, y)函数时，还可以通过设置参数来定制散点图的外观，如点的大小、颜色、标记形状等，以便更好地传达数据的信息。

例如生成一个具有随机数据点、自定义样式和点大小、颜色的散点图：

import matplotlib.pyplot as plt
import numpy as np
# 创建数据
np.random.seed(3)
x = 4 + np.random.normal(0, 2, 24)  # 生成24个随机数，以4为中心，标准差为2
y = 4 + np.random.normal(0, 2, len(x))  # 生成与x相同数量的随机数，以4为中心，标准差为2
# 设置点的大小和颜色
sizes = np.random.uniform(15, 80, len(x))  # 生成在15和80之间的随机数作为点的大小
colors = np.random.uniform(15, 80, len(x))  # 生成在15和80之间的随机数作为颜色

# 绘制散点图
fig, ax = plt.subplots()  # 创建一个图像和坐标轴的组合
ax.scatter(x, y, s=sizes, c=colors, vmin=0, vmax=100)  # 绘制散点图，设置点的大小和颜色的范围

# 设置坐标轴范围和刻度
ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))

plt.show()  # 显示图像

bar(x, height)

bar(x, height)函数用于绘制条形图（柱状图）。条形图是一种常用的数据可视化方式，用于展示不同类别或组之间的比较。每个条形的高度表示与该类别或组相关联的数值。

bar(x, height)函数接受两个主要参数：

• x：表示条形的位置，通常是一个数组或列表，表示每个条形的位置。
• height：表示每个条形的高度，也是一个数组或列表，表示每个条形的数值。

以下是一些关于bar(x, height)函数的特点和用途：

1. 分类比较：条形图适用于对不同类别或组之间的数值进行比较。每个条形代表一个类别，其高度表示与该类别相关的数值。
2. 单个数据集内的分布：可以使用条形图来展示单个数据集内不同类别的分布情况，比如一个时间段内不同产品的销售数量。
3. 多组数据比较：通过在同一张图上绘制多组条形，可以方便地比较不同组的数据，以查看它们之间的差异。
4. 标记数据点：可以在每个条形上方添加数值标签，以明确显示每个类别对应的具体数值。
5. 堆叠条形图：通过在同一位置堆叠多个条形，可以展示多个维度的数据，同时呈现每个类别内部的分布。
6. 分组条形图：将每个类别内的不同组的条形并列显示，便于比较不同组之间的数值。

例如创建一个条形图用于比较不同城市的人口数量和GDP：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体

# 示例数据：不同城市的人口数量和GDP
cities = ['City A', 'City B', 'City C', 'City D', 'City E']
population = [1200000, 850000, 1500000, 2000000, 800000]
gdp = [250000, 180000, 320000, 400000, 150000]

# 设置条形图的位置
x_positions = np.arange(len(cities))

# 创建条形图
fig, ax1 = plt.subplots()

# 绘制人口数量的条形
ax1.bar(x_positions - 0.2, population, width=0.4, align='center', color='b', label='人口数量')

# 创建第二个坐标轴以显示GDP数据
ax2 = ax1.twinx()
ax2.bar(x_positions + 0.2, gdp, width=0.4, align='center', color='r', label='GDP')

# 设置图例和标签
ax1.set_xticks(x_positions)
ax1.set_xticklabels(cities)
ax1.set_xlabel('城市')
ax1.set_ylabel('人口数量')
ax2.set_ylabel('GDP')

# 合并图例
lines, labels = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax2.legend(lines + lines2, labels + labels2, loc='upper left')

plt.title('城市人口数量和GDP对比')

plt.show()

每个城市在图中由两个相邻的条形表示，左侧的蓝色条形代表人口数量，右侧的红色条形代表GDP。通过双坐标轴的设计，使得两种数据可以在同一图中进行比较，而X轴上的城市名称使得每个条形与相应城市相关联。这个例子演示了如何处理具有多个数据集和双坐标轴的情况。

stem(x,y)

stem(x, y)函数用于绘制茎叶图（stem plot），也称为蒂叶图。茎叶图是一种用于可视化数据分布和变化的图表类型，特别适用于展示数据的离散值以及它们的频率分布。

stem(x, y)函数接受两个参数：

• x：表示X轴上的数据点的值，通常是一个数组或列表，表示数据点的位置。
• y：表示Y轴上的数据点的值，也是一个数组或列表，表示数据点的取值。

茎叶图的绘制方式是：对每个数据点，将其拆分为茎（高位部分）和叶（个位部分），然后在图表上绘制一个垂直线（茎）和水平线（叶），以表示数据的分布。

茎叶图的特点和用途：

1. 数据展示：茎叶图可用于展示离散数据的取值情况，更能突显数据的分布。
2. 频率分布：通过茎叶图，可以直观地查看数据的频率分布，有助于发现数据的模式和趋势。
3. 离群值识别：茎叶图可以帮助识别离群值，这些值可能在图表上单独突出显示。
4. 数据比较：通过绘制多个数据集的茎叶图，可以方便地比较它们之间的分布。

例如：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体

# 示例数据：随机生成一组数据
data = np.array([21, 35, 22, 18, 26, 39, 29, 28, 23, 35])

# 创建茎叶图
plt.stem(data)

# 添加标题和标签
plt.title('茎叶图示例')
plt.xlabel('数据索引')
plt.ylabel('数据值')

plt.show()

step(x,y)

step(x, y)函数用于绘制阶梯图（step plot），也被称为阶梯线图或台阶图。阶梯图是一种用于可视化离散数据的图表类型，其特点是数据点之间通过垂直和水平线段连接，而不是平滑的曲线。

step(x, y)函数接受两个参数：

• x：表示X轴上的数据点的值，通常是一个数组或列表，表示自变量的取值。
• y：表示Y轴上的数据点的值，也是一个数组或列表，表示因变量的取值。

阶梯图的绘制方式是：对每个数据点，将其前一个数据点的X值作为起点，当前数据点的Y值作为终点，连接这两个点。这样，就可以形成一系列水平线段和垂直线段。

阶梯图的特点和用途：

1. 数据展示：阶梯图适用于展示离散数据点之间的变化趋势，尤其适用于时间序列数据。
2. 数据步进：通过阶梯图，可以更清晰地表示数据从一个离散点到另一个离散点的变化。
3. 模拟变化：阶梯图可用于模拟连续变量在离散时间或事件点上的变化，如模拟某个值在不同时间段内的变化。

例如：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据：模拟温度变化
time = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
temperature = np.array([20, 22, 24, 25, 23, 22, 21, 20, 19, 18])

# 创建阶梯图
plt.step(time, temperature, where='mid')

# 添加标题和标签
plt.title('温度变化阶梯图')
plt.xlabel('时间')
plt.ylabel('温度 (°C)')

plt.show()

在这个示例图中，time数组表示时间点，temperature数组表示相应时间点的温度。通过plt.step(time, temperature, where='mid')语句，我们绘制了这些温度变化的阶梯图。where='mid'参数指定了线段连接到每个数据点的中间位置。其他部分用于添加标题和标签，最后使用plt.show()显示图像。这个示例演示了如何使用step(x, y)函数绘制阶梯图，以展示离散数据的变化趋势。

fill_between(x, y1, y2)

fill_between(x, y1, y2)函数用于在两个Y轴数据序列之间填充颜色，通常用于表示两个数据序列之间的区域或范围。这个函数可以用于创建各种图表，如误差范围图、置信区间图等。

fill_between(x, y1, y2)函数接受三个参数：

• x：表示X轴上的数据点的值，通常是一个数组或列表，表示自变量的取值。
• y1：表示Y轴上的数据点的值，也是一个数组或列表，表示第一个数据序列的取值。
• y2：表示Y轴上的数据点的值，也是一个数组或列表，表示第二个数据序列的取值。

fill_between函数会在y1和y2之间的区域填充颜色，从而突出两个数据序列之间的差异或范围。

fill_between函数的特点和用途：

1. 数据区间表示：fill_between函数非常适用于展示数据序列之间的区间、范围或误差。
2. 误差范围图：通过填充两个数据序列之间的区域，可以展示测量值的误差范围，帮助理解数据的不确定性。
3. 置信区间图：可以使用fill_between来显示置信区间，即表达数据的预测范围。

在下面这个股票价格波动图的例子中，fill_between函数的目的是用于将股票价格的上限和下限之间的区域填充颜色，以突出价格的波动范围：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据：股票价格走势和价格波动范围
days = np.arange(1, 11)
stock_prices = [100, 105, 110, 108, 112, 115, 120, 118, 125, 123]
price_range = [4, 3, 5, 3, 4, 3, 4, 3, 5, 4]

# 创建股票价格波动图
plt.plot(days, stock_prices, color='b', marker='o', label='股票价格')
plt.fill_between(days, np.subtract(stock_prices, price_range), np.add(stock_prices, price_range), color='lightblue', alpha=0.3, label='价格波动范围')

# 添加标题和标签
plt.title('股票价格走势和价格波动范围')
plt.xlabel('天数')
plt.ylabel('价格')
plt.legend()

plt.show()

首先，我们有每天的股票价格数据列表 stock_prices，以及每天的价格波动范围列表 price_range。对于每一天，我们通过从相应的 stock_prices 中减去 price_range 来计算下限值，通过加上 price_range 来计算上限值。这样，我们获得了每天股票价格的下限和上限。

然后，使用 plt.fill_between() 函数，我们将这些下限和上限之间的区域进行填充。fill_between 函数的第一个参数是 X 轴的数据，这里是 days，第二个参数是 Y 轴的下限，第三个参数是 Y 轴的上限。这使得函数知道在哪个范围内填充颜色。

stackplot(x, y)

stackplot(x, y)函数用于绘制堆叠区域图（stacked area plot），也称为堆积面积图。堆叠区域图适用于展示多个数据序列在相同X轴上的分布情况，并突出不同数据序列的累积贡献。

stackplot(x, y)函数接受两个参数：

• x：表示X轴上的数据点的值，通常是一个数组或列表，表示自变量的取值。
• y：一个列表（或多维数组）的列表，表示每个数据序列在各个X值上的高度。多个数据序列将在图表上堆叠显示。

堆叠区域图的绘制方式是：从下到上，按照给定的数据序列顺序，将每个数据序列的高度在X轴上进行累积叠加。

堆叠区域图的特点和用途：

1. 多个序列比较：堆叠区域图适用于比较多个数据序列之间的分布，可以突出每个数据序列的相对贡献。
2. 部分与整体关系：可以用于展示每个部分对于整体的贡献，例如市场份额、不同产品的销售构成等。
3. 分布变化：通过展示堆叠的区域，可以清楚地看到各个数据序列在不同X值上的分布变化。

例如：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据：不同年龄段的人口构成
age_groups = ['0-10', '11-20', '21-30', '31-40', '41-50', '51-60', '61+']
male_population = [1500, 2200, 3200, 3000, 2800, 2000, 1800]
female_population = [1400, 2100, 3100, 2900, 2700, 1900, 1700]
other_population = [100, 150, 200, 150, 100, 50, 30]

# 创建人口构成堆叠区域图
plt.stackplot(age_groups, male_population, female_population, other_population,
              labels=['男性', '女性', '其他'], colors=['b', 'r', 'g'], alpha=0.7)

# 添加标题和标签
plt.title('不同年龄段的人口构成')
plt.xlabel('年龄段')
plt.ylabel('人口数量')
plt.legend(loc='upper right')

plt.show()

在这个示例中使用plt.stackplot()函数绘制了人口构成的堆叠区域图，每个数据序列在X轴上叠加显示，通过labels参数添加图例标签，colors参数设置不同颜色，alpha参数设置填充颜色的透明度，以突出不同年龄段的人口构成情况。通过比较不同性别和其他人口在不同年龄段的分布，可以更好地了解人口构成的特点和变化趋势。

imshow(Z)

imshow(Z)函数用于显示一个二维数组（或矩阵）Z，将其表示为彩色或灰度图像。这个函数常用于图像处理、数据可视化、热图等应用场景。

imshow(Z)函数接受一个参数：

• Z：一个二维数组，表示图像的像素值或数据矩阵。它可以是灰度图像、彩色图像的某个通道，或者表示其他数据的矩阵。

imshow函数的特点和用途：

1. 图像显示：imshow函数可用于将二维数组显示为图像，通过不同的像素值映射到不同的颜色，形成可视化结果。
2. 热图：当Z是一个数据矩阵时，imshow函数可以用于绘制热图，通过不同的数据值映射到不同的颜色，帮助显示数据的分布情况。
3. 图像处理：在图像处理中，可以使用imshow来显示图像的各种处理结果，如滤波、边缘检测等。

以绘制热图（heatmap）为例。热图常用于显示矩阵数据的分布情况，其中矩阵的每个元素通过颜色来表示其值的大小：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据：矩阵数据表示数据强度
matrix_data = np.random.random((10, 10))  # 10x10的随机矩阵数据

# 显示热图
plt.imshow(matrix_data, cmap='hot', origin='upper')

# 添加颜色条
plt.colorbar()

# 添加标题和标签
plt.title('数据强度热图')
plt.xlabel('列')
plt.ylabel('行')

plt.show()

对于这个示例，matrix_data是一个随机生成的10×10矩阵，表示不同位置的数据强度。通过使用imshow(matrix_data, cmap='hot', origin='upper')，将矩阵数据绘制成了一个热图，其中不同颜色表示不同的数据强度。cmap参数指定了使用热色彩映射，origin参数指定了坐标原点在图像的上方。

hist(x)

hist(x)函数用于绘制直方图，用于展示数据的分布情况，特别是连续型数据的频率分布。直方图将数据范围划分为多个区间（称为“箱子”或“bin”），然后统计每个区间中数据的数量或频率。

hist(x)函数接受一个参数：

• x：一个一维数组或列表，表示要绘制直方图的数据。

hist函数的特点和用途：

1. 数据分布可视化：hist函数可以将数据的分布情况以直观的方式展示出来，帮助了解数据的中心趋势、离散程度以及异常值等。
2. 频率分布：通过将数据分成多个区间，hist函数可以显示每个区间内数据的频率，帮助你分析数据在不同值范围内的密度。
3. 分析分布形状：直方图的形状可以提供关于数据分布是否对称、偏斜或多峰等信息。

例如分析学生考试成绩分布情况：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据：学生考试成绩
exam_scores = np.random.randint(0, 100, 200)  # 随机生成200个考试成绩

# 绘制直方图
plt.hist(exam_scores, bins=10, color='green', edgecolor='black')

# 添加标题和标签
plt.title('学生考试成绩分布')
plt.xlabel('分数范围')
plt.ylabel('学生人数')

plt.show()

使用plt.hist(exam_scores, bins=10, color='green', edgecolor='black')函数绘制了直方图，bins参数指定了要使用的区间数量，color参数设置了柱子的填充颜色，edgecolor参数设置了柱子的边框颜色。

pie(x)

pie(x)函数用于绘制饼图（pie chart），用于显示数据的相对比例。饼图通过将数据按照不同的比例分成扇形，以表示各个部分在整体中的贡献。饼图常用于展示分类数据的分布情况。

pie(x)函数接受一个参数：

• x：一个包含各个部分比例的一维数组或列表，表示要绘制饼图的数据。

pie函数的特点和用途：

1. 数据比例：pie函数适用于展示不同部分在整体中的比例关系，特别是当你关注数据的相对贡献时。
2. 数据分类：饼图可以用于展示数据的分类，各个扇形区域表示不同的数据类别。
3. 直观显示：饼图提供了一种直观的方式来显示相对比例，使观察者能够迅速理解数据的分布情况。

比如需要进行能源分析，了解一个城市的不同能源类型在总能源供应中的比例，以及不同能源对环境的影响：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据：城市能源供应结构比例
energy_sources = ['煤炭', '石油', '天然气', '核能', '可再生能源']
proportions = [30, 25, 20, 10, 15]  # 各个能源的供应比例

# 绘制饼图
plt.pie(proportions, labels=energy_sources, autopct='%1.1f%%', startangle=140, colors=['gray', 'pink', 'blue', 'green', 'orange'])

# 添加标题
plt.title('城市能源供应结构')

plt.axis('equal')  # 使饼图保持圆形

plt.show()

在上图中，使用plt.pie(proportions, labels=energy_sources, autopct='%1.1f%%', startangle=140, colors=['gray', 'black', 'blue', 'green', 'orange'])函数绘制了饼图，labels参数指定了每个扇形的标签，autopct参数设置了百分比显示格式，startangle参数设置了饼图的起始角度，colors参数设置了每个扇形的颜色。

contour(X, Y, Z)和contourf(X, Y, Z)

contour(X, Y, Z)和contourf(X, Y, Z)函数用于绘制等高线图（contour plot）和填充等高线图（filled contour plot），用于表示二维数据的等高线分布。等高线图在可视化数据表面的高度或数值分布时非常有用。

这两个函数的参数如下：

• X和Y：表示二维数据的网格点坐标，通常是由numpy.meshgrid函数生成的两个二维数组。
• Z：一个与X和Y对应的二维数组，表示要绘制等高线的数据值。

contour(X, Y, Z)函数的特点和用途：

1. 数据轮廓：contour函数用于绘制等高线图，其中等高线表示数据表面上的高度或数值分布。
2. 轮廓线：绘制的等高线通过线条表示不同数据值的轮廓，颜色通常相同。
3. 数据分布：等高线图能够清晰地展示数据在二维空间中的分布情况，特别适用于显示地形高度、温度分布等数据。

contourf(X, Y, Z)函数的特点和用途：

1. 填充区域：contourf函数用于绘制填充等高线图，其中不同等高线之间的区域被填充颜色，以突出数据值的分布。
2. 颜色映射：填充区域的颜色根据数据值的大小来映射，可以通过cmap参数指定颜色映射。
3. 数据分布：填充等高线图可以更直观地显示数据值在不同区域的分布，特别适用于表示温度、浓度等数据。

假设想要绘制一个地区的地形高度分布图，包括等高线图和填充等高线图，以便更好地理解地势起伏情况：

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 设置负号为标准的减号
plt.rcParams['axes.unicode_minus'] = False

# 创建网格点坐标
x = np.linspace(-5, 5, 300)
y = np.linspace(-5, 5, 300)
X, Y = np.meshgrid(x, y)

# 示例数据：地形高度
Z = np.sin(np.sqrt(X**2 + Y**2)) + np.cos(np.sqrt(X**2 + Y**2))

# 创建绘图区域
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 绘制等高线图
contour1 = ax1.contour(X, Y, Z, levels=20, colors='black')
ax1.set_title('等高线图')
ax1.set_xlabel('X轴')
ax1.set_ylabel('Y轴')

# 绘制填充等高线图
contourf = ax2.contourf(X, Y, Z, levels=20, cmap='viridis')
ax2.set_title('填充等高线图')
ax2.set_xlabel('X轴')
ax2.set_ylabel('Y轴')

# 添加颜色条
cbar = plt.colorbar(contourf, ax=ax2)
cbar.set_label('高度')

plt.tight_layout()
plt.show()

注意，以上只是一些基本的Matplotlib所能绘制的图形类型，它还可以与很多其他库结合使用，绘制更多更加复杂的图形。

题外话

感谢你能看到最后，给大家准备了一些福利！

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。


👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python兼职渠道推荐*

学的同时助你创收，每天花1-2小时兼职，轻松稿定生活费.

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

若有侵权，请联系删除