Day 20 Matplotlib 基礎

引言

資料分析做完之後，最常被問的問題是「可以畫成圖嗎？」一張清楚的圖，勝過千筆數字。Python 生態圈中，畫圖的標準工具是 Matplotlib：從 2003 年發布至今，已經成為資料視覺化的事實標準，幾乎所有 Python 圖表函式庫（Seaborn、Pandas 內建繪圖等）底層都呼叫它。學會 Matplotlib 不只是學一個套件，更是學會一套「描述資料」的通用語言。

今天要建立 Matplotlib 的基礎功。我們會先理解 figure 與 axes 的概念，再用幾行程式碼畫出折線圖、長條圖與散佈圖，最後學會加上標題、座標軸標籤與圖例，讓圖表能完整傳達資訊。學完這一篇，之後不管是寫報告、做簡報、或部署到網頁，都能輕鬆上手。這篇會假設你已經裝好 Matplotlib 3.9 以上版本，並熟悉基本的 Python 語法。

figure 與 axes：理解 Matplotlib 的兩層架構

Matplotlib 的圖由兩個層級組成：「figure」是整張畫布，「axes」是畫布上的一個子圖區。一張 figure 可以有多個 axes（例如 2×2 的子圖網格），每個 axes 都有自己的座標系、標題與圖例。這種設計的好處是：當我們要畫多張關聯的子圖時，可以把它們放在同一張 figure 上共享資訊，但又各自有獨立的樣式設定。

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [10, 20, 25, 30])
ax.set_title("簡單折線圖")
ax.set_xlabel("x 軸")
ax.set_ylabel("y 軸")
plt.show()

這段程式碼做了三件事：建立一個 figure、加入一個 axes、呼叫 plot() 把資料點連起來。執行後會顯示一張從左下到右上、緩慢上升的折線圖。fig, ax = plt.subplots() 是目前最推薦的寫法，比早期 plt.plot() 直接呼叫更清楚，也更容易擴充。習慣這種寫法後，未來要改成 2×2 子圖也只需要改一個參數：plt.subplots(2, 2)。

折線圖：呈現趨勢變化

折線圖是觀察「隨時間變化」最直覺的圖。Day 19 我們處理過每日銷售資料，今天就用 Matplotlib 把月銷售趨勢畫出來。折線圖適合資料點之間有先後順序或連續性的情境，例如月份、星期、產品編號；如果類別之間沒有順序關係，用長條圖會更清楚。

import matplotlib.pyplot as plt

months = ["1 月", "2 月", "3 月", "4 月", "5 月", "6 月"]
sales = [120, 145, 130, 180, 210, 195]

fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(months, sales, marker="o", color="steelblue", linewidth=2)
ax.set_title("上半年銷售趨勢")
ax.set_xlabel("月份")
ax.set_ylabel("銷售額（萬元）")
ax.grid(True, linestyle="--", alpha=0.5)
plt.show()

輸出會是一張六個資料點的折線圖，每個點用圓圈標出，並以淺藍色線段連接。圖上的虛線格線能讓讀者更容易對應到具體的數值。figsize=(8, 4) 設定圖的寬高（單位是英吋），marker="o" 決定資料點的形狀，grid() 則是加上格線。除了 "o"，常用的 marker 還有 "s"（方形）、"^"（三角形）、"D"（菱形），選一個讀者容易區分的形狀就好。

長條圖：比較類別之間的差距

當我們想比較不同類別的數值（例如各分店業績、各產品銷量），長條圖比折線圖更合適。Matplotlib 用 bar() 畫垂直長條圖，用 barh() 畫水平長條圖。長條圖的視覺優勢是「長度」直接對應到數值，比折線圖更容易讓讀者一眼判斷高低。

import matplotlib.pyplot as plt

products = ["A", "B", "C", "D"]
quantities = [320, 280, 410, 175]

fig, ax = plt.subplots(figsize=(7, 4))
ax.bar(products, quantities, color=["#4C72B0", "#DD8452", "#55A467", "#C44E52"])
ax.set_title("各產品銷售數量")
ax.set_xlabel("產品")
ax.set_ylabel("數量")
plt.show()

輸出是一張四根直立的長條，每根顏色不同，方便一眼看出 C 產品銷量最高、D 產品最低。如果類別名稱很長（例如縣市名），改用 ax.barh(quantities, products) 把長條畫成水平方向，會更易讀。每根長條的顏色可以用 color 統一指定，也可以傳入一個串列讓每根長條有自己的顏色，後者在強調「第一名」、「最差」時特別好用。

散佈圖：探索兩個變數的關係

散佈圖（scatter plot）把每一筆資料畫成一個點，特別適合觀察「廣告花費 vs. 營收」、「身高 vs. 體重」這類兩個連續變數之間的關係。如果點呈現往上或往下的趨勢，就代表兩者有正相關或負相關；如果點散亂分布，就代表兩者沒有明顯關係。散佈圖是探索性分析時最常畫的圖之一。

import matplotlib.pyplot as plt

height = [165, 170, 175, 180, 168, 172, 178, 182]
weight = [55, 65, 70, 78, 58, 63, 75, 80]

fig, ax = plt.subplots(figsize=(7, 5))
ax.scatter(height, weight, color="teal", s=80, alpha=0.7)
ax.set_title("身高與體重分佈")
ax.set_xlabel("身高（公分）")
ax.set_ylabel("體重（公斤）")
plt.show()

輸出是一張散布圖，點大致由左下往右上分布，代表身高越高、體重通常也越高。s 參數控制點的大小，alpha 控制透明度，當資料點很多時，把透明度調低一點能避免重疊的點完全遮住彼此。s 也可以傳入一個串列，讓每個點依某個變數（例如年齡、營收）有不同大小，這在表達「第三個變數」時非常方便。

加入圖例與多組資料

一張圖常常需要比較多組資料，例如「台北 vs. 高雄的月銷售」。Matplotlib 用 label 與 legend() 來處理圖例，搭配不同顏色與線型就能清楚區分。當多組資料畫在同一個 axes 上時，圖例能避免讀者把線搞混。

import matplotlib.pyplot as plt

months = ["1 月", "2 月", "3 月", "4 月", "5 月", "6 月"]
taipei = [120, 145, 130, 180, 210, 195]
kaohsiung = [95, 110, 125, 140, 160, 175]

fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(months, taipei, marker="o", label="台北", color="steelblue")
ax.plot(months, kaohsiung, marker="s", label="高雄", color="darkorange")
ax.set_title("雙北 vs. 高雄 銷售比較")
ax.set_xlabel("月份")
ax.set_ylabel("銷售額（萬元）")
ax.legend(loc="upper left")
ax.grid(True, linestyle="--", alpha=0.5)
plt.show()

輸出是一張有兩條線、兩個標記形狀（圓形與方形）的折線圖，右上角或左上角會自動顯示圖例。圖例的位置可以透過 loc 參數調整，常用的有 "upper left"、"lower right"、"best"（自動找最佳位置）。除了位置，legend() 也支援設定標題、邊框、字型大小等參數，做為簡報用的圖表時，這些細節往往決定了專業度。

儲存圖片與圖表設定

畫完圖之後，常需要存成 PNG 或 PDF 檔。Matplotlib 用 savefig() 輸出，並提供一些參數控制解析度與邊界。這個步驟看似簡單，但常常是新手最容易出錯的地方——忘了呼叫 savefig() 就直接關閉 Jupyter Notebook，結果什麼都沒存到。

fig, ax = plt.subplots(figsize=(7, 4))
ax.bar(["A", "B", "C"], [10, 20, 15])
ax.set_title("範例圖")

fig.savefig("sales.png", dpi=150, bbox_inches="tight")

dpi=150 設定輸出解析度，數字越大越清晰；bbox_inches="tight" 會自動裁掉多餘的白色邊界。常用格式除了 PNG，還有 PDF（適合印刷）、SVG（向量圖，適合嵌入網頁）、JPG（檔案較小）。如果圖表中含有中文字型，建議存成 SVG 或 PDF，避免 PNG 在不同系統上字型變樣。savefig() 必須在 show() 之前呼叫，否則存到的可能是空白的 figure。

結語

今天從 Matplotlib 的兩層架構出發，建立了 figure 與 axes 的觀念，並透過折線圖、長條圖、散佈圖三個常用範例，理解如何選擇適合的圖表類型。圖例、標題、座標軸標籤、格線這些細節，雖然簡單，卻是讓圖「專業度」起飛的關鍵。明天我們會介紹 Seaborn——一個基於 Matplotlib、專門用來畫統計圖表的函式庫，用更少的程式碼就能做出更具統計意涵的圖。

明天，我們會介紹 Seaborn——一個基於 Matplotlib、專門用來畫統計圖表的函式庫。它用更少的程式碼，就能做出更美觀、更具統計意涵的圖。

Hao程式筆記

搜尋此網誌