Matplotlib多线绘制方法详解

本文深入探讨了Matplotlib在同一图表上绘制多条线的实用技巧。首先，强调了通过多次调用`plot()`函数在同一坐标轴对象上叠加线条的核心方法。详细讲解了如何利用`color`、`linestyle`、`marker`等参数区分线条样式，使图表更具可读性。此外，文章还强调了图例、标题和坐标轴标签的重要性，并提供了添加这些元素的具体代码示例，旨在提升图表的信息传递效率。针对不同量纲的数据，文章介绍了`twinx()`函数，通过创建共享X轴的双Y轴，清晰地展示不同单位的数据，避免信息混淆，确保数据可视化效果专业且易于理解。最后，总结了Matplotlib多线图绘制的关键步骤和注意事项，帮助读者轻松掌握该技能。

在同一张Matplotlib图上画多条线，需在同一个Axes对象上多次调用plot()方法，并通过color、linestyle、marker等参数区分线条样式，结合label、legend()、set_title()、set_xlabel()、set_ylabel()添加图例和标签以增强可读性；当数据量纲不同时，可使用twinx()创建共享X轴的双Y轴，分别绘制不同单位的数据，确保信息清晰呈现。

要在Matplotlib的同一张图上画多条线，核心做法其实很简单：你只需要在同一个坐标轴对象（Axes）上多次调用 plot() 函数就行了。Matplotlib会很智能地帮你把这些线条叠加起来，只要你没明确地清空画布或者创建新的坐标轴，后续的 plot() 调用都会默认画在当前活跃的图上。

解决方案

在Matplotlib中，最直接且推荐的方式是使用 plt.subplots() 来创建一个图形（Figure）和一个或多个坐标轴（Axes）对象，然后在这个Axes对象上多次调用 plot() 方法。这比直接使用 plt.plot() 更能提供精细的控制，尤其是在处理更复杂的图表布局时。

import matplotlib.pyplot as plt
import numpy as np

# 准备一些数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x) * np.cos(x) # 稍微复杂一点的第三条线

# 创建一个图形和一个坐标轴对象
fig, ax = plt.subplots(figsize=(10, 6)) # 可以指定图的大小

# 在同一个坐标轴上画多条线
ax.plot(x, y1, label='Sin(x) Curve')
ax.plot(x, y2, label='Cos(x) Curve')
ax.plot(x, y3, label='Sin(x) * Cos(x) Curve')

# 添加图例、标题和轴标签，让图更易读
ax.set_title('Multiple Lines on a Single Matplotlib Plot')
ax.set_xlabel('X-axis Values')
ax.set_ylabel('Y-axis Values')
ax.legend() # 显示图例
ax.grid(True) # 添加网格线

# 显示图表
plt.show()

这个例子清晰地展示了如何通过 ax.plot() 在一个 ax 对象上绘制多条曲线。每调用一次 plot()，Matplotlib就会在当前的 ax 上添加一条线。

如何区分Matplotlib图中不同线条的样式、颜色和标记？

当你在同一张图上绘制多条线时，区分它们变得至关重要，否则图表会变得一团糟，信息传递效率大打折扣。Matplotlib提供了丰富的参数来控制线条的视觉属性，包括颜色（color）、线型（linestyle）和标记（marker）。这就像给每条线穿上不同的衣服，让它们在人群中一眼就能被认出来。

在 ax.plot() 函数中，你可以直接传入这些参数：

• color: 可以是颜色名称（如 'red', 'blue', 'green'）、缩写（如 'r', 'g', 'b'）、十六进制代码（如 '#FF0000'）或RGB元组。
• linestyle: 控制线的样式，比如实线 ('-')、虚线 ('--')、点线 (':')、点划线 ('-.')。
• marker: 在数据点上添加标记，如圆圈 ('o')、方块 ('s')、三角形 ('^')、加号 ('+') 等。

我们来看一个例子，如何用这些参数让线条“个性化”：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 50)
y1 = np.exp(-x / 2) * np.sin(x * 3)
y2 = np.exp(-x / 3) * np.cos(x * 2)
y3 = 0.1 * x + np.sin(x)

fig, ax = plt.subplots(figsize=(10, 6))

# 使用不同的颜色、线型和标记来区分线条
ax.plot(x, y1, color='red', linestyle='--', marker='o', label='Damped Sine Wave')
ax.plot(x, y2, color='blue', linestyle='-.', marker='s', label='Damped Cosine Wave')
ax.plot(x, y3, color='#2ca02c', linestyle='-', marker='^', label='Linear Trend with Noise') # 使用十六进制颜色

ax.set_title('Distinguishing Lines by Style, Color, and Marker')
ax.set_xlabel('Time (s)')
ax.set_ylabel('Amplitude')
ax.legend(loc='upper right') # 图例通常放在不遮挡数据的位置
ax.grid(True, linestyle=':', alpha=0.7) # 添加更柔和的网格线

plt.show()

通过精心选择这些视觉属性，即使图中有再多的线，也能保持良好的可读性。我个人觉得，颜色和线型是最常用的组合，标记在数据点不多的时候能起到画龙点睛的作用。

在Matplotlib多线图中，如何添加图例、标题和坐标轴标签以增强可读性？

图例、标题和坐标轴标签是任何专业图表的“灵魂”，它们将图表从一堆线条和点提升为有意义的数据叙述。没有它们，你的观众可能根本不知道你在展示什么，或者线条代表什么。这就像你写了一篇文章，但忘了写标题和段落主题，读者会很困惑。

• 标题（Title）: 告诉读者整个图表的主题。使用 ax.set_title('你的图表标题')。
• X轴标签（X-label）: 描述X轴代表什么。使用 ax.set_xlabel('X轴描述')。
• Y轴标签（Y-label）: 描述Y轴代表什么。使用 ax.set_ylabel('Y轴描述')。
• 图例（Legend）: 解释每条线或每个数据系列的含义。这是多线图中最关键的部分。在 ax.plot() 调用时，你需要为每条线指定一个 label 参数，然后调用 ax.legend() 来显示图例。

来看一个综合示例，把这些元素都加进去：

import matplotlib.pyplot as plt
import numpy as np

# 模拟一些传感器数据
time = np.linspace(0, 24, 100) # 24小时
temperature = 20 + 5 * np.sin(time / 4) + np.random.normal(0, 0.5, 100)
humidity = 60 - 10 * np.cos(time / 6) + np.random.normal(0, 1, 100)
pressure = 1010 + 5 * np.sin(time / 8) + np.random.normal(0, 0.8, 100)

fig, ax = plt.subplots(figsize=(12, 7))

# 绘制三条线，并为每条线指定label
ax.plot(time, temperature, label='Ambient Temperature (°C)', color='red', linestyle='-')
ax.plot(time, humidity, label='Relative Humidity (%)', color='blue', linestyle='--')
ax.plot(time, pressure, label='Atmospheric Pressure (hPa)', color='green', linestyle=':')

# 添加标题
ax.set_title('Environmental Sensor Readings Over 24 Hours', fontsize=16)

# 添加X轴和Y轴标签
ax.set_xlabel('Time of Day (Hours)', fontsize=12)
ax.set_ylabel('Measurement Value', fontsize=12)

# 显示图例
# loc='best' 会让Matplotlib自动选择一个不遮挡数据的位置
ax.legend(loc='upper left', fontsize=10, frameon=True, shadow=True, borderpad=1)

# 增强可读性，例如添加网格线
ax.grid(True, linestyle='--', alpha=0.6)

# 调整X轴刻度，使其更符合时间概念
ax.set_xticks(np.arange(0, 25, 4))
ax.set_xticklabels([f'{h:02d}:00' for h in np.arange(0, 25, 4)])

plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域
plt.show()

一个好的图例不仅能清楚地标示每条线，它的位置也很关键。loc 参数可以帮助你把图例放在一个不影响数据判读的地方，比如 loc='upper right' 或者让Matplotlib自己判断 loc='best'。

Matplotlib多线图绘制时，如何处理不同量纲的数据或共享X轴但不同Y轴的情况？

有时候，你可能需要在同一张图上展示两种或多种量纲完全不同的数据，比如温度和降水量，或者股票价格和交易量。如果直接画在同一个Y轴上，数值差异巨大的数据会导致其中一条线几乎看不见，或者整个图的比例失衡。这时候，Matplotlib的 twinx() 功能就显得尤为重要，它允许你在共享X轴的同时，拥有一个独立的第二Y轴。这就像给你的图表开了个“双车道”，每种数据走自己的车道，互不干扰。

ax.twinx() 会创建一个新的Axes对象，它与原有的Axes共享X轴，但拥有自己的Y轴。

import matplotlib.pyplot as plt
import numpy as np

# 模拟一些数据：温度和降雨量
days = np.arange(1, 31) # 一个月
avg_temp = 15 + 5 * np.sin(days / 5) + np.random.normal(0, 1, len(days))
rainfall = 5 + 10 * (1 - np.cos(days / 8)) + np.random.normal(0, 2, len(days))
rainfall[rainfall < 0] = 0 # 降雨量不能是负数

fig, ax1 = plt.subplots(figsize=(12, 7))

# 在第一个Y轴上绘制温度
ax1.plot(days, avg_temp, color='red', linestyle='-', label='Average Temperature (°C)')
ax1.set_xlabel('Day of Month')
ax1.set_ylabel('Temperature (°C)', color='red')
ax1.tick_params(axis='y', labelcolor='red') # 让Y轴刻度颜色与线条颜色一致

# 创建第二个Y轴，共享X轴
ax2 = ax1.twinx()

# 在第二个Y轴上绘制降雨量
ax2.plot(days, rainfall, color='blue', linestyle='--', label='Daily Rainfall (mm)')
ax2.set_ylabel('Rainfall (mm)', color='blue')
ax2.tick_params(axis='y', labelcolor='blue') # 让第二个Y轴刻度颜色与线条颜色一致

# 添加标题
plt.title('Monthly Temperature and Rainfall Trends', fontsize=16)

# 合并图例
# 注意：图例需要从两个轴收集
lines, labels = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax2.legend(lines + lines2, labels + labels2, loc='upper left', fontsize=10, frameon=True, shadow=True)

ax1.grid(True, linestyle=':', alpha=0.6)

plt.tight_layout()
plt.show()

通过 twinx()，我们成功地在同一张图上展示了温度和降雨量，尽管它们的单位和数值范围大相径庭。关键在于，要确保每个Y轴的标签和刻度颜色与对应的数据线颜色保持一致，这样读者才能一目了然地知道哪个Y轴对应哪条线。这在处理多维度数据分析时，是一个非常实用的技巧。

今天关于《Matplotlib多线绘制方法详解》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！