在数据挖掘的整个流程里，可视化工具绝对是绕不开的关键一环。它能直观地呈现数据的内在规律，帮你快速锁定分析方向，进而调整后续的方法策略。下面就从最常用的 Matplotlib 说起。

简单的 Matplotlib 画图

要上手 Matplotlib，最核心的模块就是 matplotlib.pyplot。通常我们把它简写为 plt，方便反复调用。

画图其实有一套标准流程：先准备数据，再创建画布，接着添加绘图元素，然后自定义样式，最后保存或展示。下面这段代码就把这六步走了一遍：

图形绘制流程

创建画布

画布是一切的基础。通过 plt.figure() 可以指定图的大小和清晰度。参数说明很直白：

举个例子，创建一个 4 英寸宽、2 英寸高、300 dpi 的图：

绘制图像

画图时最常用的是 plt.plot()。它能一次性设定线型、颜色、标记样式。比如下面这一行，就同时指定了绿色虚线、圆点标记、8 号大小、黄色填充、2 号线宽：

线型、标记、颜色、宽度、标记大小——这些参数都可以灵活组合。来看几个独立的例子：

线型和标记

线条颜色

线条宽度

标记大小和颜色

marker='o' 设置数据点的标记为圆形。markersize=10 设置标记的大小。markerfacecolor='red' 设置标记的填充颜色为红色。markeredgecolor='black' 设置标记的边框颜色为黑色。

标签

显示图像

画完之后别忘了显示图例和图像：

综合举例

把上面的知识串起来，一个完整的例子长这样：

图形添加辅助功能

为了更好地理解基础绘图功能，我们用一个真实场景来演练：画出某城市 11 点到 12 点之间每分钟的温度变化折线图，温度范围 15~18 度。

准备数据并画出初始折线图

添加自定义 x、y 刻度

默认刻度往往不够人性化，我们需要自己定义。通过 plt.xticks() 和 plt.yticks() 可以分别设置刻度的标签和位置。

中文显示问题解决

Matplotlib 默认中文显示容易出乱码，需要设置中文字体：

添加网格显示

网格线能让数据对应的值更清晰：

添加描述信息

加上 x 轴、y 轴描述信息和标题，图表才算完整：

通过 fontsize 参数可以修改图像中字体的大小

图像保存

注意：plt.show() 会释放 figure 资源，如果在显示图像之后保存图片，将只能保存空图片。所以保存操作要放在 show 之前。

下面是完整的温度变化图代码：

绘制其它类型的图像

绘制折线图

绘制函数曲线

用 numpy 生成数据，画出正弦曲线：

x1 中保存的是为显示 sin 曲线而生成的从 -5 到 5 的 101 个数据。y1 中保存的是使用 NumPy 的 sin 函数生成的数据。

绘制散点图

x2 中保存的是元素为“从 0 到 99 的整数”的数组。y2 中保存的是元素为“在从 0 到 1 的范围内随机选出的 100 个数据”的数组与 x2 相乘的结果。

绘制直方图

绘制柱状图

绘制箱形图

Matplotlib 的使用

下面用红酒数据集做个可视化示范。加载数据后，把酒精度（索引 0）和色泽（索引 9）提取出来，分别作为 x 和 y，画出散点图：

再把色泽列画出直方图看看分布：