新闻详情

新闻详情

首页 / 资讯中心 / 详情

Matplotlib入门教程(二):安装与环境配置——画出你的第一个图表

发布时间:2026/11/14 16:00:34来源:尧图网络
Matplotlib入门教程(二):安装与环境配置——画出你的第一个图表
一、安装前的准备Matplotlib 是一个强大的 Python 绘图库用于创建各种类型的静态、动态和交互式图表。在安装之前请确认前提条件检查方式已安装 Python 3.8python3 --version已安装 pippip --version建议已安装 NumPypip show numpy如果还未安装 pip 工具可以参考 Python pip 安装与使用。二、升级 pippip 是 Python 的包管理工具。安装 Matplotlib 前建议先将 pip 升级到最新版本bashpython3 -m pip install -U pip参数说明参数含义-m pip以模块方式运行 pip确保使用当前 Python 的 pip-U升级upgrade到最新版本为什么要升级 pip新版 pip 在依赖解析、下载速度、兼容性上都更优能避免安装过程中出现奇怪的错误。三、安装 Matplotlibbashpython3 -m pip install -U matplotlib使用国内镜像加速推荐bashpython3 -m pip install -U matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple常用镜像源镜像源地址清华Simple Index阿里云Simple Index中科大Verifying - USTC Mirrors指定版本安装bashpython3 -m pip install matplotlib3.8.0建议生产环境或团队协作中建议固定版本号避免因版本升级导致的兼容性问题。四、验证安装安装完成后我们就可以通过import来导入 matplotlib 库pythonimport matplotlib查看版本号pythonimport matplotlib print(matplotlib.__version__)执行以上代码输出结果类似text3.4.2如果能看到版本号输出说明 Matplotlib 已经安装成功。在命令行中验证bashpython3 -c import matplotlib; print(matplotlib.__version__)五、动手画出第一个图表1. 最简单的折线图pythonimport matplotlib.pyplot as plt # 数据 x [1, 2, 3, 4, 5] y [2, 4, 6, 8, 10] # 绘图 plt.plot(x, y) # 显示图表 plt.show()代码解析代码作用import matplotlib.pyplot as plt导入绘图模块plt是约定俗成的别名plt.plot(x, y)绘制折线图plt.show()显示图表窗口2. 结合 NumPy 绘制正弦曲线pythonimport numpy as np import matplotlib.pyplot as plt # 生成数据0 到 2π 之间的 100 个点 x np.linspace(0, 2 * np.pi, 100) y np.sin(x) # 绘图 plt.plot(x, y) plt.title(Sine Wave) # 标题 plt.xlabel(x) # x 轴标签 plt.ylabel(sin(x)) # y 轴标签 plt.grid(True) # 显示网格 plt.show()效果一条平滑的正弦曲线带标题、坐标轴标签和网格。3. 保存图表到文件pythonimport matplotlib.pyplot as plt x [1, 2, 3, 4, 5] y [2, 4, 6, 8, 10] plt.plot(x, y) plt.savefig(my_first_plot.png, dpi150) # 保存为图片 plt.show()savefig()常用参数参数说明fname文件名支持.png、.pdf、.svg等dpi分辨率默认 100印刷建议 300bbox_inchestight自动裁剪多余空白transparentTrue背景透明六、安装常见问题排查问题现象可能原因解决方案ModuleNotFoundError: No module named matplotlib未安装或装到了其他 Python 环境检查pip -V对应的 Python 版本重新安装安装缓慢或超时默认源在国外使用国内镜像源-ipip命令不存在未安装 pip参考 pip 安装教程图表中文显示为方块未配置中文字体下一篇会专门讲解plt.show()无反应后端配置问题尝试matplotlib.use(TkAgg)或改用 Jupyter权限错误系统 Python 目录无写权限使用虚拟环境或加--user推荐使用虚拟环境bash# 创建虚拟环境 python3 -m venv venv # 激活Linux/macOS source venv/bin/activate # 激活Windows venv\Scripts\activate # 安装 Matplotlib pip install matplotlib七、安装流程图八、小结本篇你完成了 Matplotlib 的安装与初次使用升级 pippython3 -m pip install -U pip安装 Matplotlibpython3 -m pip install -U matplotlib验证安装print(matplotlib.__version__)第一个图表plt.plot()plt.show()保存图表plt.savefig()下一篇我们将深入 Matplotlib 的核心概念——Figure 与 Axes理解图表的结构组成并学习如何精细控制图表的各个元素。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉