Python Matplotlib 資料視覺化入門教學：用圖表說故事的完整指南

Matplotlib 是什麼？為什麼你一定要學？

如果你已經會用 Python 做資料分析，卻發現每次報告都只能貼一堆數字表格，那你真的該認識 Matplotlib 了。Matplotlib 是 Python 生態系中最老牌、也最穩定的繪圖套件，從 2003 年誕生至今，幾乎所有 Python 資料視覺化的基礎都建立在它之上。

為什麼它這麼重要？因為人類是視覺動物。一張好的圖表，勝過一千行數據。不管你是做數據分析、機器學習還是寫報告給老闆看，Matplotlib 都是你的第一把武器。如果你還在學 Python Pandas 資料分析入門 的階段，那更要同步學 Matplotlib，因為 Pandas 的 plot 功能底層就是用 Matplotlib 實作的。

老實說，Matplotlib 的 API 設計確實有點「古老」，語法不算最直覺，但它的靈活度和社群資源是其他套件無法比擬的。學會它，等於打通了 Python 視覺化的任督二脈。

安裝 Matplotlib：三分鐘搞定環境

安裝 Matplotlib 非常簡單，只需要一行指令：

pip install matplotlib

如果你使用 Anaconda 環境，通常已經預裝好了。建議搭配 Python 虛擬環境教學 來建立獨立的開發環境，避免套件版本衝突。

安裝完成後，在 Python 中測試一下：

import matplotlib
print(matplotlib.__version__)

看到版本號就代表安裝成功。接下來我們通常會這樣引入：

import matplotlib.pyplot as plt
import numpy as np

這兩行幾乎是所有 Matplotlib 教學的標準開場白，plt 是約定俗成的縮寫，全世界的 Python 開發者都這樣用。

第一張圖：折線圖（Line Chart）

折線圖是最基本也最常用的圖表類型，特別適合顯示時間序列或趨勢變化。來畫一張簡單的折線圖：

import matplotlib.pyplot as plt

months = ['1月', '2月', '3月', '4月', '5月', '6月']
sales = [120, 135, 148, 162, 178, 195]

plt.figure(figsize=(10, 6))
plt.plot(months, sales, marker='o', color='#2196F3', linewidth=2)
plt.title('2026 上半年銷售趨勢', fontsize=16)
plt.xlabel('月份', fontsize=12)
plt.ylabel('銷售額（萬元）', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()

這段程式碼做了幾件事：設定圖表大小、畫折線、加上標記點、設定標題和軸標籤、加上格線。figsize=(10, 6) 代表圖表寬 10 英吋、高 6 英吋，這個比例通常很好看。

我個人建議新手一定要養成加 plt.grid(True, alpha=0.3) 的習慣，淡淡的格線能讓圖表更容易閱讀，但又不會太搶眼。

長條圖與散佈圖：不同資料用不同圖

選擇正確的圖表類型非常重要。長條圖適合比較不同類別的數值，散佈圖適合觀察兩個變數之間的關係。

長條圖範例：

categories = ['Python', 'JavaScript', 'Java', 'Go', 'Rust']
popularity = [85, 78, 65, 45, 38]

plt.figure(figsize=(10, 6))
plt.bar(categories, popularity, color=['#FF6384','#36A2EB','#FFCE56','#4BC0C0','#9966FF'])
plt.title('2026 程式語言熱門度', fontsize=16)
plt.ylabel('熱門指數', fontsize=12)
plt.show()

散佈圖範例：

import numpy as np

np.random.seed(42)
x = np.random.randn(100)
y = x * 2.5 + np.random.randn(100) * 0.8

plt.figure(figsize=(10, 6))
plt.scatter(x, y, alpha=0.6, edgecolors='white', s=80)
plt.title('變數相關性分析', fontsize=16)
plt.xlabel('X 變數')
plt.ylabel('Y 變數')
plt.show()

散佈圖中的 alpha=0.6 讓點稍微透明，當資料點重疊時能看出密度分佈，這是一個很實用的小技巧。

客製化圖表：標題、圖例、顏色與風格

Matplotlib 的強項就是「什麼都能改」。你可以控制圖表的每一個細節：

plt.figure(figsize=(10, 6))
plt.style.use('seaborn-v0_8-whitegrid')

x = range(1, 13)
plt.plot(x, [i**1.5 for i in x], label='產品 A', linestyle='-', linewidth=2)
plt.plot(x, [i**1.3 + 5 for i in x], label='產品 B', linestyle='--', linewidth=2)
plt.plot(x, [i**1.1 + 10 for i in x], label='產品 C', linestyle='-.', linewidth=2)

plt.title('產品銷售比較', fontsize=18, fontweight='bold')
plt.xlabel('月份', fontsize=14)
plt.ylabel('銷售量', fontsize=14)
plt.legend(loc='upper left', fontsize=12, framealpha=0.9)
plt.tick_params(axis='both', labelsize=11)
plt.tight_layout()
plt.show()

幾個重點：plt.style.use() 可以一鍵套用預設風格，省去很多微調；legend() 的 loc 參數控制圖例位置；tight_layout() 自動調整邊距，避免標籤被切掉。

Matplotlib 內建的風格包括 ggplot、bmh、dark_background 等，可以用 plt.style.available 查看所有選項。我個人最常用 seaborn-v0_8-whitegrid，乾淨又專業。

子圖排版：一次看多張圖

實際工作中，你常常需要把多張圖放在同一個畫布上比較。Matplotlib 的 subplots 功能就是為此而生：

fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 左上：折線圖
axes[0, 0].plot([1,2,3,4,5], [2,4,6,8,10], 'b-o')
axes[0, 0].set_title('折線圖')

# 右上：長條圖
axes[0, 1].bar(['A','B','C','D'], [25, 40, 30, 55], color='coral')
axes[0, 1].set_title('長條圖')

# 左下：散佈圖
axes[1, 0].scatter(np.random.rand(50), np.random.rand(50), c='green', alpha=0.5)
axes[1, 0].set_title('散佈圖')

# 右下：圓餅圖
axes[1, 1].pie([35, 25, 20, 20], labels=['A','B','C','D'], autopct='%1.0f%%')
axes[1, 1].set_title('圓餅圖')

fig.suptitle('四種常見圖表類型', fontsize=20, fontweight='bold')
plt.tight_layout()
plt.show()

subplots(2, 2) 建立 2x2 的子圖格局，回傳的 axes 是一個二維陣列，用索引就能操作個別子圖。fig.suptitle() 是整個畫布的大標題，和個別子圖的 set_title() 不同。

Seaborn 整合：用更少的程式碼畫更美的圖

如果你覺得 Matplotlib 的預設樣式太陽春，那一定要試試 Seaborn。Seaborn 是建立在 Matplotlib 之上的高階繪圖套件，專為統計視覺化設計，而且預設配色就很好看。

pip install seaborn

import seaborn as sns
import pandas as pd

# 使用 Seaborn 內建資料集
tips = sns.load_dataset('tips')

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 箱型圖
sns.boxplot(data=tips, x='day', y='total_bill', palette='Set2', ax=axes[0])
axes[0].set_title('各日消費分佈（箱型圖）')

# 小提琴圖
sns.violinplot(data=tips, x='day', y='total_bill', palette='muted', ax=axes[1])
axes[1].set_title('各日消費分佈（小提琴圖）')

plt.tight_layout()
plt.show()

Seaborn 的優勢在於：自動處理 DataFrame、內建統計計算、配色方案專業。但它的底層就是 Matplotlib，所以你學會的 Matplotlib 知識完全不會浪費。

如果你平時有用 Pandas 做資料處理（推薦看 Python Pandas 資料分析入門），Seaborn 和 Pandas 的搭配簡直天衣無縫。

儲存圖表與顯示設定

畫完圖當然要存起來。savefig() 是你的好朋友：

# 儲存為 PNG（預設）
plt.savefig('sales_chart.png', dpi=300, bbox_inches='tight')

# 儲存為 SVG（向量圖，適合簡報）
plt.savefig('sales_chart.svg', format='svg', bbox_inches='tight')

# 儲存為 PDF
plt.savefig('sales_chart.pdf', format='pdf', bbox_inches='tight')

幾個注意事項：dpi=300 是印刷品質，一般螢幕顯示用 150 就夠了；bbox_inches='tight' 會自動裁掉多餘的空白邊距，非常推薦每次都加上。

另外，savefig 要在 show 之前呼叫，否則存到的會是空白圖片，這是很多新手踩到的坑。

如果你是在 Jupyter Notebook 中工作，加上 %matplotlib inline 魔法指令就能直接在筆記本中顯示圖表。如果你的工作流程涉及自動化報表，也可以搭配 Python Excel 自動化教學 把圖表嵌入 Excel 報告中。

實戰案例：用 Matplotlib 視覺化銷售數據

來看一個比較完整的實戰範例。假設你是某電商公司的數據分析師，需要分析過去一年的銷售數據：

import matplotlib.pyplot as plt
import numpy as np

months = ['1月','2月','3月','4月','5月','6月','7月','8月','9月','10月','11月','12月']
revenue = [180, 165, 210, 195, 230, 245, 220, 260, 275, 310, 380, 420]
orders = [1500, 1350, 1800, 1650, 1950, 2100, 1900, 2250, 2400, 2700, 3200, 3600]

fig, ax1 = plt.subplots(figsize=(14, 7))

# 長條圖：營收
bars = ax1.bar(months, revenue, color='#4CAF50', alpha=0.7, label='營收（萬元）')
ax1.set_xlabel('月份', fontsize=13)
ax1.set_ylabel('營收（萬元）', fontsize=13, color='#4CAF50')
ax1.tick_params(axis='y', labelcolor='#4CAF50')

# 第二個 Y 軸：訂單數
ax2 = ax1.twinx()
ax2.plot(months, orders, color='#FF5722', marker='s', linewidth=2.5, label='訂單數')
ax2.set_ylabel('訂單數', fontsize=13, color='#FF5722')
ax2.tick_params(axis='y', labelcolor='#FF5722')

# 合併圖例
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left', fontsize=12)

plt.title('2025 年度電商銷售分析', fontsize=18, fontweight='bold', pad=20)
fig.tight_layout()
plt.savefig('annual_sales.png', dpi=200, bbox_inches='tight')
plt.show()

這個範例展示了雙 Y 軸圖表，左邊是長條圖顯示營收、右邊是折線圖顯示訂單數。twinx() 是建立共用 X 軸的第二個 Y 軸。這種圖表在商業報告中非常常見，因為它能同時呈現兩個不同量級的指標。

如果你需要更進階的資料處理功能，像是 Python 裝飾器教學 中介紹的技巧，可以用來封裝你的繪圖函式，讓程式碼更模組化。

Matplotlib vs Plotly：該選哪一個？

很多人會問：「既然有 Plotly 這種互動式繪圖套件，還需要學 Matplotlib 嗎？」我的答案是：必須學。

簡單來說：如果你需要出報告、寫論文、做自動化腳本，選 Matplotlib；如果你要做網頁互動式儀表板，選 Plotly。但不管怎樣，Matplotlib 是基礎中的基礎，Plotly 的很多概念也是從 Matplotlib 衍生出來的。

我個人的建議是先把 Matplotlib 學扎實，再視需求去學 Plotly 或 Bokeh。畢竟，能畫出正確的靜態圖，比畫出花俏但錯誤的互動圖重要太多了。

總結：開始用圖表說故事吧

Matplotlib 不只是一個繪圖工具，它是你用資料說故事的媒介。回顧一下這篇教學的重點：

• 安裝簡單：一行 pip install 就搞定
• 基本圖表：折線圖、長條圖、散佈圖是三大基礎
• 客製化豐富：標題、軸標籤、圖例、顏色、風格都能調整
• 子圖排版：用 subplots 在同一畫布上比較多張圖
• Seaborn 加持：統計圖表更美觀、更省力
• 儲存技巧：savefig 搭配 dpi 和 bbox_inches 參數
• 實戰應用：雙 Y 軸圖表展示商業數據

學會這些，你就已經能應付 80% 的資料視覺化需求了。剩下的 20% 就是在實戰中累積經驗，遇到問題查文件、查 Stack Overflow，慢慢就會越來越熟練。

最重要的一點：圖表是為了溝通，不是為了炫技。一張乾淨、清楚的圖表，永遠比一張花俏但看不懂的圖更有價值。現在就打開你的 Jupyter Notebook，開始動手畫你的第一張圖吧！