# 安装
# pip install matplotlib

# 核心模块
import matplotlib.pyplot as plt  # 绘图用这个
import numpy as np
import pandas as pd

# 支持中文显示（必须设置！）
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False  # 负号显示

# 为什么用 Matplotlib？
# Excel 图表：好看但难自动化
# Matplotlib：完全代码控制，可复现，可批量生成，可定制到像素级

# Matplotlib 的两套 API
# 1. pyplot 接口（简单，类似 MATLAB）→ plt.xxx()
# 2. 面向对象接口（灵活，推荐）→ fig, ax = plt.subplots()

# 两者关系：每个 plt 操作背后都是对 Figure 和 Axes 对象的操作

# 最简示例
import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.title('简单折线图')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')
plt.show()  # 显示图表（Jupyter 中用 %matplotlib inline）

# 面向对象写法（推荐）
fig, ax = plt.subplots()  # 创建 Figure 和 Axes
ax.plot([1, 2, 3, 4], [1, 4, 9, 16])
ax.set_title('简单折线图')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# 基础折线图
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots(figsize=(10, 6))  # 10英寸宽，6英寸高

ax.plot(x, y1, label='sin(x)', color='#07c160', linewidth=2)
ax.plot(x, y2, label='cos(x)', color='#ff6b6b', linewidth=2, linestyle='--')

ax.set_title('三角函数图像', fontsize=16, fontweight='bold')
ax.set_xlabel('x', fontsize=12)
ax.set_ylabel('y', fontsize=12)
ax.legend(fontsize=12)           # 图例
ax.grid(True, alpha=0.3)         # 网格线
ax.set_xlim(0, 10)               # X 轴范围
ax.set_ylim(-1.5, 1.5)           # Y 轴范围

plt.tight_layout()               # 自动调整布局
plt.savefig('sine_cosine.png', dpi=150, bbox_inches='tight')  # 保存图片
plt.show()

# 多条折线对比
months = ['1月', '2月', '3月', '4月', '5月', '6月']
sales_a = [120, 135, 148, 162, 175, 190]
sales_b = [90, 105, 115, 128, 140, 155]

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

ax.plot(months, sales_a, marker='o', markersize=8, linewidth=2,
        color='#07c160', label='产品A')
ax.plot(months, sales_b, marker='s', markersize=8, linewidth=2,
        color='#ff6b6b', label='产品B')

# 在数据点上标注数值
for i, (a, b) in enumerate(zip(sales_a, sales_b)):
    ax.annotate(str(a), (i, a), textcoords="offset points",
                xytext=(0, 10), ha='center', fontsize=9)
    ax.annotate(str(b), (i, b), textcoords="offset points",
                xytext=(0, -15), ha='center', fontsize=9)

ax.set_title('2026年上半年产品销量对比', fontsize=16)
ax.set_xlabel('月份')
ax.set_ylabel('销量（件）')
ax.legend()
ax.grid(True, alpha=0.3, linestyle='--')

plt.tight_layout()
plt.show()

📋 plot() 常用参数

4. 柱状图

柱状图适合比较不同类别的数据大小。

# 基础柱状图
categories = ['Python', 'Java', 'JavaScript', 'C++', 'Go']
popularity = [35, 25, 20, 12, 8]

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

bars = ax.bar(categories, popularity, color=['#07c160', '#ff6b6b', '#ffd93d', '#6bcb77', '#4d96ff'])

# 在柱子顶部标注数值
for bar, val in zip(bars, popularity):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
            f'{val}%', ha='center', fontsize=11, fontweight='bold')

ax.set_title('2026年编程语言流行度', fontsize=16)
ax.set_ylabel('流行度 (%)')
ax.set_ylim(0, 45)
ax.grid(axis='y', alpha=0.3)

plt.tight_layout()
plt.show()

# 水平柱状图
fig, ax = plt.subplots(figsize=(10, 6))
ax.barh(categories, popularity, color=['#07c160', '#ff6b6b', '#ffd93d', '#6bcb77', '#4d96ff'])
ax.set_xlabel('流行度 (%)')
ax.set_title('2026年编程语言流行度（水平）')
plt.tight_layout()
plt.show()

# 分组柱状图（对比多个维度）
x = np.arange(len(categories))
width = 0.35

fig, ax = plt.subplots(figsize=(12, 6))
popularity_2025 = [30, 28, 22, 14, 6]
popularity_2026 = [35, 25, 20, 12, 8]

bars1 = ax.bar(x - width/2, popularity_2025, width, label='2025', color='#4d96ff')
bars2 = ax.bar(x + width/2, popularity_2026, width, label='2026', color='#07c160')

ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.set_ylabel('流行度 (%)')
ax.set_title('编程语言流行度对比：2025 vs 2026')
ax.legend()
ax.grid(axis='y', alpha=0.3)

plt.tight_layout()
plt.show()

# 堆叠柱状图
fig, ax = plt.subplots(figsize=(12, 6))
q1 = [30, 20, 15, 10, 5]
q2 = [35, 25, 20, 12, 8]

ax.bar(categories, q1, label='Q1', color='#4d96ff')
ax.bar(categories, q2, bottom=q1, label='Q2', color='#07c160')

ax.set_ylabel('销量')
ax.set_title('季度销量堆叠图')
ax.legend()
plt.tight_layout()
plt.show()

5. 散点图

散点图适合展示两个变量之间的关系（相关性）。

# 基础散点图
np.random.seed(42)
x = np.random.randn(100)
y = 2 * x + np.random.randn(100) * 0.5

fig, ax = plt.subplots(figsize=(10, 6))
scatter = ax.scatter(x, y, c=y, cmap='viridis', s=50, alpha=0.7, edgecolors='white')
ax.set_title('散点图：X vs Y', fontsize=16)
ax.set_xlabel('X 值')
ax.set_ylabel('Y 值')
plt.colorbar(scatter, label='Y 值')  # 颜色条
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

# 气泡图（散点 + 大小）
np.random.seed(42)
x = np.random.randn(50)
y = np.random.randn(50)
sizes = np.random.randint(50, 500, 50)    # 气泡大小
colors = np.random.randn(50)              # 颜色

fig, ax = plt.subplots(figsize=(10, 6))
scatter = ax.scatter(x, y, s=sizes, c=colors, cmap='RdYlGn',
                     alpha=0.6, edgecolors='gray')
ax.set_title('气泡图：大小表示销量，颜色表示利润率')
ax.set_xlabel('广告投入')
ax.set_ylabel('销售额')
plt.colorbar(scatter, label='利润率')
plt.tight_layout()
plt.show()

# 带回归线的散点图
np.random.seed(42)
x = np.random.uniform(10, 50, 50)     # 广告投入
y = 3 * x + 20 + np.random.randn(50) * 15  # 销售额

fig, ax = plt.subplots(figsize=(10, 6))
ax.scatter(x, y, s=60, alpha=0.7, color='#07c160', edgecolors='white', label='数据点')

# 拟合直线
coefficients = np.polyfit(x, y, 1)    # 1次多项式拟合
poly = np.poly1d(coefficients)
x_line = np.linspace(x.min(), x.max(), 100)
ax.plot(x_line, poly(x_line), color='#ff6b6b', linewidth=2, linestyle='--',
        label=f'拟合线: y={coefficients[0]:.1f}x+{coefficients[1]:.1f}')

# 计算 R²
y_pred = poly(x)
ss_res = np.sum((y - y_pred) ** 2)
ss_tot = np.sum((y - np.mean(y)) ** 2)
r_squared = 1 - ss_res / ss_tot
ax.text(0.05, 0.95, f'R² = {r_squared:.3f}', transform=ax.transAxes,
        fontsize=12, verticalalignment='top',
        bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.5))

ax.set_title('广告投入与销售额的相关性', fontsize=16)
ax.set_xlabel('广告投入（万元）')
ax.set_ylabel('销售额（万元）')
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

6. 饼图

# 基础饼图
labels = ['Python', 'Java', 'JavaScript', 'C++', '其他']
sizes = [35, 25, 20, 12, 8]
colors = ['#07c160', '#ff6b6b', '#ffd93d', '#4d96ff', '#cccccc']
explode = (0.05, 0, 0, 0, 0)  # Python 突出显示

fig, ax = plt.subplots(figsize=(8, 8))
wedges, texts, autotexts = ax.pie(
    sizes,
    explode=explode,
    labels=labels,
    colors=colors,
    autopct='%1.1f%%',     # 显示百分比
    shadow=True,            # 阴影
    startangle=90,          # 起始角度
    textprops={'fontsize': 12}
)

# 设置百分比文字样式
for autotext in autotexts:
    autotext.set_fontweight('bold')
    autotext.set_color('white')

ax.set_title('编程语言市场份额', fontsize=16, fontweight='bold')
plt.tight_layout()
plt.show()

# 环形图（甜甜圈图）
fig, ax = plt.subplots(figsize=(8, 8))
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%',
       pctdistance=0.85, wedgeprops=dict(width=0.4))  # width 控制环的宽度

# 中心文字
ax.text(0, 0, '编程语言\n市场份额', ha='center', va='center',
        fontsize=14, fontweight='bold')

ax.set_title('编程语言市场份额（环形图）', fontsize=16)
plt.tight_layout()
plt.show()

7. 直方图

直方图展示数据的分布情况——哪些值出现频率高，哪些低。

# 正态分布直方图
np.random.seed(42)
data = np.random.normal(170, 8, 1000)  # 身高：均值170cm，标准差8cm

fig, ax = plt.subplots(figsize=(10, 6))
ax.hist(data, bins=30, color='#07c160', edgecolor='white', alpha=0.8)

ax.axvline(np.mean(data), color='red', linestyle='--', linewidth=2,
           label=f'均值: {np.mean(data):.1f}cm')
ax.axvline(np.median(data), color='blue', linestyle='--', linewidth=2,
           label=f'中位数: {np.median(data):.1f}cm')

ax.set_title('1000人身高分布', fontsize=16)
ax.set_xlabel('身高 (cm)')
ax.set_ylabel('频数')
ax.legend()
ax.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

# 多组对比直方图
np.random.seed(42)
male = np.random.normal(175, 7, 500)
female = np.random.normal(162, 6, 500)

fig, ax = plt.subplots(figsize=(10, 6))
ax.hist(male, bins=30, alpha=0.6, color='#4d96ff', label='男性', edgecolor='white')
ax.hist(female, bins=30, alpha=0.6, color='#ff6b6b', label='女性', edgecolor='white')
ax.set_title('男女身高分布对比', fontsize=16)
ax.set_xlabel('身高 (cm)')
ax.set_ylabel('频数')
ax.legend()
ax.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

8. 箱线图

# 箱线图：展示数据的五数概括（最小值、Q1、中位数、Q3、最大值）
np.random.seed(42)
data = {
    'Python': np.random.normal(85, 10, 50),
    'Java': np.random.normal(78, 15, 50),
    'JavaScript': np.random.normal(82, 12, 50),
    'C++': np.random.normal(70, 20, 50),
}

fig, ax = plt.subplots(figsize=(10, 6))
bp = ax.boxplot(data.values(), labels=data.keys(), patch_artist=True)

# 设置颜色
colors = ['#07c160', '#ff6b6b', '#ffd93d', '#4d96ff']
for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

# 标注中位数
for median in bp['medians']:
    median.set_color('red')
    median.set_linewidth(2)

ax.set_title('各语言考试成绩分布', fontsize=16)
ax.set_ylabel('成绩')
ax.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

# 箱线图各部分含义：
# 箱子中间的红线 = 中位数（50%分位数）
# 箱子的上下边 = Q1（25%）和 Q3（75%）
# 箱子的高度 = IQR = Q3 - Q1（四分位距）
# 上下须线 = Q3 + 1.5*IQR 和 Q1 - 1.5*IQR
# 圆点 = 离群值（超出须线的数据点）

💡 箱线图怎么看？

• 箱子高 → 数据分散（方差大）
• 箱子矮 → 数据集中（方差小）
• 中位线偏上 → 左偏分布（多数人成绩高）
• 中位线偏下 → 右偏分布（多数人成绩低）
• 圆点多 → 离群值多，数据质量需要关注

9. 子图布局

# 方法1：plt.subplots() 创建网格
fig, axes = plt.subplots(2, 2, figsize=(12, 10))  # 2行2列

# 左上：折线图
x = np.linspace(0, 10, 100)
axes[0, 0].plot(x, np.sin(x), color='#07c160')
axes[0, 0].set_title('正弦函数')
axes[0, 0].grid(True, alpha=0.3)

# 右上：柱状图
categories = ['A', 'B', 'C', 'D']
values = [23, 45, 12, 67]
axes[0, 1].bar(categories, values, color='#ff6b6b')
axes[0, 1].set_title('柱状图')

# 左下：散点图
axes[1, 0].scatter(np.random.randn(50), np.random.randn(50), color='#4d96ff')
axes[1, 0].set_title('散点图')

# 右下：饼图
axes[1, 1].pie([30, 25, 20, 25], labels=['A', 'B', 'C', 'D'], autopct='%1.0f%%')
axes[1, 1].set_title('饼图')

fig.suptitle('四种图表对比', fontsize=18, fontweight='bold')
plt.tight_layout()
plt.show()

# 方法2：不规则布局（GridSpec）
from matplotlib.gridspec import GridSpec

fig = plt.figure(figsize=(14, 6))
gs = GridSpec(1, 3, figure=fig)

# 左边大图占 2 列
ax1 = fig.add_subplot(gs[0, 0:2])
ax1.plot(x, np.sin(x), color='#07c160', linewidth=2)
ax1.set_title('大图：折线图')

# 右边小图
ax2 = fig.add_subplot(gs[0, 2])
ax2.bar(categories, values, color='#ff6b6b')
ax2.set_title('小图：柱状图')

plt.tight_layout()
plt.show()

10. 样式美化

# === 内置样式（一行代码变好看）===
plt.style.use('seaborn-v0_8')     # Seaborn 风格
# plt.style.use('ggplot')          # R 语言 ggplot 风格
# plt.style.use('dark_background') # 暗色背景
# plt.style.use('fivethirtyeight') # 新闻网站风格

# 查看所有可用样式
print(plt.style.available)

# === 自定义颜色方案 ===
COLORS = {
    'primary': '#07c160',    # 微信绿
    'danger': '#ff6b6b',     # 红色
    'warning': '#ffd93d',    # 黄色
    'info': '#4d96ff',       # 蓝色
    'gray': '#888888',
}

# === 全局样式设置 ===
plt.rcParams.update({
    'figure.figsize': (10, 6),
    'figure.dpi': 100,
    'font.size': 12,
    'axes.titlesize': 16,
    'axes.labelsize': 12,
    'axes.grid': True,
    'grid.alpha': 0.3,
    'lines.linewidth': 2,
    'lines.markersize': 6,
})

# === 保存高质量图片 ===
# PNG 格式（适合网页）
plt.savefig('chart.png', dpi=150, bbox_inches='tight', facecolor='white')

# PDF 格式（适合论文）
plt.savefig('chart.pdf', bbox_inches='tight')

# SVG 格式（矢量图，放大不失真）
plt.savefig('chart.svg', bbox_inches='tight')

# === 清除和关闭 ===
plt.clf()     # 清除当前图形
plt.close()   # 关闭图形窗口（释放内存）
plt.close('all')  # 关闭所有窗口

💡 专业图表的 5 个要素：

1. 标题：让人一眼知道图表在说什么
2. 轴标签：X 轴和 Y 轴分别代表什么
3. 图例：多条线/多种颜色时必须有
4. 网格线：帮助读数，但不要太抢眼（alpha=0.3）
5. 数据标注：关键数据点直接标注数值

11. 今日练习

🏋️ 练习 1：销售趋势图

# 创建 12 个月的销售数据，画折线图：
# - 两条线（线上/线下）
# - 标注最高点和最低点
# - 添加图例、标题、网格线

🏋️ 练习 2：成绩分析

# 用子图布局（2x2）展示：
# - 左上：成绩直方图
# - 右上：各科箱线图
# - 左下：男女成绩对比柱状图
# - 右下：成绩等级饼图

🏋️ 练习 3：自定义主题

# 创建一个自定义颜色方案，画出一组专业图表：
# - 使用统一的配色（5种颜色）
# - 设置全局字体和大小
# - 保存为 PNG 和 PDF

12. 今日小结

🚀 明日预告：Day 77 — Seaborn 可视化

Matplotlib 功能强大但代码量多。Seaborn 在它之上封装了更高级的 API——一行代码画出漂亮的分布图、热力图、分类图。数据分析师的首选可视化工具！