Matplotlib – jak tworzyć wykresy w Pythonie? Przykłady wizualizacji danych

Wprowadzenie do biblioteki Matplotlib

Matplotlib to jedna z najpopularniejszych bibliotek w języku Python, służąca do tworzenia różnego rodzaju wykresów i wizualizacji danych. Została zaprojektowana z myślą o naukowcach, analitykach danych oraz programistach, którzy chcą w prosty sposób przedstawić dane liczbowe w formie graficznej.

Biblioteka ta umożliwia tworzenie wykresów 2D, takich jak wykresy liniowe, słupkowe, kołowe, histogramy czy wykresy punktowe. Dzięki swojej elastyczności i integracji z innymi bibliotekami, takimi jak NumPy czy pandas, Matplotlib jest niezwykle użytecznym narzędziem w analizie danych i uczeniu maszynowym.

Podstawowym komponentem Matplotlib jest moduł pyplot, który oferuje funkcje o interfejsie zbliżonym do tego, jaki oferuje MATLAB. Użytkownik może łatwo tworzyć wykresy, dodawać tytuły, opisy osi, legendy i inne elementy wykresów, dopasowując je do własnych potrzeb.

Matplotlib znajduje zastosowanie zarówno w prostych analizach danych, jak i w zaawansowanych projektach badawczych czy raportach biznesowych. Jego silna społeczność, rozbudowana dokumentacja oraz możliwość generowania wykresów do różnorodnych formatów graficznych czynią z niego wszechstronne narzędzie dla każdego, kto pracuje z danymi w Pythonie.

Tworzenie wykresów liniowych

Wykresy liniowe to jedna z najczęściej stosowanych form wizualizacji danych, szczególnie przy analizie trendów w czasie lub porównywaniu wartości zmiennych ciągłych. W bibliotece Matplotlib można je tworzyć w bardzo prosty sposób, co czyni je doskonałym punktem wyjścia dla osób rozpoczynających pracę z wizualizacją danych w Pythonie.

Podstawą wykresu liniowego jest odwzorowanie par wartości – najczęściej osi X i Y – które są połączone linią. Dzięki temu użytkownik może łatwo dostrzec tendencje, zmiany i różnice między punktami danych.

Matplotlib umożliwia tworzenie zarówno prostych wykresów jednowymiarowych, jak i bardziej złożonych, zawierających wiele serii danych, różne style linii, kolory oraz znaczniki. Wykresy liniowe mogą być używane do prezentowania danych finansowych, analizy wyników eksperymentów, pomiarów w czasie rzeczywistym czy danych pochodzących z sensorów.

W Cognity często słyszymy pytania, jak praktycznie podejść do tego zagadnienia – odpowiadamy na nie także na blogu.

W kolejnych krokach użytkownik ma możliwość dostosowania wyglądu wykresu, dodania tytułów, podpisów osi czy legendy, co sprawia, że wykres staje się bardziej czytelny i użyteczny.

Wykresy liniowe są szczególnie przydatne, gdy zależy nam na pokazaniu ewolucji wartości w czasie lub porównaniu kilku zmiennych w jednym układzie współrzędnych. Ich prostota, przejrzystość i wszechstronność sprawiają, że są one niezastąpionym narzędziem w analizie danych.

Tworzenie wykresów słupkowych

Wykresy słupkowe to jeden z najczęściej używanych typów wizualizacji w analizie danych. Są szczególnie przydatne do porównywania wartości między różnymi kategoriami oraz prezentowania danych zagregowanych, takich jak liczba, suma czy średnia dla poszczególnych grup.

W bibliotece Matplotlib wykresy słupkowe można tworzyć za pomocą funkcji bar() dla słupków pionowych oraz barh() dla słupków poziomych. Oto podstawowe różnice i zastosowania:

Oto prosty przykład wykresu słupkowego w Matplotlib:

import matplotlib.pyplot as plt

kategorie = ['A', 'B', 'C', 'D']
wartosci = [23, 45, 56, 12]

plt.bar(kategorie, wartosci, color='skyblue')
plt.title('Przykładowy wykres słupkowy')
plt.xlabel('Kategorie')
plt.ylabel('Wartości')
plt.show()

Wykresy słupkowe umożliwiają również tworzenie bardziej zaawansowanych wizualizacji, takich jak wykresy zgrupowane, skumulowane czy z błędami standardowymi. Ich struktura pozwala na łatwe odczytanie wartości i bezpośrednie porównanie między kategoriami, co czyni je uniwersalnym narzędziem w zestawie narzędzi analityka danych. Jeśli chcesz poszerzyć swoją wiedzę na temat wizualizacji oraz analizy danych w Pythonie, sprawdź nasz Kurs Python - kompleksowa analiza danych w Pythonie z wykorzystaniem bibliotek Pandas, NumPy, Matplotlib i Scikit-Learn.

Tworzenie wykresów kołowych

Wykresy kołowe (ang. pie charts) służą do przedstawiania proporcji różnych kategorii w jednej całości. Są szczególnie przydatne, gdy chcemy podkreślić udział procentowy poszczególnych elementów w zbiorze danych. W odróżnieniu od wykresów słupkowych, które lepiej sprawdzają się w porównywaniu wartości między kategoriami, wykresy kołowe koncentrują się na pokazaniu relacji części do całości.

Główne zastosowania wykresów kołowych:

• Prezentacja struktury procentowej (np. udział działów w kosztach firmy)
• Wizualizacja udziału grup w populacji
• Podsumowania danych jakościowych

Wady i zalety wykresów kołowych w porównaniu do wykresów słupkowych:

Aby utworzyć wykres kołowy w bibliotece Matplotlib, używamy funkcji plt.pie(). Poniżej znajduje się prosty przykład:

import matplotlib.pyplot as plt

# Przykładowe dane
labels = ['A', 'B', 'C', 'D']
sizes = [30, 25, 25, 20]

# Tworzenie wykresu kołowego
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.title('Udział kategorii w całości')
plt.axis('equal')  # Zapewnia, że wykres będzie miał okrągły kształt
plt.show()

Powyższy kod generuje wykres z etykietami, procentowym udziałem i wyrównaniem wykresu do kształtu koła. Parametr autopct umożliwia automatyczne dodanie wartości procentowych, a startangle pozwala ustawić punkt początkowy rysowania. Na szkoleniach Cognity pokazujemy, jak poradzić sobie z tym zagadnieniem krok po kroku – poniżej przedstawiamy skrót tych metod.

Konfiguracja osi, etykiet i legend

Jednym z kluczowych aspektów tworzenia czytelnych i zrozumiałych wykresów w bibliotece Matplotlib jest odpowiednie skonfigurowanie osi, etykiet oraz legend. Te elementy nie tylko poprawiają estetykę wizualizacji, ale przede wszystkim pomagają w interpretacji danych. Jeśli chcesz pogłębić swoją wiedzę na temat analizy danych w Pythonie, warto zapoznać się z Kursem Python - praktyczne wykorzystanie Pythona do analizy danych i automatyzacji.

Oś X i Y

Matplotlib automatycznie generuje osie dla większości wykresów, jednak w wielu przypadkach warto je dostosować. Można zmienić zakresy osi, ustawić konkretne wartości punktów odniesienia (ticki), a także dostosować skalę (np. logarytmiczną).

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [10, 20, 25, 30]

plt.plot(x, y)
plt.xlim(0, 5)
plt.ylim(0, 35)
plt.xticks([1, 2, 3, 4])
plt.yticks([10, 20, 30])
plt.show()

Etykiety osi

Aby wykres był zrozumiały dla odbiorcy, warto opisać osie. Funkcje plt.xlabel() i plt.ylabel() umożliwiają dodanie nazw do osi X i Y.

plt.xlabel('Czas [s]')
plt.ylabel('Wartość pomiaru')

Tytuł wykresu

Podobnie jak etykiety osi, tytuł wykresu zwiększa jego przejrzystość. Dodaje się go za pomocą funkcji plt.title().

plt.title('Pomiar temperatury w czasie')

Legenda

Legenda jest niezbędna, gdy na wykresie znajduje się więcej niż jedna seria danych. Dodaje się ją przy pomocy funkcji plt.legend(), a etykiety do poszczególnych serii definiuje się w parametrze label funkcji rysującej wykres, np. plt.plot(..., label='Seria A').

plt.plot(x, y, label='Seria A')
plt.legend()

Podstawowe porównanie możliwości

Umiejętne korzystanie z tych funkcji pozwala tworzyć wykresy, które są nie tylko estetyczne, ale przede wszystkim funkcjonalne i łatwe w interpretacji.

6. Zapisywanie wykresów do plików graficznych

Po stworzeniu wykresu w Matplotlib warto wiedzieć, jak zapisać go do pliku graficznego, aby móc wykorzystać go np. w prezentacji, raporcie lub na stronie internetowej. Biblioteka Matplotlib udostępnia funkcję savefig(), która pozwala eksportować wykresy do różnych formatów plików.

Najczęściej wykorzystywane formaty to:

• PNG – format rastrowy, idealny do zastosowań w dokumentach i na stronach internetowych.
• SVG – format wektorowy, przydatny przy skalowalnej grafice np. w projektach webowych.
• PDF – format dokumentu, często używany w raportach lub materiałach drukowanych.
• EPS – format wektorowy, wykorzystywany m.in. w publikacjach naukowych.

Użycie funkcji savefig() jest bardzo proste:

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.title("Przykładowy wykres")
plt.savefig("wykres.png")

Warto zwrócić uwagę, że rozszerzenie pliku określa domyślnie format zapisu. Można jednak jawnie wskazać format poprzez argument format:

plt.savefig("wykres", format="pdf")

Poniższa tabela przedstawia krótkie porównanie popularnych formatów:

Dodatkowe opcje savefig() pozwalają na dostosowanie jakości obrazu, przezroczystości tła (transparent=True) czy rozdzielczości (dpi). Dzięki temu możliwe jest precyzyjne przygotowanie wykresu do konkretnego zastosowania.

Praktyczne wskazówki i dobre praktyki

Podczas pracy z biblioteką Matplotlib warto kierować się kilkoma zasadami, które znacząco ułatwiają tworzenie czytelnych i estetycznych wykresów. Poniżej przedstawiamy praktyczne wskazówki, które pomogą w efektywnym wykorzystaniu możliwości tej biblioteki.

• Zadbaj o przejrzystość wykresów: Unikaj nadmiaru informacji na jednym wykresie. Lepiej przedstawić dane w sposób prosty i czytelny niż przeładować wykres detalami, które utrudniają jego interpretację.
• Wybieraj odpowiedni typ wykresu do rodzaju danych: Wykresy liniowe dobrze sprawdzają się do prezentacji zmienności w czasie, słupkowe — do porównania wartości między kategoriami, a kołowe — do pokazania udziałów procentowych. Wybór odpowiedniego typu wizualizacji ma kluczowe znaczenie dla skutecznego przekazu informacji.
• Stosuj czytelne etykiety i legendy: Oznaczenia osi, tytuły wykresów oraz legendy powinny być zwięzłe, ale jednocześnie jednoznacznie opisywać prezentowane dane. Dobrze sformułowana legenda pozwala uniknąć nieporozumień i ułatwia odbiór wykresu.
• Dostosuj wygląd wykresu do kontekstu użycia: Inaczej powinien wyglądać wykres prezentowany w raporcie biznesowym, a inaczej ten tworzony na potrzeby analizy danych. Dobierz kolory, rozmiary czcionek i styl wykresu odpowiedni do grupy odbiorców i celu prezentacji.
• Unikaj nadmiernej liczby kolorów: Choć Matplotlib obsługuje szeroką paletę barw, zbyt wiele kolorów w jednym wykresie może wprowadzać chaos. Korzystaj z kolorystyki w sposób przemyślany, zapewniając kontrast, ale nie przesadzając z różnorodnością.
• Sprawdzaj poprawność danych przed wizualizacją: Błędy w danych wejściowych mogą prowadzić do błędnych interpretacji. Zadbaj o to, by dane były kompletne, poprawnie przetworzone i zgodne z zamierzonym celem prezentacji.
• Utrzymuj spójność stylistyczną: Jeśli tworzysz wiele wykresów, np. do jednego raportu lub prezentacji, warto zachować jednolitą stylistykę — te same kolory dla tych samych kategorii, jednolity rozmiar czcionek, podobne rozmieszczenie elementów.
• Testuj wykresy na różnych rozdzielczościach: Warto upewnić się, że wykres będzie dobrze wyglądał zarówno na dużym monitorze, jak i w formie wydruku czy na urządzeniu mobilnym. Zbyt małe elementy lub nieczytelne etykiety mogą znacząco obniżyć jakość odbioru danych.

Stosując się do tych zasad, zwiększasz szanse na to, że Twoje wizualizacje będą nie tylko atrakcyjne wizualnie, ale przede wszystkim pomocne w analizie i zrozumieniu danych.

Podsumowanie

Matplotlib to jedna z najpopularniejszych bibliotek do tworzenia wykresów w języku Python, szeroko stosowana w analizie danych, nauce i inżynierii. Dzięki niej możliwe jest tworzenie różnorodnych typów wizualizacji, takich jak wykresy liniowe, słupkowe czy kołowe, co pozwala lepiej zrozumieć i zaprezentować dane.

Główne zalety Matplotlib to elastyczność, możliwość pełnej kontroli nad wyglądem wykresów oraz integracja z innymi narzędziami ekosystemu Pythona. Biblioteka świetnie sprawdza się zarówno w prostych projektach, jak i w bardziej zaawansowanych analizach, gdzie istotna jest precyzyjna prezentacja wyników.

Choć początki pracy z Matplotlib mogą wydawać się techniczne, znajomość podstawowych funkcji biblioteki pozwala szybko tworzyć czytelne i estetyczne wizualizacje, co znacząco ułatwia interpretację danych i wspiera proces podejmowania decyzji. Jeśli chcesz poznać więcej takich przykładów, zapraszamy na szkolenia Cognity, gdzie rozwijamy ten temat w praktyce.

Jak połączyć n8n z API? Przykłady integracji krok po kroku 19 stycznia 2026

n8n vs Zapier vs Make – czym się różnią i co wybrać? 17 stycznia 2026