はじめに: Matplotlib とは？ 🤔
Matplotlib（マットプロットリブと読みます）は、Pythonプログラミング言語とその数値計算ライブラリNumPyのための、非常に人気があり広く使われているグラフ描画ライブラリです。2003年にJohn D. Hunterによって開発されて以来、データサイエンティスト、研究者、エンジニアなど、世界中の多くの人々にとって、データを視覚化するための基本的なツールとなっています。
Matplotlibを使うことで、折れ線グラフ、棒グラフ、散布図、ヒストグラム、円グラフ、さらには3Dプロットなど、多種多様な静的、アニメーション、インタラクティブなグラフを比較的簡単に作成できます。作成したグラフは、プレゼンテーション資料、学術論文、Webアプリケーションなど、様々な場面で活用できます。
このライブラリの強みは、その柔軟性の高さにあります。グラフのほぼすべての要素（色、線種、マーカー、ラベル、タイトル、軸の範囲など）を細かくカスタマイズできるため、思い通りの表現が可能です。また、NumPyやPandasといった他の主要なデータサイエンスライブラリとの連携もスムーズで、データ分析のワークフローにシームレスに組み込むことができます。
このブログ記事では、Matplotlibの基本的な使い方から応用的なテクニックまで、包括的に解説していきます。初心者の方でも理解しやすいように、具体的なコード例を豊富に交えながら進めていきますので、ぜひ最後までお付き合いください。📊📈
インストール方法 💻
Matplotlibを使用するには、まずライブラリをインストールする必要があります。Pythonのパッケージ管理システムであるpipを使うのが最も一般的です。ターミナル（Windowsの場合はコマンドプロンプト）を開き、以下のコマンドを実行してください。
pip install matplotlib
Jupyter NotebookやJupyterLab環境でインストールする場合は、ノートブックのセルに!マークを付けて実行します。
!pip install matplotlib
Anacondaを使用している場合は、condaコマンドを使うこともできます。
conda install matplotlibインストールが完了すれば、Matplotlibを使う準備は完了です！🎉
基本的な使い方: グラフ作成の流れ ✍️
Matplotlibでグラフを作成する基本的な流れは、以下のようになります。
- ライブラリのインポート: 必要なモジュール（通常は
matplotlib.pyplot）をインポートします。 - データの準備: グラフ化したいデータ（リストやNumPy配列など）を用意します。
- グラフの作成: プロット関数（例:
plot(),scatter(),bar()など）を使ってグラフを描画します。 - グラフのカスタマイズ (任意): タイトル、ラベル、凡例などを追加して、グラフを分かりやすくします。
- グラフの表示・保存: 作成したグラフを表示したり、画像ファイルとして保存したりします。
Matplotlibには、主に2つのグラフ作成インターフェースがあります。
- pyplotインターフェース: MATLABライクな手続き的な方法で、手軽にグラフを作成できます。簡単なプロットやインタラクティブな作業に適しています。
- オブジェクト指向インターフェース: FigureやAxesといったオブジェクトを明示的に操作する方法です。より複雑なグラフの作成や、細かいカスタマイズが必要な場合に推奨されます。
どちらの方法でも同じグラフを作成できますが、一般的にはオブジェクト指向インターフェースの方が柔軟性が高く、再利用性にも優れているため、より推奨されることが多いです。この記事では、主にオブジェクト指向インターフェースを中心に解説していきます。
pyplotインターフェースの例
import matplotlib.pyplot as plt
import numpy as np
# データの準備
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)
# グラフの作成
plt.plot(x, y)
# グラフのカスタマイズ
plt.title("Sine Wave (pyplot)")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.grid(True) # グリッド線を追加
# グラフの表示
plt.show()オブジェクト指向インターフェースの例
import matplotlib.pyplot as plt
import numpy as np
# データの準備
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots() # figは図全体、axは描画領域(サブプロット)
# グラフの作成 (Axesオブジェクトのメソッドを使用)
ax.plot(x, y)
# グラフのカスタマイズ (Axesオブジェクトのメソッドを使用)
ax.set_title("Sine Wave (Object-Oriented)")
ax.set_xlabel("X-axis")
ax.set_ylabel("Y-axis")
ax.grid(True) # グリッド線を追加
# グラフの表示
plt.show()
どちらのコードも同じサインカーブのグラフを生成します。オブジェクト指向インターフェースでは、ax.plot(), ax.set_title()のように、ax（Axesオブジェクト）のメソッドを呼び出してグラフ要素を操作している点に注目してください。
主要なグラフの種類と作成方法 📊
Matplotlibでは、さまざまな種類のグラフを描画できます。ここでは代表的なグラフとその基本的な作成方法を紹介します。オブジェクト指向インターフェース (ax.メソッド名()) を使用します。
1. 折れ線グラフ (Line Plot)
データの時間的な変化や傾向を示すのに適しています。ax.plot()を使用します。
import matplotlib.pyplot as plt
import numpy as np
# データの準備
years = np.array([2018, 2019, 2020, 2021, 2022, 2023, 2024])
sales = np.array([100, 120, 150, 140, 180, 210, 200])
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots()
# 折れ線グラフの作成
ax.plot(years, sales, marker='o') # marker='o'でデータ点を丸で表示
# カスタマイズ
ax.set_title("Yearly Sales Trend")
ax.set_xlabel("Year")
ax.set_ylabel("Sales (in millions)")
ax.grid(True)
# 表示
plt.show()2. 棒グラフ (Bar Chart)
カテゴリ間のデータの比較に適しています。縦棒グラフはax.bar()、横棒グラフはax.barh()を使用します。
import matplotlib.pyplot as plt
# データの準備
categories = ['A', 'B', 'C', 'D', 'E']
values = [25, 40, 30, 55, 20]
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots()
# 棒グラフの作成
ax.bar(categories, values, color='skyblue')
# カスタマイズ
ax.set_title("Category Comparison")
ax.set_xlabel("Category")
ax.set_ylabel("Value")
# 表示
plt.show()3. 散布図 (Scatter Plot)
2つの量的変数の関係性やデータの分布を見るのに適しています。ax.scatter()を使用します。
import matplotlib.pyplot as plt
import numpy as np
# データの準備 (ランダムデータ)
np.random.seed(0) # 乱数シードを固定
x_data = np.random.rand(50) * 10
y_data = 2 * x_data + np.random.randn(50) * 3 # y = 2x + ノイズ
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots()
# 散布図の作成
ax.scatter(x_data, y_data, alpha=0.7, edgecolors='w', s=50) # alphaで透明度、edgecolorsで枠線、sでサイズを指定
# カスタマイズ
ax.set_title("Relationship between X and Y")
ax.set_xlabel("X Value")
ax.set_ylabel("Y Value")
ax.grid(True)
# 表示
plt.show()4. ヒストグラム (Histogram)
量的データの分布（度数分布）を視覚化するのに適しています。ax.hist()を使用します。
import matplotlib.pyplot as plt
import numpy as np
# データの準備 (正規分布に従うランダムデータ)
np.random.seed(1)
data = np.random.randn(1000) * 15 + 100 # 平均100、標準偏差15の正規分布データ
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots()
# ヒストグラムの作成
ax.hist(data, bins=20, color='lightgreen', edgecolor='black') # binsで階級の数を指定
# カスタマイズ
ax.set_title("Distribution of Scores")
ax.set_xlabel("Score")
ax.set_ylabel("Frequency")
# 表示
plt.show()5. 円グラフ (Pie Chart)
全体に対する各カテゴリの割合を示すのに適しています。ax.pie()を使用します。ただし、データの比較には棒グラフの方が適している場合が多いです。
import matplotlib.pyplot as plt
# データの準備
labels = ['Frogs', 'Hogs', 'Dogs', 'Logs']
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0) # 2番目の要素('Hogs')を少し切り出す
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots()
# 円グラフの作成
ax.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', # autopctでパーセンテージ表示
shadow=True, startangle=90) # shadowで影、startangleで開始角度を指定
ax.axis('equal') # 円を真円にする
# カスタマイズ
ax.set_title("Proportion of Animals")
# 表示
plt.show()グラフのカスタマイズ 🎨
Matplotlibの真価は、グラフの見た目を細かく調整できる点にあります。ここでは主要なカスタマイズ方法を紹介します。
タイトルとラベル
グラフ全体や各軸に分かりやすい名前を付けます。
ax.set_title("グラフのタイトル")ax.set_xlabel("X軸ラベル")ax.set_ylabel("Y軸ラベル")
これらの関数には、fontsizeやcolorなどの引数を指定して、文字の大きさや色を変更することもできます。
ax.set_title("Detailed Sales Report", fontsize=16, color='darkblue')
ax.set_xlabel("Month", fontsize=12)
ax.set_ylabel("Revenue (USD)", fontsize=12)色、線種、マーカー
プロットするデータ系列ごとに、見た目を変更できます。plot()関数などの引数で指定します。
- 色 (
color): ‘red’, ‘blue’, ‘green’, ‘#FF5733’ (16進数), ‘0.75’ (グレースケール) など。 - 線種 (
linestyleorls): ‘-‘, ‘–‘, ‘:’, ‘-.’ など。 - マーカー (
marker): ‘.’, ‘o’, ‘v’, ‘^’, ‘<‘, ‘>’, ‘s’, ‘p’, ‘*’, ‘+’, ‘x’, ‘D’, ‘d’ など。 - 線の太さ (
linewidthorlw): 数値で指定。 - マーカーサイズ (
markersizeorms): 数値で指定。
# 赤色の破線、マーカーは星、太さ2
ax.plot(x, y1, color='red', linestyle='--', marker='*', linewidth=2, label='Data A')
# 青色の点線、マーカーは円、サイズ8
ax.plot(x, y2, c='blue', ls=':', marker='o', markersize=8, label='Data B') # 短縮形も利用可能凡例 (Legend)
複数のデータ系列をプロットする場合、それぞれが何を表しているかを示す凡例を表示すると便利です。各プロット関数でlabel引数を指定し、最後にax.legend()を呼び出します。
# 上記の plot 関数の例に続けて...
ax.legend(loc='upper right', fontsize=10) # locで凡例の位置を指定loc引数には ‘best’, ‘upper right’, ‘upper left’, ‘lower left’, ‘lower right’, ‘right’, ‘center left’, ‘center right’, ‘lower center’, ‘upper center’, ‘center’などを指定できます。
軸の範囲と目盛り
グラフの表示範囲や目盛りの位置・表示形式を調整します。
- 軸の範囲設定:
ax.set_xlim(xmin, xmax)ax.set_ylim(ymin, ymax)
- 軸のスケール変更 (対数スケールなど):
ax.set_xscale('log')ax.set_yscale('log')
- 目盛りの位置を指定:
ax.set_xticks([0, 1, 2, 3, 4])ax.set_yticks([-1, 0, 1])
- 目盛りのラベルを指定:
ax.set_xticklabels(['A', 'B', 'C', 'D', 'E'])ax.set_yticklabels(['Low', 'Mid', 'High'])
- 目盛りの回転:
plt.xticks(rotation=45)(pyplotインターフェースの方が簡単な場合もある)
ax.set_xlim(0, 10)
ax.set_ylim(0, 100)
ax.set_xticks(np.arange(0, 11, 2)) # 0から10まで2刻みの目盛り
ax.set_xticklabels(['Start', 'Step 2', 'Step 4', 'Step 6', 'Step 8', 'End'], rotation=30)グリッド線
グラフ上の値を読み取りやすくするためにグリッド線を追加します。
ax.grid(True, linestyle=':', color='gray', alpha=0.6) # Trueで表示。スタイルも指定可能テキストと注釈 (Annotation)
グラフ上にテキストや矢印付きの注釈を追加して、特定の点を強調したり説明を加えたりします。
- テキスト追加:
ax.text(x, y, "テキスト") - 注釈追加:
ax.annotate("注釈テキスト", xy=(矢印の先端座標), xytext=(テキストの座標), arrowprops=dict(facecolor='black', shrink=0.05))
# グラフ上の特定の位置にテキストを追加
ax.text(3, 80, "Important Point", fontsize=12, color='red')
# (5, 50)の点に矢印付きの注釈を追加
ax.annotate('Peak Value', xy=(5, 50), xytext=(6, 60),
arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=.2'))スタイルシートの利用
Matplotlibには、グラフ全体の見た目を簡単に変更できるスタイルシートが用意されています。plt.style.use()で利用したいスタイルを指定します。
import matplotlib.pyplot as plt
# 利用可能なスタイル一覧を表示
print(plt.style.available)
# スタイルシートを適用 (例: ggplotスタイル)
plt.style.use('ggplot')
# この後にグラフを作成すると、指定したスタイルが適用される
fig, ax = plt.subplots()
ax.plot(...)
plt.show()
# デフォルトスタイルに戻す場合
# plt.style.use('default')‘seaborn-v0_8-darkgrid’, ‘fivethirtyeight’, ‘bmh’ など、様々なスタイルが用意されています。試してみて好みのスタイルを見つけるのも楽しいでしょう。😊
応用的な使い方 🚀
Matplotlibの基本的な使い方をマスターしたら、さらに高度な機能にも挑戦してみましょう。
複数のグラフを並べる (Subplots)
1つの図 (Figure) の中に複数のグラフ (Axes) を格子状に配置したい場合、plt.subplots() を使用します。この関数はFigureオブジェクトと、Axesオブジェクトの配列 (NumPy配列) を返します。
import matplotlib.pyplot as plt
import numpy as np
# 2行2列のサブプロットを作成
fig, axs = plt.subplots(2, 2, figsize=(10, 8)) # figsizeで図全体のサイズを指定
# データの準備
x = np.linspace(0, 2 * np.pi, 100)
y_sin = np.sin(x)
y_cos = np.cos(x)
y_tan = np.tan(x)
y_exp = np.exp(-x)
# 各サブプロットに描画 (axsは2次元配列)
axs[0, 0].plot(x, y_sin)
axs[0, 0].set_title('Sine Wave')
axs[0, 1].plot(x, y_cos, color='orange')
axs[0, 1].set_title('Cosine Wave')
axs[1, 0].plot(x, y_tan, color='green')
axs[1, 0].set_title('Tangent Wave')
axs[1, 0].set_ylim(-5, 5) # tanは発散するのでy軸範囲を制限
axs[1, 1].plot(x, y_exp, color='red')
axs[1, 1].set_title('Exponential Decay')
# サブプロット間の間隔を調整
fig.tight_layout()
# 表示
plt.show()
plt.subplots()の引数sharex=Trueやsharey=Trueを指定すると、サブプロット間で軸を共有できます。これは、同じスケールでデータを比較したい場合に便利です。
より複雑なレイアウトを実現したい場合は、GridSpecを使う方法もあります。
3Dプロット 🧊
Matplotlibは基本的な3Dプロット機能も提供しています。mpl_toolkits.mplot3dモジュールを利用します。
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D # 3Dプロット用モジュール
# Figureオブジェクトを作成
fig = plt.figure(figsize=(8, 6))
# 3D Axesオブジェクトを追加
ax = fig.add_subplot(111, projection='3d') # projection='3d'を指定
# データの準備 (らせん)
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
r = z**2 + 1
x = r * np.sin(theta)
y = r * np.cos(theta)
# 3D折れ線グラフの作成
ax.plot(x, y, z, label='Spiral Curve')
# 3D散布図の作成 (例)
# ax.scatter(x, y, z, c=z, cmap='viridis', marker='o') # cで色、cmapでカラーマップ指定
# カスタマイズ
ax.set_title("3D Spiral Plot")
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')
ax.legend()
# 表示
plt.show()
3Dプロットでは、plot_surface()（曲面）、plot_wireframe()（ワイヤーフレーム）、bar3d()（3D棒グラフ）なども利用できます。
NumPy/Pandasデータとの連携 🤝
MatplotlibはNumPy配列やPandasのDataFrame/Seriesを直接データとして受け取ることができます。これにより、データ分析の流れの中でスムーズに可視化を行えます。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# Pandas DataFrameの作成
data = {
'Year': [2020, 2021, 2022, 2023, 2024],
'ProductA_Sales': [150, 170, 160, 190, 210],
'ProductB_Sales': [80, 95, 110, 105, 120]
}
df = pd.DataFrame(data)
# FigureとAxesオブジェクトの作成
fig, ax = plt.subplots()
# DataFrameの列を直接プロット
ax.plot(df['Year'], df['ProductA_Sales'], marker='o', label='Product A')
ax.plot(df['Year'], df['ProductB_Sales'], marker='s', label='Product B')
# カスタマイズ
ax.set_title("Product Sales Comparison")
ax.set_xlabel("Year")
ax.set_ylabel("Sales")
ax.legend()
ax.grid(True)
# 表示
plt.show()アニメーション 🎬
Matplotlibのanimationモジュールを使うと、時間とともに変化するデータをアニメーションとして表示できます。FuncAnimationクラスがよく使われます。これは、フレームごとにグラフを更新する関数を指定してアニメーションを作成します。
import matplotlib.pyplot as plt
import matplotlib.animation as animation
import numpy as np
fig, ax = plt.subplots()
x = np.linspace(0, 2 * np.pi, 120)
line, = ax.plot(x, np.sin(x)) # 初期状態のプロット、lineオブジェクトを取得
# 各フレームでの更新処理を定義する関数
def update(frame):
# yデータを更新 (少しずつずらす)
line.set_ydata(np.sin(x + frame / 10.0))
ax.set_title(f"Frame {frame}") # タイトルも更新可能
return line, # 更新されたArtistオブジェクトを返す
# アニメーションオブジェクトを作成
# fig: アニメーションを表示するFigure
# update: 各フレームで呼び出す関数
# frames: フレーム数 (ここでは200フレーム)
# interval: フレーム間の時間 (ミリ秒)
# blit=True: 描画の最適化 (変更された部分のみ再描画)
ani = animation.FuncAnimation(fig, update, frames=200, interval=20, blit=True)
# アニメーションを表示
plt.show()
# アニメーションを保存する場合 (別途、ffmpegやImageMagickなどが必要な場合がある)
# ani.save('sine_wave_animation.gif', writer='imagemagick')
# ani.save('sine_wave_animation.mp4', writer='ffmpeg')アニメーション作成は少し複雑ですが、データの動的な変化を効果的に表現できます。
インタラクティブなプロット ✨
Jupyter Notebook/Lab環境などでは、インタラクティブなバックエンド（例: %matplotlib widget, %matplotlib notebook）を使用することで、グラフのズーム、パン（移動）、リアルタイム更新などが可能になります。
# Jupyter Notebook/Labのセルで最初に実行
# %matplotlib widget
# または
# %matplotlib notebook
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
y = np.sin(x)
ax.plot(x, y)
ax.set_title("Interactive Plot")
plt.show()
# 実行後、グラフのツールバーでズームやパン操作が可能になる
さらに、ipywidgetsなどのライブラリと組み合わせることで、スライダーやボタンでグラフを操作するような、より高度なインタラクティブ機能も実装できます。
Seabornとの連携
SeabornはMatplotlibをベースにした、より統計的なグラフ描画に特化した高レベルなライブラリです。Seabornを使うと、より少ないコードで洗練された美しい統計グラフ（ヒートマップ、分布図、回帰プロットなど）を作成できます。Seabornは内部的にMatplotlibを使用しているため、Seabornで作成したグラフをMatplotlibの機能でさらにカスタマイズすることも可能です。
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# サンプルデータの作成
np.random.seed(0)
data = np.random.rand(10, 12)
df = pd.DataFrame(data, columns=[f'Month_{i+1}' for i in range(12)])
# Seabornでヒートマップを作成
plt.figure(figsize=(10, 6)) # Matplotlibで図のサイズを設定
sns.heatmap(df, annot=True, cmap='viridis', fmt=".1f") # annotで値を表示, cmapで配色, fmtで書式
plt.title("Monthly Data Heatmap (Seaborn)") # Matplotlibでタイトル設定
plt.xlabel("Month") # Matplotlibでラベル設定
plt.ylabel("Category") # Matplotlibでラベル設定
plt.show()MatplotlibとSeabornは競合するものではなく、それぞれの得意分野を活かして組み合わせることで、より効果的なデータ可視化が実現できます。一般的に、基本的なプロットや細かいカスタマイズはMatplotlib、統計的な可視化や美しいデフォルトスタイルはSeaborn、という使い分けが考えられます。
まとめ 🎉
この記事では、Pythonのデータ可視化ライブラリであるMatplotlibについて、基本的な使い方から応用的なテクニックまで幅広く解説しました。
Matplotlibは、その柔軟性とカスタマイズ性の高さから、データ分析や科学技術計算の分野で不可欠なツールとなっています。折れ線グラフ、棒グラフ、散布図といった基本的なグラフから、3Dプロット、アニメーション、インタラクティブなグラフまで、多様な表現が可能です。
主なポイント:
- pyplotインターフェースとオブジェクト指向インターフェースの2つの使い方がある。
- 様々なグラフタイプ（plot, bar, scatter, hist, pieなど）を作成できる。
- タイトル、ラベル、色、線種、マーカー、凡例など、グラフのあらゆる要素を細かくカスタマイズできる。
- 複数のグラフを並べるSubplots機能が便利。
- 3Dプロットやアニメーション、インタラクティブ機能も搭載。
- NumPyやPandasとの連携が容易。
- Seabornと組み合わせることで、より高度な統計グラフも作成可能。
Matplotlibは機能が豊富であるため、最初は少し戸惑うかもしれませんが、基本的な使い方から少しずつ試していくことで、確実にスキルアップできます。公式ドキュメントやギャラリーには豊富な例が掲載されているので、ぜひ参考にしてみてください。
データを効果的に可視化する能力は、データからインサイトを引き出し、他者に分かりやすく伝える上で非常に重要です。Matplotlibを使いこなして、あなたのデータ分析をさらにパワーアップさせましょう！🚀
コメント