یک جدول خام، ده خط داده یا نتیجه یک کوئری، هیچ‌وقت در گزارش یا پست وبلاگی اثری ندارد؛ نمودار است که در یک نگاه الگو، رشد و نقطه‌های ضعف را نشان می‌دهد. اگر با پایتون کار می‌کنید، Matplotlib استاندارد صنعتی برای ساخت نمودار استاتیک با کیفیت چاپی است و Seaborn روی همین پایه، نمودارهای آماری آماده و تمیز می‌دهد. در این آموزش از نصب و ساخت اولین نمودار تا نمودارهای ترکیبی، فارسی‌سازی فونت و اعداد، و ذخیره خودکار نمودار برای گزارش را قدم‌به‌قدم توضیح می‌دهم.

نمودارسازی در پایتون با Matplotlib از چه چیزی ساخته شده است؟

نمودارسازی در پایتون با Matplotlib از سه پایه تشکیل شده: کتابخانه matplotlib.pyplot برای رسم نمودار، یک شیء Figure به‌عنوان بوم که کل تصویر را نگه می‌دارد، و شیء Axes که محورهای همان نمودار را کنترل می‌کند. کافی است داده را با ax.plot()، ax.bar() یا ax.hist() به Axes بدهید، عنوان و برچسب‌ها را با متدهای set_title و set_xlabel تنظیم کنید و در پایان با plt.show() نتیجه را ببینید یا با fig.savefig() ذخیره کنید. در ادامه دقیقاً همین مسیر را مرحله‌به‌مرحله طی می‌کنیم.

فهرست مطالب

چرا Matplotlib؛ انتخاب ابزار بر اساس معیار
پیش‌نیازها و نصب گام‌به‌گام
اولین نمودار با pyplot
چرا ساختار Figure و Axes حرفه‌ای‌تر است؟
نمودارهای ترکیبی: ستونی، هیستوگرام و هیت‌مپ
نمودارسازی آماری سریع با Seaborn
فارسی‌سازی نمودار؛ فونت، اعداد و راست‌به‌چپ
خطاهای رایج در Matplotlib و راه‌حل آن‌ها
کاربرد واقعی؛ از اسکریپت تا گزارش خودکار
سوالات متداول

چرا Matplotlib؛ انتخاب ابزار بر اساس معیار

Matplotlib از سال ۲۰۰۳ در پروژه‌های علمی و صنعتی استفاده می‌شود و بزرگ‌ترین مزیتش کنترل بی‌رقیب روی تک‌تک اجزای نمودار است: فاصله محورها، اندازه فونت، شفافیت، ضخامت خطوط و حتی جای هر برچسب. همین کنترل باعث شده خروجی آن برای مقاله علمی، گزارش سالانه و PDFهای چاپی مناسب باشد. در مقابل، اگر فقط یک نمودار تعاملی برای داشبورد وب می‌خواهید، Matplotlib ابزار درستی نیست.

برای انتخاب درست، معیارها را کنار هم بگذارید:

کتابخانه	نقطه قوت	مناسب برای	سختی یادگیری
Matplotlib	کنترل کامل روی هر جزء نمودار، خروجی استاتیک با کیفیت چاپی	گزارش، مقاله، PDF، نمودارهای سفارشی	متوسط
Seaborn	رابط سطح‌بالا روی Matplotlib با تم و پالت آماده	نمودارهای آماری و مقایسه‌ای در چند خط کد	آسان
Plotly	نمودار تعاملی، قابل اشتراک‌گذاری در وب	داشبورد و خروجی HTML	متوسط
Excel	بدون کدنویسی، آشنا برای همه	گزارش فوری و تیمی	آسان

قاعده عملی ساده است: Seaborn را برای دیدن سریع الگو و Matplotlib را برای تنظیم نهایی و جزئیات به کار ببرید. این دو رقیب نیستند؛ Seaborn خودش روی Matplotlib ساخته شده است.

پیش‌نیازها و نصب گام‌به‌گام

پیش‌نیاز اصلی، یک نصب فعال پایتون است؛ نسخه ۳٫۱۲ یا بالاتر پیشنهاد می‌شود. نصب Matplotlib به همراه Seaborn و NumPy با یک دستور انجام می‌شود:

python -m pip install matplotlib seaborn numpy

اگر پروژه شما مدیریت وابستگی دارد، بهتر است نصب را داخل یک محیط مجازی ایزوله انجام دهید تا بسته‌های پروژه با سیستم قاطی نشوند. اگر تازه با محیط‌های مجازی آشنا نیستید، راهنمای گام‌به‌گام آموزش uv در پایتون سریع‌ترین راه برای ساخت محیط و نصب بسته‌هاست؛ uv خودش دستور uv add matplotlib را هم در مستندات رسمی Matplotlib پشتیبانی می‌کند.

برای اطمینان از نصب، این اسکریپت را اجرا کنید:

import matplotlib
import seaborn as sns
import numpy as np

print(matplotlib.__version__)   # نسخه نصب‌شده
print(sns.__version__)
print(np.__version__)

اگر نسخه‌ها چاپ شدند، محیط شما آماده است و نیازی به نصب جداگانه فونت یا ابزار گرافیکی ندارید.

اولین نمودار با pyplot

بگذارید با یک مثال واقعی شروع کنیم: نمودار فروش ماهانه یک فروشگاه اینترنتی در چهار ماه اول سال.

import matplotlib.pyplot as plt

months = ["فروردین", "اردیبهشت", "خرداد", "تیر"]
sales = [120, 165, 143, 190]

fig, ax = plt.subplots(figsize=(8, 4.5))

ax.plot(months, sales, marker="o", linewidth=2, color="#2f6fed")
ax.set_title("فروش ماهانه فروشگاه", fontsize=14)
ax.set_xlabel("ماه")
ax.set_ylabel("فروش (میلیون تومان)")
ax.grid(axis="y", alpha=0.3)

fig.tight_layout()
plt.show()

خط به خط بخش اصلی را باز کنیم:

plt.subplots(figsize=(8, 4.5)) یک بوم به اندازه ۸ در ۴٫۵ اینچ می‌سازد که Axes را روی آن برمی‌گرداند. واحد figsize اینچ است و هرچه بزرگ‌تر باشد، نمودار در فایل نهایی بزرگ‌تر دیده می‌شود.
ax.plot(months, sales, marker="o") داده را به محور X و Y می‌دهد؛ marker نقطه روی هر مقدار می‌گذارد و color رنگ خط را تعیین می‌کند.
ax.grid(axis="y", alpha=0.3) فقط خط‌های راهنمای افقی را با شفافیت سی درصد رسم می‌کند تا نمودار شلوغ نشود.
fig.tight_layout() فاصله محورها و عنوان را طوری تنظیم می‌کند که هیچ برچسبی بریده نشود؛ فراخوانی این خط، تفاوت یک نمودار خام و یک نمودار قابل‌انتشار را رقم می‌زند.

چرا ساختار Figure و Axes حرفه‌ای‌تر است؟

کد کوتاهی مثل plt.plot(x, y) کار می‌کند، اما وقتی به سمت پروژه می‌روید به‌سرعت به بن‌بست می‌خورید. در سبک Figure/Axes هر متد به یک شیء مشخص نسبت داده می‌شود، پس هم می‌توانید چند نمودار را در یک شکل کنار هم بگذارید و هم تنظیمات هر محور را مستقل تغییر دهید. مستندات رسمی Matplotlib هم صریحاً همین سبک شیءگرا را توصیه می‌کند. اگر اسکریپت‌های نمودارسازی شما قرار است در پروژه بزرگ‌تر استفاده شوند، از همان اول با fig, ax = plt.subplots() شروع کنید.

نمودارهای ترکیبی: ستونی، هیستوگرام و هیت‌مپ

یک گزارش خوب معمولاً چند نمودار با معنای متفاوت دارد. کد زیر هر سه را در یک شکل و در کنار هم می‌سازد؛ ورودی sharex=False باعث می‌شود هر محور مقیاس خودش را داشته باشد.

import numpy as np
import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 3, figsize=(15, 4.2))

q1 = [120, 150, 138, 165, 149, 172, 160]
q2 = [105, 132, 141, 150, 158, 166, 181]
labels = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه", "جمعه"]
index = np.arange(len(labels))
width = 0.38

axes[0].bar(index, q1, width, label="فصل اول", color="#2f6fed")
axes[0].bar(index + width, q2, width, label="فصل دوم", color="#f2994a")
axes[0].set_xticks(index + width / 2)
axes[0].set_xticklabels(labels, rotation=45)
axes[0].legend()

axes[1].hist(np.random.default_rng(42).normal(170, 18, 800), bins=25, color="#27ae60")
axes[1].set_title("توزیع فروش روزانه")

matrix = np.array([[1.2, 0.8, 0.4], [0.9, 1.5, 0.6], [0.3, 0.7, 1.1]])
image = axes[2].imshow(matrix, cmap="YlOrRd")
axes[2].set_title("همبستگی کانال‌ها")
fig.colorbar(image, ax=axes[2])

fig.tight_layout()
fig.savefig("report.png", dpi=200, bbox_inches="tight")
plt.show()

سه نکته را در این کد جدی بگیرید: استفاده از np.random.default_rng(42) به‌جای np.random.seed که روش تازه و تکرارپذیر NumPy است، چرخاندن برچسب‌های بلند با rotation=45، و ذخیره نمودار با dpi=200 برای خروجی باکیفیت. متد fig.colorbar رنگ‌ها را به مقیاس عددی وصل می‌کند و بدون آن خواننده نمی‌فهمد هیت‌مپ یعنی چه.

نمودارسازی آماری سریع با Seaborn

وقتی هدف شما توزیع، رابطه و مقایسه گروه‌هاست، نوشتن ده خط matplotlib برای هر نمودار وقت‌گیر می‌شود. Seaborn همان نمودارها را با چند خط و ظاهر حرفه‌ای می‌سازد و خروجی‌اش را می‌توانید با متدهای Matplotlib بیشتر تنظیم کنید.

import seaborn as sns
import matplotlib.pyplot as plt

sns.set_theme(style="whitegrid", context="notebook")

ax = sns.lineplot(data=df, x="month", y="sales", hue="year", marker="o")
ax.set_title("روند فروش به تفکیک سال")

fig, ax2 = plt.subplots(figsize=(7, 4))
sns.histplot(data=df, x="sales", bins=30, kde=True, color="#8e44ad", ax=ax2)

fig2, ax3 = plt.subplots(figsize=(6, 5))
sns.heatmap(corr_matrix, annot=True, cmap="coolwarm", fmt=".2f", ax=ax3)

plt.show()

با sns.set_theme() یک بار ظاهر همه نمودارها را یکدست می‌کنید؛ context اندازه فونت‌ها را برای مقاله یا ارائه تنظیم می‌کند و kde=True منحنی چگالی را روی هیستوگرام می‌گذارد. پارامتر hue همان کاری را می‌کند که legend در matplotlib انجام می‌دهد، اما با کد بسیار کمتر.

فارسی‌سازی نمودار؛ فونت، اعداد و راست‌به‌چپ

رایج‌ترین مشکل کاربران فارسی‌زبان این است که متن نمودار به جای حروف، مربع‌های توخالی نمایش داده می‌شود. دلیلش ساده است: فونت پیش‌فرض Matplotlib فارسی را ندارد. راه‌حل استاندارد، معرفی یک فونت فارسی مثل وزیرمتن به Matplotlib است.

import matplotlib
from matplotlib import font_manager

font_manager.fontManager.addfont("fonts/Vazirmatn-Regular.ttf")
font_manager.fontManager.addfont("fonts/Vazirmatn-Bold.ttf")

matplotlib.rcParams["font.family"] = "Vazirmatn"
matplotlib.rcParams["axes.unicode_minus"] = False
matplotlib.rcParams["figure.dpi"] = 120
matplotlib.rcParams["savefig.bbox"] = "tight"

ax.set_title("روند فروش", fontname="Vazirmatn", fontsize=15)
ax.set_xlabel("ماه")
plt.show()

خط axes.unicode_minus = False را حذف نکنید؛ بدون آن، علامت منفی در محور Y به شکل مربع خالی نمایش داده می‌شود. اگر می‌خواهید اعداد را به فارسی هم نشان دهید، می‌توانید اعداد را پیش از رسم با num2word یا یک تابع ساده تبدیل کنید و برچسب محور را دستی روی ax.set_yticklabels بگذارید؛ البته در فایل‌های آفلاین و چاپی، اعداد لاتین معمولاً خواناترند.

خطاهای رایج در Matplotlib و راه‌حل آن‌ها

پنجره نمودار باز نمی‌شود: در Jupyter و Colab با %matplotlib inline یا %matplotlib widget خروجی را داخل نوت‌بوک نمایش دهید.
حروف فارسی مربع می‌شوند: فونت فارسی را با font_manager.addfont ثبت و نام خانواده آن را در rcParams["font.family"] قرار دهید.
علامت منفی ناقص نمایش داده می‌شود: مقدار axes.unicode_minus را False کنید.
خروجی PNG بریده یا خالی ذخیره می‌شود: fig.savefig(...) را پیش از plt.show() صدا بزنید و پارامتر bbox_inches="tight" را اضافه کنید.
برچسب‌های محور روی هم می‌افتند: برای محور افقی rotation=45 و ha="right" بگذارید و در پایان fig.tight_layout() را صدا بزنید.
رشد مصرف حافظه در حلقه: بعد از هر نمودار plt.close(fig) را فراخوانی کنید، مخصوصاً وقتی صدها نمودار تولید می‌کنید.

کاربرد واقعی؛ از اسکریپت تا گزارش خودکار

ارزش واقعی Matplotlib وقتی معلوم می‌شود که نمودارسازی را به یک اسکریپت تکرارشونده تبدیل کنید. یک تابع تمیز که عنوان، فایل و برچسب‌ها را می‌گیرد و فایل SVG برمی‌گرداند، پایه هر گزارش خودکار است:

from pathlib import Path
import matplotlib.pyplot as plt

OUT_DIR = Path("reports")
OUT_DIR.mkdir(exist_ok=True)

def monthly_report(name: str, months: list, sales: list):
    fig, ax = plt.subplots(figsize=(9, 4.5))
    ax.plot(months, sales, marker="o", linewidth=2)
    ax.set_title(f"گزارش فروش {name}")
    ax.set_ylabel("میلیون تومان")
    ax.grid(axis="y", alpha=0.3)
    fig.autofmt_xdate(rotation=45)
    fig.tight_layout()
    path = OUT_DIR / f"{name}.svg"
    fig.savefig(path, format="svg", bbox_inches="tight")
    plt.close(fig)
    return path

for shop in ("shiraz", "tehran", "isfahan"):
    monthly_report(shop, months, sales)

در این الگو، داده را می‌توانید مستقیم از Pandas یا حتی خروجی یک API بخوانید و کل فرایند را زمان‌بندی‌شده اجرا کنید. چون کد شما قرار است به‌مرور بزرگ‌تر شود، اجرای ruff check و ruff format روی اسکریپت‌ها را جدی بگیرید؛ راهنمای آموزش Ruff در پایتون هر دو دستور را با تنظیمات پیشنهادی توضیح می‌دهد. خروجی SVG بهترین گزینه برای گزارش‌های وبی است که باید در هر اندازه‌ای تیز بمانند.

جمع‌بندی

برای اینکه مسیرتان قابل پیگیری باشد، این چک‌لیست را نگه دارید:

نصب داخل محیط مجازی، همراه numpy و seaborn
شروع از fig, ax = plt.subplots(figsize=...) به‌جای فراخوانی مستقیم plt
تنظیم همیشگی عنوان، برچسب محورها و واحد عددها
فونت فارسی ثبت‌شده و axes.unicode_minus = False
tight_layout() قبل از ذخیره یا نمایش
ذخیره با dpi=200 یا فرمت svg و بستن شکل با plt.close(fig)
بررسی نهایی کد با Ruff پیش از اجرای زمان‌بندی‌شده

سوالات متداول

برای نمایش متن فارسی در نمودار، حتماً باید فونت را دستی تنظیم کنم؟

بله. Matplotlib به‌صورت پیش‌فرض فقط فونت‌های استاندارد لاتین را می‌شناسد و برای هر نمودار با متن فارسی باید یک فونت فارسی را ثبت و به‌عنوان فونت پیش‌فرض تعیین کنید. این کار یک بار در ابتدای اسکریپت انجام می‌شود و برای همه نمودارهای بعدی اعمال می‌شود.

تفاوت Matplotlib و Seaborn دقیقاً چیست؟

Seaborn روی Matplotlib ساخته شده و لایه‌ای سطح‌بالا برای نمودارهای آماری است. تنظیمات پیش‌فرض، پالت رنگ و تم بهتری دارد و کد را کوتاه‌تر می‌کند، اما برای کنترل دقیق هر جزء نمودار همچنان به API خود Matplotlib برمی‌گردید. بهترین کار، ترکیب این دو است: شروع با Seaborn و پایان‌بندی با Matplotlib.

چطور نمودار را با کیفیت بالا برای گزارش ذخیره کنم؟

برای تصویر رستری از fig.savefig("chart.png", dpi=200, bbox_inches="tight") استفاده کنید؛ عدد ۲۰۰ برای چاپ تقریباً مناسب است. اگر نمودار قرار است در وب یا PDF برداری نمایش داده شود، فرمت svg یا pdf انتخاب بهتری است، چون در هر بزرگ‌نمایی تیز می‌ماند.

آیا Matplotlib روی سرور بدون نمایشگر هم کار می‌کند؟

بله. در سرورهای بدون نمایشگر (مثل سرورهای ابری یا محیط‌های CI) نمایش پنجره‌ای ممکن نیست، اما ذخیره فایل بدون مشکل انجام می‌شود. برای اطمینان بیشتر می‌توانید بک‌اند غیرتعاملی Agg را با import matplotlib; matplotlib.use("Agg") پیش از هر import دیگری تنظیم کنید.

داده‌های Pandas را چطور مستقیم به نمودار بدهم؟

چون DataFrame پایتونی است، ستون‌ها را مستقیم به توابع رسم می‌پذیرد؛ برای نمونه ax.plot(df["month"], df["sales"]). برای نمودارهای آماری هم می‌توانید کل DataFrame را به sns.lineplot یا sns.histplot بدهید و ستون‌های درون‌خطی x و y را مشخص کنید.

برای یادگیری بیشتر بعد از Matplotlib چه بسازم؟

مسیر منطقی ادامه کار این است: اول Pandas برای آماده‌سازی داده، بعد Matplotlib و Seaborn برای نمایش، و در گام بعد ساخت گزارش‌های خودکار و داشبورد. اگر در گام آخر به API نیاز داشتید، محیط پروژه را با uv مدیریت کنید تا نصب و اجرای پروژه‌های تحلیل داده سریع و یکدست بماند.

آموزش Matplotlib در پایتون؛ ساخت نمودار حرفه‌ای از صفر