Matplotlib 详解

1. 基本概念和历史背景

Matplotlib核心概念详解

Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了一系列强大且灵活的工具，用于创建各种类型的图表和图形。无论你是数据科学家、工程师还是研究人员，理解 Matplotlib 的核心概念都能帮助你更高效地可视化数据。本文将详细介绍 Matplotlib 的核心概念，包括图形对象（Figure）、子图（Axes）、坐标轴（Axis）、刻度和刻度标签（Ticks and Tick Labels）、标注（Annotations）、图例（Legend）、样式（Styles）、图像（Images）、子图布局（Subplot Layouts）、交互和动画（Interactivity and Animation）、以及保存图形（Saving Figures）。

图形对象（Figure）

图形对象是 Matplotlib 中的顶层容器，它包含了所有的绘图元素。一个图形对象可以包含一个或多个子图（Axes）。每个图形对象可以看作是一个独立的绘图窗口或画布。

创建图形对象

你可以使用 plt.figure() 创建一个新的图形对象，并指定图形的大小和分辨率等属性。

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(8, 6), dpi=100)  # 创建一个宽8英寸，高6英寸，分辨率为100的图形对象

子图（Axes）

子图是图形对象中的实际绘图区域。每个子图包含了坐标系和绘制的图形元素。你可以在一个图形对象中创建多个子图，以便在同一个窗口中展示多个图形。

创建子图

你可以使用 fig.add_subplot() 或 plt.subplots() 创建子图。

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)  # 创建一个2行2列的子图网格，当前激活第一个子图
ax2 = fig.add_subplot(2, 2, 2)

或者使用更高级的 plt.subplots() 方法：

fig, axs = plt.subplots(2, 2, figsize=(10, 8))  # 创建一个2行2列的子图网格

坐标轴（Axis）

坐标轴是子图中的一个重要组成部分，它定义了数据的范围和刻度。每个子图通常包含两个坐标轴：x 轴和 y 轴。你可以通过坐标轴对象来设置刻度、标签、网格等属性。

ax.set_xlabel('x axis')  # 设置 x 轴标签
ax.set_ylabel('y axis')  # 设置 y 轴标签
ax.set_title('Sine Wave')  # 设置图形标题
ax.grid(True)  # 显示网格

刻度和刻度标签（Ticks and Tick Labels）

刻度和刻度标签用于标识坐标轴上的数值。你可以自定义刻度的位置和标签，以便更好地表示数据。

ax.set_xticks([0, 2, 4, 6, 8, 10])  # 设置 x 轴刻度位置
ax.set_xticklabels(['zero', 'two', 'four', 'six', 'eight', 'ten'])  # 设置 x 轴刻度标签

标注（Annotations）

标注用于在图形中添加文本、箭头等注释，以便更好地解释数据。

ax.annotate('Max Point', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

图例（Legend）

图例用于标识图形中的不同数据系列。你可以通过 ax.legend() 方法来自动生成图例。

ax.plot(x, y, label='Sine')
ax.plot(x, np.cos(x), label='Cosine')
ax.legend()  # 显示图例

样式（Styles）

Matplotlib 提供了一系列预定义的样式，你可以通过 plt.style.use() 方法来应用这些样式。

plt.style.use('ggplot')

图像（Images）

Matplotlib 还支持显示图像数据，你可以使用 imshow() 方法来显示二维图像。

image = np.random.rand(10, 10)
fig, ax = plt.subplots()
ax.imshow(image, cmap='gray')

子图布局（Subplot Layouts）

除了常规的子图布局，Matplotlib 还支持更复杂的布局，如 GridSpec 和 subplot2grid。

import matplotlib.gridspec as gridspec

fig = plt.figure()
gs = gridspec.GridSpec(3, 3)

ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1, :-1])
ax3 = fig.add_subplot(gs[1:, -1])
ax4 = fig.add_subplot(gs[-1, 0])
ax5 = fig.add_subplot(gs[-1, -2])

plt.tight_layout()
plt.show()

交互和动画（Interactivity and Animation）

Matplotlib 支持交互和动画，你可以使用 FuncAnimation 类来创建动画。

from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x))

def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))
    return line,

ani = FuncAnimation(fig, update, frames=100, blit=True)
plt.show()

保存图形（Saving Figures）

你可以使用 savefig() 方法将图形保存为文件。

fig.savefig('sine_wave.png', dpi=300, bbox_inches='tight')

2. 安装

Matplotlib 可以通过 Python 的包管理工具 pip 进行安装：

pip install matplotlib

3. Ubuntu 中文字体安装和配置

为了在 Matplotlib 中正确显示中文字符，你可能需要在你的系统上安装中文字体，并进行相应的配置。

3.1 安装中文字体

在 Ubuntu 系统上，可以使用以下命令安装常见的中文字体：

sudo apt-get update
sudo apt-get install -y fonts-wqy-zenhei fonts-wqy-microhei

3.2 检查已安装的字体

安装完成后，可以使用 fc-list 命令来检查系统中是否有中文字体：

fc-list :lang=zh

你应该能看到类似下面的输出，这表明字体已经成功安装：

/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc: WenQuanYi Zen Hei,文泉驛正黑,文泉驿正黑:style=Regular
/usr/share/fonts/truetype/wqy/wqy-microhei.ttc: WenQuanYi Micro Hei,文泉驛微米黑,文泉驿微米黑:style=Regular

3.3 在 Matplotlib 中使用中文字体

找到字体文件路径后，可以在 Matplotlib 中使用这些字体。以下是如何在 Matplotlib 中设置字体的示例代码：

import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

# 示例数据
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

# 设置中文字体
font_path = '/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc'  # 替换为你找到的字体文件路径
font_prop = FontProperties(fname=font_path)

# 创建图形
plt.plot(x, y)
plt.xlabel('X 轴标签', fontproperties=font_prop)
plt.ylabel('Y 轴标签', fontproperties=font_prop)
plt.title('简单的线性图', fontproperties=font_prop)

# 保存图形为 JPG 文件
plt.savefig('my_plot.jpg', format='jpg')

# 如果仍然希望在屏幕上显示图形，可以保留 plt.show()
plt.show()

4. 主要功能和特点

4.1 图表类型

Matplotlib 支持多种图表类型，包括但不限于：

• 线性图（Line Plot）
• 散点图（Scatter Plot）
• 柱状图（Bar Chart）
• 直方图（Histogram）
• 饼图（Pie Chart）
• 箱线图（Box Plot）
• 极坐标图（Polar Plot）
• 三维图（3D Plot）

下面为每种图表类型提供一个示例：

线性图（Line Plot）

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

plt.plot(x, y)
plt.xlabel('X 轴标签')
plt.ylabel('Y 轴标签')
plt.title('简单的线性图')
plt.show()

散点图（Scatter Plot）

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

plt.scatter(x, y)
plt.xlabel('X 轴标签')
plt.ylabel('Y 轴标签')
plt.title('简单的散点图')
plt.show()

柱状图（Bar Chart）

import matplotlib.pyplot as plt

x = ['A', 'B', 'C', 'D']
y = [1, 4, 9, 16]

plt.bar(x, y)
plt.xlabel('分类')
plt.ylabel('值')
plt.title('简单的柱状图')
plt.show()

直方图（Histogram）

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randn(1000)

plt.hist(data, bins=30)
plt.xlabel('值')
plt.ylabel('频率')
plt.title('简单的直方图')
plt.show()

np.random.randn(1000) 是 NumPy 库中的一个函数调用，用于生成从标准正态分布（均值为0，标准差为1）中抽取的随机数。具体来说，这个函数会生成一个包含 1000 个随机数的一维数组。
bins=30 参数指定了将数据分成 30 个区间（也叫做桶），以便更好地可视化数据的分布。

饼图（Pie Chart）

import matplotlib.pyplot as plt

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('简单的饼图')
plt.show()

箱线图（Box Plot）

import matplotlib.pyplot as plt
import numpy as np

data = [np.random.randn(100) for _ in range(4)]

plt.boxplot(data)
plt.xlabel('分类')
plt.ylabel('值')
plt.title('简单的箱线图')
plt.show()

python data = [np.random.randn(100) for _ in range(4)]
这行代码使用列表解析生成一个包含 4 个数组的列表。每个数组都包含 100 个从标准正态分布中抽取的随机数。具体来说，这个列表解析的执行过程如下：
- np.random.randn(100) 被调用 4 次，每次生成一个包含 100 个随机数的数组。
- 这 4 个数组被添加到一个列表中，最终形成 data。

箱线图（Box Plot），又称盒须图或盒形图，是一种统计图表，用于展示数据分布的五个主要特征：最小值、第一四分位数（Q1）、中位数（第二四分位数，Q2）、第三四分位数（Q3）和最大值。箱线图还可以显示异常值（outliers）。它通过简单的图形方式展示数据的分布情况、中心趋势和离散程度。

箱线图的组成

1. 箱体（Box）：

   • 下边缘（Lower Quartile, Q1）：第一四分位数，即数据的下四分位数，表示数据的 25% 位点。
   • 中位数（Median, Q2）：第二四分位数，即数据的中位数，表示数据的 50% 位点。
   • 上边缘（Upper Quartile, Q3）：第三四分位数，即数据的上四分位数，表示数据的 75% 位点。

2. 须（Whiskers）：

   • 下须（Lower Whisker）：通常表示数据中的最小值，或者比 Q1 小 1.5 倍四分位距（IQR）的最小数据点。
   • 上须（Upper Whisker）：通常表示数据中的最大值，或者比 Q3 大 1.5 倍四分位距（IQR）的最大数据点。
   • 四分位距（IQR, Interquartile Range）：Q3 和 Q1 之间的距离，表示中间 50% 数据的范围。

3. 异常值（Outliers）：超出上下须范围的数据点，通常使用单独的标记（如圆点）表示。

箱线图的意义

1. 数据的分布情况：通过箱体和须的长度，可以直观地了解数据的分布范围和离散程度。
2. 中心趋势：中位数显示了数据的中心位置，可以反映数据的中心趋势。
3. 对称性：箱体相对于中位数的对称性可以显示数据是否对称分布。
4. 离群值：异常值可以快速识别数据中的离群点，有助于数据清洗和异常检测。
5. 比较多个数据集：通过并排绘制多个箱线图，可以方便地比较不同数据集的分布情况。

极坐标图（Polar Plot）

import matplotlib.pyplot as plt
import numpy as np

theta = np.linspace(0, 2*np.pi, 100)
r = np.abs(np.sin(theta))

plt.polar(theta, r)
plt.title('简单的极坐标图')
plt.show()

极坐标图是一种使用极坐标系（角度和半径）来展示数据的图表类型。

1. 生成角度数据：

   theta = np.linspace(0, 2*np.pi, 100)
   

   • np.linspace 是 NumPy 中的一个函数，用于生成一个线性空间的数组。
   • 0 和 2*np.pi 分别是数组的起始值和终止值。
   • 100 是生成的数组中的元素数量。
   • theta 是一个包含从 0 到 2π 的 100 个等间距值的数组，表示角度数据。

2. 计算半径数据：

   r = np.abs(np.sin(theta))
   

   • np.sin(theta) 计算 theta 数组中每个角度的正弦值，结果是一个数组。
   • np.abs 计算数组中每个元素的绝对值，结果是一个非负数组。
   • r 是一个包含 theta 对应的正弦值绝对值的数组，表示半径数据。

3. 使用极坐标绘制图形：

   plt.polar(theta, r)
   

   • plt.polar 是 Matplotlib 中用于绘制极坐标图的函数。
   • theta 是角度数据数组。
   • r 是半径数据数组。
   • 这行代码使用极坐标系绘制了一个极坐标图，图形的每个点由对应的 theta 和 r 值确定。

图表解释

• 极坐标图：极坐标图使用极坐标系来展示数据。极坐标系中的每个点由一个角度和一个半径确定。
• 角度（theta）：从 0 到 2π 的 100 个等间距值，表示从 0 到 360 度的角度。
• 半径（r）：sin 函数的绝对值，表示每个角度对应的半径长度。

在这个示例中，极坐标图展示了 sin 函数的绝对值在从 0 到 2π 角度范围内的变化情况。由于 sin 函数在 0 和 π 处取值为 0，在 π/2 和 3π/2 处取值为 1 和 -1，因此图形呈现出一个对称的波形。

通过这段代码，你可以直观地了解 sin 函数在极坐标系中的表现形式。极坐标图特别适用于展示具有周期性和对称性的数据。

三维图（3D Plot）

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

ax.plot_surface(x, y, z, cmap='viridis')
plt.title('简单的三维图')
plt.show()

1. 创建一个新的图形对象：

   fig = plt.figure()
   

   • plt.figure 创建一个新的图形对象，用于包含一个或多个子图。

2. 添加一个三维坐标轴：

   ax = fig.add_subplot(111, projection='3d')
   

   • fig.add_subplot(111, projection='3d') 在图形对象中添加一个子图，111 表示图形是 1 行 1 列的网格中的第一个子图。
   • projection='3d' 参数指定这个子图是一个三维坐标轴。

3. 生成 x 和 y 的数据：

   x = np.linspace(-5, 5, 100)
   y = np.linspace(-5, 5, 100)
   

   • np.linspace 是 NumPy 中的一个函数，用于生成一个线性空间的数组。
   • -5 和 5 分别是数组的起始值和终止值。
   • 100 是生成的数组中的元素数量。
   • x 和 y 是包含从 -5 到 5 的 100 个等间距值的数组。

4. 创建网格：

   x, y = np.meshgrid(x, y)
   

   • np.meshgrid 是 NumPy 中的一个函数，用于从一维数组生成二维网格坐标。
   • x 和 y 是网格坐标的二维数组，表示每个点的 x 坐标和 y 坐标。

5. 计算 z 的数据：

   z = np.sin(np.sqrt(x**2 + y**2))
   

   • x**2 + y**2 计算每个点的平方和。
   • np.sqrt 计算平方和的平方根。
   • np.sin 计算平方根的正弦值。
   • z 是一个二维数组，表示每个点的 z 坐标。

6. 绘制三维曲面：

   ax.plot_surface(x, y, z, cmap='viridis')
   

   • ax.plot_surface 是用于绘制三维曲面的函数。
   • x、y 和 z 是网格坐标的二维数组，表示每个点的 x 坐标、y 坐标和 z 坐标。
   • cmap='viridis' 指定了颜色映射（colormap），viridis 是一种常用的颜色映射方案。

7. 设置图表标题：

   plt.title('简单的三维图')
   

   • plt.title 设置图表的标题。
   • '简单的三维图' 是图表的标题文本。

8. 图表解释：

• 三维曲面图：三维曲面图展示了一个函数在二维平面上的值。每个点由三个坐标（x, y, z）确定。
• x 和 y 数据：从 -5 到 5 的 100 个等间距值，表示二维平面上的坐标。
• z 数据：z = np.sin(np.sqrt(x**2 + y**2)) 表示每个点的 z 坐标，函数的形式决定了曲面的形状。
• 颜色映射：cmap='viridis' 指定了颜色映射方案，用于根据 z 值为曲面着色，帮助更好地理解数据的变化。

5 简洁模式与面向对象模式

Matplotlib 提供了两种主要的 API：面向对象的 API（Object-Oriented API）和 Pyplot API（即简洁模式）。以下是对这两种 API 的介绍：

Pyplot API（简洁模式）

Pyplot API 提供了一组类似于 MATLAB 的命令式函数，使得绘图过程更加简洁和直观。这种方法适合快速创建简单的图形，非常适合初学者和简单的绘图需求。

• 函数调用：通过直接调用 matplotlib.pyplot 模块中的函数来进行绘图和设置属性。
• 自动管理对象：Pyplot 会自动创建和管理 Figure 和 Axes 对象，因此你不需要手动创建它们。

示例代码：

import matplotlib.pyplot as plt

# 直接使用 pyplot 的函数进行绘图
plt.plot([1, 2, 3], [4, 5, 6])

# 设置标题和标签
plt.title('标题')
plt.xlabel('X轴标签')
plt.ylabel('Y轴标签')

# 显示图形
plt.show()

面向对象的 API（Object-Oriented API）

面向对象的 API 提供了更灵活和强大的方式来创建和管理图形和子图。通过直接操作图形对象和轴对象，你可以更精细地控制绘图的各个方面。这种方法适合复杂的绘图需求，尤其是当你需要创建多个子图或在同一图中进行多次绘制时。

• 创建图形和轴对象：你首先需要创建一个 Figure 对象和一个或多个 Axes 对象。
• 方法调用：通过调用这些对象的方法来进行绘图和设置属性。

示例代码：

import matplotlib.pyplot as plt

# 创建一个 Figure 对象和一个 Axes 对象
fig, ax = plt.subplots()

# 使用 Axes 对象进行绘图
ax.plot([1, 2, 3], [4, 5, 6])

# 设置标题和标签
ax.set_title('标题')
ax.set_xlabel('X轴标签')
ax.set_ylabel('Y轴标签')

# 显示图形
plt.show()

• 面向对象的 API：提供更多控制和灵活性，适合复杂绘图。
• Pyplot API：更简洁直观，适合快速创建简单图形。

根据你的需求和复杂度，可以选择合适的 API 来进行绘图。

6 多图管理

Matplotlib 支持在一个图形窗口中绘制多个子图（subplot），可以使用 subplot 函数或者 GridSpec 模块进行更复杂的布局管理。下面是一个完整的示例，展示如何在一个图形窗口中绘制多个子图。

示例代码

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
z = np.random.randn(100)

# 创建一个 2x2 的子图网格
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

# 子图1：线性图
axs[0, 0].plot(x, y, color='blue')
axs[0, 0].set_title('子图1: 线性图')
axs[0, 0].set_xlabel('X 轴')
axs[0, 0].set_ylabel('Y 轴')

# 子图2：散点图
axs[0, 1].scatter(x, y, color='red')
axs[0, 1].set_title('子图2: 散点图')
axs[0, 1].set_xlabel('X 轴')
axs[0, 1].set_ylabel('Y 轴')

# 子图3：柱状图
axs[1, 0].bar(np.arange(10), np.random.randint(1, 10, size=10), color='green')
axs[1, 0].set_title('子图3: 柱状图')
axs[1, 0].set_xlabel('分类')
axs[1, 0].set_ylabel('值')

# 子图4：直方图
axs[1, 1].hist(z, bins=20, color='purple')
axs[1, 1].set_title('子图4: 直方图')
axs[1, 1].set_xlabel('值')
axs[1, 1].set_ylabel('频率')

# 调整子图布局，避免重叠
plt.tight_layout()

# 显示图形
plt.show()

• 子图1：线性图：展示了 x 和 y 的线性关系，y 是 x 的正弦值。
• 子图2：散点图：展示了 x 和 y 的散点分布，y 是 x 的正弦值。
• 子图3：柱状图：展示了 10 个分类的随机值。
• 子图4：直方图：展示了 z 数据的频率分布，z 是从标准正态分布中抽取的随机数。

11. 面向对象的 API进一步的示例

直线图展示销量关系

import matplotlib.pyplot as plt

y = [1, 4, 9, 16, 25, 36, 49, 64]
x1 = [1, 16, 30, 42, 55, 68, 77, 88]
x2 = [1, 6, 12, 18, 28, 40, 52, 65]

# 创建图形和轴
fig, ax = plt.subplots()
l1 = ax.plot(x1, y, 'ys-')  # 使用简写的形式color/标记符/线型
l2 = ax.plot(x2, y, 'go--')
ax.legend(labels=('tv', 'Smartphone'), loc='lower right')  # legend 放置在右下角
ax.set_title("Advertisement effect on sales")
ax.set_xlabel('medium')
ax.set_ylabel('sales')
plt.show()

# 创建图形和轴
fig, ax = plt.subplots()

• 创建一个图形（fig）和一个子绘图区域（轴，ax），用于在其上进行绘图。

l1 = ax.plot(x1, y, 'ys-')  # 使用简写的形式color/标记符/线型

• 在轴上绘制第一条线，使用 x1 作为横坐标，y 作为纵坐标，'ys-' 表示颜色为黄色（y），标记符为正方形（s），并使用实线（-）。

l2 = ax.plot(x2, y, 'go--')

• 在轴上绘制第二条线，用 x2 作为横坐标，y 作为纵坐标，'go--' 表示颜色为绿色（g），标记符为圆圈（o），并使用虚线（--）。

ax.legend(labels=('tv', 'Smartphone'), loc='lower right')  # legend 放置在右下角

• 添加图例，标识两条线所代表的广告媒介，labels 参数用于指定图例中显示的名称，loc 参数用来设定图例的位置，这里为右下角。

新建的子图与现有的子图重叠

import matplotlib.pyplot as plt

plt.figure(1)
plt.plot([1, 2, 3])

# 现在创建一个子图，它表示一个有2行1列的网格的顶部图。
# 因为这个子图将与第一个重叠，所以之前创建的图将被删除
plt.subplot(211)
plt.plot(range(12))

# 创建带有黄色背景的第二个子图
plt.subplot(212, facecolor='y')
plt.plot(range(12))

plt.show()

通过给画布添加 axes 对象可以实现在同一画布中插入另外的图像

import matplotlib.pyplot as plt
import numpy as np
import math

# 生成 x 数据，从 0 到 2π，步长为 0.05
x = np.arange(0, math.pi * 2, 0.05)

# 创建一个新的图形对象
fig = plt.figure()

# 添加主绘图区域（Axes 对象）
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])  # 主图
# 添加内嵌绘图区域（Axes 对象）
axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3])  # 内嵌图

# 生成 y 数据，即 x 的正弦值
y = np.sin(x)

# 在主绘图区域中绘制 x 和 y 的关系，颜色为蓝色
axes1.plot(x, y, 'b')

# 在内嵌绘图区域中绘制 x 和余弦值的关系，颜色为红色
axes2.plot(x, np.cos(x), 'r')

# 设置主绘图区域的标题为 "sine"
axes1.set_title('sine')

# 设置内嵌绘图区域的标题为 "cosine"
axes2.set_title("cosine")

# 显示图形
plt.show()

添加主绘图区域（Axes 对象）：
python axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 主图
- fig.add_axes([0.1, 0.1, 0.8, 0.8]) 在图形对象中添加一个主绘图区域（Axes 对象）。
- 参数 [0.1, 0.1, 0.8, 0.8] 定义了主绘图区域在图形中的位置和大小，分别表示左边距、底边距、宽度和高度，取值范围为 0 到 1，表示相对于图形的百分比。

添加内嵌绘图区域（Axes 对象）：
python axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3]) # 内嵌图
- fig.add_axes([0.55, 0.55, 0.3, 0.3]) 在图形对象中添加一个内嵌绘图区域（Axes 对象）。
- 参数 [0.55, 0.55, 0.3, 0.3] 定义了内嵌绘图区域在图形中的位置和大小，分别表示左边距、底边距、宽度和高度，取值范围为 0 到 1，表示相对于图形的百分比。

显示坐标轴刻度

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含 1 行 2 列的子图网格，并设置图形大小为 (10, 4) 英寸
fig, axes = plt.subplots(1, 2, figsize=(10, 4))

# 生成 x 数据，从 1 到 4 的数组
x = np.arange(1, 5)

# 子图1：绘制 x 与 e^x 和 x^2 的关系，使用普通尺度
axes[0].plot(x, np.exp(x))
axes[0].plot(x, x**2)
axes[0].set_title("Normal scale")

# 子图2：绘制 x 与 e^x 和 x^2 的关系，使用对数尺度
axes[1].plot(x, np.exp(x))
axes[1].plot(x, x**2)
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)")

# 设置子图1的 x 轴和 y 轴标签
axes[0].set_xlabel("x axis")
axes[0].set_ylabel("y axis")
axes[0].xaxis.labelpad = 10  # 设置 x 轴标签与轴线的距离

# 设置子图2的 x 轴和 y 轴标签
axes[1].set_xlabel("x axis")
axes[1].set_ylabel("y axis")

# 显示图形
plt.show()

• 图形对象：创建了一个新的图形对象，并在其中添加了两个子图。
• 数据生成：生成了从 1 到 4 的 x 数据。
• 绘图：在第一个子图中绘制了 x 与 e^x 和 x^2 的关系，使用普通尺度。在第二个子图中绘制了相同的数据，但使用对数尺度来展示 y 轴的变化。
• 自定义标签和标题：为每个子图设置了 x 轴和 y 轴的标签以及图形标题。

坐标轴颜色显示

import matplotlib.pyplot as plt

# 创建一个包含单个子图的图形对象
fig, ax = plt.subplots()

# 设置底部轴的颜色为蓝色
ax.spines['bottom'].set_color('blue')

# 设置左侧轴的颜色为红色
ax.spines['left'].set_color('red')

# 设置左侧轴的线宽为 2
ax.spines['left'].set_linewidth(2)

# 隐藏右侧轴
ax.spines['right'].set_color(None)

# 隐藏顶部轴
ax.spines['top'].set_color(None)

# 在子图中绘制数据 [1, 2, 3, 4, 5]
ax.plot([1, 2, 3, 4, 5])

# 显示图形
plt.show()

Matplotlib 设置坐标轴

import matplotlib.pyplot as plt
import math

# 生成信号
fs = 1000  # 采样频率，一秒1000个点
f = 10     # 信号频率，一秒10个波形
t = list(range(0, 1000))  # 时间序列，0-999
t = [x / fs for x in t]   # 将时间序列归一化，实际是1秒内的1000个时间点
a = [math.sin(2 * math.pi * f * x) for x in t]  # 生成正弦信号

# 作图
plt.figure()  # 创建一个新的图形对象

# 子图1
plt.subplot(2, 2, 1)  # 创建一个2行2列的子图网格，当前激活第一个子图
plt.plot(a)  # 绘制正弦信号
plt.title('Figure-1')  # 设置子图标题

# 子图2
plt.subplot(2, 2, 2)  # 当前激活第二个子图
plt.plot(a)  # 绘制正弦信号
plt.xticks([])  # 隐藏x轴刻度
plt.title('Figure-2')  # 设置子图标题

# 子图3
plt.subplot(2, 2, 3)  # 当前激活第三个子图
plt.plot(a)  # 绘制正弦信号
plt.yticks([])  # 隐藏y轴刻度
plt.title('Figure-3')  # 设置子图标题

# 子图4
plt.subplot(2, 2, 4)  # 当前激活第四个子图
plt.plot(a)  # 绘制正弦信号
plt.axis('off')  # 隐藏所有轴线和刻度
plt.title('Figure-4')  # 设置子图标题

# 显示图形
plt.show()

• 图形对象：创建了一个新的图形对象，并在其中添加了四个子图。
• 信号生成：生成了从 0 到 999 的时间序列，并计算了对应的正弦信号。
• 绘图：在每个子图中绘制了相同的正弦信号，但在坐标轴的显示方式上有所不同：
  • 第一个子图显示完整的坐标轴和刻度。
  • 第二个子图隐藏了 x 轴刻度。
  • 第三个子图隐藏了 y 轴刻度。
  • 第四个子图隐藏了所有轴线和刻度。
• 显示图形：最终显示了生成的图表。

刻度和标签的使用

import matplotlib.pyplot as plt
import numpy as np
import math

# 生成 x 数据，从 0 到 2π，步长为 0.05
x = np.arange(0, math.pi * 2, 0.05)

# 创建一个新的图形对象
fig = plt.figure()

# 添加一个绘图区域（Axes 对象）
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])

# 生成 y 数据，即 x 的正弦值
y = np.sin(x)

# 在绘图区域中绘制 x 和 y 的关系
ax.plot(x, y)

# 设置 x 轴标签
ax.set_xlabel('angle')

# 设置图形标题
ax.set_title('sine')

# 设置 x 轴刻度位置
ax.set_xticks([0, 2, 4, 6])

# 设置 x 轴刻度标签
ax.set_xticklabels(['zero', 'two', 'four', 'six'])

# 设置 y 轴刻度位置
ax.set_yticks([-1, 0, 1])

# 显示图形
plt.show()

• 自定义轴标签和刻度：设置了 x 轴和 y 轴的标签，并自定义了 x 轴的刻度位置和标签，以及 y 轴的刻度位置。

这种方法非常适合用于生成和自定义各种类型的图表，帮助更好地理解和展示数据。

grid() 设置网格格式

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含 1 行 3 列的子图网格，并设置图形大小为 (12, 4) 英寸
fig, axes = plt.subplots(1, 3, figsize=(12, 4))

# 生成 x 数据，从 1 到 10 的数组
x = np.arange(1, 11)

# 子图1：绘制 x 与 x^3 的关系，并设置默认网格
axes[0].plot(x, x**3, 'g', lw=2)  # 'g' 表示绿色，lw=2 表示线宽为 2
axes[0].grid(True)  # 开启默认网格
axes[0].set_title('default grid')  # 设置子图标题

# 子图2：绘制 x 与 e^x 的关系，并设置自定义网格
axes[1].plot(x, np.exp(x), 'r')  # 'r' 表示红色
axes[1].grid(color='b', ls='-.', lw=0.25)  # 设置网格颜色为蓝色，线型为点划线，线宽为 0.25
axes[1].set_title('custom grid')  # 设置子图标题

# 子图3：绘制 x 与 x 的关系，不设置网格
axes[2].plot(x, x)
axes[2].set_title('no grid')  # 设置子图标题

# 调整子图布局，避免重叠
fig.tight_layout()

# 显示图形
plt.show()

12. 总结

在本篇文档中，我们详细介绍了如何使用 Matplotlib 进行数据可视化，从基础的安装和配置到各种复杂的图表类型和高级功能。通过这些示例，你可以掌握 Matplotlib 的基本用法，并在实际项目中灵活运用它来进行数据可视化。

12.1 基础示例

我们首先展示了如何绘制简单的线性图、散点图、柱状图、直方图、饼图、箱线图、极坐标图和三维图。每种图表类型都有对应的示例代码，帮助你快速上手。

12.2 高级功能

我们还介绍了如何生成动画、创建三维图形，以及管理多个子图。通过这些高级功能，你可以创建更加复杂和动态的图表。

12.3 进一步的示例

我们提供了一系列进一步的示例，包括如何设置坐标轴、添加网格、显示坐标轴刻度、以及如何在同一画布中插入多个图像。这些示例展示了 Matplotlib 的强大功能和灵活性。