1 简介
一份关于pyplot接口的说明。可以查看前一篇教程，即Quick start guide来通览matplotlib的工作模式及接口，以及在两者之间的权衡。
2 pyplot的简介
matplotlib.pyplot是matplotlib中一系列类似于MATLAB的函数。每一个Pyplot函数对figure对象进行一些操作，例如：创建一个figure，在figure中创建一个绘图区域，在绘图区域里画几条线，对绘图通过标签的方式进行装饰等。
在matplotlib.pyplot中，跨函数调用保留了各种状态，以便它跟踪当前图形和绘图区域等内容，并且绘图函数被定向到当前的axes（注意，此处和文档中大多数地方的axes是指图形的轴张成的区域，而不严格数学地指向某一个axis。）
注意
隐式pyplot 接口通常不那么冗长，但也不像显式接口那样灵活。你在此处看到的大多数函数调用也可以作为Axes对象的方法调用。我们建议浏览教程和示例以了解其工作原理。请参阅matplotlib应用程序接口，了解所支持用户接口中的权衡说明。
非常快速地使用pyplot来创建可视化内容：
import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()
你可能想知道为什么x轴的范围为0-3，y轴的范围为1-4。为什么x轴的范围不是1-4呢？如果你提供单个列表或数组进行绘制，matplotlib会假定它是y值的序列，并自动生成x值。由于Python范围以0开头，因此默认的x向量与y具有相同的长度，但以0开头，因此，x的数据为 [ 0 , 1 , 2 , 3 ] [0, 1, 2, 3] [0,1,2,3].
plot是一个通用函数，需要任意数量的参数。例如，要绘制x与y，你可以这样写：
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
格式化你的绘图
对于每个x, y参数对，都有一个可选的第三参数，它是指示绘图颜色和线条类型的格式字符串。格式字符串的字母和符号源自于MATLAB，你可以将颜色字符串与线型字符串连接起来。默认格式字符串为"b-"，这是一条蓝色实线。例如，要用红色圆圈重新绘制上述内容，你可以这样写：
plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.axis([0, 6, 0, 20])
plt.show()
有关线型和格式字符串的完整列表，请参阅plot函数的文档。上面的示例中，轴函数采用 [ x m i n , x m a x , y m i n , y m a x ] [xmin, xmax, ymin, ymax] [xmin,xmax,ymin,ymax]的列表，并指定轴的可视范围。
如果matplotlib仅限于处理列表，那么它对于数字处理将毫无用处。通常，你将使用numpy数组。事实上，所有序列都在内部转换为numpy数组。下面的示例说明了使用数组在一次函数调用中绘制具有不同格式样式的多条线：
import numpy as np
# 以200ms的间隔均匀采样时间
t = np.arange(0., 5., 0.2)
# 红色虚线，蓝色方块，以及绿色的三角形
plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
plt.show()
3 用字典中的键绘图
在某些情况下，你的数据格式允许你使用字符串访问特定变量。例如，使用numpy.recarray或pandas数据帧。
matplotlib允许你为此类对象提供数据键参数。如果提供，则可以使用与这些键值对应的字符串生成绘图。
data = {'a': np.arange(50),
'c': np.random.randint(0, 50, 50),
'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100
plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()
4 用分类的变量绘图
也可以使用不同类型的变量创建绘图。matplotlib允许将多类数据直接传递给多个绘图函数。例如：
names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]
plt.figure(figsize=(9, 3))
plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')
plt.show()
5 控制线相关的属性
线有很多可以设置的属性：线宽、实虚线型、锯消除等等，可以参看matplotlib.lines.Line2D。这里有好几种方式来设置线的属性：
- 使用关键字变量
plt.plot(x, y, linewidth=2.0)
- 使用
line2D实例的setter方法。plot返回一列line2D对象，例如line1, line2 = plot(x1, y1, x2, y2)。 以下代码我们假定我们只有一条线，因此这个列表返回的长度为1。我们使用tuple来接收line，以得到list的首个元素：
line, = plt.plot(x, y, '-')
line.set_antialiased(False) # 关闭反锯齿化
- 使用
setp方法。下面的例子使用了一种MATLAB风格的函数来设置一个lines列表的多种属性。setp针对一系列对象或单个对象显然地起效。你既可以使用python关键字变量，也可以使用MATLAB风格的字符串/值对：
lines = plt.plot(x1, y1, x2, y2)
# 使用关键字变量
plt.setp(lines, color='r', linewidth=2.0)
# 或者MATLAB的字符串-值键值对
plt.setp(lines, 'color', 'r', 'linewidth', 2.0)
以下是可用的line2D属性。
| Property | Value Type | 中文备注 |
|---|---|---|
| alpha | float | 不透明度 |
| animated | [True | False] | 是否应用于动画 |
| antialiased or aa | [True | False] | 抗锯齿化 |
| clip_box | a matplotlib.transform.Bbox instance | 截断范围 |
| clip_on | [True | False] | 是否截断 |
| clip_path | a Path instance and a Transform instance, a Patch | 截断掩膜 |
| color or c | any matplotlib color | 颜色 |
| contains | the hit testing function | 鼠标点击 |
| dash_capstyle | [‘butt’ | ‘round’ | ‘projecting’] | 线末端类型 |
| dash_joinstyle | [‘miter’ | ‘round’ | ‘bevel’] | 线交叉类型 |
| dashes | sequence of on/off ink in points | 虚线设计 |
| data | (np.array xdata, np.array ydata) | 数据 |
| figure | a matplotlib.figure.Figure instance | 表格实例 |
| label | any string | 标签 |
| linestyle or ls | [ ‘-’ | ‘--’ | ‘-.’ | ‘:’ | ‘steps’ | ...] | 线型 |
| linewidth or lw | float value in points | 线宽 |
| marker | [ ‘+’ | ‘,’ | ‘.’ | ‘1’ | ‘2’ | ‘3’ | ‘4’ ] | 标记点 |
| markeredgecolor or mec | any matplotlib color | 标记点边缘颜色 |
| markeredgewidth or mew | float value in points | 标记点边缘线宽 |
| markerfacecolor or mfc | any matplotlib color | 标记点颜色 |
| markersize or ms | float | 标记点大小 |
| markevery | [ None | integer | (startind, stride) ] | 标记点采样原则 |
| picker | used in interactive line selection | 选中规则 |
| pickradius | the line pick selection radius | 选中半径 |
| solid_capstyle | [‘butt’ | ‘round’ | ‘projecting’] | 实线末端类型 |
| solid_joinstyle | [‘miter’ | ‘round’ | ‘bevel’] | 实线交叉类型 |
| transform | a matplotlib.transforms.Transform instance | 转换实例 |
| visible | [True | False] | 可见性 |
| xdata | np.array | x轴数据 |
| ydata | np.array | y轴数据 |
| zorder | any number | 图层顺序 |
如果要得到一条线的所有属性列表，调用setp，并将line或lines作为输入参数传递给它。
以上内容在matplotlib中有大量实例，表格仅作为简要认知之用。
6 绘制多个图形和轴
MATLAB 和 pyplot 具有当前figure和当前Axes的概念。所有绘图功能都适用于当前轴。函数 gca(get current axes) 返回当前轴（matplotlib.axes.Axes 实例），gcf(get current figure) 返回当前图形（matplotlib.figure.Figure 实例）。通常，您不必担心这一点，因为这一切都在幕后处理。下面是创建两个子图的脚本。
def f(t):
return np.exp(-t) * np.cos(2*np.pi*t)
t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)
plt.figure()
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')
plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()
这里的图形调用是可选的，因为如果不存在图形，将创建一个图形，就像如果不存在，将创建一个轴（相当于显式 subplot()调用）。子图调用指定数字行、数字plot_number其中plot_number范围从 1 到数字行*数字。如果数字*数字<10，则子图调用中的逗号是可选的。所以子图（211）与子图（2，1，1）相同。
你可以创建任意数量的子图和轴。如果要手动放置轴，即不在矩形网格上，请使用轴，这允许您将位置指定为轴（[左，底，宽，高]），其中所有值都以分数（0到1）坐标表示。有关手动放置轴的示例，请参阅轴演示，有关具有大量子图的示例，请参阅多个子图。
你可以通过使用具有递增的图形编号的多个图形调用来创建多个图形。当然，每个图形可以包含任意数量的轴和子图，只要你心中想要：
import matplotlib.pyplot as plt
plt.figure(1) # 首个figure
plt.subplot(211) # 第一个figure中的第一个子图
plt.plot([1, 2, 3])
plt.subplot(212) # 第一个figure中的第二个子图
plt.plot([4, 5, 6])
plt.figure(2) # 第二个figure
plt.plot([4, 5, 6]) # 以默认方式创建子图
plt.figure(1) # 当前的第一个figure
# subplot(212) 仍然是当前
plt.subplot(211) # 在首个figure中创建subplot(211)
plt.title('Easy as 1, 2, 3') # 子图 211 标题
你可以使用 clf 清除当前图形，使用 cla 清除当前轴。如果你发现在幕后为您维护状态（特别是当前图像，图形和轴）很烦人，请不要绝望：这只是围绕面向对象的API的薄状态包装器，你可以使用它（请参阅Artists教程）
如果你正在制作很多figure，你需要注意另一件事：图形所需的内存不会完全释放，直到图形明确关闭。删除对图形的所有引用，和/或使用窗口管理器终止图形出现在屏幕上的窗口是不够的，因为pyplot会维护内部引用，直到调用close为止。
7 使用文本
文本可用于在任意位置添加文本，xlabel、ylabel 和 title 用于在指定位置添加文本（有关更详细的示例，请参阅 matplotlib 绘图中的文本）
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
所有文本函数都返回一个 matplotlib.text.Text 实例。与上面的行一样，你可以通过将关键字参数传递到文本函数中或使用 setp 来自定义属性：
t = plt.xlabel('my data', fontsize=14, color='red')
在文本中使用数学表达式
Matplotlib 接受任何文本表达式中的 TeX 方程表达式。例如，编写表达式 σ i = 15 \sigma_i = 15 σi=15在标题中，你可以编写一个用美元符号包围的 TeX 表达式：
plt.title(r'$\sigma_i=15$')
标题字符串前面的 r 很重要——它表示字符串是原始字符串，而不是将反斜杠视为 python 转义。matplotlib 具有内置的 TeX 表达式解析器和布局引擎，并提供了自己的数学字体 – 有关详细信息，请参阅编写数学表达式。因此，你可以跨平台使用数学文本，而无需安装 TeX。对于那些安装了 LaTeX 和 dvipng 的用户，你还可以使用 LaTeX 格式化文本并将输出直接合并到显示图形或保存的后记中——请参阅使用 LaTeX 渲染文本。
箭头文本
上述基本文本函数的使用将文本放置在轴上的任意位置。文本的常见用途是注释绘图的某些特征，而 annotate 方法提供了帮助程序功能以使注释变得容易。在批注中，需要考虑两点：由参数 xy 表示的批注位置和文本 xytext 的位置。这两个参数都是 （x， y） 元组。
ax = plt.subplot()
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='black', shrink=0.05),
)
plt.ylim(-2, 2)
plt.show()
在此基本示例中，xy（箭头提示）和 xytext 位置（文本位置）都在数据坐标中。还可以选择多种其他坐标系 - 有关详细信息，请参阅基本注记和高级注记。更多示例可以在注释图中找到。
8 对数或非线性轴设置
Matplotlib.pyplot不仅支持线性轴刻度，还支持对数和对数刻度。如果数据跨越多个数量级，则通常使用此方法。更改轴的比例很容易：
plt.xscale('log')
下面显示了具有相同数据和不同比例的 y 轴的四个绘图的示例。
# 固定的随机数种子
np.random.seed(19680801)
# 在区间(0,1)内生成一些数据
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))
# 绘制不同的图形
plt.figure()
# 线性图
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)
# 对数图
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')
plt.title('log')
plt.grid(True)
# 对称对数
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthresh=0.01)
plt.title('symlog')
plt.grid(True)
# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale('logit')
plt.title('logit')
plt.grid(True)
# 调整子图图层，因为logit 比通常占用更多空间，所以y刻度标签类似于"1-10^{-3}"
plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,
wspace=0.35)
plt.show()
211
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
