目录
一、简介
如Matplotlib名字一般，Matplotlib是模仿MATLAB中plot绘图函数的一个library（库），它拥有MATLAB绘图的基本所有功能，同时还拥有许多自己特有DIY操作。
Matplotlib是建立在NumPy数组上的多平台数据可视化的库，期初是为了更好的与SciPy堆栈一起工作使用。
目前基于Matplotlib构建的新包也是层出不穷，例如Seaborn，ggplot，Altair，甚至是Pandas本身也可以作为Matplotlib的包装器，但是即使是使用这些包装器，对Matplotlib的学习也是很有必要的。
本文章主要通过实例的展示，对Matplotlib的功能做一个入门的介绍。
二、基本绘图
1、绘图
既然是绘图工具包，那么首要的功能就是绘图了，我们直接进入主图，通过上面的介绍我们已经知道了，Matplotlib是模仿MATLAB的包，如果对MATLAB熟悉的小伙伴就会知道，plot的用法。正如MATLAB中的plot一样，Matplotlib也可以这样直接绘图。
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,100)
fig=plt.figure()#创建一张图片
plt.plot(x,np.sin(x),'-')#使用实线绘出sin
plt.plot(x,np.cos(x),'--')#使用虚线绘出cos
2、保存图片
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,100)
fig=plt.figure()#创建一张图片
plt.plot(x,np.sin(x),'-')#使用实线绘出sin
plt.plot(x,np.cos(x),'--')#使用虚线绘出cos
fig.savefig('这是一张图片.jpg',dpi=300, bbox_inches = 'tight')#保存图片 
这样就保存好一张图片了，同时我们可以通过设置dpi的大小来改变保存的清晰度，以及bbox_inches 来设置是否要保存图片的所有部分，包括不可见的部分。
3、更改颜色
如果你觉得颜色过于单调了，想要自己选择颜色，那么可以使用color这个这个属性
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,100)
colors=['blue',#名称
'r',#简称
'0.75',#灰度值[0-1]
'#FFDD44',#十六进制
(1.0,0.2,0.6),#RGB[0-1]
'chartreuse']#颜色全称
for i ,c in enumerate(colors):
plt.plot(x,np.sin(x-i),color=c) 
4、更改线条样式
如果觉得线条样式太过单一，你可以使用单引号加点和线段的组合表示线条类型
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,100)
codes=['-g','--c','-.k',':r']
for i,code in enumerate(codes):
plt.plot(x,x+i,code) 
也可以新增线段的标记点
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,100)
fig=plt.figure()#创建一张图片
plt.plot(x,np.sin(x),'o-')#使用实线绘出sin
plt.plot(x,np.cos(x),'ys-')#使用虚线绘出cos 
| 类型 | 标记符 | 颜色 | |||
| - | 实线 | o | 空心圆 | r | 红色 |
| -- | 双划线 | * | 星号 | g | 绿色 |
| : | 虚线 | + | 加号 | b | 蓝色 |
| :. | 点划线 | ys | 菱形 | m | 洋红色 |
| -. | 下划线加点 | x | 交叉符 | c | 青绿色 |
| -.. | 下划线加两点 | ^ | 上三角 | y | 黄色 |
| < | 左三角 | w | 黑色 | ||
| > | 右三角 | k | 白色 | ||
| v | 下三角 | ||||
| s | 正方形 |
5、柱状图
除了线性图，还可以画柱状图
x=np.linspace(0,10,10)
y=x
plt.bar(x,y)
单组不够可以画成多组的
import numpy as np
import matplotlib.pyplot as plt
data=abs(np.random.randn(3,4))
x=np.arange(4)
fig=plt.figure()
plt.bar(x + 0.00, data[0], color = 'b', width = 0.25)
plt.bar(x + 0.25, data[1], color = 'g', width = 0.25)
plt.bar(x + 0.50, data[2], color = 'r', width = 0.25) 
import numpy as np
import matplotlib.pyplot as plt
a=np.array([25,21,23,33,15])
b=np.array([56,23,34,23,11])
c=np.array([34,89,45,54,12])
#绘制堆叠图，主要使用bottom，可以设置柱状图底部的起始位置
plt.bar(ind, a, width=0.5, color='skyblue',bottom=b+c)
plt.bar(ind, b, width=0.5, color='lightblue',bottom=c)
plt.bar(ind, c, width=0.5, color='teal') 
6、标题
现在图也画出来了，是不是觉得缺少点什么，一张标题应该要有它自己的标题跟注解的。那我们将原本的代码稍作修改
import numpy as np
import matplotlib.pyplot as plt
x_ticks=['AA','BB','CC','DD','EE']
a=np.array([25,21,23,33,15])
b=np.array([56,23,34,23,11])
c=np.array([34,89,45,54,12])
xspeace=[x for x,a in enumerate(x_ticks)]
#绘制堆叠图，主要使用bottom，可以设置柱状图底部的起始位置
plt.bar(xspeace, a, width=0.5,label='a', color='skyblue',bottom=b+c)
plt.bar(xspeace, b, width=0.5,label='b', color='lightblue',bottom=c)
plt.bar(xspeace, c, width=0.5,label='c', color='teal')
#设置注解
plt.xticks(xspeace, x_ticks) #x轴横坐标
plt.ylabel("y lable") #y轴标签
plt.xlabel("x lable") #x轴标签
plt.legend(loc="upper right") #标签放置位置
plt.title("Title")#图片标题
7、饼状图
from matplotlib import pyplot as plt
import numpy as np
fig=plt.figure()
Height = ['160', '165', '170', '175', '180']
Count = [16,17,17,17,18]
#绘制饼状图
plt.pie(Count, labels = Height,autopct='%1.2f%%',
colors=['skyblue','lightblue','teal','azure','cyan'])
8、散点图
使用scatter函数进行绘图，与线的marker一样，散点图也有许多的marker
from matplotlib import pyplot as plt
import numpy as np
rng=np.random.RandomState(seed=0)
for marker in ['o','.',',','x','+','v','^','<','>','s','p','d']:
plt.scatter(rng.rand(5),rng.rand(5),marker=marker)
设置可以通过s属性，alpha属性，调整标记的大小和透明度
from matplotlib import pyplot as plt
import numpy as np
rng=np.random.RandomState(seed=0)
for marker in ['o','.',',','x','+','v','^','<','>','s','p','d']:
plt.scatter(rng.rand(5),rng.rand(5),s=np.random.randint(500),alpha=np.random.random(),
marker=marker)
9、箱线图
使用boxplot画箱线图，其中，object为箱子数据
from matplotlib import pyplot as plt
np.random.seed(10)
object1 = np.random.normal(100, 10, 200)
object2 = np.random.normal(90, 20, 200)
object3 = np.random.normal(80, 30, 200)
object4 = np.random.normal(70, 40, 200)
object5 = np.random.normal(60, 50, 200)
DataList=[object1,object2,object3,object4,object5]
fig = plt.figure()
plt.boxplot(DataList)
10、小提琴图
将boxplot改为violinplot则可以画出小提琴图
from matplotlib import pyplot as plt
np.random.seed(10)
object1 = np.random.normal(100, 10, 200)
object2 = np.random.normal(90, 20, 200)
object3 = np.random.normal(80, 30, 200)
object4 = np.random.normal(70, 40, 200)
object5 = np.random.normal(60, 50, 200)
DataList=[object1,object2,object3,object4,object5]
fig = plt.figure()
plt.violinplot(DataList)
三、高级的图
1、等高线到热图
有些时候，我们还会遇到需要画等高线的情况
Matplotlib也帮我们预想到了
与Matlab一样，我们可以使用meshgrid与contour结合使用，来绘制等高线图
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn-white')#设置绘画风格
#创建等高线的函数，不需要深度了解
def f(x,y):
return np.sin(x)**10+np.cos(10+y*x)+np.cos(x)
x=np.linspace(0,5,50)
y=np.linspace(0,5,40)
X,Y=np.meshgrid(x,y)#获取网格坐标
Z=f(X,Y)
plt.contour(X,Y,Z,colors='k')
这边的网格坐标指的是，将X当作坐标系里的x，Y当作坐标系中的y做成的网格点的x，y坐标
可以增加等级跟规格，使其数字可以与颜色对应
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn-white')#设置绘画风格
#创建等高线的函数，不需要深度了解
def f(x,y):
return np.sin(x)**10+np.cos(10+y*x)+np.cos(x)
x=np.linspace(0,5,50)
y=np.linspace(0,5,40)
X,Y=np.meshgrid(x,y)#获取网格坐标
Z=f(X,Y)
plt.contour(X,Y,Z,levels=20,cmap='RdGy')
使用contourf与colorbar，你就可以得到一个妥妥的热图了
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn-white')#设置绘画风格
#创建等高线的函数，不需要深度了解
def f(x,y):
return np.sin(x)**10+np.cos(10+y*x)+np.cos(x)
x=np.linspace(0,5,50)
y=np.linspace(0,5,40)
X,Y=np.meshgrid(x,y)#获取网格坐标
Z=f(X,Y)
plt.contourf(Z,levels=20,cmap='RdGy')
plt.colorbar() 
2、线段上下填充
该图可以描述整体的变化趋势，也可以表示单一时刻的波动情况，这边的yfit即为上下限，yfit-dyfit为下限，yfit+dyfit为上限。注意：dyfit的shape需要与yfit的shape大小一致
import matplotlib.pyplot as plt
import numpy as np
xfit=np.linspace(0,10,100)
yfit=np.cos(xfit)
plt.plot(xfit,yfit,'-',color='gray')
dyfit=np.random.random(100)
plt.fill_between(xfit,yfit-dyfit,yfit+dyfit,color='gray',alpha=0.2)
四、面对对象方式绘图
我们先前所讲的绘图方式都是模仿MATLAB的绘图方式，使用plot直接进行绘图。但实际上，matplotlib有为我们提供另一种绘图方式，是绘图可以更加的灵活和丰富。
如果之前是将整个图片当成一个画板的画，这种形式则更想figure是一面墙，而我们可以在墙上的一个区域挂上一幅画进行绘制。
废话不多说，我们直接进入实例。
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(0, np.math.pi*2, 0.05)
y = np.sin(x)
#接下来我们不直接画图，我们创建一个plt的subplots对象，里面包含一张6*6大小的图片
#且该图片充满整个plt的控件。既1行1列个图片，背景颜色设置为白色，清晰度为300
fig,axs=plt.subplots(1,1,figsize=(5,5),facecolor='white',dpi=300)
axs.plot(x,y)
#同样的，我们可以设置它的标题，横轴、纵轴的标题
axs.set_xlabel('angle')
axs.set_ylabel('sine')
axs.set_title("sine wave",fontdict = {'fontsize' : 20,'fontstyle' : 'oblique',
'color':'red','fontfamily': 'fantasy'},loc='left')
1、画中画
通过这种形式的编写，我们可以形成画中画的效果
import matplotlib.pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
fig=plt.figure()
axes1=fig.add_axes([0.1,0.1,0.8,0.8])
axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3]) # inset axes
y=np.sin(x)
axes1.plot(x,y)
axes2.plot(x,np.cos(x),'--r')
axes1.set_title('sine')
axes2.set_title("cosine")
axes1.set_xlabel("Angle",loc='left')
plt.show() 
2、多图并行
可以形成多画并行的效果
import matplotlib.pyplot as plt
#该图中有两行两列图片，所以使用的为2,2
fig,a = plt.subplots(2,2,figsize=(5,5),facecolor='white',dpi=300)
import numpy as np
x = np.arange(1,5)
#绘制平方函数
a[0][0].plot(x,x*x)
a[0][0].set_title('square')
#绘制平方根图像
a[0][1].plot(x,np.sqrt(x))
a[0][1].set_title('square root')
#绘制指数函数
a[1][0].plot(x,np.exp(x))
a[1][0].set_title('exp')
#绘制对数函数
a[1][1].plot(x,np.log10(x))
a[1][1].set_title('log')
plt.show()
3、不同大小
还可以通过subplot2grid来分配各个图的大小
import matplotlib.pyplot as plt
a1=plt.subplot2grid((3,3),(0,0),colspan=2)
a2 = plt.subplot2grid((3,3),(0,2), rowspan = 3)
a3 = plt.subplot2grid((3,3),(1,0),rowspan = 2, colspan = 2)
import numpy as np
x = np.arange(1,10)
a2.plot(x, x*x)
a2.set_title('square')
a1.plot(x, np.exp(x))
a1.set_title('exp')
a3.plot(x, np.log(x))
a3.set_title('log')
plt.tight_layout()
plt.show()
这边仅仅举例一个线性图的例子，之前所诉的绘图也均可使用该方式绘图，函数会有些许不同，不再做举例。
五、3D绘图
引入面对对象的方式，主要是这可以让我们在3D绘图中显得更加的得心应手。
1、3D散点
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
ax = plt.axes(projection='3d')通过projection属性的更改，就可以发现，画布有之前的2D变成了3D
转至3D界面后，就可以使用scatter3D函数绘制3D散点图了
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig=plt.figure()
ax=plt.axes(projection='3d')
z = np.linspace(0, 1, 100)
x = z * np.sin(20 * z)
y = z * np.cos(20 * z)
#调用 ax.plot3D创建三维线图
ax.scatter3D(x, y, z, 'gray')
ax.set_title('3D line plot')
plt.show()
2、3D表面图
该图原理跟先前的等高线图其实是一致的，只不过区别一个为2D一个为3D
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
def f(x,y):
return np.sin(np.sqrt(x**2+y**2))
x=np.linspace(-6,6,30)
y=np.linspace(-6,6,30)
X,Y=np.meshgrid(x,y)
Z=f(X,Y)
fig=plt.figure()
ax=plt.axes(projection='3d')
ax.contour3D(X, Y, Z, 50, cmap='binary')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
ax.set_title('3D contour')
plt.show() 
在3D绘图里，表面绘图还给了多种选项，有网格镂空，也有网格填充的
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
#要绘制函数图像
def f(x, y):
return np.sin(np.sqrt(x ** 2 + y ** 2))
#准备x,y数据
x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
#生成x、y网格化数据
X, Y = np.meshgrid(x, y)
#准备z值
Z = f(X, Y)
#绘制图像
fig = plt.figure()
ax = plt.axes(projection='3d')
#调用绘制线框图的函数plot_wireframe()
ax.plot_wireframe(X, Y, Z, color='aqua')
ax.set_title('wireframe')
plt.show()
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
x=np.outer(np.linspace(-2,2,30),np.ones(30))
y=x.copy().T
z=np.cos(x**2+y**2)
fig=plt.figure()
ax=plt.axes(projection='3d')
ax.plot_surface(x, y, z,cmap='viridis', edgecolor='none')
ax.set_title('Surface plot')
plt.show() 
总结：matplotlib绘图库的功能是十分强大的，想要将其的所有功能做一一讲解是几乎不可能的一件事，如果有本文章未能提及的内容，请移步至Matplotlib的官网，里面有大量实例以及讲解。
4173
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
