详解matplotlib隐式pyplot法和显式axes法

最新推荐文章于 2025-06-02 16:52:13 发布
最新推荐文章于 2025-06-02 16:52:13 发布
阅读量1.1k 收藏 21
点赞数 8
CC 4.0 BY-SA版权
文章标签： matplotlib
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_21478261/article/details/145744932

Python的matplotlib提供了pyplot隐式方法和显式Axes方法，这让很多人在选择时感到困惑。本文用9000字彻底解析两种方法的区别与适用场景，节选自👉Python matplotlib保姆级教程

matplotlib隐式绘图方法（pyplot）

matplotlib隐式绘图方法（请结合上文章节“4.3.1.1 Python隐式”学习），类似MATLAB，是一种基于函数调用的方法，这类方法的工具都位于matplotlib的pyplot中（下文以pyplot代指matplotlib隐式方法），pyplot中代码有4000+行（matplotlib/lib/matplotlib/pyplot.py at v3.9.2 · matplotlib/matplotlib · GitHub），代码里面有大量def定义的函数方法，绘图时就是调用pyplot中的函数方法，

​

如果使用 pyplot方法，它帮你自动创建Figure、准备好你需要的Axes，你只需要告诉pyplot你要画什么，它就会自动完成其他一切。

举个绘制两个子图的代码例子，

## 4.3.2.1_01
import matplotlib.pyplot as plt
import numpy as np

plt.figure(figsize=(10, 5))  # 隐式创建一个Figure
# 在隐式接口中，虽然没有返回具体的Figure对象，但pyplot会自动管理当前Figure


plt.subplot(1, 2, 1)  # 激活第1个子图，隐式创建子图（axes），准备在此子图上绘制heatmap图
# 每个subplot调用会创建一个新的axes（子图）对象，但该对象是隐式管理的

data = np.random.random((10, 10))
plt.imshow(data, cmap='viridis')
plt.colorbar()
plt.title('Heatmap')


plt.subplot(1, 2, 2)  # 激活第2个子图，隐式创建一个新的axes，并在其中绘制Pie图
plt.pie([30, 40, 30], labels=['A', 'B', 'C'], autopct='%1.1f%%')
plt.title('Pie Chart')

plt.show()

​该类方法中，通过plt.figure和plt.subplot自动隐式的创建Figure和axes子图，绘图函数直接作用于当前激活的Figure和axes子图，持续跟踪“当前的”Figure和axes，Figure和axes具有“实效性”，见下图文字。

​

 再通过一个复杂例子介绍matplotlib pyplot方法中如何设置常用的绘图元素，

# 添加画布Figure，图中红框包围的部分为一个Figure
fig = plt.figure(figsize=(9, 8), facecolor='1', dpi=150)

# 为Figure添加标题
fig.suptitle('Matplotlib-pyplot法', x=0.46, fontsize=20, ha='right')

# 设置子图Axes背景色等
plt.axes([marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg],
         aspect=1,
         facecolor='0.9')

# 同一个axes上绘图
plt.plot(X, Y1, c='orange', lw=1, label="Orange signal", zorder=10)
plt.plot(X[::3],
         Y3[::3],
         linewidth=0,
         markersize=6,
         marker='*',
         markerfacecolor='none',
         markeredgecolor='black',
         markeredgewidth=1)

# 设置子图标题
plt.title("Matplotlib图形元素", fontsize=15, verticalalignment='bottom')

# 设置图例
plt.legend(loc="upper right", fontsize=10)

# 设置坐标轴标题
plt.xlabel("x轴标题", fontsize=12)
plt.ylabel("y轴标题", fontsize=12)

# 设置x，y轴刻度间隔
plt.gca().xaxis.set_major_locator(MultipleLocator(1.000))  # x轴主刻度间隔
plt.gca().xaxis.set_minor_locator(AutoMinorLocator(4))  # x轴副刻度间隔

plt.gca().yaxis.set_major_locator(MultipleLocator(1.000))
plt.gca().yaxis.set_minor_locator(AutoMinorLocator(4))


# 设置x轴副刻度格式，小数点后位数
plt.gca().xaxis.set_minor_formatter(minor_tick)

# 设置x，y轴刻度范围
plt.xlim(0, 4)
plt.ylim(0, 4)

# 设置x，y轴刻度字号、颜色等
plt.tick_params(which='major', width=1.0, labelsize=12)
plt.tick_params(which='major', length=10, labelsize=12)
plt.tick_params(which='minor', width=1.0, labelsize=10)
plt.tick_params(which='minor', length=5, labelsize=6, labelcolor='0.5')

# 设置网格线
plt.grid(linestyle="--", linewidth=0.5, color='.25', zorder=-10)

# 文本、箭头
plt.annotate(
    "",
    xy=(4, 4),
    xytext=(4.2, 2.2),
    color=(0.25, 0.25, 1.00),
    weight="regular",
    arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)

plt.annotate(
    "",
    xy=(4, 0),
    xytext=(4.2, 1.8),
    color=(0.25, 0.25, 1.00),
    weight="regular",
    arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)
plt.show()

​上图中蓝色字体部分展示如何利用matplotlib pyplot中的方法设置绘图元素：

Figure部分：

  • 通过plt.figure添加Figure，通过figsize设置Figure的长宽，通过facecolor设置背景色，通过dpi设置分辨率；
  • 通过plt.figure.suptitle添加Figure的标题为“Matplotlib-pyplot法”，通过x设置标题与y轴的距离，通过fontsize设置标题字号；
  • 通过plt.figure.add_artist添加Figure的红色外框；

Axes部分：

  • 通过plt.axes设置子图的属性，[marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg]四个值依次为[坐标轴离图形左边的距离，坐标轴离图形底部的距离，x坐标轴的长度，y坐标轴的长度]，aspect设置xy坐标轴的长度比例，facecolor设置子图背景色；
  • 通过第一个plt.plot在子图上绘制折线图；
  • 通过第二个plt.plot在子图上绘制折线图，linewidth=0隐藏折线，marker='*'添加标记；
  • 通过plt.title设置子图标题；

Axis部分：

  • 通过plt.gca().xaxis取出x坐标轴并进一步设置；
  • 通过plt.xlabel设置x坐标轴标题；
  • 通过plt.xlim设置x坐标轴范围；
  • 通过plt.gca().xaxis.set_major_locator(MultipleLocator(1.000)) 设置x坐标轴主刻度间隔；
  • 通过plt.gca().xaxis.set_minor_locator(AutoMinorLocator(4)) 设置x坐标轴副刻度间隔；
  • 通过plt.gca().yaxis取出y坐标轴并进一步设置；
  • 通过plt.ylabel设置y轴标题；
  • 通过plt.ylim设置y坐标轴范围；
  • 通过plt.gca().yaxis.set_major_locator(MultipleLocator(1.000))设置y坐标轴主刻度间隔；
  • 通过plt.gca().yaxis.set_minor_locator(AutoMinorLocator(4))设置y坐标轴副刻度间隔；

其它Aritst部分

  • 通过plt.legend设置图例；
  • 通过plt.grid设置网格线；
  • 通过plt.annotate设置标记，如图中箭头，常用于标注数据点；
  • 通过plt.text设置文本标签，如图中的蓝色文字说明；

在python社区默认通过“import matplotlib.pyplot as plt”将matplotlib.pyplot简写为plt，这种方法通过plt.+对应元素名称调用方法（例如，plt.title设置子图标题）。

这么多元素方法名称，记不住怎么办，没关系，因为matplotlib设计之初，大部分都设置了默认值，不用一个个设定，比如，你绘制一个line图，

## 4.3.2.1_03
import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.show()

​

当然，你也可以通过python dir函数查看元素的所有方法名称，例如查看x坐标轴中的元素方法，

## 4.3.2.1_04
print(dir(plt.gca().xaxis)) #查看x坐标轴中所有元素方法

展示部分结果 

['get_major_ticks', 'get_majorticklabels', 'get_majorticklines', 'get_majorticklocs', 'get_minorticklocs', 'get_minpos', 'get_mouseover', 'get_offset_text', 'get_path_effects', .......'get_units', 'get_url', 'get_view_interval', 'get_visible', 'get_window_extent', 'get_zorder', 'grid', 'have_units']

这里简单介绍，后续章节详细介绍主要元素方法的使用。  

matplotlib显式绘图方法（axes ）

matplotlib显式方法（请结合上文章节“4.3.1.2 Python显式”学习），是一种基于面向对象的方法（object-oriented），这类方法的工具都位于matplotlib的Figure和Axes接口中（下文以axes代指matplotlib显式方法）。

如果使用 axes方法，你需要自己创建Figure，然后创建子图axes，并且每一步都需要明确指定。

举个绘制两个子图的代码例子，

##4.3.2.2_01
import matplotlib.pyplot as plt
import numpy as np

# 显式创建一个figure对象fig；
# 显式创建两个子图（axes）对象，ax1和ax2
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))

# 在子图ax1上创建Heatmap图
data = np.random.random((10, 10))
im = ax1.imshow(data, cmap='viridis')  # 在ax1子图上绘制heatmap，并使用'viridis'颜色映射
ax1.set_title('Heatmap')

# 为heatmap添加颜色条，指定fig管理该颜色条，并将其与ax1关联
fig.colorbar(im, ax=ax1)

# 在子图ax2上创建Pie图
ax2.pie([30, 40, 30], labels=['A', 'B', 'C'], autopct='%1.1f%%')
ax2.set_title('Pie Chart')

plt.show()

​

该方法中，通过 fig, (ax1, ax2) 的形式直接创建Figure和axes子图，代码结构化，易于管理和扩展手动管理，ax1 和 ax2 分别代表两个子图（heatmap 和 pie）。

该方法中，画图函数不再受到当前“活动”的Figure和axes的限制，而变成了显式的 Figure 和 Axes 的方法，你可以直接随处对它们进行操作，Figure和axes不具有“实效性”，见下图文字。

​

这里也再通过一个复杂例子介绍matplotlib axes方法中如何设置常用的绘图元素， 

# 为Figure添加标题
fig.suptitle('Matplotlib面向对象法', x=0.46, fontsize=20, ha='right')

# 在Figure上添加子图Axes
marg = 0.15
ax = fig.add_axes([marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg],
                  aspect=1,
                  facecolor='0.9')

# 同一个axes上绘图
ax.plot(X, Y1, c='orange', lw=1, label="Orange signal", zorder=10)
ax.plot(X[::3],
        Y3[::3],
        linewidth=0,
        markersize=6,
        marker='*',
        markerfacecolor='none',
        markeredgecolor='black',
        markeredgewidth=1)

# 设置子图标题
ax.set_title("Matplotlib图形元素", fontsize=15, verticalalignment='bottom')

# 设置图例
ax.legend(loc="upper right", fontsize=10)

# 设置坐标轴标题
ax.set_xlabel("x轴标题", fontsize=12)
ax.set_ylabel("y轴标题", fontsize=12)

# 设置x，y轴刻度间隔
ax.xaxis.set_major_locator(MultipleLocator(1.000))  # x轴主刻度间隔
ax.xaxis.set_minor_locator(AutoMinorLocator(4))  # x轴副刻度间隔

ax.yaxis.set_major_locator(MultipleLocator(1.000))
ax.yaxis.set_minor_locator(AutoMinorLocator(4))


# 设置x轴副刻度格式
ax.xaxis.set_minor_formatter(minor_tick)

# 设置x，y轴刻度范围
ax.set_xlim(0, 4)
ax.set_ylim(0, 4)

# 设置x，y轴刻度字号、颜色等
ax.tick_params(which='major', width=1.0, labelsize=12)
ax.tick_params(which='major', length=10, labelsize=12)
ax.tick_params(which='minor', width=1.0, labelsize=10)
ax.tick_params(which='minor', length=5, labelsize=6, labelcolor='0.5')

# 设置网格线
ax.grid(linestyle="--", linewidth=0.5, color='.25', zorder=-10)

# 文本、箭头
ax.annotate(
    "",
    xy=(4, 4),
    xytext=(4.2, 2.2),
    color=(0.25, 0.25, 1.00),
    weight="regular",
    arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)

ax.annotate(
    "",
    xy=(4, 0),
    xytext=(4.2, 1.8),
    color=(0.25, 0.25, 1.00),
    weight="regular",
    arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)

# 矩形外框
fig.add_artist(
    Rectangle((0, 0),
              width=1,
              height=1,
              facecolor='none',
              edgecolor='red',
              linewidth=1.0))


​

上图中蓝色字体部分展示如何利用matplotlib axes中的方法设置绘图元素：

Figure部分：

  • 通过plt.figure添加Figure，通过figsize设置Figure的长宽，通过facecolor设置背景色，通过dpi设置分辨率；
  • 通过plt.figure.suptitle添加Figure的标题为“Matplotlib面向对象法”，通过x设置标题与y轴的距离，通过fontsize设置标题字号；
  • 通过plt.figure.add_artist添加Figure的红色外框；

在Figure部分两种方法类似。

Axes部分：

  • 通过plt.figure.add_axes添加子图ax，并设置子图的属性，[marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg]四个值依次为[坐标轴离图形左边的距离，坐标轴离图形底部的距离，x坐标轴的长度，y坐标轴的长度]，aspect设置xy坐标轴的长度比例，facecolor设置子图背景色；
  • 通过第一个ax.plot在子图上绘制折线图；
  • 通过第二个ax.plot在子图上绘制折线图，linewidth=0隐藏折线，marker='*'添加标记；
  • 通过ax.set_title设置子图标题；

Axis部分：

  • 通过ax.xaxis取出x坐标轴并进一步设置；
  • 通过ax.set_xlabel设置x坐标轴标题；
  • 通过ax.set_xlim设置x坐标轴范围；
  • 通过ax.xaxis.set_major_locator(MultipleLocator(1.000))设置x坐标轴主刻度间隔；
  • 通过ax.xaxis.set_minor_locator(AutoMinorLocator(4))设置x坐标轴副刻度间隔；
  • 通过ax.yaxis取出y坐标轴并进一步设置；
  • 通过ax.set_ylabel设置y轴标题；
  • 通过ax.set_ylim设置y坐标轴范围；
  • 通过ax.yaxis.set_major_locator(MultipleLocator(1.000))设置y坐标轴主刻度间隔；
  • 通过ax.yaxis.set_minor_locator(AutoMinorLocator(4))设置y坐标轴副刻度间隔；

其它Aritst部分

  • 通过ax.legend设置图例；
  • 通过ax.grid设置网格线；
  • 通过ax.annotate设置标记，如图中箭头，常用于标注数据点；
  • 通过ax.text设置文本标签，如图中的蓝色文字说明；

一般将matplotlib面向对象方法中子图简写为ax，这种方法通过ax.+对应元素名称调用方法（例如，ax.title设置子图标题）。

这么多元素方法名称，记不住怎么办，没关系，因为matplotlib设计之初，大部分都设置了默认值，不用一个个设定，比如，你绘制一个line图，

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.show()

以上使用默认设置作图。 

当然，你也可以通过python dir函数查看元素的所有方法名称，例如查看子图中的元素方法，

##4.3.2.2_04
print(dir(ax)) #输出子图axes中的所有元素方法名称

结果为一个python列表，以下展示部分 ，

['set_facecolor', 'set_fc', 'set_figure', 'set_frame_on', 'set_gid', 'set_in_layout', .......'xcorr', 'yaxis', 'yaxis_date', 'yaxis_inverted', 'zorder']

这里简单介绍，后续章节详细介绍主要元素方法的使用。  

matplotlib隐式 VS 显式方法

简单总结两种绘图方法异同，便于取舍。

绘制简单图形时，两种方法类似，复杂图形中后者优势明显。

  • matplotlib隐式方法（pyplot）

适用于快速绘制简单图形，代码简洁易懂，但在需要精细控制和复杂布局时可能不够灵活。

  • matplotlib显式方法（axes）

适用于需要精确控制和复杂布局图形的场景，提供更高的灵活性和可维护性。

两种方法优缺点比较

特性matplotlib显式方法（axes）matplotlib隐式方法（pyplot）
优点
控制和灵活性1. 提供精确的控制和灵活性，适用于复杂布局和定制1. 代码简洁，适合快速绘图
代码结构2. 代码结构清晰，易于维护和扩展2. 易于上手，初学者友好
兼容性3. 更好地与其他库（如seaborn、pandas）兼容3. 适用于简单情境
支持复杂布局4. 支持复杂的图形布局，如gridspec和subplots
缺点
代码复杂度1. 代码较为繁琐，尤其是在简单图形中1. 控制和灵活性较差，难以进行复杂自定义
学习曲线2. 学习曲线较陡，需要理解和掌握 Axes 对象的使用2. 难以管理多个图形和子图对象
管理多个图形3. 对于复杂图形和多个图形的管理较为复杂3. 代码在复杂任务中可能难以维护快速上手，一个案例

两种方法使用层面比较

详细见章节“4.3.2.1 matplotlib隐式绘图方法（pyplot）”和章节“4.3.2.2 matplotlib显式绘图方法（axes ）”。也可以通过比较下图中蓝色字体部分，了解两种方法的使用差异。

​

根据上一章节的介绍，后续重点通过matplotlib显式方法介绍matplotlib的使用。

Matplotlib可视化详解
白话机器学习
04-14 1390
本文对matplotlib进行详细介绍，我们将从使用角度出发，并不会做到面面俱到，但尽量确保体系完备，详略得当。
数据科学：Matplotlib、Seaborn笔记
算法工程师
12-03 1260
数据科学：Matplotlib、Seaborn笔记
python数据可视化之matplotlib.pyplot
2301_80241064的博客
11-20 847
不论是数据挖掘还是数据建模,都免不了数据可视化的问题,对于Python来说,Matplotlib是最著名的绘图库,它主要用于二维绘图,这篇文章主要给大家介绍了关于python数据可视化之matplotlib.pyplot基础以及折线图的相关资料,需要的朋友可以参考下
python axes_浅谈matplotlib.pyplot与axes的关系
weixin_39661780的博客
12-03 239
最近在学习数据可视化，梳理一下其中一些诸如pandas绘图、matplotlib绘图、pyplot(plt)、axes等概念。重要的事情说三遍：axes不是axis！axes不是axis！axes不是axis！重要的事情说三遍：pyplot是接口不是对象！pyplot是接口不是对象！pyplot是接口不是对象！很多书上一上来就直接import matplotlib.pypltot as plt，然...
Python-matplotlib库之核心对象
weixin_48668114的博客
06-02 741
Python-matplotlib库之核心对象
matplotlib.pyplot中的axes
热门推荐
Feynman1999的博客
05-11 1万+
基本思想 在matplotlib.pyplot中 一个Figure是一个空白的画板 画板上有轴的集合（axes），集合元素包含基本的两个axis ，用来确定一个区域 你所有的操作是去改变这个画板的每一个区域，当然默认就是一个区域了 而子图Subplot实际上是axes的特例(子集) 很显然多搞几个axis，再缩小到特定位置，就是sub了 Most of you are prob...
matplotlib之pyplot教程
besmarterbestronger的博客
04-08 1135
文章目录1. pyplot介绍2. 使用关键字字符串绘图3. 使用分类变量绘图4. 线条属性控制5. 使用多个图形和坐标轴6. 图中添加文本使用数学表达式使用注释文本7. 对数轴和其他非线性轴8. 总结9. 参考文献 对matplotlib包中的pyplot模块的介绍。主要是对matplotlib官方文档的转译。 1. pyplot介绍 matplotlib.pyplot是使matplotlib像...
matplotlib入门之Pyplot
小龙在线
06-07 8113
Pyplot教程matplotlib.pyplot是一些命令样式函数，像MATLAB一样。每一个pyplot函数都会改变图形，例如创建图形、在图行里创建绘图区、在绘图区画线、用标签装饰图形等。在pyplot的函数调用中，隐藏了各种状态，这就意味着要始终跟踪到当前的图形和绘图区域，并且绘图函数要指向当前的坐标轴（注意这里的坐标轴是数字坐标轴，而不是严格意义的数学术语）。import matplotli
使用matplotlib的axes画图
weixin_41855010的博客
01-20 2246
今天看到一篇非常好的文章Matlab绘图原理详解，其中介绍了axes的本质，我也动手实践了一下，基本上理解了axes的使用方法。其实用一句话总结就是： axes是指定的绘图区域 我们来看以下代码： from matplotlib import pyplot as plt x = [1,2,3,4,5] y = [1,2,4,3,5] fig,axes = plt.subplots(1,3,figsize=(16,6)) ax1,ax2,ax3 = axes[0],axes[1],axes[2] ax1.p
Matplotlib的原理与使用详解
Aaron_945的博客
06-23 1123
Matplotlib 提供了丰富的 API 用于自定义图表，包括设置线条样式、添加图例、设置坐标轴范围等。# 准备数据# 创建 Figure 和 Axes 对象（显式创建）# 绘制折线图并设置样式# 添加图例# 设置坐标轴范围、刻度等# 设置标题和坐标轴标签# 显示图像plt.show()
Python-Matplotlib可视化（7）——多方面自定义统计图绘制
盼小辉丶的博客
06-19 5817
Matplotlib是Python的绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成你所需的出版质量级别的图形。当我们使用一个绘图包时，我们需要其涵盖的内容极其多样：一方面，我们希望可以使用最少的代码和技巧创建任何类型的图形；另一方面，我们也希望能够灵活的自定义图形的所有方面。这是两个截然相反的目标，Matplotlib在这两个目标之间提供了优异的平衡，本文中，我们将看到如何在多个方面自定义图形。借助Matplotlib库，可以方便的对进行数据分析，快速完成数据可视化，从此告别加班。
浅谈matplotlib.pyplot与axes的关系
09-17
主要介绍了浅谈matplotlib.pyplot与axes的关系，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Matplotlib学习 —— Pyplot
weixin_51995147的博客
06-10 626
Pyplot 是 Matplotlib 的子库，是比较常用的绘图模块。Pyplot 包含一系列绘图函数的相关函数，每个函数会对当前的图像进行一些修改，例如：给图像加上标记，生新的图像，在图像中产生新的绘图区域等等。 plot(x, y, fmt, *, data=None, **kwargs)...
matplotlib pyplot 教程
无聊的豆奶
09-23 1万+
matplotlib.pyplot 包含一系列类似 MATLAB 的绘图函数。
【数据分析之道-Matplotlib(一)】Matplotlib Pyplot
阿极的博客
05-02 1855
Matplotlib是Python中最流行的绘图库之一，可以用于创建各种类型的静态和动态图表。Matplotlib库由多个子库组成，其中pyplot子库是最常用的子库之一，它提供了类似于MATLAB的绘图界面，使得使用Matplotlib进行数据可视化变得更加简单。
【Python】matplotlib.pyplot 详解与使用（内有大量例子）【持续更新ing】
FuckerGod的博客
07-04 2655
本文是根据版本撰写的，若出现有文章与实际有出入的情况请查看版本是否一致。我们使用需要使用以下的语句来导入它。
matplotlib.pyplot.plot详解
思念殇千寻的博客
11-18 546
　　参考资料： 　　https://blog.csdn.net/baidu_41902768/article/details/80686608 　　之前的随笔也有说过，matplotlib是python中一个非常常用的用来作图的库，pyplot是其中的一个包，主要是用来作2D图的，涉及的画布，图例，标签等一系列作图常规操作。这篇文章分析的是pyplot这个包下面的一个最常用的函数plot...
Python中Matplotlib库的使用（二）—— Pyplot模块
Saki_Python的博客
09-01 5358
是一个函数集合，使得Matplotlib的使用方式类似于MATLAB。每个pyplot函数都会对图形进行一些修改，例如创建图形、在图形中创建绘图区域、在绘图区域中绘制线条、为图形添加标签等。在中，各种状态在函数调用之间被保留，以便它能够跟踪诸如当前图形、绘图区域等，而绘图函数会指向当前坐标轴（请注意，这里和文档中大多数地方所说的“axes”指的是图形的坐标轴部分，而不是严格的数学术语，表示多个轴）。使用pyplotplt.show()之所以x轴范围是0-3，而y轴范围是1-4，是因为如果向plot。
import matplotlib.pyplot和from matplotlib import pyplot是一样的吗
最新发布
06-14
`import matplotlib.pyplot` 和 `from matplotlib import pyplot` 虽然都可以导入 Matplotlib 的 `pyplot` 模块，但它们的使用方式和语义略有不同。 ### 1. `import matplotlib.pyplot` ```python import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.show() ``` **解释**： - 这种方式直接导入了整个 `matplotlib.pyplot` 模块，并通过 `as plt` 给它起了一个别名。 - 使用时需要通过 `plt.` 的形式调用模块中的函数或变量。 --- ### 2. `from matplotlib import pyplot` ```python from matplotlib import pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.show() ``` **解释**： - 这种方式是从 `matplotlib` 包中单独导入 `pyplot` 模块，并同样通过 `as plt` 给它起了一个别名。 - 使用时与第一种方式完全相同，也需要通过 `plt.` 的形式调用模块中的函数或变量。 --- ### 两者的区别 1. **代码风格和可读性**： - `import matplotlib.pyplot` 更加直观，明确地表明你正在使用 `matplotlib` 包中的 `pyplot` 模块。 - `from matplotlib import pyplot` 则更简洁，但可能会让人误以为 `pyplot` 是一个独立的模块，而不是 `matplotlib` 的一部分。 2. **命名空间**： - 在 `import matplotlib.pyplot` 中，`matplotlib` 的命名空间被保留，你可以通过 `matplotlib.pyplot` 访问模块。 - 在 `from matplotlib import pyplot` 中，`matplotlib` 的命名空间被隐藏，只能通过 `pyplot` 访问模块。 3. **实际效果**： - 两者在功能上没有差异，最终都是导入了 `pyplot` 模块并可以通过 `plt` 调用。 --- ### 推荐使用方式 大多数情况下，推荐使用 `import matplotlib.pyplot as plt`，因为这种方式更加清晰，能够明确看到 `pyplot` 来自于 `matplotlib` 包。 --- ### 示例对比 #### 使用 `import matplotlib.pyplot` ```python import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.title("A Simple Plot") plt.xlabel("X-axis") plt.ylabel("Y-axis") plt.show() ``` #### 使用 `from matplotlib import pyplot` ```python from matplotlib import pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.title("A Simple Plot") plt.xlabel("X-axis") plt.ylabel("Y-axis") plt.show() ``` 上述两种方式的效果完全一致，均绘制了一条简单的折线图。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

qq_21478261

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值