matplotlib 绘图可视化知识点整理

本文作为学习过程中对matplotlib一些常用知识点的整理，方便查找。

强烈推荐ipython
无论你工作在什么项目上，IPython都是值得推荐的。利用ipython --pylab，可以进入PyLab模式，已经导入了matplotlib库与相关软件包（例如Numpy和Scipy)，额可以直接使用相关库的功能。

这样IPython配置为使用你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。

参考

• matplotlib-绘制精美的图表
• matplotlib.pyplot.plt参数介绍

1 2 3 4 5 6 7 8

import matplotlib . pyplot as plt labels = 'frogs' , 'hogs' , 'dogs' , 'logs' sizes = 15 , 20 , 45 , 10 colors = 'yellowgreen' , 'gold' , 'lightskyblue' , 'lightcoral' explode = 0 , 0.1 , 0 , 0 plt . pie ( sizes , explode = explode , labels = labels , colors = colors , autopct = '%1.1f%%' , shadow = True , startangle = 50 ) plt . axis ( 'equal' ) plt . show ( )

matplotlib图标正常显示中文

为了在图表中能够显示中文和负号等，需要下面一段设置：

1 2 3

import matplotlib . pyplot as plt plt . rcParams [ 'font.sans-serif' ] = [ 'SimHei' ] #用来正常显示中文标签 plt . rcParams [ 'axes.unicode_minus' ] = False #用来正常显示负号

matplotlib inline和pylab inline

可以使用ipython --pylab打开ipython命名窗口。

1 2 3

% matplotlib inline    #notebook模式下   % pylab inline      #ipython模式下

这两个命令都可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，但是，有一个缺陷：除非将代码一次执行，否则，无法叠加绘图，因为在这两种模式下，是要有plt出现，图片会立马show出来，因此：

推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。

为项目设置matplotlib参数

在代码执行过程中，有两种方式更改参数：

• 使用参数字典(rcParams)
• 调用matplotlib.rc()命令 通过传入关键字元祖，修改参数

如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用matplot.get_config()命令来找到当前用户的配置文件目录。

配置文件包括以下配置项：

axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集（font family）、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条（颜色、线型、宽度等）和标记
patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

线条相关属性标记设置

用来该表线条的属性

线条风格linestyle或ls	描述	线条风格linestyle或ls	描述
‘-‘	实线	‘:’	虚线
‘–‘	破折线	‘None’,’ ‘,”	什么都不画
‘-.’	点划线

线条标记

标记maker	描述	标记	描述
‘o’	圆圈	‘.’	点
‘D’	菱形	‘s’	正方形
‘h’	六边形1	‘*’	星号
‘H’	六边形2	‘d’	小菱形
‘_’	水平线	‘v’	一角朝下的三角形
‘8’	八边形	‘	一角朝左的三角形
‘p’	五边形	‘>’	一角朝右的三角形
‘,’	像素	‘^’	一角朝上的三角形
‘+’	加号	‘	‘	竖线
‘None’,”,’ ‘	无	‘x’	X

颜色

可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。

别名	颜色	别名	颜色
b	蓝色	g	绿色
r	红色	y	黄色
c	青色	k	黑色
m	洋红色	w	白色

如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：

• 使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字（’red’,’chartreuse’等）。
• 也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

很多方法可以介绍颜色参数，如title()。
plt.tilte('Title in a custom color',color='#123456'）

背景色

通过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数，可以指定坐标这的背景色。

subplot(111,axisbg=(0.1843,0.3098,0.3098)

基础

如果你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度，因此x的数据是[0,1,2,3].

图片来自:绘图: matplotlib核心剖析

确定坐标范围

• plt.axis([xmin, xmax, ymin, ymax])
  上面例子里的axis()命令给定了坐标范围。
• xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

% matplotlib inline   import numpy as np import matplotlib . pyplot as plt from pylab import *   x = np . arange ( - 5.0 , 5.0 , 0.02 ) y1 = np . sin ( x )   plt . figure ( 1 ) plt . subplot ( 211 ) plt . plot ( x , y1 )   plt . subplot ( 212 ) #设置x轴范围 xlim ( - 2.5 , 2.5 ) #设置y轴范围 ylim ( - 1 , 1 ) plt . plot ( x , y1 )

叠加图

用一条指令画多条不同格式的线。

1 2 3 4 5 6 7 8 9

import numpy as np import matplotlib . pyplot as plt   # evenly sampled time at 200ms intervals t = np . arange ( 0. , 5. , 0.2 )   # red dashes, blue squares and green triangles plt . plot ( t , t , 'r--' , t , t* * 2 , 'bs' , t , t* * 3 , 'g^' ) plt . show ( )

plt.figure()

你可以多次使用figure命令来产生多个图，其中，图片号按顺序增加。这里，要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常，你并不需要考虑这些事，下面的这个例子为大家演示这一细节。

1 2 3 4 5 6 7 8 9 10 11 12 13 14

import matplotlib . pyplot as plt plt . figure ( 1 )                  # 第一张图 plt . subplot ( 211 )              # 第一张图中的第一张子图 plt . plot ( [ 1 , 2 , 3 ] ) plt . subplot ( 212 )              # 第一张图中的第二张子图 plt . plot ( [ 4 , 5 , 6 ] )     plt . figure ( 2 )                  # 第二张图 plt . plot ( [ 4 , 5 , 6 ] )              # 默认创建子图subplot(111)   plt . figure ( 1 )                  # 切换到figure 1 ; 子图subplot(212)仍旧是当前图 plt . subplot ( 211 )              # 令子图subplot(211)成为figure1的当前图 plt . title ( 'Easy as 1,2,3' )    # 添加subplot 211 的标题

figure感觉就是给图像ID，之后可以索引定位到它。

plt.text()添加文字说明

• text()可以在图中的任意位置添加文字，并支持LaTex语法
• xlable(), ylable()用于添加x轴和y轴标签
• title()用于添加图的题目

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

import numpy as np import matplotlib . pyplot as plt   mu , sigma = 100 , 15 x = mu + sigma * np . random . randn ( 10000 )   # 数据的直方图 n , bins , patches = plt . hist ( x , 50 , normed = 1 , facecolor = 'g' , alpha = 0.75 )     plt . xlabel ( 'Smarts' ) plt . ylabel ( 'Probability' ) #添加标题 plt . title ( 'Histogram of IQ' ) #添加文字 plt . text ( 60 , . 025 , r '$mu=100, sigma=15$' ) plt . axis ( [ 40 , 160 , 0 , 0.03 ] ) plt . grid ( True ) plt . show ( )

text中前两个参数感觉应该是文本出现的坐标位置。

plt.annotate()文本注释

在数据可视化的过程中，图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

import numpy as np import matplotlib . pyplot as plt   ax = plt . subplot ( 111 )   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 ( )

plt.xticks()/plt.yticks()设置轴记号

现在是明白干嘛用的了，就是人为设置坐标轴的刻度显示的值。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用） from pylab import *   # 创建一个 8 * 6 点（point）的图，并设置分辨率为 80 figure ( figsize = ( 8 , 6 ) , dpi = 80 )   # 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块） subplot ( 1 , 1 , 1 )   X = np . linspace ( - np . pi , np . pi , 256 , endpoint = True ) C , S = np . cos ( X ) , np . sin ( X )   # 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条 plot ( X , C , color = "blue" , linewidth = 1.0 , linestyle = "-" )   # 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条 plot ( X , S , color = "r" , lw = 4.0 , linestyle = "-" )   plt . axis ( [ - 4 , 4 , - 1.2 , 1.2 ] ) # 设置轴记号   xticks ( [ - np . pi , - np . pi / 2 , 0 , np . pi / 2 , np . pi ] ,        [ r '$-pi$' , r '$-pi/2$' , r '$0$' , r '$+pi/2$' , r '$+pi$' ] )   yticks ( [ - 1 , 0 , + 1 ] ,        [ r '$-1$' , r '$0$' , r '$+1$' ] ) # 在屏幕上显示 show ( )

当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。2

移动脊柱 坐标系

1 2 3 4 5 6 7

ax = gca ( ) ax . spines [ 'right' ] . set_color ( 'none' ) ax . spines [ 'top' ] . set_color ( 'none' ) ax . xaxis . set_ticks_position ( 'bottom' ) ax . spines [ 'bottom' ] . set_position ( ( 'data' , 0 ) ) ax . yaxis . set_ticks_position ( 'left' ) ax . spines [ 'left' ] . set_position ( ( 'data' , 0 ) )

这个地方确实没看懂，囧，以后再说吧，感觉就是移动了坐标轴的位置。

plt.legend()添加图例

1 2 3 4

plot ( X , C , color = "blue" , linewidth = 2.5 , linestyle = "-" , label = "cosine" ) plot ( X , S , color = "red" ,    linewidth = 2.5 , linestyle = "-" , label = "sine" )   legend ( loc = 'upper left' )

matplotlib.pyplot

使用plt.style.use('ggplot')命令，可以作出ggplot风格的图片。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

# Import necessary packages import pandas as pd % matplotlib inline   import matplotlib . pyplot as plt plt . style . use ( 'ggplot' ) from sklearn import datasets from sklearn import linear_model import numpy as np # Load data boston = datasets . load_boston ( ) yb = boston . target . reshape ( - 1 , 1 ) Xb = boston [ 'data' ] [ : , 5 ] . reshape ( - 1 , 1 ) # Plot data plt . scatter ( Xb , yb ) plt . ylabel ( 'value of house /1000 ($)' ) plt . xlabel ( 'number of rooms' ) # Create linear regression object regr = linear_model . LinearRegression ( ) # Train the model using the training sets regr . fit ( Xb , yb ) # Plot outputs plt . scatter ( Xb , yb ,    color = 'black' ) plt . plot ( Xb , regr . predict ( Xb ) , color = 'blue' ,          linewidth = 3 ) plt . show ( )

给特殊点做注释

好吧，又是注释，多个例子参考一下！

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

t = 2 * np . pi / 3 # 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。 plot ( [ t , t ] , [ 0 , np . cos ( t ) ] , color = 'blue' , linewidth = 2.5 , linestyle = "--" ) scatter ( [ t , ] , [ np . cos ( t ) , ] , 50 , color = 'blue' )   annotate ( r '$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$' ,          xy = ( t , np . sin ( t ) ) , xycoords = 'data' ,          xytext = ( + 10 , + 30 ) , textcoords = 'offset points' , fontsize = 16 ,          arrowprops = dict ( arrowstyle = "->" , connectionstyle = "arc3,rad=.2" ) )   plot ( [ t , t ] , [ 0 , np . sin ( t ) ] , color = 'red' , linewidth = 2.5 , linestyle = "--" ) scatter ( [ t , ] , [ np . sin ( t ) , ] , 50 , color = 'red' )   annotate ( r '$cos(frac{2pi}{3})=-frac{1}{2}$' ,          xy = ( t , np . cos ( t ) ) , xycoords = 'data' ,          xytext = ( - 90 , - 50 ) , textcoords = 'offset points' , fontsize = 16 ,          arrowprops = dict ( arrowstyle = "->" , connectionstyle = "arc3,rad=.2" ) )

plt.subplot()

plt.subplot(2,3,1)表示把图标分割成2*3的网格。也可以简写plt.subplot(231)。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。

plt.axes()

我们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下34：

plt.axes-官方文档

• axes() by itself creates a default full subplot(111) window axis.
• axes(rect, axisbg=’w’) where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.
• axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，因此，若是要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。

show code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

http : //matplotlib.org/examples/pylab_examples/axes_demo.html   import matplotlib . pyplot as plt import numpy as np   # create some data to use for the plot dt = 0.001 t = np . arange ( 0.0 , 10.0 , dt ) r = np . exp ( - t [ : 1000 ] / 0.05 )                # impulse response x = np . random . randn ( len ( t ) ) s = np . convolve ( x , r ) [ : len ( x ) ] * dt    # colored noise   # the main axes is subplot(111) by default plt . plot ( t , s ) plt . axis ( [ 0 , 1 , 1.1 * np . amin ( s ) , 2 * np . amax ( s ) ] ) plt . xlabel ( 'time (s)' ) plt . ylabel ( 'current (nA)' ) plt . title ( 'Gaussian colored noise' )   # this is an inset axes over the main axes a = plt . axes ( [ . 65 , . 6 , . 2 , . 2 ] , axisbg = 'y' ) n , bins , patches = plt . hist ( s , 400 , normed = 1 ) plt . title ( 'Probability' ) plt . xticks ( [ ] ) plt . yticks ( [ ] )   # this is another inset axes over the main axes a = plt . axes ( [ 0.2 , 0.6 , . 2 , . 2 ] , axisbg = 'y' ) plt . plot ( t [ : len ( r ) ] , r ) plt . title ( 'Impulse response' ) plt . xlim ( 0 , 0.2 ) plt . xticks ( [ ] ) plt . yticks ( [ ] )   plt . show ( )

pyplot.pie参数

• matplotlib.pyplot.pie

colors颜色

找出matpltlib.pyplot.plot中的colors可以取哪些值？

• so-Named colors in matplotlib
• CSDN-matplotlib学习之（四）设置线条颜色、形状

1 2	for name , hex in matplotlib . colors . cnames . iteritems ( ) :      print name , hex

打印颜色值和对应的RGB值。

• plt.axis('equal')避免比例压缩为椭圆

autopct

• How do I use matplotlib autopct?

1	autopct enables you to display the percent value using Python string formatting . For example , if autopct = '%.2f' , then for each pie wedge , the format string is '%.2f' and the numerical percent value for that wedge is pct , so the wedge label is set to the string '%.2f' % pct .