Matplotlib官方文档学习笔记 PART1-简介 C1-使用指南 （19-12-2 by-xie）

我是入门的新手，打算先学习一下python的三大库：numpy，matplotlib，pandas。打算先从官方文档开始学起。下面是matplotlib官方文档的教程部分，本文从第一部分介绍讲起：

第1章 使用指南（Usage Guide）

图的各部分（Parts of a Figure）

这幅图包括了绘图的所有要素。整张图称为figure,创建它很简单：

生成一个绘图窗口（figure）的方法：

fig1 = plt.figure()

注意区分 axes、axis、artist的概念：

• axes是轴的集合，功能类似于subplot。
• axis是具体的某个轴（x轴、y轴）
• artist 如上图所示，可以指figure中的所有东西

Basically everything you can see on the figure is an artist (even the Figure, Axes, and Axis objects). This includes Text objects, Line2D objects, collection objects, Patch objects … (you get the idea).

绘图功能需要的参数类型（Types of inputs to plotting functions）

所有的绘图函数都需要np.array 或者 np.ma.masked_array来作为输入。
如果不是，则需要调用函数进行转换。

b = np.matrix([[1,2],[3,4]])
b_asarray = np.asarray(b)

区别 Matplotlib, pyplot 和 pylab

Matplotlib是指整个库 ，而 matplotlib.pyplot 是Matplotlib中的一个module.
pylab是一个很方便的模块，它同时把matplotlib.pyplot和numpy搬运到了同一个命名空间（namespace）里。pylab已过时，并且由于命名空间污染而强烈不建议使用pylab。使用pyplot代替。

编码风格（Coding Styles）

对于pyplot样式，脚本顶部的导入通常为：

import matplotlib.pyplot as plt
import numpy as np

然后调用函数，例如，np.arange，np.zeros，np.pi，plt.figure，plt.plot，plt.show等。使用pyplot接口创建图形，然后使用对象方法进行其余操作：

x = np.arange(0, 10, 0.2)
y = np.sin(x)
fig, ax = plt.subplots()
ax.plot(x, y)
plt.show()

绘出的图形如下：

如果你要为不同的数据集一次次绘制相同的图，那么可以使用下面这个函数：

def my_plotter(ax, data1, data2, param_dict):
    """
    Parameters
    ----------
    ax : Axes
        The axes to draw to
		（需要画的图）
    data1 : array
       The x data
       
    data2 : array
       The y data

    param_dict : dict
       Dictionary of kwargs to pass to ax.plot
	   一些字典类型的参数去配置ax.plot()
    Returns
    -------
    out : list
        list of artists added
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

# which you would then use as:

data1, data2, data3, data4 = np.random.randn(4, 100)
fig, ax = plt.subplots(1, 1)
my_plotter(ax, data1, data2, {'marker': 'x'})

如果想拥有两个子图：

 fig,(ax1 , ax2 ) = plt.subplot(1 , 2 )
 my_plotter (ax1 , data1 , data2 , {'maker':'x'} )
 my_plotter (ax2 , data3 , data4 , {'maker':'o'} ) 

后端（backends）

–略

交互式与非交互式（interactive mode）

交互式可以输入一行命令之后，实时的绘制图像。而非交互式需要设置完图像参数后，输入plt.show()才将图像绘制出来。
开启交互模式的命令：matplotlib.pyplot.ion()
关闭交互模式的命令：matplotlib.pyplot.ioff()

import matplotlib.pyplot as plt
plt.ion()
plt.plot([1.6, 2.7])

例如同样运行下面的代码，如果是交互模式，则会实时显示图像，如果是非交互模式，则不会发生任何事，除非加上plt.show()

性能（Performance）

线段简化（Line segment simplification）

对于具有线段的图（例如，典型的线图，多边形的轮廓等），可以通过文件中的path.simplify和 path.simplify_threshold参数 控制渲染性能。
该path.simplify参数是一个布尔值，指示是否完全简化了线段。
该 path.simplify_threshold参数控制简化的线段数量。阈值越高，渲染越快。

以下脚本将首先显示数据而不进行任何简化，然后以简化方式显示相同的数据。尝试与他们两个进行交互：

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

# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.logspace(1, np.log10(50000), 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True

mpl.rcParams['path.simplify_threshold'] = 0.0
plt.plot(y)
plt.show()

mpl.rcParams['path.simplify_threshold'] = 1.0
plt.plot(y)
plt.show()

标记简化（Marker simplification）
标记简化仅适用于Line2D对象（通过 markevery属性）。

plt.plot(x, y, markevery=10)

将行分成较小的块（Splitting lines into smaller chunks）
如果使用的是Agg后端则可以使用agg.path.chunksizerc参数。这使您可以指定块的大小，任何大于多个顶点的线都将被拆分为多条线，每条线的agg.path.chunksize 顶点数不超过多个。（除非agg.path.chunksize为零，否则将不进行分块。）对于某些类型的数据，将行分块为合理的大小可以大大减少渲染时间。

以下脚本将首先显示没有任何块大小限制的数据，然后显示块大小为10,000的相同数据。当数字很大时，最好看到这种差异，请尝试最大化GUI并与之交互：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['path.simplify_threshold'] = 1.0

# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.logspace(1,np.log10(50000), 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True

mpl.rcParams['agg.path.chunksize'] = 0
plt.plot(y)
plt.show()

mpl.rcParams['agg.path.chunksize'] = 10000
plt.plot(y)
plt.show()

图例（legends）

轴的默认图例行为会尝试查找覆盖最少数据点（loc=‘best’）的位置。如果有很多数据点，这可能是非常昂贵的计算。在这种情况下，你可能需要提供一个特定的位置。
使用fast样式
该fast样式可用于自动设置简化和拆分参数合理设置，以加快绘制大量的数据。只需运行以下命令即可使用它：

import matplotlib.style as mplstyle
mplstyle.use('fast')

它的重量很轻，因此可以与其他样式很好地配合，只要确保最后应用快速样式即可，这样其他样式就不会覆盖设置：

mplstyle.use(['dark_background', 'ggplot', 'fast'])

可以参考一下这篇博客理解：浅谈在matplotlib中更改plt.plot()的绘图风格