【python matplotlib 绘图学习笔记①】 绘制简单折线图

引

首先我们引入一些要用到的包：

import matplotlib.pyplot as plt
import numpy as np

这里大部分展示或介绍用的是默认的参数或者主流，常用的参数，更加个性化的设置大家可以参考官方API文档

---

1.理解 fig 与 axes，画出白图

1.1

我们首先肯定想运行一个白图出来，也就是得运行出一个框框出来，也就是建立一个 fig，那么按照我的理解，首先我们就得建立一个画板，这个画板可以画任何我们想画的对象：

import matplotlib.pyplot as plt
'''
plt.figure:创建一个自定义的画板
figure参数说明：figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
num:图像编号或名称，数字为编号 ，字符串为名称
figsize:指定figure的宽和高，单位为英寸；
dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80 1英寸等于2.5cm,A4纸是 21*30cm的纸张
facecolor:背景颜色
edgecolor:边框颜色
frameon:是否显示边框
'''
fig = plt.figure()
plt.show()

这样子，我们就可以得到一个白板儿了：

1.2

此时我们再来理解 axes，axes实际上就是建立了一个坐标域，按照我的理解，相当于买了张带坐标轴的画纸（或许大家上大物实验的时候用过），生成 axes 代码与效果如下：

import matplotlib.pyplot as plt
fig = plt.figure()
ax = plt.axes()
plt.show()

其实 axes 函数里面是有参数的，我们可以设置：

import matplotlib.pyplot as plt
'''
axes([left, bottom, width, height])
这四个参数其实这么想更好理解：P1 : (left, bottom), P2 : width, P3 : height
然后我们要把我们的 fig ，也就是我们的白板看成一个大小为 1 × 1 的矩形
于是P1即可理解为新的坐标矩形图纸在白板上的左下坐标点，P2，P3即为宽高
如果不设置这四个参数，会默认放满 fig
'''
fig = plt.figure() # 其实不加这个语句也会有同样的效果，其会自动创建一个默认 fig
ax = plt.axes([0.7, 0.7, 0.2, 0.2])
plt.show()

我们来看一看效果：

我们继续来玩儿这个东西：

import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = plt.axes([0.7, 0.7, 0.2, 0.2])
ax2 = plt.axes([0.1, 0.1, 0.3, 0.5])
plt.show()

效果如下：

看到这里是不是对 axes 的功能大致了解了呢？实际上，这样写我们只会在最近创建的白板创建 axes ，其实我们是可以在特定的白板上创建 axes !

import matplotlib.pyplot as plt
fig1 = plt.figure()
fig2 = plt.figure()
ax2 = fig1.add_axes([0.1, 0.1, 0.7, 0.7])
plt.show()

效果如下：

大家可以自己试一试，如果不用 fig1.add_axes，而直接 axes ，看看会发生什么效果。

注意：使用 add_axes的时候必须指定大小

---

2.画出折线图（函数图）

要像画出函数图像，那么我们肯定先建立好 fig （不建立其会自动创建一个），然后我们画好坐标，也就是加好一个 axes 。然后我们画的是简单的二维函数图像，所以肯定要设置好 $x,y$。代码如下：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 10000) # numpy生成等距 x
y = np.sin(x)
fig = plt.figure()
ax = plt.axes()
ax.plot(x, y)
plt.show()

效果如下：

---

3.让图变得更漂亮

让图变漂亮实际上也就是在函数里面加一些参数，下面我们来看看有哪些

3.1

首先，我们可以设置背景

import matplotlib.pyplot as plt
import numpy as np

a = plt.style.available
print(a)
plt.style.use('bmh')
x = np.linspace(-10, 10, 10000) # numpy生成等距 x
y = np.sin(x)
fig = plt.figure()
ax = plt.axes()
ax.plot(x, y)
plt.show()

效果：

不记得背景风格有啥咋办？我们直接：

import matplotlib.pyplot as plt
print(plt.style.available)

这样我们就可以看到所有可用的风格了

3.2

设置线属性

这个很好理解，我们之直接上代码：

plt.style.use('seaborn-whitegrid')
x = np.linspace(-10, 10, 10000) # numpy生成等距 x
fig = plt.figure()
ax = plt.axes()



'''
linestyle设置了线的类型
color设置了线的颜色
'''
ax.plot(x, x, linestyle='-', color = 'm')
ax.plot(x, x + 1, linestyle='--', color = 'r')
ax.plot(x, x + 2, linestyle='-.', color = 'y')
ax.plot(x, x + 3, linestyle=':', color = 'g')
plt.show()

效果：

更多的参数与颜色或线形选择大家可访问官方API文档查看

3.3

设置标签，限制一类
这个也超好理解，我们也直接上代码：

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('seaborn-whitegrid')
x = np.linspace(-10, 10, 10000) # numpy生成等距 x
fig = plt.figure()
ax = plt.axes()


'''
xlim和ylim设置了坐标轴的限制
xlabel与ylabel设置了横纵坐标标签
title设置了这个axes的标题
'''
ax.set(xlim=(0, 10), ylim=(0, 10),
 xlabel='x', ylabel='y',
 title='My Colorful Plot')


ax.plot(x, x, linestyle='-', color = 'm')
ax.plot(x, x + 1, linestyle='--', color = 'r')
ax.plot(x, x + 2, linestyle='-.', color = 'y')
ax.plot(x, x + 3, linestyle=':', color = 'g')
plt.show()

效果：

最后，我们肯定希望再来点函数标签，表示什么颜色是什么线，所以我们可以用 lenged 函数实现，如下（倒数第二行）：

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('seaborn-whitegrid')
x = np.linspace(-10, 10, 10000) # numpy生成等距 x
fig = plt.figure()
ax = plt.axes()
ax.set(xlim=(0, 10), ylim=(0, 10),
 xlabel='x', ylabel='y',
 title='My Colorful Plot')
l1, = ax.plot(x, x, linestyle='-', color = 'm')
l2, = ax.plot(x, x + 1, linestyle='--', color = 'r')
l3, = ax.plot(x, x + 2, linestyle='-.', color = 'y')
l4, = ax.plot(x, x + 3, linestyle=':', color = 'g')


'''
handles里面装要标签的曲线
labels则是具体的标签名，要对应前面的直线
loc则是位置信息
'''
plt.legend(handles=[l1, l2, l3, l4], labels=['y=x', 'y=x+1', 'y=x+2', 'y=x+3'], loc='best')
plt.show()

注意保存直线那里一定要加逗号

或者大伙也可以改成这样：

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('seaborn-whitegrid')
x = np.linspace(-10, 10, 10000) # numpy生成等距 x
fig = plt.figure()
ax = plt.axes()
ax.set(xlim=(0, 10), ylim=(0, 10),
 xlabel='x', ylabel='y',
 title='My Colorful Plot')
ax.plot(x, x, linestyle='-', color = 'm', label='y=x')
ax.plot(x, x + 1, linestyle='--', color = 'r', label='y=x+1')
ax.plot(x, x + 2, linestyle='-.', color = 'y', label='y=x+2')
ax.plot(x, x + 3, linestyle=':', color = 'g', label='y=x+3')


'''
loc则是位置信息
'''
plt.legend(loc='best')
plt.show()

最终效果：