matplotlib--基本用法

基本概念

我们需要预先导入一些库

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

Matplotlib在Figures（画布）上绘制数据，他们每个都可以包含一个或多个轴空间Axes，是一个可以在 x-y 坐标系中绘制点的区域（或者其他坐标系）。创建带有轴空间的 Figure 的最简单的方式就是使用 pyplot.subplots。然后我们可以使用 Axes.plot 来基于坐标轴绘制一些数据

fig, ax = plt.subplots()  # Create a figure containing a single axes.
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]);  # Plot some data on the axes.

每一个Axes的绘图方法在matplotlib.pyplot模块中都有一个对应的函数，这个函数在“当前”坐标空间上完成绘制，如果当前没有坐标空间，便创建一个坐标空间及其所依附的图。上面的代码我们可以写得更简单一点

plt.plot([1, 2, 3, 4], [1, 4, 2, 3])

Figure的组成

一个Figure由以下部分组成

Figure

Figure 是整个图。Figure跟踪所有的轴空间（一个Figure可以包含多个轴空间）、一组“特殊”的艺术家(标题、图形图例、颜色条等)，甚至嵌套的子图

创建一个Figure最简单的方式就是使用 pyplot

fig = plt.figure()  # an empty figure with no Axes
fig, ax = plt.subplots()  # a figure with a single Axes
fig, axs = plt.subplots(2, 2)  # a figure with a 2x2 grid of Axes

Axes

Axes 是轴空间，是带有数据空间的图像区域。一个给定的 Figure（图）可以包含多个轴空间，但是每个轴空间只能存在于一个图中。轴空间通常包含两个坐标轴Axis（在3D空间中包含三个坐标轴）。坐标轴为提供刻度和刻度标签来为轴空间Axis中的数据提供尺度。每个轴空间都包含一个 title（通过set_title()设置），一个x轴标签（通过set_xlabel()设置），一个y轴标签（通过set_ylabel()设置）。

Axes类及其成员函数是使用面向对象接口的最主要入口点。

fig, ax = plt.subplots()  # Create a figure containing a single axes.
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]);  # Plot some data on the axes.
ax.set_title("first")
ax.set_xlabel("x")
ax.set_ylabel("y")

Axis

Axis 是轴，负责设定尺寸和数据范围，并且生成刻度和刻度标签。刻度的位置由Locator对象确定，刻度标签字符串由Formatter格式化。恰当的Locator/Formatter组合可以很好地控制刻度位置和标签。

Artist

Aritst 艺术家。本质上，在图上看到的所有东西都是artist（Figure, Axes, Axis对象也是）。当图渲染后，所有的aritists都被画在画布上。大部分Aritsts都被绑在Axes上；这样的一个Aritist不能被多个Axes共享，或从一个Axe移到另一个Axe。

绘图函数的输入数据

绘图函数希望数据是 numpy.array 或者 numpy.ma.masked_array 类型的，或者能够作为numpy.asarray 输入的对象。一些类似于数组的类，如pandas数据对象和numpy.matrix可能不会按预期工作，所以我们应该先将他们转成 numpy.array 类型。、

比如转换numpy.matrix类型的数据

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

大多数方法也会分析可寻址的对象，比如字典，numpy.recarray 或 pandas.DataFrame.

Matplotlib允许您提供data关键字参数，通过传递x和y变量对应的字符串来绘图。（个人觉得并不重要）

np.random.seed(19680801)  # seed the random number generator.
data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.scatter('a', 'b', c='c', s='d', data=data)
ax.set_xlabel('entry a')
ax.set_ylabel('entry b');

代码风格

如上所述，使用Matplotlib基本上有两种风格：

• 显式创建图形与轴空间，并在其上调用方法的OO风格。

  x = np.linspace(0, 2, 100)  # Sample data.
  
  # Note that even in the OO-style, we use `.pyplot.figure` to create the Figure.
  fig, ax = plt.subplots(figsize=(5, 2.7))
  ax.plot(x, x, label='linear')  # Plot some data on the axes.
  ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes...
  ax.plot(x, x**3, label='cubic')  # ... and some more.
  ax.set_xlabel('x label')  # Add an x-label to the axes.
  ax.set_ylabel('y label')  # Add a y-label to the axes.
  ax.set_title("Simple Plot")  # Add a title to the axes.
  ax.legend();  # 添加图例
  

• 依靠pyplot自动创建和管理图形和轴，并使用pyplot函数进行绘图的plt风格。

  x = np.linspace(0, 2, 100)  # Sample data.
  
  plt.figure(figsize=(5, 2.7))
  plt.plot(x, x, label='linear')  # Plot some data on the (implicit) axes.
  plt.plot(x, x**2, label='quadratic')  # etc.
  plt.plot(x, x**3, label='cubic')
  plt.xlabel('x label')
  plt.ylabel('y label')
  plt.title("Simple Plot")
  plt.legend();
  

• 个人认为OO风格不是更常用的，关于pyplot的更多介绍请关注后续内容

我们可以设置绘制的图像中Artist的格式，设置图像的标题等。详情