政安晨：在Jupyter中【示例演绎】Matplotlib的官方指南（三）{Plot全工作流程展示}·{Python语言}

本文旨在展示使用Matplotlib进行可视化的开始、中间和结束过程。

我们将从一些原始数据开始，并最终保存一个自定义可视化的图表，在这个过程中，我们尝试突出一些使用Matplotlib的有趣特性和最佳实践。

刚看到这篇文章的小伙伴，可以看一下我这个演绎系列的前两篇文章，准备一下环境等等：

政安晨：在Jupyter中【示例演绎】Matplotlib的官方指南（一）{Pyplot tutorial}https://blog.csdn.net/snowdenkeke/article/details/136096870政安晨：在Jupyter中【示例演绎】Matplotlib的官方指南（二）{Image tutorial}·{Python语言}https://blog.csdn.net/snowdenkeke/article/details/136100806

小伙伴们准备好环境咱们这就开始吧。

---

关于显式接口与隐式接口的注释

Matplotlib有两个接口

关于显式和隐式接口之间的权衡解释，请参见Matplotlib应用接口(APIs)。

在显式面向对象(OO)接口中，我们直接使用axes.Axes的实例来在figure.Figure的实例中建立可视化。在隐式接口中，受到和模仿MATLAB的启发，我们使用了一个基于全局状态的接口，该接口封装在pyplot模块中，以绘制到“当前Axes”。

咱们要记住的是：

图形（Figure）是最终的图像，可以包含一个或多个坐标轴（Axes）。

坐标轴（Axes）表示一个单独的绘图（不要与坐标轴（Axis）混淆，坐标轴指的是绘图的x轴、y轴或z轴）。

我们从坐标轴（Axes）直接调用绘图方法，这样可以在自定义绘图时提供更多的灵活性和功能。

通常情况下，绘图时使用显式接口而不是隐式的pyplot接口。

看一下咱们的数据

咱们将使用一些收集的数据。

import matplotlib.pyplot as plt
import numpy as np

data = {'Barton LLC': 109438.50,
        'Frami, Hills and Schmidt': 103569.59,
        'Fritsch, Russel and Anderson': 112214.71,
        'Jerde-Hilpert': 112591.43,
        'Keeling LLC': 100934.30,
        'Koepp Ltd': 103660.54,
        'Kulas Inc': 137351.96,
        'Trantow-Barrows': 123381.38,
        'White-Trantow': 135841.99,
        'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)

现在开始

这些数据自然地可以用条形图进行可视化，每个组都有一个条形。

为了使用面向对象的方法来实现这个，我们首先生成一个 figure.Figure 和 axes.Axes 的实例，Figure 就像一块画布，而 Axes 则是画布上的一部分，我们将在上面进行特定的可视化。

图表上可以有多个轴。

fig, ax = plt.subplots()

我的演绎：

现在我们有了一个Axes实例，我们可以在其上进行绘图：

fig, ax = plt.subplots()
ax.barh(group_names, group_data)

我的演绎：

控制风格

在Matplotlib中有许多可用的样式，以便您根据需求自定义可视化，要查看样式列表，我们可以使用style。

print(plt.style.available)

我的演绎：

您可以使用以下方法激活样式：

plt.style.use('fivethirtyeight')

现在让我们重新打造上述情节，看看它的样子：

fig, ax = plt.subplots()
ax.barh(group_names, group_data)

它指的是样式控制很多东西，比如颜色、线宽、背景等等。

个性化Plot

现在我们有了一个外观上看起来不错的图表，所以让我们对其进行微调，使其准备好进行打印。

首先让我们旋转x轴上的标签，以便它们更清晰地显示出来。

我们可以通过使用axes.Axes.get_xticklabels()方法来访问这些标签。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()

如果我们想要一次设置多个项目的属性，使用pyplot.setp()函数非常有用，它将接受一个Matplotlib对象的列表（或多个列表），并尝试设置每个对象的某些样式元素。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

我的演绎：

看起来底部的一些标签被裁掉了。

我们可以告诉Matplotlib自动为我们创建的图形留出空间，为此，我们将rcParams的autolayout值设置为True。想要了解有关使用rcParams自定义Matplotlib样式、布局和其他特性的更多信息，请参阅使用样式表和rcParams自定义Matplotlib。

plt.rcParams.update({'figure.autolayout': True})

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

接下来，我们给图表添加标签，使用面向对象的接口进行操作时，可以使用Artist.set()方法来设置此Axes对象的属性。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')

我的演绎：

我们还可以使用pyplot.subplots()函数调整此图的大小，我们可以通过figsize关键字参数来实现。

值得注意的是：

在NumPy中，索引的形式是（行，列），而figsize关键字参数的形式是（宽度，高度），这符合可视化的惯例，不幸的是这些惯例与线性代数的惯例不同。

fig, ax = plt.subplots(figsize=(8, 4))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')

对于标签，我们可以以函数的形式指定自定义的格式化规则。

下面我们定义一个函数，它以整数作为输入，返回一个字符串作为输出。当与Axis.set_major_formatter或Axis.set_minor_formatter一起使用时，它们会自动创建并使用一个ticker.FuncFormatter类。

对于这个函数，x参数是原始的刻度标签，pos是刻度位置，在这里我们只使用x，但两个参数都是必需的：

def currency(x, pos):
    """The two arguments are the value and tick position"""
    if x >= 1e6:
        s = f'${x*1e-6:1.1f}M'
    else:
        s = f'${x*1e-3:1.0f}K'
    return s

然后，我们可以将这个函数应用于我们绘图的标签上，为此，我们使用我们的坐标轴的 xaxis 属性，这使得您可以在我们的绘图中对特定轴执行操作。

fig, ax = plt.subplots(figsize=(6, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)

组合多个可视化

可以在同一个axes.Axes实例上绘制多个图形元素，要实现这一点，我们只需要在该axes对象上调用另一个绘图方法。

fig, ax = plt.subplots(figsize=(8, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

# Add a vertical line, here we set the style in the function call
ax.axvline(group_mean, ls='--', color='r')

# Annotate new companies
for group in [3, 5, 8]:
    ax.text(145000, group, "New Company", fontsize=10,
            verticalalignment="center")

# Now we move our title up since it's getting a little cramped
ax.title.set(y=1.05)

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)
ax.set_xticks([0, 25e3, 50e3, 75e3, 100e3, 125e3])
fig.subplots_adjust(right=.1)

plt.show()

保存咱们的Plot

现在我们对我们的图表结果感到满意，我们想将其保存到磁盘中，在Matplotlib中，有许多可以保存的文件格式。

要查看可用选项的列表，请使用：

print(fig.canvas.get_supported_filetypes())

我们可以使用figure.Figure.savefig()将图保存到硬盘上。

请注意，下面展示了几个有用的标志：

transparent=True可以使保存的图的背景透明（如果格式支持的话）。

dpi=80控制输出的分辨率（每平方英寸的点数）。

bbox_inches="tight"使图的边界适应我们的绘图。

# Uncomment this line to save the figure.
# fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")

好啦，咱们这样就完成了整套流程。