python简单代码绘图-Python 绘图，我只用 Matplotlib（二）

图片来自 unsplash

上篇文章，我们了解到 Matplotlib 是一个风格类似 Matlab 的基于 Python 的绘图库。它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且我们也可以方便地将它作为绘图控件，嵌入GUI应用程序中。本文主要走进 Matplotlib 的世界，初步学会绘制图形。

1 基础知识

在学习绘制之前，先来了解下 Matplotlib 基础概念。

1.1 库

我们绘制图形主要用到两个库，matplotlib.pyplot和numpy。在编码过程中，这两个库的使用频率较高，而这两个库的名字较长。这难免会给我们带来不便。所以我们一般给其设置别名， 大大减少重复性工作量。具体如下代码：

import matplotlib.pyplot as plt # 导入模块 matplotlib.pyplot，并简写成 plt

import numpy as np # 导入模块 numpy，并简写成 np

numpy 是 Python 用于数学运算的库，它是在安装 matplotlib 时候顺带安装的。pyplot 是 matplotlib 一个子模块，主要为底层的面向对象的绘图库提供状态机界面。状态机隐式地自动创建数字和坐标轴以实现所需的绘图。 matplotlib 中的所有内容都按照层次结果进行组织。顶层就是由 pyplot 提供的 matplotlib "状态机环境”。基于这个状态机环境，我们就可以创建图形。

1.2 图形组成标签

我在 matplotlib 官网上找图像组件说明图并在上面增加中文翻译。通过这张图，我们对 matplotlib 整体地认识。

点击查看大图

接下来，我主要讲解 matplotlib 中几个重要的标签。

Figure

Figure 翻译成中文是图像窗口。Figure 是包裹 Axes、tiles、legends 等组件的最外层窗口。它其实是一个 Windows 应用窗口 。

点击查看大图

Figure 中最主要的元素是 Axes（子图）。一个 Figure 中可以有多个子图，但至少要有一个能够显示内容的子图。

Axes

Axes 翻译成中文是轴域/子图。Axes 是带有数据的图像区域。从上文可知，它是位于 Figure 里面。那它和 Figure 是什么关系？这里可能文字难以表述清楚，我以图说文。用两图带你彻底弄清它们的关系。

在看运行结果之前，我先呈上代码给各位看官品尝。

fig = plt.figure() # 创建一个没有 axes 的 figure

fig.suptitle('No axes on this figure') # 添加标题以便我们辨别

fig, ax_lst = plt.subplots(2, 2) # 创建一个以 axes 为单位的 2x2 网格的 figure

plt.show()

根据运行结果图，我们不难看出。左图的 Figure1 中没有 axes，右图的 Figure2 中有 4 个 axes。因此，我们可以将 Axes 理解为面板，而面板是覆在窗口(Figure) 上。

点击查看大图

Axis

Axis 在中文的意思是轴。官网文档对 Axis 定义解释不清楚，让我们看得云里雾里的。如果你有留意前文的组成说明图，可以看到 X Axis 和 Y Axis 的字样。按照平常人的见识， 观察该图就能明白 Axis 是轴的意思。此外，Axis 和 Axes 以及 Figure 这三者关系，你看完下图，会恍然大悟。

点击查看大图

2 绘制第一张图

按照剧本发展，我接下来以绘制曲线并逐步美化它为例子，一步步讲解如何绘制图形。在这过程中，我也会逐一说明各个函数的作用。

初步绘制曲线

import matplotlib.pyplot as plt

import numpy as np

x = np.linspace(-2, 6, 50)

y1 = x + 3 # 曲线 y1

y2 = 3 - x # 曲线 y2

plt.figure() # 定义一个图像窗口

plt.plot(x, y1) # 绘制曲线 y1

plt.plot(x, y2) # 绘制曲线 y2

plt.show()

调用np.linspace是创建一个 numpy 数组，并记作 x。x 包含了从 -2 到 6 之间等间隔的 50 个值。y1 和 y2 则分别是这 50 个值对应曲线的函数值组成的 numpy 数组。前面的操作还处于设置属性的阶段，还没有开始绘制图形。plt.figure() 函数才意味着开始执行绘图操作。最后别忘记调用show()函数将图形呈现出来。

点击查看大图

简单修饰

我们已经绘制出两条直线，但样式比较简陋。所以我给两条曲线设置鲜艳的颜色、线条类型。同时，还给纵轴和横轴的设置上下限，增加可观性。

import matplotlib.pyplot as plt

import numpy as np

# 创建一个点数为 8 x 6 的窗口, 并设置分辨率为 80像素/每英寸

plt.figure(figsize=(8, 6), dpi=80)

# 再创建一个规格为 1 x 1 的子图

plt.subplot(111)

x = np.linspace(-2, 6, 50)

y1 = x + 3 # 曲线 y1

y2 = 3 - x # 曲线 y2

# 绘制颜色为蓝色、宽度为 1 像素的连续曲线 y1

plt.plot(x, y1, color="blue", linewidth=1.0, linestyle="-")

# 绘制颜色为紫色、宽度为 2 像素的不连续曲线 y2

plt.plot(x, y2, color="#800080", linewidth=2.0, linestyle="--")

# 设置横轴的上下限

plt.xlim(-1, 6)

# 设置纵轴的上下限

plt.ylim(-2, 10)

plt.show()

点击查看大图

设置纵横轴标签

在图像中，我们不能一味地认为横轴就是 X 轴，纵轴就是 Y 轴。图形因内容数据不同，纵横轴标签往往也会不同。这也体现了给纵横轴设置标签说明的重要性。

...

# 设置横轴标签

plt.xlabel("X")

# 设置纵轴标签

plt.ylabel("Y")

plt.show()

点击查看大图

设置精准刻度

matplotlib 画图设置的刻度是由曲线以及窗口的像素点等因素决定。这些刻度精确度无法满足需求，我们需要手动添加刻度。上图中，纵轴只显示 2 的倍数的刻度，横轴只显示 1 的倍数的刻度。我们为其添加精准刻度，纵轴变成单位间隔为 1 的刻度，横轴变成单位间隔为 0.5 的刻度。

...

# 设置横轴精准刻度

plt.xticks([-1, -0.5, 0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5])

# 设置纵轴精准刻度

plt.yticks([-2, -1, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

plt.show()

xticks() 和 yticks() 需要传入一个列表作为参数。

点击查看大图

该方法默认是将列表的值来设置刻度标签，如果你想重新设置刻度标签，则需要传入两个列表参数给 xticks() 和 yticks() 。第一个列表的值代表刻度，第二个列表的值代表刻度所显示的标签。

...

# 设置横轴精准刻度

plt.xticks([-1, 0, 1, 2, 3, 4, 5, 6],

["-1m", "0m", "1m", "2m", "3m", "4m", "5m", "6m"])

# 设置纵轴精准刻度

plt.yticks([-2, 0, 2, 4, 6, 8, 10],

["-2m", "0m", "2m", "4m", "6m", "8m", "10m"])

plt.show()

点击查看大图

添加图例

如果需要在图的左上角添加一个图例。我们只需要在 plot() 函数里以「键 - 值」的形式增加一个参数。首先我们需要在绘制曲线的时候，增加一个 label 参数，然后再调用 plt.legend() 绘制出一个图例。plt.legend() 需要传入一个位置值。loc 的值可选如下：

值

说明

best

自动选择最佳位置，默认是左上

upper right

右上

upper left

左上

lower right

右下

lower left

左下

right

右边，默认是右上。如果因图形挡住右上，会自动往下选择空白地方绘制

center right

垂直居中且靠右

center left

垂直居中且靠左

lower center

垂直居中且靠底部

upper center

垂直居中且靠顶部

center

居中

...

# 绘制颜色为蓝色、宽度为 1 像素的连续曲线 y1

plt.plot(x, y1, color="blue", linewidth=1.0, linestyle="-", label="y1")

# 绘制颜色为紫色、宽度为 2 像素的不连续曲线 y2

plt.plot(x, y2, color="#800080", linewidth=2.0, linestyle="--", label="y2")

plt.legend(loc="upper left")

...

点击查看大图

注释特殊点位

有时某些数据点非常关键，需要突显出来。我们需要将改点绘制出来，即绘制散点图，再对其做注释。实现上述需求，我们要用到scatter()和annotate()函数。scatter() 是用于绘制散图，这里我们只是用其来绘制单个点。scatter() 用法，后续文章会详细对其用法做说明。annotate()则是添加标注 。

scatter() 函数必须传入两个参数 x 和 y。值得注意得是，它们的数据类型是列表。x 代表要标注点的横轴位置，y 代表要标注点的横轴位置。x 和 y 列表中下标相同的数据是对应的。例如 x 为 [3, 4]，y 为 [6, 8]，这表示会绘制点（3，6），（4， 8）。因此，x 和 y 长度要一样。

annotate函数同样也有两个必传参数，一个是标注内容，另一个是 xy。标注内容是一个字符串。xy 表示要在哪个位置（点）显示标注内容。xy 位置地选定。一般是在scatter() 绘制点附近，但不建议重合，这样会影响美观。

...

# 绘制颜色为蓝色、宽度为 1 像素的连续曲线 y1

plt.plot(x, y1, color="blue", linewidth=1.0, linestyle="-", label="y1")

# 绘制散点(3, 6)

plt.scatter([3], [6], s=30, color="blue") # s 为点的 size

# 对(3, 6)做标注

plt.annotate("(3, 6)",

xy=(3.3, 5.5), # 在(3.3, 5.5)上做标注

fontsize=16, # 设置字体大小为 16

xycoords='data') # xycoords='data' 是说基于数据的值来选位置

# 绘制颜色为紫色、宽度为 2 像素的不连续曲线 y2

plt.plot(x, y2, color="#800080", linewidth=2.0, linestyle="--", label="y2")

# 绘制散点(3, 0)

plt.scatter([3], [0], s=50, color="#800080")

# 对(3, 0)做标注

plt.annotate("(3, 0)",

xy=(3.3, 0), # 在(3.3, 0)上做标注

fontsize=16, # 设置字体大小为 16

xycoords='data') # xycoords='data' 是说基于数据的值来选位置

点击查看大图

点已经被标注出来了，如果你还想给点添加注释。这需要使用text()函数。text(x，y，s) 作用是在点(x，y) 上添加文本 s。matplotlib 目前好像对中午支持不是很友好， 中文均显示为乱码。

···

# 绘制散点(3, 0)

plt.scatter([3], [0], s=50, color="#800080")

# 对(3, 0)做标注

plt.annotate("(3, 0)", xy=(3.3, 0))

plt.text(4, -0.5, "this point very important",

fontdict={'size': 12, 'color': 'green'}) # fontdict设置文本字体

点击查看大图

到此为止，我们基本上完成了绘制直线所有工作。Matplotlib 能绘制种类繁多且绘图功能强大，所以我接下来的文章将单独对每种类型图做分享讲解。