matplotlib 中文_matplotlib中文入门文档（user guide）

最近自己经常遇到matplotlib的OO API和pyplot包混乱不分的情况，所以抽时间好好把matplotlib的文档读了一下，下面是大概的翻译和总结。很多基础的东西还是要系统地掌握牢固哇～～

要素

Figure

就是整个图片，像弹出的窗口windows和Jupyter widgets，用于track所有的Axes，artists（titiles，legend）和canvas（用户不怎么接触到）。一个figure可以包含任何数量的Axes，至少有一个。最简单的创建新的figure的方法是：

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

这是最简单的创建axes的方法，但之后也可以再加axes，允许更加复杂的axes layout。

Axes

data points放置的区域（x-y坐标或者x-y-z坐标）。Axes包含两个或三个Axis对象，Axis对象能够控制data limits（axes.Axes.set_xlim()和 axes.Axes.set_ylim()）。

每个Axes有一个title，x-label和y-label，分别通过（axes.Axes.set_title(),axes.Axes.set_xlabel(),axes.Axes.set_ylabel()控制）

Axes类和它的成员方法是Object-oriented的主要入口。

Axis

就是底下那种数字和线的组合。控制limits，ticks和ticklabels。

ticks的位置是由Locator对象控制的，ticklabel的字符串是由Formatter对象控制的。

Artist

基础上来说图片上看到的每一样东西都是一个artist（包括Figure，Axes和Axis对象）。还包括 Text对象， Line2D对象， collections对象，Patch对象等。所有的Artist都被画到canvas上。大多数Artists都和Axes绑定了，这样一个Artist不能被多个Axes分享。

输入的种类

只能是 numpy.array or numpy.ma.masked_array

其他的像pandas对象或np.matrix不能作为输入。list可以被自动转为array。

可以这样转为np.array

a = pandas.DataFrame(np.random.rand(4, 5), columns = list('abcde'))
a_asarray = a.values

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

object-oriented interface和pyplot interface

有两种方法去使用matplotlib，两种方法很多函数是一样的：

1. 显式地创建figures和axes，然后在调用这些对象的方法。
2. 依靠pyplot自动创建和管理figures和axes，然后使用pyplot函数画图。

下面这种是OO-style

x = np.linspace(0, 2, 100)

# Note that even in the OO-style, we use `.pyplot.figure` to create the figure.
fig, ax = plt.subplots()  # Create a figure and an axes.
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()  # Add a legend.

或者pyplot-style

x = np.linspace(0, 2, 100)

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()

matplotlib的教程一般都包含OO或者pyplot两种方法，两种都可以，但是需要注意的是不要混合使用。通常，pyplot用在interactive plotting像jupyter notebook里面，OO-style用在non-interactive像函数或脚本里面能够在大项目里重用的。

在老版本的matplotlib里面还有一个pylab的interface，现在比较少用。

有时需要用不同的数据重用一个画图函数，建议采用如下的函数签名

def my_plotter(ax, data1, data2, param_dict):
    """
    A helper function to make a graph

    Parameters
    ----------
    ax : Axes
        The axes to draw to

    data1 : array
       The x data

    data2 : array
       The y data

    param_dict : dict
       Dictionary of kwargs to pass to ax.plot

    Returns
    -------
    out : list
        list of artists added
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

然后这样使用它

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

或者两个sub-plots

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

backends

什么是backend？backend就是做了所有的复杂工作去把图片渲染出来。有两种backends：user interface backend（pygtk, wxpython, tkinter, qt4, or macosx），和hardcopy backend（PNG, SVG, PDF, PS）

设置backend的方法

三种，优先级别是1<2<3

1. The rcParams["backend"] (default: 'agg') parameter in your matplotlibrc file
2. The MPLBACKEND environment variable
3. The function matplotlib.use()

import matplotlib as mpl
mpl.rcParams['backend'] = ‘agg’

或设置环境变量，不推荐

unix

> export MPLBACKEND=qt5agg
> python simple_plot.py

> MPLBACKEND=qt5agg python simple_plot.py

或直接使用use函数，需要在任何figure创建之前use。

import matplotlib
matplotlib.use('qt5agg')

一般来说，matplotlib会自动选择默认的backend来完成interactive work和脚本中画图。

什么是interactive mode

interactive允许动态显示画图的修改。做一个动作显示一个。能够通过这两个方法来控制interactive mode开和关。matplotlib.pyplot.ion(), matplotlib.pyplot.ioff()。

注意interactive mode只能够在ipython或原始的python shell中使用，不支持IDLE IDE。

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

可以在做动作能够即时刷新并显示

plt.title("interactive test")
plt.xlabel("index")

也能够拿到当前的Axes实例，然后调用实例的方法

ax = plt.gca()
ax.plot([3.1, 2.2])

在特定的backends（像macosx），或老版本的matplotlib，可能不会即时显示，可以调用plot.draw()方法去更新。

non-interactive

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

这样子什么都没有发生（macosx可能会有图片），为了看到图片，需要调用plt.show()。调用了show方法之后，show方法把刚刚的input都一起执行，然后把当前进程暂停block一下，这个时候terminal command是unresponsive的，除非你手动关掉plot window。这样子的好处就是，像以前执行一个脚本的时候，你还没有看清图片，一闪而过就没了，这样子图片能够停留等待你的反馈。

在non-interactive mode中，所有的动作都是delay的，等到show函数调用了才执行。

show函数能够被调用多次，上一个图片窗口关闭之后，再显示下一张图片。（python shell）

import numpy as np
import matplotlib.pyplot as plt

plt.ioff()
for i in range(3):
    plt.plot(np.random.rand(10))
    plt.show()

小结interactive和non-interactive

1. interactive
   pyplot自动画图
   如果使用OO方法，调用draw()函数去刷新
2. Non-interactive
   方便在脚本中生成一张或多张图片。使用show()函数去显示所有图片，并且会暂停block进程直到手动destroy这些图片。

性能

感觉用到不多

line simplify

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.geomspace(10, 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()

参考

https://matplotlib.org/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py