python数据分析（三）Matplotlib的简单了解

python数据分析（三）Matplotlib的简单了解

1、初见
matplotlib是python中非常强大的一款绘图库，主要用于绘制2D/3D图表，进而做到数据可视化。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。想更具体地进行了解，可以参考matplotlib画廊，或者echarts。

2、Hello，matplotlib！
这里借助一个小例子激发一下大家学习matplotlib的兴趣，我们可以简单地看一下它的功能和绘图效果，更加具体的操作和代码解析会在下文陆续涉及。
打开Jupyter Notebook，创建一个新的文件。

键入代码

import matplotlib.pyplot as plt
%matplotlib inline #这一行主要是针对环境问题，如果没有但是也能显示图表，则可以不加

plt.figure()
plt.plot([1, 2, 3],  [4, 5, 6])
plt.show()

shift+enter开始运行，结果为

很有趣对不对，但是这里对代码的编写暂时不做解释。

3、matplotlib绘图准则（三层）
a. 容器层
$(1)$ 画板层($Canvas$)：生活需要仪式感，画一张图表我们也可以走艺术流，那么，首先需要一块画板。（在编写代码时，这一般不用管）

$(2)$ 画布层($Figure$)：有了画板，我们还需要在画板上加一张承载图表的画纸呀，这里，我们将其称为画布层。

plt.figure()

$(3)$ 绘图区/坐标系($axes$)：现在有了画板和画布，我们就可以直接在画布上创造艺术品了（绘制图表）。并且，我们可以将一张画布分成任意个绘图区，在每个绘图区分别绘制图表。注意：每个绘图区都有坐标轴（一般是二维的）。

plt.subplots() #创建多个子图

b. 辅助显示层
顾名思义，这一层就是用来帮助用户更好地理解图表的，因此位于容器层的绘图区之上，主要就是$Axes$外观($facecolor$)、边框线($spines$)、坐标轴($axis$)、坐标轴名称($axis$ $label$)、坐标轴刻度($tick$)、坐标轴刻度标签($tick$ $label$)、网格线($grid$)、图例($legend$)、标题($title$)等信息。（这里之所以把英文都标注在后面，是因为它们都和代码的编写相关，最好能够熟记）

c. 图像层
图像层位于容器层的绘图区之上，这一点很好理解，因为图在这里插入代码片像层本质上就是我们需要绘制的图表（如折线图$plot$），那么图表显然是需要画在坐标系中的。

4、折线图($plot$)
我们直接根据一个例子来学习折线图的绘制。

import matplotlib.pyplot as plt
%matplotlib inline #这一行主要是针对环境问题，如果没有但是也能显示图表，则可以不加

plt.figure()
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()

shift+enter查看运行结果：

首先，我们来看第一行代码：

import matplotlib.pyplot as plt

这里导入了 matplotlib 模块中的 pyplot ，并且将其改名为 plt （主要是因为简便，我建议大家在自己编写代码的时候也这么做，因为这几乎已经是公认的写法了）。先导入 matplotlib.pyplot ，是因为它包含了绝大多数常用的绘图函数，基本上满足了我们所有的绘图需求。这里注意一点, matplotlib.pyplot 中的函数只作用于当前画布层figure的当前绘图区axes。
接下来我们创建画布figure（容器层）：

plt.figure()

这是所有绘图代码的第一步，因为只有先有了画纸，我们才能够在它上面进行图表的绘制。
有了画布，下面就可以开始绘制折线图：

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

plot() 函数就是用来绘制折线图的命令，它最少需要传入两个实参，数据结构都是列表，我们可以设为x和y，x中存储的是坐标轴上一系列点的横坐标，相应的，y中存储的就是一系列点的纵坐标【(x[i-1], y[i-1])自然就是第i个点的坐标表示】，plot()函数将坐标轴上的这些点连接起来，进而形成折线图。
根据上述内容，我们可以将这一行代码改为：

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
plt.plot(x, y)

这里的效果是一样的，甚至你会认为改完之后好像更麻烦了，但是，一旦情况复杂起来，我们就能感受到这么做的优势了。

最终显示图像：

plt.show()

这一行的功能是将画布显示出来，也是检验绘图的最终效果。
————————容器层——————————————————————————
下面我们来改进一下代码（针对容器层），使得绘制的图表更美观（这些同样可以应用到其他图表中）。

plt.figure(figsize=(), dpi=)

这一行同样也是创建画布，但是传入了两个参数：
figsize：数据结构为一个元组，用来指定画布的规格（长和宽）
dpi(dot per inch)：一个数值，用来指定图像的清晰度
现在再来看看效果：

这里，如果我们还想将图片保存下来呢，右击鼠标点击存储？不，我们可以来点儿更高级的：

path = #保存图片存储的文件路径
plt.savefig(path)

这里注意，保存图片的命令是不可以写在 plt.show() 的后面的，如果我们这样做了，保存的图片一定是空的，因为图片资源已经被 plt.show() 全部释放了。
全部代码：

import matplotlib.pyplot as plt
%matplotlib inline

plt.figure(figsize=(16, 10), dpi=80)
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
plt.plot(x, y)
path = "test.png"
plt.savefig(path)
plt.show()

shift+enter运行，由于这里我使用的是相对文件路径，所以我们直接在当前目录里找一下，OK，保存成功。

————————辅助显示层————————————————————————
做到了改变画布大小和图像清晰度，我觉得折线图还是差了点什么，没有那味儿，好的，我们继续改进代码（针对辅助显示层）。

运用函数 plt.xticks() 和 plt.yticks() 修改x和y刻度：

plt.xticks(ticks, [labels], **kwargs) # 函数原型

这两个函数的第一个实参主要针对刻度的规模，即起始刻度以及分度值。这里我们为了更好地体现效果，更新一下x,y,。
先看原始的图像。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
plt.show()

现在，我们利用 plt.xticks() 和 plt.yticks() 函数更改一下刻度范围。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
plt.xticks(range(0, 50)) # 刻度范围0～50
plt.yticks(range(0, 100)) # 刻度范围0～100
plt.show()

（主要看坐标系的变化，图像是随机跑出来的，折线走势不一样很正常），坐标系好丑，我们调一下分度值。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
plt.xticks(range(0, 50, 2)) # 刻度范围0～50，间隔为2
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.show()

这样，坐标系就顺眼了许多，和曲线图也更搭了。这时，我们来看一下 plt.xticks() 函数的第二个形参 [labels] ——刻度说明。简单的说，有的情况下，用户并不希望刻度仅仅只是单一的数字，而是更能说明问题的字符串（例如时间等）。来看代码：（这里是为了举例，不具备现实意义）

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.show()

这里提一下，刻度说明应该是不支持中文格式的，如果有相关需要，可以自行百度查找解决措施。至于 plt.xticks() 函数的第三个形参 **kwargs ，显然可以穿入多个实参，对刻度进行更多的描述和改造，但是，这里就不细说了。下面，我们来学习一下如何给坐标系加上网格。

plt.grid(b, which, axis, color, linestyle, linewidth， **kwargs) #这些形参都是由默认值的

我们一个一个来看，首先 b 是bool值的意思，它控制着网格线是否显示，我们将其调整为 True 。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True) # 显示网格线
plt.show()

网格线显示出来了。第二个参数which : 取值为’major’, ‘minor’， ‘both’。 默认为’major’。这个我们不用了解太多，一般使用默认值就可以。
第三个参数 axis : 取值为‘both’， ‘x’，‘y’。就是想绘制哪个方向的网格线，我们可以调整该参数来控制网格线的方向，感兴趣的话可以试一下，这里也不举例了。
第四个参数color : 设置网格线的颜色，可以直接用c来表示color，python 中有自己的一套色板，大家可以去了解一下。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered') # 显示网格线，并设置颜色
plt.show()

顺便说一下，调整颜色的时候，一般都是可以传入参数alpha来调整颜色的透明度。取值范围为0～1，这里就不举例了。

第五个参数和第六个参数都是设置网格线的格式。linestyle :可以用ls来代替linestyle， 设置网格线形状（如连续实线，虚线等，直接用字符串格式描述出来即可），linewidth : 设置网格线的宽度，即线的粗细。
这里给出一些常用的linestyle:

实线	-
虚线	- -
点划线	-.
点虚线	:

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
plt.show()

同样，最后一个形参 **kwargs 不再讲。看到这里还有两个东西令人不太满意，第一，x轴的刻度没有从最左边开始显示；第二，缺标题信息，下面一次搞定。
函数 plt.xlim() 和 plt.ylim() 限制x，y轴范围（注意和刻度相区别）；函数 plt.xlabel() 和 plt.ylabel() 为x，y轴命名，函数 plt.title() 为图表命名。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
plt.xlim(0, 50) # 限制x轴范围
plt.ylim(0, 100) # 限制y轴范围
plt.xlabel('x-axis') # 设置x轴名
plt.ylabel('y-axis') # 设置y轴名
plt.title('example') # 设置图表名
plt.show()

满意啦！但是如果我们还想再画一条折线图呢？
——————图像层————————————————————————————
首先准备另一套y的数据。

y_1 = [random.uniform(20, 80) for i in x] #随机生成0～100之间的数

然后直接用 plt.plot() 函数画。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
plt.plot(x, y_1) # 添加线条
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
plt.xlim(0, 50) # 限制x轴范围
plt.ylim(0, 100) # 限制y轴范围
plt.xlabel('x-axis') # 设置x轴名
plt.ylabel('y-axis') # 设置y轴名
plt.title('example') # 设置图表名
plt.show()

为了区分，python会自动改变第二条线的颜色，当然我们也可以在画线时添加参数自定义颜色。这就是，图像层的魅力了。针对图像层的改进，有一部分是直接在画图函数上进行修改的。比如这里的自定义颜色。

plt.plot(x, y, c='')

我们举个例子。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
plt.plot(x, y_1, c='green') # 添加线条，并设置颜色
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
plt.xlim(0, 50) # 限制x轴范围
plt.ylim(0, 100) # 限制y轴范围
plt.xlabel('x-axis') # 设置x轴名
plt.ylabel('y-axis') # 设置y轴名
plt.title('example') # 设置图表名
plt.show()

下面我们修改线条风格。

plt.plot(x, y, linestyle='')

看例子。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y)
plt.plot(x, y_1, c='green', linestyle='--') # 添加线条，并设置颜色
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
plt.xlim(0, 50) # 限制x轴范围
plt.ylim(0, 100) # 限制y轴范围
plt.xlabel('x-axis') # 设置x轴名
plt.ylabel('y-axis') # 设置y轴名
plt.title('example') # 设置图表名
plt.show()

但是问题来了，当坐标系中有多个图像时，我们如何进行区分呢？要修改两个方面。第一，图像层添加标签；第二，辅助显示层设置图例。看例子：

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
plt.figure(figsize=(16, 10), dpi=80)
plt.plot(x, y, label='y_0')
plt.plot(x, y_1, c='green', linestyle='--', label='y_1') # 添加线条，并设置颜色，设置标签
plt.legend() # 显示图例，没有这一条命令，两条折线的标签无法显示
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
plt.xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
plt.yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
plt.xlim(0, 50) # 限制x轴范围
plt.ylim(0, 100) # 限制y轴范围
plt.xlabel('x-axis') # 设置x轴名
plt.ylabel('y-axis') # 设置y轴名
plt.title('example') # 设置图表名
plt.show()

注意，plt.legend() 函数还有许多有趣的功能，大家可以自行百度了解。这里分享一个 loc 形参控制图例位置的方法。

plt.legend(loc='') # 通过传入参数的值自定义图例位置

这里我列举出常用的几个实参（可以传入字符串，也可以传入数字）。

Location String	Location Code
‘best’	0
‘upper right’	1
‘upper left’	2
‘lower left’	3
‘lower right’	4
‘right’	5
‘center left’	6
‘center right’	7
‘lower center’	8
‘upper center’	9
‘center’	10

——————多个坐标系——————————————————————————
有时候，我们还会面临一种需求——想在两个坐标系中分别绘图，但是又想方便比较，如何满足这一需求呢？ plt.subplots() ！

plt.subplots(nrows=a, ncols=b, **kwargs) # 绘图区a行b列

由于绘图区的划分属于面对对象的画图方法，许多函数的使用发生了一定的改变，因此这里从头编写代码（模块引入和数据处理方面没有变化）。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
figure, ax = plt.subplots(nrows=1, ncols=2, figsize=(16, 10), dpi=80)
plt.show()

画布层首先发生了改变，我们使用 plt.subplots 定义1行2列的坐标系，并且像之前声明画布一样定义规格和透明度，关键在于要将其赋值给 figure 和 ax。这里，主要针对 ax 进行学习，因为我们可以这样理解——两个坐标系都被存在 ax 列表中了。并且，接下来的 plt. 函数都要改变。（函数名和用法基本没变化，但是这里用的是类中的方法）

ax[].plot()

我们先把两条曲线画上。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
figure, ax = plt.subplots(nrows=1, ncols=2, figsize=(16, 10), dpi=80)
ax[0].plot(x, y, label='y_0')
ax[1].plot(x, y_1, c='green', linestyle='--', label='y_1')
plt.show()

注意，没有辅助显示层的命令，标签没有显示嗷。添加上去

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
figure, ax = plt.subplots(nrows=1, ncols=2, figsize=(16, 10), dpi=80)
ax[0].plot(x, y, label='y_0')
ax[1].plot(x, y_1, c='green', linestyle='--', label='y_1')
ax[0].legend()
ax[1].legend()
plt.show()

下面来修改刻度，这时是不是有同学认为只要把所有的 plt 都改为 ax[ ] 就行了？这里变化来了嗷。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
figure, ax = plt.subplots(nrows=1, ncols=2, figsize=(16, 10), dpi=80)
ax[0].plot(x, y, label='y_0')
ax[1].plot(x, y_1, c='green', linestyle='--', label='y_1')
ax[0].legend()
ax[1].legend()
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
# 注意方法名的变化
ax[0].set_xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
ax[0].set_yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
ax[1].set_xticks(range(0, 50, 2), x_labels[::2]) # 刻度范围0～50，间隔为2，注意标签间隔同步
ax[1].set_yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.show()

咦，问题来了，我们对刻度的说明没有显示呀，问题出在哪里呢？实际上是方法 set_xticks() 的问题，我们查阅相关资料就会发现，这个方法只有两个形参，根本无法添加字符串格式，如果需要进行刻度说明，则需要引入方法 set_xticklabels()，看例子：

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
figure, ax = plt.subplots(nrows=1, ncols=2, figsize=(16, 10), dpi=80)
ax[0].plot(x, y, label='y_0')
ax[1].plot(x, y_1, c='green', linestyle='--', label='y_1')
ax[0].legend()
ax[1].legend()
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
# 注意方法名的变化
ax[0].set_xticks(range(0, 50, 2)) # 刻度范围0～50，间隔为2，注意标签间隔同步
ax[0].set_xticklabels(x_labels[::2])
ax[0].set_yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
ax[1].set_xticks(range(0, 50, 2)) # 刻度范围0～50，间隔为2，注意标签间隔同步
ax[1].set_xticklabels(x_labels[::2])
ax[1].set_yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
plt.show()

显示出来啦，丑一点就算了吧（调一下步长即可）。
增加网格线，设置轴范围和添加描述信息有的需要改方法名（加 set_ ），有的不需要，大家可以先猜一猜。

import random
import matplotlib.pyplot as plt
%matplotlib inline

x = range(44)
y = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数 
y_1 = [random.uniform(20, 80) for i in x] #随机生成20～80之间的数
figure, ax = plt.subplots(nrows=1, ncols=2, figsize=(16, 10), dpi=80)
ax[0].plot(x, y, label='y_0')
ax[1].plot(x, y_1, c='green', linestyle='--', label='y_1')
ax[0].legend()
ax[1].legend()
x_labels = ["x({})".format(i) for i in range(0, 50)] # 打造标签，用到了Python中的format格式化方法，感兴趣的同学可以去了解一下，这里就不细说了
# 注意方法名的变化
ax[0].set_xticks(range(0, 50, 2)) # 刻度范围0～50，间隔为2，注意标签间隔同步
ax[0].set_xticklabels(x_labels[::2])
ax[0].set_yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
ax[1].set_xticks(range(0, 50, 2)) # 刻度范围0～50，间隔为2，注意标签间隔同步
ax[1].set_xticklabels(x_labels[::2])
ax[1].set_yticks(range(0, 100, 5)) # 刻度范围0～100，间隔为5
ax[0].grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
ax[1].grid(True, c='orangered', linestyle='--', linewidth=0.5) # 显示网格线，并设置颜色，网格线形状个和宽度
ax[0].set_xlim(0, 50) # 限制x轴范围
ax[0].set_ylim(0, 100) # 限制y轴范围
ax[1].set_xlim(0, 50) # 限制x轴范围
ax[1].set_ylim(0, 100) # 限制y轴范围
ax[0].set_xlabel('x-axis') # 设置x轴名
ax[0].set_ylabel('y-axis') # 设置y轴名
ax[0].set_title('example_0') # 设置图表名
ax[1].set_xlabel('x-axis') # 设置x轴名
ax[1].set_ylabel('y-axis') # 设置y轴名
ax[1].set_title('example_1') # 设置图表名
plt.show()

OK，看到这里我相信大家对于多坐标系绘图已经有一些心得了，无非就是将原本的操作针对不同的坐标系做相应的处理罢了，主要的难点还是在于方法名的记忆上，实际上这也没什么，有一些“设置”我们可以直接感觉出来（要加 set_ ），有一些感觉不出来的我们可以直接试一试，根据报错再修改。当然，最好还是搜集相关的资料系统的了解一下（开头的matplotlib画廊就可以，而且非常好用，毕竟是官网）。
——————————————————————————————————————
好的，对于图表的各种设置我们就做以上简单了解，上述功能在实际运用中已经可以满足大部分需求（以折线图为例，其他图表都可以进行使用，方法和注意事项是一样的），如果有特殊情况，可以自行百度，也可以登陆matplotlib画廊查阅。

5、散点图($scatter$)
正如折线图的核心是 plot() 函数，散点图的核心就是 scatter() 函数。下面我们来进行散点图的绘制。
首先，准备数据。

t = range(50)
x = [random.uniform(0, 100) for i in t] #随机生成0～100之间的数 
y = [random.uniform(0, 100) for i in t] #随机生成0～100之间的数 

其次，创建画布。

plt.figure(figsize=(16,10), dpi=80)

再次，绘制图像。

plt.scatter(x, y)

最后，显示图像。

plt.show()

综合起来：

import random
import matplotlib.pyplot as plt
%matplotlib inline

t = range(50)
x = [random.uniform(0, 100) for i in t] #随机生成0～100之间的数 
y = [random.uniform(0, 100) for i in t] #随机生成0～100之间的数 
plt.figure(figsize=(16,10), dpi=80)
plt.scatter(x, y)
plt.show()

这里只是简单介绍一下散点图的绘制，上面在折线图的绘制中讲解的改进操作同样可以运用到散点图中。

6、柱状图($bar$)
柱状图的核心则是 bar() 函数。下面直接开始绘制。
首先，准备数据，这次我们来点儿情景。

names = ['Mike', 'John', 'Marry', 'Tom']
ages = [44, 23, 18, 100]

其次，创建画布。

plt.figure(figsize=(16,10), dpi=80)

再次，绘制图像，这次我们需要看一下 bar() 函数的原型：

matplotlib.pyplot.bar(x, y, width, align='center', **kwargs)

x和y没什么好讲的，就是我们的核心数据，width则是用来指定柱状图的宽度，align是位置，通常我们用默认值就可以了（还有’edge’），**kwargs继续不讲（设置颜色啥的）。

plt.bar(range(len(names)), ages)

最后，显示图像。

plt.show()

综合起来：

import random
import matplotlib.pyplot as plt
%matplotlib inline

names = ['Mike', 'John', 'Marry', 'Tom']
ages = [44, 23, 18, 100]
plt.figure(figsize=(16,10), dpi=80)
plt.bar(range(len(names)), ages)
plt.show()

不对呀，我的字符串横坐标呢？实际上，我们无法直接传入字符串作为核心数据进行绘图，但是我们可以修改x刻度呀。

import random
import matplotlib.pyplot as plt
%matplotlib inline

names = ['Mike', 'John', 'Marry', 'Tom']
ages = [44, 23, 18, 100]
plt.figure(figsize=(16,10), dpi=80)
plt.bar(range(len(names)), ages)
plt.xticks(range(len(names)), names)
plt.show()

OK，就是柱状图颜色太丑了趴，改！

import random
import matplotlib.pyplot as plt
%matplotlib inline

names = ['Mike', 'John', 'Marry', 'Tom']
ages = [44, 23, 18, 100]
colors = ['orangered', 'y', 'g', 'r']
plt.figure(figsize=(16,10), dpi=80)
plt.bar(range(len(names)), ages, color=colors)
plt.xticks(range(len(names)), names)
plt.show()

顺眼了一些，如果还有什么自定义效果想要实现，同样参照折线图板块中介绍的各种操作。但是，有时候面对同一对象，我们有多个数据想要体现，又想画在同一张柱状图中，该如何实现呢？
首先，准备数据。

names = ['Mike', 'John', 'Marry', 'Tom']
ages = [44, 23, 18, 100]
scores = [100, 88, 97, 76]

其次，创建画布。

plt.figure(figsize=(16,10), dpi=80)

再次，绘制新版柱状图。

x = range(len(names))
plt.bar(x, ages, width=0.1, labels='age', c='y')
plt.bar([i+0.1 for i in x], scores, width=0.1, labels='score', c='orangered')
plt.xticks([i+0.05 for i in x], names) #这里同样注意位置，否则不美观
plt.legend() #别忘了将图例显示出来

这里注意一定要控制住状图的宽度和位置，否则很容易出现覆盖的情况。
最后，显示图像。

plt.show()

综合起来：

import random
import matplotlib.pyplot as plt
%matplotlib inline

names = ['Mike', 'John', 'Marry', 'Tom']
ages = [44, 23, 18, 100]
scores = [100, 88, 97, 76]
plt.figure(figsize=(16,10), dpi=80)
x = range(len(names))
plt.bar(x, ages, width=0.2, color='y', label='age')
plt.bar([i+0.2 for i in x], scores, width=0.2, color='orangered', label='score')
plt.xticks([i+0.1 for i in x], names) #这里同样注意位置，否则不美观
plt.legend() #别忘了将图例显示出来
plt.show()

7、直方图($histogram$)
直方图的核心是 hist() 函数。直方图的外表和柱状图比较相似，但是柱状图通常是为了比较，而直方图则往往显示数据分布。如果使用过直方图，大家应该知道组数（统计数据时，将数据按一定标准分为不同的数据组）和组距（每一组两个端点的差）是直方图中很重要的两项指标。两者需要在图像中很好的体现出来，例如直方图中柱子的宽度是有意义的。下面来看例子：
首先，准备数据。

t = range(200)
x = [random.uniform(0, 200) for i in t] #随机生成200个0～200之间的数 

其次，创建画布。

plt.figure(figsize=(16,10), dpi=80)

再次，绘制图形，先来看一下 hist() 函数的原型：

matplotlib.pyplot.hist(x, bins=None, normed=False) # 还有许多个有默认值的形参，这里先不列举了，大家可以去官网上查阅

我们主要关注前两个就行了，x是数据列表，bins则是刚刚提到的组数，这里提一下求解组数的公式：极差/组距，即$(\max (x)-\min (x))/$组距，最后，别忘了组数是整数。normed是一个bool，指示是否显示频率，这里不使用。

dis = 4 # 组距是自定义的，根据需要来即可
b = int((max(x) - min(x)) / dis)
plt.hist(x, bins=b)

最后，显示图像。

plt.show()

综合起来：

import random
import matplotlib.pyplot as plt
%matplotlib inline

t = range(200)
x = [random.randint(0, 200) for i in t] #随机生成200个0～200之间的数 
plt.figure(figsize=(16,10), dpi=80)
dis = 5 # 组距是自定义的，根据需要来即可
b = int((max(x) - min(x)) / dis)
plt.hist(x, bins=b)
plt.show()

实话实说，很丑，而且很多信息也没有显示出来，下面继续改进。
我们先来修改x轴刻度。

import random
import matplotlib.pyplot as plt
%matplotlib inline

t = range(200)
x = [random.randint(0, 200) for i in t] #随机生成200个0～200之间的数 
plt.figure(figsize=(16,10), dpi=80)
dis = 5 # 组距是自定义的，根据需要来即可
b = int((max(x) - min(x)) / dis)
plt.hist(x, bins=b)
plt.xticks(range(min(x), max(x)+2, dis))
plt.show()

图像不一样很正常，因为数字是随机生成的，主要看效果。还有其他自定义要求，同样结合上述知识自行实现。

8、饼图($pie$)
饼图的核心就是 pie() 函数：

matplotlib.pyplot(x, labels=, autopct=, colors=)

x：数据，函数会将其自动转换为百分比
labels：每一块的名称
autopct：指定如何显示占比格式
colors：每一块的颜色
下面我们来绘制一下简单的饼图：
首先，准备数据。

names = ['Mike', 'John', 'Marry', 'Tom']
scores = [100, 88, 97, 76]

其次，创建画布。

plt.figure(figsize=(16,10), dpi=80)

再次，绘制图像。

plt.pie(scores, labels=names, colors=['orangered', 'y', 'g', 'r'], autopct='%1.2f')

最后，显示图像。

plt.show()

综合起来：

import random
import matplotlib.pyplot as plt
%matplotlib inline

names = ['Mike', 'John', 'Marry', 'Tom']
scores = [100, 88, 97, 76]
plt.figure(figsize=(16,10), dpi=80)
plt.pie(scores, labels=names, colors=['orangered', 'y', 'g', 'r'], autopct='%1.2f') #显示小数点后两位，可以自定义格式
plt.legend()
plt.show()

9、总结与补充
这篇博客写了很长时间，所以内容有一点混乱，写得时候也有一些细节没有考虑到。因此，最后决定写一个总结来做一个回顾。
a. matplotlib库
开头只说了matplotlib库是专门用于开发2D图表（包括3D图表）的Python库，以及能够用来绘制许多图形，这里，再补充几点它的优越性：
$\cdot$ 方便快捷，因为封装了许多的绘图函数，了解一下api就可以直接用
$\cdot$ 以渐进、交互式方式实现数据可视化
$\cdot$ 对图像元素控制力较强
$\cdot$ 可输出PNG、PDF、SVG和EPS等多种格式
matplotlib库的设计初衷就是尽可能贴近matlab的绘图环境，在这个方面，matplotlib做得很出色，但这并不意味着这个库能够独立完成这个任务。实际上，我们往往要结合其他的Python库，例如NumPy、pandas等，只有这样，才能做到真正的分析数据并可视化。

b. Jupiter Notebook
Jupyter Notebook是一款非常强大的Python开发工具，因为它的互动性非常强，而且经过相当一段时间的发展与升级，这个工具的功能也更加全面、强大。

c. matplotlib架构
从逻辑上来讲，matplotlib的整体架构主要分为3层，每一层之间是单向通信的，即每一层只能和它的下一层通信，下层是无法和上层进行通信的。
$\cdot$ $Scripting$（脚本）层
数据分析和可视化主要还是依据该层，因为它包含了pyplot接口，学习了上述内容，相信大家都应该知道它的强大功能。

$\cdot$ $Artist$（表现）层
该层位于中间层，图形中所有的可视化元素，都属于Artist对象，标题、轴标签、刻度等元素都是Artist对象的实例。例如，下图就是利用matplotlib绘制出来的图像：

我们来简单地看一下它们的层级关系。
$1.Figure\leftarrow 2.Axes\{\begin{array}{l}3.Title\\ \\ 4.Legend\\ \\ 5.Y-axis\{\begin{array}{l}Y-ticks\\ \\ Y-label\end{array}\\ \\ 6.X-axis\{\begin{array}{l}X-ticks\\ \\ X-label\end{array}\\ \\ 7.Line2D\end{array}$
在Artist层，通常需要处理Figure、Axes和Axis等位于高层级的对象，这时一张图表的基础，没有它们，我们是没有办法进行下一步的绘制的。
$(1)$ $Figure$对象在Artist层的最上面，也是前面提到的画布层
$(2)$ $Axes$对象的作用是表示图形或图表是对什么内容进行作图的。标题、$x$轴标签、$y$轴标签等对象都属于Axes对象
$(3)$ $Axis$对象的作用是展示在Axes对象上面的数值，定义数值范围，管理刻度和刻度纸标签。刻度的位置通常用Locator对象调整，刻度标签的格式通常用Formatter对象设置

$\cdot$ $Backend$（后端）层
该层位于最底层，matplotlib API就位于该层，它们主要是用来在底层实现图形元素的类，例如：
$(1)$ $FigureCanvas$对象实现了绘图区域
$(2)$ $Renderer$对象实现了在FigureCanvas上绘制图像
$(3)$ $Event$对象处理用户的输入事件（键盘和鼠标）

d. $pyplot$模块
pyplot模块由一组命令式函数组成，它们都是运用于图像绘制的。因此，在导入该模块之后，我们就可以直接调用它内置的各个函数操作或改动Figure对象，例如，创建画布和绘图区域，绘制图表，添加图表说明信息等。此外，我们要注意一点，pyplot具有状态性特征，它能跟踪当前图形和绘图区域的状态，因此在调用pyplot的内置函数时，函数只作用在当前图形上。

e. 常用$pyplot$函数
如果我们不指定图表样式，matplotlib使用pyplot内置函数绘图时，会直接采用默认设置：
$\cdot$ 轴长与输入数据范围一致
$\cdot$ 无标题和轴标签
$\cdot$ 无图例
$\cdot$图表颜色为蓝色
因此，如果我们想要将图表绘制得更加美观，往往需要下列一些常用函数的帮助（个人常用的），这里主要给出一系列绘图函数和设置函数的api讲解，由于**kwargs通常都是用来设置颜色、透明度之类的，有必要的话会拎出来说（如果出现没列出来的形参），但是想要详细了解的话，建议官网查找资料，因为真的很多。
$(1)$ 绘制箭头

matplotlib.pyplot.arrow(x, y, dx, dy, **kwargs)

x，y：箭头起始点的坐标(x, y)（float）
dx，dy：箭头沿x和y方向的长度（float）
width：箭头尾部的宽度（ float，default: 0.001）
shape: [‘full’, ‘left’, ‘right’] 箭头头部的形状（default: ‘full’）

$(2)$ 绘制柱状图

matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs

x：x轴数据，通常是类别
height：高度数据
width：柱状图的宽度，缺省为0.8
bottom：官网并没有太多的说明，由于是可选的，我平时一般也不用，感兴趣的可以自己做实验试一下功能
align : {‘center’, ‘edge’}，可选的，缺省为: ‘center’
‘center’：居中
‘edge’：左对齐
如果想实现右对齐，则设置宽度为负，并传入align=‘edge’
color：柱状图颜色
edgecolor：柱状图边缘色
linewidth：柱状图描边的边宽
tick_label：柱状图的刻度标签

$(3)$ 绘制网格

matplotlib.pyplot.grid(b=None, which='major', axis='both', **kwargs)

b : bool or None, 用来指定是否显示表格
which : {‘major’, ‘minor’, ‘both’},，参数变化作用在网格线上，缺省为’major’，一般来说直接用缺省值即可
axis : {‘both’, ‘x’, ‘y’}，字面意思，缺省为’major’（x轴、y轴都显示）
color：定义网格线的颜色属性
linewidth：定义网格线的线宽属性
linestyle：定义网格线的格式属性，一般可选项在上文提到过了，这里就不赘述了

$(4)$ 绘制直方图

matplotlib.pyplot.hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, *, data=None, **kwargs)

x：输入值，可以是单个数组，也可以是数组序列（不要求长度相同）
bins：组数，一般都是自定义的，根据需要计算出来，再传入即可
range : tuple（元组） or None, 可选，是bins的上界和下界。如果未提供，范围自动生成 (x.min(), x.max())。
weights :直方图图中的组宽
align : {‘left’, ‘mid’, ‘right’}，直方图对齐格式，缺省为’mid’居中
color：设置颜色
orientation : {‘horizontal’, ‘vertical’}，字面意思，缺省为竖直显示
histtype : {‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}，设置直方图的类型，缺省为’bar’：
‘bar’：传统的条形直方图。 如果给出多个数据，则条形图并排排列
‘barstacked’：一种条形直方图，其中多个数据相互堆叠。
‘step’：生成默认情况下未填充的线图
‘stepfilled’：生成默认情况下已填充的线图
直方图的形参非常多，但是大多都不用掌握，或者说是我个人使用频率不高，感兴趣的可以查阅资料，再实操感受一下

$(5)$ 显示图例

matplotlib.pyplot.legend(*args, **kwargs)

一般有三种调用方式：

1. legend()
   使用这条命令的前提，是我们在绘制图像的同时，已经传入了参数’label=’，那么我们调用函数legend()是为了将图例显示出来
2. legend(labels)
   这种方法不介绍，容易混淆，我个人也从来不用
3. legend(handles, labels)
   handles：我们需要绘制图例的图像
   labels：图像图例，与上面的handles对应好，两者一般都采用列表格式传入，所以做好一一对应很重要
   loc：图例显示位置，上面已经提到过了，这里也不赘述
   ncol：图例显示的列数，缺省为1
   title：图例的标题，可以传入字符串作为标题，缺省为’None’

$(6)$ 绘制饼图

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None

x：数据列表，一般是比重，但是可以直接传入数据，python会自动计算权值
explode：与数据列表对应的列表，是每一块与中心的距离，缺省为’None’，可以理解为0，调整这个值，可以体现出某块或某几块“突出来”的效果
labels：与数据列表对应的列表，为每一块设置标签
colors：与数据列表对应的列表，为每一块设置颜色
autopct ：设置比重显示的数据格式，上面提到过
radius：饼图总半径，float，缺省为1.0

$(7)$ 绘制折线

matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None, **kwargs)

x, y：数据的横、纵坐标列表
之所以是*args，是因为可以混着传入数据，但是一般我不会这么操作，因为担心会搞混
color or c：设置折线颜色
label：设置折线标签
linestyle or ls：{’-’, ‘–’, ‘-.’, ‘:’, ‘’, (offset, on-off-seq), …}，设置折线格式，上面提到过
linewidth：设置折线线宽
实际上折线有很多更高级的用法，但是由于形参玩不溜，所以我都不太会。

$(8)$ 保存图片

matplotlib.pyplot.savefig(*args, **kwargs)

fname：存储路径与格式
dpi：图片分辨率
format：文件格式，实际上可以利用参数fname直接设置，一步到位

$(9)$ 绘制散点图

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)

x, y：两个列表，两者一一对应，组合起来构成三点的坐标集合
s：散点的大小
c：散点颜色，可以传入列表，也可以结合cmap绘制渐变色
marker：散点的样式，‘o’, ‘v’, ‘^’, ‘<’, ‘>’, ‘8’, ‘s’, ‘p’, ‘*’, ‘h’, ‘H’, ‘D’, ‘d’, ‘P’, ‘X’，这里给出常用的样式，可以自行挑选
linewidths：每一个散点周围是有框的，这个参数可以调整线宽
edgecolors : {‘face’, ‘none’, None}，散点边界的颜色，缺省为’face’，表示和填充色相同

$(10)$ 显示图像

matplotlib.pyplot.show(*args, **kw)

没什么好说的，最后再加上这条命令，它会释放所有的绘图元素，也就是说，如果在这条命令之后执行保存图片，图片是空的。一般不需要传参。

$(11)$ 多坐标系

matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)
我个人一般用：plt.subplot(nrows=a, ncols=b, **kwargs) # 绘图区a行b列

这个还可以调整figsize和dpi，上文提到过，实际上这个函数还有许多的默认值参数，但是，多坐标系的内容非常复杂，因为还涉及到创建之后的绘图问题，因此本篇文章就简单说一下上文的内容，不多作补充，有机会再写一篇单独的博客。

$(12)$ 设置图像标题

matplotlib.pyplot.title(label, fontdict=None, loc='center', pad=None, **kwargs)

label：图像标题
loc : {‘center’, ‘left’, ‘right’}，标题位置

$(13)$ 设置x、y轴标签

matplotlib.pyplot.xlabel(xlabel, fontdict=None, labelpad=None, **kwargs)
matplotlib.pyplot.ylabel(ylabel, fontdict=None, labelpad=None, **kwargs)

xlabel，ylabel：标签名

$(14)$ 设置x、y轴范围

matplotlib.pyplot.xlim(*args, **kwargs)
matplotlib.pyplot.ylim(*args, **kwargs)

直接传入范围元组

$(15)$ 设置刻度

matplotlib.pyplot.xticks(ticks=None, labels=None, **kwargs)
matplotlib.pyplot.yticks(ticks=None, labels=None, **kwargs)

ticks：当前刻度的位置
labels：与ticks配套使用，将指定位置的刻度替换为指定标签

上述内容就是针对matplotlib的简单了解，首先说一声抱歉，这篇博客写得时间比较长，所以思路有一点混乱。另外，matplotlib库十分强大，这导致它的内容非常繁多，这里仅仅介绍了一丢丢知识，如果需要深入学习，还是建议参考官网文档。如有错误，欢迎指正。