数据可视化笔记 Task1 - 走进Matplotlib

Matplotlib是用于Python绘图的一个第三方开源库，其官网[2]上这样描述：Matplotlib是一个Python可视化库，用于实现静态、动画以及交互式可视化。Matplotlib使简单的东西更简单，使困难的东西变得可能。Python现有的大多数第三方库都基于Matplotlib，例如Pandas的绘图模块。这次笔记预计实现几个Matplotlib绘图模板，首先对Matplotlib进行大体了解。

绘制基本函数图-指数函数

# 导入模块
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-5, 5)  # 设置横坐标
y = np.exp(x)  # 设置纵坐标及函数

fig, ax = plt.subplots()  # 创建包含一个坐标系的图
ax.plot(x, y)  # 绘制图形
plt.show()  # 显示图片

Figure的组成&函数解释[3]

官网上给出的一个Matplotlib Figure的结构图如下：

 这里对上一小节的实例进行注解：

Figure：保存整张图。包含所有元素——子axes、标题、图例、色块、嵌套子图等。举个栗子：

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

plt.figure()函数参数如下（点击函数可看源API）：

plt.figure(
    num=None,  # 图ID，若该ID已存在，则返回；若不存在，则创建。（int/str/figure类型，可选参数）

    figsize=None,  # 宽高（单位：英寸）。（(float, float)类型，默认[6.4, 4.8]）

    dpi=None,  # 图形分辨率（单位：点/英寸）。（float类型，默认100.0）

    facecolor=None,  # 背景色。（color类型，默认white）

    edgecolor=None,  # 边界颜色。（color类型，默认white）

    frameon=True,  # 图形框架。（bool类型，默认True绘制）
    
    FigureClass=<class 'matplotlib.figure.Figure'>,

    clear=False,  # 清除图。（bool类型，默认False）

    **kwargs
)

plt.subplots()函数创建一张图及一组子图，很实用。参数如下：

​plt.subplots(

    nrows=1, ncols=1,  # 子图网格的行/列数（int类型，默认1）

    *, 

    sharex=False, sharey=False,  # 控制沿某坐标轴相关属性的共享。（bool/ {'none', 'all', 
                                   'row', 'col'}类型，默认False）

    squeeze=True,  # 控制返回维度。（bool类型，默认True）

    subplot_kw=None, gridspec_kw=None, **fig_kw

)

Axes：是一个附着于一个Figure的Artist，包含一个绘图区域、两个坐标轴axis对象（3D中3个）、一个标题（title可设置set_title()）、一个x轴标签（set_xlabel()设置）、一个y轴标签（set_ylabel()设置）。

Axis：设置坐标刻度、刻度范围、刻度标签、轴标签，刻度位置可Locator对象确定，刻度标签可由Formatter对象格式化。Axis是及其成员函数是大多数OOP接口的主要入口点，其上定义了许多绘图方法。

Artist：这个概念可以说是matplotlib的基本概念。Figure中的任何可视部件都是artist（包括Figure、Axes、Axis对象都是artist），图在渲染时所有artist都将绘制到画布上。

两种绘图接口

matplotlib提供了两种最常用的绘图接口，一种面向对象（OO模式），一种依赖pyplot自动创建figure和axes以及绘图。

OO模式（object-oriented style）实例：

# 面向对象方法
x = np.linspace(0, 3, 100)

fig, ax = plt.subplots()  
ax.plot(x, x, label='linear')  
ax.plot(x, x ** 3, label='cubic')  
ax.plot(x, np.exp(x), label='exponential')  
ax.set_xlabel('x label') 
ax.set_ylabel('y label') 
ax.set_title("Simple Plot")  
ax.legend() 

依赖pyplot创建实例：

# 自动创建方法
x = np.linspace(0, 3, 100)

plt.plot(x, x, label='linear') 
plt.plot(x, x ** 3, label='cubic') 
plt.plot(x, np.exp(x), label='exponential')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()

这两个简单例子结果相同，看起来好像第二种代码更简介一些（少了生成figure和axes的步骤），事实并非如此[4]：

第一种方法同时生成figure（实际上是一张画布）和axes（画布上的一片作图区域），并使用axes对象在其区域内作图；

第二种方法首先生成一张画布，然后通过pyplot隐式地生成作图区域（也生成了，但是不直观体现在代码中）作图。

 因为上面两个例子都很简单，不需要过多的操作，因此二者效果相同；事实上，如果要对多个子图中的多个部件参数进行设置，用第二种会很麻烦，而第一种就是面向对象思维，对开发者更友好。

Matplotlib绘图模板

这里先使用Datawhale项目[1]中的模板，待学完所有任务再创建自己的模板。

# 来源[1]
# step1 准备数据
x = np.linspace(0, 2, 100)
y = x**2

# step2 设置绘图样式，这一模块的扩展参考第五章进一步学习，这一步不是必须的，样式也可以在绘制图像是进行设置
mpl.rc('lines', linewidth=4, linestyle='-.')

# step3 定义布局， 这一模块的扩展参考第三章进一步学习
fig, ax = plt.subplots()  

# step4 绘制图像， 这一模块的扩展参考第二章进一步学习
ax.plot(x, y, label='linear')  

# step5 添加标签，文字和图例，这一模块的扩展参考第四章进一步学习
ax.set_xlabel('x label') 
ax.set_ylabel('y label') 
ax.set_title("Simple Plot")  
ax.legend() 

参考资料

[1] Datawhale数据可视化开源小组. Fantastic-Matplotlib, 第一回：Matplotlib初相识. 2022.01

[2] Matplotlib官网

[3] Matplotlib - Basic Usage

[4] CSDN博客：Matplotlib中的plt和ax都是啥？