Matplotlib 简明教程
Matplotlib - Introduction
Matplotlib 是用于数据可视化的最流行的 Python 包之一。它是一个跨平台库，用于根据数组中的数据进行 2D 绘图。Matplotlib 用 Python 编写，并使用 NumPy，即 Python 的数值数学扩展。它提供了一个面向对象 API，有助于使用 Python GUI 工具包（如 PyQt、WxPython 和 Tkinter）将绘图嵌入到应用程序中。它还可以用于 Python 和 IPython shell、Jupyter notebook 和 Web 应用程序服务器。
Matplotlib 有一个名为 Pylab 的过程接口，其设计是模仿 MATLAB（一种由 MathWorks 开发的专有编程语言）。Matplotlib 结合 NumPy 可以被视为 MATLAB 的开源等效项。
Matplotlib 最初由 John D. Hunter 于 2003 年编写。当前稳定版本是 2018 年 1 月发布的 2.2.0 版本。
Matplotlib - Environment Setup
Matplotlib 及其依赖包在标准 Python 包存储库中以 wheels 包的形式提供，并且可以使用 pip 包管理器在 Windows、Linux 以及 MacOS 系统中进行安装。
pip3 install matplotlib如果所有用户都未安装 Python 2.7 或 3.4 版本，则需要安装 Microsoft Visual C 2008（64 位或 32 位（用于 Python 2.7））或 Microsoft Visual C 2010（64 位或 32 位（用于 Python 3.4））可再发行包。
如果你在 Mac 上使用 Python 2.7，请执行以下命令 −
xcode-select –install执行上述命令时，可能会编译一个依赖项 subprocess32。
对于非常古老的 Linux 和 Python 2.7 版本，你可能需要安装 subprocess32 的主版本。
Matplotlib 要求大量依赖项 −
-
Python (>= 2.7 或 >= 3.4)
-
NumPy
-
setuptools
-
dateutil
-
pyparsing
-
libpng
-
pytz
-
FreeType
-
cycler
-
six
或者，你还可以安装多个程序包以启用更好的用户界面工具包。
-
tk
-
PyQt4
-
PyQt5
-
pygtk
-
wxpython
-
pycairo
-
Tornado
为了更好地支持动画输出格式和图像文件格式，LaTeX 等，你可以安装下列内容 −
-
_mpeg/avconv
-
ImageMagick
-
Pillow (>=2.0)
-
LaTeX 和 GhostScript（用于使用 LaTeX 呈现文本）。
-
LaTeX 和 GhostScript（用于使用 LaTeX 呈现文本）。
Matplotlib - Anaconda distribution
Anaconda 是针对数据处理、预测性分析和科学计算而设计的 Python 和 R 编程语言的免费开源发行版。该发行版使包管理和部署变得非常简单轻松。Matplotlib 和许多其他有用的（数据）科学工具构成了该发行版的一部分。包版本由包管理系统 Conda 进行管理。Anaconda 的优点是可以使用 Anaconda 的 Conda（一个包、依赖和环境管理器）轻松安装超过 720 个包。
可以在 https://www.anaconda.com/download/. 处下载 Anaconda 发行版以进行安装。对于在 Windows 中进行安装，有 32 位和 64 位二进制文件可用−
安装是一个非常简单的基于向导的过程。可以选择将 Anaconda 添加至 PATH 变量或将 Anaconda 注册为默认 Python。
对于在 Linux 中进行安装，请从下载页面下载 32 位和 64 位安装程序 −
现在，从 Linux 终端运行以下命令 −
$ bash Anaconda3-5.0.1-Linux-x86_64.shCanopy 和 ActiveState 是 Windows、macOS 和 Linux 常用平台的最佳选择。Windows 用户可以在 WinPython 中找到一项选项。
Matplotlib - Jupyter Notebook
Jupyter 是一个宽松的缩写，表示 Julia、Python 和 R。这些编程语言是 Jupyter 应用程序最初的目标语言，但如今该 Jupyter 技术还支持其他许多语言。
2001 年，费尔南多·佩雷斯开始开发 IPython。 IPython 是一个用于在多种编程语言中进行交互计算的命令外壳，最初是为 Python 开发的。
考虑 IPython 提供的以下功能−
-
交互外壳（基于终端和 Qt）。
-
基于浏览器的笔记本，支持代码、文本、数学表达式、内嵌图形和其他媒体。
-
交互数据可视化和 GUI 工具包使用支持。
-
灵活的可嵌入解释器，可以加载到自己的项目中。
2014 年，Fernando Pérez 宣布了 IPython 的一个衍生项目，名为 Project Jupyter。IPython 将继续作为 Python shell 和 Jupyter 的内核存在，而笔记本和其他与语言无关的 IPython 部分将移至 Jupyter 名称下。Jupyter 为 Julia、R、Haskell 和 Ruby 添加了支持。
要启动 Jupyter notebook，请打开 Anaconda navigator（Anaconda 中包含的一个桌面图形用户界面，允许你在不用命令行命令的情况下启动应用程序和轻松管理 Conda 包、环境和通道）。
Navigator 显示发行版中已安装的组件。
从 Navigator 启动 Jupyter Notebook −
你将在以下地址的 Web 浏览器中看到打开的应用程序 - http://localhost:8888.
你可能首先需要制作一个新笔记本。你可以轻松地单击“文件”选项卡中的“新建按钮”来做到这一点。你会看到，你可以选择制作常规文本文件、文件夹和终端。最后，你还会看到制作 Python 3 笔记本的选项。
Matplotlib - Pyplot API
带有 *.ipynb*扩展名的无标题新笔记本（代表 IPython 笔记本）显示在浏览器的新的选项卡中。
matplotlib.pyplot 是一系列命令式函数，让 Matplotlib 能够像 MATLAB 一样工作。每个 Pyplot 函数都会对图形进行一些更改。例如，一个函数创建图形、图形中的绘图区域、在绘图区域中绘制一些线条、用标签装饰图形等。
Types of Plots
Sr.No |
Function & Description |
1 |
Bar Make a bar plot. |
2 |
Barh 制作水平条形图。 |
3 |
Boxplot 制作箱线图。 |
4 |
Hist Plot a histogram. |
5 |
hist2d 制作 2D 直方图。 |
6 |
Pie Plot a pie chart. |
7 |
Plot 向轴中绘制线和/或标记。 |
8 |
Polar Make a polar plot.. |
9 |
Scatter 绘制 x 与 y 的散点图。 |
10 |
Stackplot 绘制堆叠面积图。 |
11 |
Stem Create a stem plot. |
12 |
Step Make a step plot. |
13 |
Quiver 绘制 2D 箭头字段。 |
Image Functions
Sr.No |
Function & Description |
1 |
Imread 将文件中的图像读入阵列。 |
2 |
Imsave 将阵列另存为图像文件。 |
3 |
Imshow 在轴上显示图像。 |
Matplotlib - Simple Plot
在本章中，我们将学习如何使用 Matplotlib 创建一个简单的绘图。
我们现在将使用 Matplotlib 显示一个简单的弧度角对正弦值的折线图。首先，按照惯例，使用别名 plt 导入 Matplotlib 包中的 Pyplot 模块。
import matplotlib.pyplot as plt接下来，我们需要一个要绘制的数字数组。可以在使用 np 别名导入的 NumPy 库中定义各种数组函数。
import numpy as np我们现在使用 NumPy 库的 arange() 函数获取 0 到 2π 之间的角度的 ndarray 对象。
x = np.arange(0, math.pi*2, 0.05)ndarray 对象用作图形的 x 轴上的值。通过以下语句获取要在 y 轴上显示的对应的 x 角度的正弦值：
y = np.sin(x)使用 plot() 函数绘制来自两个数组的值。
plt.plot(x,y)您可以设置绘图标题以及 x 和 y 轴的标签。
You can set the plot title, and labels for x and y axes.
plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')Plot 查看器窗口由 show() 函数调用：
plt.show()完整程序如下 −
from matplotlib import pyplot as plt
import numpy as np
import math #needed for definition of pi
x = np.arange(0, math.pi*2, 0.05)
y = np.sin(x)
plt.plot(x,y)
plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')
plt.show()当执行上述代码行时，将显示以下图形：
现在，将 Jupyter 笔记本与 Matplotlib 一起使用。
如前所述，从 Anaconda navigator 或命令行启动 Jupyter notebook。在输入单元格中，输入 Pyplot 和 NumPy 的导入语句−
from matplotlib import pyplot as plt
import numpy as np要在 notebook 本身中显示绘图输出（而不是在单独查看器中显示），输入以下魔法语句−
%matplotlib inline获取 x 为包含 0 到 2π 之间弧度的 ndarray 对象，并获取 y 为每个角度的正弦值−
import math
x = np.arange(0, math.pi*2, 0.05)
y = np.sin(x)设置 x 和 y 轴的标签以及绘图标题−
plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')最后执行 plot() 函数在 notebook 中生成正弦波显示（无需运行 show() 函数）−
plt.plot(x,y)执行代码的最后一行后，将显示以下输出−
Matplotlib - PyLab module
PyLab 是面向 Matplotlib 面向对象绘图库的过程化界面。Matplotlib 是整个包；matplotlib.pyplot 是 Matplotlib 中的一个模块；PyLab 与 Matplotlib 一起安装的一个模块。
PyLab 是一个方便的模块，它以单个名称空间大量导入 matplotlib.pyplot（用于绘图）和 NumPy（用于数学和处理数组）。尽管许多示例使用 PyLab，但不再建议使用。
Basic Plotting
可以使用 plot 命令对曲线进行绘制。它采用一对等长数组（或序列）-
from numpy import *
from pylab import *
x = linspace(-3, 3, 30)
y = x**2
plot(x, y)
show()上述代码行生成以下输出 -
要绘制符号而非线条，请提供一个附加的字符串参数。
symbols |
- , –, -., , . , , , o , ^ , v , < , > , s , + , x , D , d , 1 , 2 , 3 , 4 , h , H , p , |
, _ |
现在，考虑执行以下代码 -
from pylab import *
x = linspace(-3, 3, 30)
y = x**2
plot(x, y, 'r.')
show()它以红色圆点形式显示图，如下所示-
可以叠加绘图。只需使用多个绘图命令。使用 clf() 清除绘图。
from pylab import *
plot(x, sin(x))
plot(x, cos(x), 'r-')
plot(x, -sin(x), 'g--')
show()上述代码行生成以下输出 -
Matplotlib - Object-oriented Interface
虽然可以快速使用 matplotlib.pyplot 模块生成绘图，但建议使用面向对象的方法，因为它可以更多地控制和自定义绘图。大多数函数也在 matplotlib.axes.Axes 类中提供。
使用更正式的面向对象方法的主要思想是创建图对象，然后只需调出该对象的方法或属性。此方法有助于更好地处理其上有多个绘图的画布。
在面向对象接口中，Pyplot 仅用于一些函数，例如图形创建，并且用户显式创建图形和轴对象并对其进行跟踪。在此级别，用户使用 Pyplot 创建图形，并且可以通过这些图形创建一或多个轴对象。然后，这些轴对象用于大多数绘图操作。
首先，我们创建一个 figure 实例，该实例提供一个空画布。
fig = plt.figure()现在将轴添加到图形中。 add_axes() 方法需要一个包含 4 个元素的列表对象，这些元素分别对应于图形的左、下、宽和高。每个数字必须介于 0 和 1 之间−
ax=fig.add_axes([0,0,1,1])设置 x 和 y 轴的标签以及标题−
ax.set_title("sine wave")
ax.set_xlabel('angle')
ax.set_ylabel('sine')调用轴对象的 plot() 方法。
ax.plot(x,y)如果你正在使用 Jupyter notebook，则必须发出 %matplotlib inline 指令；pyplot 模块的 otherwistshow() 函数将显示绘图。
考虑执行以下代码−
from matplotlib import pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
y = np.sin(x)
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.plot(x,y)
ax.set_title("sine wave")
ax.set_xlabel('angle')
ax.set_ylabel('sine')
plt.show()
Matplotlib - Figure Class
matplotlib.figure 模块包含 Figure 类。它是所有绘图元素的顶级容器。通过从 pyplot 模块调用 figure() 函数来实例化 Figure 对象−
fig = plt.figure()下表显示了附加参数−
Figsize |
(width,height) tuple in inches |
Dpi |
Dots per inches |
Facecolor |
Figure patch facecolor |
Edgecolor |
Figure patch edge color |
Linewidth |
Edge line width |
Matplotlib - Axes Class
轴对象是带有数据空间的图像区域。给定的图形可以包含多个轴对象，但给定的轴对象只能在一个图形中。轴对象包含两个（或 3D 情况下的三个）轴对象。轴类及其成员函数是使用 OO 接口的主要入口。
通过调用add_axes()方法，将Axes对象添加到图形。它返回Axes对象，并以rect [left, bottom, width, height]位置添加一个Axes，其中所有数量都是以图形宽度和高度的几分之一表示的。
Parameter
以下是Axes类的参数：
-
rect - [left, bottom, width, height]数量的一个4长度序列。
ax=fig.add_axes([0,0,1,1])Axes类的以下成员函数向绘图中添加了不同的元素：
Legend
Axes类的 legend() 方法向绘图中添加一个图例。它需要三个参数：
ax.legend(handles, labels, loc)其中labels是字符串序列并且处理Line2D或Patch实例的序列。loc可以是指定图例位置的字符串或整数。
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 |
Color codes
Character |
Color |
‘b’ |
Blue |
‘g’ |
Green |
‘r’ |
Red |
‘b’ |
Blue |
‘c’ |
Cyan |
‘m’ |
Magenta |
‘y’ |
Yellow |
‘k’ |
Black |
‘b’ |
Blue |
‘w’ |
White |
Marker codes
Character |
Description |
‘.’ |
Point marker |
‘o’ |
Circle marker |
‘x’ |
X marker |
‘D’ |
Diamond marker |
‘H’ |
Hexagon marker |
‘s’ |
Square marker |
‘+’ |
Plus marker |
Line styles
Character |
Description |
‘-‘ |
Solid line |
‘—‘ |
Dashed line |
‘-.’ |
Dash-dot line |
‘:’ |
Dotted line |
‘H’ |
Hexagon marker |
以下示例以折线图的形式显示了电视和智能手机的广告费用和销售数据。表示电视的线是实线，黄色，有方块标记，而智能手机线是虚线，绿色，有圆形标记。
import matplotlib.pyplot as plt
y = [1, 4, 9, 16, 25,36,49, 64]
x1 = [1, 16, 30, 42,55, 68, 77,88]
x2 = [1,6,12,18,28, 40, 52, 65]
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
l1 = ax.plot(x1,y,'ys-') # solid line with yellow colour and square marker
l2 = ax.plot(x2,y,'go--') # dash line with green colour and circle marker
ax.legend(labels = ('tv', 'Smartphone'), loc = 'lower right') # legend placed at lower right
ax.set_title("Advertisement effect on sales")
ax.set_xlabel('medium')
ax.set_ylabel('sales')
plt.show()当执行上述代码行时，它产生以下绘图：
Matplotlib - Multiplots
在本章中，我们将学习如何在同一画布上创建多个子图。
subplot() 函数返回给定网格位置处的Axes对象。此函数的调用签名为：
plt.subplot(subplot(nrows, ncols, index)在当前图形中，该函数创建一个Axes对象，并将其返回到nrows by ncolsaxes网格的位置索引处。索引从1到nrows * ncols，以行优先顺序递增。如果nrows、ncols和index均小于10。索引也可以表示为单个、连接的、三位数字。
例如，subplot(2, 3, 3)和subplot(233)都在当前图形的右上角创建一个Axes，占据图形高度的一半和图形宽度的三分之一。
创建子图将删除其与超出共享边界的任何预先存在的子图重叠。
import matplotlib.pyplot as plt
# plot a line, implicitly creating a subplot(111)
plt.plot([1,2,3])
# now create a subplot which represents the top plot of a grid with 2 rows and 1 column.
#Since this subplot will overlap the first, the plot (and its axes) previously
created, will be removed
plt.subplot(211)
plt.plot(range(12))
plt.subplot(212, facecolor='y') # creates 2nd subplot with yellow background
plt.plot(range(12))上述代码行生成以下输出 -
图形类的add_subplot()函数不会覆盖现有绘图：
import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.plot([1,2,3])
ax2 = fig.add_subplot(221, facecolor='y')
ax2.plot([1,2,3])当执行上述代码行时，它生成以下输出：
您可以通过在同一图形画布中添加另一个Axes对象，在同一图形中添加一个插入绘图。
import matplotlib.pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
fig=plt.figure()
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # main axes
axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3]) # inset axes
y = np.sin(x)
axes1.plot(x, y, 'b')
axes2.plot(x,np.cos(x),'r')
axes1.set_title('sine')
axes2.set_title("cosine")
plt.show()当执行上述代码行时，生成以下输出：
Matplotlib - Subplots() Function
Matplotlib 的 pyplot API 有一个名为 subplots() 的便捷函数，它充当一个实用程序包装器，并有助于在一个调用中创建子图的常用布局，包括包围图形对象。
Plt.subplots(nrows, ncols)此函数的两个整型参数指定子图网格的行数和列数。该函数返回一个图形对象和一个包含与 nrows*ncols 相等的轴对象元组。每个轴对象都可以通过其索引进行访问。在这里，我们创建了一个 2 行 2 列的子图，并在每个子图中显示 4 个不同的绘图。
import matplotlib.pyplot as plt
fig,a = plt.subplots(2,2)
import numpy as np
x = np.arange(1,5)
a[0][0].plot(x,x*x)
a[0][0].set_title('square')
a[0][1].plot(x,np.sqrt(x))
a[0][1].set_title('square root')
a[1][0].plot(x,np.exp(x))
a[1][0].set_title('exp')
a[1][1].plot(x,np.log10(x))
a[1][1].set_title('log')
plt.show()上述代码行生成以下输出 -
Matplotlib - Subplot2grid() Function
此函数在网格的特定位置创建Axes对象时具有更大的灵活性。它还允许Axes对象跨多个行或列。
Plt.subplot2grid(shape, location, rowspan, colspan)在下面的示例中，将一个图对象网格填充到具有不同大小的轴对象，并分布在行和列跨度中，每个都显示不同的绘图。
import matplotlib.pyplot as plt
a1 = plt.subplot2grid((3,3),(0,0),colspan = 2)
a2 = plt.subplot2grid((3,3),(0,2), rowspan = 3)
a3 = plt.subplot2grid((3,3),(1,0),rowspan = 2, colspan = 2)
import numpy as np
x = np.arange(1,10)
a2.plot(x, x*x)
a2.set_title('square')
a1.plot(x, np.exp(x))
a1.set_title('exp')
a3.plot(x, np.log(x))
a3.set_title('log')
plt.tight_layout()
plt.show()执行以上行代码之后，会生成以下输出 -
Matplotlib - Grids
设置轴对象的 grid() 函数打开或关闭图中的网格可见性。您还可以显示网格的主要/次要（或两者）标记。此外，可以在 grid() 函数中设置颜色、线条样式和线条宽度属性。
import matplotlib.pyplot as plt
import numpy as np
fig, axes = plt.subplots(1,3, figsize = (12,4))
x = np.arange(1,11)
axes[0].plot(x, x**3, 'g',lw=2)
axes[0].grid(True)
axes[0].set_title('default grid')
axes[1].plot(x, np.exp(x), 'r')
axes[1].grid(color='b', ls = '-.', lw = 0.25)
axes[1].set_title('custom grid')
axes[2].plot(x,x)
axes[2].set_title('no grid')
fig.tight_layout()
plt.show()
Matplotlib - Formatting Axes
有时候，一个或几个点会远大于大部分数据。在这种情况下，轴的比例需要设置为对数比例，而不是普通比例。这是对数比例。在 Matplotlib 中，可以通过将轴对象的 xscale 或 vscale 属性设置为“log”来实现。
还需要在轴号和轴标签之间显示一些额外距离。可以将任一轴（x 或 y 或两者）的 labelpad 属性设置为所需值。
以上两个特性的演示借助以下示例实现。右侧的子图具有对数比例，而左侧的子图的 x 轴具有距离较大的标签。
import matplotlib.pyplot as plt
import numpy as np
fig, axes = plt.subplots(1, 2, figsize=(10,4))
x = np.arange(1,5)
axes[0].plot( x, np.exp(x))
axes[0].plot(x,x**2)
axes[0].set_title("Normal scale")
axes[1].plot (x, np.exp(x))
axes[1].plot(x, x**2)
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)")
axes[0].set_xlabel("x axis")
axes[0].set_ylabel("y axis")
axes[0].xaxis.labelpad = 10
axes[1].set_xlabel("x axis")
axes[1].set_ylabel("y axis")
plt.show()
轴脊线是连接轴刻度的分界绘图区域边界的线。轴对象具有位于顶部、底部、左侧和右侧的脊线。
可以通过指定颜色和宽度来绘制每个脊线。如果颜色设置为无，则任何边都不可见。
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.spines['bottom'].set_color('blue')
ax.spines['left'].set_color('red')
ax.spines['left'].set_linewidth(2)
ax.spines['right'].set_color(None)
ax.spines['top'].set_color(None)
ax.plot([1,2,3,4,5])
plt.show()
Matplotlib - Setting Limits
Matplotlib 自动到达要沿绘图的 x、y（以及在 3D 绘图的情况下为 z 轴）轴显示的变量的最小值和最大值。然而，可以通过使用 set_xlim() 和 set_ylim() 函数明确设置限制。
在以下绘图中，显示了 x 和 y 轴的自动比例限制 -
import matplotlib.pyplot as plt
fig = plt.figure()
a1 = fig.add_axes([0,0,1,1])
import numpy as np
x = np.arange(1,10)
a1.plot(x, np.exp(x))
a1.set_title('exp')
plt.show()
现在我们设置 x 轴上的限制为 (0 到 10) 以及 y 轴上的限制 (0 到 10000) -
import matplotlib.pyplot as plt
fig = plt.figure()
a1 = fig.add_axes([0,0,1,1])
import numpy as np
x = np.arange(1,10)
a1.plot(x, np.exp(x),'r')
a1.set_title('exp')
a1.set_ylim(0,10000)
a1.set_xlim(0,10)
plt.show()
Matplotlib - Setting Ticks and Tick Labels
刻度是标记轴上数据点的标记。到目前为止，在所有之前的示例中，Matplotlib 一直自动执行在轴上对点进行间距的任务。Matplotlib 的默认刻度定位器和格式化程序设计为在许多常见情况下通常足够。可以明确提及刻度的位置和标签，以满足特定要求。
xticks() 和 yticks() 函数采用列表对象作为参数。列表中的元素表示将显示刻度的相应操作的位置。
ax.set_xticks([2,4,6,8,10])此方法将用刻度标记给定位置的数据点。
类似地，可以通过 set_xlabels() 和 set_ylabels() 函数分别设置与刻度标记对应的标签。
ax.set_xlabels([‘two’, ‘four’,’six’, ‘eight’, ‘ten’])这将在 x 轴上的标记下面显示文本标签。
以下示例演示了刻度和标签的使用。
import matplotlib.pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # main axes
y = np.sin(x)
ax.plot(x, y)
ax.set_xlabel(‘angle’)
ax.set_title('sine')
ax.set_xticks([0,2,4,6])
ax.set_xticklabels(['zero','two','four','six'])
ax.set_yticks([-1,0,1])
plt.show()
Matplotlib - Twin Axes
在图中拥有双 x 或 y 轴被认为是有用的。更重要的是，当一起绘制具有不同单位的曲线时。Matplotlib 使用 twinx 和 twiny 函数支持此功能。
在以下示例中，绘图具有双 y 轴，一个显示 exp(x)，另一个显示 log(x) -
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
a1 = fig.add_axes([0,0,1,1])
x = np.arange(1,11)
a1.plot(x,np.exp(x))
a1.set_ylabel('exp')
a2 = a1.twinx()
a2.plot(x, np.log(x),'ro-')
a2.set_ylabel('log')
fig.legend(labels = ('exp','log'),loc='upper left')
plt.show()
Matplotlib - Bar Plot
条形图或条形图是一种用矩形条形表示分类数据的图表，其高度或长度与它们所代表的值成正比。这些条形可以垂直或水平绘制。
条形图显示了离散类别之间的比较。图表的一个轴显示正在比较的特定类别，另一个轴则表示测量值。
Matplotlib API 提供了 bar() 函数，该函数可以用在 MATLAB 样式中，也可以用在面向对象的 API 中。与轴对象一起使用的 bar() 函数的签名如下 -
ax.bar(x, height, width, bottom, align)函数创建具有大小为 (x −width = 2; x + width=2; bottom; bottom + height) 的绑定矩形的条形图。
传递给该函数的参数为 -
x |
表示条形的 x 坐标的标量序列。align 控制 x 是条形中心（默认值）或左边缘。 |
height |
表示条形高度的标量或标量序列。 |
width |
标量或类数组，可选。条形的宽度，默认为 0.8 |
bottom |
标量或类数组，可选。条形 y 坐标，默认为无。 |
align |
{‘center’, ‘edge’}，可选，默认为 ‘center’ |
函数返回一个包含所有条形的 Matplotlib 容器对象。
以下是 Matplotlib 条形图的一个简单示例。它显示了一所学院提供的各种课程的注册学生数量。
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
langs = ['C', 'C++', 'Java', 'Python', 'PHP']
students = [23,17,35,29,12]
ax.bar(langs,students)
plt.show()
当比较多个量并且更改一个变量时，我们可能需要一个条形图，其中条形具有一个量值的颜色。
我们可以通过改变条形的厚度和位置来绘制多个条形图。data 变量包含三个系列，每个系列有四个值。下面的脚本将显示三个由四个条形组成的条形图。条形的厚度为 0.25 个单位。每个条形图将比前一个条形图偏移 0.25 个单位。data 对象是一个多字典，其中包含过去四年里三所工程学院通过的学生人数。
import numpy as np
import matplotlib.pyplot as plt
data = [[30, 25, 50, 20],
[40, 23, 51, 17],
[35, 22, 45, 19]]
X = np.arange(4)
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.bar(X + 0.00, data[0], color = 'b', width = 0.25)
ax.bar(X + 0.25, data[1], color = 'g', width = 0.25)
ax.bar(X + 0.50, data[2], color = 'r', width = 0.25)
堆叠式条形图在彼此顶部堆叠了表示不同组的条形。结果条形的高度显示了各组的综合结果。
pyplot.bar() 的可选底部参数允许你为条形指定一个起始值。它不会从零开始再扩展到某个值，而是从底部扩展到该值。对 pyplot.bar() 的第一次调用绘制蓝色条形。对 pyplot.bar() 的第二次调用绘制红色条形，底部位于蓝色条形的顶部。
import numpy as np
import matplotlib.pyplot as plt
N = 5
menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
ind = np.arange(N) # the x locations for the groups
width = 0.35
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.bar(ind, menMeans, width, color='r')
ax.bar(ind, womenMeans, width,bottom=menMeans, color='b')
ax.set_ylabel('Scores')
ax.set_title('Scores by group and gender')
ax.set_xticks(ind, ('G1', 'G2', 'G3', 'G4', 'G5'))
ax.set_yticks(np.arange(0, 81, 10))
ax.legend(labels=['Men', 'Women'])
plt.show()
Matplotlib - Histogram
直方图是数值数据分布的准确表示。它是连续变量的概率分布的估计。它是一种条形图。
要构建直方图，请按照以下步骤操作：
-
Bin 值范围。
-
将整个值范围划分为一系列区间。
-
统计每个区间中有多少个值。
这些区间通常被指定为变量的连续、非重叠的区间。
matplotlib.pyplot.hist() 函数绘制直方图。它计算并绘制 x 的直方图。
Parameters
下表列出了直方图的参数：
x |
数组或数组序列 |
bins |
整数或序列或“自动”，可选 |
optional parameters |
range |
双色谱范围 |
density |
如果为 True，则返回元组的第一个元素将是规范化后的概率密度计数 |
cumulative |
如果为 True，则计算一个直方图，其中每个箱子给出了该箱子的计数以及所有较小值箱子的计数。 |
histtype |
以下示例绘制了学生在课堂上获得的成绩直方图。定义了四个箱子，0-25、26-50、51-75 和 76-100。直方图显示了落在这个范围内的学生人数。
from matplotlib import pyplot as plt
import numpy as np
fig,ax = plt.subplots(1,1)
a = np.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])
ax.hist(a, bins = [0,25,50,75,100])
ax.set_title("histogram of result")
ax.set_xticks([0,25,50,75,100])
ax.set_xlabel('marks')
ax.set_ylabel('no. of students')
plt.show()该图如下所示显示 −
Matplotlib - Pie Chart
饼图只能显示一个数据系列。饼图显示了一个数据系列中各个项目（称为饼片）的大小，与各个项目总数成比例。饼图中的数据点显示为整个饼图中的百分比。
Matplotlib API 有一个 pie() 函数，该函数生成一个饼图，表示数组中的数据。每个饼片的部分面积由 x/sum(x) 给出。如果 sum(x)< 1，那么 x 的值将直接给出部分面积，并且数组不会规范化。生成的饼将包含大小为 1 - sum(x) 的空白饼片。
如果图形和坐标轴为方形，或者坐标轴的纵横比相等，则饼图看起来效果最佳。
Parameters
下表列出了饼图的参数 −
x |
array-like. The wedge sizes. |
labels |
列表。提供每个饼片标签的字符串序列。 |
Colors |
Matplotlibcolorargs 序列，在此序列中饼图将循环。如果为 None，将使用当前活动循环中的颜色。 |
Autopct |
字符串，用于使用其数值标记饼片。标记将放在饼片内。格式字符串为 fmt%pct。 |
以下代码使用 pie() 函数来显示注册各种计算机语言课程的学生列表的饼图。比例百分比显示在相应饼片内，这借助于 autopct 参数实现，该参数设置为 %1.2f%。
from matplotlib import pyplot as plt
import numpy as np
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.axis('equal')
langs = ['C', 'C++', 'Java', 'Python', 'PHP']
students = [23,17,35,29,12]
ax.pie(students, labels = langs,autopct='%1.2f%%')
plt.show()
Matplotlib - Scatter Plot
散点图用于在水平轴和垂直轴上绘图数据点，以试图显示一个变量在一个多么大的程度上受到另一个变量的影响。数据表中的每一行均由标记器表示，其位置取决于它在 X 轴和 Y 轴上设置的列中的值。可以设置第三个变量以对应于标记器的颜色或大小，从而为绘图添加另一个维度。
下面的脚本绘制了两个不同颜色中男孩和女孩的成绩范围与成绩的散点图。
import matplotlib.pyplot as plt
girls_grades = [89, 90, 70, 89, 100, 80, 90, 100, 80, 34]
boys_grades = [30, 29, 49, 48, 100, 48, 38, 45, 20, 30]
grades_range = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
fig=plt.figure()
ax=fig.add_axes([0,0,1,1])
ax.scatter(grades_range, girls_grades, color='r')
ax.scatter(grades_range, boys_grades, color='b')
ax.set_xlabel('Grades Range')
ax.set_ylabel('Grades Scored')
ax.set_title('scatter plot')
plt.show()
Matplotlib - Contour Plot
等高线图（有时称为水平图）是一种在二维平面上显示三维曲面的方法。它在 y 轴上绘制两个预测变量 X Y 和一个响应变量 Z 作为等高线。这些等高线有时称为 z 切片或等响应值。
如果您想了解值 Z 如何随两个输入 X 和 Y 的函数而变化，并且 Z = f(X,Y)，则等高线图就是合适的。双变量函数的一个等高线或等值线是一条曲线，沿该曲线该函数具有一个常数值。
自变量 x 和 y 通常限制在一个称为网格的规则网格中。numpy.meshgrid 由一个 x 值数组和一个 y 值数组创建一个矩形网格。
Matplotlib API 包含 contour() 和 contourf() 函数，它们分别绘制等高线和填充等高线。这两个函数都需要三个参数 x、y 和 z。
import numpy as np
import matplotlib.pyplot as plt
xlist = np.linspace(-3.0, 3.0, 100)
ylist = np.linspace(-3.0, 3.0, 100)
X, Y = np.meshgrid(xlist, ylist)
Z = np.sqrt(X**2 + Y**2)
fig,ax=plt.subplots(1,1)
cp = ax.contourf(X, Y, Z)
fig.colorbar(cp) # Add a colorbar to a plot
ax.set_title('Filled Contours Plot')
#ax.set_xlabel('x (cm)')
ax.set_ylabel('y (cm)')
plt.show()
Matplotlib - Quiver Plot
颤动图显示了速度矢量，即在点 (x,y) 具有分量 (u,v) 的箭头。
quiver(x,y,u,v)以上命令将矢量绘制成箭头，箭头位于 x 和 y 中每个相应元素对指定坐标处。
Parameters
下表列出了颤动图的不同参数 −
x |
1D 或 2D 数组、序列。箭头的 x 坐标 |
y |
1D 或 2D 数组、序列。箭头的 y 坐标 |
u |
1D 或 2D 数组、序列。箭头矢量的 x 分量 |
v |
1D 或 2D 数组、序列。箭头矢量的 y 分量 |
c |
1D 或 2D 数组、序列。箭头颜色 |
以下代码绘制了一个简单的羽化图 −
import matplotlib.pyplot as plt
import numpy as np
x,y = np.meshgrid(np.arange(-2, 2, .2), np.arange(-2, 2, .25))
z = x*np.exp(-x**2 - y**2)
v, u = np.gradient(z, .2, .2)
fig, ax = plt.subplots()
q = ax.quiver(x,y,u,v)
plt.show()
Matplotlib - Box Plot
箱形图也称为须图，它显示了一组包含最小值、第一四分位数、中位数、第三四分位数和最大值的数据的摘要。在一个箱形图中，我们绘制从第一四分位数到第三四分位数的箱子。一条垂直线穿过中位数处的箱子。垂直线从每个四分位数延伸到最小值或最大值。
让我们创建箱线图的数据。我们使用 numpy.random.normal() 函数创建虚假数据。它接收三个参数，即正态分布的均值和标准差，以及所需值的数量。
np.random.seed(10)
collectn_1 = np.random.normal(100, 10, 200)
collectn_2 = np.random.normal(80, 30, 200)
collectn_3 = np.random.normal(90, 20, 200)
collectn_4 = np.random.normal(70, 25, 200)我们在上面创建的数组列表是创建箱线图的唯一所需输入。使用 data_to_plot 代码行，我们可以使用以下代码创建箱线图 −
fig = plt.figure()
# Create an axes instance
ax = fig.add_axes([0,0,1,1])
# Create the boxplot
bp = ax.boxplot(data_to_plot)
plt.show()上述代码行将生成以下输出 −
Matplotlib - Violin Plot
小提琴图类似于箱线图，但它们还会显示不同值处的数据概率密度。这些图中包含数据的中间值标记和表示四分位数范围的方框，如标准箱线图中的那样。在此箱线图上叠加核密度估计。与箱线图一样，小提琴图用于表示不同“类别”中的变量分布（或样本分布）的比较。
小提琴图比普通箱线图信息更多。事实上，虽然箱线图仅显示均值/中位数和四分位数范围等汇总统计信息，但小提琴图显示数据的完整分布。
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(10)
collectn_1 = np.random.normal(100, 10, 200)
collectn_2 = np.random.normal(80, 30, 200)
collectn_3 = np.random.normal(90, 20, 200)
collectn_4 = np.random.normal(70, 25, 200)
## combine these different collections into a list
data_to_plot = [collectn_1, collectn_2, collectn_3, collectn_4]
# Create a figure instance
fig = plt.figure()
# Create an axes instance
ax = fig.add_axes([0,0,1,1])
# Create the boxplot
bp = ax.violinplot(data_to_plot)
plt.show()
Matplotlib - Three-dimensional Plotting
尽管 Matplotlib 最初仅设计为二维绘图，但在后续版本中，一些三维绘图实用工具已构建在 Matplotlib 的二维显示之上，以提供一些用于三维数据可视化的工具。通过导入 mplot3d toolkit （包含在 Matplotlib 包中）来启用三维绘图。
可以通过将关键字 projection='3d' 传递给任何常规轴创建例程来创建三维轴。
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
ax = plt.axes(projection='3d')
z = np.linspace(0, 1, 100)
x = z * np.sin(20 * z)
y = z * np.cos(20 * z)
ax.plot3D(x, y, z, 'gray')
ax.set_title('3D line plot')
plt.show()我们现在可以绘制各种三维绘图类型。最基本的三维绘图是 3D line plot ，它由 (x, y, z) 三元组集创建。这可以使用 ax.plot3D 函数创建。
3D scatter plot 是使用 ax.scatter3D 函数生成的。
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
ax = plt.axes(projection='3d')
z = np.linspace(0, 1, 100)
x = z * np.sin(20 * z)
y = z * np.cos(20 * z)
c = x + y
ax.scatter(x, y, z, c=c)
ax.set_title('3d Scatter plot')
plt.show()
Matplotlib - 3D Contour Plot
ax.contour3D() 函数创建三维等值线图。它要求所有输入数据都采用二维规则网格的形式，并在每个点计算 Z 数据。这里，我们将显示三维正弦函数的三维等值线图。
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
def f(x, y):
return np.sin(np.sqrt(x ** 2 + y ** 2))
x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)
fig = plt.figure()
ax = plt.axes(projection='3d')
ax.contour3D(X, Y, Z, 50, cmap='binary')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
ax.set_title('3D contour')
plt.show()
Matplotlib - 3D Wireframe plot
线框图使用一组值并将其投影到指定的三维曲面上，并且可以使生成的三维形式非常易于可视化。 plot_wireframe() 函数用于此目的 −
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
def f(x, y):
return np.sin(np.sqrt(x ** 2 + y ** 2))
x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)
fig = plt.figure()
ax = plt.axes(projection='3d')
ax.plot_wireframe(X, Y, Z, color='black')
ax.set_title('wireframe')
plt.show()上述代码行将生成以下输出 −
Matplotlib - 3D Surface plot
曲面图显示指定因变量 (Y) 和两个自变量 (X 和 Z) 之间的功能关系。该图是等值线图的伴图。曲面图类似于线框图，但线框的每个面都是填充的多边形。这有助于感知正在可视化的曲面的拓扑。 plot_surface() 函数以 x、y 和 z 为参数。
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
x = np.outer(np.linspace(-2, 2, 30), np.ones(30))
y = x.copy().T # transpose
z = np.cos(x ** 2 + y ** 2)
fig = plt.figure()
ax = plt.axes(projection='3d')
ax.plot_surface(x, y, z,cmap='viridis', edgecolor='none')
ax.set_title('Surface plot')
plt.show()上述代码行将生成以下输出 −
Matplotlib - Working With Text
Matplotlib 具有广泛的文本支持，包括：数学表达式的支持、对栅格和矢量输出的支持、任意旋转的新行分隔文本以及 Unicode 支持。Matplotlib 包含其自己的 matplotlib.font_manager，它实现了一个跨平台、符合 W3C 的字体查找算法。
用户可以很好地控制文本属性（字体大小、字体粗细、文本位置和颜色等）。Matplotlib 实现了大量的 TeX 数学符号和命令。
以下命令列表用于在 Pyplot 界面中创建文本 -
text |
在 Axes 中的任意位置添加文本。 |
annotate |
在任意的 Axes 位置添加带可选箭头的注释。 |
xlabel |
为 Axes 的 x 轴添加标签。 |
ylabel |
为 Axes 的 y 轴添加标签。 |
title |
为 Axes 添加标题。 |
figtext |
在 Figure 的任意位置添加文本。 |
suptitle |
为 Figure 添加标题。 |
所有这些函数都创建并返回一个 matplotlib.text.Text() 实例。
以下脚本演示了上述一些函数的使用情况：
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.set_title('axes title')
ax.set_xlabel('xlabel')
ax.set_ylabel('ylabel')
ax.text(3, 8, 'boxed italics text in data coords', style='italic',
bbox = {'facecolor': 'red'})
ax.text(2, 6, r'an equation: $E = mc^2$', fontsize = 15)
ax.text(4, 0.05, 'colored text in axes coords',
verticalalignment = 'bottom', color = 'green', fontsize = 15)
ax.plot([2], [1], 'o')
ax.annotate('annotate', xy = (2, 1), xytext = (3, 4),
arrowprops = dict(facecolor = 'black', shrink = 0.05))
ax.axis([0, 10, 0, 10])
plt.show()上述代码行将生成以下输出 −
Matplotlib - Mathematical Expressions
您可以在任何 Matplotlib 文本字符串中使用子集 TeX 标记，方法是将其放在一对美元符号 ($) 内。
# math text
plt.title(r'$\alpha > \beta$')要制作下标和上标，请使用 '_' 和 '^' 符号 −
r'$\alpha_i> \beta_i$'
import numpy as np
import matplotlib.pyplot as plt
t = np.arange(0.0, 2.0, 0.01)
s = np.sin(2*np.pi*t)
plt.plot(t,s)
plt.title(r'$\alpha_i> \beta_i$', fontsize=20)
plt.text(0.6, 0.6, r'$\mathcal{A}\mathrm{sin}(2 \omega t)$', fontsize = 20)
plt.text(0.1, -0.5, r'$\sqrt{2}$', fontsize=10)
plt.xlabel('time (s)')
plt.ylabel('volts (mV)')
plt.show()上述代码行将生成以下输出 −
Matplotlib - Working with Images
Matplotlib 包中的图像模块提供了加载、重新调整大小和显示图像所需的功能。
Pillow 库支持加载图像数据。默认情况下，Matplotlib 只支持 PNG 图像。如果本机读取失败，下方所示命令将回退到 Pillow。
此示例中使用的图像是一个 PNG 文件，但您的数据要记住 Pillow 要求。 imread() 函数用于以 float32 dtype 的 ndarray 对象形式读取图像数据。
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('mtplogo.png')假设当前工作目录中存在名为 mtplogo.png 的图像。
可以执行 imsave() 函数，将包含图像数据的任何数组保存到磁盘文件中。此处，通过给出 origin 参数作为较低值保存 PNG 原图的垂直翻转版本。
plt.imsave("logo.png", img, cmap = 'gray', origin = 'lower')如果在新图像查看器中打开，新图像将如下所示。
若要在 Matplotlib 查看器上绘制图像，请执行 imshow() 函数。
imgplot = plt.imshow(img)Matplotlib - Transforms
matplotlib 包建立在变换框架之上，可在坐标系统之间轻松移动。可以使用四个坐标系。表中简要介绍了这些系统 −
Coordinate |
Transformation Object |
Description |
Data |
ax.transData |
用户土地数据坐标系。由 xlim 和 ylim 控制 |
Axes |
ax.transAxes |
轴坐标系。(0,0) 是左下角，(1,1) 是轴的右上角。 |
Figure |
fig.transFigure |
图形坐标系。(0,0) 是左下角，(1,1) 是图形的右上角 |
display |
None |
这是显示器的像素坐标系。(0,0) 是左下角，(宽度，高度) 是像素中显示器的右上角。也可以使用 (matplotlib.transforms.IdentityTransform()) 而不是 None。 |
考虑以下示例 −
axes.text(x,y,"my label")文字放在数据点 (x,y) 的理论位置。因此，我们将谈论“数据坐标”。
使用其他变换对象，可以控制位置放置。例如，如果要将上述测试放在轴坐标系的中心，请执行以下代码行：
axes.text(0.5, 0.5, "middle of graph", transform=axes.transAxes)这些变换可用于任何种类的 Matplotlib 对象。 ax.text 的默认变换为 ax.transData ， fig.text 的默认变换为 fig.transFigure.
轴坐标系在轴中放置文字时非常有用。您可能经常希望在固定位置放置文本气泡；例如，在轴窗格的左上角，并且在您平移或缩放时保持该位置固定。