当前位置：网站首页>Matplotlib快速入门

Matplotlib快速入门

2022-07-07 21:42:00 【51CTO】

Matplotlib是什么？

Matplotlib是一个全面的库，用于在Python中创建静态，动画和交互式的可视化图像。

目前（22年6月）最新稳定版是3.5.2

安装:

使用pip进行安装

pip install matplotlib

快速上手

我们首先要导入matplotlib

       
       import matplotlib as mpl
       
import matplotlib.pyplot as plt
       
import numpy as np  #用numpy生成数据，作为示例演示。
      
1.
2.
3.

Matplotlib在图(Figure)（例如，窗口，Jupyter小部件等）上绘制数据，图可以包含一个或多个轴域(Axes)。

Axes是一个可以根据x-y坐标指定点的绘图区域（或极坐标图中的θ-r，3D图中的x-y-z等）。创建带有Axes的图的最简单方法是使用 pyplot.subplots。然后，我们可以使用 Axes.plot在Axes上绘制一些数据：

       
       x = [1,2,3,4]
       
y = [1,4,3,2]
       
fig,ax = plt.subplots() # 创建一个图fig， 默认包含一个axes
       
ax.plot(x,y) # 绘制x-y的折线图
       
plt.show()  # 显示绘制的图。请注意，如果使用save保存图片，需要在show前面保存
      
1.
2.
3.
4.
5.

运行后将显示折线图：

Matplotlib快速入门_折线图

图（Figure）的结构

一幅图有下面这些部分：标题(Title)、图例（Legend）、x、y轴标签(xlabel、ylabel)等等......

Matplotlib快速入门_Python_02

下面逐个部分介绍。

图 Figure

完整的图像。该图跟踪所有子轴域（Axes）---- 一组“特殊”画作（标题，图例，彩条等），甚至嵌套的子图。

创建新图的最简单方法是使用 pyplot：

       
       fig = plt.figure()  # 空图，没有Axes
       
fig, ax = plt.subplots()  #有1个Axes
       
fig, axs = plt.subplots(2, 2)  # 有2x2（两行两列） 个Axes
      
1.
2.
3.

通常，将轴域（Axes）与 Figure 一起创建很方便，但您也可以在以后手动添加轴域。

轴域 Axes

轴域（Axes）是附加到图（Figure）上，包含用于绘制数据的图形。

通常包括两个轴（Axis）对象。两个轴分别提供刻度（ticks）和标签(tick label)，以便为轴中的数据提供比例。每个轴域还有一个标题（通过 set_title（））设置）、一个 x 标签（通过 set_xlabel（））设置）和一个y 标签（通过 set_ylabel（））设置）。

Axes 类及其成员函数是使用 OOP 接口的主要入口点，并且在其上定义了大多数绘图方法（例如，如上所示，使用 plot方法）ax.plot()

轴 Axis

轴设置刻度（scale）和限制（limits）并且生成刻度（ticks，轴上的标记）和刻度标签（ticklabels，标记刻度的字符串）ticks位置由定位器（Locator）确定，ticklabel 字符串由格式器（Formatter）设置。正确的定位器（Locator）和格式器（Formatter）的组合可以对刻度位置和标签进行非常精细的控制。

Artist

Artist这里翻译成艺术家或画家了。

基本上，图形上可见的所有内容都是艺术家（甚至是图形，轴域和轴对象）。这包括文本、 Line2D 、集合、 Patch等。渲染图形时，所有艺术家都将被绘制到画布上。大多数艺术家都与轴域关联;这样的艺术家不能由多个轴域共享，也不能从一个轴移动到另一个轴。

绘图函数的输入数据类型

绘图函数接收 numpy.array或numpy.ma.masked_array作为输入，或者是可以被传递给numpy.asarray的数据。pandas数据或numpy.matrix可能不会正常工作。常见的约定是在绘图前将数据转换成numpy.array。例如：

       
       b = np.matrix([[1, 2], [3, 4]])
       
b_asarray = np.asarray(b) # 使用np.asarray()将其转换成np.array类型
      
1.
2.

大多数方法还可以解析可寻址对象，如 dict,np.recarray或pandas.DataFrame。

Matplotlib允许使用关键字参数生成图像，传递和x,y相应的字符串。

       
       np.random.seed(19680801)  # seed the random number generator.
       
data = {'a': np.arange(50),
       
        'c': np.random.randint(0, 50, 50),
       
        'd': np.random.randn(50)}
       
data['b'] = data['a'] + 10 * np.random.randn(50)
       
data['d'] = np.abs(data['d']) * 100
       
fig, axes = plt.subplots(2,1) # fig 拥有2行1列个子图，存放在axes数组（np.array类型）中。
       
ax = axes[0]
       
ax.scatter('a', 'b', c='c', s='d', data=data)
       
ax.set_xlabel('entry a')
       
ax.set_ylabel('entry b')
       
# 轴域2 ，去掉颜色c，形状s参数。
       
ax2 = axes[1]
       
ax2.scatter('a', 'b', data=data)
       
plt.show()
      
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.

绘制出来的图，第二幅是去掉了s,c参数后的图像：

Matplotlib快速入门_Python_03

编码风格 Coding Styles

面向对象（OO）和pyplot函数接口。

基本上有两种使用 Matplotlib 的方法：

显式创建“图形（Figures）”和“轴域（Axes）”，并在其上调用方法（“面向对象（OO）样式”）。
依靠 pyplot 自动创建和管理图形和轴，并使用 pyplot 函数进行绘图。

使用OO样式(笔者觉得OO样式比较好，只需要在轴域（Axes）对象上设置就可以，非常清晰)：

       
       x = np.linspace(0, 2, 100)  # 产生一些数据
       
# 使用OO风格，先产生两个对象 图和轴域 （fig, ax）
       
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
       
# 调用ax对象的方法
       
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.
       
plt.show() a legend.
      
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

或者使用pyplot函数风格：

       
       x = np.linspace(0, 2, 100)  # Sample data.
       
plt.figure(figsize=(5, 2.7), layout='constrained')
       
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();
      
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.