Matplotlib绘图快速入门

需要说明的是，在阅读此文章前，你应该对Numpy有一定的了解，如果你对Numpy还不太熟悉，可以查看我的另一篇文章：点击下方链接即可：
Numpy快速上手指南

使用之前，我们先导入需要用到的模块，大部分的绘图内容都包含在matplotlib的pyplot模块中，而numpy可以生成一些数据以供绘图。

import matplotlib.pyplot as plt
import numpy as np

一、面向过程绘图

所谓面向过程的绘图，就是一步一步根据你想要画成什么样子进行编程，熟悉MATLAB的同学应该知道它的绘图方式，比如：先画一个图，再添加标题、横坐标标签，纵坐标标签，图例等等，这样的方式绘图就是面向过程的绘图。

1.常用的绘图类型

（1）$plot()$：曲线图

$plot()$可以画出一个曲线图，请看下面的例子：

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y)

结果如下图所示：

（1）更改颜色

我们可以更改曲线的颜色：

plt.plot(x,y,'k') # 黑色曲线

其他的颜色有以下四种常用的模式：

a.使用颜色的英文名或简写

可以直接使用常见颜色的英文名或者简写来表示这个颜色，和上一个实例类似，下面列举出一些常见的颜色表：

颜色	标志	颜色	标志
蓝色	‘b’	黄色	‘y’
绿色	‘g’	黑色	‘k’
红色	‘r’	白色	‘w’
青色	‘c’	洋红色	‘m’

b.RGB/RGBA模式

使用一个元组输入(R,G,B)或者(R,G,B,A)分别代表red，green，blue和alpha（透明度），请看下面的例子：

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y,c = (0.5,0.4,0.8,0.8))

c.十六进制RGB字符串

由十六进制编码组成的RGB字符串可以代替一个颜色，请看下面的例子：

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y,c = '#0f5212')

d.使用0-1之间的灰度值

可以使用0-1之间的值来表示灰度，0表示纯黑色，1表示纯白色，0.5表示灰色，请看下面的例子：

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y,c= '0.8')

（2）设置线型

我们可以设置线条的形状：

plt.plot(x,y,'g--') # 绘制绿色且为虚线的线条图

还有其他种类的线条形状如下表所示：

线条	标志
实线	‘-’
虚线	‘–’
点	‘:’
点虚线	‘-.’

除了这些常用的线型，我们还可以自己定义线型，具体方法如下：
使用一个元组,元组中包含一个元素和一个元组，元素表示偏置，一般为0，元组表示它的线型，举个例子可以很容易理解这一点:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y,linestyle = (0,(1,2,5,1)))

这表示1像素的线，接2像素的空格，接5像素的线，接1像素的线以此类推：

我们还可以对线条的粗细进行调整：

x = np.linspace(0,10,100)
y = x
plt.plot(x,y,linestyle = (0,(1,2,5,1)),linewidth = 4)

我们还可以对数据进行描点：

x = np.linspace(0,10,10)
y = x
plt.plot(x,y,marker = 'o')

还有其他的一些标记符号可以参考下面的表格：

符号	标志	符号	标志
点	‘.’	逗号	‘,’
上箭头	‘^’	下箭头	‘v’
左箭头	‘<’	右箭头	‘>’
四边形	‘s’	五边形	‘p’
星形	‘*’	加号形	‘+’
乘号形	‘x’	乘号填充形	‘X’
钻石形	‘D’	细钻石形	‘d’
小竖线形	‘|’	小横线形	‘_’

我们可以使用如下的选项来对marker进行修改：
markeredgecolor或者mec：边缘颜色
markeredgewidth或者mew：边缘宽度
markerfacecolor或者mfc：表面颜色*
markersize或者ms：标签大小

这里不做过多演示，大致与之前演示的设置方法一致。

（2）$scatter()$：散点图

$scatter()$可以画出散点图，请看下面的例子：

x = np.random.randint(0,10,size = 10)
y = np.random.randint(0,10,size = 10)
plt.scatter(x,y)

结果如下图所示：

我们也可以设置它的颜色，标记点的类型，这与上一部分一致。
我们可以通过设置s参数改变它的标记大小：

x = np.random.randint(0,10,size = 10)
y = np.random.randint(0,10,size = 10)
plt.scatter(x,y,s = 500,marker = '*')

（3）$bar()/barh()$：条形图

$bar()$可以画出以x轴为自变量的条形图：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y)

$barh()$则可以画出以y轴为自变量的条形图：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.barh(x,y)

我们可以设置条形图的宽度：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y,width=0.2)

还可以设置y轴最底部的起始值：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y,bottom=2)

还可以设置条在x轴的对齐方式：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y,align='edge') # 默认为居中

（4）$pie()$：饼图

x = [1,2,3,4]
plt.pie(x)

除了可以改变它的颜色，还可以为饼图添加标签：

x = [1,2,3,4]
plt.pie(x,labels=['one','two','three','four'])

可以设置它的半径：

fig = plt.figure()
x = [1,2,3,4]
plt.pie(x,radius=0.5)

（5）$stem()$：茎图

$stem()$可以画出树干图：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.stem(x,y)

（6）$step()$：阶梯图

$step()$可以画出阶梯图：

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.step(x,y)

除了一些基本的对线条的修改，它还可以与$plot()$配合使用设置它的数据位置，请看下面的例子：

x = np.arange(14)
y = np.sin(x / 2)

plt.step(x, y + 2, label='pre (default)')
plt.plot(x, y + 2, 'o--', color='grey', alpha=0.3)

plt.step(x, y + 1, where='mid', label='mid')
plt.plot(x, y + 1, 'o--', color='grey', alpha=0.3)

plt.step(x, y, where='post', label='post')
plt.plot(x, y, 'o--', color='grey', alpha=0.3)

可以看到，在画出的阶梯图中，描点所在的位置位于阶梯的内部、中部和外部。

（7）$hist()$：直方图

$hist()$用来绘制直方图

plt.figure()
r = np.random.normal(0,2,200)
x = 5+r
plt.hist(x)

我们可以确定将数据分为几个条柱进行显示，如果传入的是一个正数，那么它将均匀分配，你也可以选择传入一个序列，那么它将根据你传入的序列进行分配：

r = np.random.normal(0,2,200)
x = 5+r
plt.hist(x,bins=5) # 将数据放在五等分的直方图中

我们也可以确定条柱取值的范围：

r = np.random.normal(0,2,200)
x = 5+r
plt.hist(x,range=[0,20]) #

（8）$fill\_between()$：两侧填充图

$fill\_between()$可以画出两侧填充图：

x = np.linspace(0,10,10)
r = np.random.randint(1,5,size=10)
y1 = np.add(x,r)
y2 = np.add(x,-r)
plt.plot(x,x)
plt.fill_between(x,y1,y2,alpha = 0.5) # alpha设置透明度

注意： 以下的几种绘图可能不是很常用

（9）$imshow()$：像素图

$imshow()$可以生成像素图

x, y = np.meshgrid(np.linspace(-3,3,10),np.linspace(-3,3,10))
z = x*y
plt.imshow(z)

（10）$pcolormesh()$：非规范像素图

$pcolormesh()$可以生成非规范像素图，它和像素图的区别是：它的像素并不是一个正方形，而可以是矩形：

x, y = np.meshgrid(np.linspace(0,3,10),np.linspace(-3,3,15))
z = y * x
plt.pcolormesh(z)

（11）$contour()$和$contourf()$：等高线图

$contour()$和$contourf()$可以绘制等高线图

x, y = np.meshgrid(np.linspace(-3,3,200),np.linspace(-3,3,200))
z = x**1/2 * y
level = np.linspace(z.min(),z.max(),10)
plt.contour(x,y,z,level)

而$contourf()$则是带有填充的等高线图

x, y = np.meshgrid(np.linspace(-3,3,200),np.linspace(-3,3,200))
z = x**1/2 * y
level = np.linspace(z.min(),z.max(),10)
plt.contourf(x,y,z,level)

（12）$barbs()$：风杆图

$barbs()$用来绘制风杆图

X, Y = np.meshgrid([1, 2, 3, 4], [1, 2, 3, 4])
angle = np.pi / 180 * np.array([[15., 30, 35, 45],
                                [25., 40, 55, 60],
                                [35., 50, 65, 75],
                                [45., 60, 75, 90]]) # 构造角度
amplitude = np.array([[5, 10, 25, 50],
                      [10, 15, 30, 60],
                      [15, 26, 50, 70],
                      [20, 45, 80, 100]]) # 构造速度
U = amplitude * np.sin(angle) # 构造矢量
V = amplitude * np.cos(angle)

这里简单介绍一下风杆图的看法：
在像一个小旗的杆上，一个短线表示5海里/小时，一个长线表示10海里/小时，一个黑色的三角形表示50海里/小时，风杆所指的方向为方向，也就是风从哪个方向吹来。比如下图中右上角风杆的表示：从西方向吹来的风，速度为100海里/小时。

（13）$quiver()$：矢量图

$quiver()$可以绘制带箭头的矢量图

x, y = np.meshgrid(np.linspace(-3,3,5),np.linspace(-3,3,5))
u = x + y # 箭头矢量在x和y方向的分量
v = x - y
plt.quiver(x,y,u,v)

（14）$streamplot()$：气流图

$streamplot()$用来绘制气流图

X, Y = np.meshgrid(np.linspace(-3, 3, 256), np.linspace(-3, 3, 256))
Z = (1 - X/2 + X**5 + Y**3) * np.exp(-X**2 - Y**2)
V = np.diff(Z[1:, :], axis=1)
U = -np.diff(Z[:, 1:], axis=0)
plt.streamplot(X[1:, 1:], Y[1:, 1:], U, V)

（15）$boxplot()$：箱线图

plt.figure()
x = np.random.normal((1,3,5),(1.25,1.5,1.75),(200,3))
plt.boxplot(x)

（16）$errorbar$：误差栏图

x = [3,3.4,3.8]
y = [3,2,1]
error = [0.2,0.4,0.3]
plt.errorbar(x,y,error)

（17）$violinplot()$：小提琴图

x = np.random.normal((1,3,5),(1.25,1.5,1.75),(200,3))
plt.violinplot(x)

（18）$hist2d()$：二维直方图

x = np.random.randn(1000)
y = np.random.randn(1000)
plt.hist2d(x,y)

（19）$hexbin()$：六边形直方图

x = np.random.randn(100)
y = np.random.randn(100)
plt.hexbin(x,y,gridsize=10)

（20）$tricontour()$和$tricontourf()$：非等距等高图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
z = (1 - x/2 + x**2 + y**2) * np.exp(-x**2 - y**2)
levels = np.linspace(z.min(), z.max(), 7)
plt.tricontour(x,y,z,levels)

$tricontourf()$是带有填充的等高图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
z = (1 - x/2 + x**2 + y**2) * np.exp(-x**2 - y**2)
levels = np.linspace(z.min(), z.max(), 7)
plt.tricontourf(x,y,z,levels)

（21）$tripcolor()$：三角形彩图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
z = (1 - x/2 + x**2 + y**2) * np.exp(-x**2 - y**2)
levels = np.linspace(z.min(), z.max(), 7)
plt.tripcolor(x,y,z,levels)

（22）$triplot()$：二维三角图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
plt.triplot(x,y)

2.常用的绘图选项

（1）添加标题

可以为绘制好的图像添加标题，我们可以使用fontdict对标题样式进行修改,还可以调整标题的位置（默认为居中）,还可以调整标题和图像之间的距离：

x = np.random.randn(100)
y = x
plt.plot(x,y)
plt.title('This is a title',
          fontdict=
          {
    'family':'Times New Roman', # 字体
           'fontsize': 'xx-large', # 字号
           'color': 'b' # 字体颜色
          },
          loc = 'left', # 居左
          y=1.2 # 标题和图像的距离
         )

（2）添加轴标签

可以为图像添加x和y轴的label：

x = np.random.randn(100)
y = x
plt.plot(x,y)
plt.xlabel('xlabel',loc='right',c = 'r') # 靠右的红色xlabel
plt.ylabel('ylabel',loc='top',fontsize = 20) # 靠上的20号字号的ylabel

（3）添加图例

我们可以在多个曲线的同一图中添加标签，以便区分曲线：

x = np.linspace(0,10,100)
y = x
z = x**2
plt.plot(x,y,x,z)
plt.legend(['$x$','$x^2$']) # 设置标签可以使用Latex语法

当然你也可以设置它的位置，字体颜色，大小等参数，这与前面提到的相关设置方法是一致的。

（4）添加网格

我们可以设置图像显示网格，或者可以设置只显示某一个轴上的网格:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.grid(axis='x',c = 'r',linestyle = '-.')

可以看到也可以设置网格的颜色和线型等参数

（5）添加文本

可以在图像中添加文字说明：

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.text(3,5,'Hello',fontsize = 20)

（6）设置x和y轴范围

可以自己设定x轴和y轴的范围，以便达到想要的视觉效果：

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.xlim(-10,20)
plt.ylim(0,20)

（7）设置x轴和y轴的刻度

有些时候我们需要的刻度并不一定是线性的，可能在对数下有更好的表现，

x = np.linspace(1,10,100)
y = x**10
plt.plot(x,y)
plt.yscale('symlog') # 使用科学计数法

除此之外还有对数型，分对数型

（8）设置x轴和y轴的标签

我们可以为x或y轴的数据赋予特殊的含义，比如：年份等:

x = np.linspace(1,5,10)
y = x*10
plt.plot(x,y)
plt.xticks(ticks = [1,2,3,4,5],
           labels=['2000','2001','2002','2003','2004'])

（9）添加辅助对齐线

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.axhline(6,0,0.6,linestyle = '--') # 在6处画线，从0到60%处
plt.axvline(6,0,0.6,linestyle = '--')

（10）添加跨度矩形

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.axhspan(6,0,0.6,color = 'r')
plt.axvspan(6,0,0.6)

二、面向对象绘图

基于面向对象的绘图是Matplotlib的一大特色，它将一个图分为图窗对象和轴对象，进行操作时几乎不会产生模糊的意义。

1.创建figure和axes对象

使用$subplots()$可以创建一个figure对象和axes对象：

fig, ax = plt.subplots()

实际上我们可以在创建时，设定一些它的参数，比如，我们可以设置为多个轴，即传入有几行几列，并设置它们的坐标是否相互共享：

fig, ax = plt.subplots(2,2,sharex=True,sharey=False)

2.绘图

我们可以在官方文档得知figure和axes实际的含义：

可以看到，figure实际上就是画布，而axes是由坐标轴构成的图形的部分。图片上也列出了使用这种方法进行绘图的方法。有了之前通过面向过程绘图的基础，只需要将其迁移到面向对象绘图上即可。下面举个例子：

x = np.random.randint(0,100,15)
y = np.random.randint(0,100,15) # 制造一些数据

fig,ax = plt.subplots()
ax.scatter(x,y,c='r',label='data1','d') # 画散点图
ax.scatter(y,x,c='b',label='data2')
ax.set_title('This is an example') # 设置标题
ax.set_xlabel('xlabel') # 设置xlabel
ax.set_ylabel('ylabel')
ax.grid('-.') # 开启网格
ax.legend() # 开启图例

当我们在一个图窗中有多个轴时，面向对象的绘图方式就体现出了它的优势，请看下面的例子：

x = np.random.randint(0,100,15)
y = np.random.randint(0,100,15)
fig, (ax1,ax2) = plt.subplots(1,2,sharex=True,sharey=False)
ax1.scatter(x,y,c='r',label='data1',marker='d')
ax2.scatter(y,x,c='b',label='data2')
ax1.set_title('This is an example')
ax2.set_xlabel('xlabel')
ax1.set_ylabel('ylabel')
ax2.grid(linestyle='-.')
ax1.legend()

三、风格美化

在撰写论文时，插图风格的统一有助于增加文章的美观性，Matplotlib下style包提供了设置统一风格的选项。

首先导入包：

from matplotlib import style

我们可以先查看一下有哪些可以使用的风格，使用

>>> style.available
['Solarize_Light2',
 '_classic_test_patch',
 '_mpl-gallery',
 '_mpl-gallery-nogrid',
 'bmh',
 'classic',
 'dark_background',
 'fast',
 'fivethirtyeight',
 'ggplot',
 'grayscale',
 'seaborn',
 'seaborn-bright',
 'seaborn-colorblind',
 'seaborn-dark',
 'seaborn-dark-palette',
 'seaborn-darkgrid',
 'seaborn-deep',
 'seaborn-muted',
 'seaborn-notebook',
 'seaborn-paper',
 'seaborn-pastel',
 'seaborn-poster',
 'seaborn-talk',
 'seaborn-ticks',
 'seaborn-white',
 'seaborn-whitegrid',
 'tableau-colorblind10']

此时，我们可以使用设置全局风格

style.use('seaborn') # seaborn是一个基于Matplotlib的绘图库

即可