Matplotlib（五）matplotlib基础用法

Matplotlib是一个综合的（comprehensive ）、用于创建静态、动态和交互性可视化Python库。先来看看一个典型的使用这个库的一个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 4, 0.05)
y = np.sin(x*np.pi)

fig, ax = plt.subplots(figsize=(3,2), constrained_layout=True)
ax.plot(x, y)
ax.set_xlabel('t [s]')
ax.set_ylabel('S [V]')
ax.set_title('Sine wave')
fig.set_facecolor('lightsteelblue')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

几乎所有的使用matplotlib都会使用到以下语句：

import matplotlib.pyplot as plt
1

它有什么作用？要讲清楚这个，得从import关键字说起。

一、import关键字导入库

import语句用于导入其他文件的方法、变量和类，这其实就是C++里边的导入库的操作。不过Python里边叫做模块（Module）。搜索库是按照一定的顺序搜索的，一般Python搜索库的顺序如下：

第一种语法：import module_name

• sys.path 我们pip install的三方库一般都是在这里（print(sys.path)可以查看这个目录）
• 当前目录（也就是运行程序的时候所在的目录）

Tips：最好不要用import来引用当前目录的python文件，因为它可能会出错。

第二种语法：from package_name import module_name/variable_name

一般，我们把模块组成的几何称为包（package），搜索的顺序和第一种语法一样。

顺便提一下几种常见的用法：

• import module_name as alias别名，放置模块名过长或者冲突
• from module_name import function_name, variable_name, class_name部分导出模块函数类和变量
• 反斜杠\换行

例子：

from numpy import pi
from numpy import deg2rad
from numpy import rad2deg
import matplotlib.pyplot # 表示从matplotlib库（其实是一个文件夹）输出pyplot模块
import numpy as np #
1
2
3
4
5

二、matplotlin.pyplot是一个重要接口类

一般而言，matplotlib将会被安装在Python的Lib/site-packages/matplotlib文件夹中，库名与文件名一致。库中内容就是一些*.py文件或者加密的*.pyd文件，里面有一个重要的文件pyplot.py，这是我们使用matplotlib库的接口对象，通过调用这个对象的方法可完成：

• 调用可绘制对象的构造函数，并将其显示在当前figure中；如Axes Figure text arrow gird legend
• 控制对象行为。如关闭Figure，重新绘制Figure，清空Figure clf，自适应数据 autoscale，标题title xlim yscale ytick
• 读取imread图像，rc rc_content rcdefaults rgrids等配置相关
• 以指定方式绘制数据。如：plot quiver pie scatter stairs specgram contour imshow stackplot

二、编程风格

2.1 面向对象或面向过程

面向对象或者面向过程。面向对象显式创建Figures和Axes，在新建的这两个对象上调用相应的方法；面向过程依赖的对象是pyplot，这将会自动创建和管理Figures和Axes，使用pyplot的方法而不是Figures和Axes的方法。

面向对象的绘制风格（OO-style）如下：

x = np.linspace(0, 2, 100)  # Sample data.

# 尽管这是一个面向对象的风格，但是我们仍然会使用pyplot来构造对象实例
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
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.
1
2
3
4
5
6
7
8
9
10
11

下面是绘制的结果：

面向对象这种绘制方式可以直接对很多细节进行控制，如果你只是想简单画个图，那么可以使用面向过程的方式，Matplotlib的官方Demo混杂了两种风格方式，总的来说，推荐使用OO-style尤其是那种比较复杂的绘制。下面是面向过程的绘制方法：

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 5, 0.1)
y = np.sin(x)
plt.plot(x,y) # 自动帮你管理Figure和Axes
1
2
3
4
5
6

2.2 辅助函数

对于一些你需要反复使用的plot，推荐使用一下的特征函数：

def my_plotter(ax, data1, data2, param_dict):
    """
    A helper function to make a graph.
    """
    out = ax.plot(data1, data2, **param_dict)
    return out
1
2
3
4
5
6

定义了上述函数，绘制时能节省不少力气：

data1, data2, data3, data4 = np.random.randn(4, 100)  # make 4 random data sets
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(5, 2.7))
my_plotter(ax1, data1, data2, {'marker': 'x'})
my_plotter(ax2, data3, data4, {'marker': 'o'});
1
2
3
4

三、Styling Artists 样式设计师

大多数plotting方法在调用的时候都会提供Artists对象的一些选项，比如说plot的线形，线宽，除了直接在调用时给定选项，你还可以在之后调用set_linestyle进行设置：

fig, ax = plt.subplots(figsize=(5, 2.7))
x = np.arange(len(data1))
ax.plot(x, np.cumsum(data1), color='blue', linewidth=3, linestyle='--')
l, = ax.plot(x, np.cumsum(data2), color='orange', linewidth=2)
l.set_linestyle(':');
1
2
3
4
5

下面来看看都有哪些东西可以供设置：

3.1 颜色

Matplotlib的颜色表示方式有多种，详细参考颜色教程。

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.scatter(data1, data2, s=50, facecolor='C0', edgecolor='k');
1
2

从上面可以看出，就算对同散点，都能对点边缘和内部的颜色进行控制，非常灵活。

3.2 线宽Linewidths 线形linestyles 标记大小 markersizes

默认情况下，线宽是可供打印的点（1pt=1/72inch=0.35mm），划出来的线（stroked line）可设置线性，具体可以参考Linestyles，标记的大小可以设置，具体含义取决于绘制的类型。

四、标签绘制

4.1 文本绘制

我们可以往figure任意位置中绘制文本，方法是使用text，matplotlib有一些方法是设置特定文字到指定有特殊含义的区域，如：set_xlabel set_ylabel set_title等：

mu, sigma = 115, 15
x = mu + sigma * np.random.randn(10000)
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
# the histogram of the data
n, bins, patches = ax.hist(x, 50, density=1, facecolor='C0', alpha=0.75)

ax.set_xlabel('Length [cm]')
ax.set_ylabel('Probability')
ax.set_title('Aardvark lengths\n (not really)')
ax.text(75, .025, r'$\mu=115,\ \sigma=15$')
ax.axis([55, 175, 0, 0.03])
ax.grid(True);
1
2
3
4
5
6
7
8
9
10
11
12

4.2 使用数学表达式

Matplotlib可以绘制符合Tex语法的文本表达式。如：

ax.set_title(r'$\signma_i=15')
1

在字符串前加上r原始字符串，因为Matplotlib内置了Tex语法解析和布局引擎，使用上非常方便。

4.3 Annotations 注释、注解

fig, ax = plt.subplots(figsize=(5, 2.7))

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2 * np.pi * t)
line, = ax.plot(t, s, lw=2)

ax.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

ax.set_ylim(-2, 2);
1
2
3
4
5
6
7
8
9
10

4.4 图例（legend）

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.plot(np.arange(len(data1)), data1, label='data1')
ax.plot(np.arange(len(data2)), data2, label='data2')
ax.plot(np.arange(len(data3)), data3, 'd', label='data3')
ax.legend();
1
2
3
4
5

有关于Legend的详细教程，见Legend Guide

五、轴范围（Axis scales）和标号（tick）

每一个Axes都含有两个（或者三个）Axis对象。除了表示线性范围外，Matplotlib还可以表示log-scale，因为对数很常见，因此有一些直接的方法（如loglog semilogx semilogy）等，使用如下：

fig, axs = plt.subplots(1, 2, figsize=(5, 2.7), layout='constrained')
xdata = np.arange(len(data1))  # make an ordinal for this
data = 10**data1
axs[0].plot(xdata, data)

axs[1].set_yscale('log')
axs[1].plot(xdata, data);
1
2
3
4
5
6
7

matplotlib将会根据你设置的scale进行数据的绘制，tick将会被展示的非常合理。

六、Tick locators and formatters

在每个tick上面的文字是可以定制的，他可以通过tick_locator 和formatter来控制，如下：

fig, axs = plt.subplots(2, 1, layout='constrained')
axs[0].plot(xdata, data1)
axs[0].set_title('Automatic ticks')

axs[1].plot(xdata, data1)
axs[1].set_xticks(np.arange(0, 100, 30), ['zero', '30', 'sixty', '90'])
axs[1].set_yticks([-1.5, 0, 1.5])  # note that we don't need to specify labels
axs[1].set_title('Manual ticks');
1
2
3
4
5
6
7
8

Plotting dates and strings

Matplotlib可以处理日期和字符串数组的数据，就和我们处理浮点数一样。对于一个日期：

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
dates = np.arange(np.datetime64('2021-11-15'), np.datetime64('2021-12-25'),
                  np.timedelta64(1, 'h'))
data = np.cumsum(np.random.randn(len(dates)))
ax.plot(dates, data)
cdf = mpl.dates.ConciseDateFormatter(ax.xaxis.get_major_locator())
ax.xaxis.set_major_formatter(cdf);
1
2
3
4
5
6
7

对于字符串：

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
categories = ['turnips', 'rutabaga', 'cucumber', 'pumpkins']

ax.bar(categories, np.random.rand(len(categories)));
1
2
3
4

2.2 可以处理的数据类型
绘制类的函数如plot，处理的数据可以是numpy.array numpy.ma.masked_array或者可以被numpy.asarray转换成numpy.array和 numpy.ma.masked_array的数据。

---

[1] https://blog.csdn.net/dreaming_coder/article/details/110835351
[2] https://zhuanlan.zhihu.com/p/63143493
[3] https://matplotlib.org/stable/tutorials/introductory/usage.html