matplotlib入门之抛砖引玉

鉴于以往使用matplotlib都是百度来的，一旦自己上手就无能为力，所以这次简单入门一下matplotlib，搞清楚基本概念和基础用法。之所以又叫抛砖引玉是因为matplotlib比较太强，不可能总结的完，所以主要针对常用而进行的总结，如果能够基本了解，后面遇到更高要求百度一下函数的参数啊之类的，就可以制作更高端的效果。

1、基本概念

在使用matplotlib时需要了解figure和axes两个概念。figure就是一张画布，没有任何内容的画布。axes不好解释，它是轴axis的复数形式，意味着axes是一套坐标轴，一套坐标就包括了标题、轴名、样式等等。

所以我们画图都是先建一个figure，然后再建一个axes，然后在axes上绘制曲线、设置title、设置样式等（实际上很多代码都是直接plt.xxx开始画，这可以理解为高级API，都自动帮你处理了，但是遇到复杂一点的可能就没那么灵活了，所以建议还是按上面这种最佳实践方法来写）。

2、新建一个简单的demo

首先是构建figure和axes，一般有三种方式：

fig=plt.figure()  # 新建一个空figure，没有axes
fig,ax=plt.subplots()  # 新建一个有axes的figure

#新建一个有2*2个格子的axes的figure。比如这里fig就是整个图，而ax有4个子元素，每个元素代表一个格子让我们绘图
fig,ax1=plt.subplots(2,2)  

（plt.xxx简单但是不灵活，建议不要这么写）

比如在一个figure上划分两个Axes，一个画sin函数图，一个画cos函数图。

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(1, 2)	# 将Axes划分为1*2个格子

x = np.arange(0, 10, 0.1)
sin = np.sin(x)
cos = np.cos(x)

ax[0].plot(x, sin)  # 格子1绘制sin函数
ax[1].plot(x, cos)  # 格子2绘制cos函数

plt.show()  # 显式（在后面会介绍为什么要show）
'
运行
运行

3、“美化”

从2中我们绘制了一个图，但是信息太少了，什么title、style都没有。但是一个图有很多属性，比如轴、间距、标题等等，具体它们是指什么？设置他们的方法又是什么？

从上图我们就得到一些常用的诸如轴名、标题、图例等样式的设置。

总体来说可以分为两种，一种是针对Axes的，比如坐标轴需要设置标题、轴名、控制轴间距范围等等；另一种是针对图（也就是根据数据画的线条等）需要设置颜色、样式等等

针对Axes：

# 比如
axes.Axes.set_xlim()和axes.Axes.set_ylim()  # 手动设置值域范围
axes.Axes.set_title()  # 标题
axes.Axes.set_xlabel()和axes.Axes.set_ylabel()  # 轴名
......

针对图：
这部分主要是设置颜色、标记、线条样式等。

先看例子，下图是ax[1].plot(x, cos,'r-.v')的绘制效果，在这里'r-.v'就是规定了线条为红色+点划线+节点用倒三角表示，其实就是颜色字符+线型字符+标记字符的组合。

• 颜色字符：‘b’ 蓝色，‘m’ 洋红色，‘g’ 绿色，‘y’ 黄色，‘r’ 红色，‘k’ 黑色，‘w’ 白色，‘c’ 青绿色，‘#008000’ RGB 颜色符串。多条曲线不指定颜色时，会自动选择不同颜色
• 线型参数：‘‐’ 实线，‘‐‐’ 破折线，‘‐.’ 点划线，‘:’ 虚线
• 标记字符：‘.’ 点标记，‘,’ 像素标记(极小点)，‘o’ 实心圈标记，‘v’ 倒三角标记，‘^’ 上三角标记，‘>’ 右三角标记，‘<’ 左三角标记

注意线型参数和标记字符联合决定线条样式，如果都不指定则采用模型线条，如果只指定标记字符则不显式线型（也就是如果fmt指定为’o’，则图形只有节点没有连线，就成了散点图）

更多fmt以及复杂的属性设定：

• Matplotlib 绘图标记
• matplotlib.markers

综合上面针对Axes和图的“美化”，一个demo如下：

		import matplotlib.pyplot as plt
		import numpy as np
		
		fig, ax = plt.subplots(1, 2) # 创建一个带Axes的fig，并划分为两个格子
		
		x = np.arange(0, 10, 0.1)
		sin = np.sin(x)
		cos = np.cos(x)
		
		# ax[0] 表示格子1
		ax[0].plot(x, sin,'o')    # 表示为蓝色-实现-节点用实心圈表示
		ax[0].set_title("sin function")  # 设置标题
		ax[0].set_xlabel("x axis")  # 设置x轴名
		ax[0].set_ylabel("y axis")  # 设置y轴名
		
		ax[1].plot(x, cos,'r-.v')   # 表示为 红色-点划线--节点用倒三角表示
		ax[1].set_title("cos function")
		ax[1].set_xlabel("x axis")
		ax[1].set_ylabel("y axis")
		
		plt.show()

4、如何在一个Axes同时画多个曲线

简单，遵循一个函数：plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)
比如：

ax[0].plot(x, sin,'o',x,cos,'r-.v') # 依次画sin和cos函数图像

（实际上调用两次plot也行）

5、数据类型

上面说了这么多，那么能够plot的数据类型是什么？

• ndarray
• list（其实是自动转ndarray）

6、plt在jupyter和pycharm中使用的区别

经验发现，plt在jupyter和pycharm中使用有所不同，主要是显示方法上的不同。比如pycharm必须要加plt.show()才能正常显示。

这里主要是object-oriented interface和pyplot interface的区别：

• OO interface：显式创建figure和axes，然后调用这些对象的方法

x = np.linspace(0, 2, 100)

# Note that even in the OO-style, we use `.pyplot.figure` to create the figure.
fig, ax = plt.subplots()  # Create a figure and an axes.
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.

• pyplot interface：靠pyplot自动创建和管理axes，然后使用pyplot函数画图。（所以很多plt都没有创建figure和axes也能运行）

x = np.linspace(0, 2, 100)

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()

正因为这些区别，pyplot interface通常用在交互式比如jupyter这种里面，而OO interface用在非交互式比如pycharm这种直接在函数里或代码里使用。

show()：
在非交互式模式中，所有的行为都是delay的，要等show函数之后才执行。show函数能够被调用多次，等上一个窗口关闭后才显式下一张图片：

import numpy as np
import matplotlib.pyplot as plt

plt.ioff()
for i in range(3):
    plt.plot(np.random.rand(10))
    plt.show()
'
运行
运行

7、显示图片

上面都是在绘制曲线等使用，但是我们还可以使用plt来显示图片。

主要使用plt.imshow()来显示图像，参数如下：

plt.imshow(X,
           cmap=None,
           norm=None,
           ......
          )

7.1 参数：X

标量数据（意味着不能是tensor？），可以是RGB(A)的3D或4D数据，也可以是2D数据（默认伪彩色显示）。支持的数组形状包括： (W,H)、(W,H,3)、 (W,H,4)（通道后置）。

数据类型为0~1的浮点数或者0~255的整型数

注意伪彩色：对于2D的灰度图使用了cmap来控制显示色彩，如果直接显示，会显示伪彩色图的图像（默认cmap=“viridis”）。

对于RGB和RGBA则忽略cmap，正常显示。所以如果像显示灰度图则需要修改cmap='gray'或者cmap=plt.cm.gray

7.2 参数：cmap

在7.1中已经有所了解，plt中有很多种cmap，在color example code: colormaps_reference.py，并且你可以在Source code运行，会可视化出各种cmap样式，供你选择，图例代表最左侧值=0，最右侧值=1(或者uint8的255)，所以你图中像素值接近0的就显示左侧的颜色，像素值接近1的就显示右侧的颜色。

比如会灰度图像换上’bwr’（从图例看出越黑颜色越蓝，月亮颜色越红，中间亮度则越白）的cmap样式：

7.3 参数：norm

该参数用于在进行cmap颜色映射前，将输入data缩放到[0,1]之间。默认使用线性缩放：将最小值映射为0，最大值映射为1.

当然也可以指定比如’linear’,'log’等其他映射变换方式。