Matplotlib入门篇，也可以很酷炫

2023-02-28

plt ax fig

哈喽，大家好。今天写一篇Matplotlib的入门教程。Matplotlib是Python数据可视化库，广泛应用在数据分析和机器学习中。1.第一张图Matplotlib支持面向对象和pyplot接口两种方式画图。以这两种方式为例，画出如下图所示的函数图。y=x^2面向对象方式复制import&nbs

哈喽，大家好。今天写一篇 Matplotlib 的入门教程。

Matplotlib 是 Python 数据可视化库，广泛应用在数据分析和机器学习中。

1. 第一张图

Matplotlib 支持面向对象和pyplot接口两种方式画图。

以这两种方式为例，画出如下图所示的函数图。

y=x^2

面向对象方式

import matplotlib.pyplot as plt 
import numpy as np 
 
x = np.linspace(0, 2, 100) 
 
fig, ax = plt.subplots() 
ax.plot(x, x**2) # 折线图 
ax.set_xlabel('x') # 设置横坐标名称 
ax.set_ylabel('y') # 设置纵坐标标签 
ax.set_title("y = x^2") # 设置标题 
 
plt.show() 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

plt.subplots() 函数返回fig和ax，分别是Figure对象和Axes对象。前者代表画布，后者代表画布上的绘图区域，很显然画布和绘图区域是一对多的关系。

之后关于绘图的设置，都通过Axes对象完成。

pyplot方式

import matplotlib.pyplot as plt 
import numpy as np 
 
x = np.linspace(0, 2, 100) 
 
plt.figure() 
plt.plot(x, x**2) 
plt.xlabel('x') 
plt.ylabel('y') 
 
plt.show() 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.

pyplot方式绘图和设置都通过plt来完成，没有对象的概念。

虽然这两种方式都能画图，但官方更建议采用面向对象的方式。

2. 支持多种图形

除了上面例子中看到的折线图，Matplotlib 还支持以下图形：

stackplot：堆叠图
bar/barh：柱状图
hist：直方图
pie：饼形图
scatter：散点图
contourf：等高线图
boxplot：箱型图
violinplot：提琴图

另外，Matplotlib 还是支持 3D 绘图

3. 常见设置

在第一小节的例子里，我们通过set_xlabel和set_title设置坐标轴名称和标题。

除此之外，还可以添加注释和图例。

x = np.linspace(0, 2, 100) 
 
fig, ax = plt.subplots() 
ax.plot(x, x**2, label='二次函数') 
ax.set_xlabel('x') 
ax.set_ylabel('y') 
ax.set_title("y = x^2") 
 
# 添加注释 
ax.annotate('坐标(1,1)', xy=(1, 1), xytext=(0.5, 1.5), 
            arrowprops=dict(facecolor='black', shrink=0.05)) 
# 添加图例 
ax.legend() 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

还可以设置坐标轴的格式

ax.xaxis.set_major_formatter('x坐标{x}') 
1.

如果坐标轴是日期会非常有用，可以将日期转成周、月、季度等格式。

4. 一个画布多图形前面提到过，一个画布可以有多个绘图区域。

下面使用plt.subplots()函数可以创建2行2列，4个绘图区域。

import matplotlib.pyplot as plt 
import numpy as np 
 
fig, axs = plt.subplots(ncols=2, nrows=2, figsize=(5.5, 3.5), 
                        constrained_layout=True) 
# add an artist, in this case a nice label in the middle... 
for row in range(2): 
    for col in range(2): 
        axs[row, col].annotate(f'axs[{row}, {col}]', (0.5, 0.5), 
                               transform=axs[row, col].transAxes, 
                               ha='center', va='center', fontsize=18, 
                               color='darkgrey') 
fig.suptitle('plt.subplots()') 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

也可以通过subplot_mosaic()函数创建

fig, axd = plt.subplot_mosaic([['upper left', 'upper right'], 
                               ['lower left', 'lower right']], 
                              figsize=(5.5, 3.5), constrained_layout=True) 
for k in axd: 
    annotate_axes(axd[k], f'axd["{k}"]', fontsize=14) 
fig.suptitle('plt.subplot_mosaic()') 
1.
2.
3.
4.
5.
6.

通过subplot_mosaic()函数，还可以将其他几个绘图区域合并成一个。

fig, axd = plt.subplot_mosaic([['upper left', 'right'], 
                               ['lower left', 'right']], 
                              figsize=(5.5, 3.5), constrained_layout=True) 
for k in axd: 
    annotate_axes(axd[k], f'axd["{k}"]', fontsize=14) 
fig.suptitle('plt.subplot_mosaic()') 
1.
2.
3.
4.
5.
6.

通过 GridSpec 也可以创建更复杂的绘图区域。

fig = plt.figure(constrained_layout=True) 
gs0 = fig.add_gridspec(1, 2) 
 
gs00 = gs0[0].subgridspec(2, 2) 
gs01 = gs0[1].subgridspec(3, 1) 
 
for a in range(2): 
    for b in range(2): 
        ax = fig.add_subplot(gs00[a, b]) 
        annotate_axes(ax, f'axLeft[{a}, {b}]', fontsize=10) 
        if a == 1 and b == 1: 
            ax.set_xlabel('xlabel') 
for a in range(3): 
    ax = fig.add_subplot(gs01[a]) 
    annotate_axes(ax, f'axRight[{a}, {b}]') 
    if a == 2: 
        ax.set_ylabel('ylabel') 
 
fig.suptitle('nested gridspecs') 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.