前言

本篇开始学习Matplotlib的常规用法，以及最佳实践帮助你掌握Matplotlib库。

一个简单的例子

创建一个图表(Figure)，里面包含一个坐标轴(Axes)

# Create a figure containing a single axes.fig, ax = plt.subplots()# Plot some data on the axesax.plot([1, 2, 3, 4], [1, 4, 2, 3])plt.show()

Figure（相当于一个绘制窗口、或者是绘制组件），每个Figure包含一个Axes，Axes可以绘制x-y-z坐标轴的图形。以上调用创建一个二维的坐标图

坐标轴

图表组件

有些名词翻译成中文反而不好理解，所以后续对于重点名词不翻译，以下四个非常重要

(1) Figure

Figure保存所有的Axes记录，Axes由一系列的Artist组成。最简单的创建Figure的方式

fig = plt.figure()  # an empty figure with no Axesfig, ax = plt.subplots()  # a figure with a single Axesfig, axs = plt.subplots(2, 2)  # a figure with a 2x2 grid of AxesAxes

(2) Axes

Axes是附着于Figure之上，通常包含两个Axis对象，可以对Axes上的数据进行拉伸操作。Axes可以通过set_title()函数改变名字。

(2) Axis（轴）

通过Locator决定点的位置，通过Formatter生成点的标签。

(4) Artist

所有Figure上可见的东西都是Artist（包括Figure, Axes, Axis, Text, Line2D, Patch)等。所有的Artist都是通过canvas进行绘制的，绝大部分的Artists都依附于Axes。

输入数据的种类

绘制函数都需要numpy.array或者numpy.ma.masked_array数组作为输入，或者可以传递到numpy.asarray的对象。一些和数组相似的类，比如pandas, dumpy.matrix是不能传递到绘制函数上的，它们都需要转化为numpy.array对象。

b = np.matrix([[1, 2], [3, 4]])b_asarray = np.asarray(b)

输出

[[1 2] [3 4]]

绘制函数也可以解析类似dict，numpy.recarray, pandas.DataFrame等可寻址的对象。

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']) * 100fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')ax.scatter(x='a', y='b', c='c', s='d', data=data)ax.set_xlabel('entry a')ax.set_ylabel('entry b');

scatter()函数中x和y表示坐标位置，c表示坐标点的颜色，s表示坐标点的大小，data表述传递进来的数据。

传递数据

编码风格

有两种使用Matplotlib绘制的方式：

1. 创建Figure和Axes对象，通过对象调用相关方法；
2. 依靠pyplot自动创建和管理Figure和Axes，使用pyplot函数进行绘制

使用面向对象的方式

x = np.linspace(0, 2, 100)  # Sample data.# Note that even in the OO-style, we use `.pyplot.figure` to create the Figure.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.plt.show()

绘制三条线条

编码风格

使用pyplot方式绘制

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()plt.show()

得到的结果和面向对象一样的，还有第三种绘制方式，后续会介绍。Matplotlib的示例中面向对象的方式和pyplot的方式都会使用。通常来说建议使用面向对象的方式，但是pyplot的方式可以更快递完成交互工作。

如果有代码重复的地方，可以编写帮助函数，比如重复绘制一些点：

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

传递不同的数据调用帮助函数绘制

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

marker是点的标记形式

帮助函数