Matplotlib基本用法
Matplotlib
Matplotlib 是Python中類似 MATLAB 的繪圖工具，熟悉 MATLAB 也可以很快的上手 Matplotlib。
1. 認識Matploblib
1.1 Figure
在任何繪圖之前，我們需要一個Figure對象，可以理解成我們需要一張畫板才能開始繪圖。
import matplotlib.pyplot as plt
fig = plt.figure()
1.2 Axes
在擁有Figure對象之后，在作畫前我們還需要軸，沒有軸的話就沒有繪圖基準，所以需要添加Axes。也可以理解成為真正可以作畫的紙。
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes',ylabel='Y-Axis', xlabel='X-Axis')
plt.show()
上的代碼，在一幅圖上添加了一個Axes，然后設(shè)置了這個Axes的X軸以及Y軸的取值范圍（這些設(shè)置并不是強制的，后面會再談到關(guān)于這些設(shè)置），效果如下圖：
對于上面的fig.add_subplot(111)就是添加Axes的，參數(shù)的解釋的在畫板的第1行第1列的第一個位置生成一個Axes對象來準備作畫。也可以通過fig.add_subplot(2, 2, 1)的方式生成Axes，前面兩個參數(shù)確定了面板的劃分，例如 2， 2會將整個面板劃分成 2 * 2 的方格，第三個參數(shù)取值范圍是 [1, 2*2] 表示第幾個Axes。如下面的例子：
fig = plt.figure()
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)
1.3 Multiple Axes
可以發(fā)現(xiàn)我們上面添加 Axes 似乎有點弱雞，所以提供了下面的方式一次性生成所有 Axes：
fig, axes = plt.subplots(nrows=2, ncols=2)
axes[0,0].set(title='Upper Left')
axes[0,1].set(title='Upper Right')
axes[1,0].set(title='Lower Left')
axes[1,1].set(title='Lower Right')
fig 還是我們熟悉的畫板， axes 成了我們常用二維數(shù)組的形式訪問，這在循環(huán)繪圖時，額外好用。
1.4 Axes Vs .pyplot
相信不少人看過下面的代碼，很簡單并易懂，但是下面的作畫方式只適合簡單的繪圖，快速的將圖繪出。在處理復雜的繪圖工作時，我們還是需要使用 Axes 來完成作畫的。
plt.plot([1, 2, 3, 4], [10, 20, 25, 30], color='lightblue', linewidth=3)
plt.xlim(0.5, 4.5)
plt.show()
2. 基本繪圖2D
2.1 線
plot()函數(shù)畫出一系列的點，并且用線將它們連接起來。看下例子：
import matplotlib.pyplot as plt
import numpy as npfig = plt.figure()
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)ax1.plot(x, y_sin)
ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12)
ax3.plot(x, y_cos, color='red', marker='+', linestyle='dashed')
plt.show()
在上面的三個Axes上作畫。plot，前面兩個參數(shù)為x軸、y軸數(shù)據(jù)。ax2的第三個參數(shù)是 MATLAB風格的繪圖，對應(yīng)ax3上的顏色，marker，線型。
另外，我們可以通過關(guān)鍵字參數(shù)的方式繪圖，如下例：
import matplotlib.pyplot as plt
import numpy as npx = np.linspace(0, 10, 200)
data_obj = {'x': x,'y1': 2 * x + 1,'y2': 3 * x + 1.2,'mean': 0.5 * x * np.cos(2*x) + 2.5 * x + 1.1}fig, ax = plt.subplots()#填充兩條線之間的顏色
ax.fill_between('x', 'y1', 'y2', color='yellow', data=data_obj)# Plot the "centerline" with `plot`
ax.plot('x', 'mean', color='black', data=data_obj)plt.show()
Plot the “centerline” with plot
ax.plot('x', 'mean', color='black', data=data_obj)
plt.show()
發(fā)現(xiàn)上面的作圖，在數(shù)據(jù)部分只傳入了字符串，這些字符串對一個這 data_obj 中的關(guān)鍵字，當以這種方式作畫時，將會在傳入給 data 中尋找對應(yīng)關(guān)鍵字的數(shù)據(jù)來繪圖。
2.2 散點圖
只畫點，但是不用線連接起來。
x = np.arange(10)
y = np.random.randn(10)
plt.scatter(x, y, color='red', marker='+')
plt.show()
2.3 條形圖
條形圖分兩種，一種是水平的，一種是垂直的，見下例子,
條形圖還返回了一個Artists 數(shù)組，對應(yīng)著每個條形，例如上圖 Artists 數(shù)組的大小為5，我們可以通過這些 Artists 對條形圖的樣式進行更改，如下例：
import matplotlib.pyplot as plt
import numpy as npnp.random.seed(1)
x = np.arange(5)
y = np.random.randn(5)fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1./2))vert_bars = axes[0].bar(x, y, color='lightblue', align='center')
horiz_bars = axes[1].barh(x, y, color='lightblue', align='center')
#在水平或者垂直方向上畫線
axes[0].axhline(0, color='gray', linewidth=2)
axes[1].axvline(0, color='gray', linewidth=2)fig, ax = plt.subplots()
vert_bars = ax.bar(x, y, color='lightblue', align='center')# We could have also done this with two separate calls to `ax.bar` and numpy boolean indexing.
for bar, height in zip(vert_bars, y):if height < 0:bar.set(edgecolor='darkred', color='salmon', linewidth=3)plt.show()
2.4 直方圖
直方圖用于統(tǒng)計數(shù)據(jù)出現(xiàn)的次數(shù)或者頻率，有多種參數(shù)可以調(diào)整，見下例：
import matplotlib.pyplot as plt
import numpy as npnp.random.seed(19680801)n_bins = 10
x = np.random.randn(1000, 3)fig, axes = plt.subplots(nrows=2, ncols=2)
ax0, ax1, ax2, ax3 = axes.flatten()colors = ['red', 'tan', 'lime']
ax0.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors)
ax0.legend(prop={'size': 10})
ax0.set_title('bars with legend')ax1.hist(x, n_bins, density=True, histtype='barstacked')
ax1.set_title('stacked bar')ax2.hist(x, histtype='barstacked', rwidth=0.9)ax3.hist(x[:, 0], rwidth=0.9)
ax3.set_title('different sample sizes')fig.tight_layout()
plt.show()
參數(shù)中density控制Y軸是概率還是數(shù)量，與返回的第一個的變量對應(yīng)。histtype控制著直方圖的樣式，默認是 ‘bar’，對于多個條形時就相鄰的方式呈現(xiàn)如子圖1， ‘barstacked’ 就是疊在一起，如子圖2、3。 rwidth 控制著寬度，這樣可以空出一些間隙，比較圖2、3. 圖4是只有一條數(shù)據(jù)時。
2.5 餅圖
餅圖自動根據(jù)數(shù)據(jù)的百分比畫餅.。labels是各個塊的標簽，如子圖一。autopct=%1.1f%%表示格式化百分比精確輸出，explode，突出某些塊，不同的值突出的效果不一樣。pctdistance=1.12百分比距離圓心的距離，默認是0.6.
import matplotlib.pyplot as plt
import numpy as nplabels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0) # only "explode" the 2nd slice (i.e. 'Hogs')fig1, (ax1, ax2) = plt.subplots(2)
ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True)
ax1.axis('equal')
ax2.pie(sizes, autopct='%1.2f%%', shadow=True, startangle=90, explode=explode,pctdistance=1.12)
ax2.axis('equal')
ax2.legend(labels=labels, loc='upper right')plt.show()
2.6 箱形圖
為了專注于如何畫圖，省去數(shù)據(jù)的處理部分。
import matplotlib.pyplot as plt
import numpy as npimport matplotlib.pyplot as plt
import numpy as np
all_data=[np.random.normal(0,std,100) for std in range(1,4)]figure,axes=plt.subplots() #得到畫板、軸
axes.boxplot(all_data,patch_artist=True) #描點上色
plt.show() #展示
3 布局、圖例說明、邊界等
3.1區(qū)間上下限
當繪畫完成后，會發(fā)現(xiàn)X、Y軸的區(qū)間是會自動調(diào)整的，并不是跟我們傳入的X、Y軸數(shù)據(jù)中的最值相同。為了調(diào)整區(qū)間我們使用下面的方式,具體效果見下例：
import matplotlib.pyplot as plt
import numpy as npfig, ax = plt.subplots()xmin =1
xmax=10
ymin=0
ymax=1
ax.set_xlim([xmin, xmax]) #設(shè)置X軸的區(qū)間
ax.set_ylim([ymin, ymax]) #Y軸區(qū)間
ax.axis([xmin, xmax, ymin, ymax]) #X、Y軸區(qū)間
ax.set_ylim(bottom=-10) #Y軸下限
ax.set_xlim(right=25) #X軸上限x = np.linspace(0, 2*np.pi)
y = np.sin(x)
fig, (ax1, ax2) = plt.subplots(2)
ax1.plot(x, y)
ax2.plot(x, y)
ax2.set_xlim([-1, 6])
ax2.set_ylim([-1, 3])
plt.show()
可以看出修改了區(qū)間之后影響了圖片顯示的效果。
3.2 圖例說明
我們?nèi)绻覀冊谝粋€Axes上做多次繪畫，那么可能出現(xiàn)分不清哪條線或點所代表的意思。這個時間添加圖例說明，就可以解決這個問題了，見下例：
import matplotlib.pyplot as plt
import numpy as npfig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [10, 20, 25, 30], label='Philadelphia')
ax.plot([1, 2, 3, 4], [30, 23, 13, 4], label='Boston')
ax.scatter([1, 2, 3, 4], [20, 10, 30, 15], label='Point')
ax.set(ylabel='Temperature (deg C)', xlabel='Time', title='A tale of two cities')
ax.legend()
plt.show()
在繪圖時傳入 label 參數(shù)，并最后調(diào)用ax.legend()顯示體力說明，對于 legend 還是傳入?yún)?shù)，控制圖例說明顯示的位置：
Location String Location Code
‘best’ 0
‘upper right’ 1
‘upper left’ 2
‘lower left’ 3
‘lower right’ 4
‘right’ 5
‘center left’ 6
‘center right’ 7
‘lower center’ 8
‘upper center’ 9
‘center’ 10
3.3 區(qū)間分段
默認情況下，繪圖結(jié)束之后，Axes 會自動的控制區(qū)間的分段。見下例：
上面不僅修改了X軸的區(qū)間段，并且修改了顯示的信息為文本。
import matplotlib.pyplot as plt
import numpy as npdata = [('apples', 2), ('oranges', 3), ('peaches', 1)]
fruit, value = zip(*data)fig, (ax1, ax2) = plt.subplots(2)
x = np.arange(len(fruit))
ax1.bar(x, value, align='center', color='gray')
ax2.bar(x, value, align='center', color='gray')ax2.set(xticks=x, xticklabels=fruit)#ax.tick_params(axis='y', direction='inout', length=10) #修改 ticks 的方向以及長度plt.show()
3.4 布局
當我們繪畫多個子圖時，就會有一些美觀的問題存在，例如子圖之間的間隔，子圖與畫板的外邊間距以及子圖的內(nèi)邊距，下面說明這個問題：
import matplotlib.pyplot as plt
import numpy as npfig, axes = plt.subplots(2, 2, figsize=(9, 9))
fig.subplots_adjust(wspace=0.5, hspace=0.3,left=0.125, right=0.9,top=0.9, bottom=0.1)#fig.tight_layout() #自動調(diào)整布局，使標題之間不重疊plt.show()
通過fig.subplots_adjust()我們修改了子圖水平之間的間隔wspace=0.5，垂直方向上的間距hspace=0.3，左邊距l(xiāng)eft=0.125 等等，這里數(shù)值都是百分比的。以 [0, 1] 為區(qū)間，選擇left、right、bottom、top 注意 top 和 right 是 0.9 表示上、右邊距為百分之10。不確定如果調(diào)整的時候，fig.tight_layout()是一個很好的選擇。之前說到了內(nèi)邊距，內(nèi)邊距是子圖的，也就是 Axes 對象，所以這樣使用 ax.margins(x=0.1, y=0.1)，當值傳入一個值時，表示同時修改水平和垂直方向的內(nèi)邊距。
觀察上面的四個子圖，可以發(fā)現(xiàn)他們的X、Y的區(qū)間是一致的，而且這樣顯示并不美觀，所以可以調(diào)整使他們使用一樣的X、Y軸：
import matplotlib.pyplot as plt
import numpy as npfig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True)
ax1.plot([1, 2, 3, 4], [1, 2, 3, 4])
ax2.plot([3, 4, 5, 6], [6, 5, 4, 3])
plt.show()
3.5 軸相關(guān)
改變邊界的位置，去掉四周的邊框：
import matplotlib.pyplot as plt
import numpy as npfig, ax = plt.subplots()
ax.plot([-2, 2, 3, 4], [-10, 20, 25, 5])
ax.spines['top'].set_visible(False) #頂邊界不可見
ax.xaxis.set_ticks_position('bottom') # ticks 的位置為下方，分上下的。
ax.spines['right'].set_visible(False) #右邊界不可見
ax.yaxis.set_ticks_position('left') # "outward"
# 移動左、下邊界離 Axes 10 個距離
#ax.spines['bottom'].set_position(('outward', 10))
#ax.spines['left'].set_position(('outward', 10))# "data"
# 移動左、下邊界到 (0, 0) 處相交
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))# "axes"
# 移動邊界，按 Axes 的百分比位置
#ax.spines['bottom'].set_position(('axes', 0.75))
#ax.spines['left'].set_position(('axes', 0.3))plt.show()
4. reference
https://zhuanlan.zhihu.com/p/38199913
https://guoqiang.blog.csdn.net/article/details/122522093
https://blog.csdn.net/qq_34859482/article/details/80617391
總結(jié)
以上是生活随笔為你收集整理的Matplotlib基本用法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
