使用Matplotlib美化和修饰图形

1. 调整坐标轴和刻度

作为函数图像那个的必要组成部分，坐标轴和刻度直接反映了图形中变量的数值规模的范围

适当的调整和美化坐标轴及刻度能够让图形一目了然。

1.1 设置坐标轴刻度

刻度是图形的一部分，由刻度定位器(Tick Locator)和刻度格式器(Tick Formatter)两部分组成，其中刻度定位器用于制定刻度所在的位置，刻度格式器用于制定刻度显示。

刻度分为主刻度(Major Ticks)和次刻度(Minor Ticks)，可以分别制定二者的位置和格式，次刻度默认为不显示。

为了展示设置刻度参数的效果，可以先使用plot()函数生成一条余弦曲线，代码如下：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import AutoLocator,MultipleLocator,FormatStrFormatter
x=np.linspace(0,5,100)
y=np.cos(x)
fig=plt.figure(figsize=(4,4))
ax=fig.add_subplot(111)
ax.plot(x,y,lw=2)
plt.show()

接着设置坐标轴范围和主，次坐标轴

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import AutoMinorLocator,MultipleLocator,FormatStrFormatter
x=np.linspace(0,5,100)
y=np.cos(x)
fig=plt.figure(figsize=(4,4))
ax=fig.add_subplot(111)ax.set_xlim(0,5)
ax.set_ylim(-1.5,1.5)
ax.xaxis.set_major_locator(MultipleLocator(1)) #将主刻度设为1的倍数
ax.yaxis.set_major_locator(MultipleLocator(1))
ax.xaxis.set_minor_locator(AutoMinorLocator(2))
ax.yaxis.set_minor_locator(AutoMinorLocator(5))ax.plot(x,y,lw=2)
plt.show()

可见，手工设置坐标轴范围和加入次坐标轴后，横轴的两个主刻度之间被平分成了两等分

纵轴的两个刻度之间被平均分成了5等分，而且曲线的弯曲程度也随之发生了一些变化。

1.2 设置坐标轴的标签文本

为了将次刻度对应的数值显示出来，可以使用以下代码调整坐标轴刻度的显示样式

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import AutoMinorLocator,MultipleLocator,FormatStrFormatter
x=np.linspace(0,5,100)
y=np.cos(x)
fig=plt.figure(figsize=(4,4))
ax=fig.add_subplot(111)ax.set_xlim(0,5)
ax.set_ylim(-1.5,1.5)
ax.xaxis.set_major_locator(MultipleLocator(1)) #将主刻度设为1的倍数
ax.yaxis.set_major_locator(MultipleLocator(1))
ax.xaxis.set_minor_locator(AutoMinorLocator(2))
ax.yaxis.set_minor_locator(AutoMinorLocator(5))ax.xaxis.set_minor_formatter(FormatStrFormatter('%5.1f')) #设置x轴标签文本格式
ax.yaxis.set_minor_formatter(FormatStrFormatter('%5.1f'))
ax.tick_params(which='minor',length=5,width=1,labelsize=8,labelcolor='r')
ax.tick_params('y',which='major',length=8,width=1,labelsize=10,labelcolor='b')
ax.plot(x,y,lw=2)
plt.show()

1.3 绘制刻度的网格线

为了更直观的看出图形子某些点的取值，可以给图形加上网格线，以下代码增加了主刻度的网格线，以蓝色虚线表示

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import AutoMinorLocator,MultipleLocator,FormatStrFormatter
x=np.linspace(0,5,100)
y=np.cos(x)
fig=plt.figure(figsize=(4,4))
ax=fig.add_subplot(111)ax.set_xlim(0,5)
ax.set_ylim(-1.5,1.5)
ax.xaxis.set_major_locator(MultipleLocator(1)) #将主刻度设为1的倍数
ax.yaxis.set_major_locator(MultipleLocator(1))
ax.xaxis.set_minor_locator(AutoMinorLocator(2))
ax.yaxis.set_minor_locator(AutoMinorLocator(5))ax.xaxis.set_minor_formatter(FormatStrFormatter('%5.1f')) #设置x轴标签文本格式
ax.yaxis.set_minor_formatter(FormatStrFormatter('%5.1f'))
ax.tick_params(which='minor',length=5,width=1,labelsize=8,labelcolor='r')
ax.tick_params('y',which='major',length=8,width=1,labelsize=10,labelcolor='b')ax.grid(ls=':',lw=0.8,color='b')
ax.plot(x,y,lw=2)
plt.show()

1.4 移动坐标轴的位置

很多人觉得图形只能绘制在直角坐标系的第一象限。其实不然，有时也可以通过移动坐标轴载体并设置刻度线的位置，来实现移动坐标轴，达到图形在四个象限完整显示的目的。以下代码将余弦函数显示在四个象限中，为了图形美观，增大了画布尺寸。

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import AutoMinorLocator,MultipleLocator,FormatStrFormatter
x=np.linspace(-5,5,100)
y=np.cos(x)
fig=plt.figure(figsize=(8,6))
ax=fig.add_subplot(111)ax.set_xlim(-5,5)
ax.set_ylim(-1.5,1.5)
ax.xaxis.set_major_locator(MultipleLocator(1)) #将主刻度设为1的倍数
ax.yaxis.set_major_locator(MultipleLocator(1))
ax.xaxis.set_minor_locator(AutoMinorLocator(2))
ax.yaxis.set_minor_locator(AutoMinorLocator(5))ax.xaxis.set_minor_formatter(FormatStrFormatter('%5.1f')) #设置x轴标签文本格式
ax.yaxis.set_minor_formatter(FormatStrFormatter('%5.1f'))
ax.tick_params(which='minor',length=5,width=1,labelsize=8,labelcolor='r')
ax.tick_params('y',which='major',length=8,width=1,labelsize=10,labelcolor='b')ax.spines['right'].set_color('b')
ax.spines['top'].set_color('r')
ax.spines['bottom'].set_color('y')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')ax.grid(ls=':',lw=0.8,color='b')
ax.plot(x,y,lw=2)
plt.show()

2. 添加标题，图例和注释文本

好的图形需要给出恰当的标题，适当的注释及必要的图例，以方便阅读者理解图形的作用和没一部分的含义。

2.1 设置标题的展示样式

设置图形的标题可以通过title()函数实现，以下代码使用蓝色20号楷体字为上图添加了标题

plt.title('余弦函数在[-5,5]的图像',family='STXINWEI',size=20,color='b',loc='right')

2.2 添加注释文本

分为指向性注释和非指向性注释分别使用annotate()函数和text()函数实现

ax.annotate('y=sin(x)',xy=(2.5,0.6),xytext=(3.5,0.6),arrowprops=dict(arrowstyle='->',facecolor='black'))
ax.text(-2.1,0.65,'y=cos(x)',color='b',bbox=dict(facecolor='black',alpha=0.2))

annotate()和text()的主要区别是annotate()可以使用arrowprops参数添加箭头，使用xytext参数添加文本

上述示例运行结果如下：

3.设置线性和文本字体

3.1 设置线型样式

常用四种线型：点虚线，点画线，破折线，实直线

import matplotlib.pyplot as plt
import numpy as np
fig=plt.figure()
ax=fig.add_subplot(111)
linestyles=['-','--','-.',':']
x=np.arange(1,11,1)
y=np.linspace(1,1,10)
for i ,ls in enumerate(linestyles):ax.text(0,i+0.5,"{}".format(ls),family='Arial',color='b',weight='black',size=12)ax.plot(x,(i+0.5)*y,ls=ls,color='r',lw=3)
ax.set_xlim(-1,11)
ax.set_ylim(0,4.5)
ax.set_xticks([])
ax.set_yticks([]) #可以不显示坐标轴的值
plt.show()

下面介绍常用标记样式

import matplotlib.pyplot as plt
import numpy as np
fig=plt.figure()
ax=fig.add_subplot(111)
linemarkernames=['. 点形','o 圆圈','v 向下的三角形','^ 向上的三角形','< 向左的三角形','> 向右的三角形','s 正方形','p 五边形','* 星形','+ +形','x x形','| 竖线','_ 横线',]
linemarkerstyles=['.','o','v','^','<','>','s','p','*','+','x','|','_']
x=np.arange(5,11,1)
y=np.linspace(1,1,6)
print(y)
for i,marker in enumerate(linemarkerstyles):ax.text(0,i*1.8+1,linemarkernames[i],family='STXINWEI',color='b',weight='black',size=12)ax.plot(x,i*1.8*y+1,marker=marker,color='r',ls=':',lw=2,markersize=6)ax.set_xlim(-1,11)
ax.set_ylim(0,24)
ax.margins(0.3)
ax.set_xticks([])
ax.set_yticks([])
plt.show()

3.2 设置文本属性和字体属性

import  matplotlib.pyplot as plt
families=['arial','tahoma','verdana']
sizes=['xx-small','x-small','small','medium','large','x-large','xx-large']
styles=['normal','italic','oblique']
variants=['normal','small-caps']
weights=['light','normal','medium','roman','semibold','demibold','demi','bold','heavy','extra bold','black']
fig=plt.figure()
ax=fig.add_subplot(111)
ax.set_xlim(0,9)
ax.set_ylim(0,100)
y=0
size=sizes[0]
style=styles[0]
weight=weights[0]
variant=variants[0]
for family in families:x=0y=y+6for size in sizes:y=y+4samply=family+' '+sizeax.text(x,y,samply,family=family,size=size,style=style,weight=weight)
y=0
family=families[0]
size=sizes[4]
variant=variants[0]
for weight in weights:x=5y=y+0.5for style in styles:y=y+3samply=weight+' '+styleax.text(x, y, samply, family=family, size=size, style=style, weight=weight)ax.set_axis_off() #不显示坐标轴
plt.show()

python共有3种设置文字属性的方法

(1)对每个函数的每个参数单独指定取值，确定字体，字号，颜色等效果

(2)使用字典存储字体，字号，颜色等属性和取值，作为函数的关键字参数传入

(3)通过调整属性字典rcParams中的字体，字号，颜色等属性值实现

以下代码为图形中的文字指定了共同的字体，字号，颜色，为曲线指定了共同的线形和宽度

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import AutoMinorLocator,MultipleLocator,FormatStrFormatter
x=np.linspace(-5,5,100)
y=np.cos(x)
y1=np.sin(x)
elements=['正弦函数','余弦函数']
fig=plt.figure(figsize=(8,6))
ax=fig.add_subplot(111)plt.rcParams['lines.linewidth']=2
plt.rcParams['lines.linestyle']='-'
plt.rcParams['font.family']='STXINWEI'
plt.rcParams['font.style']='normal'
plt.rcParams['font.weight']='black'
plt.rcParams['font.size']='14'
plt.rcParams['text.color']='black'ax.set_xlim(-5,5)
ax.set_ylim(-1.5,1.5)
ax.xaxis.set_major_locator(MultipleLocator(1)) #将主刻度设为1的倍数
ax.yaxis.set_major_locator(MultipleLocator(1))
ax.xaxis.set_minor_locator(AutoMinorLocator(2))
ax.yaxis.set_minor_locator(AutoMinorLocator(5))ax.xaxis.set_minor_formatter(FormatStrFormatter('%5.1f')) #设置x轴标签文本格式
ax.yaxis.set_minor_formatter(FormatStrFormatter('%5.1f'))
ax.tick_params(which='minor',length=5,width=1,labelsize=8,labelcolor='r')
ax.tick_params('y',which='major',length=8,width=1,labelsize=10,labelcolor='b')ax.spines['right'].set_color('b')
ax.spines['top'].set_color('r')
ax.spines['bottom'].set_color('y')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')ax.annotate('y=sin(x)',xy=(2.5,0.6),xytext=(3.5,0.6),arrowprops=dict(arrowstyle='->',facecolor='black'))
ax.text(-2.1,0.65,'y=cos(x)',color='b',bbox=dict(facecolor='black',alpha=0.2))plt.title('余弦函数在[-5,5]的图像',family='STXINWEI',size=20,color='b',loc='right')
cosine,=ax.plot(x,y)
sine,=ax.plot(x,y1)
plt.legend([sine,cosine],elements,loc='best')
ax.grid(ls=':',lw=0.8,color='b')
ax.plot(x,y,lw=2)
plt.show()

4. 使用颜色

4.1 使用颜色参数

颜色参数传入色彩值有3种方法

(1)使用色彩的英文单词，其中常用颜色可以使用单字母缩写

(2)使用16进制RGB字符串，不用区分大小写，如#8e3e1f表示栗色

(3)使用RGB或RGBA数字元组，表示每一个元素的取值范围为0~1，如(0.6,0.3,0.7,0.8)

以下代码选取了上述颜色中的6种来绘制直线

import matplotlib.pyplot as plt
import numpy as np
fig=plt.figure()
ax=fig.add_subplot(111)
colors=['k','lightgreen','skyblue','#8e3e1f','#f2eada',(0.6,0.3,0.7,0.8)]
x=np.arange(3,13,1)
y=np.linspace(1,1,10)
for i,color in enumerate(colors):ax.text(0,i+0.2,"{}".format(color),family='Arial',color='b',size=8)ax.plot(x,(i+0.2)*y,ls='-',color=color,lw=6)print(x)print((i+0.2)*y)
ax.set_xlim(-1,12)
ax.set_ylim(0,5.5)
ax.set_xticks([])
ax.set_yticks([])
plt.show()

4.2 使用色彩映射和颜色标尺

色彩映射是将不同亮度映射到不同色彩的操作，使用色彩映射可以冲哦那个新调整图像，使其在新的色彩空间中显示。可以在image(),pcolor()和scatter()等函数上使用色彩映射。

常用的色彩映射分为以下三类：

Sequential:同一颜色从低饱和度过度到高饱和度的单色色彩映射，如Greys，Oranges，PuBuGn，autumn，winter等
Diverging：从中间的明亮颜色过渡到两个不同颜色范围的方向上，如PiYG，RdYlBu，Spectral等
Qualitative：颜色反差大，便于不同种类数据的直观区分，如Accent，Paired等

所有的色彩映射都可以同伙增加后缀“_r”来获取反向色彩映射

以下分别对示例图片应用了winter，RdYlBu和Accent这3种色彩映射，首先来看原图

import scipy.misc
import matplotlib.pyplot as plt
plt.imshow(scipy.misc.ascent())
plt.show()

应用winter色彩映射如下

import scipy.misc
import matplotlib as mpl
import matplotlib.pyplot as plt
plt.imshow(scipy.misc.ascent(),cmap=mpl.cm.winter)
plt.show()

应用RdYlBu色彩映射代码如下：

import scipy.misc
import matplotlib as mpl
import matplotlib.pyplot as plt
plt.imshow(scipy.misc.ascent(),cmap=mpl.cm.RdYlBu)
plt.show()

应用Accent色彩映射代码如下：

import scipy.misc
import matplotlib as mpl
import matplotlib.pyplot as plt
plt.imshow(scipy.misc.ascent(),cmap=mpl.cm.Accent)
plt.show()

通过使用色彩映射，可以为图像添加颜色标尺，以下代码使用colorbar（）函数为应用了灰度映射的示例图片添加了颜色标尺

import scipy.misc
import matplotlib as mpl
import matplotlib.pyplot as plt
plt.imshow(scipy.misc.ascent(),cmap=mpl.cm.Accent)
plt.colorbar()
plt.show()

5.划分画布

画布就是绘制和显示图形的区域。将画布划分为若干子区，目的是能更好的利用画布的空间，实现在一张画布中绘制多个图形，以提高查看效率

subplots()函数用于将画布划分为网格状的若干子区，其原型如下：

subplots(nrows,ncols,**kwargs)

参数含义：nrows：网格行数 ncols：网格列数

也可使用subplot（）函数直接定位到划分后的子区，其原型如下

subplot(nrows,ncols,index,**kwargs)

参数含义：index：划分后子区的序号，子区序号按子区在画布中位置从左到右，从上到下的顺序，从1开始递增。例如subplot(2,3,4)表示第2行第1个子区(总第4个)

import scipy.misc
import matplotlib as mpl
import matplotlib.pyplot as plt
fig,ax=plt.subplots(2,2)
ax[0,0].imshow(scipy.misc.ascent())
ax[0,1].imshow(scipy.misc.ascent(),cmap=mpl.cm.Accent)
ax[1,0].imshow(scipy.misc.ascent(),cmap=mpl.cm.winter)
ax[1,1].imshow(scipy.misc.ascent(),cmap=mpl.cm.RdYlBu)
plt.show()

以上就是Matplotlib的美化和修饰图形感谢大家的收藏和点赞！！

如有问题在可下面评论一起讨论！！