Matplotlib库入门

一、什么是Matplotlib

Python的可视化工具包，方便把二维或三维数据进行直观呈现，是用作数据展示的最好的选择。只需几行代码就可以生成图表、直方图、功率谱、条形图、误差图、散点图等等。看见名字里开头的Mat就能想起来典型的Matlab，这个包本身也是参考了Matlab的一些函数的功能，二者之间是存在一些相同之处的。
一般引入Matplotlib库之后，使用约定俗成的plt作为该库调用的别名。

二、绘制基础

使用这个库，主要是在一个空白区域上进行图像的输出，而这个空白区域就是一个figure，用plt.figure函数就可以直接创建一个画布对象，之后在这个画布上进行分割，就可以对子图进行详细的绘制。Figure对象属于顶层对象，包括内部的各种子对象。创建figure的方式有：无显示创建（系统默认会补一个），简单创建（plt.figure()），多绘图区创建（plt.subplots()）.

绘制时引入Matplotlib库中的pyplot子库，利用这个子库就可以实现很多绘制的快捷方式，下面是一段简单的演示代码：

# (1) 导入模快
import numpy as np
import matplotlib.pyplot as plt
# (2) 准备数据，二维的x,y, 三维x,y,z
x = np.array([-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7,8,9])
y = np.square(x)
# (3) 创建一个figure （创建一块画布）
fig = plt.figure()
# (4) 创建一个绘图区域 Axes   （在画布上创建一块绘图区域，画布只有一块但可以有好多个绘图区域）
ax = plt.axes()
# (5) 绘图 （将数据给程序）
plt.plot(x,y)
# (6) 绘制一些装饰 （补充标题，轴名称）
plt.title('plt test')
plt.xlabel('x')
plt.ylabel('y')
# (7) 保存
plt.savefig('存储路径')
# (8) 显示
plt.show()

整个绘制过程很像HTML中的一些操作，绘制过程特别像canvas，先确定“画布”，再确定绘图区域，之后导入数据让程序绘出图像，然后对图像进行补充修饰，之后保存显示。

三、子图划分与合并

获得一张画布之后，如果需要对画图区域做细分，也就是在一个画布上画多个图标，这种情况就涉及到子图的划分与合并了。
子图的划分主要是利用subplot函数，这个函数最重要的两个参数分别是划分后的行、列，划分后可以利用二维数组的索引方式来对任何一个子图做出修改，三个参数在每个参数不超过10的时候可以省略逗号直接写，比如2,1,2可以简写为212。可以结合下面的示例代码来理解：

import matplotlib.pyplot as pltfig = plt.figure()
fig, axes = plt.subplots(2,3)
axes[0][1].plot([1, 2, 3])
plt.show()

也可以使用下面这种方法，不去创建figure对象，直接使用plt的相关操作来绘图，二者的区别在于第一种方法是一次性全部创建好，然后一点一点去填充数据，而第二种方法没创建的子图根本就是一片空白。

import matplotlib.pyplot as pltplt.subplot(2,3,1)
plt.plot([1,2,3],[1,2,3],[1,2,3],[4,5,6])
plt.subplot(2,3,2)
plt.plot([1,2,3],[1,2,3],[1,2,3],[4,5,6])plt.show()

划分的子图有时候要根据需要进行合并，合并成一些小的子图，这时候就需要用到subplot2grid函数，使用这个函数对需要合并的子图进行操作。这个函数有三个参数，前面两个参数都是元组，第一个元组表示分割为多少个子图，第二个元组则表示当前的位置，之后利用colspan或者rowspan来选择合并的范围，示例代码如下：

import matplotlib.pyplot as pltplt.subplot2grid((2, 3), (1, 1), colspan=2)plt.show()

除此之外，还有plt.axes() / figure.add_axes()用于不规整布局，subplot是将画布分割成规整的区域之后绘画，当需要不规整时就是用axes方法。这时需要的参数有四个，绘图的左下角的坐标和绘制图的高度宽度，坐标是根据画布来确定的，画布默认是一个1X1的矩形，下面的例子中，第一次绘图是在左下角（0,0）高度宽度都是1的区域中绘图，这个相当于直接在整个画布上绘制，第二次绘图就改成了在坐标为（0.5,0.5）高度宽度都是0.3的区域中绘图。

fig3 = plt.figure()
# 创建自由布局的绘图区域
fig3.add_axes([0,0,1,1])
plt.plot(x,y)
fig3.add_axes([0.5,0.5,0.3,0.3])
plt.plot(x,x)
plt.show()

三、添加画布内容

获取一张子图之后就可以向图内添加数据来进行绘图，这里以常用的点图进行实例。

绘制点图主要是使用plot函数，函数可以接收任何成组的数据，一组数据包括三个部分：X轴数据、Y轴数据和格式字符串，按照这个格式成组出现，可以在一个图标中绘制多条函数图像。数据的选择可以使用数组或者列表，如果只传入一个数据，则会将这个数据视为Y轴数据，而X轴数据则会根据索引进行匹配，效果如下：

import matplotlib.pyplot as pltplt.plot([1,2,3],'-o')
plt.show()

这段代码中只传入了一个列表的数据，为了方便将传入的点标记了出来，可以看见我们传入的列表的数据变成了Y轴的坐标，而X轴的坐标则是对应原数据在列表中的索引下标，自动补上了0,1,2最后变成了（0,1）（1,2）（2,3）这三个点。
一般来说是不会使用上面这种只输入一半的绘图方式的，正常情况都是输入X和Y的数据之后正常地显示，这种情况下格式字符串反而成了最重要的一个参数，格式字符串用来控制曲线的风格，由颜色字符、风格字符和标记字符三部分组成：
①颜色字符

这部分主要用于调整绘制的图线的颜色，一般来说如果不指定这部分，程序会自动让图线不同颜色，从而更加容易区分是哪一条曲线。
②风格字符

风格字符主要是用于确定绘制图线的线的格式，这部分默认是实线，如果需要更改则利用格式字符串这个部分来进行修改。
③标记字符

这部分主要是确定传入数据对应的点的格式，不选择的情况下默认是第一种点标记，如果需要突出点则需要修改这个字段进行修改。

有了这三个参数，就可以成组进行输入，这样就会在同一张图里面输出多个图像，利用不同的格式字符串就可以更加突出地进行表现：

import matplotlib.pyplot as plt
import numpy as np
a = np.array([1, 2, 3, 4])plt.plot(a, a * a, '-o', a, a * a * a, 'r-x', a, a * a * a * a, '*-')
plt.show()

上面这段代码在一个plot函数中显示了三条线，每条线利用不同的标记表示点的信息，只要成组出现就可以表示多条线。

除此之外，在绘图时还常常用到文本的显示，文本显示包括轴上的注释信息、图的标题、任意位置文本以及带箭头的注解等

其中前面三个个基本没有什么难点，都直接设置即可，不需要考虑位置，因为位置是已经确定的，而后两个就需要注意一下插入的位置，text函数最主要的是三个参数：插入的横轴的坐标、纵轴的坐标以及需要插入的文本内容。插入后会以输入的位置为文字中心，将文字输出在文字中心上，效果如下：

import matplotlib.pyplot as plt
import matplotlib
import numpy as npa = np.array([1, 2, 3, 4])matplotlib.rcParams['font.family'] = 'SimHei'
plt.plot(a, a * a, '-o', a, a * a * a, 'r-x', a, a * a * a * a, '*-')
plt.text(1, 100, '这是一个字符串')
plt.show()

这里插一嘴，如果要使用中文，需要修改一下库的配置信息，上面的这段代码就是这样修改的，也可以在需要输出文字的地方利用fontproperties进行字体的修改，下面的这段代码就是利用了这种方式，显示的效果是一样的。

import matplotlib.pyplot as plt
import matplotlib
import numpy as npa = np.array([1, 2, 3, 4])plt.plot(a, a * a, '-o', a, a * a * a, 'r-x', a, a * a * a * a, '*-')
plt.text(1, 100, '这是一个字符串', fontproperties='SimHei')
plt.show()

带箭头的注释相比于单独添加一个注释，多了一个箭头，所以也多了一个参数来表示箭头的位置，添加这种注释主要是使用annotate函数，这个函数有四个基本参数，第一个参数是文字信息，即注释的文字内容，第二个参数是以元组形式给出的箭头所在的位置，第三个参数则是以元组形式给出的文字的位置，最后是用字典形式给出的箭头的格式信息。

import matplotlib.pyplot as plt
import matplotlib
import numpy as npa = np.array([1, 2, 3, 4])plt.plot(a, a * a, '-o', a, a * a * a, 'r-x', a, a * a * a * a, '*-')
plt.text(1, 100, '这是一个字符串', fontproperties='SimHei')
plt.annotate('这是一个带箭头的注释', fontproperties='SimHei', xy=(2, 50), xytext=(3, 100), arrowprops=dict(facecolor='black', shrink=0.1))
plt.show()

另外也可以使用模板来对绘图进行更加个性化的设计：

plt.xkcd()
#漫画，简笔画 风格
plt.plot(x,y)
plt.show()

四、保存与显示

绘图后如果需要显示或者保存，可以使用提前设定好的函数来进行，使用savefig来保存图片，或者使用show来在本机直接显示图片。其中savefig有一些选项可以用来定制保存的细节：

五、常用的图像绘制

①plot折线图
前面第三部分已经记录过了。
②hist直方图
直方图也称质量分布图，由一系列高低不等的纵向条纹或者线段表示数据分布的情况，横轴为类别纵轴为数量或者占比，常用的参数如下：

其中height比较难理解，这个参数对应的是直方图中直方的个数，就是横向上有多少个柱。

mu,sigma = 100,15
x = mu + sigma * np.random.randn(10000)
plt.hist(x,50,density=True,facecolor='g',alpha=0.75) plt.grid(True) plt.show()

③pie饼图
饼图用于表示不同分类的占比情况，通过弧度来对比各种分类，常用参数如下：

其中比较难理解的是explode这个参数，这个参数表示的是突出的范围，主要是用于强调，需要用一个列表形式来表示，下面这段代码中也使用了这个参量，可见设置的第一个部分突出了一小块，就是这个参量的效果。

labels = ['a','b','c','d']
sizes = [15,30,45,10]
plt.pie(sizes,labels=labels,explode=[0.1,0,0,0])
plt.show()

④scatter散点图
散点图只一个以特征为横坐标，另一个特征为纵坐标，使用坐标点来表示统计关系的一种图，是一种由点组成的图。主要参数如下：

x = np.array([-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7,8,9])
y = np.square(x)
plt.scatter(x,x)
plt.show()

附一道作业题，大佬勿喷

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
values = pd.read_csv('C:\\Users\\Binary\\Desktop\\Eueo2012.csv')team = np.array(values['Team'])
goal = np.array(values['Goals'])
percentage = goal.copy()
percentage = 1.0*percentage/sum(percentage)fig = plt.figure(figsize=(15, 15))fig.add_subplot(2, 1, 1)plt.bar(team, goal, width=0.3)
plt.xticks(size='small', rotation=68, fontsize=13)
plt.subplot(2, 1, 2)plt.pie(percentage, labels=team, labeldistance=1.1, autopct='%3.1f%%')
plt.tight_layout()plt.savefig('C:\\Users\\Binary\\Desktop\\ans.png')
plt.show()

运行结果：