一、引入

import matplotlib as mpl

import matplotlib.pyplot as plt

二、配置

1、画图接口

Matplotlib 有两种画图接口：

(1)一个是便捷的 MATLAB 风格接口

(2)功能更强大的面向对象接口【推荐，下文都以这个为例】

在面向对象接口中，画图函数不再受到当前“活动”图形或坐标轴的限制，而变成了显式的 Figure 和 Axes 的方法(一个Figure画布下可以有多个Axes子图)。

2、静态 or 交互

%matplotlib notebook 会在 Notebook 中启动交互式图形。

%matplotlib inline 会在 Notebook 中启动静态图形。

下文统一使用%matplotbib inline。

3、样式表

默认是经典(classic)的 Matplotlib 风格：

plt.style.use('classic')

更多风格：

plt.style.available

# ['_classic_test',

'bmh',

'classic',

'dark_background',

'fast',

'fivethirtyeight',

'ggplot',

'grayscale',

'seaborn-bright',

'seaborn-colorblind',

'seaborn-dark-palette',

'seaborn-dark',

'seaborn-darkgrid',

'seaborn-deep',

'seaborn-muted',

'seaborn-notebook',

'seaborn-paper',

'seaborn-pastel',

'seaborn-poster',

'seaborn-talk',

'seaborn-ticks',

'seaborn-white',

'seaborn-whitegrid',

'seaborn',

'Solarize_Light2',

'tableau-colorblind10']

也可自定义样式文件：

.mplstyle

4、导出

fig.savefig('my_figure.png')

支持的格式可以通过这个查看：

fig.canvas.get_supported_filetypes()

二、用法

1、线形图

fig = plt.figure()

ax = plt.axes()

x = np.linspace(0, 10, 1000)

ax.plot(x, np.cos(x),color='blue',linestyle='dotted',label='cos(x)');

ax.plot(x, np.sin(x),color='0.9',label='sin(x)');

# ----- 调整线条 -----

# color - 调整线条的颜色

ax.plot(x, np.sin(x - 0), color='blue') # 标准颜色名称

ax.plot(x, np.sin(x - 1), color='g') # 缩写颜色代码(rgbcmyk)

ax.plot(x, np.sin(x - 2), color='0.75') # 范围在0~1的灰度值

ax.plot(x, np.sin(x - 3), color='#FFDD44') # 十六进制(RRGGBB，00~FF)

ax.plot(x, np.sin(x - 4), color=(1.0,0.2,0.3)) # RGB元组，范围在0~1

ax.plot(x, np.sin(x - 5), color='chartreuse'); # HTML颜色名称

# linestyle - 调整线条的风格

ax.plot(x, x + 0, linestyle='solid')

ax.plot(x, x + 1, linestyle='dashed')

ax.plot(x, x + 2, linestyle='dashdot')

ax.plot(x, x + 3, linestyle='dotted');

# 你可以用下面的简写形式

ax.plot(x, x + 4, linestyle='-') # 实线

ax.plot(x, x + 5, linestyle='--') # 虚线

ax.plot(x, x + 6, linestyle='-.') # 点划线

ax.plot(x, x + 7, linestyle=':'); # 实点线

# ----- 调整坐标轴 -----

# 坐标轴上下限

ax.xlim(-1, 11)

ax.ylim(-1.5, 1.5);

ax.ylim(1.5, -1.5);# 坐标逆序

ax.axis([-1, 11, -1.5, 1.5]);

# 紧凑模式

ax.axis('tight');

# 横纵坐标 1：1

ax.axis('equal');

# ----- 调整标题 -----

# 设置图形标题、横纵坐标标题

ax.title("A Sine Curve")

ax.xlabel("x")

ax.ylabel("sin(x)");

# ----- 图例(跟 label 属性挂钩) -----

ax.legend()

# 详细属性请查文档

ax.legend(loc='upper left', frameon=True, ncol=2, fancybox=True, framealpha=1, shadow=True, borderpad=1)

# 选择图例显示的元素

# 略

# 在图例中显示不同尺寸的点

# 略

# 同时显示多个图例

# 略

2、散点图(scatter plot)

(1)方法一：

跟上面线形图的区别在于 ax.plot() 的第三个参数传了个字符。

fig = plt.figure()

ax = plt.axes()

x = np.linspace(0, 10, 30)

ax.plot(x, np.sin(x), 'o', color='black');

# 第三个参数可能值：['o', '.', ',', 'x', '+', 'v', '^', '', 's', 'd']

(2)方法二：plt.scatter

略

取舍：面对大型数据集时，plt.plot 方法比 plt.scatter 方法性能要好。

3、误差线

fig = plt.figure()

ax = plt.axes()

x = np.linspace(0, 10, 50)

dy = np.linspace(0, 1, 50)

y = np.sin(x)

# 1、基本误差线

ax.errorbar(x, y, yerr=dy, fmt='o', color='black', ecolor='lightgray', elinewidth=3, capsize=0);

# 经验：让误差线的颜色比数据点的颜色浅一点效果会非常好，尤其是在那些比较密集的图形中

# 2、连续误差线

略

4、密度图与等高线图

fig = plt.figure()

ax = plt.axes()

# 1、用 plt.contour 画等高线图

def f(x, y):

return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)

x = np.linspace(0, 5, 50)

y = np.linspace(0, 5, 40)

X, Y = np.meshgrid(x, y)

Z = f(X, Y)

ax.contour(X, Y, Z, colors='black');

# 当图形中只使用一种颜色时，默认使用虚线表示负数，使用实线表示正数。

# 单色(深浅)

ax.contour(X, Y, Z, 20, colors='black');

# 双色(红灰)(RdGy = Red-Gray = 红灰)

ax.contour(X, Y, Z, 20, cmap='RdGy');# 见下图1

# 2、用 plt.contourf 画带有填充色的等高线图

ax.contourf(X, Y, Z, 20, cmap='RdGy');# 见下图2

# 3、更复杂的图形用 plt.imshow

# 略

# plt.contour、plt.contourf 与 plt.imshow 这三个函数组合起来之后，就打开了用二维图画三维数据的无尽可能。

5、频次直方图

(1)一维

fig = plt.figure()

ax = plt.axes()

data = np.random.randn(1000)

# 1、hist 画单个频次直方图

ax.hist(data, bins=30, normed=11, alpha=0.5, histtype='stepfilled', color='steelblue', edgecolor='none');

# 2、hist 画多个频次直方图 (见下图)

x1 = np.random.normal(0, 0.8, 1000)

x2 = np.random.normal(-2, 1, 1000)

x3 = np.random.normal(3, 2, 1000)

kwargs = dict(histtype='stepfilled', alpha=0.3, normed=True, bins=40)

ax.hist(x1, **kwargs)

ax.hist(x2, **kwargs)

ax.hist(x3, **kwargs);

# 3、只计算数值结果不画图

counts, bin_edges = np.histogram(data, bins=5)

print(counts, bin_edges)

# [ 64 372 419 138 7] [-2.71435952 -1.43623111 -0.1581027 1.12002572 2.39815413 3.67628254]

(2)二维

fig = plt.figure()

ax = plt.axes()

mean = [0, 0]

cov = [[1, 1], [1, 2]]

# 用多元高斯分布(multivariate Gaussian distribution)生成 x 轴与 y 轴的样本数据：

x, y = np.random.multivariate_normal(mean, cov, 10000).T

# 1、plt.hist2d：二维频次直方图

plt.hist2d(x, y, bins=30, cmap='Blues')# 看下图

# plt.hexbin：矩形划分 -> 六边形划分

# ax.hexbin(x, y, gridsize=30, cmap='Blues')

cb = plt.colorbar(label='count in bin')

# 2、平滑版本的二维频次直方图 - 核密度估计(kernel density estimation，KDE)

略

# 3、只计算数值结果不画图

counts, xedges, yedges = np.histogram2d(x, y, bins=30)

6、文字与注释

(1)文字

# 拿前面第一个线形图的做例子：

fig = plt.figure()

ax = plt.axes()

x = np.linspace(0, 10, 1000)

ax.plot(x, np.cos(x),color='blue',linestyle='dotted',label='cos(x)');

ax.plot(x, np.sin(x),color='0.9',label='sin(x)');

# ax.text() 在图上增加文字标签

style = dict(size=10, color='gray')

ax.text(1, 0.1, "111", ha='center',**style)

ax.text(5, 0.5, "222", ha='center', **style)

ax.text(10, 0.8, "333", ha='center', **style)

ax.text() 的 transform 有三种不同的坐标系：

# 1、transData 坐标用x 轴与y 轴的标签作为数据坐标。

ax.text(1, 1, ". Data: (1, 1)", transform=ax.transData)

# 2、transAxes 坐标以坐标轴(图中白色矩形)左下角的位置为原点，按坐标轴尺寸的比例呈现坐标。

ax.text(0.5, 0.1, ". Axes: (0.5, 0.1)", transform=ax.transAxes)

# 3、transFigure 坐标与之类似，不过是以图形(图中灰色矩形)左下角的位置为原点，按图形尺寸的比例呈现坐标。

ax.text(0.2, 0.2, ". Figure: (0.2, 0.2)", transform=fig.transFigure);

# 假如你改变了坐标轴上下限，那么只有transData 坐标会受影响，其他坐标系都不变！

(2)箭头

# 拿前面第一个线形图的做例子：

fig = plt.figure()

ax = plt.axes()

x = np.linspace(0, 10, 1000)

ax.plot(x, np.cos(x),color='blue',linestyle='dotted',label='cos(x)');

ax.plot(x, np.sin(x),color='0.9',label='sin(x)');

# ax.text() 在图上增加文字标签

ax.annotate('local maximum', xy=(1, 0.3), xytext=(3, 0.5), arrowprops=dict(facecolor='black', shrink=0.05))

7、三维图

# ax.plot3D - 三维线图

zline = np.linspace(0, 15, 1000)

xline = np.sin(zline)

yline = np.cos(zline)

ax.plot3D(xline, yline, zline, 'gray')

# ax.scatter3D - 三维散点图

zdata = 15 * np.random.random(100)

xdata = np.sin(zdata) + 0.1 * np.random.randn(100)

ydata = np.cos(zdata) + 0.1 * np.random.randn(100)

ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');

# 等高线、线框图、曲面图 区别

8、地图

需要用到第三方库：conda install basemap

略

9、更多功能

# 配置颜色条

# 略

# 多子图

# 略

# 自定义坐标轴刻度

# 略

三、其他画图方法

1、Seaborn

第三方的 Seaborn 在 Matplotlib 的基础上开发了一套 API，为默认的图形样式和颜色设置提供了理智的选择，为常用的统计图形定义了许多简单的高级函数，并与 Pandas DataFrame 的功能有机结合。

略

2、pandas DataFrame 自带画图功能

df = pd.DataFrame({'lab':['A', 'B', 'C'], 'val':[10, 30, 20]})

print(df)

ax = df.plot.bar(x='lab', y='val', rot=0)# 赋值给 ax 是为了不让输出 df.plot.bar 这个冗余信息

参考资料

《Python 数据科学手册》