Python Matplotlib教程

Matplotlib 是 Python 中最受欢迎的数据可视化软件包之一，支持跨平台运行，它是 Python 常用的 2D 绘图库，同时它也提供了一部分 3D 绘图接口。Matplotlib 通常与 NumPy、Pandas 一起使用，是数据分析中不可或缺的重要工具之一。

Matplotlib 是 Python 中类似 MATLAB 的绘图工具，如果您熟悉 MATLAB，那么可以很快的熟悉它。Matplotlib 提供了一套面向对象绘图的 API，它可以轻松地配合 Python GUI 工具包（比如 PyQt，WxPython、Tkinter）在应用程序中嵌入图形。与此同时，它也支持以脚本的形式在 Python、IPython Shell、Jupyter Notebook 以及 Web 应用的服务器中使用。

教程特点

本套教程适合 Matplotlib 的初学者学习，在学习完本教程后，您将掌握 Matplotlib 的种绘图方法，并对数据可视化这一概念，有一个全新的认识。

本套教程从 Matplotlib 基础知识入手，手把手教你如何使用matplotlib.pyplot模块绘制各种图形，比如柱状图、饼状图、折线图等。教程中介绍了与 Matplotlib 绘图相关的图形对象、轴域对象、坐标轴设置等知识，通过学习这些知识，您将全面掌握如何 Matplotlib 的绘图方法。本套教程中使用了大量的绘图实例，通过实例与知识相结合的方式，让学习 Matplotlib 绘图变的轻松、有趣。

阅读条件

Matplotlib 是用 Python 语言编写的，并且能够与 Python 的科学计算库 NumPy 搭配使用。因此，在阅读本教程前，你应该掌握 Python 的基础知识，并且对 NumPy 库有一定程度的了解，在您学习本套教程时，这些知识对您大有裨益。

数据可视化是什么

如果将文本数据与图表数据相比较，人类的思维模式更适合于理解后者，原因在于图表数据更加直观且形象化，它对于人类视觉的冲击更强，这种使用图表来表示数据的方法被叫做数据可视化。

图1：数据可视化

当使用图表来表示数据时，我们可以更有效地分析数据，并根据分析做出相应的决策。在学习 Matplotlib 之前，了解什么是数据可视化是非常有必要的。

数据可视化

图表为更好地探索、分析数据提供了一种直观的方法，它对最终分析结果的展示具有重要的作用。

数据可视化是一个新兴名词，它表示用图表的形式对数据进行展示。当您对一个数据集进行分析时，如果使用数据可视化的方式，那么您会很容易地确定数据集的分类模式、缺失数据、离群值等等。下图展示了五个常用的数据可视化图表：

图2：数据可视化常用图表

对于组织决策者而言，数据可视化也只是一种辅助工具，从寻找数据间关联到最终做出决定，大致分为以下四步。如下图所示：

图3：组织者决策流程图

下面对图 3 中的流程进行简要说明：

• 可视化（Visualize）：使用不同种类的图表对原始数据进行可视化处理，使复杂的数据更容易理解与使用；
• 分析（Analysis）：数据分析的目的是获取有用的信息，这个过程主要涉及对数据的清洗、检查、转换以及对数据的建模；
• 文档说明（Document insight）：文档说明属于整理、汇总阶段，将有用的数据或者信息整理出来；
• 数据集转换（Transform Data Set）：指将数据进行分类、分级、统计记录格式与编码格式等。

数据可视化应用场景

数据可视化主要有以下应用场景：

• 企业领域：利用直观多样的图表展示数据，从而为企业决策提供支持；
• 股票走势预测：通过对股票涨跌数据的分析，给股民提供更合理化的建议；
• 商超产品销售：对客户群体和所购买产品进行数据分析，促使商超制定更好的销售策略；
• 预测销量：对产品销量的影响因素进行分析，可以预测出产品的销量走势。

其实不管是在日常生活，还是工作中，我们都会根据过往的经验作出某些决定，这种做法也叫做“经验之谈”。数据分析和其类似，通过对过往数据的大量分析，从而对数据的未来走势做出预测。

Matplotlib是什么

Matplotlib 是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组来绘制 2D 图像，它使用简单、代码清晰易懂，深受广大技术爱好者喜爱。

NumPy 是 Python 科学计算的软件包，ndarray 则是 NumPy 提供的一种数组结构。

Matplotlib 由 John D. Hunter 在 2002 年开始编写， 2003 年 Matplotlib 发布了第一个版本，并加入了 BSD 开源软件组织。Matplotlib 1.4 是最后一个支持 Python 2 的版本，它的最新版本 3.1.1 已于 2019 年 7 月 1 日发布。

图1：Matplotlib 图标

Matplotlib 提供了一个套面向绘图对象编程的 API 接口，能够很轻松地实现各种图像的绘制，并且它可以配合 Python GUI 工具（如 PyQt、Tkinter 等）在应用程序中嵌入图形。同时 Matplotlib 也支持以脚本的形式嵌入到 IPython shell、Jupyter 笔记本、web 应用服务器中使用。

Matplotlib架构组成

Matplotlib 由三个不同的层次结构组成，分别是脚本层、美工层和后端层。

图2：Matplotlib架构图

1) 脚本层

脚本层是 Matplotlib 结构中的最顶层。我们编写的绘图代码大部分代码都在该层运行，它的主要工作是负责生成图形与坐标系。

2) 美工层

美工层是结构中的第二层，它提供了绘制图形的元素时的给各种功能，例如，绘制标题、轴标签、坐标刻度等。

3) 后端层

后端层是 Matplotlib 最底层，它定义了三个基本类，首先是 FigureCanvas（图层画布类），它提供了绘图所需的画布，其次是 Renderer（绘图操作类），它提供了在画布上进行绘图的各种方法，最后是 Event（事件处理类），它提供了用来处理鼠标和键盘事件的方法。

Matplotlib图形组成

Matplotlib 生成的图形主要由以下几个部分构成：

图3：Matplotlib图像组成

• Figure：指整个图形，您可以把它理解成一张画布，它包括了所有的元素，比如标题、轴线等；
• Axes：绘制 2D 图像的实际区域，也称为轴域区，或者绘图区；
• Axis：指坐标系中的垂直轴与水平轴，包含轴的长度大小（图中轴长为 7）、轴标签（指 x 轴，y轴）和刻度标签；
• Artist：您在画布上看到的所有元素都属于 Artist 对象，比如文本对象（title、xlabel、ylabel）、Line2D 对象（用于绘制2D图像）等。

Matplotlib功能扩展包

许多第三方工具包都对 Matplotlib 进行了功能扩展，其中有些安装包需要单独安装，也有一些允许与 Matplotlib 一起安装。常见的工具包如下：

• Bashmap：这是一个地图绘制工具包，其中包含多个地图投影，海岸线和国界线；
• Cartopy：这是一个映射库，包含面向对象的映射投影定义，以及任意点、线、面的图像转换能力；
• Excel tools： 这是 Matplotlib 为了实现与 Microsoft Excel 交换数据而提供的工具；
• Mplot3d：它用于 3D 绘图；
• Natgrid：这是 Natgrid 库的接口，用于对间隔数据进行不规则的网格化处理。

Matplotlib下载和安装

Matplotlib 是 Python 的第三方绘图库，它非常类似于 MATLAB。在使用 Matplotlib 软件包之前，需要对其进行安装。本节以 Windows10 系统为例，介绍 Matplotlib 的几种安装方式。

MATLAB 是一款商业软件，主要用于数据分析、图像处理、计算机视觉等领域。

使用pip理器安装

使用 Python 包管理器 pip 来安装 Matplotlib 是一种最轻量级的方式。打开 CMD 命令提示符窗口，并输入以下命令：

pip install matplotlib

图1：pip安装Matplotlib

使用Anaconda安装

安装 Matplotlib 的最好的方法是下载 Python 的 Anaconda 发行版，因为 Matplotlib 被预先安装在 Anaconda 中。安装方法如下：

Anaconda 是一个开源的 Python 发行版本，其包含了 Python、NumPy、Matplotlib 等180多个科学包及其依赖项。

1. 访问 Anaconda 的官方网站（点击前往），然后单击“Download”按钮，如下图所示：

图2：Anaconda官网

1. 根据您的 Python 解释器版本选择相应的 Anaconda 版本下载。

图3：Anacona下载

Anconda 中提供了一个交互式笔记本 Jupyter，您可以把它理解为 IPython 的升级本，它拥有比 IPython 更强大的功能，方便您对程序代码的实时调试。

Jupyter 的本质上是一个 Web 应用程序，它支持运行 40 多种编程语言，主要应用于数据可视化、数值模拟、统计建模以及机器学习等。

当您成功安装 Anaconda 后，您可以通过系统的开始菜单找到 Jupyter，然后启动它，Jupyter 界面如下所示：

图4：Jupyter交互式笔记本

Jupyter 使用方法简单，在本教程不做具体介绍，可以参见官网《Jupyter Notbook使用介绍》。

验证安装

要验证 Matplotlib 是否成功安装，可以在命令提示符窗口执行以下命令：

import matplotlib
matplotlib.__version__
'3.1.1'

Matplotlib.pyplot接口汇总

Matplotlib 中的 pyplot 模块是一个类似命令风格的函数集合，这使得 Matplotlib 的工作模式和 MATLAB 相似。

pyplot 模块提供了可以用来绘图的各种函数，比如创建一个画布，在画布中创建一个绘图区域，或是在绘图区域添加一些线、标签等。以下表格对这些函数做了简单地介绍。

绘图类型

函数名称	描述
Bar	绘制条形图
Barh	绘制水平条形图
Boxplot	绘制箱型图
Hist	绘制直方图
his2d	绘制2D直方图
Pie	绘制饼状图
Plot	在坐标轴上画线或者标记
Polar	绘制极坐标图
Scatter	绘制x与y的散点图
Stackplot	绘制堆叠图
Stem	用来绘制二维离散数据绘制（又称为“火柴图”）
Step	绘制阶梯图
Quiver	绘制一个二维按箭头

Image函数

函数名称	描述
Imread	从文件中读取图像的数据并形成数组。
Imsave	将数组另存为图像文件。
Imshow	在数轴区域内显示图像。

Axis函数

函数名称	描述
Axes	在画布(Figure)中添加轴
Text	向轴添加文本
Title	设置当前轴的标题
Xlabel	设置x轴标签
Xlim	获取或者设置x轴区间大小
Xscale	设置x轴缩放比例
Xticks	获取或设置x轴刻标和相应标签
Ylabel	设置y轴的标签
Ylim	获取或设置y轴的区间大小
Yscale	设置y轴的缩放比例
Yticks	获取或设置y轴的刻标和相应标签

Figure函数

函数名称	描述
Figtext	在画布上添加文本
Figure	创建一个新画布
Show	显示数字
Savefig	保存当前画布
Close	关闭画布窗口

第一个Matplotlib绘图程序

本节学习第一个 Matplotlib 绘图程序，如何使用 Matplotlib 绘制一个简单的折线图。下面绘制一个简单正弦曲线图，它显示了角度与正弦函数值之间的关系。

第一个绘图程序

首先导入 Matplotlib 包中的 Pyplot 模块，并以 as 别名的形式简化引入包的名称。

import matplotlib.pyplot as plt

接下来，使用 NumPy 提供的函数 arange() 创建一组数据来绘制图像。

#引入numpy包
import numpy as np
#获得0到2π之间的ndarray对象
x = np.arange(0, math.pi*2, 0.05)

上述所得 x 的值作用到 x 轴上，而该值对应的正弦值，也就是 y 值，使用以下方法获取：

y = np.sin(x)

使用 plot() 函数对 x、y 进行绘制。

plt.plot(x,y)

主要的绘图工作已经完成，不过还需要绘制一些细节，需要我们补充一下，比如图像的标题(title)、x 轴与 y 轴的标签（label）等。

plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')

完整的程序代码如下：

from matplotlib import pyplot as plt
import numpy as np
import math
#调用math.pi方法弧度转为角度
x = np.arange(0, math.pi*2, 0.05)
y = np.sin(x)
plt.plot(x,y)
plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')
#使用show展示图像
plt.show()

代码执行后，显示结果如下：

图1：sine正弦函数图像

您也可以在 Jupyter 笔记本中运行 Matplotlib 的绘图程序。通过命令行或者开始菜单的方式启动 Jupyter 笔记本。启动成功后，将上述代码拷贝到输入行内，如下所示：

图2：Jupyter交互式笔记本

注意：%matplotlib inline 是 Jupyter 提供的魔法命令，它可以把输出图显示在笔记本内部，否则会以查看器的形式单独显示。

PyLab绘制曲线图

PyLab 是一个面向 Matplotlib 的绘图库接口，其语法和 MATLAB 十分相近。它和 Pyplot 模快都够实现 Matplotlib 的绘图功能。PyLab 是一个单独的模块，随 Matplotlib 软件包一起安装，该模块的导包方式和 Pyplot 不同，如下所示：

#Pyplot导包方式
from matplotlib import pytplot as plt
#PyLab导包有两种方式
import pylab
from pylab import *

PyLab 是一个很便捷的模块，下面对它的使用方法做相应的介绍。

基本绘图

提供一对相同长度的数组（或序列），然后使用plot()绘制曲线，示例如下：

from numpy import *
from pylab import *
x = linspace(-3, 3, 30)
y = x**2
plot(x, y)
show()

输出结果：

图1：绘制曲线图

如果您要绘制特殊类型的线条，并想添加一些颜色，PyLab 提供了如下方法：

符号	‘-’，’–’，’-.’，’:’，’.’，’,’，，o，^，v，<，>，s，+，x，D，d，1，2，3，4，h，H，p，| ，_
颜色	b(蓝色)，g(绿色)，r(红色)，c(青色)，m(品红)，y(黄色)，k(黑色)，w(白色)

使用示例如下：

from pylab import *
x = linspace(-3, 3, 30)
y = x**2
plot(x, y, 'r.')
show()

输出结果：

图2：红点曲线图

如果您想在同一绘图区域内绘制多个图形，只需要使用多个绘图命令。示例如下：

from pylab import *
x = linspace(-3, 3, 30)
y = x**2
plot(x, y, 'r.')
show()

输出结果：

图3：绘制多条不同曲线

如果您想清除图像，直接在程序末尾调用 clf() 方法即可。

Matplotlib figure图形对象

通过前面的学习，我们知道matplotlib.pyplot模块能够快速地生成图像，但如果使用面向对象的编程思想，我们就可以更好地控制和自定义图像。

在 Matplotlib 中，面向对象编程的核心思想是创建图形对象（figure object）。通过图形对象来调用其它的方法和属性，这样有助于我们更好地处理多个画布。在这个过程中，pyplot 负责生成图形对象，并通过该对象来添加一个或多个 axes 对象（即绘图区域）。

Matplotlib 提供了matplotlib.figure图形类模块，它包含了创建图形对象的方法。通过调用 pyplot 模块中 figure() 函数来实例化 figure 对象。如下所示：

from matplotlib import pyplot as plt
#创建图形对象
fig = plt.figure()

该函数的参数值，如下所示：

参数	说明
figsize	指定画布的大小，(宽度,高度)，单位为英寸。
dpi	指定绘图对象的分辨率，即每英寸多少个像素，默认值为80。
facecolor	背景颜色。
dgecolor	边框颜色。
frameon	是否显示边框。

下面使用 figure() 创建一个空白画布：

fig = plt.figure()

我们使用 add_axes() 将 axes 轴域添加到画布中。如下所示：

ax=fig.add_axes([0,0,1,1])

add_axes() 的参数值是一个序列，序列中的 4 个数字分别对应图形的左侧，底部，宽度，和高度，且每个数字必须介于 0 到 1 之间。

设置 x 和 y 轴的标签以及标题，如下所示：

ax.set_title("sine wave")
ax.set_xlabel('angle')
ax.set_ylabel('sine')

调用 axes 对象的 plot() 方法，对 x 、 y 数组进行绘图操作：

ax.plot(x,y)

完整的代码如下所示：

from matplotlib import pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
y = np.sin(x)
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.plot(x,y)
ax.set_title("sine wave")
ax.set_xlabel('angle')
ax.set_ylabel('sine')
plt.show()

输出结果如下：

图1：运行结果图

在 Jupyter Notebook 中运行程序，结果如下：

图2：运行结果

Matplotlib axes类使用详解

Matplotlib 定义了一个 axes 类（轴域类），该类的对象被称为 axes 对象（即轴域对象），它指定了一个有数值范围限制的绘图区域。在一个给定的画布（figure）中可以包含多个 axes 对象，但是同一个 axes 对象只能在一个画布中使用。

2D 绘图区域（axes）包含两个轴（axis）对象；如果是 3D 绘图区域，则包含三个。

通过调用 add_axes() 方法能够将 axes 对象添加到画布中，该方法用来生成一个 axes 轴域对象，对象的位置由参数rect决定。

rect 是位置参数，接受一个由 4 个元素组成的浮点数列表，形如 [left, bottom, width, height] ，它表示添加到画布中的矩形区域的左下角坐标(x, y)，以及宽度和高度。如下所示：

ax=fig.add_axes([0.1,0.1,0.8,0.8])

注意：每个元素的值是画布宽度和高度的分数。即将画布的宽、高作为 1 个单位。比如，[ 0.1, 0.1, 0.8, 0.8]，它代表着从画布 10% 的位置开始绘制, 宽高是画布的 80%。

下面介绍 axes 类的其他成员函数，这些函数在绘图过程中都承担着不同的作用。

legend()绘制图例

axes 类的 legend() 方法负责绘制画布中的图例，它需要三个参数，如下所示：

ax.legend(handles, labels, loc)

• labels 是一个字符串序列，用来指定标签的名称；
• loc 是指定图例位置的参数，其参数值可以用字符串或整数来表示；
• handles 参数，它也是一个序列，它包含了所有线型的实例；

下面是 loc 参数的表示方法，分为字符串和整数两种，如下所示：

位置	字符串表示	整数数字表示
自适应	Best	0
右上方	upper right	1
左上方	upper left	2
左下	lower left	3
右下	lower right	4
右侧	right	5
居中靠左	center left	6
居中靠右	center right	7
底部居中	lower center	8
上部居中	upper center	9
中部	center	10

axes.plot()

这是 axes 类的基本方法，它将一个数组的值与另一个数组的值绘制成线或标记，plot() 方法具有可选格式的字符串参数，用来指定线型、标记颜色、样式以及大小。

颜色代码如下表：

‘b’	蓝色
‘g’	绿色
‘r’	红色
‘c’	青色
‘m’	品红色
‘y’	黄色
‘k’	黑色
‘w’	白色

标记符号如下表：

标记符号	描述
‘.’	点标记
‘o’	圆圈标记
‘x’	'X’标记
‘D’	钻石标记
‘H’	六角标记
‘s’	正方形标记
‘+’	加号标记

线型表示字符，如下表：

字符	描述
‘-’	实线
‘–’	虚线
‘-.’	点划线
‘:’	虚线
‘H’	六角标记

下面的例子，以直线图的形式展示了电视、智能手机广告费与其所带来产品销量的关系图。其中描述电视的是带有黄色和方形标记的实线，而代表智能手机的则是绿色和圆形标记的虚线。

import matplotlib.pyplot as plt
y = [1, 4, 9, 16, 25,36,49, 64]
x1 = [1, 16, 30, 42,55, 68, 77,88]
x2 = [1,6,12,18,28, 40, 52, 65]
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
#使用简写的形式color/标记符/线型
l1 = ax.plot(x1,y,'ys-')
l2 = ax.plot(x2,y,'go--')
ax.legend(labels = ('tv', 'Smartphone'), loc = 'lower right') # legend placed at lower right
ax.set_title("Advertisement effect on sales")
ax.set_xlabel('medium')
ax.set_ylabel('sales')
plt.show()

输出结果如下：

图1：输出结果

Matplotlib subplot()函数用法详解

在使用 Matplotlib 绘图时，我们大多数情况下，需要将一张画布划分为若干个子区域，之后，我们就可以在这些区域上绘制不用的图形。在本节，我们将学习如何在同一画布上绘制多个子图。

matplotlib.pyplot模块提供了一个 subplot() 函数，它可以均等地划分画布，该函数的参数格式如下：

plt.subplot(nrows, ncols, index)

nrows 与 ncols 表示要划分几行几列的子区域（nrows*nclos表示子图数量），index 的初始值为1，用来选定具体的某个子区域。

例如： subplot(233)表示在当前画布的右上角创建一个两行三列的绘图区域（如下图所示），同时，选择在第 3 个位置绘制子图。

图1：示意图

如果新建的子图与现有的子图重叠，那么重叠部分的子图将会被自动删除，因为它们不可以共享绘图区域。

import matplotlib.pyplot as plt
plt.plot([1,2,3])
#现在创建一个子图，它表示一个有2行1列的网格的顶部图。
#因为这个子图将与第一个重叠，所以之前创建的图将被删除
plt.subplot(211)
plt.plot(range(12))
#创建带有黄色背景的第二个子图
plt.subplot(212, facecolor='y')
plt.plot(range(12))

上述代码运行结果，如下图所示：

图2：subplot绘制结果

如果不想覆盖之前的图，需要使用 add_subplot() 函数，代码如下：

import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.plot([1,2,3])
ax2 = fig.add_subplot(221, facecolor='y')
ax2.plot([1,2,3])

执行上述代码，输出结果如下：

图3：add_subplot()绘图结果

通过给画布添加 axes 对象可以实现在同一画布中插入另外的图像。

import matplotlib.pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
fig=plt.figure()
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # main axes
axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3]) # inset axes
y = np.sin(x)
axes1.plot(x, y, 'b')
axes2.plot(x,np.cos(x),'r')
axes1.set_title('sine')
axes2.set_title("cosine")
plt.show()

输出结果如下：

图4：输出结果图

Matplotlib subplots()函数详解

matplotlib.pyplot模块提供了一个 subplots() 函数，它的使用方法和 subplot() 函数类似。其不同之处在于，subplots() 既创建了一个包含子图区域的画布，又创建了一个 figure 图形对象，而 subplot() 只是创建一个包含子图区域的画布。

subplots 的函数格式如下：

fig , ax = plt.subplots(nrows, ncols)

nrows 与 ncols 表示两个整数参数，它们指定子图所占的行数、列数。

函数的返回值是一个元组，包括一个图形对象和所有的 axes 对象。其中 axes 对象的数量等于 nrows * ncols，且每个 axes 对象均可通过索引值访问（从1开始）。

下面我们创建了一个 2 行 2 列的子图，并在每个子图中显示 4 个不同的图像。

import matplotlib.pyplot as plt
fig,a =  plt.subplots(2,2)
import numpy as np
x = np.arange(1,5)
#绘制平方函数
a[0][0].plot(x,x*x)
a[0][0].set_title('square')
#绘制平方根图像
a[0][1].plot(x,np.sqrt(x))
a[0][1].set_title('square root')
#绘制指数函数
a[1][0].plot(x,np.exp(x))
a[1][0].set_title('exp')
#绘制对数函数
a[1][1].plot(x,np.log10(x))
a[1][1].set_title('log')
plt.show()

上述代码的输出结果如下：

图1:输出结果

Matplotlib subplot2grid()函数详解

matplotlib.pyplot 模块提供了 subplot2grid() ，该函数能够在画布的特定位置创建 axes 对象（即绘图区域）。不仅如此，它还可以使用不同数量的行、列来创建跨度不同的绘图区域。与 subplot() 和 subplots() 函数不同，subplot2gird() 函数以非等分的形式对画布进行切分，并按照绘图区域的大小来展示最终绘图结果。

函数语法格式如下：

plt.subplot2grid(shape, location, rowspan, colspan)

参数含义如下：

• shape：把该参数值规定的网格区域作为绘图区域；
• location：在给定的位置绘制图形，初始位置 (0,0) 表示第1行第1列；
• rowsapan/colspan：这两个参数用来设置让子区跨越几行几列。

下面，在画布（figure）中添加了行、列跨度均不相同的绘图子区域，然后在每个绘图区上，绘制不同的图形。示例代码如下：

import matplotlib.pyplot as plt
#使用 colspan指定列，使用rowspan指定行
a1 = plt.subplot2grid((3,3),(0,0),colspan = 2)
a2 = plt.subplot2grid((3,3),(0,2), rowspan = 3)
a3 = plt.subplot2grid((3,3),(1,0),rowspan = 2, colspan = 2)
import numpy as np
x = np.arange(1,10)
a2.plot(x, x*x)
a2.set_title('square')
a1.plot(x, np.exp(x))
a1.set_title('exp')
a3.plot(x, np.log(x))
a3.set_title('log')
plt.tight_layout()
plt.show()

输出结果如下：

图1：subplot2grid()输出结果

Matplotlib grid()设置网格格式

通过 Matplotlib axes 对象提供的 grid() 方法可以开启或者关闭画布中的网格（即是否显示网格）以及网格的主/次刻度。除此之外，grid() 函数还可以设置网格的颜色、线型以及线宽等属性。

grid() 的函数使用格式如下：

grid(color=‘b’, ls = ‘-.’, lw = 0.25)

参数含义如下：

• color：表示网格线的颜色；
• ls：表示网格线的样式；
• lw：表示网格线的宽度；

网格在默认状态下是关闭的，通过调用上述函数，网格会被自动开启，如果您只是想开启不带任何样式的网格，可以通过 grid(True) 来实现。

实例如下：

import matplotlib.pyplot as plt
import numpy as np
#fig画布；axes子图区域
fig, axes = plt.subplots(1,3, figsize = (12,4))
x = np.arange(1,11)
axes[0].plot(x, x**3, 'g',lw=2)
#开启网格
axes[0].grid(True)
axes[0].set_title('default grid')
axes[1].plot(x, np.exp(x), 'r')
#设置网格的颜色，线型，线宽
axes[1].grid(color='b', ls = '-.', lw = 0.25)
axes[1].set_title('custom grid')
axes[2].plot(x,x)
axes[2].set_title('no grid')
fig.tight_layout()
plt.show()

上述代码执行后，输出结果：

图1：输出结果

Matplotlib坐标轴格式

在一个函数图像中，有时自变量 x 与因变量 y 是指数对应关系，这时需要将坐标轴刻度设置为对数刻度。Matplotlib 通过 axes 对象的xscale或yscale属性来实现对坐标轴的格式设置。

示例：右侧的子图显示对数刻度，左侧子图则显示标量刻度。

import matplotlib.pyplot as plt
import numpy as np
fig, axes = plt.subplots(1, 2, figsize=(10,4))
x = np.arange(1,5)
axes[0].plot( x, np.exp(x))
axes[0].plot(x,x**2)
axes[0].set_title("Normal scale")
axes[1].plot (x, np.exp(x))
axes[1].plot(x, x**2)
#设置y轴
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)")
axes[0].set_xlabel("x axis")
axes[0].set_ylabel("y axis")
axes[0].xaxis.labelpad = 10
#设置x、y轴标签
axes[1].set_xlabel("x axis")
axes[1].set_ylabel("y axis")
plt.show()

图1：对数关系图

轴是连接刻度的线，也就是绘图区域的边界，在绘图区域（axes 对象）的顶部、底部、左侧和右侧都有一个边界线（轴）。通过指定轴的颜色和宽度，从而对进行显示格式设置，比如将所有轴的颜色设置为 None，那么它们都会成为隐藏状态，或者也可以给轴添加相应的颜色。以下示例为左侧轴、底部轴分别设置了红色、蓝色，如下所示：

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
#为左侧轴，底部轴添加颜色
ax.spines['bottom'].set_color('blue')
ax.spines['left'].set_color('red')
ax.spines['left'].set_linewidth(2)
#将侧轴、顶部轴设置为None
ax.spines['right'].set_color(None)
ax.spines['top'].set_color(None)
ax.plot([1,2,3,4,5])
plt.show()

输出结果如下：

图2：输出结果

Matplotlib坐标轴范围

Matplotlib 可以根据自变量与因变量的取值范围，自动设置 x 轴与 y 轴的数值大小。当然，您也可以用自定义的方式，通过 set_xlim() 和 set_ylim() 对 x、y 轴的数值范围进行设置。

当对 3D 图像进行设置的时，会增加一个 z 轴，此时使用 set_zlim() 可以对 z 轴进行设置。

下面示例分别对自动设置和自定义设置做了演示：第一种 Matplotlib 自动设置

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
#添加绘图区域
a1 = fig.add_axes([0,0,1,1])
#准备数据
x = np.arange(1,10)
#绘制函数图像
a1.plot(x, np.exp(x))
#添加题目
a1.set_title('exp')
plt.show()

代码执行后，输出结果如下：

图1：输出结果

第二种：自定义设置，set_xlim() 将 x 轴的数值范围设置为（0到10)； set_ylim() 将 y 轴的范围设置为（0到10000）。

import matplotlib.pyplot as plt
fig = plt.figure()
a1 = fig.add_axes([0,0,1,1])
import numpy as np
x = np.arange(1,10)
a1.plot(x, np.exp(x),'r')
a1.set_title('exp')
#设置y轴
a1.set_ylim(0,10000)
#设置x轴
a1.set_xlim(0,10)
plt.show()

输出结果如下：

图2：输出结果

Matplotlib刻度和刻度标签

刻度指的是轴上数据点的标记，Matplotlib 能够自动的在 x 、y 轴上绘制出刻度。这一功能的实现得益于 Matplotlib 内置的刻度定位器和格式化器（两个内建类）。在大多数情况下，这两个内建类完全能够满足我们的绘图需求，但是在某些情况下，刻度标签或刻度也需要满足特定的要求，比如将刻度设置为“英文数字形式”或者“大写阿拉伯数字”，此时就需要对它们重新设置。

xticks() 和 yticks() 函数接受一个列表对象作为参数，列表中的元素表示对应数轴上要显示的刻度。如下所示：

ax.set_xticks([2,4,6,8,10])

x 轴上的刻度标记，依次为 2，4，6，8，10。您也可以分别通过 set_xticklabels() 和 set_yticklabels() 函数设置与刻度线相对应的刻度标签。

下面示例对刻度和标签的使用方法做了说明。

import matplotlib.pyplot as plt
import numpy as np
import math
x = np.arange(0, math.pi*2, 0.05)
#生成画布对象
fig = plt.figure()
#添加绘图区域
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
y = np.sin(x)
ax.plot(x, y)
#设置x轴标签
ax.set_xlabel(‘angle’)
ax.set_title('sine')
ax.set_xticks([0,2,4,6])
#设置x轴刻度标签
ax.set_xticklabels(['zero','two','four','six'])
#设置y轴刻度
ax.set_yticks([-1,0,1])
plt.show()

输出结果如下：

图1：绘制坐标轴刻度与标签

Matplotlib中文乱码解决方案（两种方式）

Matplotlib 默认不支持中文字体，这因为 Matplotlib 只支持 ASCII 字符，但中文标注更加符合中国人的阅读习惯。因此，本节重点讲解如何在 Windows 环境下让 Matplotlib 显示中文。

Matplotlib中文乱码

当不对 Matplotlib 进行设置，而直接使用中文时，绘制的图像会出现中文乱码。下面是一个含有中文乱码的折线图：

从上图可以看出，本应该显示在红框内的中文字体没有显示出来（红框是自己标注出来的），下面给出了两种解决方案：第一种是临时解决方案，第二种是一劳永逸的解决方案。

重写配置文件

通过临时重写配置文件的方法，可以解决 Matplotlib 显示中文乱码的问题，代码如下所示：

import matplotlib.pyplot as pltplt.rcParams["font.sans-serif"]=["SimHei"] #设置字体plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题

将上述代码添加到您的绘图程序中，即可解决中文乱码的问题。这是一种非常灵活、便捷的解决方法。完整的程序代码如下：

#绘制折线图import matplotlib.pyplot as pltplt.rcParams["font.sans-serif"]=["SimHei"] #设置字体plt.rcParams["axes.unicode_minus"]=False #正常显示负号year = [2017, 2018, 2019, 2020]people = [20, 40, 60, 70]#生成图表plt.plot(year, people)plt.xlabel('年份')plt.ylabel('人口')plt.title('人口增长')#设置纵坐标刻度plt.yticks([0, 20, 40, 60, 80])#设置填充选项：参数分别对应横坐标，纵坐标，纵坐标填充起始值，填充颜色plt.fill_between(year, people, 20, color = 'green')#显示图表plt.show()

输出结果如下：

不过上述解决方案适用于所有操作系统，其唯一弊端是每编写一个绘图程序就要添加一次相同的代码。

修改配置文件

下面介绍第二种方式：通过直接修改配置文件的方法，可以一劳永逸的解决 Matplotlib 的中文乱码问题。注意此过程在 Windows 环境下进行。

Matplotlib 从配置文件 matplotlibrc 中读取相关配置信息，比如字体、样式等，因此我们需要对该配置文件进行更改。首先查看 matplotlibrc 所在的目录，使用如下代码确定目录位置：

import matplotlib
matplotlib.matplotlib_fname()

输出结果：

D:\python\python37\lib\site-packages\matplotlib\mpl-data\matplotlibrc

然后修改配置文件 matplotlibrc。打开配置文件后，找到以下信息：

#font.family: sans-serif#font.serif: DejaVu Serif, Bitstream Vera Serif, Computer Modern Roman, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif

将上述配置项前面的#去掉，并修改的配置项，如下所示：

font.family   :  Microsoft YaHei, sans-serif
font.serif: Microsoft YaHei, DejaVu Serif, Bitstream Vera Serif, Computer Modern Roman, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif

注意，由于版本问题，上述内容配置信息可能存在一些差异，请自动忽略。

最后，在以下目录中复制中文字体微软雅黑：

C:\Windows\Fonts\Microsoft YaHei UI

复制完成后，将字体粘贴至以下路径文件中：

D:\python\python37\lib\site-packages\matplotlib\mpl-data\fonts\ttf

字体粘贴后会出现一个 MSYH.ttc 的字体文件，如下所示：

编写如下代码进行测试：

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-8, 8, 1024)
y1 = 0.618 * np.abs(x) - 0.8 * np.sqrt(64 - x ** 2)
y2 = 0.618 * np.abs(x) + 0.8 * np.sqrt(64 - x ** 2)
plt.plot(x, y1, color='r')
plt.plot(x, y2, color='r')
plt.title("我爱C语言中文网",fontsize=20,color="b")
plt.show()

输出结果如下：

如果你对自己编写的程序没有强烈的“洁癖”，可以接受重复的代码，那么建议您选择第一种解决方法，因为这种方法灵活、轻便。当然您也可以选择第二种方式，一劳永逸的解决中文乱码问题。

Matplotlib双轴图

在一些应用场景中，有时需要绘制两个 x 轴或两个 y 轴，这样可以更直观地显现图像，从而获取更有效的数据。Matplotlib 提供的 twinx() 和 twiny() 函数，除了可以实现绘制双轴的功能外，还可以使用不同的单位来绘制曲线，比如一个轴绘制对函数，另外一个轴绘制指数函数。

下面示例绘制了一个具有两个 y 轴的图形，一个显示指数函数 exp(x)，另一个显示对数函数 log(x)。

import matplotlib.pyplot as plt
import numpy as np
#创建图形对象
fig = plt.figure()
#添加子图区域
a1 = fig.add_axes([0,0,1,1])
#准备数据
x = np.arange(1,11)
#绘制指数函数
a1.plot(x,np.exp(x))
a1.set_ylabel('exp')
#添加双轴
a2 = a1.twinx()
#‘ro’表示红色圆点
a2.plot(x, np.log(x),'ro-')
#绘制对数函数
a2.set_ylabel('log')
#绘制图例
fig.legend(labels = ('exp','log'),loc='upper left')
plt.show()

输出结果：

图1：输出结果

Matplotlib柱状图（代码+注释详解）

柱状图是一种用矩形柱来表示数据分类的图表，柱状图可以垂直绘制，也可以水平绘制，它的高度与其所表示的数值成正比关系。柱状图显示了不同类别之间的比较关系，图表的水平轴 X 指定被比较的类别，垂直轴 Y 则表示具体的类别值。

Matplotlib 提供了bar()函数来绘制柱状图，它可以应用在 MATLAB 样式以及面向对象的绘图方法中。当它与 axes 对象一起使用时，其语法格式如下：

ax.bar(x, height, width, bottom, align)

该函数的参数说明，如下表所示：

x	一个标量序列，代表柱状图的x坐标，默认x取值是每个柱状图所在的中点位置，或者也可以是柱状图左侧边缘位置。
height	一个标量或者是标量序列，代表柱状图的高度。
width	可选参数，标量或类数组，柱状图的默认宽度值为 0.8。
bottom	可选参数，标量或类数组，柱状图的y坐标默认为None。
algin	有两个可选项 {“center”,“edge”}，默认为 ‘center’，该参数决定 x 值位于柱状图的位置。

该函数的返回值是一个 Matplotlib 容器对象，该对象包含了所有柱状图。

下面是一个关于 Matplotlib 柱状图的简单示例。它用来显示了不同编程语言的学习人数。

import matplotlib.pyplot as plt
#创建图形对象
fig = plt.figure()
#添加子图区域，参数值表示[left, bottom, width, height ]
ax = fig.add_axes([0,0,1,1])
#准备数据
langs = ['C', 'C++', 'Java', 'Python', 'PHP']
students = [23,17,35,29,12]
#绘制柱状图
ax.bar(langs,students)
plt.show()

输出结果如下：

图1：matplotlib bar()绘图

通过调整柱状图的宽度，可以实现在同一 x 轴位置绘制多个柱状图。您可以将它们设置成不同的颜色，从而使它们更容易区分。下面示例描述了某工程学院过去四年中，三个专业录取的统招学生数量。

import numpy as np
import matplotlib.pyplot as plt
#准备数据
data =
[[30, 25, 50, 20],
[40, 23, 51, 17],
[35, 22, 45, 19]]
X = np.arange(4)
fig = plt.figure()
#添加子图区域
ax = fig.add_axes([0,0,1,1])
#绘制柱状图
ax.bar(X + 0.00, data[0], color = 'b', width = 0.25)
ax.bar(X + 0.25, data[1], color = 'g', width = 0.25)
ax.bar(X + 0.50, data[2], color = 'r', width = 0.25)

上述代码执行后，将显示四个柱状图，将每个柱状图又均分为三个小柱状图，每个柱状图占据 0.25 个单位。

图2：matplotlib绘图

柱状图除了上述使用方法外，还有另外一种堆叠柱状图。所谓堆叠柱状图就是将不同数组别的柱状图堆叠在一起，堆叠后的柱状图高度显示了两者相加的结果值。

bar() 函数提供了一个可选参数bottom，该参数可以指定柱状图开始堆叠的起始值，一般从底部柱状图的最大值开始，依次类推。

下面是一个不同国家参加奥林匹克运动会所得奖牌（金银铜）的柱状堆叠图示例，如下所示：

import numpy as np
import matplotlib.pyplot as plt
countries = ['USA', 'India', 'China', 'Russia', 'Germany']
bronzes = np.array([38, 17, 26, 19, 15])
silvers = np.array([37, 23, 18, 18, 10])
golds = np.array([46, 27, 26, 19, 17])
# 此处的 _ 下划线表示将循环取到的值放弃，只得到[0,1,2,3,4]
ind = [x for x, _ in enumerate(countries)]
#绘制堆叠图
plt.bar(ind, golds, width=0.5, label='golds', color='gold', bottom=silvers+bronzes)
plt.bar(ind, silvers, width=0.5, label='silvers', color='silver', bottom=bronzes)
plt.bar(ind, bronzes, width=0.5, label='bronzes', color='#CD853F')
#设置坐标轴
plt.xticks(ind, countries)
plt.ylabel("Medals")
plt.xlabel("Countries")
plt.legend(loc="upper right")
plt.title("2019 Olympics Top Scorers")
plt.show()

在上述代码中，第一次调用plt.bar()绘制了黄色柱状图， 第二次调用plot.bar()时绘制了灰色柱状图，最后一次调用plt.bar()则绘制最底部的柱状图。两个柱状图相接触的位置就是顶部与底部的位置，这样就构成了柱状堆叠图。

图3：柱状堆叠图

Matplotlib直方图

直方图（Histogram），又称质量分布图，它是一种条形图的一种，由一系列高度不等的纵向线段来表示数据分布的情况。 直方图的横轴表示数据类型，纵轴表示分布情况。

首先，我们需要了解柱状图和直方图的区别。直方图用于概率分布，它显示了一组数值序列在给定的数值范围内出现的概率；而柱状图则用于展示各个类别的频数。

例如，我们对某工厂的员工年龄做直方图统计，首先我们要统计出每一位员工的年龄，然后设定一个 20 至 65 的数值范围，并将该数值范围细分为 4 个区间段 (20,35),(35,45),(45,55),(55,65) , 最后通过直方图的形式，展示该工厂员工在相应年龄区间的分布情况。

如果想要构建直方图，必须遵循以下步骤：

• 将整个值范围划分为一系列区间。
• 区间值（bin）的取值，不可遗漏数据；
• 计算每个区间中有多少个值。

通常将 bin 指定为连续且不重叠的数值区间，而 bin 值指区间开始和结束的数值。

您可以使用下面的函数来绘制直方图：

matplotlib.pyplot.hist（）

该函数的参数说明如下：

x	必填参数，数组或者数组序列。
bins	可选参数，整数或者序列，bins 表示每一个间隔的边缘（起点和终点）默认会生成10个间隔。
range	指定全局间隔的下限与上限值 (min,max)，元组类型，默认值为 None。
density	如果为 True，返回概率密度直方图；默认为 False，返回相应区间元素的个数的直方图。
histtype	要绘制的直方图类型，默认值为“bar”，可选值有 barstacked(堆叠条形图)、step(未填充的阶梯图)、stepfilled(已填充的阶梯图)。

以下示例绘制了班级学生得分情况的直方图。其中定义了四个区间（bins）分别是：0-25、26-50、51-75 和 76-100。直方图显示了相应范围的学生人数。

from matplotlib import pyplot as plt
import numpy as np
#创建图形对象和轴域对象
fig,ax = plt.subplots(1,1)
a = np.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])
#绘制直方图
ax.hist(a, bins = [0,25,50,75,100])
#设置坐标轴
ax.set_title("histogram of result")
ax.set_xticks([0,25,50,75,100])
ax.set_xlabel('marks')
ax.set_ylabel('no.of students')
plt.show()

上述代码执行后，输出结果如下：

图1：直方图绘制结果

Matplotlib饼状图

饼状图用来显示一个数据系列，具体来说，饼状图显示一个数据系列中各项目的占项目总和的百分比。

Matplotlib 提供了一个 pie() 函数，该函数可以生成数组中数据的饼状图。您可使用 x/sum(x) 来计算各个扇形区域占饼图总和的百分比。pie() 函数的参数说明如下：

X	数组序列，数组元素对应扇形区域的数量大小。
labels	列表字符串序列，为每个扇形区域备注一个标签名字。
color	为每个扇形区域设置颜色，默认按照颜色周期自动设置。
autopct	格式化字符串"fmt%pct"，使用百分比的格式设置每个扇形 区的标签，并将其放置在扇形区内。

以下示例：关于不同计算机语言学习人数的饼状图。autopct 参数设置为 %1.2f% ，并将各项所占总和的百分比显示在相对应的扇形区内。

from matplotlib import pyplot as plt
import numpy as np
#添加图形对象
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
#使得X/Y轴的间距相等
ax.axis('equal')
#准备数据
langs = ['C', 'C++', 'Java', 'Python', 'PHP']
students = [23,17,35,29,12]
#绘制饼状图
ax.pie(students, labels = langs,autopct='%1.2f%%')
plt.show()

输出结果如下：

图1：Matplotlib饼状图

Matplotlib折线图（绘图实例+代码详解）

折线图（line chart）是我们日常工作、学习中经常使用的一种图表，它可以直观的反映数据的变化趋势。与绘制柱状图、饼状图等图形不同，Matplotlib 并没有直接提供绘制折线图的函数，因此本节着重讲解如何绘制一幅折线图。

绘制单条折线

下面示例是关于 C语言中文网用户活跃度的折线图：

import matplotlib.pyplot as plt
#准备绘制数据
x = ["Mon", "Tues", "Wed", "Thur", "Fri","Sat","Sun"]
y = [20, 40, 35, 55, 42, 80, 50]
# "g" 表示红色，marksize用来设置'D'菱形的大小
plt.plot(x, y, "g", marker='D', markersize=5, label="周活")
#绘制坐标轴标签
plt.xlabel("登录时间")
plt.ylabel("用户活跃度")
plt.title("C语言中文网活跃度")
#显示图例
plt.legend(loc="lower right")
#调用 text()在图像上绘制注释文本
#x1、y1表示文本所处坐标位置，ha参数控制水平对齐方式, va控制垂直对齐方式，str(y1)表示要绘制的文本
for x1, y1 in zip(x, y):plt.text(x1, y1, str(y1), ha='center', va='bottom', fontsize=10)
#保存图片
plt.savefig("1.jpg")
plt.show()

显示结果如下：

绘制多条折线图

当学习完如何绘制单条折线的绘制后，再绘制多条折线也变的容易，只要准备好绘制多条折线图的数据即可。

下面是一个简单示例，绘制了两天内同一时刻，天气温度随时间变化的折线图：

import matplotlib.pyplot as plt
#对比两天内同一时刻温度的变化情况
x = [5, 8, 12, 14, 16, 18, 20]
y1 = [18, 21, 29, 31, 26, 24, 20]
y2 = [15, 18, 24, 30, 31, 25, 24]
#绘制折线图，添加数据点，设置点的大小
# * 表示绘制五角星；此处也可以不设置线条颜色，matplotlib会自动为线条添加不同的颜色
plt.plot(x, y1, 'r',marker='*', markersize=10)
plt.plot(x, y2, 'b', marker='*',markersize=10)
plt.title('温度对比折线图')  # 折线图标题
plt.xlabel('时间(h)')  # x轴标题
plt.ylabel('温度(℃)')  # y轴标题
#给图像添加注释，并设置样式
for a, b in zip(x, y1):plt.text(a, b, b, ha='center', va='bottom', fontsize=10)
for a, b in zip(x, y2):plt.text(a, b, b, ha='center', va='bottom', fontsize=10)
#绘制图例
plt.legend(['第一天', '第二天'])
#显示图像
plt.show()

显示结果如下：

Python Matplotlib散点图

散点图用于在水平轴和垂直轴上绘制数据点，它表示了因变量随自变量变化的趋势。通俗地讲，它反映的是一个变量受另一个变量的影响程度。

散点图将序列显示为一组点，其中每个散点值都由该点在图表中的坐标位置表示。对于不同类别的点，则由图表中不同形状或颜色的标记符表示。同时，您也可以设置标记符的颜色或大小。

下面示例，绘制了学生考试成绩的散点图，其中蓝色代表男孩成绩，红色表示女孩的成绩。

import matplotlib.pyplot as plt
girls_grades = [89, 90, 70, 89, 100, 80, 90, 100, 80, 34]
boys_grades = [30, 29, 49, 48, 100, 48, 38, 45, 20, 30]
grades_range = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
fig=plt.figure()
#添加绘图区域
ax=fig.add_axes([0,0,1,1])
ax.scatter(grades_range, girls_grades, color='r',label="girls")
ax.scatter(grades_range, boys_grades, color='b',label="boys")
ax.set_xlabel('Grades Range')
ax.set_ylabel('Grades Scored')
ax.set_title('scatter plot')
#添加图例
plt.legend()
plt.show()

代码执行后，输出结果如下：pyht

图1：绘制散点图

Matplotlib等高线图

等高线图（也称“水平图”）是一种在二维平面上显示 3D 图像的方法。等高线有时也被称为 “Z 切片”，如果您想要查看因变量 Z 与自变量 X、Y 之间的函数图像变化（即 Z=f(X,Y)），那么采用等高线图最为直观。

自变量 X 和 Y 需要被限制在矩形网格内，您可以将 x 、y 数组作为参数传递给 numpy.meshgrid() 函数来构建一个网格点矩阵。

关于 meshgrid() 函数用法可参考《numpy.meshgrid()用法详解》。

Matplotlib API 提供了绘制等高线（contour）与填充等高线（ contourf）的函数。这两个函数都需要三个参数，分别是 X、Y 与 Z。

import numpy as np
import matplotlib.pyplot as plt
#创建xlist、ylist数组
xlist = np.linspace(-3.0, 3.0, 100)
ylist = np.linspace(-3.0, 3.0, 100)
#将上述数据变成网格数据形式
X, Y = np.meshgrid(xlist, ylist)
#定义Z与X,Y之间的关系
Z = np.sqrt(X**2 + Y**2)
fig,ax=plt.subplots(1,1)
#填充等高线颜色
cp = ax.contourf(X, Y, Z)
fig.colorbar(cp) # 给图像添加颜色柱
ax.set_title('Filled Contours Plot')
ax.set_xlabel('x (cm)')
ax.set_ylabel('y (cm)')
#画等高线
plt.contour(X,Y,Z)
plt.show()

代码执行后，输出结果如下：

图1：等高线示例图

左侧图像绘制了两个变量 X、Y ，右侧的颜色柱（colorbar）则表示 X 的取值，颜色越深表示值越小，中间深色部分的圆心点表示 x=0，y=0，z=0。

Matplotlib振动图

振动图也叫磁场图，或量场图，其图像的表现形式是一组矢量箭头，其数学含义是在点 (x,y) 处具有分向量 (u,v)。

Matplotlib 提供绘制量场图的函数，如下所示：

quiver(x,y,u,v)

上述函数表示，在指定的 (x,y) 坐标上以箭头的形式绘制向量，参数说明如下：

参数	说明
x	一维、二维数组或者序列，表示箭头位置的x坐标。
y	一维、二维数组或者序列，表示箭头位置的y坐标。
u	一维、二维数组或者序列，表示箭头向量的x分量。
v	一维、二维数组或者序列，表示箭头向量的y分量。
c	一维、二维数组或者序列，表示箭头颜色。

以下示例，绘制了一个简单的振动图：

import matplotlib.pyplot as plt
import numpy as np
x,y = np.meshgrid(np.arange(-2, 2, 0.2), np.arange(-2, 2, 0.25))
z = x*np.exp(-x**2 - y**2)
#计算数组中元素的梯度
v, u = np.gradient(z, 0.2, 0.2)
fig, ax = plt.subplots()
q = ax.quiver(x,y,u,v)
plt.show()

上述代码执行后，输出结果如下：

图1：振动示例图

Matplotlib箱型图

箱型图（也称为盒须图）于 1977 年由美国著名统计学家约翰·图基（John Tukey）发明。它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。

在箱型图中，我们从上四分位数到下四分位数绘制一个盒子，然后用一条垂直触须（形象地称为“盒须”）穿过盒子的中间。上垂线延伸至上边缘（最大值），下垂线延伸至下边缘（最小值）。箱型图结构如下所示：

图1：箱型如结构图

首先准备创建箱型图所需数据：您可以使用numpy.random.normal()函数来创建一组基于正态分布的随机数据，该函数有三个参数，分别是正态分布的平均值、标准差以及期望值的数量。如下所示：

#利用随机数种子使每次生成的随机数相同
np.random.seed(10)
collectn_1 = np.random.normal(100, 10, 200)
collectn_2 = np.random.normal(80, 30, 200)
collectn_3 = np.random.normal(90, 20, 200)
collectn_4 = np.random.normal(70, 25, 200)
data_to_plot=[collectn_1,collectn_2,collectn_3,collectn_4]

然后用 data_to_plot 变量指定创建箱型图所需的数据序列，最后用 boxplot() 函数绘制箱型图，如下所示：

fig = plt.figure()
#创建绘图区域
ax = fig.add_axes([0,0,1,1])
#创建箱型图
bp = ax.boxplot(data_to_plot)
plt.show()

上述代码执行后，输出结果如下：

图2：箱型图输出结果

Matplotlib提琴图

小提琴图（Violin Plot）是用来展示数据分布状态以及概率密度的图表。这种图表结合了箱形图和密度图的特征。小提琴图跟箱形图类似，不同之处在于小提琴图还显示数据在不同数值下的概率密度。

小提琴图使用核密度估计（KDE）来计算样本的分布情况，图中要素包括了中位数、四分位间距以及置信区间。在数据量非常大且不方便一一展示的时候，小提琴图特别适用。

概率密度估计、置信区间、四分位间距都属于统计学中的概念，可自行查阅，这里不做说明。

小提琴图比箱型图能提供了更多的信息。虽然箱型图显示了均值、中位数和上、下四分位数等统计信息，但是小提琴图却显示了数据的完整分布情况，这更利于数据的分析与比对。下面是小提琴图的使用示例：

import matplotlib.pyplot as plt
np.random.seed(10)
collectn_1 = np.random.normal(100, 10, 200)
collectn_2 = np.random.normal(80, 30, 200)
collectn_3 = np.random.normal(90, 20, 200)
collectn_4 = np.random.normal(70, 25, 200)
#创建绘制小提琴图的数据序列
data_to_plot = [collectn_1, collectn_2, collectn_3, collectn_4]
#创建一个画布
fig = plt.figure()
#创建一个绘图区域
ax = fig.add_axes([0,0,1,1])
# 创建一个小提琴图
bp = ax.violinplot(data_to_plot)
plt.show()

输出结果如下：

图1：小提琴图绘制

Python Matplotlib 3D绘图详解（汇总）

最初开发的 Matplotlib，仅支持绘制 2d 图形，后来随着版本的不断更新， Matplotlib 在二维绘图的基础上，构建了一部分较为实用的 3D 绘图程序包，比如 mpl_toolkits.mplot3d，通过调用该程序包一些接口可以绘制 3D散点图、3D曲面图、3D线框图等

mpl_toolkits 是 Matplotlib 的绘图工具包。

第一个三维绘图程序

下面编写第一个三维绘图程序。

首先创建一个三维绘图区域， plt.axes() 函数提供了一个参数projection，将其参数值设置为 “3d”。如下所示：

#导入三维工具包mplot3d
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
#创建3d绘图区域
ax = plt.axes(projection='3d')

有了三维绘图区域，接下来就要构建 3d 图像，如下所示：

#从三个维度构建
z = np.linspace(0, 1, 100)
x = z * np.sin(20 * z)
y = z * np.cos(20 * z)

最后调用 plot3D() 方法绘制 3d 图形，代码如下：

#调用 ax.plot3D创建三维线图
ax.plot3D(x, y, z, 'gray')
ax.set_title('3D line plot')
plt.show()

完整程序如下所示：

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
#从三个维度构建
z = np.linspace(0, 1, 100)
x = z * np.sin(20 * z)
y = z * np.cos(20 * z)
#调用 ax.plot3D创建三维线图
ax.plot3D(x, y, z, 'gray')
ax.set_title('3D line plot')
plt.show()

输出结果如下所示：

图1：三维线图(3D Line)

上述代码中的 ax.plot3D() 函数可以绘制各种三维图形，这些三维图都要根据(x，y，z)三元组类来创建。

3D散点图

通过 ax.scatter3D() 函数可以绘制 3D 散点图，示例代码如下：

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
#创建绘图区域
ax = plt.axes(projection='3d')
#构建xyz
z = np.linspace(0, 1, 100)
x = z * np.sin(20 * z)
y = z * np.cos(20 * z)
c = x + y
ax.scatter3D(x, y, z, c=c)
ax.set_title('3d Scatter plot')
plt.show()

输出结果图：

图2：Matplotlib 3D绘图

3D等高线图

ax.contour3D() 可以用来创建三维等高线图，该函数要求输入数据均采用二维网格式的矩阵坐标。同时，它可以在每个网格点(x,y)处计算出一个 z 值。

以下示例展示了如何绘制三维正弦等高线图。代码如下：

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
def f(x, y):return np.sin(np.sqrt(x ** 2 + y ** 2))
#构建x、y数据
x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
#将数据网格化处理
X, Y = np.meshgrid(x, y)
Z = f(X, Y)
fig = plt.figure()
ax = plt.axes(projection='3d')
#50表示在z轴方向等高线的高度层级，binary颜色从白色变成黑色
ax.contour3D(X, Y, Z, 50, cmap='binary')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
ax.set_title('3D contour')
plt.show()

输出结果图如下：

图3：绘制三维轮廓图

3D线框图

线框图同样要采用二维网格形式的数据，与绘制等高线图类似。

线框图可以将数据投影到指定的三维表面上，并输出可视化程度较高的三维效果图。通过 plot_wireframe() 能够绘制 3D 线框图。代码如下：

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
#要绘制函数图像
def f(x, y):return np.sin(np.sqrt(x ** 2 + y ** 2))
#准备x,y数据
x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
#生成x、y网格化数据
X, Y = np.meshgrid(x, y)
#准备z值
Z = f(X, Y)
#绘制图像
fig = plt.figure()
ax = plt.axes(projection='3d')
#调用绘制线框图的函数plot_wireframe()
ax.plot_wireframe(X, Y, Z, color='black')
ax.set_title('wireframe')
plt.show()

输出结果如下：

图4：Matplotlib绘制线框图

3D曲面图

曲面图表示一个指定的因变量y与两个自变量x和z之间的函数关系。

3D 曲面图是一个三维图形，它非常类似于线框图。不同之处在于，线框图的每个面都由多边形填充而成。Matplotlib 提供的 plot_surface() 函数可以绘制 3D 曲面图，该函数需要接受三个参数值 x，y 和 z 。示例代码如下：

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt
#求向量积(outer()方法又称外积)
x = np.outer(np.linspace(-2, 2, 30), np.ones(30))
#矩阵转置
y = x.copy().T
#数据z
z = np.cos(x ** 2 + y ** 2)
#绘制曲面图
fig = plt.figure()
ax = plt.axes(projection='3d')
调用plot_surface()函数
ax.plot_surface(x, y, z,cmap='viridis', edgecolor='none')
ax.set_title('Surface plot')
plt.show()

输出结果图：

图5：Matplotlib绘制曲面图

Matplotlib绘制文本

Matplotlib 支持广泛的文本格式，比如 TTF 页面语言、Unicode 字符等。这是因为 Matplotlib 内置了 matplotlib.font_manager 字体管理器，它是一个实现了跨平台，并符合 W3C 字体查找算法的字体集合。

TTF（TrueType Font） 是苹果公司和微软公司合作开发的页面描述语言，用来描述字符的轮廓，结合了光栅技术和矢量技术的优点。

用户可以对文本属性进行控制，比如字体大小、粗细、位置和颜色等。

与此同时，Matplotlib 也支持绘制 TeX 包含的数学符号。TeX 是一套功能强大、十分灵活的排版语言，它可以用来绘制文本、符号、数学表达式等。通过下表中的方法可以绘制出相应的内容：

text	在绘图区域的任意位置添加文本。
annotate	在绘图区域的任意位置添加带有可选箭头的注释。
xlabel	在绘图区域的 x 轴上添加标签。
ylabel	在绘图区域的 y 轴上添加标签。
title	为绘图区域添加标题。
figtext	在画布的任意位置添加文本。
suptitle	为画布中添加标题。

Matplotlib 使用pyplot模块中的 text() 函数绘制文本，函数的语法格式如下：

plt.text(x, y, string, weight="bold", color="b")

参数说明如下：

• x: 注释文本内容所在位置的横坐标；
• y：注释文本内容所在位置的纵坐标；
• string：注释文本内容；
• weight：注释文本内容的粗细风格；

下面使用 text() 函数会创建一个文本对象。示例如下：

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #正常显示负号
fig = plt.figure()
#添加绘图区域
ax = fig.add_axes([0,0,1,1])
#设置格式
ax.set_title('axes title')
ax.set_xlabel('xlabel')
ax.set_ylabel('ylabel')
# 3,8 表示x，y的坐标点；style设置字体样式为斜体；bbox用来设置盒子的属性，比如背景色
ax.text(3, 8, 'C语言中网网，编程爱好者都喜欢的网站', style='italic',bbox = {'facecolor': 'yellow'},fontsize=15)
#绘制数学表达式,用$符包裹
ax.text(2, 6, r'an equation: $E = mc^2$', fontsize = 15)
#添加文字，并设置样式
ax.text(4, 0.05, '网址：c.biancheng.net',verticalalignment = 'bottom', color = 'green', fontsize = 15)
ax.plot([2], [1], 'o')
#xy为点的坐标；xytext为注释内容坐标；arrowprops设置箭头的属性
ax.annotate('C语言中文网', xy = (2, 1), xytext = (3, 4),arrowprops = dict(facecolor = 'blue', shrink = 0.1))
#设置坐标轴x,y
ax.axis([0, 10, 0, 10])
plt.show()

代码执行结果如下：

图1：Matplotlib文本绘图

Matplotlib数学表达式

Matplotlib 中的文本字符串都可以使用 Text Markup（一种文本标记语言）显现出来，具体的使用方法是将文本标记符放在一对美元符号$内，语法格式如下：

#数学表达式
plt.title(r'$\alpha > \beta$')

如果要绘制下标和上标，您需要使用'_'和'^'符号，下面是一个简单的示例：

#绘制表达式 r'$\alpha_i> \beta_i$'
import numpy as np
import matplotlib.pyplot as plt
t = np.arange(0.0, 2.0, 0.01)
s = np.sin(2*np.pi*t)
#绘制函数图像
plt.plot(t,s)
#设置标题
plt.title(r'$\alpha_i> \beta_i$', fontsize=20)
#设置数学表达式
plt.text(0.6, 0.6, r'$\mathcal{A}\mathrm{sin}(2 \omega t)$', fontsize = 20)
#设置数学表达式
plt.text(0.1, -0.5, r'$\sqrt{2}$', fontsize=10)
plt.xlabel('time (s)')
plt.ylabel('volts (mV)')
plt.show()

上面代码的输出结果：

Matplotlib数学表达式绘制

从上述示例可以看出，虽然数学表达式种类繁多，但是 Matplotlib 对各种数学符号都做了良好的支持。

Matplotlib image图像处理

Matplotlib 软件包中的image模块提供了加载、缩放和显示图像的功能，该模块只能支持 PNG 格式的图片，如果格式不符，需要对图片的格式进行转换。

Matplotlib 支持的图片格式非常有限，所以通常情况下，建议采用 Python 图像处理库 Pillow 来处理图像，若感兴趣可以自行了解。

下面示例，imread() 函数用于读取图像数据并形成 ndarray 数组 ，其数据类型为 float32。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('mtplogo.png')

假设在当前目录中存在名为 mtplogo.png 的图像。

图1：mtplogo图像

通过执行 imsave() 函数，可以将包含图像数据的 ndarray 数组保存到磁盘文件中。

plt.imsave(“logo.png”, img, cmap = ‘gray’, origin = ‘lower’)

如下所示，将 imsave()方法的origin参数设置为 lower 实现了原始图像的垂直翻转。

图2：垂直翻转图

通过 imshow() 函数可以在 Matplotlib 查看器上绘制出相应的图像。其函数格式如下：

imgplot = plt.imshow(img)

下面列举一组示例：

import matplotlib.pyplot as plt
import numpy as np
fig=plt.figure()
ax1=fig.add_subplot(221)
ax2=fig.add_subplot(222)
ax3=fig.add_subplot(223)
ax4=fig.add_subplot(224)
#准备数据
#绘制z = sqrt(x^2+y^2)图像
points=np.arange(-5,5,0.01)
# meshgrid 接受两个一维数组，然后产生两个二维矩阵
xs,ys=np.meshgrid(points,points)
#绘制图像
z=np.sqrt(xs**2+ys**2)
ax = fig.add_subplot(221)
#默认
ax.imshow(z)
ax = fig.add_subplot(222)
ax.imshow(z,cmap = "gray")
ax = fig.add_subplot(223)
ax.imshow(z,cmap="cool")
ax = fig.add_subplot(224)
ax.imshow(z,cmap="hot")
#显示图像
plt.show()

输出结果如下：

图3：输出结果

Matplotlib转换对象

Matplotlib 是一款轻量级的图形转换框架，它通过转换对象轻松地实现了数据坐标系、轴域坐标系、图形坐标系，以及显示坐标系四者之间的相互转换，由于这种转换是 Matplotlib 自动完成的，因此无需考虑其底层原理。

坐标系转换对象

下面对四种坐标系做简单说明，其中ax代表轴域对象的实例；fig代表图形对象的实例。

坐标系	转换对象	描述
Data	ax.transData	数据坐标系，由 xlim 和 ylim 控制。
Axes	ax.transAxes	轴域坐标系(即绘图区坐标系)，(0,0) 在轴域坐标系左下角，(1,1)在轴域坐标系的右上角。
Figure	fig.transFigure	图形坐标系。(0,0) 在图的左下角，(1,1) 在图的右上角。
Display	None	显示坐标系。(0,0)显示左下角，而(width,height) 则显示右上角。注意，此处以像素 px 为单位。

转换对象作用就是在不同对象之间架起一座沟通的桥梁。输入一组数据最终以图像的形式显示，这个过程就是依靠转换对象来实现的。

上表中的 Data、Axes、Figure，这三个转换对象都可以接受一组数据，它们会将接受的数据转换到显示坐标系中，即 Display。在这个过程中，显示坐标系只是充当数据的接收者，因此显示坐标系不存在转换对象。

示例说明

下面举一个简单的示例，现有文本“my text”放置在数据点 (x,y) 位置处：

axes.text(x,y,“my text”)

通过 Axes 转换对象，我们可以指定文本的位置。使用以下代码，将文本移动至在坐标系的中心位置：

axes.text(0.5, 0.5, “middle of graph”, transform=axes.transAxes)

---

转载整理于：http://c.biancheng.net/matplotlib/transform-object.html

Python Matplotlib教程相关推荐

1. matplotlib输出图形到网页_必学python库Matplotlib教程分享

   点击上方"智能与算法之路",选择"星标"公众号 资源干货,第一时间送达 一.资源介绍 今天给大家分享的是一个Matplotlib的教程.Matplotlib 可 ...

2. python matplotlib数据可视化教程_matplotlib的Python数据可视化和探索——入门指南

   matplotlib--最受欢迎的Python库,用于数据可视化和探索 我喜欢在Python中使用matplotlib.这是我学会掌握的第一个可视化库,此后一直存在.matplotlib是最受欢迎的用 ...

3. 给深度学习入门者的Python快速教程 - numpy和Matplotlib篇

   转载自:https://zhuanlan.zhihu.com/p/24309547 本篇部分代码的下载地址: https://github.com/frombeijingwithlove/dlcv_f ...

4. 【莫烦Python】Matplotlib Python画图教程

   目录 前言 1.基本使用 1.1 基本用法 1.2 figure图像 1.3 设置坐标轴1 1.4 设置坐标轴2 1.5 Legend图例 1.6 Annotation标注 1.7 tick能见度 2 ...

5. 【莫烦Python】Matplotlib Python 画图教程 目录引导

   1.[莫烦Python]matplotlib Python画图教程 Matplotlib基本用法 2.[莫烦Python]Matplotlib Python 画图教程 figure图像 3.[莫烦Py ...

6. 这么详细的Python matplotlib底层原理浅析

   复习回顾 前期,我们已经学习​matplotlib模块相关的基础知识,对 matplotlib 模块折线图.饼图.柱状图进行操作. 这么详细的Python matplotlib 绘制图形 还不赶紧收藏 ...

7. windows上安装Anaconda和python的教程详解

   一提到数字图像处理编程,可能大多数人就会想到matlab,但matlab也有自身的缺点: 1.不开源,价格贵 2.软件容量大.一般3G以上,高版本甚至达5G以上. 3.只能做研究,不易转化成软件. 因 ...

8. python入门教程完整版(懂中文就能学会)-Python入门教程完整版（懂中文就能学会）...

   不过小编的内心是强大的,网友虐我千百遍,我待网友如初恋,因为今天又给大家带来了干货,Python入门教程完整版,完整版啊!完整版! 言归正传,小编该给大家介绍一下这套教程了,希望每个小伙伴都沉迷学习, ...

9. python基础教程是什么语言-0编程基础，什么语言也没学过，请问学Python怎样入门？...

   其实Python入门并不难,只要你有足够的自信心,明确学习目标,循序渐进就能不断享受到python带给你创新的乐趣. 大家为什么要学习python呢? 1.python简单易学 python的优势就是 ...

最新文章

1. VIEW层AJAX提交表单到Controller的实体(AJAX传递序列化的输入元素)
2. 【.net深呼吸】动态类型（高级篇）
3. python怎么读取word文件_使用python编辑和读取word文档
4. 在服务器托管中对流量和带宽进行限制
5. 全球及中国冷冻玉米粒行业盈利分析与投资机会评估报告2022-2028年版
6. Java实现单链表的反转
7. 补码、无符号数减法运算
8. Android之TabLayout+ViewPager2+FragmentStateAdapter实现带数字变化的TAB选项
9. Spring Hibernate教程
10. NFS方式挂载rootfs的设置方法
11. 大数据预测实战-随机森林预测实战（四）-模型调参
12. UBUNTU中更改文件的打开方式
13. 信息机房服务器搬迁,医院信息机房搬迁的实施与经验总结
14. 大数据分析应用的机遇与挑战
15. iif能用到mysql中吗_数据库iif
16. window7系统为什么老是弹出交互式服务检测
17. pthon爬虫笔记--名著小说网
18. 机器学习模型什么时候需要做数据标准化？
19. 洛谷 P1914 小书童——凯撒密码 C/C++ 字符串
20. C语言：n个数的阶乘之和

热门文章

1. MySql展示表字段
2. 《孤尽班T31-01-架构理论笔记》
3. 浙江计算机专业技术考试大纲,浙江省高校计算机等级考试大纲（三级）
4. mac安装软件允许任何来源(sudo spctl --master-disable)
5. 如何下载顺义区卫星地图高清版大图
6. JavaSE知识点（1）
7. 用vue写一个计算总价
8. R语言3.15 综合评价方法
9. part01.03 委托与 Lambda 表达式（三）：Lambda 表达式
10. babylonjs创建坐标轴