1. 基本属性
1.1. oo-style、pyplot-style
oo-style就是面向对象式，一般会创建一个句柄，当需要创建不止一个figure或者axes的时候推荐使用oo-style，另外，oo-style可以用的api更加丰富；
pyplot-style就是直接使用pyplot的内置函数，pyplot-style最大的优点就是简单粗暴，如果只是简单的作图，推荐使用pyplot-style，另外，一般pyplot-style的设置都是全局性的。
1.2. 基本组成成分
1.2.1. Artist
Artist是matplotlib最大的基类
基本上，你能在图形上看到的一切都是artist (甚至是图、轴域和轴对象)，这包括文本对象、Line2D对象、集合对象、补丁对象等等
Artist对象的所有属性基本都通过相应的get_*和 set_*函数进行读写
1.2.2. Figure、Axes
Figure是画布，由Artist对象创建，且是最大的Artist对象
axes是画像，由Figure对象创建，一个画布里面可以有多个画像
1.2.2.1. 创建Figure、Axes
# 方法一
fig, ax = plt.subplots() # a figure with a single Axes
fig, axs = plt.subplots(2, 3) # a figure with a 2(height) x 3(width) grid of Axes
ax = axs[0, 0]
# 方法二
fig = plt.figure()
ax = fig.add_subplot(2, 3, 1)
ax = fig.add_axes([left, bottom, width, height]) # 可以在任意位置创建一个指定大小的画像，其中的数值为占比
# 方法三
# 实际上，这种方式会默认新建一个figure，但这个figure的句柄，我们是拿不到的
ax = plt.subplot(2, 3, 1)
ax = plt.gca()1.2.2.2. 设置Figure
# 调整子图与边缘间距、子图与子图的间距
plt.subplots_adjust(left=0.05, right=0.95, bottom=0.05, top=0.95, wspace=0.5, hspace=0.5)
fig.set_facecolor('papayawhip') # 设置画布的背景颜色，这是一种我比较喜欢的背景颜色，一种类似于纸张的颜色1.2.2.3. 设置axes
下面是oo-style的设置语句
ax.set_title("Simple Plot") # 设置画像名称
ax.grid() # 添加网格线
ax.set_facecolor(color) # 添加axes背景颜色
# 下面只列举x轴的设置，y轴设置类似
ax.set_xlabel('x label') # 设置x轴名称
ax.set_xlim(left, right) # 设置x轴范围，如果right>left，坐标就会从大到小显示
# 统一设置x轴的刻度
ax.set_xticks(x) # 设置x轴刻度，使每个刻度的距离一样，例如，[0, 1]和[1, 10]的刻度距离一样
ax.set_xticklabels(label) # 设置x轴各个刻度的显示名称
# 设置刻度、刻度标签和网格线的外观。
ax.tick_params(axis='x', # 可选参数：{'x', 'y', 'both'}
labelbottom=False, # 隐藏x轴底部的坐标轴刻度，四个方位分别为bottom, top, left, right
labelcolor='r', # 设置坐标轴、刻度、值为红色
direction='in', # 设置刻度朝里，可选参数：{'in', 'out', 'inout'}
labelrotation=45, # 刻度值顺时针旋转45度
grid_color='r', # 设置x轴方向的网格线为红色
grid_alpha=0.5, # 设置x轴方向的网格线的透明度为0.5
grid_linewidth=1, # 设置x轴方向的网格线的宽度为1，这个值是像素
grid_linestyle='dotted' # 设置x轴方向的网格线的样式
)
# 批量设置x轴的每个刻度值
# 返回的是一个Text对象
for label in ax1.xaxis.get_ticklabels():
label.set_color('red')
# 批量设置x轴的每个刻度线
# 返回的是一个Line2D对象
for line in ax.xaxis.get_ticklines():
line.set_color('green')
# 批量设置图像的每个边框
# 单独设置一个坐标轴的话，使用形如后面的语句：ax.spines['bottom'].set_*
# 返回的是是一个Spine对象
for spine in ax.spines.values():
spine.set_visible(False) # 隐藏边框，如果坐标轴也在边框上面，那么刻度和刻度值也会被隐藏
ax.set_axis_off() # 不显示坐标轴
ax.set_axis_on() # 显示坐标轴
ax.set_facecolor('r') # 设置画像的背景颜色为红色
ax.remove() # 去掉画像如果要使用pyplot-style的方式，只需要把函数的set_前缀去掉就可以了，例如，ax.set_xlabel()的pyplot-style表现形式是plt.xlabel()
1.2.3. Text
Text是文本对象生成模块
mathplotlib对非英文字符的兼容性很差，一些显示异常的情况可以如下设置：
unicode字符，例如负号
plt.rcParams['axes.unicode_minus'] = False中文。因为matplotlib自己是不带中文字体，需要导入系统自带的字体库才可以正常显示，有以下三种方法可以解决这个问题
使用系统字体库的环境变量。
这种方法因为Windows和Mac的字体库是不一样的，所以需要分开设置
Windows：
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签其中，更多字体可以查找
%windir%\fonts文件夹，一些可用的文字如下：
Mac：
plt.rcParams['font.family'] = ['Arial Unicode MS'] # 用来正常显示中文标签其中，更多的字体可以通过
command + 空格搜索“字体册”，选择合适的字体，右键-在访达中显示，.tff前面的就是字体的名称了。PS：只有格式为
.ttf的字体文件可以被matplotlib正常使用。导入字体文件的路径。
import matplotlib.font_manager as fm myfont = fm.FontProperties(fname=r'D:\Fonts\simkai.ttf')将字体文件复制到matplotlib的
site-packages/matplotlib/mpl-data/fonts/ttf/字体文件夹下面，然后重新加载字体库。from matplotlib.font_manager import _rebuild _rebuild()
1.2.4. Line2D
Line2D是线类对象描绘模块，图中所有的绘制的线都是线对象
各个样式如下
1.2.4.1. 折线样式
1.2.4.2. 非填充标记点样式
1.2.4.3. 填充标记点样式
1.2.4.4. 标记点填充样式
1.2.4.5. mathtext标记样式
1.2.5. Spine
Spine是边框模块
特别地，只有当坐标轴位于边缘的时候，坐标轴才是边框的一部分
1.2.6. patches
patches是图形绘制模块，其中又包括Rectangle, ellipse, circle, polygon等绘制对象
Axes中添加patch的语句如下（只用添加矩形作为例子）
import matplotlib.patches as mpatches
rect = mpatches.Rectangle((x, y), width, height)
ax.add_patch(rect)各种patch的样式如下（其中的Line2D不属于patches）
1.2.7. collection
collection是批量图形绘制模块，其中matplotlib.collections.Collection是该模块下最大的对象，可以批量绘制不同的图形。该对象延伸出许多子对象，例如，matplotlib.collections.LineCollection，是专门批量绘制线条的对象。
Axes中添加collection的语句如下（只用添加线条作为例子）
import matplotlib.collections as plc
lines = []
for (x0, y0), (x1, y1) in path:
lines.append(((x0, y0), (x1, y1)))
lc = plc.LineCollection(lines)
ax.add_collection(lc, autolim=True) # autolim=True enables autoscaling.
ax.autoscale_view() # 自适应调节x、y轴1.2.8. colors
colors是实现配色映射功能的核心模块
简单来说，配色映射的作用是，把一定区间内的rgb颜色映射到另一个区间内，例如，把 [0, 0.4] 区间内的 'r' 映射以指定的归一化规则映射到 [0, 1] 内。
所以，这个模块分为两个部分，一个是Colormap，一个是Normalize
1.2.8.1. Colormap
映射区间划分模块
| 函数名 | 作用 |
|---|---|
ListedColormap |
均分划分区间 |
LinearSegmentedColormap |
自定义划分区间 |
ListedColormap 使用方法如下
import matplotlib.colors as colors
# 把颜色区间均分为3份
# 即 [0, 256/3] 内颜色映射为 'r' 色
cmap = colors.ListedColormap(['r', 'g', 'b'])
plt.imshow(arr, cmap=cmap)LinearSegmentedColormap 使用方法如下
cdict = {'red': [(0.0, 0.0, 1.0),
(0.4, 0.0, 1.0),
(1.0, 1.0, 1.0)],
'green': [(0.0, 0.0, 0.0),
(1.0, 0.0, 0.0)],
'blue': [(0.0, 0.0, 0.0),
(1.0, 0.0, 0.0)]}
cmap = plc.LinearSegmentedColormap('name', segmentdata=cdict)
plt.imshow(arr, cmap=cmap)这里有一个segmentdata参数，这个参数分为rgb三部分，表示rgb各种颜色区间划分规则，segmentdata的阅读规则为
这个表示区间 [x[i], x[i+1]] 的颜色颜色到区间 [y1[i], y0[i+1]] 中，
例如，上面的cdict表示：
对于'red'，
[0, 0.4]区间段内，'red’的值从 0.0 线性增加到 1.0；[0.4, 1.0]区间段内，'red’的值为 1.0对于'green' 和 'blue'，
[0, 1]区间段内，'green' 和 'blue'都为0，其实就是把'green' 和 'blue'过滤掉了。
当然，最简单就是使用matplotlib内置的颜色区间划分方案，其位于matplotlib.cm模块中
下面列举了一些引用配色方案方法，其作用效果都是一样的
cmap='ocean'
cmap=plt.get_cmap('ocean')
cmap=plt.cm.ocean
1.2.8.2. Normalize
归一化模块
| 函数名 | 作用 |
|---|---|
BoundaryNorm |
离散归一化，映射到整数 |
LogNorm |
log归一化 |
Normalize |
线性归一化，默认值 |
PowerNorm |
pow(x, n)归一化 |
SymLogNorm |
对称log归一化 |
使用方法如下
plt.imshow(arr, cmap=cmap, norm=plc.LogNorm())其实这个模块平时不怎么用得上，知道大概有这么一个用法就可以了
2. 二维图像
2.1. 常规数学统计图
| 函数名 | 作用 |
|---|---|
Axes.scatter |
散点图 |
Axes.plot |
折线图 |
Axes.errorbar |
带误差区间的折线图 |
Axes.loglog |
把x、y取log对数后的折线图 |
Axes.semilogx |
把x取log对数后的折线图 |
Axes.semilogy |
把y取log对数后的折线图 |
Axes.step |
阶跃函数图 |
Axes.bar |
条形图 |
Axes.barh |
横向的条形图 |
Axes.stem |
火柴图 |
Axes.vlines |
垂直线图 |
Axes.hlines |
水平线图 |
Axes.fill |
任意形状填充图 |
Axes.fill_between |
垂直填充图 |
Axes.fill_betweenx |
水平填充图 |
2.2. 高级统计图
| 函数名 | 作用 | 备注 |
|---|---|---|
Axes.pie |
饼图，可以反映每个种类的数据占的百分比 | |
Axes.hist |
直方图，可以反映数据分布情况，一般横坐标是数值区间，纵坐标是频数 | |
Axes.boxplot |
箱型图，可以反映数据的上边缘、下边缘、中位数、两个四分位数和异常值 |  |
Axes.violinplot |
小提琴图，可以反映数据分布情况及其概率密度 |  |
2.3. 多标签统计图
def multiple_labels():
height = 2
width = 2
point = 20
x = np.linspace(0, 10, point)
y = x
y1 = x[::-1]
width_ = 0.2
fig, axs = plt.subplots(height, width)
n = iter([(i, j) for i in range(height) for j in range(width)])
ax = axs[next(n)]
ax.set_title('叠加')
ax.bar(x, y, width_, label='bar1')
ax.bar(x, y1, width_, bottom=y, label='bar2')
ax.legend()
ax = axs[next(n)]
ax.set_title('错峰')
ax.bar(x - width_ / 2, y, width_, label='bar1')
ax.bar(x + width_ / 2, y1, width_, label='bar2')
ax.legend()
ax = axs[next(n)]
ax.set_title('交替')
ax.bar(x[range(0, point, 2)], y[range(0, point, 2)], width_, label='bar1')
ax.bar(x[range(1, point, 2)], y[range(1, point, 2)], width_, label='bar2')
ax.legend()
ax = axs[next(n)]
ax.set_title('共享')
from matplotlib.legend_handler import HandlerTuple
y2 = np.ones_like(x)
b1 = ax.bar(x, y2, width_)
b2 = ax.bar(x, y, width_, bottom=y2)
b3 = ax.bar(x, y1, width_, bottom=y + y2)
ax.legend([(b1, b2), b3], ['label1', 'label2'], handler_map={tuple: HandlerTuple(ndivide=None)})
plt.show()
2.4. 多坐标统计图
2.4.1. 单一标签对应多坐标
| 函数名 | 作用 |
|---|---|
Axes.secondary_xaxis |
添加一个辅助x轴 |
Axes.secondary_yaxis |
添加一个辅助y轴 |
这里面的function的参数令我很困惑，这个参数需要春如两个方程——一个正向函数和一个反向逆函数，其中，第二个反向逆函数好像并不起作用，你可以传入一个任意的方程，最终结果都是一样的
def secondary_yaxis():
x = np.linspace(0, 10, 50)
y = np.exp(x)
fig, ax = plt.subplots()
ax.plot(x, y)
ax.secondary_yaxis('right', functions=(lambda a: 10 * a, lambda a: a / 10))
plt.show()
2.4.2. 多标签对应多坐标
| 函数名 | 作用 |
|---|---|
Axes.twinx |
生成一个共享x轴的axes |
Axes.twiny |
生成一个共享y轴的axes |
def multiple_yaxis():
height = 1
width = 2
point = 50
x = np.linspace(0, 10, point)
y = np.exp(x)
y1 = np.sin(x)
y2 = 1 / x
fig, axs = plt.subplots(height, width, squeeze=False)
plt.subplots_adjust(left=0.1, right=0.85, bottom=0.1, top=0.9, wspace=0.5, hspace=0.5)
n = iter([(i, j) for i in range(height) for j in range(width)])
### 两个标签对应两个坐标轴 ###
ax = axs[next(n)]
ax.set_title('两个标签对应两个坐标轴')
color = 'r'
l1, = ax.plot(x, y, label='y=exp(x)', color=color)
ax.set_ylabel('exp', color=color)
ax.tick_params(axis='y', labelcolor=color)
# 添加第二个坐标轴
ax1 = ax.twinx()
color = 'b'
l2, = ax1.plot(x, y1, label='y=sin(x)', color=color)
ax1.set_ylabel('sin', color=color)
ax1.tick_params(axis='y', labelcolor=color)
# 添加标签
lines = [l1, l2]
ax.legend(lines, [l.get_label() for l in lines], loc='upper center')
### 三个标签对应三个坐标轴 ###
ax = axs[next(n)]
ax.set_title('三个标签对应三个坐标轴')
color = 'r'
l1, = ax.plot(x, y, label='y=exp(x)', color=color)
ax.set_ylabel('exp', color=color)
ax.tick_params(axis='y', labelcolor=color)
# 添加第二个坐标轴
ax1 = ax.twinx()
color = 'b'
l2, = ax1.plot(x, y1, label='y=sin(x)', color=color)
ax1.set_ylabel('sin', color=color)
ax1.tick_params(axis='y', labelcolor=color)
# 添加第三个坐标轴
# 其原理是再添加一个twinx的axes，然后把右边框往右边挪一点，错开第二个坐标轴
ax2 = ax.twinx()
color = 'g'
l3, = ax2.plot(x, y2, label='y=1/x', color=color)
ax2.tick_params(axis='y', labelcolor=color)
ax2.set_ylabel('1/x', color=color)
ax2.spines["right"].set_position(("axes", 1.2))
# 添加标签
lines = [l1, l2, l3]
ax.legend(lines, [l.get_label() for l in lines], loc='upper center')
plt.show()
2.5. 辅助图形部件
| 函数名 | 作用 |
|---|---|
Axes.axhline |
作一条 x=n 的垂直线 |
Axes.axhspan |
作一个 [ymin, ymax, xmin=0, xmax=1] 的矩形 |
Axes.axvline |
作一条 y=n 的水平线 |
Axes.axvspan |
作一个 [xmin, xmax, ymin=0, ymax=1] 的矩阵 |
Axes.annotate |
给指定点作注释 |
Axes.text |
在指定位置上添加文本 |
Axes.table |
添加一个表格 |
Axes.arrow |
以指定位置为起始点，作一个指定方向的箭头 |
Axes.inset_axes |
画像中添加一个子图 |
Axes.indicate_inset_zoom |
添加指示区间，指示子图出自原图的哪一处 |
Figure.colorbar |
添加一个调色板 |
2.6. 二维数组图像
| 函数名 | 作用 |
|---|---|
Axes.imshow |
基于RGB数组，生成一个二维数组图像 |
Axes.pcolor |
指定网格数组和RGB数组，生成一个二维数组图像 |
def array_image():
height = 1
width = 3
xx, yy = np.mgrid[-3:3:100j, -2:2:100j]
zz = xx ** 2 + yy * 2
zz = zz[:-1, :-1] # xx.shape -> (100, 100), yy.shape -> (100, 100), zz.shape -> (99, 99)
fig, axs = plt.subplots(height, width, squeeze=False)
n = iter([(i, j) for i in range(height) for j in range(width)])
ax = axs[next(n)]
ax.set_title('imshow')
ax.imshow(zz)
ax = axs[next(n)]
ax.set_title('pcolor(without grid)')
ax.pcolor(zz)
ax = axs[next(n)]
ax.set_title('pcolor(with grid)')
ax.pcolor(yy, xx, zz)
plt.show()
3. 三维图像
3.1. 3D画像
| 函数名 | 作用 |
|---|---|
Axes3D.plot |
2维折线图 |
Axes3D.scatter |
3维散点图 |
Axes3D.bar |
2维条形图 |
Axes3D.bar3d |
3维条形图 |
Axes3D.voxeis |
3维填充图 |
Axes3D.plot_surface |
3维表面图 |
Axes3D.plot_wireframe |
3维网格图 |
Axes3D.contour |
3维等高线 |
Axes3D.contourf |
3维等高面 |
创建一个3d图像的语句如下
import mpl_toolkits.mplot3d # 这个模块是一定要导的，即使后面没引用这个模块
x = np.linspace(-5, 5, point)
y = np.linspace(-5, 5, point)
xx, yy = np.meshgrid(x, y)
zz = np.sin(np.sqrt(xx ** 2 + yy ** 2))
fig = plt.figure()
ax3d = fig.add_subplot(projection='3d')
ax3d.plot_surface(xx, yy, zz)
ax3d.view_init(25, 45) # 选择角度
plt.show()
3.2. 等高线
理论上这个属于二维画像，但实际上，这只是3D画像往一个面上（例如xy面）压平的结果，所以也归到这一类中了。
| 函数名 | 作用 |
|---|---|
Axes.clabel |
添加等高线数值 |
Axes.contour |
等高线 |
Axes.contourf |
等高面 |
下面只截取等高线数值的添加代码
def contour():
height = 2
width = 2
point = 50
x = np.linspace(-3, 5, point)
y = np.linspace(-3, 5, point)
xx, yy = np.meshgrid(x, y)
zz = np.sin(yy) + np.cos(xx)
n = iter([(i, j) for i in range(height) for j in range(width)])
...
ax = axs[next(n)]
ax.set_title('clabel')
cs = ax.contour(xx, yy, zz)
ax.clabel(cs)
...
plt.show()
4. 动画
| 函数名 | 作用 |
|---|---|
FuncAnimation |
输入的是一个function函数或者一个具有回调函数的对象 |
ArtistAnimation |
输入的是一个ax列表 |
生成动画例子
def animation():
import matplotlib.animation as animation
fig, ax = plt.subplots()
r = 1
t = np.linspace(-np.pi, np.pi, 60)
line, = ax.plot([], [])
ax.set_ylim([-1.5, 1.5])
ax.set_xlim([-1.5, 1.5])
# FuncAnimation
def func(i):
x = r * np.cos(t[i:i + 10])
y = r * np.sin(t[i:i + 10])
line.set_data(x, y)
return (line,)
def init():
line.set_data([], [])
return (line,)
ani = animation.FuncAnimation(fig, func, len(t) - 10,
blit=True, # 是否只更新变化的点，建议选Ture，不然有时候会显示不出图像
init_func=init, # 指定初始化函数，这个参数不设置的话，会自动多运行一次func作为初始化
interval=50, # 延迟n ms更新一次图像
repeat=True, # 是否重复
repeat_delay=50 # 重复更新延迟
)
# ArtistAnimation
ims = []
for i in range(len(t) - 10):
x = r * np.cos(t[i:i + 10])
y = r * np.sin(t[i:i + 10])
line, = ax.plot(x, y, color='b')
ims.append(func(i))
ani = animation.ArtistAnimation(fig, ims,
interval=50,
repeat=True,
repeat_delay=50
)
# 如果保存为gif，就用ImageMagickWriter，如果是像mp4这种媒体流文件，就用FFMpegWriter
# fps要在初始化Writer时定义，不然会报错
from matplotlib.animation import ImageMagickWriter as Writer
ani.save('animation.gif', writer=Writer(fps=50))
from matplotlib.animation import FFMpegWriter as Writer
ani.save('animation.mp4', writer=Writer(fps=50))
plt.show()FuncAnimation的每一帧都是实时的，内存压力较小。
ArtistAnimation会把整个动画的每一帧保存在内存中，如果动画循环播放，就可以减少重复计算时间，而且从程序设计的角度，这种方式更加灵活，所以，我一般都选择这种方法。
5. GUI控件
| 函数名 | 作用 |
|---|---|
widgets.Button |
按钮 |
widgets.CheckButtons |
复选框 |
widgets.RadioButtons |
单选框 |
widgets.Cursor |
鼠标处显示十字光标 |
widgets.Slider |
滑动条 |
widgets.TextBox |
文本框 |
def gui():
import matplotlib.widgets as widgets
fig, ax = plt.subplots()
ax.set_xlim([0, 1])
ax.set_ylim([0, 1])
# Button
def btn_click(event):
ax.text(0.2, 0.85, 'click!')
plt.draw()
ax_btn = fig.add_axes([0.15, 0.75, 0.1, 0.075])
btn = widgets.Button(ax_btn, 'button')
btn.on_clicked(btn_click)
# CheckButtons
x = np.linspace(0.2, 0.8, 10)
l0, = ax.plot(x, np.zeros_like(x) + 0.73, visible=False, label='check1')
l1, = ax.plot(x, np.zeros_like(x) + 0.7, label='check2')
l2, = ax.plot(x, np.zeros_like(x) + 0.67, label='check3')
lines = [l0, l1, l2]
labels = [str(line.get_label()) for line in lines]
visibility = [line.get_visible() for line in lines]
def check_click(label):
index = labels.index(label)
lines[index].set_visible(not lines[index].get_visible())
plt.draw()
ax_check = fig.add_axes([0.15, 0.6, 0.1, 0.1])
check = widgets.CheckButtons(ax_check, labels, visibility)
check.on_clicked(check_click)
# RadioButtons
l, = ax.plot(x, np.zeros_like(x) + 0.545)
r_dic = {'radio1': 0.545, 'radio2': 0.51, 'radio3': 0.475}
def radio_click(label):
l.set_data(x, np.zeros_like(x) + r_dic[label])
plt.draw()
ax_radio = fig.add_axes([0.15, 0.45, 0.1, 0.1])
radio = widgets.RadioButtons(ax_radio, r_dic.keys())
radio.on_clicked(radio_click)
# Cursor
# cursor = widgets.Cursor(ax, useblit=True, color='red', linewidth=2)
# Slider
x_slide = np.linspace(0.1, 0.5)
l_slide, = ax.plot(x_slide, np.zeros_like(x_slide) + 0.4)
def slide_update(val):
x_slide = np.linspace(0.1, val)
l_slide.set_data(x_slide, np.zeros_like(x_slide) + 0.4)
plt.draw()
ax_slide = fig.add_axes([0.2, 0.35, 0.55, 0.025])
slider = widgets.Slider(ax_slide, 'slider', 0.1, 0.8, valinit=0.5, valstep=0.1)
slider.on_changed(slide_update)
# TextBox
txt = ax.text(0.5, 0.15, '')
def textbox_submit(text):
txt.set_text(text)
plt.draw()
ax_textbox = fig.add_axes([0.2, 0.2, 0.3, 0.05])
textbox = widgets.TextBox(ax_textbox, 'textbox', initial='press enter to submit')
textbox.on_submit(textbox_submit)
plt.show()
