今天我们开始matplotlib的学习，现在是凌晨00：00，我争取在4：00 之前写完

介绍

Matplotlib是一个非常强大的数据可视化工具，我们之前学习了NumPy和pandas 和 Scipy， Scipy和pandas有一些数据图形化的功能，但是功能很有限而且不美观，很难达到企业级别的要求。而Matplotlib完全满足了这种要求，他拥有以下几个优点：

容易使用支持用户定义labels 对图表元素的高控性高质量的输出图像支持用户编辑

这篇教程只是介绍一些matplotlib的一些常用功能，如果想了解更多高级功能请访问官网： http://matplotlib.org/

安装

pip install matplotlib

下面我们需要import重要的 module

import matplotlib.pyplot as plt

基本操作

首先我们来画一个基本的plot。一个plot需要有x轴和y轴，我们用NumPy建立两个

import numpy as np
x = np.arange(0,5.5,0.5)
y = x ** 2

array([ 0. ,  0.5,  1. ,  1.5,  2. ,  2.5,  3. ,  3.5,  4. ,  4.5,  5. ])

array([  0.  ,   0.25,   1.  ,   2.25,   4.  ,   6.25,   9.  ,  12.25,
        16.  ,  20.25,  25.  ])

建立x，y轴数据完成，我们可以用他们完成一个简单的plot

plt.plot(x, y, 'r') # 'r' 用红色线条
plt.xlabel('X Axis Title Here')
plt.ylabel('Y Axis Title Here')
plt.title('String Title Here')
plt.show() # 最后一定要用plt.show() 才能显示

png

添加多图表在一个plot中

# plt.subplot(nrows, ncols, plot_number)
plt.subplot(1,2,1)  # 建立一行二列的图表组，第三个参数代表第一个图表
plt.plot(x, y, 'r--') # 红色虚线，每个节点用 -
plt.subplot(1,2,2)  # 第三个参数代表第二个图表
plt.plot(y, x, 'g*-'); # 绿色实线，每个节点用 *

png

Matplotlib 面向对象方法

Matplotlib 有很多面向对象API，所以我们可以增加figure对象

面向对象方法介绍

我们可以吧figure看做一个对象，同过matplotlib添加。然后给figure设置各种属性。

# 建立一个空 Figure
fig = plt.figure()

# 添加 axes 到 figure
axes = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 左，下，宽，高 (range 0 to 1)

# 使用
axes.plot(x, y, 'b')
axes.set_xlabel('Set X Label') # set方法
axes.set_ylabel('Set y Label')
axes.set_title('Set Title')

<matplotlib.text.Text at 0x111c85198>

png

下面我们添加复合图表，代码有点复杂，但是如果写起来会发现很容易控制

# Creates blank canvas
fig = plt.figure()

axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 主轴
axes2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) # 插入轴

# 大的主图
axes1.plot(x, y, 'b')
axes1.set_xlabel('X_label_axes2')
axes1.set_ylabel('Y_label_axes2')
axes1.set_title('Axes 2 Title')

# 小的附图
axes2.plot(y, x, 'r')
axes2.set_xlabel('X_label_axes2')
axes2.set_ylabel('Y_label_axes2')
axes2.set_title('Axes 2 Title');

png

subplots()

plt.subplots() 将扮演一个自动管理行列的角色

# 用subplots 将会自动添加axes进figure
fig, axes = plt.subplots()

# 一样的
axes.plot(x, y, 'r')
axes.set_xlabel('x')
axes.set_ylabel('y')
axes.set_title('title');

png

下面我们重复添加多图表的过程

# Empty canvas of 1 by 2 subplots
fig, axes = plt.subplots(nrows=1, ncols=2)  # 一个fig 可以包含多个axes

png

# Axes 是一个array 当plot 建立时候
axes

array([<matplotlib.axes._subplots.AxesSubplot object at 0x111f0f8d0>,<matplotlib.axes._subplots.AxesSubplot object at 0x1121f5588>], dtype=object)

我们可以用循环遍历这个数组

for ax in axes:
    ax.plot(x, y, 'b')
    ax.set_xlabel('x')
    ax.set_ylabel('y')
    ax.set_title('title')

# Display the figure object    
fig

png

可以看出这样才是真正使用到了编程。通过循环建立两个图表我们总结一下，首先设置了x轴和y轴所代表的变量，然后用plt.subplots() 方法建立图表模型，最后用循环来增加图表，这在实际生活中非常有用，比如需要分别打印一年12个月每个月的销售数据。

我们还可以用 fig.tight_layout() 或者 plt.tight_layout() 方法调整子图表的分布

fig, axes = plt.subplots(nrows=1, ncols=2)

for ax in axes:
    ax.plot(x, y, 'g')
    ax.set_xlabel('x')
    ax.set_ylabel('y')
    ax.set_title('title')

fig    
plt.tight_layout()

__ png

图表的大小，横纵比例与像素

需要改变这三个我们要了解两个重要的参数 figsize：一个关于长宽的tuple dpi： dots-per-inch (pixel per inch).

fig = plt.figure(figsize=(8,4), dpi=100)

<matplotlib.figure.Figure at 0x11228ea58>

这两个参数可以运用在任何layout管理对象中，比如subplots

fig, axes = plt.subplots(figsize=(12,3))

axes.plot(x, y, 'r')
axes.set_xlabel('x')
axes.set_ylabel('y')
axes.set_title('title');

png

保存图片

Matplotlib支持保存PNG, JPG, EPS, SVG, PGF 和 PDF格式的图片。例子如下：

fig.savefig("filename.png")

fig.savefig("filename.png", dpi=200)

图例，标签和标题

代码如下所示：

ax.set_title("title");

ax.set_xlabel("x")
ax.set_ylabel("y");

#### 图例

可以用 legend() 在一个图表中打印两条曲线

fig = plt.figure()

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

ax.plot(x, x**2, label="x**2")
ax.plot(x, x**3, label="x**3")
ax.legend()

<matplotlib.legend.Legend at 0x113a3d8d0>

png

loc 参数可以定义图例位置

# Lots of options....

ax.legend(loc=1) # upper right corner
ax.legend(loc=2) # upper left corner
ax.legend(loc=3) # lower left corner
ax.legend(loc=4) # lower right corner

# .. many more options are available

# Most common to choose
ax.legend(loc=0) # 让 matplotlib 自动决定最好的位置
fig

png

设置颜色，线条长宽，线条类型

颜色可以用字母表示，线条的话如下面代码所示:

# MATLAB style line color and style
fig, ax = plt.subplots()
ax.plot(x, x**2, 'b.-') # b 代表蓝色，后面是带点的线条
ax.plot(x, x**3, 'g--') # g 代表绿色，后面是代表虚线

[<matplotlib.lines.Line2D at 0x111fae048>]

png

这里有详细的说明： http://matplotlib.org/api/lines_api.html

还可以用RGB代码设置颜色

fig, ax = plt.subplots()

ax.plot(x, x+1, color="blue", alpha=0.5) # half-transparant
ax.plot(x, x+2, color="#8B008B")        # RGB hex code
ax.plot(x, x+3, color="#FF8C00")        # RGB hex code

[<matplotlib.lines.Line2D at 0x112179390>]

png

线条和标记风格

线条宽度我们可以用 linewidth 或者 lw 关键字，线条风格我们可以用 linestyle 或者 ls 关键字

fig, ax = plt.subplots(figsize=(12,6))

ax.plot(x, x+1, color="red", linewidth=0.25)
ax.plot(x, x+2, color="red", linewidth=0.50)
ax.plot(x, x+3, color="red", linewidth=1.00)
ax.plot(x, x+4, color="red", linewidth=2.00)

# possible linestype options ‘-‘, ‘–’, ‘-.’, ‘:’, ‘steps’
ax.plot(x, x+5, color="green", lw=3, linestyle='-')
ax.plot(x, x+6, color="green", lw=3, ls='-.')
ax.plot(x, x+7, color="green", lw=3, ls=':')

# custom dash
line, = ax.plot(x, x+8, color="black", lw=1.50)
line.set_dashes([5, 10, 15, 10]) # format: line length, space length, ...

# possible marker symbols: marker = '+', 'o', '*', 's', ',', '.', '1', '2', '3', '4', ...
ax.plot(x, x+ 9, color="blue", lw=3, ls='-', marker='+')
ax.plot(x, x+10, color="blue", lw=3, ls='--', marker='o')
ax.plot(x, x+11, color="blue", lw=3, ls='-', marker='s')
ax.plot(x, x+12, color="blue", lw=3, ls='--', marker='1')

# marker size and color
ax.plot(x, x+13, color="purple", lw=1, ls='-', marker='o', markersize=2)
ax.plot(x, x+14, color="purple", lw=1, ls='-', marker='o', markersize=4)
ax.plot(x, x+15, color="purple", lw=1, ls='-', marker='o', markersize=8, markerfacecolor="red")
ax.plot(x, x+16, color="purple", lw=1, ls='-', marker='s', markersize=8,
        markerfacecolor="yellow", markeredgewidth=3, markeredgecolor="green");

png

控制轴的外观

这里讨论如何控制轴的尺寸和外观

绘图范围

我们可以用set_ylim 和 set_xlim 来控制图表的范围，或者直接用axis(‘tight’)来自动将图表紧凑起来

fig, axes = plt.subplots(1, 3, figsize=(12, 4))

axes[0].plot(x, x**2, x, x**3)
axes[0].set_title("default axes ranges")

axes[1].plot(x, x**2, x, x**3)
axes[1].axis('tight')
axes[1].set_title("tight axes")

axes[2].plot(x, x**2, x, x**3)
axes[2].set_ylim([0, 60])
axes[2].set_xlim([2, 5])
axes[2].set_title("custom axes range");

png

特别绘图类型

下面介绍几种特别的绘图类型，有时候也需要用到

plt.scatter(x,y)

<matplotlib.collections.PathCollection at 0x1122be438>

png

from random import sample
data = sample(range(1, 1000), 100)  
plt.hist(data)   # 这个以后将会经常用到

(array([ 14.,  11.,   9.,  12.,   6.,   7.,  13.,  13.,   6.,   9.]),
 array([  28. ,  123.5,  219. ,  314.5,  410. ,  505.5,  601. ,  696.5,
         792. ,  887.5,  983. ]),
 <a list of 10 Patch objects>)

png

data = [np.random.normal(0, std, 100) for std in range(1, 4)]

# rectangular box plot
plt.boxplot(data,vert=True,patch_artist=True);

png

最后介绍几个很好的matplotlib的学习资源，对大家很有帮助：

http://www.matplotlib.org - matplotlib 的官方网站
https://github.com/matplotlib/matplotlib - matplotlib 源码
http://matplotlib.org/gallery.html - 所有的图示案例，很重要！！！
http://www.loria.fr/~rougier/teaching/matplotlib - 一个很好的matpplotlib的教程
http://scipy-lectures.github.io/matplotlib/matplotlib.html - 另一个很好的参考

Recent Posts

Links

Matplotlib简明教程

-- Oct 11, 2016

介绍

安装