零、图形解析与工作流
- [0.1 图形解析](#0.1 图形解析)
- [0.2 工作流](#0.2 工作流)
一、准备数据
- [1.1 一维数据](#1.1 一维数据)
- [1.2 二维数据或图片](#1.2 二维数据或图片)
二、绘制图形
- [2.1 画布](#2.1 画布)
- [2.2 坐标轴](#2.2 坐标轴)
三、绘图例程
- [3.1 一维数据](#3.1 一维数据)
- [3.2 向量场](#3.2 向量场)
- [3.3 数据分布](#3.3 数据分布)
- [3.4 二维数据或图片](#3.4 二维数据或图片)
四、自定义图形
- [4.1 颜色、色条与色彩表](#4.1 颜色、色条与色彩表)
- [4.2 标记](#4.2 标记)
- [4.3 线型](#4.3 线型)
- [4.4 文本与标注](#4.4 文本与标注)
- [4.5 数学符号](#4.5 数学符号)
- [4.6 尺寸限制、图例和布局](#4.6 尺寸限制、图例和布局)
- - [4.6.1 尺寸限制与自动调整](#4.6.1 尺寸限制与自动调整)
  - [4.6.2 图例](#4.6.2 图例)
  - [4.6.3 标记](#4.6.3 标记)
  - [4.6.4 子图间距](#4.6.4 子图间距)
  - [4.6.5 坐标轴边线](#4.6.5 坐标轴边线)
五、保存
- [5.1 保存画布](#5.1 保存画布)
- [5.2 保存透明画布](#5.2 保存透明画布)
六、显示图形
七、关闭与清除

Matplotlib 是 Python 的二维绘图库，用于生成符合出版质量或跨平台交互环境的各类图形。

零、图形解析与工作流

0.1 图形解析

0.2 工作流

Matplotlib 绘图 的基本步骤一般为6步，分别为：1-准备数据 ，2-创建图形 ，3-绘图，4-自定义设置 ， 5-保存图形 ，6-显示图形。

python 复制代码

>>> import matplotlib.pyplot as plt
>>> x = [1,2,3,4]
>>> y = [10,20,25,30]
# 步骤1
>>> fig = plt.figure()
# 步骤2
>>> ax = fig.add_subplot(111)
# 步骤3
>>>ax.plot(x,y,color='lightblue',linewidth=3)
# 步骤4、5
>>> ax.scatter([2,4,6], [5,15,25], color='darkgreen', marker='^')
>>> ax.set_xlim(1, 6.5)
>>> plt.savefig('foo.png')
>>> plt.show()
# 步骤6

下面对上述代码进行解释：

步骤1 创建一个新的 Figure 对象。plt.figure() 返回一个新的空白绘图区域 ，可以在其中添加图形元素。

步骤2 在 Figure 上添加一个子图。fig.add_subplot(111) 添加一个包含单个子图的 Axes 对象 。这里的参数 (111) 表示**将整个绘图区域划分为 1 行 1 列的网格，并选择第一个子图**。

步骤3 在子图上绘制线图。ax.plot(x, y, color='lightblue', linewidth=3) 使用给定的 x 和 y 值绘制一条线 ，指定线的 颜色为浅蓝色 ，线宽为 3 。

步骤4、5 在子图上添加散点图。ax.scatter([2,4,6], [5,15,25], color='darkgreen', marker='^') 在坐标 (2, 5)、(4, 15)、(6, 25) 处 添加三个散点 ，颜色为深绿色，形状为三角形。

步骤4、5 还调用了 ax.set_xlim() 方法****设置 x 轴的显示范围为 1 到 6.5 ，以适应数据和散点的显示。

步骤6 保存图形为图片文件。plt.savefig('foo.png') 将当前图形保存为名为 "foo.png" 的图片文件 。

最后一步 显示图形 。plt.show() 将图形显示在弹出的窗口中。完成整个绘图过程后，将图形保存为 "foo.png"，同时在窗口中显示出来。

一、准备数据

1.1 一维数据

我们先 使用Numpy库生成一个长度为100的一维数组，通过对其的操作来逐步熟悉Matplotlib。

python 复制代码

# 导入 NumPy 库并将其命名为 np
>>> import numpy as np
# 使用 np.linspace() 函数生成一个从 0 到 10（包含）的等间距数组，数组长度为 100。生成一个长度为 100 的一维数组，并将其赋值给变量 x
>>> x = np.linspace(0, 10, 100)
>>> y = np.cos(x) 
>>> z = np.sin(x)

1.2 二维数据或图片

现在我们已经对Matplotlib有一定的了解了，接下来让我们使用 NumPy 和 Matplotlib库 来生成一些数据和图像吧。

python 复制代码

>>> data = 2 * np.random.random((10, 10))
# 生成一个形状为(10, 10)的随机数组，其中的元素取值范围在0到2之间，并将结果存储在变量data中
>>> data2 = 3 * np.random.random((10, 10))
# 创建一个形状为(10, 10)的随机数组，元素的取值范围在0到3之间
>>> Y, X = np.mgrid[-3:3:100j, -3:3:100j]
#  创建两个二维数组Y和X，分别包含了从-3到3之间的100个等间隔的值
>>> U = -1 - X**2 + Y
# 计算一个与X和Y相关的二维数组U
>>> V = 1 + X - Y**2
# 计算另一个与X和Y相关的二维数组V
>>> from matplotlib.cbook import get_sample_data
# 导入函数get_sample_data，用于获取示例数据文件的路径
>>> img = np.load(get_sample_data('axes_grid/bivariate_normal.npy'))
# 加载一个示例数据文件，存储二维数组img

二、绘制图形

Matplotlib是一个用于绘制图表和可视化数据的Python库 。通过 导入matplotlib.pyplot模块 ，我们就可以使用其中的函数来创建和显示图表了。通常将其命名为plt，以简化在代码中使用的输入量。

python 复制代码

>>> import matplotlib.pyplot as plt
# 导入了Matplotlib库，并将其命名为plt

2.1 画布

通过调用plt.figure()函数并 指定适当的参数，我们可以创建不同大小的Figure对象，以在其上绘制图表和图形。

python 复制代码

>>> fig = plt.figure()
# 创建一个Figure对象并将其赋值给变量fig
>>> fig2 = plt.figure(figsize=plt.figaspect(2.0))
# 创建另一个Figure对象并将其赋值给变量fig2

2.2 坐标轴

图形是以 坐标轴为核心绘制的 ，大多数情况下，子图就可以满足需求。子图是栅格系统的坐标轴。

通过调用Figure对象的add_subplot()方法或使用subplots()函数，我们可以 在Figure上创建多个子图或坐标轴，并将其分配给不同的变量，以便在每个子图上绘制不同的内容。

python 复制代码

>>> fig.add_axes()
# 调用Figure对象的add_axes()方法，用来手动添加一个新的坐标轴到图形上
>>> ax1 = fig.add_subplot(221) # row-col-num
# 使用add_subplot()方法在Figure对象上创建一个子图（Axes对象）
# 参数(221)表示将整个图形窗口划分为2行2列的子图网格，并选择第一个子图作为当前的绘图区域（ax1）
>>> ax3 = fig.add_subplot(212) 
# 使用add_subplot()方法在Figure对象上创建另一个子图（Axes对象）
# 参数(212)表示将整个图形窗口划分为2行1列的子图网格，并选择第二个子图作为当前的绘图区域（ax3）
>>> fig3, axes = plt.subplots(nrows=2,ncols=2)
# 使用subplots()函数创建一个有多个子图的Figure对象（fig3），并将两个返回值分别赋值给fig3和axes
# 参数nrows和ncols分别指定了子图的行数和列数，生成了一个2行2列的子图网格
>>> fig4, axes2 = plt.subplots(ncols=3)
# 使用subplots()函数创建另一个有多个子图的Figure对象（fig4），并将两个返回值分别赋值给fig4和axes2
# 参数ncols指定了子图的列数，生成了一个1行3列的子图网格

三、绘图例程

3.1 一维数据

我们也可以 使用Matplotlib库绘制不同类型的图形和图表。

python 复制代码

>>> fig, ax = plt.subplots()
# 创建了一个Figure对象（fig）和一个Axes对象（ax）
# Figure对象代表整个图形窗口，而Axes对象代表一个具体的绘图区域，我们可以在其上绘制各种图形和图表
>>> lines = ax.plot(x,y) # 用线或标记连接点
# 使用plot()函数在Axes对象上绘制了一条线，通过连接给定的点(x, y)
>>> ax.scatter(x,y) # 缩放或着色未连接的点
# 使用scatter()函数在Axes对象上绘制散点图，展示了未连接的点
>>> axes[0,0].bar([1,2,3],[3,4,5]) # 绘制等宽纵向矩形
# 在子图网格中的第一个子图（axes[0, 0]）上绘制了垂直的等宽条形图，通过指定x轴和对应的高度值来创建矩形条
>>> axes[1,0].barh([0.5,1,2.5],[0,1,2]) # 绘制等高横向矩形
# 在子图网格中的第二个子图（axes[1, 0]）上绘制了水平的等高条形图，通过指定y轴和对应的宽度值来创建矩形条
>>> axes[1,1].axhline(0.45) # 绘制与轴平行的横线
# 在子图网格中的第三个子图（axes[1, 1]）上绘制了与y轴平行的横线，通过指定y轴的值来定义水平位置
>>> axes[0,1].axvline(0.65) # 绘制与轴垂直的竖线
# 在子图网格中的第四个子图（axes[0, 1]）上绘制了与x轴垂直的竖线，通过指定x轴的值来定义垂直位置
>>> ax.fill(x,y,color='blue') # 绘制填充多边形
# 使用fill()函数在Axes对象上绘制了填充多边形，通过连接给定的点(x, y)并填充指定的颜色
>>> ax.fill_between(x,y,color='yellow') # 填充y值和0之间
# 使用fill_between()函数在Axes对象上绘制了填充区域，通过将y值和0之间的区域填充成指定的颜色

3.2 向量场

接下来，我们继续学习 使用Matplotlib库来添加箭头和绘制二维箭头图，能很好地帮助我们可视化向量场和流线图。

python 复制代码

>>> axes[0,1].arrow(0,0,0.5,0.5) # 为坐标轴添加箭头
# 在子图网格中的第四个子图（axes[0,1]）上添加了一个箭头
>>> axes[1,1].quiver(y,z) # 二维箭头
# 在子图网格中的第三个子图（axes[1,1]）上绘制了二维箭头图。quiver()函数用于绘制向量场，其中 y 和 z 是对应x轴和y轴上的向量分量
>>> axes[0,1].streamplot(X,Y,U,V) # 二维箭头
# 在子图网格中的第四个子图（axes[0,1]）上绘制了二维箭头图。streamplot()函数用于绘制流线图，其中 X 和 Y 是等距离的点网格，U 和 V 是对应点上的向量分量

3.3 数据分布

我们可以在Matplotlib 中绘制 直方图 、 箱形图 和 小提琴图 ，以便于可视化数据的分布和离群值等统计信息。

python 复制代码

>>> ax1.hist(y) #直方图
# 在Axes对象 ax1 上绘制了直方图，图用于显示数据的分布情况。y 是要绘制直方图的数据
>>> ax3.boxplot(y) # 箱形图用于展示数据的概要统计信息，包括中位数、四分位数等，y 是要绘制箱形图的数据
>>> ax3.violinplot(z) # 小提琴图结合了箱形图和核密度估计图的特点，可以显示出数据的分布密度和范围，z 是要绘制小提琴图的数据

3.4 二维数据或图片

以下为使用Matplotlib库 在图形窗口中显示图像 ，并使用指定的色彩表 和参数进行配置。

python 复制代码

>>> fig, ax = plt.subplots()
# 创建了一个Figure对象（fig）和一个Axes对象（ax），代表整个图形窗口以及绘图区域
>>> im = ax.imshow(img, cmap='gist_earth', interpolation='nearest', vmin=-2, vmax=2)
# 使用imshow()函数在Axes对象上显示图像
# img是要显示的图像数据，cmap参数指定了色彩表的名称（这里使用了'gist_earth'），interpolation参数指定了图像插值的方法，vmin和vmax参数用于设置图像的最小和最大值的范围
# 色彩表或RGB数组

通过以上的设置，我们就可以 使用Matplotlib显示图像 ，并根据需要选择合适的色彩表、插值方法以及图像值的范围来呈现图像 了。

接下来我们使用Matplotlib库 绘制不同类型的伪彩色图和等高线：

python 复制代码

>>> axes2[0].pcolor(data2) # 二维数组伪彩色图
# pcolor()函数用于绘制二维数组的伪彩色图，data2 是要绘制的数据
>>> axes2[0].pcolormesh(data) # 二维数组等高线伪彩色图
# pcolormesh()函数用于绘制二维数组的等高线伪彩色图，data 是要绘制的数据
>>> CS = plt.contour(Y,X,U) 
# contour()函数用于绘制等高线图，Y 和 X 分别是数据点的横纵坐标，U 是对应的高度值。CS 是返回的等高线对象
>>> axes2[2].contourf(data1) # 等高线图
# contourf()函数用于绘制等高线图，并为区域着色，data1 是要绘制的数据
>>> axes2[2]= ax.clabel(CS) # 等高线图标签
# clabel()函数用于在等高线图上添加标签，CS 是等高线对象

通过使用这些函数，我们就可以在Matplotlib 中绘制二维数组的伪彩色图、等高线伪彩色图和等高线图 ，并对图像进行 更多的定制，如添加标签等操作。

四、自定义图形

4.1 颜色、色条与色彩表

还可以使用Matplotlib库绘制不同类型的线图和图像，并进行各种定制，如设置颜色、透明度、添加图例等。

python 复制代码

>>> plt.plot(x, x, x, x**2, x, x**3)# 在当前Figure上绘制了三条线图
# plot()函数用于绘制线图，参数x表示X轴的数据，参数x, x2, x, x3 分别表示三条曲线的Y轴数据
>>> ax.plot(x, y, alpha = 0.4)
# 在Axes对象 ax 上绘制了一条线图，并设置了透明度为0.4
# alpha 参数用于控制线图的透明度，x 和 y 分别表示X轴和Y轴的数据
>>> ax.plot(x, y, c='k')
# 在Axes对象 ax 上绘制了一条线图，并设置了颜色为黑色
# c 参数用于设置线图的颜色，'k' 表示黑色，x 和 y 分别表示X轴和Y轴的数据
>>> fig.colorbar(im, orientation='horizontal')
# 在当前Figure上添加了一个水平方向的图例
# colorbar()函数用于添加图例，在这里将 im 对象作为参数传入，并指定了图例的方向为水平
>>> im = ax.imshow(img, cmap='seismic')
# 在Axes对象 ax 上显示了一张图像，并使用色彩表 'seismic' 进行渲染
# imshow()函数用于显示图像，img 是要显示的图像数据，cmap 参数指定了色彩表的名称

4.2 标记

使用Matplotlib库创建一个Figure对象和一个Axes对象，并绘制散点图和线图。

python 复制代码

>>> fig, ax = plt.subplots()# 创建了一个包含一个Axes对象的Figure对象
# 通过 fig 来控制整个图像窗口，通过 ax 来控制具体的绘图区域
>>> ax.scatter(x,y,marker=".")
# 在Axes对象 ax 上绘制了一组散点图
# scatter()函数用于绘制散点图，x 和 y 分别表示X轴和Y轴的数据，marker 参数指定了数据点的标记形状，这里使用 "." 表示小圆点
>>> ax.plot(x,y,marker="o")
# 在Axes对象 ax 上绘制了一条线图，同时每个数据点也被标记出来
# plot()函数用于绘制线图，x 和 y 分别表示X轴和Y轴的数据，marker 参数指定了数据点的标记形状，这里使用 "o" 表示实心圆

通过使用这些函数，我们可以在Matplotlib中创建Figure对象和Axes对象 ，并在Axes对象上绘制散点图和线图，也可以对图形进行各种定制，如设置标记形状、颜色等。

4.3 线型

使用 Matplotlib库绘制了线图，并对线条进行一些定制。

python 复制代码

>>> plt.plot(x,y,linewidth=4.0)
# 绘制了一条线图，并设置了线条的宽度为4.0
# plot()函数用于绘制线图，x 和 y 分别表示X轴和Y轴的数据，linewidth 参数指定了线条的宽度
>>> plt.plot(x,y,ls='solid') 
# 绘制了一条线图，并将线条样式设置为实线
# ls 参数用于设置线条的样式，'solid' 表示实线
>>> plt.plot(x,y,ls='--')
# 绘制了一条线图，并将线条样式设置为虚线
# ls 参数用于设置线条的样式，'--' 表示虚线
>>> plt.plot(x,y,'--',x**2,y**2,'-.')
# 绘制了两条线图，一条使用虚线样式，一条使用点划线样式
# 多个数据序列可以在同一个 plot() 函数中传入，使用不同的样式区分
# 这里先绘制了一条虚线样式的线图，再绘制了一条点划线样式的线图
>>> plt.setp(lines,color='r',linewidth=4.0)
# 用于设置已绘制线图的属性
# setp() 函数用于批量设置线条属性，lines 参数指定要设置的线条对象，color 参数设置线条的颜色为红色，linewidth 参数设置线条的宽度为4.0

4.4 文本与标注

使用了Matplotlib库的text()和annotate()函数来在图像中添加文本和注释。

python 复制代码

>>> ax.text(1, -2.1,'Example Graph', style='italic')
# 在Axes对象 ax 上添加了一个文本标签
# text()函数用于在指定的坐标位置添加文本，第一个参数是X轴坐标，第二个参数是Y轴坐标，第三个参数是要显示的文本内容
>>> ax.annotate("Sine", xy=(8, 0), xycoords='data', xytext=(10.5, 0), textcoords='data', arrowprops=dict(arrowstyle="->",connectionstyle="arc3"),)
# 在Axes对象 ax 上添加了一个箭头和注释
# annotate()函数用于在图像中添加带有注释和箭头的文本，第一个参数是注释的文本内容，xy参数表示箭头尖端的坐标，xycoords参数表示xy坐标的类型，xytext参数表示注释文本的坐标，textcoords参数表示xytext坐标的类型
# 通过arrowprops参数可以设置箭头的样式和连接样式

4.5 数学符号

使用Matplotlib库的title()函数****设置图像的标题：

python 复制代码

>>> plt.title(r'$sigma_i=15$', fontsize=20)
# 设置了图像的标题为"σi=15"，其中$...$表示使用LaTeX格式的数学公式进行显示。通过在字符串前加上r字符来指定该字符串为原始字符串，以便正确显示特殊字符
# fontsize=20参数用于设置标题的字体大小为20

4.6 尺寸限制、图例和布局

4.6.1 尺寸限制与自动调整

python 复制代码

>>> ax.margins(x=0.0,y=0.1) # 添加内边距
>>> ax.axis('equal') # 将图形纵横比设置为1
>>> ax.set(xlim=[0,10.5],ylim=[-1.5,1.5]) # 设置x轴与y轴的限制
>>> ax.set_xlim(0,10.5) # 设置x轴的限制

4.6.2 图例

python 复制代码

>>> ax.set(title='An Example Axes', ylabel='Y-Axis', xlabel='X-Axis')
# 设置标题与x、y轴的标签
>>> ax.legend(loc='best')

4.6.3 标记

python 复制代码

# 手动设置X轴刻度
>>> ax.xaxis.set(ticks=range(1,5),ticklabels=[3,100,-12,"foo"])
# 设置Y轴长度与方向 
>>> ax.tick_params(axis='y', direction='inout', length=10)

4.6.4 子图间距

python 复制代码

# 调整子图间距
>>> fig3.subplots_adjust(wspace=0.5,hspace=0.3,left=0.125, right=0.9, top=0.9, bottom=0.1)
# 设置画布的子图布局
>>> fig.tight_layout()

4.6.5 坐标轴边线

python 复制代码

>>> ax1.spines['top'].set_visible(False) 
# 隐藏顶部坐标轴线
>>> ax1.spines['bottom'].set_position(('outward',10))
# 设置底部边线的位置为outward

五、保存

5.1 保存画布

使用Matplotlib库的savefig()函数****将当前图像保存为一个名为"foo.png"的PNG文件。

python 复制代码

>>> plt.savefig('foo.png')
# 使用savefig()函数将当前绘制的图像保存为一个PNG文件。'foo.png'是保存的文件名，可以根据需要修改为其他文件名，例如'result.png'

5.2 保存透明画布

使用Matplotlib库的savefig()函数****将当前图像以透明背景保存为一个名为"foo.png"的PNG文件。

python 复制代码

>>> plt.savefig('foo.png', transparent=True)
# 使用savefig()函数将当前绘制的图像保存为一个PNG文件，并通过将transparent参数设置为True来实现透明背景
# 'foo.png'是保存的文件名，可以根据需要修改为其他文件名，例如'result.png'

六、显示图形

使用Matplotlib库的show()函数****显示当前绘制的图像：

python 复制代码

>>> plt.show()
# 调用show()函数，它将当前绘制的图像显示在屏幕上
# 这个函数会打开一个图形窗口，并在其中显示图像

通过使用 show()函数，就可以显示Matplotlib绘制的图像。

七、关闭与清除

使用Matplotlib库的三个函数来清除图像或关闭窗口

python 复制代码

>>> plt.cla() # 清除坐标轴
# 调用cla()函数，它会清除当前坐标轴的内容
>>> plt.clf() # 清除画布
# 调用clf()函数，它会清除整个当前图像的内容，包括坐标轴和所有绘制的内容
>>> plt.close() # 关闭窗口
# 调用close()函数，它会关闭当前图像的窗口

通过使用这些函数，我们可以清除当前图像的内容或关闭图像窗口。但需要注意的是，cla()和clf()函数不会直接影响图像窗口的显示 ，而是清除图像或坐标轴的内容 ，close()函数则会关闭图像窗口。

【数据分析入门】Matplotlib

目录

零、图形解析与工作流

0.1 图形解析

0.2 工作流

一、准备数据

1.1 一维数据

1.2 二维数据或图片

二、绘制图形

2.1 画布

2.2 坐标轴

三、绘图例程

3.1 一维数据

3.2 向量场

3.3 数据分布

3.4 二维数据或图片

四、自定义图形

4.1 颜色、色条与色彩表

4.2 标记

4.3 线型

4.4 文本与标注

4.5 数学符号

4.6 尺寸限制、图例和布局

4.6.1 尺寸限制与自动调整

4.6.2 图例

4.6.3 标记

4.6.4 子图间距

4.6.5 坐标轴边线

五、保存

5.1 保存画布

5.2 保存透明画布

六、显示图形

七、关闭与清除