Matplotlib 详解

1. 基本概念和历史背景

Matplotlib核心概念详解

Matplotlib 是 Python 中最流行的数据可视化库之一，它提供了一系列强大且灵活的工具，用于创建各种类型的图表和图形。无论你是数据科学家、工程师还是研究人员，理解 Matplotlib 的核心概念都能帮助你更高效地可视化数据。本文将详细介绍 Matplotlib 的核心概念，包括图形对象（Figure）、子图（Axes）、坐标轴（Axis）、刻度和刻度标签（Ticks and Tick Labels）、标注（Annotations）、图例（Legend）、样式（Styles）、图像（Images）、子图布局（Subplot Layouts）、交互和动画（Interactivity and Animation）、以及保存图形（Saving Figures）。

图形对象（Figure）

图形对象是 Matplotlib 中的顶层容器，它包含了所有的绘图元素。一个图形对象可以包含一个或多个子图（Axes）。每个图形对象可以看作是一个独立的绘图窗口或画布。

创建图形对象

你可以使用 plt.figure() 创建一个新的图形对象，并指定图形的大小和分辨率等属性。

python 复制代码

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(8, 6), dpi=100)  # 创建一个宽8英寸，高6英寸，分辨率为100的图形对象

子图（Axes）

子图是图形对象中的实际绘图区域。每个子图包含了坐标系和绘制的图形元素。你可以在一个图形对象中创建多个子图，以便在同一个窗口中展示多个图形。

创建子图

你可以使用 fig.add_subplot() 或 plt.subplots() 创建子图。

python 复制代码

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)  # 创建一个2行2列的子图网格，当前激活第一个子图
ax2 = fig.add_subplot(2, 2, 2)

或者使用更高级的 plt.subplots() 方法：

python 复制代码

fig, axs = plt.subplots(2, 2, figsize=(10, 8))  # 创建一个2行2列的子图网格

坐标轴（Axis）

坐标轴是子图中的一个重要组成部分，它定义了数据的范围和刻度。每个子图通常包含两个坐标轴：x 轴和 y 轴。你可以通过坐标轴对象来设置刻度、标签、网格等属性。

python 复制代码

ax.set_xlabel('x axis')  # 设置 x 轴标签
ax.set_ylabel('y axis')  # 设置 y 轴标签
ax.set_title('Sine Wave')  # 设置图形标题
ax.grid(True)  # 显示网格

刻度和刻度标签（Ticks and Tick Labels）

刻度和刻度标签用于标识坐标轴上的数值。你可以自定义刻度的位置和标签，以便更好地表示数据。

python 复制代码

ax.set_xticks([0, 2, 4, 6, 8, 10])  # 设置 x 轴刻度位置
ax.set_xticklabels(['zero', 'two', 'four', 'six', 'eight', 'ten'])  # 设置 x 轴刻度标签

标注（Annotations）

标注用于在图形中添加文本、箭头等注释，以便更好地解释数据。

python 复制代码

ax.annotate('Max Point', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

图例（Legend）

图例用于标识图形中的不同数据系列。你可以通过 ax.legend() 方法来自动生成图例。

python 复制代码

ax.plot(x, y, label='Sine')
ax.plot(x, np.cos(x), label='Cosine')
ax.legend()  # 显示图例

样式（Styles）

Matplotlib 提供了一系列预定义的样式，你可以通过 plt.style.use() 方法来应用这些样式。

python 复制代码

plt.style.use('ggplot')

图像（Images）

Matplotlib 还支持显示图像数据，你可以使用 imshow() 方法来显示二维图像。

python 复制代码

image = np.random.rand(10, 10)
fig, ax = plt.subplots()
ax.imshow(image, cmap='gray')

子图布局（Subplot Layouts）

除了常规的子图布局，Matplotlib 还支持更复杂的布局，如 GridSpec 和 subplot2grid。

python 复制代码

import matplotlib.gridspec as gridspec

fig = plt.figure()
gs = gridspec.GridSpec(3, 3)

ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1, :-1])
ax3 = fig.add_subplot(gs[1:, -1])
ax4 = fig.add_subplot(gs[-1, 0])
ax5 = fig.add_subplot(gs[-1, -2])

plt.tight_layout()
plt.show()

交互和动画（Interactivity and Animation）

Matplotlib 支持交互和动画，你可以使用 FuncAnimation 类来创建动画。

python 复制代码

from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x))

def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))
    return line,

ani = FuncAnimation(fig, update, frames=100, blit=True)
plt.show()

保存图形（Saving Figures）

你可以使用 savefig() 方法将图形保存为文件。

python 复制代码

fig.savefig('sine_wave.png', dpi=300, bbox_inches='tight')

2. 安装

Matplotlib 可以通过 Python 的包管理工具 pip 进行安装：

bash 复制代码

pip install matplotlib

3. Ubuntu 中文字体安装和配置

为了在 Matplotlib 中正确显示中文字符，你可能需要在你的系统上安装中文字体，并进行相应的配置。

3.1 安装中文字体

在 Ubuntu 系统上，可以使用以下命令安装常见的中文字体：

bash 复制代码

sudo apt-get update
sudo apt-get install -y fonts-wqy-zenhei fonts-wqy-microhei

3.2 检查已安装的字体

安装完成后，可以使用 fc-list 命令来检查系统中是否有中文字体：

bash 复制代码

fc-list :lang=zh

你应该能看到类似下面的输出，这表明字体已经成功安装：

/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc: WenQuanYi Zen Hei,文泉驛正黑,文泉驿正黑:style=Regular
/usr/share/fonts/truetype/wqy/wqy-microhei.ttc: WenQuanYi Micro Hei,文泉驛微米黑,文泉驿微米黑:style=Regular

3.3 在 Matplotlib 中使用中文字体

找到字体文件路径后，可以在 Matplotlib 中使用这些字体。以下是如何在 Matplotlib 中设置字体的示例代码：

python 复制代码

import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

# 示例数据
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

# 设置中文字体
font_path = '/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc'  # 替换为你找到的字体文件路径
font_prop = FontProperties(fname=font_path)

# 创建图形
plt.plot(x, y)
plt.xlabel('X 轴标签', fontproperties=font_prop)
plt.ylabel('Y 轴标签', fontproperties=font_prop)
plt.title('简单的线性图', fontproperties=font_prop)

# 保存图形为 JPG 文件
plt.savefig('my_plot.jpg', format='jpg')

# 如果仍然希望在屏幕上显示图形，可以保留 plt.show()
plt.show()

4. 主要功能和特点

4.1 图表类型

Matplotlib 支持多种图表类型，包括但不限于：

线性图（Line Plot）
散点图（Scatter Plot）
柱状图（Bar Chart）
直方图（Histogram）
饼图（Pie Chart）
箱线图（Box Plot）
极坐标图（Polar Plot）
三维图（3D Plot）

下面为每种图表类型提供一个示例：

线性图（Line Plot）

python 复制代码

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

plt.plot(x, y)
plt.xlabel('X 轴标签')
plt.ylabel('Y 轴标签')
plt.title('简单的线性图')
plt.show()

散点图（Scatter Plot）

python 复制代码

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

plt.scatter(x, y)
plt.xlabel('X 轴标签')
plt.ylabel('Y 轴标签')
plt.title('简单的散点图')
plt.show()

柱状图（Bar Chart）

python 复制代码

import matplotlib.pyplot as plt

x = ['A', 'B', 'C', 'D']
y = [1, 4, 9, 16]

plt.bar(x, y)
plt.xlabel('分类')
plt.ylabel('值')
plt.title('简单的柱状图')
plt.show()

直方图（Histogram）

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randn(1000)

plt.hist(data, bins=30)
plt.xlabel('值')
plt.ylabel('频率')
plt.title('简单的直方图')
plt.show()

np.random.randn(1000) 是 NumPy 库中的一个函数调用，用于生成从标准正态分布（均值为0，标准差为1）中抽取的随机数。具体来说，这个函数会生成一个包含 1000 个随机数的一维数组。
bins=30 参数指定了将数据分成 30 个区间（也叫做桶），以便更好地可视化数据的分布。

饼图（Pie Chart）

python 复制代码

import matplotlib.pyplot as plt

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('简单的饼图')
plt.show()

箱线图（Box Plot）

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

data = [np.random.randn(100) for _ in range(4)]

plt.boxplot(data)
plt.xlabel('分类')
plt.ylabel('值')
plt.title('简单的箱线图')
plt.show()

python data = [np.random.randn(100) for _ in range(4)]

这行代码使用列表解析生成一个包含 4 个数组的列表。每个数组都包含 100 个从标准正态分布中抽取的随机数。具体来说，这个列表解析的执行过程如下：

np.random.randn(100) 被调用 4 次，每次生成一个包含 100 个随机数的数组。
这 4 个数组被添加到一个列表中，最终形成 data。

箱线图（Box Plot），又称盒须图或盒形图，是一种统计图表，用于展示数据分布的五个主要特征：最小值、第一四分位数（Q1）、中位数（第二四分位数，Q2）、第三四分位数（Q3）和最大值。箱线图还可以显示异常值（outliers）。它通过简单的图形方式展示数据的分布情况、中心趋势和离散程度。

箱线图的组成

箱体（Box）：
- 下边缘（Lower Quartile, Q1）：第一四分位数，即数据的下四分位数，表示数据的 25% 位点。
- 中位数（Median, Q2）：第二四分位数，即数据的中位数，表示数据的 50% 位点。
- 上边缘（Upper Quartile, Q3）：第三四分位数，即数据的上四分位数，表示数据的 75% 位点。
须（Whiskers）：
- 下须（Lower Whisker）：通常表示数据中的最小值，或者比 Q1 小 1.5 倍四分位距（IQR）的最小数据点。
- 上须（Upper Whisker）：通常表示数据中的最大值，或者比 Q3 大 1.5 倍四分位距（IQR）的最大数据点。
- 四分位距（IQR, Interquartile Range）：Q3 和 Q1 之间的距离，表示中间 50% 数据的范围。
异常值（Outliers）：超出上下须范围的数据点，通常使用单独的标记（如圆点）表示。

箱线图的意义

数据的分布情况：通过箱体和须的长度，可以直观地了解数据的分布范围和离散程度。
中心趋势：中位数显示了数据的中心位置，可以反映数据的中心趋势。
对称性：箱体相对于中位数的对称性可以显示数据是否对称分布。
离群值：异常值可以快速识别数据中的离群点，有助于数据清洗和异常检测。
比较多个数据集：通过并排绘制多个箱线图，可以方便地比较不同数据集的分布情况。

极坐标图（Polar Plot）

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

theta = np.linspace(0, 2*np.pi, 100)
r = np.abs(np.sin(theta))

plt.polar(theta, r)
plt.title('简单的极坐标图')
plt.show()

极坐标图是一种使用极坐标系（角度和半径）来展示数据的图表类型。

生成角度数据：
python 复制代码
```
theta = np.linspace(0, 2*np.pi, 100)
```
- np.linspace 是 NumPy 中的一个函数，用于生成一个线性空间的数组。
- 0 和 2*np.pi 分别是数组的起始值和终止值。
- 100 是生成的数组中的元素数量。
- theta 是一个包含从 0 到 2π 的 100 个等间距值的数组，表示角度数据。
计算半径数据：
python 复制代码
```
r = np.abs(np.sin(theta))
```
- np.sin(theta) 计算 theta 数组中每个角度的正弦值，结果是一个数组。
- np.abs 计算数组中每个元素的绝对值，结果是一个非负数组。
- r 是一个包含 theta 对应的正弦值绝对值的数组，表示半径数据。
使用极坐标绘制图形：
python 复制代码
```
plt.polar(theta, r)
```
- plt.polar 是 Matplotlib 中用于绘制极坐标图的函数。
- theta 是角度数据数组。
- r 是半径数据数组。
- 这行代码使用极坐标系绘制了一个极坐标图，图形的每个点由对应的 theta 和 r 值确定。

图表解释

极坐标图：极坐标图使用极坐标系来展示数据。极坐标系中的每个点由一个角度和一个半径确定。
角度（theta）：从 0 到 2π 的 100 个等间距值，表示从 0 到 360 度的角度。
半径（r） ：sin 函数的绝对值，表示每个角度对应的半径长度。

在这个示例中，极坐标图展示了 sin 函数的绝对值在从 0 到 2π 角度范围内的变化情况。由于 sin 函数在 0 和 π 处取值为 0，在 π/2 和 3π/2 处取值为 1 和 -1，因此图形呈现出一个对称的波形。

通过这段代码，你可以直观地了解 sin 函数在极坐标系中的表现形式。极坐标图特别适用于展示具有周期性和对称性的数据。

三维图（3D Plot）

python 复制代码

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

ax.plot_surface(x, y, z, cmap='viridis')
plt.title('简单的三维图')
plt.show()

创建一个新的图形对象：
python 复制代码
```
fig = plt.figure()
```
- plt.figure 创建一个新的图形对象，用于包含一个或多个子图。
添加一个三维坐标轴：
python 复制代码
```
ax = fig.add_subplot(111, projection='3d')
```
- fig.add_subplot(111, projection='3d') 在图形对象中添加一个子图，111 表示图形是 1 行 1 列的网格中的第一个子图。
- projection='3d' 参数指定这个子图是一个三维坐标轴。
生成 x 和 y 的数据：
python 复制代码
```
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
```
- np.linspace 是 NumPy 中的一个函数，用于生成一个线性空间的数组。
- -5 和 5 分别是数组的起始值和终止值。
- 100 是生成的数组中的元素数量。
- x 和 y 是包含从 -5 到 5 的 100 个等间距值的数组。
创建网格：
python 复制代码
```
x, y = np.meshgrid(x, y)
```
- np.meshgrid 是 NumPy 中的一个函数，用于从一维数组生成二维网格坐标。
- x 和 y 是网格坐标的二维数组，表示每个点的 x 坐标和 y 坐标。
计算 z 的数据：
python 复制代码
```
z = np.sin(np.sqrt(x**2 + y**2))
```
- x**2 + y**2 计算每个点的平方和。
- np.sqrt 计算平方和的平方根。
- np.sin 计算平方根的正弦值。
- z 是一个二维数组，表示每个点的 z 坐标。
绘制三维曲面：
python 复制代码
```
ax.plot_surface(x, y, z, cmap='viridis')
```
- ax.plot_surface 是用于绘制三维曲面的函数。
- x、y 和 z 是网格坐标的二维数组，表示每个点的 x 坐标、y 坐标和 z 坐标。
- cmap='viridis' 指定了颜色映射（colormap），viridis 是一种常用的颜色映射方案。
设置图表标题：
python 复制代码
```
plt.title('简单的三维图')
```
- plt.title 设置图表的标题。
- '简单的三维图' 是图表的标题文本。
图表解释：

三维曲面图：三维曲面图展示了一个函数在二维平面上的值。每个点由三个坐标（x, y, z）确定。
x 和 y 数据：从 -5 到 5 的 100 个等间距值，表示二维平面上的坐标。
z 数据 ：z = np.sin(np.sqrt(x**2 + y**2)) 表示每个点的 z 坐标，函数的形式决定了曲面的形状。
颜色映射 ：cmap='viridis' 指定了颜色映射方案，用于根据 z 值为曲面着色，帮助更好地理解数据的变化。

5 简洁模式与面向对象模式

Matplotlib 提供了两种主要的 API：面向对象的 API（Object-Oriented API）和 Pyplot API（即简洁模式）。以下是对这两种 API 的介绍：

Pyplot API（简洁模式）

Pyplot API 提供了一组类似于 MATLAB 的命令式函数，使得绘图过程更加简洁和直观。这种方法适合快速创建简单的图形，非常适合初学者和简单的绘图需求。

函数调用 ：通过直接调用 matplotlib.pyplot 模块中的函数来进行绘图和设置属性。
自动管理对象 ：Pyplot 会自动创建和管理 Figure 和 Axes 对象，因此你不需要手动创建它们。

示例代码：

python 复制代码

import matplotlib.pyplot as plt

# 直接使用 pyplot 的函数进行绘图
plt.plot([1, 2, 3], [4, 5, 6])

# 设置标题和标签
plt.title('标题')
plt.xlabel('X轴标签')
plt.ylabel('Y轴标签')

# 显示图形
plt.show()

面向对象的 API（Object-Oriented API）

面向对象的 API 提供了更灵活和强大的方式来创建和管理图形和子图。通过直接操作图形对象和轴对象，你可以更精细地控制绘图的各个方面。这种方法适合复杂的绘图需求，尤其是当你需要创建多个子图或在同一图中进行多次绘制时。

创建图形和轴对象 ：你首先需要创建一个 Figure 对象和一个或多个 Axes 对象。
方法调用：通过调用这些对象的方法来进行绘图和设置属性。

示例代码：

python 复制代码

import matplotlib.pyplot as plt

# 创建一个 Figure 对象和一个 Axes 对象
fig, ax = plt.subplots()

# 使用 Axes 对象进行绘图
ax.plot([1, 2, 3], [4, 5, 6])

# 设置标题和标签
ax.set_title('标题')
ax.set_xlabel('X轴标签')
ax.set_ylabel('Y轴标签')

# 显示图形
plt.show()

面向对象的 API：提供更多控制和灵活性，适合复杂绘图。
Pyplot API：更简洁直观，适合快速创建简单图形。

根据你的需求和复杂度，可以选择合适的 API 来进行绘图。

6 多图管理

Matplotlib 支持在一个图形窗口中绘制多个子图（subplot），可以使用 subplot 函数或者 GridSpec 模块进行更复杂的布局管理。下面是一个完整的示例，展示如何在一个图形窗口中绘制多个子图。

示例代码

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
z = np.random.randn(100)

# 创建一个 2x2 的子图网格
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

# 子图1：线性图
axs[0, 0].plot(x, y, color='blue')
axs[0, 0].set_title('子图1: 线性图')
axs[0, 0].set_xlabel('X 轴')
axs[0, 0].set_ylabel('Y 轴')

# 子图2：散点图
axs[0, 1].scatter(x, y, color='red')
axs[0, 1].set_title('子图2: 散点图')
axs[0, 1].set_xlabel('X 轴')
axs[0, 1].set_ylabel('Y 轴')

# 子图3：柱状图
axs[1, 0].bar(np.arange(10), np.random.randint(1, 10, size=10), color='green')
axs[1, 0].set_title('子图3: 柱状图')
axs[1, 0].set_xlabel('分类')
axs[1, 0].set_ylabel('值')

# 子图4：直方图
axs[1, 1].hist(z, bins=20, color='purple')
axs[1, 1].set_title('子图4: 直方图')
axs[1, 1].set_xlabel('值')
axs[1, 1].set_ylabel('频率')

# 调整子图布局，避免重叠
plt.tight_layout()

# 显示图形
plt.show()

子图1：线性图 ：展示了 x 和 y 的线性关系，y 是 x 的正弦值。
子图2：散点图 ：展示了 x 和 y 的散点分布，y 是 x 的正弦值。
子图3：柱状图：展示了 10 个分类的随机值。
子图4：直方图 ：展示了 z 数据的频率分布，z 是从标准正态分布中抽取的随机数。

11. 面向对象的 API进一步的示例

直线图展示销量关系

python 复制代码

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]

# 创建图形和轴
fig, ax = plt.subplots()
l1 = ax.plot(x1, y, 'ys-')  # 使用简写的形式color/标记符/线型
l2 = ax.plot(x2, y, 'go--')
ax.legend(labels=('tv', 'Smartphone'), loc='lower right')  # legend 放置在右下角
ax.set_title("Advertisement effect on sales")
ax.set_xlabel('medium')
ax.set_ylabel('sales')
plt.show()

python 复制代码

# 创建图形和轴
fig, ax = plt.subplots()

创建一个图形（fig）和一个子绘图区域（轴，ax），用于在其上进行绘图。

python 复制代码

l1 = ax.plot(x1, y, 'ys-')  # 使用简写的形式color/标记符/线型

在轴上绘制第一条线，使用 x1 作为横坐标，y 作为纵坐标，'ys-' 表示颜色为黄色（y），标记符为正方形（s），并使用实线（-）。

python 复制代码

l2 = ax.plot(x2, y, 'go--')

在轴上绘制第二条线，用 x2 作为横坐标，y 作为纵坐标，'go--' 表示颜色为绿色（g），标记符为圆圈（o），并使用虚线（--）。

python 复制代码

ax.legend(labels=('tv', 'Smartphone'), loc='lower right')  # legend 放置在右下角

添加图例，标识两条线所代表的广告媒介，labels 参数用于指定图例中显示的名称，loc 参数用来设定图例的位置，这里为右下角。

新建的子图与现有的子图重叠

python 复制代码

import matplotlib.pyplot as plt

plt.figure(1)
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))

plt.show()

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

python 复制代码

import matplotlib.pyplot as plt
import numpy as np
import math

# 生成 x 数据，从 0 到 2π，步长为 0.05
x = np.arange(0, math.pi * 2, 0.05)

# 创建一个新的图形对象
fig = plt.figure()

# 添加主绘图区域（Axes 对象）
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])  # 主图
# 添加内嵌绘图区域（Axes 对象）
axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3])  # 内嵌图

# 生成 y 数据，即 x 的正弦值
y = np.sin(x)

# 在主绘图区域中绘制 x 和 y 的关系，颜色为蓝色
axes1.plot(x, y, 'b')

# 在内嵌绘图区域中绘制 x 和余弦值的关系，颜色为红色
axes2.plot(x, np.cos(x), 'r')

# 设置主绘图区域的标题为 "sine"
axes1.set_title('sine')

# 设置内嵌绘图区域的标题为 "cosine"
axes2.set_title("cosine")

# 显示图形
plt.show()

添加主绘图区域（Axes 对象） ：
python axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 主图

fig.add_axes([0.1, 0.1, 0.8, 0.8]) 在图形对象中添加一个主绘图区域（Axes 对象）。
参数 [0.1, 0.1, 0.8, 0.8] 定义了主绘图区域在图形中的位置和大小，分别表示左边距、底边距、宽度和高度，取值范围为 0 到 1，表示相对于图形的百分比。

添加内嵌绘图区域（Axes 对象） ：
python axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3]) # 内嵌图

fig.add_axes([0.55, 0.55, 0.3, 0.3]) 在图形对象中添加一个内嵌绘图区域（Axes 对象）。
参数 [0.55, 0.55, 0.3, 0.3] 定义了内嵌绘图区域在图形中的位置和大小，分别表示左边距、底边距、宽度和高度，取值范围为 0 到 1，表示相对于图形的百分比。

显示坐标轴刻度

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含 1 行 2 列的子图网格，并设置图形大小为 (10, 4) 英寸
fig, axes = plt.subplots(1, 2, figsize=(10, 4))

# 生成 x 数据，从 1 到 4 的数组
x = np.arange(1, 5)

# 子图1：绘制 x 与 e^x 和 x^2 的关系，使用普通尺度
axes[0].plot(x, np.exp(x))
axes[0].plot(x, x**2)
axes[0].set_title("Normal scale")

# 子图2：绘制 x 与 e^x 和 x^2 的关系，使用对数尺度
axes[1].plot(x, np.exp(x))
axes[1].plot(x, x**2)
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)")

# 设置子图1的 x 轴和 y 轴标签
axes[0].set_xlabel("x axis")
axes[0].set_ylabel("y axis")
axes[0].xaxis.labelpad = 10  # 设置 x 轴标签与轴线的距离

# 设置子图2的 x 轴和 y 轴标签
axes[1].set_xlabel("x axis")
axes[1].set_ylabel("y axis")

# 显示图形
plt.show()

图形对象：创建了一个新的图形对象，并在其中添加了两个子图。
数据生成：生成了从 1 到 4 的 x 数据。
绘图：在第一个子图中绘制了 x 与 e^x 和 x^2 的关系，使用普通尺度。在第二个子图中绘制了相同的数据，但使用对数尺度来展示 y 轴的变化。
自定义标签和标题：为每个子图设置了 x 轴和 y 轴的标签以及图形标题。

坐标轴颜色显示

python 复制代码

import matplotlib.pyplot as plt

# 创建一个包含单个子图的图形对象
fig, ax = plt.subplots()

# 设置底部轴的颜色为蓝色
ax.spines['bottom'].set_color('blue')

# 设置左侧轴的颜色为红色
ax.spines['left'].set_color('red')

# 设置左侧轴的线宽为 2
ax.spines['left'].set_linewidth(2)

# 隐藏右侧轴
ax.spines['right'].set_color(None)

# 隐藏顶部轴
ax.spines['top'].set_color(None)

# 在子图中绘制数据 [1, 2, 3, 4, 5]
ax.plot([1, 2, 3, 4, 5])

# 显示图形
plt.show()

Matplotlib 设置坐标轴

python 复制代码

import matplotlib.pyplot as plt
import math

# 生成信号
fs = 1000  # 采样频率，一秒1000个点
f = 10     # 信号频率，一秒10个波形
t = list(range(0, 1000))  # 时间序列，0-999
t = [x / fs for x in t]   # 将时间序列归一化，实际是1秒内的1000个时间点
a = [math.sin(2 * math.pi * f * x) for x in t]  # 生成正弦信号

# 作图
plt.figure()  # 创建一个新的图形对象

# 子图1
plt.subplot(2, 2, 1)  # 创建一个2行2列的子图网格，当前激活第一个子图
plt.plot(a)  # 绘制正弦信号
plt.title('Figure-1')  # 设置子图标题

# 子图2
plt.subplot(2, 2, 2)  # 当前激活第二个子图
plt.plot(a)  # 绘制正弦信号
plt.xticks([])  # 隐藏x轴刻度
plt.title('Figure-2')  # 设置子图标题

# 子图3
plt.subplot(2, 2, 3)  # 当前激活第三个子图
plt.plot(a)  # 绘制正弦信号
plt.yticks([])  # 隐藏y轴刻度
plt.title('Figure-3')  # 设置子图标题

# 子图4
plt.subplot(2, 2, 4)  # 当前激活第四个子图
plt.plot(a)  # 绘制正弦信号
plt.axis('off')  # 隐藏所有轴线和刻度
plt.title('Figure-4')  # 设置子图标题

# 显示图形
plt.show()

图形对象：创建了一个新的图形对象，并在其中添加了四个子图。
信号生成：生成了从 0 到 999 的时间序列，并计算了对应的正弦信号。
绘图：在每个子图中绘制了相同的正弦信号，但在坐标轴的显示方式上有所不同：
- 第一个子图显示完整的坐标轴和刻度。
- 第二个子图隐藏了 x 轴刻度。
- 第三个子图隐藏了 y 轴刻度。
- 第四个子图隐藏了所有轴线和刻度。
显示图形：最终显示了生成的图表。

刻度和标签的使用

python 复制代码

import matplotlib.pyplot as plt
import numpy as np
import math

# 生成 x 数据，从 0 到 2π，步长为 0.05
x = np.arange(0, math.pi * 2, 0.05)

# 创建一个新的图形对象
fig = plt.figure()

# 添加一个绘图区域（Axes 对象）
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])

# 生成 y 数据，即 x 的正弦值
y = np.sin(x)

# 在绘图区域中绘制 x 和 y 的关系
ax.plot(x, y)

# 设置 x 轴标签
ax.set_xlabel('angle')

# 设置图形标题
ax.set_title('sine')

# 设置 x 轴刻度位置
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 轴刻度位置
ax.set_yticks([-1, 0, 1])

# 显示图形
plt.show()

自定义轴标签和刻度：设置了 x 轴和 y 轴的标签，并自定义了 x 轴的刻度位置和标签，以及 y 轴的刻度位置。

这种方法非常适合用于生成和自定义各种类型的图表，帮助更好地理解和展示数据。

`grid()` 设置网格格式

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含 1 行 3 列的子图网格，并设置图形大小为 (12, 4) 英寸
fig, axes = plt.subplots(1, 3, figsize=(12, 4))

# 生成 x 数据，从 1 到 10 的数组
x = np.arange(1, 11)

# 子图1：绘制 x 与 x^3 的关系，并设置默认网格
axes[0].plot(x, x**3, 'g', lw=2)  # 'g' 表示绿色，lw=2 表示线宽为 2
axes[0].grid(True)  # 开启默认网格
axes[0].set_title('default grid')  # 设置子图标题

# 子图2：绘制 x 与 e^x 的关系，并设置自定义网格
axes[1].plot(x, np.exp(x), 'r')  # 'r' 表示红色
axes[1].grid(color='b', ls='-.', lw=0.25)  # 设置网格颜色为蓝色，线型为点划线，线宽为 0.25
axes[1].set_title('custom grid')  # 设置子图标题

# 子图3：绘制 x 与 x 的关系，不设置网格
axes[2].plot(x, x)
axes[2].set_title('no grid')  # 设置子图标题

# 调整子图布局，避免重叠
fig.tight_layout()

# 显示图形
plt.show()

12. 总结

在本篇文档中，我们详细介绍了如何使用 Matplotlib 进行数据可视化，从基础的安装和配置到各种复杂的图表类型和高级功能。通过这些示例，你可以掌握 Matplotlib 的基本用法，并在实际项目中灵活运用它来进行数据可视化。

12.1 基础示例

我们首先展示了如何绘制简单的线性图、散点图、柱状图、直方图、饼图、箱线图、极坐标图和三维图。每种图表类型都有对应的示例代码，帮助你快速上手。

12.2 高级功能

我们还介绍了如何生成动画、创建三维图形，以及管理多个子图。通过这些高级功能，你可以创建更加复杂和动态的图表。

12.3 进一步的示例

我们提供了一系列进一步的示例，包括如何设置坐标轴、添加网格、显示坐标轴刻度、以及如何在同一画布中插入多个图像。这些示例展示了 Matplotlib 的强大功能和灵活性。

1. 基本概念和历史背景

Matplotlib核心概念详解

图形对象（Figure）

子图（Axes）

坐标轴（Axis）

刻度和刻度标签（Ticks and Tick Labels）

标注（Annotations）

图例（Legend）

样式（Styles）

图像（Images）

子图布局（Subplot Layouts）

交互和动画（Interactivity and Animation）

保存图形（Saving Figures）

2. 安装

3. Ubuntu 中文字体安装和配置

3.1 安装中文字体

3.2 检查已安装的字体

3.3 在 Matplotlib 中使用中文字体

4. 主要功能和特点

4.1 图表类型

线性图（Line Plot）

散点图（Scatter Plot）

柱状图（Bar Chart）

直方图（Histogram）

饼图（Pie Chart）

箱线图（Box Plot）

箱线图的组成

箱线图的意义

极坐标图（Polar Plot）

图表解释

三维图（3D Plot）

5 简洁模式与面向对象模式

Pyplot API（简洁模式）

面向对象的 API（Object-Oriented API）

6 多图管理

示例代码

11. 面向对象的 API进一步的示例

直线图展示销量关系

新建的子图与现有的子图重叠

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

显示坐标轴刻度

坐标轴颜色显示

Matplotlib 设置坐标轴

刻度和标签的使用

grid() 设置网格格式

12. 总结

12.1 基础示例

12.2 高级功能

12.3 进一步的示例

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

`grid()` 设置网格格式