一篇文章学会Matplotlib-阿里云开发者社区

一篇文章学会Matplotlib

简介

本文通过大量案例，讲解Matplotlib的基础语法。

语法

以下是 Matplotlib 的常见语法：

导入库：import matplotlib.pyplot as plt
绘图：plt.plot(x, y)

x和y都是数字列表或数组，指定了数据点的水平和垂直坐标值。

显示绘图：plt.show()
添加标签、标题及轴：

plt.xlabel('X Label')
plt.ylabel('Y Label')
plt.title('Title')

自定义样式：

线条颜色：'r'（红色）、'g'（绿色）、'b'（蓝色）
点标记：'o'（圆形）、'^'（向上三角形）、's'（正方形）
线型：'-'(实线)、'--'（虚线）
线宽：linewidth=3
标记尺寸：markersize=12

定义子图：

建立网格：fig, axs = plt.subplots(rows, cols)
访问子图：axs[row][col]
设置子图标题：axs[row][col].set_title('Title')
在子图中绘制：‘axs[row][col].plot(x, y)’ 或 axs[row][col].bar(x, y)等。

保存图像到文件：plt.savefig('file_name.png', dpi=300, bbox_inches='tight')

dpi定义每英寸的像素点数。
bbox_inches选项用于选择“紧凑”（tight）或“松散”（loose）布局

其它常用：

plt.grid(True) 添加网格
plt.legend() 添加图例
plt.xticks() 设置x轴刻度的位置
plt.yticks() 设置y轴刻度的位置
plt.xlim() 设置x轴坐标范围
plt.ylim() 设置y轴坐标范围
plt.subplots_adjust() 调整子图之间的间距和边距。
以下是更多的Matplotlib语法和细节：

三维绘图： Matplotlib中还有许多用于创建3D图形的功能，其中最常见的是使用mplot3d工具包。导入的包名仍然是“mpl_toolkits.mplot3d”，并且可以在plt.subplots()函数中指定一个projection="3d"参数来将轴转换成3D。
数据标准化：在某些情况下，需要将数据规范化或者使其可视化。Matplotlib提供了一些方便快捷的API帮助您完成此项任务。例如，通过诸如plt.hist()或plt.boxplot()之类的函数自动对数据进行标准化处理。
支持数学表达式：Matplotlib能够支持Latex编写的数学表达式，只需在文本字符串前加一个“$”即可。
将图表嵌入到GUI应用程序：将Matplotlib图表嵌入到Python GUI应用程序中是一种常见的用例。这可以通过在PyQt、Tkinter以及wxPython等GUI工具包中内置Matplotlib交互式API来实现。
制定绘图风格：除了上面列出的样式选项之外，Matplotlib还提供了许多其他可调整的属性，例如背景颜色、网格线条宽度和填充等。可以通过定义matplotlibrc文件或动态配置选项来指定自定义样式。也可以在Python脚本中针对特定的图形组件直接访问这些属性并进行设置或更改。
子图上的多行文本：有时需要添加多行注释或标注，Matplotlib可以支持在子图上使用text()函数实现类似注释的目的。

讲解

绘制折线图

import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [10, 8, 6, 4, 2]
plt.plot(x, y)  # 在坐标轴上绘制线条
plt.xlabel('X Label')  # 添加x轴标签
plt.ylabel('Y Label')  # 添加y轴标签
plt.title('Line Chart Example')  # 添加标题
plt.show()  # 显示图形

这个示例演示了如何使用Matplotlib绘制一个折线图。列表x和y分别包含水平和垂直坐标数据，并使用plt.plot()函数连接它们以绘制线条。添加标题、坐标轴标签和刻度标签可以提高图表可阅读性。

绘制柱状图

import matplotlib.pyplot as plt  #导入Matplotlib模块
x = ['A', 'B', 'C', 'D', 'E']  #定义横轴刻度标签
y = [10, 8, 6, 4, 2]  #定义纵轴数据值
plt.bar(x, y, width=0.5, align='center', color=['red', 'blue', 'green', 'purple', 'orange'])  #调用bar()函数创建柱状图，并指定参数
# 参数width为柱宽，默认为0.8；参数align为柱在标记上的对齐方式，默认为'edge'
# 在本例中，设置了柱的宽为0.5并居中对齐，同时也指定了每个条形的颜色。
plt.xlabel('Categories')  #添加x轴标题
plt.ylabel('Values')  #添加y轴标题
plt.title('Bar Chart Example')  #设置图表标题
plt.show()  #显示图表

这个示例演示了如何绘制一个垂直柱状图。x包含水平标签（类别），而y则包含垂直值。plt.bar()函数用于绘制它们，并提供了许多样式选项，如’width’、'align’和 ‘color’。

绘制散点图

import matplotlib.pyplot as plt  #导入Matplotlib模块
x = [1, 2, 3, 4, 5]  #定义x轴数据
y = [10, 8, 6, 4, 2]  #定义y轴数据
colors = ['red', 'green', 'yellow', 'blue', 'purple']  #定义散点的颜色列表
plt.scatter(x, y, s=100, c=colors, marker='o', alpha=0.5)  
#调用scatter()函数创建散点图，并指定参数
# 参数s为散点的大小，默认为20；参数c为每个点的颜色；参数marker指定每个点形状（在此为圆）；alpha参数设置点的透明度。
plt.xlabel('X Label')  #添加x轴标签
plt.ylabel('Y Label')  #添加y轴标签
plt.title('Scatter Plot Example')  #添加标题
plt.show()  #显示图表

这个示例演示了如何绘制一个简单的散点图。列表x和y包含水平和垂直坐标数据，而colors列表则定义了用于每个数据点的颜色。使用plt.scatter()函数确定样式参数（如点的大小和形状），以及通过alpha参数调整点的透明度。

绘制饼图

import matplotlib.pyplot as plt  #导入Matplotlib模块
labels = ['A', 'B', 'C', 'D']  #定义标签labels
data = [30, 20, 10, 40]  #定义数据
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']  #定义饼图显示区域颜色
plt.pie(data, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)  
#调用pie()函数创建饼图，并指定参数
# 参数labels为饼图中各部分的标签；参数colors给出了用于稳定饼图底色的四种颜色.
# 自动百分比句型说明每个区域占用的百分比；startangle指定旋转图表的起始角度。
plt.title('Pie Chart Example')  #设置图表标题
plt.show()  #显示图表

这个示例演示了如何绘制一个简单的饼图。plt.pie()函数用于绘制它，参数中包含数据列表’数据’和自动标签生成器’labels’。还说明了其他一些如颜色（‘colors’）、筏车（‘startangle’）和值显示格式（‘autopct’）等选项。

绘制热力图

import numpy as np
import matplotlib.pyplot as plt
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  #用numpy模块创建一个3x3的矩阵并赋值
heatmap = plt.pcolor(data, cmap=plt.cm.Blues)  #调用pcolor()方法为数据生成颜色热图，并传入自定义配色和颜色比例尺。
plt.colorbar()   #调用colorbar()方法给图表添加颜色条。
plt.xticks(np.arange(0.5, len(['A', 'B', 'C']) + 0.5), ['A', 'B', 'C'])  #设定x轴刻度、标签和范围
plt.yticks(np.arange(0.5, len(['D', 'E', 'F']) + 0.5), ['D', 'E', 'F'])  #设定y轴刻度、标签和范围
plt.title('Heatmap Example')  #设置图表标题
plt.show()  #显示图表

这个示例演示了如何绘制一个热力图。二维NumPy数组data存储数据，而’plt.pcolor()'函数用于创建矩阵颜色图。通过添加xticks()和yticks()函数、并使用值范围（0.5- len + 0.5）调整刻度的位置。在此之上还展示了如何添加图例标签（使用plt.colorbar()函数来调用详细颜色条）。

绘制3D图形

import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# 定义一个新的3D坐标系
fig = plt.figure()  #生成一张新的图片
ax = fig.add_subplot(111, projection='3d')  #在其中增加一个子图，projection='3d'参数告诉Matplotlib要创建3D图像
# 生成X、Y的等间隔数字，并根据它们的组合生成Z
x = np.linspace(-1, 1, 100)  # 生成等间隔数字-1到1，共100个数值
y = np.linspace(-1, 1, 100)  # 同理
X, Y = np.meshgrid(x, y)  # 根据输入的两个分别一维的函数向量创建相应的二维矩阵用于3D图像的表面绘制
Z = np.sin(np.sqrt(X**2 + Y**2))  # 根据X和Y数组生成Z数组
# 在3D坐标系中绘制3D曲面
ax.plot_surface(X, Y, Z, cmap=plt.cm.Blues)  #调用plot_surface()方法和传入自定义配色，生成曲面图效果。
ax.set_xlabel('X Label')  #设置x轴标签
ax.set_ylabel('Y Label')  #设置y轴标签
ax.set_zlabel('Z Label')  #设置z轴标签
plt.title('3D Plot Example')  #设置图表标题
plt.show()  #显示图表

这个示例演示了如何创建简单的三维坐标系。第一个代码块定义了一个基础的3D坐标轴对象，然后根据linspace()函数的参数定义图形数据。使用’np.meshgrid()'生成相应的网格，并在采用sin()函数计算定义的图形Z值，最后绘制三维曲面并为其添加轴标签。

带注释的折线图

import matplotlib.pyplot as plt  #导入Matplotlib模块
x = [1, 2, 3, 4, 5]  #定义x轴数据
y = [10, 8, 6, 4, 2]  #定义y轴数据
plt.plot(x, y)  #用plot()函数绘制折线图
plt.xlabel('X Label')  #设置x轴标签
plt.ylabel('Y Label')  #设置y轴标签
plt.title('Line Chart with Annotations')  #设置标题
# 打开交互模式并添加文本注释
plt.ion()   #打开交互模式
plt.annotate('Low point', xy=(4, 2), xytext=(3.5, 8),
             arrowprops=dict(facecolor='black', shrink=0.05)) 
# 在指定点(4, 2)处增加一条注释线，并给该行添加一个说明小箭头。
plt.annotate('Interesting Point', xy=(3, 6), xytext=(1.5, 9),
             arrowprops=dict(facecolor='red', shrink=0.05))
# 让注释点稍微偏离目标点坐标(3, 6)，同时以红色为基调。
plt.show()  #展示图表结果

在这个示例中，除了在上一个示例中所看到的基础功能之外，这里展示了如何通过在图形上添加注释来增强Matplotlib图表。函数’anotate()用于往图表上添加箭头和注释文字（在此示例中，我们可在关键点进行注释）。 ion()`函数打开交互模式以允许实时进行比较底部和有趣的点的选取过程。

绘制多个子图

import numpy as np
import matplotlib.pyplot as plt
# 生成一些示例数据
x = np.linspace(0, 10, 100)  #创建线性空间数组，并精准地定义起始点、结束点和数量。
y1 = np.sin(x)  #根据 x 数组生成 y1 数据
y2 = np.cos(x)  #根据 x 数组生成 y2 数据
# 创建网格并放置两个子图
fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True)  
# 调用subplots()方法，创建两行一列的子图网格。sharex=True表示共享横坐标。
# 在第一个子图中绘制sin函数
ax1.plot(x, y1, 'r-', linewidth=2)  #调用plot()函数，在第一个子图中绘制sin函数，使用以红色为基调的单匹配线条。
ax1.set_ylabel('Sin')  #设置y轴标签
# 在第二个子图中绘制cos函数
ax2.plot(x, y2, 'g-', linewidth=2)  #调用plot()函数，在第二个子图中绘制cos函数，用以绿色为基调的单匹配线条。
ax2.set_xlabel('Time (s)')  #设置x轴标签
ax2.set_ylabel('Cos')  #设置y轴标签
# 添加标题
plt.suptitle('Example of Multiple Subplots')  #用suptitle()函数为整个图表添加一个标题
plt.show()  #显示图表

通过上面定义的subplots（）函数和sharex = True 参数，可以创建具有多个子图的Matplotlib图表。

然后简单地在单独的子图中进行x和y轴标签的设置，然后添加一个总标题，以构建命令自己独立的图表。

导出Matplotlib图形

import numpy as np
import matplotlib.pyplot as plt
# 生成一些示例数据
x = np.linspace(0, 10, 100)  #使用numpy模块中的np.linspace()函数生成一系列等间隔样本点
y = np.sin(x)
# 创建新的图形并绘制sin函数
fig = plt.figure()  #创建一个新的图形
plt.plot(x, y, 'r-', linewidth=2)  #用plot()函数在该图形上绘制以红色为基调的折线状图表
plt.xlabel('Time (s)')  #设置x轴标签
plt.ylabel('Amplitude')  #设置y轴标签
plt.title('Example of a Matplotlib Figure')  #设置标题
# 将图表保存成PDF文件
plt.savefig('example.pdf')  #使用savefig()函数将该图形以pdf格式保存
plt.show()  #展示图表结果

在多数情况下，如果要将Matplotlib图表嵌入到GUI应用程序中，则无需导出它至外部的文件。但是，将图表作为图像文件或数据可视化存储在挂网站上等情况，在确保输出效果如预期时，可能会需要输出图形。savefig() 函数直接调用图表实例，并传入目标格式的文件名，在本例中，就是PDF文件格式。

这些示例演示了Matplotlib的核心API语法和基础功能配置项，足以使您能够开始从零构建一张完美呈现化的图表。当然，Matplotlib提供更高级的功能和选项，需要仔细理解文档，针对开发任务切换您所需要的关键字参数并进行进一步探索。

一篇文章学会Matplotlib