Python 官方文档：入门教程 => 点击学习
目录 一、初识Matploblib 1.1 Figure 1.2 Axes 1.3 Axes vs pyplot 1.4 设置画布大小 1.5 设置网格线 1.6 设置坐标轴 1.7 设置刻度和标签 1.8 添加图例和标题 1.9 设置中文
目录
Matplotlib是python中的绘图库，类似于MATLAB，可以用来绘制各种静态，动态，交互式的图表。
在绘图之前，我们需要一个Figure对象，可以理解成我们需要一张画布才能开始绘图。
import matplotlib.pyplot as pltfig = plt.figure()拥有Figure对象之后，我们还需要创建绘图区域，添加Axes。在绘制子图过程中，对于每一个子图可能有不同设置，而 Axes 可以直接实现对于单个子图的设定。figure、axes和axis的区别如下图所示。
fig = plt.figure()ax = fig.add_subplot(111)ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes', ylabel='Y-Axis', xlabel='X-Axis')plt.show()以上的代码，在一幅图上添加了一个Axes，然后设置了这个Axes的X轴以及Y轴的取值范围（这些设置并不是强制的，后面会再谈到关于这些设置），效果如下图：
对于上面的fig.add_subplot(111)就是添加Axes的，参数的解释的在画板的第1行第1列的第一个位置生成一个Axes对象来准备作画。也可以通过fig.add_subplot(2, 2, 1)的方式生成Axes，前面两个参数确定了面板的划分，例如 2， 2会将整个面板划分成 2 * 2 的方格，第三个参数取值范围是 [1, 2*2] 表示第几个Axes。如下面的例子：
fig = plt.figure()ax1 = fig.add_subplot(221)ax2 = fig.add_subplot(222)ax3 = fig.add_subplot(224)
可以发现我们上面添加 Axes 似乎有点弱鸡，所以提供了下面的方式一次性生成所有 Axes：
fig, axes = plt.subplots(nrows=2, ncols=2)axes[0,0].set(title='Upper Left')axes[0,1].set(title='Upper Right')axes[1,0].set(title='Lower Left')axes[1,1].set(title='Lower Right')fig 还是我们熟悉的画板， axes 成了我们常用二维数组的形式访问，这在循环绘图时，额外好用。
下面的代码采用pyplot绘图，很简单易懂，但只适合简单地绘图，可快速地将草图绘出。在处理复杂的绘图工作，特别是有多个子图时，我们最好还是使用 Axes 来完成作画。
plt.plot([1, 2, 3, 4], [10, 20, 25, 30], color='lightblue', linewidth=3)plt.xlim(0.5, 4.5)plt.show()在使用matplotlib作图时，会遇到图片显示不全或者图片大小不是我们想要的，这个时候就需要调整画布大小。下例左图为500*500像素，右图为1000*1000像素。
import matplotlib.pyplot as plt# 500 x 500 像素（先宽度 后高度）# 注意这里的宽度和高度的单位是英寸，1英寸=100像素fig = plt.figure(figsize=(5, 5))ax = fig.add_subplot(111)plt.show()
通过 axes 对象提供的 grid() 方法可以开启或者关闭画布中的网格以及网格的主/次刻度。除此之外，grid() 函数还可以设置网格的颜色、线型以及线宽等属性。
grid() 的函数使用格式如下：
grid(color='b', ls = '-.', lw = 0.25)参数含义如下：
网格在默认状态下是关闭的，通过调用上述函数，网格会被自动开启，如果只是想开启不带任何样式的网格，可以通过 grid(True) 来实现。
实例如下：
import matplotlib.pyplot as pltimport numpy as np# fig画布；axes子图区域fig, axes = plt.subplots(1, 3, figsize=(12, 4))x = np.arange(1, 11)axes[0].plot(x, x ** 3, 'g', lw=2)# 开启网格axes[0].grid(True)axes[0].set_title('default grid')axes[1].plot(x, np.exp(x), 'r')# 设置网格的颜色，线型，线宽axes[1].grid(color='b', ls='-.', lw=0.25)axes[1].set_title('custom grid')axes[2].plot(x, x)axes[2].set_title('no grid')fig.tight_layout()plt.show()
set_xlabel 用字符串列表来设置坐标轴的标签，fontsize 设置轴标签的字体和字号等参数。
import matplotlib.pyplot as pltimport numpy as npfontdict = {'weight': 'nORMal', 'family': 'Times New Roman', 'size': 20}fig, axes = plt.subplots(1, 1)x = np.arange(1, 5)axes.plot(x, np.exp(x))axes.plot(x, x ** 2)# 设置标题axes.set_title("Normal scale", fontdict=fontdict)# 设置x、y轴标签axes.set_xlabel("x axis", fontdict=fontdict)axes.set_ylabel("y axis", fontdict=fontdict)plt.show()
Matplotlib 可以根据自变量与因变量的取值范围，自动设置 x 轴与 y 轴的数值大小。当然，您也可以用自定义的方式，通过 set_xlim() 和 set_ylim() 对 x、y 轴的数值范围进行设置。
import matplotlib.pyplot as pltimport numpy as npfig, a1 = plt.subplots(1, 1)x = np.arange(1, 10)a1.plot(x, np.exp(x), 'r')a1.set_title('exp')# 设置y轴a1.set_ylim(0, 4000)# 设置x轴a1.set_xlim(0, 8)plt.show()
移动坐标轴以及为坐标轴添加箭头可以通过mpl_toolkits.axisartist实现，如下例所示。
import numpy as npimport matplotlib.pyplot as pltimport mpl_toolkits.axisartist as axisartist# 新建一个画板（画图视窗）fig = plt.figure('Sine Wave')# 新建一个绘图区对象ax,并添加到画板中ax = axisartist.Subplot(fig, 1, 1, 1)fig.add_axes(ax)# 隐藏默认坐标轴（上下左右边框）ax.axis[:].set_visible(False)# ax.axis["top"].set_visible(False)# ax.axis["right"].set_visible(False)# 新建可移动的坐标轴X-Yax.axis["x"] = ax.new_floating_axis(0, 0)ax.axis["y"] = ax.new_floating_axis(1, 0)# 设置刻度标识方向ax.axis["x"].set_axis_direction('top')ax.axis["y"].set_axis_direction('left')# 加上坐标轴箭头，设置刻度标识位置ax.axis["x"].set_axisline_style("->", size=2.0)ax.axis["y"].set_axisline_style("->", size=2.0)ax.axis["x"].set_axis_direction('top')ax.axis["y"].set_axis_direction('left')# 画上y=sin(t)折线图，设置刻度范围，设置刻度标识，设置坐标轴位置t = np.linspace(0, 2 * np.pi)y = np.sin(t)ax.plot(t, y, color='red', linewidth=2)plt.title('y = 2sin(2t)', fontsize=14, pad=20)ax.set_xticks(np.linspace(0.25, 1.25, 5) * np.pi)ax.set_yticks([0, 1, 2])# 设置刻度标识显示ax.set_xlim(-0.5 * np.pi, 1.5 * np.pi)ax.set_ylim(-2, 2)plt.show()
其中，创建坐标轴的方法有两种：
new_fixed_axis(self, loc, offset=None)和new_floating_axis(self, nth_coord, value, axis_direction=‘bottom’)，而new_floating_axis()相对更加灵活。
（1）nth_coord：坐标轴方向，0代表X方向，1代表Y方向
（2）value：坐标轴处于位置，如果是平行与X轴的新坐标轴，则代表Y位置（即通过（0，value）），如果是平行与Y轴的新坐标轴，则代表X位置（即通过（value，0））。
（3）axis_direction：代表刻度标识字的方向，可选[‘top’, ‘bottom’, ‘left’, ‘right’]
刻度指的是轴上数据点的标记，Matplotlib 能够自动的在 x 、y 轴上绘制出刻度。这一功能的实现得益于 Matplotlib 内置的刻度定位器和格式化器（两个内建类）。在大多数情况下，这两个内建类完全能够满足我们的绘图需求，但是在某些情况下，刻度标签或刻度也需要满足特定的要求，比如将刻度设置为“英文数字形式”或者“大写阿拉伯数字”，此时就需要对它们重新设置。
xticks() 和 yticks() 函数接受一个列表对象作为参数，列表中的元素表示对应数轴上要显示的刻度。如下所示：
ax.set_xticks([2,4,6,8,10])x 轴上的刻度标记，依次为 2，4，6，8，10。您也可以分别通过 set_xticklabels() 和 set_yticklabels() 函数设置与刻度线相对应的刻度标签。
下面示例介绍了刻度和标签的使用方法，其中对标签逆时针旋转了90°：
import matplotlib.pyplot as pltimport numpy as npimport mathx = np.arange(0, math.pi * 2, 0.05)fig, ax = plt.subplots(1, 1, figsize=(5, 6))y = np.sin(x)ax.plot(x, y)# 设置x轴标签ax.set_xlabel('angle')# ax.set_title('sine')ax.set_xticks([0, 2, 4, 6])# 设置x轴刻度标签,并旋转90°ax.set_xticklabels(['zero', 'two', 'four', 'six'], rotation=90)# 设置y轴刻度ax.set_yticks([-1, 0, 1])plt.show()
图例通过ax.legend或者plt.legend()实现，标题通过ax.set_title()或者plt.title()实现，基本用法如下例所示。
import matplotlib as mplmpl.rcParams["font.sans-serif"] = ["SimHei"]mpl.rcParams["axes.unicode_minus"] = Falseimport matplotlib.pyplot as pltimport numpy as npfig = plt.figure()ax = fig.add_subplot(111)x = np.linspace(-2 * np.pi, 2 * np.pi, 200)y = np.sin(x)y1 = np.cos(x)ax.plot(x, y, label=r"$\sin(x)$")ax.plot(x, y1, label=r"$\cos(x)$")ax.legend(loc="best")ax.set_title("正弦函数和余弦函数的折线图")plt.show()
调整图例
对于图例，我们还可以通过改变legend()的参数来改变图例的显示位置，展示样式（包括图例的外边框、图例中的文本标签的排列位置和图例的投影效果等方面）。
import matplotlib.pyplot as pltimport numpy as npx = np.arange(0, 2.1, 0.1)y = np.power(x, 3)y1 = np.power(x, 2)y2 = np.power(x, 1)plt.plot(x, y, ls="-", lw=2, label="$x^{3}$")plt.plot(x, y1, c="r", ls="-", lw=2, label="$x^{2}$")plt.plot(x, y2, c="y", ls="-", lw=2, label="$x^{1}$")plt.legend(loc="upper left", bbox_to_anchor=(0.05, 0.95), ncol=3, title="power function", shadow=True, fancybox=True)plt.show()
plt.legend()的位置参数loc也可以使用数字，其对应如下：
| 字符串 | 位置编号 | 位置表述 |
|---|---|---|
best | 0 | 最佳位置 |
upper right | 1 | 右上角 |
upper left | 2 | 左上角 |
lower left | 3 | 右下角 |
lower right | 4 | 左下角 |
right | 5 | 右侧 |
center left | 6 | 左侧垂直居中 |
center right | 7 | 右侧垂直居中 |
lower center | 8 | 下方水平居中 |
upper center | 9 | 上方水平居中 |
center | 10 | 正中间 |
此外还用到了线框位置参数bbox_to_anchor，它的参数值是一个四元元组，且使用Axes坐标系统。也就是说第一个元素代表距离画布左侧的x轴长度的倍速的距离；第二个元素代表距离画布底部的y轴长度的倍数的距离；第三个元素代表元素x轴长度的倍数的线框长度；第四个元素代表y轴长度的倍数的线框宽度。plt.legend(loc = "upper left",bbox_to_anchor=(0.05,0.95),ncol = 3,title = "power function",shadow=True,fancybox=True)会把图例放在上方左手边拐角处的距离坐标轴左边0.1，底部7.6的位置。关键字参数shadow控制线框是否添加阴影；fancybox控制线框是直角还是圆角。
调整标题
对于标题，也可以通过参数控制各种文本属性。
import matplotlib.pyplot as pltimport numpy as npx = np.linspace(-2, 2, 1000)y = np.exp(x)plt.plot(x, y, ls="-", lw=2, color="g")plt.title("center demo")plt.title("Left Demo", loc="left", fontdict={"size": "xx-large", "color": "r", "family": "Times New Roman"})plt.title("Right Demo", loc="right", size=20, color="c", style="oblique", family="Comic Sans MS")plt.show()
上面展示了plt.title()中参数的两种使用方法。其中位置参数loc可以选择“left”，“center”和“right”。family控制的是字体类别，size控制字体大小，color控制字体颜色，style控制字体风格。
Matplotlib 默认不支持中文字体，只支持 ASCII 字符，但中文标注更加符合中国人的阅读习惯。
当直接使用中文时，Matplotlib 绘制的图像会出现中文乱码，如左图所示。通过临时重写配置文件的方法，可以解决 Matplotlib 显示中文乱码的问题，代码如下所示：
import matplotlib.pyplot as pltplt.rcParams["font.sans-serif"] = ["SimHei"] # 设置字体plt.rcParams["axes.unicode_minus"] = False # 正常显示负号year = [2017, 2018, 2019, 2020]people = [20, 40, 60, 70]# 生成图表plt.plot(year, people)plt.xlabel('年份')plt.ylabel('人口')plt.title('人口增长')# 设置纵坐标刻度plt.yticks([0, 20, 40, 60, 80])# 设置填充选项：参数分别对应横坐标，纵坐标，纵坐标填充起始值，填充颜色plt.fill_between(year, people, 20, color='green')# 显示图表plt.show()
Matplotlib中的文本字符串都可以使用 Latex 格式显现出来，具体的使用方法是将文本标记符放在一对美元符号$内，语法格式如下：
# 绘制表达式 r'$\alpha_i> \beta_i$'import numpy as npimport matplotlib.pyplot as pltt = np.arange(0.0, 2.0, 0.01)s = np.sin(2 * np.pi * t)# 绘制函数图像plt.plot(t, s)# 设置标题plt.title(r'$\alpha_i> \beta_i$', fontsize=20)# 设置数学表达式plt.text(0.6, 0.6, r'$\mathcal{A}\mathrm{sin}(2 \omega t)$', fontsize=20)# 设置数学表达式plt.text(0.1, -0.5, r'$\sqrt{2}$', fontsize=10)plt.xlabel('time (s)')plt.ylabel('volts (mV)')plt.show()
在pyplot模块中，与调整子图布局的函数主要为subplots_adjust和tight_layout，其中subplots_adjust是修改子图间距的通用函数，tight_layout默认执行一种固定的间距配置，也可以自定义间距配置，底层原理类似于subplots_adjust函数。
subplots_adjust
subplots_adjust函数的功能为调整子图的布局参数。对于没有设置的参数保持不变，初始值由rcParams["figure.subplot.[name]"]提供。
用法：matplotlib.pyplot.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)
参数：
示例代码如下：
import matplotlib.pyplot as plt# 原始间距配置fig, ax = plt.subplots(3, 3)print(vars(fig.subplotpars))# 通过subplots_adjust()设置间距配置plt.subplots_adjust(left=0.1, bottom=0.1, right=0.9, top=0.9, wspace=0.5, hspace=0.5)print(vars(fig.subplotpars))plt.show()原始间距：
修改间距后（wspace=0.5, hspace=0.5）：
tight_layout
pyplot模块中的tight_layout()函数可用于自动调整子图参数或按指定参数填充。通过设置rcParams['figure.autolayout']=True可图像自动应用tight_layout。
用法： matplotlib.pyplot.tight_layout(pad=1.08, h_pad=None, w_pad=None, rect=None)
参数：
使用savefig()函数可将图片保存在指定目录下，在show()前插入，如果在show()后面会出现保存图片为空白现象。
plt.savefig("example.png")采用下面的方法可以保存去除旁边空白区域和坐标轴的图片，论文绘图时常用。
pyplot.axis('off') #增加这行关闭坐标轴显示#关键在于bbox_inches = 'tight',pad_inches = 0，去掉空白区域pyplot.savefig(save_dir,bbox_inches = 'tight',pad_inches = 0)绘图过程如果我们想要给坐标自定义一些不一样的标记，就可以使用 plot() 方法的 marker 参数来定义。
以下实例定义了实心圆标记：
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([1, 3, 4, 5, 8, 9, 6, 1, 3, 4, 5, 2, 4])plt.plot(ypoints, marker='o')plt.show()
marker 可以定义的符号如下：
以下实例定义了 * 标记：
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([1, 3, 4, 5, 8, 9, 6, 1, 3, 4, 5, 2, 4])plt.plot(ypoints, marker='*')plt.show()
fmt 参数
fmt 参数定义了基本格式，如标记、线条样式和颜色。
fmt = '[marker][line][color]'例如 o:r，o 表示实心圆标记，: 表示虚线，r 表示颜色为红色。
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([6, 2, 13, 10])plt.plot(ypoints, 'o:r')plt.show()
线类型：
| 线类型标记 | 描述 | |
|---|---|---|
| '-' | 实线 | |
| ':' | 虚线 | |
| '--' | 破折线 | |
| '-.' | 点划线 | |
颜色类型：
| 颜色标记 | 描述 | |
|---|---|---|
| 'r' | 红色 | |
| 'g' | 绿色 | |
| 'b' | 蓝色 | |
| 'c' | 青色 | |
| 'm' | 品红 | |
| 'y' | 黄色 | |
| 'k' | 黑色 | |
| 'w' | 白色 | |
详细颜色对照表
颜色及十六进制对应
cnames = {'aliceblue': '#F0F8FF','antiquewhite': '#FAEBD7','aqua': '#00FFFF','aquamarine': '#7FFFD4','Azure': '#F0FFFF','beige': '#F5F5DC','bisque': '#FFE4C4','black': '#000000','blanchedalmond': '#FFEBCD','blue': '#0000FF','blueviolet': '#8A2BE2','brown': '#A52A2A','burlywood': '#DEB887','cadetblue': '#5F9EA0','chartreuse': '#7FFF00','chocolate': '#D2691E','coral': '#FF7F50','cornflowerblue': '#6495ED','cornsilk': '#FFF8DC','crimson': '#DC143C','cyan': '#00FFFF','darkblue': '#00008B','darkcyan': '#008B8B','darkGoldenrod': '#B8860B','darkgray': '#A9A9A9','darkgreen': '#006400','darkkhaki': '#BDB76B','darkmagenta': '#8B008B','darkolivegreen': '#556B2F','darkorange': '#FF8C00','darkorchid': '#9932CC','darkred': '#8B0000','darksalmon': '#E9967A','darkseagreen': '#8FBC8F','darkslateblue': '#483D8B','darkslategray': '#2F4F4F','darkturquoise': '#00CED1','darkviolet': '#9400D3','deeppink': '#FF1493','deepskyblue': '#00BFFF','dimgray': '#696969','dodgerblue': '#1E90FF','firebrick': '#B22222','floralwhite': '#FFFAF0','forestgreen': '#228B22','fuchsia': '#FF00FF','gainsboro': '#DCDCDC','ghostwhite': '#F8F8FF','gold': '#FFD700','goldenrod': '#DAA520','gray': '#808080','green': '#008000','greenyellow': '#ADFF2F','honeydew': '#F0FFF0','hotpink': '#FF69B4','indianred': '#CD5C5C','indigo': '#4B0082','ivory': '#FFFFF0','khaki': '#F0E68C','lavender': '#E6E6FA','lavenderblush': '#FFF0F5','lawngreen': '#7CFC00','lemonchiffon': '#FFFACD','lightblue': '#ADD8E6','lightcoral': '#F08080','lightcyan': '#E0FFFF','lightgoldenrodyellow': '#FAFAD2','lightgreen': '#90EE90','lightgray': '#D3D3D3','lightpink': '#FFB6C1','lightsalmon': '#FFA07A','lightseagreen': '#20B2AA','lightskyblue': '#87CEFA','lightslategray': '#778899','lightsteelblue': '#B0C4DE','lightyellow': '#FFFFE0','lime': '#00FF00','limegreen': '#32CD32','linen': '#FAF0E6','magenta': '#FF00FF','maroon': '#800000','mediumaquamarine': '#66CDAA','mediumblue': '#0000CD','mediumorchid': '#BA55D3','mediumpurple': '#9370DB','mediumseagreen': '#3CB371','mediumslateblue': '#7B68EE','mediumspringgreen': '#00FA9A','mediumturquoise': '#48D1CC','mediumvioletred': '#C71585','midnightblue': '#191970','mintcream': '#F5FFFA','mistyrose': '#FFE4E1','moccasin': '#FFE4B5','navajowhite': '#FFDEAD','navy': '#000080','oldlace': '#FDF5E6','olive': '#808000','olivedrab': '#6B8E23','orange': '#FFA500','orangered': '#FF4500','orchid': '#DA70D6','palegoldenrod': '#EEE8AA','palegreen': '#98FB98','paleturquoise': '#AFEEEE','palevioletred': '#DB7093','papayawhip': '#FFEFD5','peachpuff': '#FFDAB9','peru': '#CD853F','pink': '#FFC0CB','plum': '#DDA0DD','powderblue': '#B0E0E6','purple': '#800080','red': '#FF0000','rosybrown': '#BC8F8F','royalblue': '#4169E1','saddlebrown': '#8B4513','salmon': '#FA8072','sandybrown': '#FAA460','seagreen': '#2E8B57','seashell': '#FFF5EE','sienna': '#A0522D','silver': '#C0C0C0','skyblue': '#87CEEB','slateblue': '#6A5ACD','slategray': '#708090','snow': '#FFFAFA','springgreen': '#00FF7F','steelblue': '#4682B4','tan': '#D2B48C','teal': '#008080','thistle': '#D8BFD8','tomato': '#FF6347','turquoise': '#40E0D0','violet': '#EE82EE','wheat': '#F5DEB3','white': '#FFFFFF','whitesmoke': '#F5F5F5','yellow': '#FFFF00','yellowgreen': '#9ACD32'}
标记大小与颜色
我们可以自定义标记的大小与颜色，使用的参数分别是：
设置标记大小：
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([6, 2, 13, 10])plt.plot(ypoints, marker='o', ms=20)plt.show()
设置标记外边框颜色：
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([6, 2, 13, 10])plt.plot(ypoints, marker='o', ms=20, mec='r')plt.show()
设置标记内部颜色：
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([6, 2, 13, 10])plt.plot(ypoints, marker='o', ms=20, mfc='r')plt.show()
自定义标记内部与边框的颜色：
import matplotlib.pyplot as pltimport numpy as npypoints = np.array([6, 2, 13, 10])plt.plot(ypoints, marker='o', ms=20, mec='r', mfc='y')plt.show()
| 中文名称 | 英文名称 |
| 黑体 | SimHei |
| 微软雅黑 | Microsoft YaHei |
| 微软雅黑 | Microsoft YaHei |
| 新宋体 | NSimSun |
| 新细明体 | PMingLiU |
| 细明体 | MingLiU |
| 标楷体 | DFKai-SB |
| 仿宋 | FangSong |
| 楷体 | KaiTi |
| 仿宋_GB2312 | FangSong_GB2312 |
| 楷体_GB2312 | KaiTi_GB2312 |
plot()函数画出一系列的点，并且用线将它们连接起来。看下例子：
x = np.linspace(0, np.pi)y_sin = np.sin(x)y_cos = np.cos(x)ax1.plot(x, y_sin)ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12)ax3.plot(x, y_cos, color='red', marker='+', linestyle='dashed')
在上面的三个Axes上作画。plot，前面两个参数为x轴、y轴数据。ax2的第三个参数是 MATLAB风格的绘图，对应ax3上的颜色，marker，线型。
另外，我们可以通过关键字参数的方式绘图，如下例：
x = np.linspace(0, 10, 200)data_obj = {'x': x, 'y1': 2 * x + 1, 'y2': 3 * x + 1.2, 'mean': 0.5 * x * np.cos(2*x) + 2.5 * x + 1.1}fig, ax = plt.subplots()#填充两条线之间的颜色ax.fill_between('x', 'y1', 'y2', color='yellow', data=data_obj)# Plot the "centerline" with `plot`ax.plot('x', 'mean', color='black', data=data_obj)plt.show()
发现上面的作图，在数据部分只传入了字符串，这些字符串对一个这 data_obj 中的关键字，当以这种方式作画时，将会在传入给 data 中寻找对应关键字的数据来绘图。
只画点，不用线连接起来。
import matplotlib.pyplot as pltimport numpy as npx = np.arange(10)y = np.random.randn(10)plt.scatter(x, y, color='red', marker='+')plt.show()
在一些应用场景中，有时需要绘制两个 x 轴或两个 y 轴，这样可以更直观地显现图像，从而获取更有效的数据。Matplotlib 提供的 twinx() 和 twiny() 函数，除了可以实现绘制双轴的功能外，还可以使用不同的单位来绘制曲线，比如一个轴绘制对函数，另外一个轴绘制指数函数。
下面示例绘制了一个具有两个 y 轴的图形，一个显示正弦函数 sin(x)，另一个显示对数函数 log(x)。
import matplotlib.pyplot as pltimport numpy as np# 准备数据t = np.arange(0.01, 10.0, 0.01)data1 = np.exp(t)data2 = np.sin(2 * np.pi * t)# 设置主轴fig, ax1 = plt.subplots()color = 'tab:red'ax1.set_xlabel('time (s)')ax1.set_ylabel('exp', color=color)ax1.plot(t, data1, color=color)ax1.tick_params(axis='y', labelcolor=color)# 设置次轴ax2 = ax1.twinx()color = 'tab:blue'ax2.set_ylabel('sin', color=color)ax2.plot(t, data2, color=color)ax2.tick_params(axis='y', labelcolor=color)fig.tight_layout()plt.show()
条形图分两种，一种是水平的，一种是垂直的，见下例子：
import matplotlib.pyplot as pltimport numpy as npnp.random.seed(1)x = np.arange(5)y = np.random.randn(5)fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1./2))vert_bars = axes[0].bar(x, y, color='lightblue', align='center')horiz_bars = axes[1].barh(x, y, color='lightblue', align='center')#在水平或者垂直方向上画线axes[0].axhline(0, color='gray', linewidth=2)axes[1].axvline(0, color='gray', linewidth=2)plt.show()
条形图还返回了一个Artists 数组，对应着每个条形，例如上图 Artists 数组的大小为5，我们可以通过这些 Artists 对条形图的样式进行更改，如下例：
fig, ax = plt.subplots()vert_bars = ax.bar(x, y, color='lightblue', align='center')# We could have also done this with two separate calls to `ax.bar` and numpy boolean indexing.for bar, height in zip(vert_bars, y): if height < 0: bar.set(edgecolor='darkred', color='salmon', linewidth=3)plt.show()
直方图用于统计数据出现的次数或者频率，有多种参数可以调整，见下例：
import matplotlib.pyplot as pltimport numpy as npnp.random.seed(19680801)n_bins = 10x = np.random.randn(1000, 3)fig, axes = plt.subplots(nrows=2, ncols=2)ax0, ax1, ax2, ax3 = axes.flatten()colors = ['red', 'tan', 'lime']ax0.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors)ax0.legend(prop={'size': 10})ax0.set_title('bars with legend')ax1.hist(x, n_bins, density=True, histtype='barstacked')ax1.set_title('stacked bar')ax2.hist(x, histtype='barstacked', rwidth=0.9)ax3.hist(x[:, 0], rwidth=0.9)ax3.set_title('different sample sizes')fig.tight_layout()plt.show()参数中density控制Y轴是概率还是数量，与返回的第一个的变量对应。histtype控制着直方图的样式，默认是 ‘bar’，对于多个条形时就相邻的方式呈现如子图1， ‘barstacked’ 就是叠在一起，如子图2、3。 rwidth 控制着宽度，这样可以空出一些间隙，比较图2、3. 图4是只有一条数据时。
import matplotlib.pyplot as pltlabels = 'Frogs', 'Hogs', 'Dogs', 'Logs'sizes = [15, 30, 45, 10]explode = (0, 0.1, 0, 0) # only "explode" the 2nd slice (i.e. 'Hogs')fig1, (ax1, ax2) = plt.subplots(2)ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True)ax1.axis('equal')ax2.pie(sizes, autopct='%1.2f%%', shadow=True, startangle=90, explode=explode, pctdistance=1.12)ax2.axis('equal')ax2.legend(labels=labels, loc='upper right')plt.show()
箱型图（也称为盒须图）于 1977 年由美国著名统计学家约翰·图基（John Tukey）发明。它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。
在箱型图中，我们从上四分位数到下四分位数绘制一个盒子，然后用一条垂直触须（形象地称为“盒须”）穿过盒子的中间。上垂线延伸至上边缘（最大值），下垂线延伸至下边缘（最小值）。箱型图结构如下所示：
首先准备创建箱型图所需数据：可以使用numpy.random.normal()函数来创建一组基于正态分布的随机数据，该函数有三个参数，分别是正态分布的平均值、标准差以及期望值的数量然后用 data_to_plot 变量指定创建箱型图所需的数据序列，最后用 boxplot() 函数绘制箱型图。
import matplotlib.pyplot as pltimport numpy as np# 利用随机数种子使每次生成的随机数相同np.random.seed(10)collectn_1 = np.random.normal(100, 10, 200)collectn_2 = np.random.normal(80, 30, 200)collectn_3 = np.random.normal(90, 20, 200)collectn_4 = np.random.normal(70, 25, 200)data_to_plot = [collectn_1, collectn_2, collectn_3, collectn_4]fig = plt.figure()# 创建绘图区域ax = fig.add_subplot(111)# 创建箱型图bp = ax.boxplot(data_to_plot)plt.show()
散点图的一种，加入了第三个值 s 可以理解成普通散点，画的是二维，泡泡图体现了Z的大小，如下例：
import matplotlib.pyplot as pltimport numpy as npnp.random.seed(19680801)N = 50x = np.random.rand(N)y = np.random.rand(N)colors = np.random.rand(N)area = (30 * np.random.rand(N))**2 # 0 to 15 point radiiplt.scatter(x, y, s=area, c=colors, alpha=0.5)plt.show()
等高线图（也称“水平图”）是一种在二维平面上显示 3D 图像的方法。等高线有时也被称为 “Z 切片”，如果您想要查看因变量 Z 与自变量 X、Y 之间的函数图像变化（即 Z=f(X,Y)），那么采用等高线图最为直观。
import numpy as npimport matplotlib.pyplot as plt"""np.linspace()在指定的大间隔内[-4.0,4.0]，返回固定间隔100个数据"""x = np.linspace(-4.0, 4.0, 100)y = np.linspace(-4.0, 4.0, 100)"""np.meshgrid()两个坐标轴上的点在平面上画格,产生一个以向量x为行，向量y为列的矩"""X, Y = np.meshgrid(x, y)# 定义Z与X,Y之间的关系,即原方程x²+y²=r²Z = np.sqrt(X ** 2 + Y ** 2)fig, axes = plt.subplots(1, 2, figsize=(16, 9))axes[0].contour(X, Y, Z, alpha=0.75, cmap=plt.cm.hot)cp = axes[1].contourf(X, Y, Z, cmap=plt.cm.hot)fig.colorbar(cp)plt.show()
来源地址：https://blog.csdn.net/weixin_42620109/article/details/126466337
--结束END--
本文标题: Matplotlib详细教程
本文链接: https://lsjlt.com/news/409521.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-03-01
2024-03-01
2024-03-01
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
官方手机版
微信公众号
商务合作
0