Python模块之Matplotlib模块学习笔记

目录

一、绘图基础知识

二、相关函数简介

三、绘图步骤

1、Figure

2、Axes

3、绘图属性设置

4、添加图表标题和坐标轴标题

5、图例说明

6、绘图的注释

7、区间上下限

8、绘图的填充

9、设置网格线

10、区间分段

11、布局

12、轴相关

四、基本绘图2D

1、线图

2、散点图

3、条形图

4、直方图

5、饼图

6、箱型图

7、气泡图

8、等高线（轮廓图）

9、制作组合图表

在Jupyter notebook中进行交互式绘图，需要执行一下语句 % matplotlib notebook

一、绘图基础知识

二、相关函数简介

#导入matplotlib的pyplot模块
import matplotlib.pyplot as plt

figure（）：创建一个新的绘图窗口。
figtext（）：为figure添加文字
axes（）：为当前figure添加一个坐标轴
plot（）：绘图函数
polar（）：绘制极坐标图
axis（）：获取或设置轴属性的边界方法（坐标的取值范围）
clf   ： 清除当前figure窗口          cla  ： 清除当前axes窗口
close      ： 关闭当前figure窗口
subplot    ： 一个图中包含多个axes
text（）： 在轴上添加文字
title（）： 设置当前axes标题
xlabel/ylabel：设置当前X轴或Y轴的标签
hist（）：绘制直方图
hist2d（）：绘制二维在直方图
hold      ：设置当前图窗状态；off或者on
imread（）：读取一个图像，从图形文件中提取数组
legend（）：为当前axes放置标签
pie（）：绘制饼状图
scatter（）：做一个X和Y的散点图，其中X和Y是相同长度的序列对象
stackplot（）：绘制一个堆叠面积图
acorr（）：绘制X的自相关函数
annotate（）：用箭头在指定的数据点创建一个注释或一段文本
bar（）：绘制垂直条形图        barh（）：绘制横向条形图
barbs（）：绘制一个倒钩的二维场

三、绘图步骤

1、Figure

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板才能开始绘图

def figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=Figure, clear=False, **kwargs)

import matplotlib.pyplot as plt
fig = plt.figure(figsize=(a, b),dpi=dpi)
#figsize 设置图形的大小，a 为图形的宽， b 为图形的高，单位为英寸
#dpi 为设置图形每英寸的点数

则此时图形的像素为：

px, py = adpi, bdpi # pixels

e.g.

6.4 inches * 100 dpi = 640 pixels

也就是说，同一像素尺寸的图形(比如 1200 * 600)可以有任意种不同的组合，比如：

figsize=(15,7.5), dpi= 80

figsize=(12,6) , dpi=100

figsize=( 8,4) , dpi=150

figsize=( 6,3) , dpi=200

2、Axes

在拥有Figure对象之后，需要添加Axes。也可以理解成为真正可以作画的纸。

添加Axes的方式：

方式一：通过plt的subplot。语法格式：plt.subplot(221)

方式二：通过figure的add_subplot。语法格式：ax1=fig.add_subplot(221)

方式三：通过plt的subplots。subplots返回的值的类型为元组，其中包含两个元素：第一个为一个画布，第二个是子图。这在循环绘图时，额外好用。语法格式：fig,subs=plt.subplots(2,2)

方式四：不规则划分。前面的两个图占了221和222的位置，如果想在下面只放一个图，得把前两个当成一列，即2行1列第2个位置。plt.subplot(212)

3、绘图属性设置

设置pyplot的动态rc参数

• pyplot使用rc配置文件来自定义图形的各种默认属性，被称为rc配置或rc参数。
• 在pyplot中几乎所有的默认属性都是可以控制的，例如视图窗口大小以及每英寸点数、线条宽度、颜色和样式、坐标轴、坐标和网格属性、文本、字体等。

查看matplotlib的rc参数：

import matplotlib as plt
print(plt.rc_params())

常用参数：
Axes：设置坐标轴边界、颜色、坐标
刻度值大小和网格的显示；
Figure：设置边界颜色、图形大小和子区；
Font：设置字号、字体和样式；
Grid：设置网格颜色和线型；
Legend：设置图例和其中的文本显示；
Lines：设置线条颜色、宽度、线型等；
Savefig：对保存图像进行单独设置；
Xtick和ytick：X、Y轴的主刻度和次刻度设置颜色、大小、方向和标签大小。

4、添加图表标题和坐标轴标题

• 设置中文标签

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号

• 设置图表标题和坐标轴标题

.title(label, fontdict=None, loc=’center’, pad=None) #label文本内容；fontdic图表标题的字体字号颜色；loc显示位置；pad图表标题到图表坐标系顶端的距离。

.xlabel/ylabel(label, fontdict=None, labelpad=None)

#添加图表标题
plt.title(label='对比图', fontdict={'family':'KaiTi', 'color':'red', 'size':30}, loc='left')
#添加x轴标题
plt.xlabel('month', fontdict={'family':'SimSun', 'color':'red', 'size':20}, labelpad=20)
#添加y轴标题
plt.ylabel('month', fontdict={'family':'SimSun', 'color':'red', 'size':20}, labelpad=20)

5、图例说明

plt.legend(loc, fontsize, facecolor, edgecolor, shadow=False) 用于为图表 添加图例。需要注意的是应先在所制作的图表中设置label图例名。

plt.legend(loc='upper right', fontsize=20)  #添加图例

6、绘图的注释

绘图时有时需要在图表中加文本注解。这时可以通过text函数在指定的位置（x,y）加入文本注解；

通过 annotate()在指定位置实现指向型注释。

• 指向型注释annotate()

• 无指向型注释text()

#添加注释 参数名xy：箭头注释中箭头所在位置，参数名xytext：注释文本所在位置，
#arrowprops在xy和xytext之间绘制箭头, shrink表示注释点与注释文本之间的图标距离

plt.annotate('我是注释', xy=(2,5), xytext=(2, 10),
            arrowprops=dict(facecolor='black', shrink=0.01))

for a, b in zip(x,y):
    plt.text(a, b, b, fontdict={'family':'KaiTi', 'color':'red', 'size':30})  # 添加数据标签

#zip()是python的内置函数，以可迭代的对象作为参数，将对象中对应的元素打包成一个元组，然后返回由这些元组组成的列表。语法格式：zip([iterable,…])

#text()是matplotlib模块中的函数，用于设置标签。
Text(x, y, s, fontdict=None)  x/y为标签的坐标，s为标签的内容，fontdict为字体设置

7、区间上下限

当绘画完成后，会发现X、Y轴的区间是会自动调整的，并不是跟我们传入的X、Y轴数据中的最值相同。为了调整区间我们使用下面的方式：

ax.set_xlim([xmin, xmax])   #设置X轴的区间
ax.set_ylim([ymin, ymax])   #Y轴区间
ax.axis([xmin, xmax, ymin, ymax])   #X、Y轴区间
ax.set_ylim(bottom=-10)     #Y轴下限
ax.set_xlim(right=25)       #X轴上限

8、绘图的填充

调用函数fill_between() 实现曲线下面部分的填充：

plt.fill_between(x, y1, y2, facecolor='green', alpha=0.3)

x：第一个参数表示覆盖的区域， x，表示整个x都覆盖
y1：表示覆盖的下限是y1这个曲线。可设为常数0，则在曲线下面部分填充
y2：表示覆盖的上限是y2这个曲线
facecolor：覆盖区域的颜色
alpha：覆盖区域的透明度[0,1],其值越大，表示越不透明

9、设置网格线

plt.grid(b, which, axis, color, linestyly, linewidth) b为True，显示网格线；which要设置哪种类型的网格线，取值为major、minor、both表示只设置主要网格线、只设置次要网格线、两者都设置；axis要设置哪个轴的网格线，取值为x、y、both；

10、区间分段

默认情况下，绘图结束之后，Axes 会自动的控制区间的分段。

data = [('apples', 2), ('oranges', 3), ('peaches', 1)]
fruit, value = zip(*data)

fig, (ax1, ax2) = plt.subplots(2)
x = np.arange(len(fruit))
ax1.bar(x, value, align='center', color='gray')
ax2.bar(x, value, align='center', color='gray')

ax2.set(xticks=x, xticklabels=fruit) #设置x轴值的顺序，并修改了显示的信息为文本

#ax.tick_params(axis='y', direction='inout', length=10) #修改 ticks 的方向以及长度
plt.show()

11、布局

当我们绘画多个子图时，就会有一些美观的问题存在，例如子图之间的间隔，子图与画板的外边间距以及子图的内边距，下面说明这个问题：

fig, axes = plt.subplots(2, 2, figsize=(9, 9))
fig.subplots_adjust(wspace=0.5, hspace=0.3,
                    left=0.125, right=0.9,
                    top=0.9,    bottom=0.1)

#fig.tight_layout() #自动调整布局，使标题之间不重叠
plt.show()

通过fig.subplots_adjust()我们修改了子图水平之间的间隔wspace=0.5，垂直方向上的间距hspace=0.3，左边距left=0.125 等等，这里数值都是百分比的。以 [0, 1] 为区间，选择left、right、bottom、top 注意 top 和 right 是 0.9 表示上、右边距为百分之10。不确定如果调整的时候，fig.tight_layout()是一个很好的选择。之前说到了内边距，内边距是子图的，也就是 Axes 对象，所以这样使用 ax.margins(x=0.1, y=0.1)，当值传入一个值时，表示同时修改水平和垂直方向的内边距。

调整X、Y的区间使他们使用一样的X、Y轴：

fig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True)

12、轴相关

改变边界的位置，去掉四周的边框：

fig, ax = plt.subplots()
ax.plot([-2, 2, 3, 4], [-10, 20, 25, 5])
ax.spines['top'].set_visible(False)     #顶边界不可见
ax.xaxis.set_ticks_position('bottom')  # ticks 的位置为下方，分上下的。
ax.spines['right'].set_visible(False)   #右边界不可见
ax.yaxis.set_ticks_position('left')

"outward"
移动左、下边界离 Axes 10 个距离
#ax.spines['bottom'].set_position(('outward', 10))
#ax.spines['left'].set_position(('outward', 10))

"data"
移动左、下边界到 (0, 0) 处相交
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))

"axes"
移动边界，按 Axes 的百分比位置
#ax.spines['bottom'].set_position(('axes', 0.75))
#ax.spines['left'].set_position(('axes', 0.3))

plt.show()

四、基本绘图2D

1、线图

plt.plot()函数

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。

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。

2、散点图

x = np.arange(10)
y = np.random.randn(10)
plt.scatter(x, y, color='red', marker='+')
plt.show()

3、条形图

条形图分两种，一种是水平的，一种是垂直的

np.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()

4、直方图

plt.hist()：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：

np.random.seed(19680801)
n_bins = 10
x = np.random.randn(1000, 3)

fig, axes = plt.subplots(nrows=2, ncols=2)
ax0, ax1, ax2, ax3 = axes.flatten() #将ax由n*m的Axes组展平成1*nm的Axes组，从而可以直接使用ax[i]来循环

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。

5、饼图

plt.pie(x, explode, labels, colors, autopct, pctdistance, shadow, labeldistance, startangle, radius, counterclock, center, frame)

x饼图块的数据系列值；explode一个列表，指定每一个饼图块与圆心的距离；labels每一个饼图块的数据标签内容；colors每一个饼图块的填充颜色；autopct每个饼图块百分比数值的格式；pctdistance百分比数值与饼图块中心的距离；startangle数据的第一值对应的饼图块在饼图中的初始角度；radius饼图的半径；counterclock是否让饼图逆时针显示；center饼图的中心位置；frame是否显示饼图背后的图框

在plt.pie()函数适当设置参数wedgeprops的值，就能制作圆环图。

plt.pie(y, labels=x, autopct='%.2f%%',pctdistance=0.85, radius=1.0, labeldistance=1.1, wedgeprops={'width':0.3, 'linewidth':2, 'edgecolor':'white'})

6、箱型图

plt.boxplot(data,vert=False) #vert控制方向，默认True，垂直方向。False，水平方向。

7、气泡图

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。

np.random.seed(19680801)

N = 50
x = 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 radii

plt.scatter(x, y, s=area, c=colors, alpha=0.5)
plt.show()

8、等高线（轮廓图）

有时候需要描绘边界的时候，就会用到轮廓图，机器学习用的决策边界也常用轮廓图来绘画，见下例：

fig, (ax1, ax2) = plt.subplots(2)
x = np.arange(-5, 5, 0.1)
y = np.arange(-5, 5, 0.1)
xx, yy = np.meshgrid(x, y, sparse=True)
z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2)
ax1.contourf(x, y, z)
ax2.contour(x, y, z)

上面画了两个一样的轮廓图，contourf会填充轮廓线之间的颜色。数据x, y, z通常是具有相同 shape 的二维矩阵。x, y 可以为一维向量，但是必需有 z.shape = (y.n, x.n) ，这里 y.n 和 x.n 分别表示x、y的长度。Z通常表示的是距离X-Y平面的距离，传入X、Y则是控制了绘制等高线的范围。

9、制作组合图表

在制作组合图表时，只需要为图表设置两组x坐标或两组y坐标，然后制作两个图表即可。

plt.bar(x, y1, label='num')
plt.legend(loc='upper left', fontsize=20)  #添加图例
plt.twinx()  #为图表设置双坐标轴
plt.bar(x, y2, label='%')
plt.legend(loc='upper right', fontsize=20)  #添加图例

参考文章：

Python–Matplotlib（基本用法）

python如何使用Matplotlib画图（基础篇）

【Python数据分析与可视化】期末复习笔记整理（不挂科）

Original: https://blog.csdn.net/m0_64336020/article/details/121993140
Author: python-小卒
Title: Python模块之Matplotlib模块学习笔记