Matplotlib是 Python 最著名的2D绘图库，提供了丰富的数据绘图工具，主要用于绘制一些统计图形。Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。

相信初接触matplotlib肯定会有些困惑，同样一个目标有多个解决方案，有人用plt.xx，有人用ax.xx，对小白及其不友好，照葫芦画瓢搞出来了，但不明白为什么，写出来的代码很混乱。下次遇到问题依然一头雾水。我也是这样，所以，花时间读了很多文章，整理了一下知识点，入门够用了。另，涉及到的文章都贴出了链接，可以一并阅读，加深理解。

matplotlib架构

matplotlib的架构分为以下三层

Scripting (脚本)层

Artist (表现)层。拥有许多可视化元素，如figure、axes、axis等元素。

Backend (后端)层。包含 pyplot 和 pylab 模块(已弃用，不推荐)

它们之间的访问关系是：

Scripting 访问 Artist， Artist 访问 Backend

理论上各层都可以画出相同的图形，但越底层的操作越细节越困难，越高层越易于人机交互，越容易。也就是说上层是下层的封装，把一些不需要打交道的事情封装好，实际画图只关心效果即可。

matplotlib两种绘图API

在Matplotlib库中提供了两种风格的API供开发者使用。这也就是为什么有人用plt.xx，有人用ax.xx的原因。好的代码应该坚持使用一种风格，否则会显得混乱，阅读起来困难，不利于维护。

Pyplot编程接口(state-based)不推荐

面向对象的编程接口(object-based)推荐

之前有三种api，还有一种pylab api，模仿matlab的工作方式，但大量导入全局命名方式导致意外行为，被认为是糟糕的风格，matplotlib最新版中已弃用此方式。理解matplotlib、pylab与pyplot之间的关系

另外，pandas自带的df.plot()方法也可以绘制简单的图形，它是使用matplotlib库的plot()方法的简单包装实现的。最好不要用，pandas作为数据分析来用，绘图就交给matplotlib等专业的绘图库来做。下文也介绍一下，下次看到这种解决方案可以心中有数，不迷惑。

matplotlib图像的结构

matplotlib_PartsOfAFugure_2021_01_16

在matplotlib中，整个图像为一个Figure对象，相当于画板。在Figure对象中可以包含一个或者多个Axes对象(画纸)。每个Axes(ax)对象都是一个拥有自己坐标系统axis的绘图区域。

以两个例子来介绍两种方法的使用。下面两幅图分别用pyplot编程接口和面向对象编程接口实现。单子图、多子图都涉及到了，用法在代码里表达的很清楚了。

单子图柱状图

matplotlib_两种绘图api比较示例_单子图_2021_01_18

多子图柱状图

matplotlib_两种绘图api比较示例_多子图_2021_01_18

一些其他图形如折线图、散点图、饼图等跟示例的柱状图大同小异，各种参数自行学习。不容错过的Matplotlib常见用法小结 非常全面的Matplotlib画图方法、Matplotlib 1.4W+字教程的图形绘制部分

plot 折线图

bar 柱状图

barh 条形图

hist 直方图

pie 饼图

boxplot 箱形图

scatter 散点图

polar 极坐标图

Pyplot编程接口(state-based)不推荐

Pyplot封装了底层的绘图函数提供了一种绘图环境，当使用plt.xx绘制图形的时候，默认的Figure以及Axes等对象会自动创建以支持图形的绘制。此方式屏蔽了一些底层通用的绘图对象的创建细节，书写简洁。另外，pyplot是有状态的，亦即它会保存当前图片和作图区域的状态，新的作图函数会作用在当前图片的状态基础之上，代码的位置要注意。遇到一些比较复杂的图时不方便。官方推荐使用面向对象方式绘图。

import numpy as np

import matplotlib.pyplot as plt

准备数据

dog = (20, 28, 22, 30)

cat = (25, 32, 20, 27)

ind = np.arange(len(dog)) # 生成0-3的数组，用于x轴刻度值

quarter = [‘一季度’,’二季度’,’三季度’,’四季度’]

width = 0.35 # 图形柱的宽度

一个子图

绘图

x的位置调节好，不然两个柱会重叠

plt.bar(ind – width/2, dog, width, label=’Dog’)

plt.bar(ind + width/2, cat, width, label=’Cat’)

调节组件

plt.ylabel(‘销售额(万)’)

plt.title(‘各季度猫狗产业销售额’)

plt.xticks(ind,quarter)

plt.legend(loc=2)

保存图形

plt.savefig(‘matplotlib_pyplot方式单子图.png’)

多个子图。有状态，细节调整需在各个subplot内调节

绘图 第一个子图

plt.subplot(121) #1行2列，占用第一个

plt.bar(ind, dog, width, color=’dodgerblue’, label=’Dog’)

调节组件

plt.ylabel(‘销售额(万)’)

plt.title(‘各季度狗产业销售额’)

plt.xticks(ind,quarter)

绘图 第二个子图

plt.subplot(122) #1行2列，占用第二个

plt.bar(ind, cat, width, color=’darkorange’, label=’Cat’)

调节组件

plt.ylabel(‘销售额(万)’)

plt.title(‘各季度猫产业销售额’)

plt.xticks(ind,quarter)

保存图形

plt.savefig(‘matplotlib_pyplot方式多子图.png’)

交互展示

plt.show()

面向对象的编程接口(object-based)推荐

面向对象的绘图方式主要使用matplotlib的两个子类：matplotlib.figure.Figure和matplotlib.axes.Axes。我们需要自己创建figure(画板)，axes(画纸)。画板(figure)为matplotlib.figure.Figure的一个实例，每个子图(画纸，axes)为matplotlib.axes.Axes的一个实例，分别可以继承父类的所有方法，也就是说你绘图时，你想设置的元素(网格线啊，坐标刻度啊等)都可以在二者的属性中找出来使用。使用面向对象编程接口有利于我们对于图形绘制的完整控制，处理复杂图形更有优势。但是相对于Pyplot接口可能需要书写更多的代码。

import numpy as np

import matplotlib.pyplot as plt

准备数据

dog = (20, 28, 22, 30)

cat = (25, 32, 20, 27)

ind = np.arange(len(dog)) # 生成0-3的数组，用于x轴刻度值

quarter = [‘一季度’,’二季度’,’三季度’,’四季度’]

width = 0.35 # 图形柱的宽度

一个子图

绘图

fig, ax = plt.subplots() # 实例画板fig画纸ax

x的位置调节好，不然两个柱会重叠

ax.bar(ind – width/2, dog, width, label=’Dog’)

ax.bar(ind + width/2, cat, width, label=’Cat’)

调节组件

ax.set_ylabel(‘销售额(万)’)

ax.set_title(‘各季度猫狗产业销售额’)

ax.set_xticks(ind)

ax.set_xticklabels(quarter)

ax.legend(loc=2)

保存图形

fig.savefig(‘matplotlib_两种绘图api比较示例_单子图.png’)

多个子图。无状态，ax[0]，ax[1]代表各子图

绘图

fig, ax = plt.subplots(1,2) #(1,2)代表1行2列两个区域

设置图形对象 ：窗口

ax[0]代表第一个子图，ax[1]代表第二个子图

ax[0].bar(ind, dog, width, color=’dodgerblue’, label=’Dog’)

ax[1].bar(ind, cat, width, color=’darkorange’, label=’Cat’)

调节组件

ax[0].set_ylabel(‘销售额(万)’)

ax[0].set_title(‘各季度狗产业销售额’)

ax[0].set_xticks(ind)

ax[0].set_xticklabels(quarter)

ax[1].set_ylabel(‘销售额(万)’)

ax[1].set_title(‘各季度猫产业销售额’)

ax[1].set_xticks(ind)

ax[1].set_xticklabels(quarter)

保存图形

fig.savefig(‘matplotlib_两种绘图api比较示例_多子图.png’)

交互展示

plt.show() # 面向对象接口不能使用交互式的show()方法对图像直接进行显示。如果想交互显示，需要用pyplot方式

pandas自带df.plot()方法 不要用

pandas自带的df.plot()方法也可以绘制简单的图形，它是使用matplotlib库的plot()方法的简单包装实现的。最好不要用，pandas作为数据分析来用，绘图就交给matplotlib等专业的绘图库来做。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

准备数据

dog = (20, 28, 22, 30)

cat = (25, 32, 20, 27)

data = {

‘Dog’: dog,

‘Cat’: cat}

ind = np.arange(len(dog)) # 生成0-3的数组，用于x轴刻度值

quarter = [‘一季度’,’二季度’,’三季度’,’四季度’]

width = 0.35 # 图形柱的宽度

生成DataFrame

df = pd.DataFrame(data,index=ind)

df.plot()方法绘图。kind代表绘图类型

ax = df.plot(kind=’bar’)

调节组件

ax.set_ylabel(‘销售额(万)’)

ax.set_title(‘各季度猫狗产业销售额’)

ax.set_xticks(ind)

ax.set_xticklabels(quarter)

ax.legend(loc=2)

交互展示

plt.show()

matplotlib_两种绘图api比较示例_单子图_2021_01_18

matplotlib组件详解

在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域。

matplotlib的图的构成元素

matplotlib_AnatomyOfAFigure_2021_01_16

坐标轴(axis)

坐标轴名称(axis label)

坐标轴刻度(tick)

坐标轴刻度标签(tick label)

坐标轴边界(lim)

网格线(grid)

图例(legend)

标题(title)

边框(spine)

中文乱码、负号显示

设置标题 ax.set_title()

单子图用ax.，多子图用ax[].

ax.set_title(‘标题’,fontdict={‘size’:16},loc = ‘left’) #设置16px的字体大小，将标题显示在左侧

设置边框(spine) ax.spines

默认图表中会显示上下左右四条spine，可根据需要设置为不显示

ax.spines[‘right’].set_visible(False) #去除右边的spines

ax.spines[‘bottom’].set_color(‘r’) #设置底部的spines为红色

设置坐标轴相关

设置坐标轴名称

ax.set_xlabel(‘季度’,fontsize=16)

ax.set_xlabel(‘销售额’,fontsize=16)

设置坐标轴刻度标签

更改刻度标签。此例将0，1，2，3更改为一季度，二季度，三季度，四季度

ax.set_xticks(ind)

ax.set_xticklabels(quarter)

设置刻度标签属性

axis : 可选{‘x’, ‘y’, ‘both’} ，选择对哪个轴操作，默认是’both’

labelsize设置刻度标签的大小

direction{‘in’, ‘out’, ‘inout’}刻度线的方向

color : 刻度线的颜色

labelcolor : 刻度值颜色

ax.tick_params(axis = ‘y’, labelsize=14,direction=’in’,labelcolor=’r’)

设置刻度间隔

从pyplot导入MultipleLocator类，这个类用于设置刻度间隔

from matplotlib.pyplot import MultipleLocator

把x轴的刻度间隔设置为1，并存在变量里

x_major_locator=MultipleLocator(1)

把y轴的刻度间隔设置为10，并存在变量里

y_major_locator=MultipleLocator(10)

把x轴的主刻度设置为1的倍数

ax.xaxis.set_major_locator(x_major_locator)

把y轴的主刻度设置为10的倍数

ax.yaxis.set_major_locator(y_major_locator)

设置坐标轴边界

ax.set_xlim([0,12]) # x轴边界

ax.set_ylim([0,50]) # y轴边界

设置图例 ax.legend()

图例是对图形所展示的内容的解释，比如在一张图中画了三条线，那么这三条线都代表了什么呢？这时就需要做点注释。

两种方式设置图例

第一种

绘图的时候加上label,之后调用ax.legend()

ax.bar(ind – width/2, dog, width, label=’Dog’)

ax.bar(ind + width/2, cat, width, label=’Cat’)

ax.legend()

第二种

使用ax.legend()按顺序设置好图例

ax.bar(ind – width/2, dog, width)

ax.bar(ind + width/2, cat, width)

ax.legend([‘Dog’,’Cat’])

图例位置

loc参数用来规定图例的位置

如：将图例放在左上角：ax.legend(loc=2)

图例各位置如下

0: ‘best’

1: ‘upper right’

2: ‘upper left’

3: ‘lower left’

4: ‘lower right’

5: ‘right’

6: ‘center left’

7: ‘center right’

8: ‘lower center’

9: ‘upper center’

10: ‘center’

设置网格线 ax.grid()

网格线多用于辅助查看具体的数值大小，横纵坐标都可以设置相应的网格线，视具体情况而论。

b参数设置是否显示网格

linestyle：线型

color：颜色

linewidth：宽度

axis：x，y，both，显示x/y/两者的格网。默认both

ax.grid(b = True, linestyle = “–“,color = “gray”, linewidth = “0.5”,axis = ‘y’)

设置背景颜色

设置整个图像背景颜色

fig.set_facecolor(‘white’)

设置某个子图背景颜色

ax.set_facecolor(‘white’)

保存图像 fig.savefig

保存图像的时候可以设置分辨率

fig.savefig(‘xxx.png’,dpi=300)

交互展示 ax.show()

显示最终绘制的图像

ax.show()

Original: https://blog.csdn.net/weixin_39588419/article/details/113673134
Author: weixin_39588419
Title: python画图网格线设置_Matplotlib可视化入门，看这一篇就够了