Python：Matplotlib笔记

写在前面

写本系列的目的(自用)是回顾已经学过的知识、记录新学习的知识或是记录心得理解，方便自己以后快速复习，减少遗忘。所有的内容来自于B站的爆肝杰哥，可以去看他的视频和课件，做的很好。MatPlotlib只学习了其核心模块pyplot。

一、绘图基础

Matplotlib 库太大，画图通常仅仅使用其中的核心模块 matplotlib.pyplot，并给其一个别名 plt，即 import matplotlib.pyplot as plt。

1、绘制图像

现在看一个简单的绘图示例：

import matplotlib.pyplot as pltfig1 = plt.figure() # 创建新图窗x =  [ 1, 2, 3, 4, 5 ] y = [ 1, 8, 27, 64, 125 ]plt.plot(x, y) #先描点，再连线plt.show() #显示图像

其中，plot()用于绘制线图和散点图。plt.figure()用于创建新图窗，plt.show()用于显示图像。上面这段代码就绘制了一个指定图像。

2、保存图像

如果要保存图像，可以用.savefig()方法，其中需要一个r字符串来表示保存路径。保存路径必须使用绝对路径。

例如，如果要保存到桌面，绝对路径即：C:\Users\用户名\Desktop。此外，可保存的图形的格式很多，包括：eps、jpg、pdf、png、ps、svg 等。为了保存清晰的图，推荐保存至 svg 矢量格式，即：

fig1.savefig(r'C:\Users\Shuangjiang\Desktop\我的图.svg')

保存为 svg 格式后，可直接拖至 Word 或 Visio 中，即可显示高清矢量图。

3、两种画图方式

Matplotlib 中有两种画图方式：Matlab 方式和面向对象方式。这里先展示两种方式，由于使用习惯，后续会默认使用Matlab方式。

import matplotlib.pyplot as pltx =  [ 1, 2, 3, 4, 5 ]y = [ 1, 8, 27, 64, 125 ]'''
Matlab方式
'''
fig1 = plt.figure()
plt.plot(x, y)'''
面向对象方式
'''
fig2 = plt.figure()
ax2 = plt.axes()   # 这里在创建坐标轴
ax2.plot(x, y)plt.show()

二、多图形绘制 

1、绘制多线条

在同一个图窗内绘制多线条，可以像这样：

plt.plot(x, y1)

plt.plot(x, y2)

让y1和y2的数据共享同一个x，自然就在一个图形上展示了多线条。

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ] # 数据的 y3 值Fig1 = plt.figure()
plt.plot(x,y1)
plt.plot(x,y2)
plt.plot(x,y3)plt.show()

绘制出的图像如图所示：

2、绘制多子图

绘制多子图时，使用subplot函数。 subplot(row, col, index)的三个参数含义为：

1、row：子图的行数

2、col：子图的列数

3、index：当前子图的索引(从1开始，按行优先排序)

代码里使用了subplot(3, 1, x)，表示子图的排布方式是三行一列

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ] # 数据的 y3 值Fig1 = plt.figure()
plt.subplot(3,1,1), plt.plot(x,y1)
plt.subplot(3,1,2), plt.plot(x,y2)
plt.subplot(3,1,3), plt.plot(x,y3)plt.show()

最终绘制出的图像是：

三、图表类型 

 plt 提供 5 类基本图表，分别是二维图、网格图、统计图、轮廓图、三维图。

1、二维图

二维图有以下几种：

 这里只对常用的二维图进行介绍：

(1)plot

plot的基本用法是plot(x, y)，也可以不传入x，那么x就会根据y的值来设置为0， 1， 2，...

plot()函数含 color 参数，可以设置线条的颜色。

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 0, 1, 2, 3, 4 ] # 数据的 y1 值
y2 = [ 1, 2, 3, 4, 5 ] # 数据的 y2 值
y3 = [ 2, 3, 4, 5, 6 ] # 数据的 y3 值
y4 = [ 3, 4, 5, 6, 7 ] # 数据的 y4 值
y5 = [ 4, 5, 6, 7, 8 ] # 数据的 y5 值Fig1 = plt.figure()
plt.plot(x, y1, color='#7CB5EC')
plt.plot(x, y2, color='#F7A35C')
plt.plot(x, y3, color='#A2A2D0')
plt.plot(x, y4, color='#F6675D')
plt.plot(x, y5, color='#47ADC7')plt.show()

运行后得到图像：

 上示例中，颜色以十六进制存储。除了设置颜色外，plot还可以设置线条的风格与粗细，其中，使用linestyle参数可设置风格，linewidth可设置粗细：

plt.plot(x, y1, linestyle='-', linewidth=0.5)
plt.plot(x, y2, linestyle='--', linewidth=1)
plt.plot(x, y3, linestyle='-.', linewidth=1.5)
plt.plot(x, y4, linestyle=':', linewidth=2)
plt.plot(x, y5, linestyle=' ', linewidth=1)

在设置线条风格时，'-'表示实线，'--'表示虚线，'-.'表示点虚线，':'表示点线，' '表示隐藏该线条。所以，当线条风格设置为‘o’时，就可以用plot绘制散点图。

在设置线条粗细时，数字表示磅数，一般以 0.5 至 3 为宜。

 此外，plot函数的marker参数还可以设置线条的标记，标记的尺寸可用markersize参数调整：

Fig1 = plt.figure()
plt.plot(x, y1, color='#7CB5EC', linestyle='-', linewidth=2, marker='o', markersize=6)
plt.plot(x, y2, color='#F7A35C', linestyle='--', linewidth=2, marker='^', markersize=6)
plt.plot(x, y3, color='#A2A2D0', linestyle='-.', linewidth=2, marker='s', markersize=6)
plt.plot(x, y4, color='#F6675D', linestyle=':', linewidth=2, marker='D', markersize=6)
plt.plot(x, y5, color='#47ADC7', linestyle=' ', linewidth=2, marker='o', markersize=6)

(2)scatter 

scatter()专门用于绘制散点图。基本语法是scatter(x, y)

import matplotlib.pyplot as plt
import numpy as npx = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([1, 4, 9, 16, 7, 11, 23, 18])plt.scatter(x, y)
plt.show()

 同样的，scatter也能传入参数进行相关设置。例如，

参数s可以改变点的大小默认20，

参数c可以改变点的颜色，默认蓝色'b'

参数marker可以改变点的样式，默认'o'

参数alpha可以改变点的透明度，等

 2、网格图

 网格图有以下几种：

现在来介绍imshow()函数。imshow()是用于显示图像数据的核心函数，它能将二维数组（或三维数组）以图像的形式可视化。它将数值矩阵映射为像素颜色。

plt.imshow(X, cmap=None)

其中，X是图像数据，可以传入二维或三维数组。

1、二维数组（shape=(M, N)）：表示灰度图，每个元素对应一个像素的亮度。数值范围通常为[0, 255]（整数）或者[0, 1]（浮点数）

2、三维数组（shape=(M, N, 3)）：表示 RGB 彩色图，最后一维为红、绿、蓝三个通道。

3、三维数组（shape=(M, N, 4)）：还包含 alpha 通道（透明度）。

cmap是颜色映射表，用于将数值映射为颜色。默认使用viridis，表示蓝绿黄橙渐变，gray是灰度映射，jet是蓝青绿黄红渐变，hot是黑→红→黄→白，cool是青→紫渐变。

此外，还可以用plt.colorbar()显示颜色条。

下面来看一段代码：

import matplotlib.pyplot as plt
import numpy as npx = np.linspace(0,10,1000)
I = np.sin(x) * np.cos(x).reshape(-1,1)Fig1 = plt.figure()
plt.imshow(I)
plt.show()

其中，np.linspace是Numpy中用于生成等差数列的函数。np.linspace(start, stop, num)，其中start是序列的起始值，stop是序列的终止值，num是生成的样本数量(默认50)。

以上代码得到的结果是：

3、统计图 

统计图使用的是hist()函数。hist 则是统计学的函数，是为了看清某分布的均值与标准差。使用方式是：plt.hist(data)

import matplotlib.pyplot as plt
import numpy as npdata = np.random.randn( 10000 )Fig1 = plt.figure()
plt.hist( data )
plt.show()

可用bins参数来划分区间的数量，默认值为10：

plt.hist( data, bins = 30 )

可得到下图：

 还可使用alpha参数改变透明度，默认为1；参数color改变颜色，edgecolor改变边缘颜色：

plt.hist( data, alpha=0.5 ,color='#A2A2D0',edgecolor='#FFFFFF')

最后，可以用histtype改变类型。默认的类型是bar，这样的直方图放大后看之间有间隙，改为stepfilled后，图形浑然一体：

plt.hist( data, histtype='stepfilled')

四、图窗属性

1、坐标轴上下限

尽管 Matplotlib 会自动调整图窗为最佳的坐标轴上下限，但很多时候仍需手动设置，才能适应当时的情况。设置坐标轴上下限有两种方法：lim 法与 axis 法。

(1)lim法

可使用plt.xlim和plt.ylim分别设置x、y轴的上下限：

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值Fig1 = plt.figure()
plt.plot(x,y)
plt.xlim(1,5)
plt.ylim(1,125)
plt.show()

运行得：

 (2)axis法

plt.axis([1, 5, 1, 125])

此外，还可以使用

plt.axis('equal')

使 x 轴与 y 轴的比例达到 1:1，长度等长。

2、标题与轴名称

标题使用plt.title()，轴名称分别使用plt.xlabel()、plt.ylabel()。

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值Fig1 = plt.figure()
plt.plot(x,y)
plt.title('This is the title.')
plt.xlabel('This is the xlabel')
plt.ylabel('This is the ylabel')
plt.show()

3、图例 

图例可使用plt.legend()添加，除此之外，还需要使用plot的label参数。如果不想展示某些线条的图例，只需要去除该函数中的label关键字。

legend 有三个常用的关键字参数：loc、frameon 和 ncol。

1、loc：用于表示图例位置，该关键字在 upper、center、lower 中选一个，在left、center、right 中选一个，用法如 loc='upper right'，表示图例放在右上方，也可以 loc='best'，编译器挑选最好的位置。

2、frameon：用于表示图例边框，去边框是 frameon=False

3、ncol：用于表示图例的列数，默认是 1 列，也可以通过 ncol=2 调为 2 列。

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ]Fig1 = plt.figure()
plt.plot(x, y1, label='y=x')
plt.plot(x, y2, label='y=0')
plt.plot(x, y3, label='y=-x')
plt.legend()
plt.show()

 运用legend参数，如loc：

plt.legend(loc = 'lower center')

图例的位置就发生了改变： 

 4、网格

可以使用plt.grid()函数给图像加上网格。同样的，grid()函数也有color和linestyle两个参数来更改颜色和样式，与plot一致。

import matplotlib.pyplot as pltx = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ]Fig1 = plt.figure()
plt.plot(x, y1)
plt.plot(x, y2)
plt.plot(x, y3)
plt.grid(color='#000000',linestyle='--')
plt.show()

得到图像：