原文链接：
介绍
Matplotlib 可能是使用最广泛的 Python 二维绘图包。 它允许用户轻松绘制数据图形并提供多种输出格式。 此处将探讨 matplotlib 的常见用途。
IPython 和 pylab 模式
IPython 是 Python 的增强版本。 它在以下方面得到了增强：命名输入和输出、使用系统命令（shell 命令）和调试（debug）功能。 我们在命令行终端给IPython加上参数-pylab（0.12以后版本为-pylab）后，就可以像Matlab或者Mathematica一样进行交互式绘图了。
实验室
pylab 是 matplotlib 面向对象绘图库的接口。 它的语法与 Matlab 非常相似。 也就是说，它的主要绘图命令与Matlab的相应命令有相似的参数。
初级绘图
在本节中matlab设置坐标轴范围和间隔，我们将从简单到复杂：首先尝试使用默认配置在同一个图形上绘制正余弦函数图像，然后逐步美化它。
第一步是获取正弦和余弦函数的值：
1from pylab import *
2X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
3C,S = np.cos(X), np.sin(X)
X 是一个 numpy 数组，包含 256 个从 −π−π 到 +π+π 等距的值。 C和S是由分别对应这256个值的余弦和正弦函数值组成的numpy数组。
你可以在IPython的交互模式下测试代码，也可以下载代码（下载链接就是这些示例图片），然后执行：
1python exercise_1.py
使用默认配置
Matplotlib 的默认配置允许用户自定义。 您可以调整大多数默认配置：图像大小和分辨率 (dpi)、线宽、颜色、样式、轴、坐标轴和网格属性、文本和字体属性等。但是，matplotlib 的默认配置在大多数情况下都做得足够好情况下，可能只有少数情况下您会想要更改这些默认配置。
1from pylab import *
2X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
3C,S = np.cos(X), np.sin(X)
4plot(X,C)
5plot(X,S)
6show()
默认配置的具体内容
在下面的代码中，我们通过注释展示了 matplotlib 的默认配置。 这部分配置包含了所有与绘图风格相关的配置。 代码中的配置与默认配置完全一致，可以在交互模式下修改数值观察效果。
1# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用）
2from pylab import *
3# 创建一个 8 * 6 点（point）的图，并设置分辨率为 80
4figure(figsize=(8,6), dpi=80)
5# 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块）
6subplot(1,1,1)
7X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
8C,S = np.cos(X), np.sin(X)
9# 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条
10plot(X, C, color="blue", linewidth=1.0, linestyle="-")
11# 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条
12plot(X, S, color="green", linewidth=1.0, linestyle="-")
13# 设置横轴的上下限
14xlim(-4.0,4.0)
15# 设置横轴记号
16xticks(np.linspace(-4,4,9,endpoint=True))
17# 设置纵轴的上下限
18ylim(-1.0,1.0)
19# 设置纵轴记号
20yticks(np.linspace(-1,1,5,endpoint=True))
21# 以分辨率 72 来保存图片
22# savefig("exercice_2.png",dpi=72)
23# 在屏幕上显示
24show()
更改线条的颜色和粗细
首先，我们分别用蓝色和红色表示余弦和正弦函数，然后将线条加粗一些。 接下来，我们水平拉伸整个图形。
1...
2figure(figsize=(10,6), dpi=80)
3plot(X, C, color="blue", linewidth=2.5, linestyle="-")
4plot(X, S, color="red", linewidth=2.5, linestyle="-")
5...
设置图片边框
目前的图片边框设置不好，所以有些地方不是很清晰。
1...
2xlim(X.min()*1.1, X.max()*1.1)
3ylim(C.min()*1.1, C.max()*1.1)
4...
更好的方法是这样的：
1xmin ,xmax = X.min(), X.max()
2ymin, ymax = Y.min(), Y.max()
3dx = (xmax - xmin) * 0.2
4dy = (ymax - ymin) * 0.2
5xlim(xmin - dx, xmax + dx)
6ylim(ymin - dy, ymax + dy)
设置标记
当我们讨论正弦和余弦函数时，我们通常想知道函数在±π±π和±π2±π2处的值。 看起来当前的设置不太理想。
1...
2xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
3yticks([-1, 0, +1])
4...
设置刻度的标签
标记现在很好，但标签不符合预期。 我们可以把 3.1423.142 想象成 ππ，但不够精确。 我们在设置marker的时候，也可以设置marker的label。 请注意，这里使用的是 LaTeX。
1...
2xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
3 [r $-pi$ , r $-pi/2$ , r $0$ , r $+pi/2$ , r $+pi$ ])
4yticks([-1, 0, +1],
5 [r $-1$ , r $0$ , r $+1$ ])
6...
移动脊柱
坐标轴和上面的标记组成了spine（Spines，一条线段上有一连串的突起，是不是很像spine~），记录了数据区域的范围。 它们可以放在任何地方，但到目前为止我们已经把它们放在了图的四个边上。
每个图像中实际上有四个书脊（顶部、底部、左侧和右侧）。 为了使书脊位于图像的中间，我们必须将其中两个（上和右）设置为无色，然后将其余两个调整到合适的位置。 – 数据空间中的点 0。
1...
2ax = gca()
3ax.spines[ right ].set_color( none )
4ax.spines[ top ].set_color( none )
5ax.xaxis.set_ticks_position( bottom )
6ax.spines[ bottom ].set_position(( data ,0))
7ax.yaxis.set_ticks_position( left )
8ax.spines[ left ].set_position(( data ,0))
9...
添加图例
我们在图的左上角添加了一个图例。 为此，我们只需要在绘图函数中添加一个“键值”形式的参数。
1...
2plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")
3plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")
4legend(loc= upper left )
5...
注释一些特殊的点
我们要在 2π/32π/3 位置标注两条函数曲线。 首先，我们在相应的函数图像位置上画一个点； 然后，在水平轴上画一条垂直线，并用虚线标记； 最后，写一个标签。
1...
2t = 2*np.pi/3
3plot([t,t],[0,np.cos(t)], color = blue , linewidth=2.5, linestyle="--")
4scatter([t,],[np.cos(t),], 50, color = blue )
5annotate(r $sin(rac{2pi}{3})=rac{sqrt{3}}{2}$ ,
6 xy=(t, np.sin(t)), xycoords= data ,
7 xytext=(+10, +30), textcoords= offset points , fontsize=16,
8 arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
9plot([t,t],[0,np.sin(t)], color = red , linewidth=2.5, linestyle="--")
10scatter([t,],[np.sin(t),], 50, color = red )
11annotate(r $cos(rac{2pi}{3})=-rac{1}{2}$ ,
12 xy=(t, np.cos(t)), xycoords= data ,
13 xytext=(-90, -50), textcoords= offset points , fontsize=16,
14 arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
15...
精益求精
坐标轴上的刻度标签被曲线挡住了，这对于一个强迫症患者来说是难以忍受的（雾）。 我们可以使它们更大并添加白色半透明底色。 这确保了标签和曲线同时可见。
1...
2for label in ax.get_xticklabels() + ax.get_yticklabels():
3 label.set_fontsize(16)
4 label.set_bbox(dict(facecolor= white , edgecolor= None , alpha=0.65 ))
5...
图形、子图、轴和刻度
到目前为止，我们已经使用隐式方法绘制图像和坐标轴。 这对于快速绘图很方便。 我们还可以显式控制图像、子图和轴。 Matplotlib 中的“图像”是指用户界面所见的整个窗口内容。 图像内部有所谓的“子图像”。 子图的位置由坐标格决定，但“坐标轴”不受此限制，可以放在图像的任意位置。 我们已经隐含地使用了图像和子图：当我们调用 plot 函数时matlab设置坐标轴范围和间隔，matplotlib 调用 gca() 函数和 gcf() 函数来获取当前坐标轴和图像； 如果无法获取图像，它会调用 figure() 函数来创建一个 – 严格来说，subplot(1,1,1) 来创建只有一个子图的图。
图像
所谓的“图像”就是 GUI 中那些标题为“Figure #”的窗口。 图片编号从1开始，与MATLAB的风格一致，区别于Python的从0开始的风格。 以下参数是图像的属性：
这些默认值可以在源文件中指定。 但是，除了图像数量这个参数，其余的参数很少被修改。
您可以按 GUI 右上角的 X 关闭窗口（OS X 系统为左上角）。 Matplotlib 还提供了一个名为 close 的函数来关闭这个窗口。 close 函数的具体行为取决于您提供的参数：
与其他对象一样，您可以使用 setp 或 set_something 等方法设置图像的属性。
子图
您可以使用子图将图放置在统一的坐标网格上。 使用 subplot 函数时，需要指定网格的行数和列数，以及要将绘图放置在哪个网格区域。 另外gridspec的功能比较强大，你也可以选择它来实现这个功能。
轴
轴类似于子图，但它可以放置在图像的任何位置。 所以，如果你想在一个图中绘制一个小图，你可以使用这个函数。
标记
一个好的标记是图像的重要组成部分。 Matplotlib 中符号系统的每个细节都可以由用户配置。 您可以使用刻度定位器来指定放置标记的位置，并使用刻度格式化程序来调整标记的样式。 主要和次要令牌可以以不同的方式呈现。 默认情况下，每个次要标记都是隐藏的，即次要标记列表默认为空 – NullLocator。
刻度定位器
下面是一些针对不同需求而设计的定位器。
这些 Locators 是 matplotlib.ticker.Locator 的子类，您可以相应地定义自己的 Locator。 使用日期作为刻度特别复杂，因此 Matplotlib 提供了 matplotlib.dates 来执行此操作。
其他类型的图表
接下来就是练习了。 请利用所学知识，从提供的代码开始，实现如图所示的效果。 具体答案可点击图片下载。
正常图
1from pylab import *
2n = 256
3X = np.linspace(-np.pi,np.pi,n,endpoint=True)
4Y = np.sin(2*X)
5plot (X, Y+1, color= blue , alpha=1.00)
6plot (X, Y-1, color= blue , alpha=1.00)
7show()
散点图
1from pylab import *
2n = 1024
3X = np.random.normal(0,1,n)
4Y = np.random.normal(0,1,n)
5scatter(X,Y)
6show()
条形图
1from pylab import *
2n = 12
3X = np.arange(n)
4Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
5Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
6bar(X, +Y1, facecolor= #9999ff , edgecolor= white )
7bar(X, -Y2, facecolor= #ff9999 , edgecolor= white )
8for x,y in zip(X,Y1):
9 text(x+0.4, y+0.05, %.2f % y, ha= center , va= bottom )
10ylim(-1.25,+1.25)
11show()
12
等高线图
1from pylab import *
2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
3n = 256
4x = np.linspace(-3,3,n)
5y = np.linspace(-3,3,n)
6X,Y = np.meshgrid(x,y)
7contourf(X, Y, f(X,Y), 8, alpha=.75, cmap= jet )
8C = contour(X, Y, f(X,Y), 8, colors= black , linewidth=.5)
9show()
灰度图像（Imshow）
1from pylab import *
2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
3n = 10
4x = np.linspace(-3,3,4*n)
5y = np.linspace(-3,3,3*n)
6X,Y = np.meshgrid(x,y)
7imshow(f(X,Y)), show()
饼形图
1from pylab import *
2n = 20
3Z = np.random.uniform(0,1,n)
4pie(Z), show()
箭袋图
1from pylab import *
2n = 8
3X,Y = np.mgrid[0:n,0:n]
4quiver(X,Y), show()
网格
1from pylab import *
2axes = gca()
3axes.set_xlim(0,4)
4axes.set_ylim(0,3)
5axes.set_xticklabels([])
6axes.set_yticklabels([])
7show()
多重网格
1from pylab import *
2subplot(2,2,1)
3subplot(2,2,3)
4subplot(2,2,4)
5show()
极轴图
1from pylab import *
2axes([0,0,1,1])
3N = 20
4theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)
5radii = 10*np.random.rand(N)
6width = np.pi/4*np.random.rand(N)
7bars = bar(theta, radii, width=width, bottom=0.0)
8for r,bar in zip(radii, bars):
9 bar.set_facecolor( cm.jet(r/10.))
10 bar.set_alpha(0.5)
11show()
3D图形
1from pylab import *
2from mpl_toolkits.mplot3d import Axes3D
3fig = figure()
4ax = Axes3D(fig)
5X = np.arange(-4, 4, 0.25)
6Y = np.arange(-4, 4, 0.25)
7X, Y = np.meshgrid(X, Y)
8R = np.sqrt(X**2 + Y**2)
9Z = np.sin(R)
10ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap= hot )
11show()
– 超过-
为你推荐
