Matplotlib 绘2D图

Matplotlib 是一个非常简单而又完善的开源绘图库。那么它到底有多简单呢？

基本知识

首先官方文档奉上
下面，我们通过 3 行代码绘制一张简单的折线图。

from matplotlib import pyplot as plt
plt.plot([1,2,3,4,2,1,5,6,1])
plt.show()

折线图

plt.plot() 是 pyplot 模块下面的直线绘制（折线图）方法类。示例中包含了一个[1,2,3,4,2,1,5,6,1]列表，该列表的值默认为y值，而 x 值会从 0 到 n-1，这也就是为什么你会发现3反而对应的是4。

方法	含义
matplotlib.pyplot.angle_spectrum	绘制电子波谱图
matplotlib.pyplot.bar	绘制柱状图
matplotlib.pyplot.barh	绘制直方图
matplotlib.pyplot.broken_barh	绘制水平直方图
matplotlib.pyplot.contour	绘制等高线图
matplotlib.pyplot.errorbar	绘制误差线
matplotlib.pyplot.hexbin	绘制六边形图案
matplotlib.pyplot.hist	绘制柱形图
matplotlib.pyplot.hist2d	绘制水平柱状图
matplotlib.pyplot.imshow	以图像显示
matplotlib.pyplot.pie	绘制饼状图
matplotlib.pyplot.quiver	绘制量场图
matplotlib.pyplot.scatter	散点图
matplotlib.pyplot.specgram	绘制光谱图
matplotlib.pyplot.subplot	绘制子图

下面，我们就来一些常见类型的图像绘制及参数使用。

• 折线图

from matplotlib import pyplot as plt #载入 pyplot 绘图模块
import numpy as np # 载入数值计算模块

# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 x 坐标
x = np.linspace(-2*np.pi, 2*np.pi, 1000)
# 计算 y 坐标
y = np.sin(x)

# 向方法中 `*args` 输入 x，y 坐标
plt.plot(x, y)
plt.show()

• 柱形图

from matplotlib import pyplot as plt #载入 pyplot 绘图模块
import numpy as np # 载入数值计算模块

# 在 -2PI 和 2PI 之间等间距生成 10 个值，也就是 X 坐标
x = np.linspace(-2*np.pi, 2*np.pi, 10)
# 计算 y 坐标
y = np.sin(x)

# 向方法中 `*args` 输入 x，y 坐标
plt.bar(x, abs(y))  # y 值取绝对值
plt.show()

• 散点图

from matplotlib import pyplot as plt #载入 pyplot 绘图模块
import numpy as np # 载入数值计算模块

# x,y 的坐标均有 numpy 在 0 到 1 中随机生成 1000 个值
x = np.random.normal(0,1,1000)
y = np.random.normal(0,1,1000)

# 向方法中 `*args` 输入 X，y 坐标
plt.scatter(x, y)
plt.show()

• 饼图

from matplotlib import pyplot as plt #载入 pyplot 绘图模块

Z = [1, 2, 3, 4, 5]
# 绘图
plt.pie(Z)
plt.show()

但是Matplotlib 默认的样式的确算不上美观。所以，我们需要设置绘图方法的参数，从而画出更漂亮和自己想要的图形。

线型图进阶

我们已经知道了，线型图通过 matplotlib.pyplot.plot(*args, **kwargs) 方法绘出。其中，args 代表数据输入，而 kwargs 的部分就是用于设置样式参数了。

• 常用参数

参数	含义
alpha=	设置线型的透明度，从 0.0 到 1.0
color=	设置线型的颜色
fillstyle=	设置线型的填充样式
linestyle=	设置线型的样式
linewidth=	设置线型的宽度
marker=	设置标记点的样式

• 颜色参数

color =参数值	颜色
b	蓝色
g	绿色
r	红色
w	白色
m	洋红色
y	黄色
k	黑色

• 颜色参数

linestyle =参数值	线型
'-'	默认实线
'--'	虚线
'-.'	间断线
':'	点状线

• 样本点标记

marker =参数值	样本点标记
'.'	实心点
','	像素点
'o'	空心点
'p'	五角形
'x'	x 形
'+'	+ 形

下面我们根据这些属性将我们的三角函数图像重新画一遍

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 载入 pyplot 绘图模块
import numpy as np  # 载入数值计算模块

# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 x 坐标
x = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
# 计算 sin() 对应的纵坐标
y1 = np.sin(x)
# 计算 cos() 对应的纵坐标
y2 = np.cos(x)

# 向方法中 `*args` 输入 X，y 坐标
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.1)
plt.plot(x, y2, color='b', linestyle='-', linewidth=2)

线形图

散点图进阶

参数	含义
s=	散点大小
c=	散点颜色
marker=	散点样式
cmap=	定义多类别散点的颜色
alpha=	点的透明度
edgecolors=	散点边缘颜色

除了线型图以外，散点图也是常用图形之一。例如，我们在使用机器学习算法聚类的时候，往往就会通过散点图将样本数据展示出来。Matplotlib 中，绘制散点图的方法我们已经知道了，那就是 matplotlib.pyplot.scatter()。接下来，我们就看一看它包含有哪些参数。

参数	含义
s=	散点大小
c=	散点颜色
marker=	散点样式
cmap=	定义多类别散点的颜色
alpha=	点的透明度
edgecolors=	散点边缘颜色

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 载入 pyplot 绘图模块
import numpy as np  # 载入数值计算模块

x = np.random.rand(100) # 随机在 0 到 1 之间生成 100 个数值
y = np.random.rand(100) # 随机在 0 到 1 之间生成 100 个数值
colors = np.random.rand(100) # 随机在 0 到 1 之间生成 100 个数值
size = np.random.normal(20, 30, 100) # 随机在 20 到 30 之间生成 100 个数值

# 绘制散点图
plt.scatter(x, y, s=size, c=colors)
plt.show()
plt.show()

饼状图进阶

# -*- coding: utf-8 -*

import matplotlib.pyplot as plt

label = 'Cat', 'Dog', 'Cattle', 'Sheep', 'Horse' # 各类别标签
color = 'r', 'g', 'r', 'g', 'y' # 各类别颜色
size = [1, 2, 3, 4, 5] # 各类别占比
explode = (0, 0, 0, 0, 0.2) # 各类别的偏移半径
# 绘制饼状图
plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%')
# 饼状图呈正圆
plt.axis('equal')
# 显示图
plt.show()

组合图

上面演示了三种常见图像的绘制。实际上，我们往往会遇到将几种类型的一样的图放在一张图内显示，也就是组合图的绘制。其实很简单，你只需要将需要或者的组合图样式放在一起就好了，比如柱形图和折线图。

# -*- coding: utf-8 -*

import matplotlib.pyplot as plt

x = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]
y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]
y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]

plt.bar(x, y_bar)
plt.plot(x, y_line, '-o', color='y')
plt.show()

子图

子图，就是将几张独立的图放在一张大图中呈现。在一些需要对比的情形下，子图非常有效。
Matplotlib 中，绘制子图的方法为matplotlib.pyplot.subplot()，我们通过该方法来控制各子图的显示顺序。其中规则为subplot(行序号, 列序号, 图序号)

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(-2*np.pi, 2*np.pi) 

y1 = np.sin(x)
y2 = np.cos(x)

# 子图 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'k')
# 子图 2
plt.subplot(2, 2, 2)
plt.plot(x, y2, 'r')
# 子图 3
plt.subplot(2, 2, 3)
plt.plot(x, y2, 'y')
# 子图 4
plt.subplot(2, 2, 4)
plt.plot(x, y2, 'g')

plt.show()

更为高级的子图画法
首先需要了解一下基础知识
画图需要生成一个figure(可理解为画布或进程)，此参数可无需设置,如未设置pyplot会自动帮你创建一个(figure 1)。接下来，要决定在figure中哪个位置画图，画多大的图。这就引入坐标点和大小的概念，整个figure按照X与Y轴横竖来平均切分，以0到1之间的数值来表示。 如：X轴上的0.1，代表了X轴总长自左向右的10%位置。
整个画图区域就是一个axes，通过Axes参数选项可以对画图区域的坐标点与大小进行设置，如未设置会自动帮接近覆盖整个figure的值。在一个figure中可添加多个Axes，就如一个画布中可以画一整副图，又或者可以画四宫图等等。axes参数设置如下：
axes([x,y,xs,ys])#其中x代表在X轴的位置，y代表在Y轴的位置，xs代表在X轴上向右延展的范围大小，yx代表在Y轴中向上延展的范围大小。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(-2 * np.pi, 2 * np.pi)

y1 = np.sin(x)
y2 = np.cos(x)

# 大图
plt.axes([.1, .1, .8, .8])
plt.plot(x, y1, 'k')
# 小图
plt.axes([.6, .6, .3, .3])
plt.plot(x, y2, 'r')

plt.show()

绘制图例

一般情况下，当绘制好图案后，还需要绘制图例。Matplotlib 中，图例可以通过 matplotlib.pyplot.legend() 方法绘制。我们又拿上面的正弦和余弦曲线举例。

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 载入 pyplot 绘图模块
import numpy as np  # 载入数值计算模块

# 生成数据
X = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(X)
y2 = np.cos(X)

# 使用 label= 添加标签
plt.plot(X, y1, color='r', linestyle='--', linewidth=2, label='sin 函数')
plt.plot(X, y2, color='b', linestyle='-', linewidth=2, label='cos 函数')
# 绘制图例
plt.legend(loc='upper left')
plt.show()

在这里，我们需要修改两个地方，也就是通过label=为每一条曲线添加标签。然后，增加一条plt.legend(loc='upper left')就可以了。其中，loc='upper left'是指明图例的位置，例如这里是左上方。你还可以通过 down 和 right 组合实现位置的变换。

图像标注

当我们绘制一些较为复杂的图像时，阅读对象往往很难全面理解图像的含义。而此时，图像标注往往会起到画龙点睛的效果。图像标注，就是在画面上添加文字注释、指示箭头、图框等各类标注元素。

Matplotlib 中，文字标注的方法由 matplotlib.pyplot.text() 实现。最基本的样式为 matplotlib.pyplot.text(x, y, s)，其中 x, y 用于标注位置定位，s 代表标注的字符串。除此之外，你还可以通过 fontsize= , horizontalalignment= 等参数调整标注字体的大小，对齐样式等。
下面，我们举一个对柱形图进行文字标注的示例。

# -*- coding: utf-8 -*
from matplotlib import pyplot as plt # 载入绘图模块

x_bar = [10, 20, 30, 40, 50] #柱形图横坐标
y_bar = [0.5, 0.6, 0.7, 0.4, 0.6] #柱形图纵坐标
bars = plt.bar(x_bar, y_bar, color='blue',  width=2) # 绘制柱形图
for i, rect in enumerate(bars):
    x_text = rect.get_x() # 获取柱形图横坐标
    y_text = rect.get_height() + 0.01 # 获取柱子的高度并增加 0.01
    plt.text(x_text, y_text, '%.1f' % y_bar[i]) # 标注文字

plt.show()

除了文字标注之外，还可以通过 matplotlib.pyplot.annotate() 方法向图像中添加箭头等样式标注。接下来，我们向上面的例子中增添一行增加箭头标记的代码。

 # 增加箭头标注
    plt.annotate('Max', xy=(32, 0.6), xytext=(38, 0.6), arrowprops=dict(facecolor='black', width=1, headwidth=7))

上面的示例中，xy=() 表示标注终点坐标，xytext=() 表示标注起点坐标。另外，arrowprops=() 用于设置箭头样式，facecolor= 设置颜色，width= 设置箭尾宽度，headwidth= 设置箭头宽度。在箭头绘制的过程中，还有一个 arrowstyle= 用于改变箭头的样式。另外，connectionstyle= 的参数可以用于更改箭头连接的样式。下图展示了常见的箭头连接样式。

综合案例

Paste_Image.png

import numpy as np
import matplotlib.pyplot as plt
ax = plt.subplot(111)
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C, S = np.cos(X), np.sin(X)
plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="Cos Function")
plt.plot(X, S, color="red", linewidth=2.5, linestyle="-", label="Sin Function")
#设置x,y轴范围
plt.xlim(X.min() * 1.1, X.max() * 1.1)
plt.ylim(C.min() * 1.1, C.max() * 1.1)
#设置x,y轴的坐标刻度
plt.xticks([-np.pi, -np.pi / 2, 0, np.pi / 2, np.pi],
           [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
plt.yticks([-1, +1],
           [r'$-1$', r'$+1$'])
t = 2 * np.pi / 3
plt.plot([t, t], [0, np.cos(t)],
         color='blue', linewidth=1.5, linestyle="--")
plt.scatter([t, ], [np.cos(t), ], 50, color='blue')
plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
             xy=(t, np.sin(t)), xycoords='data',
             xytext=(+10, +30), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.plot([t, t], [0, np.sin(t)],
         color='red', linewidth=1.5, linestyle="--")
plt.scatter([t, ], [np.sin(t), ], 50, color='red')
plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
             xy=(t, np.cos(t)), xycoords='data',
             xytext=(-90, -50), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plt.legend(loc='upper left', frameon=False)
plt.show()