使用Matplotlib，能够轻易生成各种图像，例如：直方图、波谱图、条形图、散点图等。
入门代码实例
import matplotlib.pyplot as plt
import numpy as np
# 用np.linspace生成50个元素的数组，均匀的分布在（0,2*pi）区间上面
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
# 把x;y函数画出来，用黄色的*-线
plt.plot(x, y, "y*-",label="y=sin(x)")
# 把x,y*2函数画出来，用品红的--线
plt.plot(x, y * 2, "m--", label="y=2sin(x)")
plt.legend()
# plt.legend(loc="best")
plt.title("sin(x) & 2sin(x)") # 设置标题
plt.xlim(0, 6) # 设置x坐标轴的范围
plt.ylim(-3, 3) # 设置y坐标轴的范围
# 通过xticks或yticks来设置轴的刻度。
plt.xticks((0, np.pi * 0.5, np.pi, np.pi * 1.5, np.pi * 2))
plt.xlabel("x") # 设置x轴的名称
plt.ylabel("y") # 设置y轴的名称
# 展现
plt.show()
代码解析：
1、通过np.linspace生成50个元素均匀的分布在[0,2pi]区间的数组，
2、plt.plot(x,y，"线的样式",label="标记")# 前两个参数时x,y的取值，第三个参数是线的样式，第四个参数是右上角的标记，和plt.legend()配套使用
3、plt.title("****)设置标题
4、plt.xlim()或plt.ylim()设置x坐标轴或者y坐标轴的范围
5、# 通过xticks或yticks来设置轴的刻度。
6、plt.xlabel("x")设置x轴的名称
Python学习群：556370268，有大牛答疑，有资源共享！是一个非常不错的交流基地！欢迎喜欢Python的小伙伴！
常见的颜色：
蓝色：b青色：c红色：r黑色：k
绿色：g品红：r黄色：y白色：w
常见的点：
点：.方形：s圆：o像素：,三角形：^
常见的线：
直线：-虚线： - -点线：：点划线：-.星号：*
运行结果如下：
image
添加注释
先上代码;
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.plot(x, y)
x0 = np.pi
y0 = 0
# 画出标注点
plt.scatter(x0, y0, s=50)
# 右边的
plt.annotate('sin(np.pi)=%s' % y0, xy=(np.pi, 0), xycoords='data', xytext=(+30, -30),
textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
# 左边的
plt.text(0.5, -0.25, "sin(np.pi) = 0", fontdict={'size': 16, 'color': 'r'})
plt.show()
image
有时候我们需要对特定的点进行标注，我们可以使用 plt.annotate 函数来实现。
这里我们要标注的点是 (x0, y0) = (π, 0)。
我们也可以使用 plt.text 函数来添加注释。
对于 annotate 函数的参数，做一个简单解释：
- 'sin(np.pi)=%s' % y0 代表标注的内容，可以通过字符串 %s 将 y0 的值传入字符串；
- 参数 xycoords='data' 是说基于数据的值来选位置;
- xytext=(+30, -30) 和 textcoords='offset points' 表示对于标注位置的描述 和 xy 偏差值，即标注位置是 xy 位置向右移动 30，向下移动30；
- arrowprops 是对图中箭头类型和箭头弧度的设置，需要用 dict 形式传入。
一次性绘制多个图形
当需要两组数据进行对比，或者一组数据的不同展示方式，我们就可以在一个窗口中绘制多个图形。
多个图形窗口——figure
一个figure就是一个图形窗口，matplotlib.pyplot会有一个默认的figure，
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201) # 生成一组100到200，步长为1的数组
# 在第一个默认窗口画
plt.plot(data) # 绘制data
data2 = np.arange(200,301)
plt.figure(figsize=(6, 3)) # 生成一个图形窗口,设置窗口的大小为(6,3)
# 在第二个窗口画
plt.plot(data2) # 绘制data2
plt.show() # 展现
代码解析：
1、matplotlib在绘制图形的时候都在一个默认的figure中。我们可以通过plt.figure()再创建一个窗口
2、plt.figure()有figsize参数，以数组形式控制窗口的大小
运行结果如下：
image
多个子图——subplot
有时候我们需要将多张子图展示在一起，可以使用 plt.subplot()实现。即在调用plot()函数之前需要先调用 subplot()函数。该函数的第一个参数代表子图的总行数，第二个参数代表子图的总列数，第三个参数代表活跃区域。下面绑定了实例，也可以不绑定。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
ax1 = plt.subplot(2, 2, 1) # （行，列，活跃区）
plt.plot(x, np.sin(x), 'r')
ax2 = plt.subplot(2, 2, 2, sharey=ax1) # 与 ax1 共享y轴
plt.plot(x, 2 * np.sin(x), 'g')
ax3 = plt.subplot(2, 1, 2) # 将窗口分为两行1列，这个图形占第二列
plt.plot(x, np.cos(x), 'b')
plt.show()
代码解析：
1、subplot(2,2,x)表示将图像窗口分为2行2列。x表示当前子图所在的活跃区域。
2、subplot(2,1,2)将窗口分为两行一列，这个图形画在第二列
3、plt.subplot(2,2,2,sharey=ax1)# 是与ax1函数共享受一个y轴。
运行结果如下：
image
注意;subplot函数的参数不仅仅支持上面的这种形式，还可以将三个整数(10之内的)合并一个整数。例如：plt.subplot(2,2,1)可以写成plt.subplot(221),结果是一样的。
常用的图形实例
Matplotlib可以生成非常多的图形，常用的有：线形图、散点图、饼状图、条形图、直方图。我们来依次了解一下。
线形图——plot
先上代码
import matplotlib.pyplot as plt
plt.plot([1,2,3],[3,6,9], "-r")
plt.plot([1,2,3],[2,4,9], ":g")
plt.show()
代码解析：
1、plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，
2、最后一个参数是由两个字符构成，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线，关于样式和颜色的说明请参见plor函数的APIDoc：matplotlib.pyplot.plot
Python学习群：556370268，有大牛答疑，有资源共享！是一个非常不错的交流基地！欢迎喜欢Python的小伙伴！
运行结果如下：
image
散点图——scatter
先上代码：
import matplotlib.pyplot as plt
import numpy as np
plt.subplot(2,1,1)
k = 500
x = np.random.rand(k)
y = np.random.rand(k)
size = np.random.rand(k) * 50 # 生成每个点的大小
colour = np.arctan2(x, y) # 生成每个点的颜色
plt.scatter(x, y, s=size, c=colour)
plt.colorbar() # 添加颜色栏
N = 20
# 参数c表示点的颜色，s是点的大小，alpha是透明度
plt.subplot(2,3,4)
plt.scatter(np.random.rand(N) * 100,
np.random.rand(N) * 100,
c="r", s=100, alpha=0.5) # 红色
plt.subplot(2,3,5)
plt.scatter(np.random.rand(N) * 100,
np.random.rand(N) * 100,
c="g", s=200, alpha=0.5) # 绿色
plt.subplot(2,3,6)
plt.scatter(np.random.rand(N) * 100,
np.random.rand(N) * 100,
c="b", s=300, alpha=0.5) # 蓝色
plt.show()
代码解析：
1、这幅图包含三组数据，每组数据都包含了20个随机坐标的位置
2、参数c表示点的颜色，s是点的大小，alpha是透明度
3、plt.colorbar()添加右边的颜色栏
运行结果：
image
饼状图——pie
先上代码：
import matplotlib.pyplot as plt
import numpy as np
labels = ["linuxidc", "Ubuntu", "Fedora", "CentOS", "Debian", "SUSE", "linux"]
data = np.random.rand(7) * 100 # 生成7组随机数
# labels指定标签，autopct指定数值的精度
plt.pie(data, labels=labels, autopct="%1.1f%%")
plt.axis("equal") # 设置了坐标大小一致
plt.legend() # 指明要绘制的图例
plt.show()
代码解析：
1、data是一个包含7个数据的随机数值
2、图中的标签通过labels来指定
3、autopct指定了数值的精度格式
4、plt.axis('equal')设置了坐标轴大小一致
5、plt.legend()指明要绘制图例（见下图的右上角）
运行结果：
image
柱形图——bar
先上代码：
import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
# randint是不是就是去随机的整数呢
# 柱形的高度随机生成
data = np.random.randint(low=0, high=100, size=N)
# 随机生成颜色
colors = np.random.rand(N * 3).reshape(N,-1)
# labels指定了标签
labels = ["Linux", "Ubuntu", "CentOS", "Fedora", "openSUSE", "Linuxidc.com", "Debian"]
# title指定了图形的标题，
plt.title("Weekday Data")
# alpha是透明度
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
# 增加数值
for x, y in zip(x, data):
plt.text(x, y , '%.2f' % y, ha='center', va='bottom')
plt.show()
代码解析：
1、绘制了7个随机值的高度在[0:100]之间的柱形。
2、colors = np.random.rand(N * 3).reshape(N,-1)表示先生成21（Nx3）个随机数，然后将他们组装成7行，那么每行就是三个数，这对应了颜色的三个组成部分。（这里7行-1列是什么意思呀）
3、title是指图形的标题，labels指定了标签，alpha是透明度
4、plt.text()标记柱形的数值
运行结果：
image
直方图——hist
直方图是描述数据中某范围内数据出现的频率，
先上代码：
import matplotlib.pyplot as plt
import numpy as np
# 生成3组数据
data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K'] # 设置标签
# 设置数据点
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]
plt.hist(data, bins=bins, label=labels)
plt.legend()
plt.show()
代码解析：
[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含三个数组的列表。
第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000)
第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000)
第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)
2、bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。
运行结果：
image
我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。
网友评论