Matplotlib 绘图快速入门

王茂南

3081
文章

75
评论

2021年4月10日07:20:47

评论2 5911字阅读19分42秒

摘要本文会对 Matplotlib 绘图进行简洁的介绍。主要会从以下的六个点，1). 数据准备、2). 创建绘图、3). 开始绘图、4). 自定义样式、5). 图像保存、6). 展示图片，来进行介绍。

简介

这一篇会简洁的介绍如何使用 Matplotlib 进行可视化。之前写过一篇非常详细的说明，对 Matplotlib 中的各种使用都进行了介绍，Python数据处理之Matplotlib学习。但是在初学的时候，直接看这个会内容有点太多了。所以想着会有一个比较简洁的介绍。

这一篇内容主要是参考自这个链接，Python Matplotlib Cheat Sheet（如下图所示，可以放大进行查看）。这里会比较详细的列出了要做的每一个步骤，我们在本文中就会按照这些步骤进行介绍。

Matplotlib 绘图快速入门

使用 Matplotlib 进行绘图可以分为 6 个步骤：1). 数据准备、2). 创建绘图、3). 开始绘图、4). 自定义样式、5). 图像保存、6). 展示图片。下图展示了上面的六个步骤：

针对这里所说的 6 个步骤，下面我们详细进行说明。

数据集准备

这里我们分为两类数据，分别是一维数据和二维数据。我们首先来准备一维数据。

import numpy as np
x = np.linspace(0, 10, 100)
y = np.cos(x)
z = np.sin(x)

接着准备二维数据，二维数据绘制的结果就是三维的。可以使用下面的两种方式来创建二维数据。直接使用 numpy 来生成二维数据，或是使用 np.mgrid 来进行生成。

# 方法一
data = 2*np.random.random((10, 10)) # 创建 10*10 大小的数据
# 方法二
Y, X = np.mgrid[-3:3:100j, -3:3:100j]
U = -1 - X**2 + Y
V = 1 + X - Y**2

创建绘图-create plot

在数据集创建完毕之后，我们需要创建绘图（create plot）。我们首先需要导入 matplotlib 库。

import matplotlib.pyplot as plt

接着我们创建 figure，可以有以下的两种方式进行创建，

fig = plt.figure()
fig2 = plt.figure(figsize=plt.figaspect(2.0)) # width and height 比例

创建 Axes。每一个的绘图都是与 Axes 有关的。一个 subplot 对应一个 Axes。会有以下两种方式添加 subplot，第一种是依次进行添加，第二种可以一下指定大小（这里推荐使用方法二）。

# 方法一
fig.add_axes()
ax1 = fig.add_subplot(221) # row-col-num
ax3 = fig.add_subplot(212)
# 方法二
fig3, axes = plt.subplots(nrows=2,ncols=2)
fig4, axes2 = plt.subplots(ncols=3)

开始绘图-基础图像

如果是按照上面方法一进行创建 Axes，可以这样进行绘图：

fig = plt.figure(figsize=plt.figaspect(0.3)) # step-2
ax1 = fig.add_subplot(131) # row-col-num
ax2 = fig.add_subplot(132)
ax3 = fig.add_subplot(133)
ax1.scatter(x, y) # step-3
ax2.fill(x, y, color='blue')
ax3.fill_between(x, y, color='yellow') # y 与 y=0 直接进行填充
plt.show() # step-6

最终的绘图效果如下所示：

如果使用了上面方法二进行创建 Axes，那么可以按照下面的方式进行绘图：

fig, axes = plt.subplots(figsize=(8, 8), nrows=2,ncols=2)
axes[0, 0].bar([1,2,3],[3,4,5]) # 柱状图
axes[1, 0].barh([0.5, 1, 2.5],[0, 1, 2]) # 横向柱状图
axes[1, 1].axhline(0.45) # 绘制与 x 轴平行的线
axes[0, 1].axvline(0.65) # 绘制与 y 轴平行的线
plt.show()

最终的可视化效果如下所示：

一维数据基础图像

对于一维数据，我们可以绘制其数据分布，如下所示：

fig = plt.figure(figsize=plt.figaspect(0.3))
ax1 = fig.add_subplot(131)
ax2 = fig.add_subplot(132)
ax3 = fig.add_subplot(133)
ax1.hist(y)
ax2.boxplot(y)
ax3.violinplot(y)
plt.show()

最终的可视化效果如下所示：

二维数据基础图像

对于二维数据，我们可以绘制其等高线等。

fig, axes = plt.subplots(figsize=(7, 7), nrows=2,ncols=2)
axes[0, 0].pcolor(data)
axes[1, 0].pcolormesh(data)
axes[0, 1].contour(data)
axes[1, 1].contourf(data) # 绘制等高线
plt.show()

最终的可视化效果如下所示：

自定义绘图的样式

这里我们可以修改不同绘图的样式，实现定制化。

定制标题

我们可以使得我们的标题支持数学公式，同时修改标题文字的大小。

fig = plt.figure(figsize=plt.figaspect(0.5))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.plot(x, y, linestyle='--') # 定制线条样式
ax1.set_title(r'$Cos(x)$', fontsize=15)
ax2.scatter(x, z)
ax2.set_title(r'$Sin(x)$', fontsize=15)
plt.show()

最终的效果如下所示：

设置图例（label and legend）

我们可以设置 x-label 和 y-label 的内容，大小，与 x 或是 y 轴的间距，同时也可以设置图例。

fig = plt.figure(figsize=plt.figaspect(0.5))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.plot(x, y, linestyle='--', label=r'$cos$')
ax1.set_xlabel('x', fontsize=20, labelpad=20) # labelpad 表示间距
ax1.set_ylabel('y', fontsize=20, labelpad=20)
ax1.legend()
ax2.scatter(x, z)
plt.show()

上面的输出结果如下所示，

设置 x 和 y 轴的范围（limits）

有下面的两种方式来控制 x 和 y 轴的范围：

fig = plt.figure(figsize=plt.figaspect(0.5))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.plot(x, y, linestyle='--')
ax1.margins(x=2, y=1) # 控制边距
ax2.scatter(x, z)
ax2.set(xlim=[0, 10], ylim=[-2, 2]) # 限制 x 和 y 轴的范围
plt.show()

最终的效果如下所示：

设置 Ticks 的内容和大小

我们可以设置 ticks 的内容和大小，如下所示：

fig = plt.figure(figsize=plt.figaspect(0.5))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.plot(x, y, linestyle='--')
ax1.xaxis.set(ticks=range(1,10,2), ticklabels=['a', 'b', 'c', 'd', 'e']) # 自定义 ticks 的内容
ax1.xaxis.set_tick_params(labelsize=20, rotation=-45) # 定义大小和旋转
ax2.scatter(x, z)
plt.show()