一.简介
1.https://matplotlib.org/
2.matplotlib中的图
（1）figure：（呈现出来的）整个窗口（画板）：可以分为几块（subplot）,可以包含一些画布，至少有一个画布用于作图，
（2）axes：具有数据空间的图像区域（画布）：一个画布只能对应一个窗口，一个axes对象可以有一些axis对象（轴、维度，若是二维的，则有两个轴，即x和y轴，即一组axis表示了一个坐标系），axes利用一些axis对象来限制数据空间
（3）axis：维度、轴：我们根据数据来作图，数据有限制，则数据空间有限，我们利用多个轴来表示有限的数据空间，简单说，轴就是定位和限制数据。画布是无限的数据空间，而轴组成的数据空间是有限的
（4）其他概念：figsize窗口大小，label轴标签；title标题；lim限制；plot绘图；subplot绘制子图，bar柱状图；legend图例；width宽度；scatter散点图；axis坐标轴；等高线图contours；image图片；动画animation，tick刻度，grid网格
3.绘图：建议（2）
（1）可以依赖于对象方法的形式绘图和进行一些操作，因为窗口、画布、维度这些都是对象，有相应的属性和方法。比如ax.plot()
（2）可以依赖于其中的pyplot接口进行自动创建和管理这些对象，并用相应的函数进行绘图。比如plt.plot()
二. 创建窗口和画布
1.窗口一般表示计算机是怎么呈现给我们看的绘图窗口，涉及到后端，有交互式（pygtk，wxpython，tkinter，qt4等）和非交互式（PNG，SVG，PDF等保存显示格式）两种
2.窗口和画布本质上都是对象，则有相应的方法和属性，但是我们一般不严格区分它们
3.创建
（1）对象法
1 import matplotlib.pyplot as plt 2 import numpy as np 3 import pandas as pd 4 5 x = np.linspace(-1,1,10) 6 y = 2*x 7 8 # # 1.利用对象方法的形式创建窗口和画布,一般用于嵌入图,其实等号右边已经进行创建，左边不过是赋值对象 9 # # （1）创建一个窗口figure，用于呈现图形,创建完成后默认之后的操作都在该窗口下进行，除非重新创建一个窗口或改变窗口 10 f = plt.figure(num=1, figsize=(8, 5)) # num指明是第几张figure,figsize指明figure的长宽（以英寸为单位） 11 # # （2）创建一个画布axes，用于绘图区域，注意若创建多个，后一个覆盖前一个 12 # ([left, bottom, width, height] ，背景颜色)左和下表示对于窗口左下角（0,0）的差距--百分比，宽高表示画布大小--百分比 13 ax1 = f.add_axes([0.1, 0.1, 0.8, 0.9], facecolor=\'y\') 14 ax2 = f.add_axes([0.2, 0.2, 0.2, 0.2], facecolor=\'r\') 15 ax1.plot(x, y) 16 ax2.scatter(x, y) 17 plt.show()
（2）plt接口
1 # 1.利用pyplot接口进行一些操作 2 fig, axes = plt.subplots(2, 2) # 创建一个窗口，并将其等分为2行2列的画布，其中axes为一个2*2的画布对象，每个元素表示一个画布 3 axes[0][0].plot(x, y) 4 axes[0][1].scatter(x, y) 5 # 注意：plt绘图时，所在的画布若没指定，则默认为上面出现的最后一个画布 6 plt.plot(x, y, color=\'b\') 7 plt.bar(x, y, color=\'r\') 8 9 # 2.subplot把当前的figure等分成3*3的画布区域，后面一个参数表示选择第几个画布， 10 # 本质是创建一个画布，注意当创建的画布和之前的有冲突时，后面的画布覆盖前面的画布 11 plt.subplot(3,3,7) # 等价于f.add_subplot(2,2,1) 12 plt.plot(x, y, color=\'y\') 13 14 # 3.跨行跨列的画布 15 plt.figure(num=2) # 创建一个figure 16 # (1)前一个元组表示把figure怎么分（3行3列），后面表示选择哪个画布（第0行第0个）作为起始，然后往后跨行或列，colspan行跨度，rowspan列跨度 17 ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3) 18 ax2 = plt.subplot2grid((4, 4), (2, 0), rowspan=2) 19 # (2)还可以用gridspec把fig网格来选取画布 20 # import matplotlib.gridspec as gridspec 21 # gs = gridspec.GridSpec(3, 3)#定义（3,3）的图 22 # ax6 = plt.subplot(gs[0, :]) 23 24 # 4.直接创建画布 25 plt.axes([0.6, 0.2, 0.25, 0.25],facecolor=\'r\') # 等价于fig.add_axes()
三. pyplot
1.绘图的接口，有各种函数和操作，主要特点是自动创建对象、跟踪对象和绘图
2.pyplot常用操作
1 x = np.linspace(-1, 1, 10) 2 y = 2 * x 3 4 # pyplot 5 fig, axes = plt.subplots() # 创建一个窗口和一个画布 6 plt.axis([0.5, 10, 0, 10]) # 构建坐标系[xmin, xmax, ymin, ymax]：x轴，y轴 7 # 相当于plt.xlim(0.5,6)和plt.ylim(0,5) 8 9 # #设置x，y轴的标签（说明），可以设定一些属性 10 plt.xlabel(\'x lable\', fontsize=14, color=\'red\') 11 plt.ylabel(\'y lable\') 12 13 # 标题 14 plt.rcParams[\'font.sans-serif\'] = [\'SimHei\'] # 用来正常显示中文标签 15 plt.rcParams[\'axes.unicode_minus\']=False # 用来正常显示负号 16 plt.title(\'真的标题\') 17 18 # plot根据点作二维线性图，可选属性：x，y, label标签（图例），markersize=12点的大小，linestyle线宽， 19 # color颜色：\'b\' 蓝色,\'g\' 绿色,\'r\' 红色,\'c\' 青色,\'m\' 品红,\'y\' 黄色,\'k\' 黑色,\'w\' 白色 20 # linestyle线的形状：\'-\' 实线样式，\'--\' 虚线样式，\'-.\' 点划线样式，\':\' 虚线样式 21 # marker点的形状：\'.\' 点标记，\',\' 像素标记，\'o\' 圆圈标记，\'^\' 三角形标记，\'s\' 方形标记，\'*\' 星标，\'x\' X标记，等等... 22 pic1 = plt.plot(3*x, 4*y, color=\'red\', marker=\'x\',markersize=8, linewidth=5,linestyle=\':\',label=\'线1\') 23 24 d = pd.DataFrame( 25 {\'one\': pd.Series([1,5,7,2],index=[\'a\',\'b\',\'c\',\'d\']), 26 \'two\': pd.Series([6,3,9,4],index=[\'a\',\'b\',\'c\',\'d\']), 27 } 28 ) 29 # data利用标签数据来进行绘图 30 pic2 = plt.plot(\'one\',\'two\',data=d,label=\'线2\') 31 32 # 显示图例，默认绘图中的标签,loc:0为最优,1右上角，2左上角....; ncol:为标签有几列 33 plt.legend(loc=0, ncol=2) 34 35 # 显示网格线 36 plt.grid(True) 37 38 # text在任意位置添加文本，pyplot中可以使用teX渲染的数学表达式 39 plt.text(8, 8, r\'$\mu=100,\ \sigma=15$\',fontdict={\'size\': 16, \'color\': \'r\'}) 40 41 # 注释,文本、被注释点的坐标位置xy(x0, y0)、xytext注释文本的位置，arrowprops箭头，bbox边框（背景颜色:white，边框颜色:无，透明度：80%，) 42 # ，weight字体，color颜色 43 plt.annotate(\'注释\', xy=(2, 5), xytext=(3, 1.5), 44 weight=13,color=\'b\', 45 arrowprops=dict(facecolor="y", headlength=10, headwidth=10, width=20), 46 bbox=dict(boxstyle=\'round,pad=0.5\', fc=\'yellow\', ec=\'k\', lw=1, alpha=0.5), 47 ) 48 49 # 显示 50 plt.show()
1 y = np.random.normal(loc=0.5, scale=0.4, size=1000) 2 y = y[(y > 0) & (y < 1)] 3 y.sort() 4 x = np.arange(len(y)) 5 plt.rcParams[\'font.sans-serif\'] = [\'SimHei\'] # 用来正常显示中文标签 6 plt.rcParams[\'axes.unicode_minus\']=False # 用来正常显示负号 7 # 8 plt.subplot(221) 9 plt.plot(x, y) 10 11 # 修改刻度 12 plt.subplot(222) 13 plt.plot(x, y) 14 plt.yscale(\'log\') # 更改轴的比例，也就是改刻度，有linear线性刻度，log对数刻度，logit、symlog对称对数 15 plt.title(\'log\') 16 plt.grid(True) 17 18 # 改变轴名称 19 plt.subplot(223) 20 plt.plot(x, y) 21 # 设置x,y的范围以及单位轴长，以及程度标记 22 plt.xticks([0,200,600,800],[\'刻度1\',\'刻度2\',\'刻度4\',\'刻度5\']) 23 plt.yticks([0,0.6,0.9,1], 24 [\'$really\ bad$\', r\'$normal$\',\'good\',\'really good\']) 25 26 27 plt.subplot(224) 28 plt.plot(x, y) 29 # gca=\'get current axis\'得到现在的轴（四个边框） 30 ax = plt.gca() 31 ax.spines[\'right\'].set_color(\'none\') # 去除右边的边框 32 ax.spines[\'top\'].set_color(\'none\') # 去除上面的边框 33 ax.xaxis.set_ticks_position(\'bottom\') # 把下边的框代替x轴 34 ax.yaxis.set_ticks_position(\'left\') # 把左边的框代替y轴 35 ax.spines[\'bottom\'].set_position((\'data\',-0)) # 把下边框（x轴）放在y轴-0的位置 36 ax.spines[\'left\'].set_position((\'data\',-0)) # 把左边框（y轴）放在x轴-0的位置 37 38 # 其他 39 #sharex，sharey共享x，y轴，定义一个（2,2）的figure,并给出格式(ax11, ax12), (ax13, ax14)) 40 f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True) 41 # ax2 = ax1.twinx() # 创建画布 把y轴镜面反射 42 plt.suptitle(\'Categorical Plotting\') # 总标题 43 44 plt.show()
四.plt常用图形绘制
1.二维线图plot：在二维平面上，根据点顺序连线，线图，若x为延x轴顺序进行，即为折线图：反映数据的变化趋势，一般用于随时间或有序类别而变化的数据，刻度均匀分布
1 x = np.linspace(0,10,9) 2 y = x + np.random.randn(x.shape[0],) 3 4 # 折线图plot，必要参数x，y 5 plt.subplots() 6 plt.plot(x,y) 7 8 plt.show()
2.散点图：表明数据的分布情况，表明因变量随自变量变化的大致趋势，适用于多类别的聚合数据，核心在于发现变量之间的关系（比如线性、指数、对数等）
1 x1 = list((np.random.randn(50)+1)*5) 2 x1.extend(list((np.random.randn(50)+2)*5)) 3 x2 = np.random.randn(100) 4 category = np.random.choice([1,2,3],[1,100])[0] 5 size = category*300 6 fig, ax = plt.subplots() 7 # 绘制散点图，x和y表示二维数据的对应，alpha透明度 8 # c表示color颜色,可以用于类别分类，颜色不同表示类别不同,s表示点的大小,跟c一样的意义，可以设定不同类别大小不同 9 plt.scatter(x1, x2, c=category, s=size, marker=\'o\', alpha=0.95) 10 11 plt.show()
3.直方图(频数/频率图)：数值数据分布的精确图形表示，一般用横轴表示数据类型（数据是连续的，一个范围），纵轴表示分布情况，着重于整体的统计分布
1 x = 100 + 15 * np.random.randn(437) 2 plt.subplots() 3 # hist给定一个数组之类的对象，自动计算相关频数或频率 4 # bins表示分多少组，range表示显示的范围，align对齐方式left’, ‘mid’, ‘right，density表示True即求频率 5 plt.hist(x,bins=30, range=(50,140), density=1, align=u\'left\') 6 7 plt.show()
4.条形图：用宽度相同的条形的高度或长短来表示数据多少的图形，有横向和纵向两类，用于比较数据之间的差异
1 x = np.arange(6) 2 y1 = np.random.rand(6) 3 y2 = np.random.rand(6) 4 5 plt.subplots() 6 # bar条形图，x表示横轴，实际是柱型的对称中心位置,一般为类别，是具体的，孤立存在的，height表示纵轴，width表示宽度，color表示填充颜色， 7 plt.bar(x=x,height=y1,width=0.2,label=\'a\') 8 plt.bar(x+0.3,y2,width=0.3,color=\'r\',label=\'b\') 9 10 # 添加数据标签 11 for a, b in zip(x, y1): 12 # ha: horizontal alignment 横向对齐 13 # va: vertical alignment 纵向对齐 14 plt.text(a + 0.4, b + 0.05, \'%.2f\' % b, ha=\'center\', va=\'bottom\') # 加注释，在离柱顶（0.4,0.05）处传入y值 15 plt.legend() 16 17 plt.figure() 18 # x= 起始位置， bottom=水平条的底部(左侧), y轴， height 水平条的宽度， width 水平条的长度 19 # plt.bar(x=1, bottom=y1, height=0.1, width=x, orientation="horizontal") 20 plt.barh(y1,x,height=0.01,) 21 plt.show()
5.饼图：表示各个数据的占比
1 labels = \'Frogs\', \'Hogs\', \'Dogs\', \'Logs\' 2 sizes = [15, 30, 45, 10] 3 explode = (0, 0.1, 0, 0) 4 5 fig1, ax1 = plt.subplots() 6 # 饼图：labels饼图外侧显示的说明文字，explode表示每块离中心的距离，size表示每块的比例（自动归一化） 7 # autopct表示数字显示格式，shadow表示是否显示阴影，startangle绘制起始角度，90表示y轴正方形 8 # counterclock表示逆时针绘图 9 ax1.pie(sizes, explode=explode, labels=labels, autopct=\'%1.1f%%\', 10 shadow=True, startangle=90,counterclock=True) 11 ax1.axis(\'equal\') # 将饼图显示为正圆形 12 13 plt.show()
6.轮廓图（等高线图）：可用于绘制梯度下降方法等
1 def f(x,y): 2 # the height function计算高度 3 return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2) 4 5 n = 256 6 x = np.linspace(-3, 3, n) 7 y = np.linspace(-3, 3, n) 8 X,Y = np.meshgrid(x, y) # 把x，y绑定为网格 9 10 # 使用contour来设置轮廓线（等高线）:x和y轴，z轴的值，线的数，颜色，宽度... 11 C = plt.contour(X, Y, f(X, Y), 8, colors=\'black\', linewidths=np.arange(.5, 4, .5)) 12 # 绘制等高线 13 plt.clabel(C, inline=True, fontsize=10,fmt=\'%1.1f\') # 绘制等高线，是否在线里面，大小 14 15 # contourf填充颜色，cmap对应颜色，热颜色\'hot\'/’cold‘,,10：分为10+2=12部分 16 c_set = plt.contourf(X, Y, f(X, Y), 10, alpha=.75, cmap=plt.cm.hot) 17 18 19 # 设置颜色条，（显示在图片右边） 20 plt.colorbar(c_set) 21 22 plt.show()
7.imshow：将数据显示为图像；即在2维空间上，用数据（可以是实际的RGB（A）数据，也可以是2D标量数据数组、矩阵、表格等）来表示图像，再使用imshow来渲染成图像，注意：要实际显示灰度图像，请使用参数设置颜色映射 。
1 # 1.读取图片，将其转为numpy数组，有很多方式.. 2 import matplotlib.image as mpimg 3 img = mpimg.imread(r\'E:\python_work\Leaning\pic.jpg\') 4 print(img.shape) # (310, 500, 3)二维grb ，3个通道 5 6 plt.subplot(3,3,1) 7 plt.imshow(img) 8 9 plt.subplot(3,3,2) 10 img2 = img[:, :, 0] # 伪彩色图，只选择一个通道 11 plt.imshow(img2) 12 plt.colorbar() # 色标参考 13 # 展示图片（origin：位置。。。）plt.colorbar(shrink=.92)#颜色对应参数，（压缩92%） 14 15 plt.subplot(3,3,3) 16 # camp颜色映射，hot表示热成像，还有 \'binary\', \'gist_yarg\', \'gist_gray\', \'gray\', \'bone\', \'pink\',\'spring\', \'summer\', 17 # \'autumn\', \'winter\', \'cool\', \'Wistia\',\'hot\', \'afmhot\', \'gist_heat\', \'copper\',\'Greys\', \'Purples\', \'Blues\', 18 # \'Greens\', \'Oranges\', \'Reds\',\'YlOrBr\', \'YlOrRd\', \'OrRd\', \'PuRd\', \'RdPu\', \'BuPu\', \'GnBu\', \'PuBu\', \'YlGnBu\', \'PuBuGn\', 19 # \'BuGn\', \'YlGn\'等 20 plt.imshow(img2, cmap="hot") 21 22 plt.subplot(3,3,4) 23 # 检查特定的数据范围,也就是检测像素的分布 24 plt.hist(img2.ravel(), bins=256, range=(0.0, 255.0), fc=\'k\', ec=\'k\') 25 26 plt.subplot(3,3,5) 27 # clim设定颜色的限制，用于增强图像（根据像素分布去除不重要的地方） 28 plt.imshow(img2, clim=(100, 200)) 29 plt.colorbar() # 色标参考 30 31 plt.subplot(3,3,6) 32 # interpolation插补，用于修正或改变图像像素的缺失，nearest近似原则，bicubic双三次模糊图像（常用），bilinear双线性（像素化） 33 plt.imshow(img, interpolation="nearest",origin=\'lower\') 34 35 plt.subplot(3,3,7) 36 plt.imshow(img, interpolation="bicubic") 37 plt.show()
8.3d图：3d看起来像2d，但可以如matlab中那样通过旋转等方式观测不同角度的3d图
1 from mpl_toolkits.mplot3d import axes3d # 必要 2 z = np.linspace(-2, 2, 100) # 高度 3 x = (z**2 + 1) * np.sin(np.linspace(-4 * np.pi, 4 * np.pi, 100)) 4 y = (z**2 + 1) * np.cos(np.linspace(-4 * np.pi, 4 * np.pi, 100)) 5 6 fig = plt.figure() 7 8 # 关键在于创建一个3d画布 projection=\'3d\'， 9 # 像matlab那样旋转3d：在teminal中"python 当前文件名" 10 ax = fig.add_subplot(2,2,1, projection=\'3d\') # 或者ax = fig.gca(projection=\'3d\') 11 ax.plot(x, y, z) # 线图 12 13 ax = fig.add_subplot(2,2,2, projection=\'3d\') 14 ax.scatter(x, y, z) # 散点图 15 16 ax = fig.add_subplot(2,2,3, projection=\'3d\') 17 X, Y, Z = axes3d.get_test_data(0.05) 18 ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10) # 线框图 19 20 ax = fig.add_subplot(2,2,4, projection=\'3d\') 21 X = np.arange(-4, 4, 0.25) 22 Y = np.arange(-4, 4, 0.25) 23 X, Y = np.meshgrid(X, Y) # 构建网格点矩阵--必要-定义高度时需要x和y的对应 24 Z = np.sin(np.sqrt(X ** 2 + Y ** 2)) # 定义高度 25 # 绘制表面（x，y，z，行跨度，列跨度，颜色映射）,跨度表示默认划分网格的几个小块作为一个整体 26 surface = ax.plot_surface(X, Y, Z,rstride=1, cstride=1, cmap=plt.get_cmap(\'rainbow\')) 27 # 等高线（x，y，z，zdir=x表示从x轴压下去,即yz的投影，放在offset=-4的位置） 28 ax.contourf(X, Y, Z, zdir=\'x\', offset=-4, cmap=plt.get_cmap(\'rainbow\')) 29 ax.set_xlabel(\'X\') 30 ax.set_ylabel(\'Y\') 31 ax.set_zlabel(\'Z\') 32 plt.show()
8.其他：
六.其他
1.填充fill、表示二维数组pcolormesh、对数图、极坐标图、plt.tight_layout()紧凑布局、颜色、文字、数学表达式等
2.plt.gca()获取当前画布，plt.gcf()获取当前窗口，得到对象，从而使用相关对象的函数，比如add_subplot()