首先，不能馬上讓人上手的教程，就是耍流氓。

我們都知道，matplotlib是Python下一個極其強大的作圖庫。但是它雖然強大，卻有著陡峭的學習曲線，想要用它來靈活地作圖需要花費大量的學習時間，這也是為什么近年來基于matplotlib封裝的Seaborn等作圖庫迅速流行起來的原因。

我們希望能迅速上手一個工具并畫出美觀而有說服力、有解釋力的圖形，而不是花費大量的時間卻仍然飄在云里霧里。

matplotlib有兩種語言風格，一種是沿襲自MatLab的命令式風格，一種是Python的面向對象風格。不同的作圖風格有時會讓我們感到混亂，這也在無形中增加了我們的學習難度。不過我們今天不是來討論風格優劣的，我們今天的目的是熟悉matplotlib的基本作圖函數，以達到快速上手Python可視化的目的。

今天，我們先拋卻又臭又長的官方文檔，拋卻龐大的作圖知識體系，嘗試在30分鐘內掌握基本的作圖能力。

我們先從最常用的作圖函數以及樣式調整函數學起，其他的讓它們先玩兒去吧。

---

歡迎大家關注我的個人博客【數洞】 【備用站】

---

1. plot()

plot()函數包含了很多基礎的繪圖功能，這里我們用它來繪制線圖，用以展現數據的變化趨勢。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 1000) y = np.sin(x)# 使用plt.plot()繪圖 # lw ~ line width，用于設置線條寬度 # '-r'是說線條使用正常的連續曲線，顏色使用紅色 # label設置線條的標簽，我們會在圖例中看到它 plt.plot(x, y, ls='-r', lw=2, label='sin(x)') plt.legend() plt.show()

2. scatter()

scatter()函數用以繪制散點圖，我們常用它來觀察變量間的相關性。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.random.rand(100)# 使用plt.scatter()繪圖 # c ~ color，用于設置顏色 # alpha用于控制透明度 plt.scatter(x, y, c='g', alpha=0.5, label='scatters') plt.legend() plt.show()

3. xlim() / ylim()

這兩個函數用于設置坐標軸的數值顯示范圍。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.random.rand(100)# 使用scatter繪圖 plt.scatter(x, y, label='scatters') plt.legend()# 使用xlim()/ylim()調整坐標軸 # 我們需要上下（左右）兩個邊界的數值 plt.xlim(2, 10) plt.ylim(-0.2, 1.2) plt.show()

可以看到，雖然我們數據的范圍是x ∈ [0, 10], y ∈ [0, 1]，但在我們的強烈要求下，圖片上只展示出了其中的一部分。

4. xlabel() / ylabel()

顧名思義，這兩個函數用于設置坐標軸的標簽。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 # ls ~ line style，用于設置線條類型 plt.plot(x, y, ls='-.', lw=2, c='g', label='sin(x)') plt.legend()# 使用xlim()/ylim()調整坐標軸 plt.xlabel('x-axis') plt.ylabel('y-axis') plt.show()

5. grid()

就喜歡這么直白的命名，grid()函數正是用于設置圖形中的網格線。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)') plt.legend()# 使用grid()調整網格線 # linestyle用于設置網格的線條類型，color用于設置網格的線條顏色 plt.grid(linestyle=':', color='r')plt.show()

啊，好丑。

6. axhline() / axvline()

ax ~ axis
h ~ horizontal，水平的
v ~ vertical，垂直的

組合起來看，我們可以猜到，這兩個函數分別用于設置水平參考線和垂直參考線。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)') plt.legend()# 這里的參數跟之前幾個函數的參數類似，不再贅述 plt.axhline(y=0, c='r', ls='--', lw=2) plt.axvline(x=5, c='g', ls='-.', lw=2)plt.show()

7. axhspan() / axvspan()

ax ~ axis
h ~ horizontal，水平的
v ~ vertical，垂直的
span ~ 跨度，區間，范圍

這兩個函數分別用于設置平行于x軸/y軸的參考區域。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)') plt.legend()# xmin/xmax/ymin/ymax用于設置區間范圍 # facecolor用于設置區域顏色 # alpha用于設置透明度 plt.axhspan(ymin=-0.25, ymax=0.25, facecolor='purple', alpha=0.3) plt.axvspan(xmin=4, xmax=6, facecolor='g', alpha=0.3)plt.show()

8. annotate()

這個函數就是為了在圖形中添加指向性注釋文本，為了能靈活調整注釋的位置以及指示箭頭的樣式，這個函數提供了豐富的可選參數，想要熟練使用這一函數需要我們花一些功夫去探索。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)') plt.legend()# 這里的參數跟之前幾個函數的參數類似，不再贅述 plt.axhspan(ymin=-0.25, ymax=0.25, facecolor='purple', alpha=0.3) plt.axvspan(xmin=4, xmax=6, facecolor='g', alpha=0.3)# 使用annotate()添加注釋 plt.annotate('maximum',xy = (np.pi * 3 / 2, -1), xytext = (np.pi * 3 / 2 - 0.6, -0.7),weight = 'bold', color = 'r',arrowprops = {'arrowstyle': '->','connectionstyle': 'arc3','color': 'r','alpha': 0.3})plt.show()

可以看到，我們為(π/2, -1)位置的最低點加了一個“minimum”的紅色文本注釋，這里邊我們用到了以下的配置項，它們的含義是:

• xy: 指示點的坐標，即我們希望注釋箭頭指向的點的坐標

• xytext: 注釋文本左端的坐標(不是文本中心的坐標)

• weight: 注釋文本的字體粗細風格，bold是粗體，正常粗細則用regular

• color: 注釋文本的顏色

• arrowprops: arrow + props(properties)，箭頭屬性，字典格式

  • arrowstyle: 箭頭類型
  • connectionstyle: 連接類型
  • color: 箭頭顏色

• …

更多的參數大家可以查閱文檔，里邊有詳細的介紹。至于查閱文檔，為大家推薦一個軟件，在Mac下有一個叫Dash的軟件，簡直是文檔查閱神器，在Linux和Windows下有一個叫Zeal的替代軟件。強烈推薦沒用過的同學體驗下。

9. text()

這個函數同樣是用于圖形中的注釋，但它跟annotate()的區別是它用于添加無指向性注釋文本，也就是不帶指向性箭頭的文本注釋。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)') plt.legend()# 這里的參數跟之前幾個函數的參數類似，不再贅述 plt.axhspan(ymin=-0.25, ymax=0.25, facecolor='purple', alpha=0.3) plt.axvspan(xmin=np.pi*3/2-1, xmax=np.pi*3/2+1, facecolor='g', alpha=0.3)# 使用annotate()添加注釋 plt.text(np.pi * 3 / 2 - 0.7, -0.7, 'minimum', weight='regular', color='r', fontsize=12) plt.text(np.pi * 3 / 2 - 1, 0.7, 'y=sin(x)', weight='regular', color='r', fontsize=16)plt.show()

由于沒有了箭頭，我們就不需要那個字典參數了，同時坐標等參數都更直接地使用x、y等來表達。我們使用fontsize參數設置了注釋文本的大小。

10. title()

這個函數最簡單，就是用于設置圖形的標題。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)') plt.legend()# 設置標題 plt.title('A Sine Curve')plt.show()

11. legend()

這個函數我們已經見過好多次了，它用于添加圖例。

10. title()

這個函數最簡單，就是用于設置圖形的標題。

import matplotlib.pyplot as plt import numpy as np# 生成數據 x = np.linspace(0, 10, 100) y = np.sin(x)# 使用scatter繪圖 plt.plot(x, y, ls='-.', lw=2, c='c', label='sin(x)')# 控制圖例位置 plt.legend(loc='lower right')# 設置標題 plt.title('A Sine Curve')plt.show()

這里我們將圖例放在了右下角，圖例的位置使用loc參數來控制：

• upper left: 左上角
• upper center: 中上
• upper right: 右上角
• lower left: 左下角
• lower center: 中下
• lower right: 右下角

12. 小挑戰

在最后，我們用一個小挑戰來回顧下之前的內容：

import matplotlib.pyplot as plt import numpy as np from matplotlib import cm as cm# 生成數據 x = np.linspace(0.5, 3.5, 100) y = np.sin(x) y1 = np.random.randn(100)# 創建圖形并設置大小 plt.figure(figsize=(12, 8))# 散點圖 plt.scatter(x, y1, c='0.5', label='scatters')# sin(x)圖 plt.plot(x, y, '--g', lw=2, label='sin(x)')# 樣式調整 # 去掉圖形上邊和右側的邊框 for spine in plt.gca().spines.keys():if spine == 'top' or spine == 'right':plt.gca().spines[spine].set_color('none')# 設置坐標軸上的刻度線位置（其實這里的設置跟默認一樣） plt.gca().xaxis.set_ticks_position('bottom') plt.gca().yaxis.set_ticks_position('left')# 將刻度線放在坐標軸內側 plt.tick_params(direction = 'in')# 設置坐標軸范圍 plt.xlim(0, 4) plt.ylim(-3, 3)# 設置軸標簽 plt.xlabel('X 軸') plt.ylabel('Y 軸')# 設置網格線 plt.grid(True, ls=':', color='r', alpha=0.5)# 添加水平參考線 plt.axhline(y=0, c='r', ls='--', lw=2)# 添加垂直參考區間 plt.axvspan(xmin=1, xmax=2, facecolor='g', alpha=0.1)# 添加sin(x)的最高點注釋 plt.annotate('maximum', xy = (np.pi/2, 1), xytext = (np.pi/2, 1.3), weight = 'regular', color = 'r',fontsize = 12,arrowprops = {'arrowstyle': '->','connectionstyle': 'arc3','color': 'r'})# 添加y軸邊框注釋 plt.annotate('spines', xy = (0, -2.5), xytext = (0.25, -2.3), weight = 'regular', color = 'c',fontsize = 12,arrowprops = {'arrowstyle': '->','connectionstyle': 'arc3','color': 'c'})# 添加x軸邊框注釋 plt.annotate('', xy = (0.25, -3), xytext = (0.37, -2.4), arrowprops = {'arrowstyle': '->','connectionstyle': 'arc3','color': 'c'})# 添加一個指向tick的箭頭 plt.annotate('',xy = (3.5, -2.98),xytext = (3.6, -2.7),arrowprops = {'arrowstyle': '->','connectionstyle': 'arc3','color': 'c'})# 在上邊的箭頭旁添加注釋文字 plt.text(3.6, -2.7, "'|' is tickline", weight='bold', color='c') plt.text(3.6, -2.9, "3.5 is ticklabel", weight='bold', color='c')# 設置標題 plt.title('Structure of matplotlib')# 添加圖例 plt.legend()# 展示圖形 plt.show()

可以看到，我們配置了很多小細節，是不是很有成就感？

沒錯，matplotlib就是這么強大，這還僅僅是它的冰山一角呢！

好了，以上就是用來作圖以及調整圖形樣式的十來個常用的函數，本文嚴重參考劉大成先生的《Python數據可視化之matplotlib實踐》一書，這本書的組織形式是截止目前我認為講解matplotlib庫中最清晰、最適合新手的，強烈推薦。

總結

以上是生活随笔為你收集整理的从零开始学matplotlib画图(一): 极速上手的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。