Python Matplotlib基本用法

• 1. 認識Matploblib
• • 1.1 Figure
  • 1.2 Axes
  • 1.3 Multiple Axes
  • 1.4 Axes Vs .pyplot
• 2. 基本繪圖2D
• • 2.1 線
  • 2.2 散點圖
  • 2.3 條形圖
  • 2.4 直方圖
  • 2.5 餅圖
  • 2.6 箱形圖
  • 2.7 泡泡圖
  • 2.8 等高線（輪廓圖）
• 3 布局、圖例說明、邊界等
• • 3.1區間上下限
  • 3.2 圖例說明
  • 3.3 區間分段
  • 3.4 布局
  • 3.5 軸相關

Matplotlib 是Python中類似 MATLAB 的繪圖工具，熟悉 MATLAB 也可以很快的上手 Matplotlib。

1. 認識Matploblib

1.1 Figure

在任何繪圖之前，我們需要一個Figure對象，可以理解成我們需要一張畫板才能開始繪圖。

import matplotlib.pyplot as pltfig = plt.figure()

1.2 Axes

在擁有Figure對象之后，在作畫前我們還需要軸，沒有軸的話就沒有繪圖基準，所以需要添加Axes。也可以理解成為真正可以作畫的紙。

import matplotlib.pyplot as pltfig = plt.figure() ax = fig.add_subplot(111) ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes',xlabel='X-Axis', ylabel='Y-Axis') plt.show()

以上的代碼，在一幅圖上添加了一個Axes，然后設置了這個Axes的X軸以及Y軸的取值范圍（這些設置并不是強制的，后面會再談到關于這些設置），效果如下圖：

對于上面的fig.add_subplot(111)就是添加Axes的，參數的解釋的在畫板的第1行第1列的第一個位置生成一個Axes對象來準備作畫。也可以通過fig.add_subplot(2, 2, 1)的方式生成Axes，前面兩個參數確定了面板的劃分，例如 2， 2會將整個面板劃分成 2 * 2 的方格，第三個參數取值范圍是[1, 2*2]表示第幾個Axes。如下面的例子：

import matplotlib.pyplot as pltfig = plt.figure() ax1 = fig.add_subplot(221) ax2 = fig.add_subplot(222) ax3 = fig.add_subplot(223) ax4 = fig.add_subplot(224) ax1.set(title='ax1') ax2.set(title='ax2') ax3.set(title='ax3') ax4.set(title='ax4') plt.show()

1.3 Multiple Axes

可以發現我們上面添加 Axes 似乎有點弱雞，所以提供了下面的方式一次性生成所有 Axes：

import matplotlib.pyplot as pltfig, axes = plt.subplots(nrows=2, ncols=2) axes[0, 0].set(title='Upper Left') axes[0, 1].set(title='Upper Right') axes[1, 0].set(title='Lower Left') axes[1, 1].set(title='Lower Right') plt.show()

fig 還是我們熟悉的畫板， axes 成了我們常用二維數組的形式訪問，這在循環繪圖時，額外好用。

1.4 Axes Vs .pyplot

相信不少人看過下面的代碼，很簡單并易懂，但是下面的作畫方式只適合簡單的繪圖，快速的將圖繪出。在處理復雜的繪圖工作時，我們還是需要使用Axes來完成作畫的。

import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [2, 4, 8, 16], color='lightblue', linewidth=3) plt.xlim(0.5, 4.5) plt.show()

2. 基本繪圖2D

2.1 線

plot()函數畫出一系列的點，并且用線將它們連接起來。看下例子：

import matplotlib.pyplot as plt import numpy as npx = np.linspace(0, np.pi * 6) y_sin = np.sin(x) y_cos = np.cos(x)fig = plt.figure() ax1 = fig.add_subplot(221) ax2 = fig.add_subplot(222) ax3 = fig.add_subplot(223) ax4 = fig.add_subplot(224) ax1.plot(x, y_sin) ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12) ax3.plot(x, y_cos) ax4.plot(x, y_cos, color='red', marker='+', linestyle='dashed') fig.show()

在上面的三個Axes上作畫。plot，前面兩個參數為x軸、y軸數據。ax2的第三個參數是 MATLAB風格的繪圖，對應ax3上的顏色，marker，線型。

另外，我們可以通過關鍵字參數的方式繪圖，如下例：

import matplotlib.pyplot as plt import numpy as npx = np.linspace(0, 10, 200) data_obj = {'x': x,'y1': 2 * x + 1,'y2': 3 * x + 1.2,'mean': 0.5 * x * np.cos(2 * x) + 2.5 * x + 1.1 } fig, ax = plt.subplots() # 填充兩條線之間的顏色 ax.fill_between('x', 'y1', 'y2', color='yellow', data=data_obj) # Plot the center line with plot ax.plot('x', 'mean', color='black', data=data_obj) plt.show()

發現上面的作圖，在數據部分只傳入了字符串，這些字符串對一個這 data_obj 中的關鍵字，當以這種方式作畫時，將會在傳入給 data 中尋找對應關鍵字的數據來繪圖。

2.2 散點圖

只畫點，但是不用線連接起來。

import matplotlib.pyplot as plt import numpy as npx = np.arange(10) y = np.random.randn(10) plt.scatter(x, y, color='red', marker='+') plt.show()

2.3 條形圖

條形圖分兩種，一種是水平的，一種是垂直的，見下例子：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(1) x = np.arange(5) y = np.random.randn(5)fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1. / 2))vert_bars = axes[0].bar(x, y, color='lightblue', align='center') horiz_bars = axes[1].barh(x, y, color='lightblue', align='center') # 在水平或者垂直方向上畫線 axes[0].axhline(0, color='gray', linewidth=2) axes[1].axvline(0, color='gray', linewidth=2) plt.show()

條形圖還返回了一個Artists 數組，對應著每個條形，例如上圖 Artists 數組的大小為5，我們可以通過這些 Artists 對條形圖的樣式進行更改，如下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(1) x = np.arange(5) y = np.random.randn(5)fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1. / 2))vertical_bars = axes[0].bar(x, y, color='lightblue', align='center') horizon_bars = axes[1].barh(x, y, color='lightblue', align='center')for bar, height in zip(vertical_bars, y):if height < 0:bar.set(edgecolor='darkred', color='salmon', linewidth=3)# 在水平或者垂直方向上畫線 axes[0].axhline(0, color='gray', linewidth=2) axes[1].axvline(0, color='gray', linewidth=2) plt.show()

2.4 直方圖

直方圖用于統計數據出現的次數或者頻率，有多種參數可以調整，見下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801)n_bins = 10 x = np.random.randn(1000, 3)fig, axes = plt.subplots(nrows=2, ncols=2) ax0, ax1, ax2, ax3 = axes.flatten()colors = ['red', 'tan', 'lime'] ax0.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors) ax0.legend(prop={'size': 10}) ax0.set_title('bars with legend')ax1.hist(x, n_bins, density=True, histtype='barstacked') ax1.set_title('stacked bar')ax2.hist(x, histtype='barstacked', rwidth=0.5) ax2.set_title('stacked bar')ax3.hist(x[:, 0], rwidth=0.9) ax3.set_title('different sample sizes')fig.tight_layout() plt.show()

參數中density控制Y軸是概率還是數量，與返回的第一個的變量對應。histtype控制著直方圖的樣式，默認是 ‘bar’，對于多個條形時就相鄰的方式呈現如子圖1， ‘barstacked’ 就是疊在一起，如子圖2、3。 rwidth 控制著寬度，這樣可以空出一些間隙，比較圖2、3. 圖4是只有一條數據時。

2.5 餅圖

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801)labels = ['Frogs', 'Hogs', 'Dogs', 'Logs'] sizes = [15, 30, 45, 10] explode = (0, 0.1, 0, 0)fig1, (ax1, ax2) = plt.subplots(2) ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True) ax1.axis('equal')ax2.pie(sizes, autopct='%1.2f%%', shadow=True, startangle=90,explode=explode, pctdistance=1.12) ax2.axis('equal') ax2.legend(labels=labels,loc='upper right') plt.show()

餅圖自動根據數據的百分比畫餅。labels是各個塊的標簽，如子圖一。autopct=%1.1f%%表示格式化百分比精確輸出，explode，突出某些塊，不同的值突出的效果不一樣。pctdistance=1.12百分比距離圓心的距離，默認是0.6

2.6 箱形圖

為了專注于如何畫圖，省去數據的處理部分。 data 的 shape 為 (n, )， data2 的 shape 為 (n, 3)。

import matplotlib.pyplot as plt import numpy as npdata1 = np.random.rand(10) data2 = np.random.rand(10, 3)fig1, (ax1, ax2) = plt.subplots(2) ax1.boxplot(data1) ax2.boxplot(data2, vert=False) # 控制方向plt.show() print(data1) print(data2)

2.7 泡泡圖

散點圖的一種，加入了第三個值 s 可以理解成普通散點，畫的是二維，泡泡圖體現了Z的大小，如下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801) N = 50 x = np.random.rand(N) y = np.random.rand(N) colors = np.random.rand(N) area = (30 * np.random.rand(N)) ** 2plt.scatter(x, y, s=area, c=colors, alpha=0.5) plt.show()

2.8 等高線（輪廓圖）

有時候需要描繪邊界的時候，就會用到輪廓圖，機器學習用的決策邊界也常用輪廓圖來繪畫，見下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801) fig, (ax1, ax2) = plt.subplots(2) x = np.arange(-5, 5, 0.1) y = np.arange(-5, 5, 0.1) xx, yy = np.meshgrid(x, y, sparse=True) z = np.sin(xx ** 2 + yy ** 2) / (xx ** 2 + yy ** 2) ax1.contourf(x, y, z) ax2.contour(x, y, z) plt.show()

上面畫了兩個一樣的輪廓圖，contourf會填充輪廓線之間的顏色。數據x, y, z通常是具有相同shape的二維矩陣。x, y可以為一維向量，但是必需有z.shape = (y.n, x.n)，這里y.n和x.n分別表示x、y的長度。Z通常表示的是距離X-Y平面的距離，傳入X、Y則是控制了繪制等高線的范圍。

3 布局、圖例說明、邊界等

3.1區間上下限

當繪畫完成后，會發現X、Y軸的區間是會自動調整的，并不是跟我們傳入的X、Y軸數據中的最值相同。為了調整區間我們使用下面的方式：

ax.set_xlim([xmin, xmax]) #設置X軸的區間 ax.set_ylim([ymin, ymax]) #Y軸區間 ax.axis([xmin, xmax, ymin, ymax]) #X、Y軸區間 ax.set_ylim(bottom=-10) #Y軸下限 ax.set_xlim(right=25) #X軸上限

具體效果見下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801) x = np.linspace(0, 2 * np.pi) y = np.sin(x)fig, (ax1, ax2) = plt.subplots(2) ax1.plot(x, y) ax2.plot(x, y) ax2.set_xlim([-1, 6]) ax2.set_ylim([-1, 3]) plt.show()

3.2 圖例說明

我們如果我們在一個Axes上做多次繪畫，那么可能出現分不清哪條線或點所代表的意思。這個時間添加圖例說明，就可以解決這個問題了，見下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801) fig, ax = plt.subplots() ax.plot([1, 2, 3, 4], [10, 20, 25, 30], label='Philadelphia') ax.plot([1, 2, 3, 4], [30, 23, 13, 4], label='Boston') ax.scatter([1, 2, 3, 4], [20, 10, 30, 15], label='Point') ax.set(ylabel='Temperature (deg C)', xlabel='Time', title='A tale of two cities') ax.legend() plt.show()

3.3 區間分段

默認情況下，繪圖結束之后，Axes 會自動的控制區間的分段。見下例：

import matplotlib.pyplot as plt import numpy as npnp.random.seed(19680801) data = [('apples', 2), ('oranges', 3), ('peaches', 1)] fruit, value = zip(*data) fig, (ax1, ax2) = plt.subplots(2) x = np.arange(len(fruit)) ax1.bar(x, value, align='center', color='gray') ax2.bar(x, value, align='center', color='gray') ax2.set(xticks=x, xticklabels=fruit) plt.show()

上面不僅修改了X軸的區間段，并且修改了顯示的信息為文本。

3.4 布局

當我們繪畫多個子圖時，就會有一些美觀的問題存在，例如子圖之間的間隔，子圖與畫板的外邊間距以及子圖的內邊距，下面說明這個問題：

fig, axes = plt.subplots(2, 2, figsize=(9, 9)) fig.subplots_adjust(wspace=0.5, hspace=0.3,left=0.125, right=0.9,top=0.9, bottom=0.1)#fig.tight_layout() #自動調整布局，使標題之間不重疊 plt.show()

通過fig.subplots_adjust()我們修改了子圖水平之間的間隔wspace=0.5，垂直方向上的間距hspace=0.3，左邊距left=0.125等等，這里數值都是百分比的。以[0, 1]為區間，選擇left、right、bottom、top注意top 和 right是 0.9 表示上、右邊距為百分之10。不確定如果調整的時候，fig.tight_layout()是一個很好的選擇。之前說到了內邊距，內邊距是子圖的，也就是Axes對象，所以這樣使用ax.margins(x=0.1, y=0.1)，當值傳入一個值時，表示同時修改水平和垂直方向的內邊距。

觀察上面的四個子圖，可以發現他們的X、Y的區間是一致的，而且這樣顯示并不美觀，所以可以調整使他們使用一樣的X、Y軸：

import matplotlib.pyplot as plt import numpy as npfig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True) ax1.plot([1, 2, 3, 4], [1, 2, 3, 4]) ax2.plot([3, 4, 5, 6], [6, 5, 4, 3]) plt.show()

3.5 軸相關

改變邊界的位置，去掉四周的邊框：

fig, ax = plt.subplots() ax.plot([-2, 2, 3, 4], [-10, 20, 25, 5]) ax.spines['top'].set_visible(False) #頂邊界不可見 ax.xaxis.set_ticks_position('bottom') # ticks 的位置為下方，分上下的。 ax.spines['right'].set_visible(False) #右邊界不可見 ax.yaxis.set_ticks_position('left') # "outward" # 移動左、下邊界離 Axes 10 個距離 #ax.spines['bottom'].set_position(('outward', 10)) #ax.spines['left'].set_position(('outward', 10))# "data" # 移動左、下邊界到 (0, 0) 處相交 ax.spines['bottom'].set_position(('data', 0)) ax.spines['left'].set_position(('data', 0))# "axes" # 移動邊界，按 Axes 的百分比位置 #ax.spines['bottom'].set_position(('axes', 0.75)) #ax.spines['left'].set_position(('axes', 0.3))plt.show() 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的Python Matplotlib基本用法的全部內容，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。