文章目錄

• 前言
• 1 概述
• • 1.1 matplotlib的使用邏輯
  • 1.2 matplotlib的三層api
  • 1.3 Artist類的結構
  • 1.4 matplotlib標準用法
• 2 自定義你的Artist對象
• • 2.1 Artist屬性
  • 2.2 屬性調用的方式
• 3 基本元素 - primitives
• • 3.1 Line2D
  • • 3.1.1 如何設置Line2D的屬性
    • 3.1.2 繪制Line2D
    • 3.1.3 errorbar繪制誤差折線圖
  • 3.2 patches
  • • 3.2.1 繪制Rectangle-矩形
    • 3.2.3 繪制Polygon-多邊形
    • 3.2.3 繪制Wedge-契形
  • 3.3 collections-繪制一組對象的集合
  • • 3.3.1 scatter繪制散點圖
  • 3.4 images
• 4 對象容器 - Object container
• • 4.1 Figure容器
  • 4.2 Axes容器
  • • 4.2.1 Subplot和Axes的區別
    • 4.3 Axis容器
  • 4.4 Tick容器
• 作業
• • 思考題
  • 繪圖題

前言

本文為數據可視化組隊學習：《Task02 - 藝術畫筆見乾坤》筆記。

---

1 概述

1.1 matplotlib的使用邏輯

跟人類繪圖一樣，用matplotlib也是一樣的步驟：

準備一塊畫布或畫紙

準備好顏料、畫筆等制圖工具

作畫

1.2 matplotlib的三層api

就如房子一般，是從地基一直往屋頂建的，在matplotlib中，也有類似的層次結構：

matplotlib.backend_bases.FigureCanvas
代表了繪圖區，所有的圖像都是在繪圖區完成的

matplotlib.backend_bases.Renderer
代表了渲染器，可以近似理解為畫筆，控制如何在 FigureCanvas 上畫圖。

matplotlib.artist.Artist
代表了具體的圖表組件，即調用了Renderer的接口在Canvas上作圖。

1、2 處理程序和計算機的底層交互的事項，3 Artist就是具體的調用接口來做出我們想要的圖，比如圖形、文本、線條的設定。所以通常來說，我們95%的時間，都是用來和 matplotlib.artist.Artist 類打交道的。

1.3 Artist類的結構

其中圖形figure、坐標系Axes和坐標軸Axis的關系如下圖所示：

▲ 圖形figure、坐標系Axes和坐標軸Axis的關系

1.4 matplotlib標準用法

由圖形figure、坐標系Axes和坐標軸Axis的關系，可以得到matplotlib畫圖的標準方法，還是以建房子為例，從地基到房頂建造：

創建一個Figure實例

使用Figure實例創建一個或者多個Axes或Subplot實例

使用Axes實例的輔助方法來創建primitive

import matplotlib.pyplot as plt import numpy as np# step 1 # 我們用 matplotlib.pyplot.figure() 創建了一個Figure實例 fig = plt.figure()# step 2 # 然后用Figure實例創建了一個兩行一列(即可以有兩個subplot)的繪圖區，并同時在第一個位置創建了一個subplot ax = fig.add_subplot(2, 1, 1) # two rows, one column, first plot# step 3 # 然后用Axes實例的方法畫了一條曲線 t = np.arange(0.0, 1.0, 0.01) s = np.sin(2*np.pi*t) line, = ax.plot(t, s, color='blue', lw=2)

2 自定義你的Artist對象

2.1 Artist屬性

在圖形中的每一個元素都對應著一個matplotlib Artist，且都有其對應的配置屬性列表。
每個matplotlib Artist都有以下常用屬性：

.alpha屬性：透明度。值為0—1之間的浮點數

.axes屬性：返回這個Artist所屬的axes，可能為None

.figure屬性：該Artist所屬的Figure，可能為None

.label：一個text label

.visible：布爾值，控制Artist是否繪制

補充，完整屬性列表：

PropertyDescription

alpha	The transparency - a scalar from 0-1
animated	A boolean that is used to facilitate animated drawing
axes	The axes that the Artist lives in, possibly None
clip_box	The bounding box that clips the Artist
clip_on	Whether clipping is enabled
clip_path	The path the artist is clipped to
contains	A picking function to test whether the artist contains the pick point
figure	The figure instance the artist lives in, possibly None
label	A text label (e.g., for auto-labeling)
picker	A python object that controls object picking
transform	The transformation
visible	A boolean whether the artist should be drawn
zorder	A number which determines the drawing order
rasterized	Boolean; Turns vectors into raster graphics (for compression & eps transparency)

特別有Figure、Axes本身具有一個Rectangle，使用 Figure.patch 和 Axes.patch 可以查看：

# .patch plt.figure().patch plt.axes().patch

2.2 屬性調用的方式

既然每個Artist對象都有屬性，那么該如何去查看和修改這些屬性呢？

Artist對象的所有屬性都通過相應的 get_* 和 set_* 函數進行讀寫。

例如下面的語句將alpha屬性設置為當前值的一半：

a = o.get_alpha() o.set_alpha(0.5*a)

如果想一次設置多個屬性，也可以用set方法：

o.set(alpha=0.5, zorder=2)

可以使用 matplotlib.artist.getp(o,“alpha”) 來獲取屬性，如果指定屬性名，則返回對象的該屬性值；如果不指定屬性名，則返回對象的所有的屬性和值。

import matplotlib # Figure rectangle的屬性 matplotlib.artist.getp(fig.patch) agg_filter = Nonealpha = Noneanimated = Falseantialiased or aa = Falsebbox = Bbox(x0=0.0, y0=0.0, x1=1.0, y1=1.0)capstyle = buttchildren = []clip_box = Noneclip_on = Trueclip_path = Nonecontains = Nonedata_transform = BboxTransformTo( TransformedBbox( Bbox...edgecolor or ec = (1.0, 1.0, 1.0, 0.0)extents = Bbox(x0=0.0, y0=0.0, x1=432.0, y1=288.0)facecolor or fc = (1.0, 1.0, 1.0, 0.0)figure = Figure(432x288)fill = Truegid = Nonehatch = Noneheight = 1in_layout = Falsejoinstyle = miterlabel = linestyle or ls = solidlinewidth or lw = 0.0patch_transform = CompositeGenericTransform( BboxTransformTo( ...path = Path(array([[0., 0.], [1., 0.], [1.,...path_effects = []picker = Nonerasterized = Nonesketch_params = Nonesnap = Nonetransform = CompositeGenericTransform( CompositeGenericTra...transformed_clip_path_and_affine = (None, None)url = Noneverts = [[ 0. 0.] [432. 0.] [432. 288.] [ 0. 288....visible = Truewidth = 1window_extent = Bbox(x0=0.0, y0=0.0, x1=432.0, y1=288.0)x = 0xy = (0, 0)y = 0zorder = 1

3 基本元素 - primitives

3.1 Line2D

在matplotlib中曲線的繪制，主要是通過類 matplotlib.lines.Line2D 來完成的。
它的基類: matplotlib.artist.Artist

3.1.1 如何設置Line2D的屬性

有三種方法。

直接在plot()函數中設置

import matplotlib.pyplot as plt x = range(0,5) y = [2,5,7,8,10] plt.plot(x,y, linewidth=10) # 設置線的粗細參數為10

通過獲得線對象，對線對象進行設置

x = range(0,5) y = [2,5,7,8,10] line, = plt.plot(x, y, '-') line.set_antialiased(False) # 關閉抗鋸齒功能

獲得線屬性，使用setp()函數設置

x = range(0,5) y = [2,5,7,8,10] lines = plt.plot(x, y) plt.setp(lines, color='r', linewidth=10)

3.1.2 繪制Line2D

繪制直線line常用的方法有兩種。

• pyplot方法繪制
• Line2D對象繪制

常用參數：

• xdata:需要繪制的line中點的在x軸上的取值，若忽略，則默認為range(1,len(ydata)+1)
• ydata:需要繪制的line中點的在y軸上的取值
• linewidth:線條的寬度
• linestyle:線型
• color:線條的顏色
• marker:點的標記，詳細可參考markers API 1
• markersize:標記的size

• pyplot方法繪制
  這種方法更加簡便。

import matplotlib.pyplot as plt x = range(0,5) y = [2,5,7,8,10] plt.plot(x,y)

• Line2D對象繪制
  這種方法完美地詮釋了matplotlib畫圖的figure→axes→axis結構。

import matplotlib.pyplot as plt from matplotlib.lines import Line2D # figure fig = plt.figure()# axes ax = fig.add_subplot(111)x = range(0,5) y = [2,5,7,8,10] line = Line2D(x, y) ax.add_line(line)# axis ax.set_xlim(min(x), max(x)) ax.set_ylim(min(y), max(y))plt.show()

上述代碼也可用下面的代替：

import matplotlib.pyplot as plt from matplotlib.lines import Line2D fig = plt.figure() ax = fig.add_subplot(111) # 1×1網格，第1子圖x = range(0,5) y = [2,5,7,8,10] line = Line2D(x, y) ax.add_line(line)ax.set(xlim=(min(x), max(x)), ylim=(min(y), max(y)))plt.show()

3.1.3 errorbar繪制誤差折線圖

構造方法如下：

matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt=’’, ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, *, data=None, **kwargs)

主要參數：

• x：需要繪制的line中點的在x軸上的取值
• y：需要繪制的line中點的在y軸上的取值
• yerr：指定y軸水平的誤差
• xerr：指定x軸水平的誤差
• fmt：指定折線圖中某個點的顏色，形狀，線條風格，例如‘co–’
• ecolor：指定error bar的顏色
• elinewidth：指定error bar的線條寬度

errorbar的基類是matplotlib.pyplot，所以不需要plot.show().

import numpy as np import matplotlib.pyplot as plt x = np.arange(10) y = 2.5 * np.sin(x / 20 * np.pi) yerr = np.linspace(0.05, 0.2, 10) plt.errorbar(x, y + 3, yerr=yerr, label='both limits (default)')

加個 linewidth=10, color='r'：

import numpy as np import matplotlib.pyplot as plt x = np.arange(10) y = 2.5 * np.sin(x / 20 * np.pi) yerr = np.linspace(0.05, 0.2, 10) plt.errorbar(x, y + 5,linewidth=10,color='r', yerr=yerr, label='both limits (default)') plt.legend() # 輸出label

3.2 patches

matplotlib.patches.Patch類是二維圖形類。它的基類是matplotlib.artist.Artist。

3.2.1 繪制Rectangle-矩形

Rectangle矩形類在官網中的定義是： 通過錨點xy及其寬度和高度生成。

Rectangle本身的主要比較簡單，即xy控制錨點，width和height分別控制寬和高。它的構造函數：

class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)

在實際中最常見的矩形圖是hist直方圖和bar條形圖。

hist-直方圖
兩種繪制方法:

• 使用plt.hist繪制
• 使用Rectangle矩形類繪制直方圖

• 使用plt.hist繪制
  非常簡便。

matplotlib.pyplot.hist(x,bins=None,range=None, density=None, bottom=None, histtype=‘bar’, align=‘mid’, log=False, color=None, label=None, stacked=False, normed=None)

常用的參數：

• x: 數據集，最終的直方圖將對數據集進行統計
• bins: 統計的區間分布
• range: tuple, 顯示的區間，range在沒有給出bins時生效
• density: bool，默認為false，顯示的是頻數統計結果，為True則顯示頻率統計結果，這里需要注意，頻率統計結果=區間數目/(總數*區間寬度)，和>- normed效果一致，官方推薦使用density
• histtype: 可選{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默認為bar，推薦使用默認配置，step使用的是梯狀，stepfilled則會對梯狀內部進行填充，效果與bar類似
• align: 可選{‘left’, ‘mid’, ‘right’}之一，默認為’mid’，控制柱狀圖的水平分布，left或者right，會有部分空白區域，推薦使用默認
• log: bool，默認False,即y坐標軸是否選擇指數刻度
• stacked: bool，默認為False，是否為堆積狀圖

import matplotlib.pyplot as plt import numpy as np # 落入每個范圍的x數據集中的數據個數 x=np.random.randint(0,100,100) #生成[0-100)之間的100個數據,即數據集 bins=np.arange(0,101,10) #設置連續的邊界值，即直方圖的分布區間[0,10),[10,20)... plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha設置透明度，0為完全透明 plt.xlabel('scores') plt.ylabel('count') plt.xlim(0,100)#設置x軸分布范圍 plt.show() import matplotlib.pyplot as plt import numpy as np # 落入每個范圍的x數據集中的數據個數 x=np.random.randint(0,100,100) #生成[0-100)之間的100個數據,即數據集 bins=np.arange(0,101,10) #設置連續的邊界值，即直方圖的分布區間[0,10),[10,20)... plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha設置透明度，0為完全透明 plt.xlabel('scores') plt.ylabel('count') # plt.xlim(0,100) plt.xlim(0,200)#設置x軸分布范圍

• 使用Rectangle矩形類繪制直方圖
  個人感覺比較麻煩。

import pandas as pd import re df = pd.DataFrame(columns = ['data']) df.loc[:,'data'] = x df['fenzu'] = pd.cut(df['data'], bins=bins, right = False,include_lowest=True)df_cnt = df['fenzu'].value_counts().reset_index() df_cnt.loc[:,'mini'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\[(.*)\,',x)[0]).astype(int) df_cnt.loc[:,'maxi'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\,(.*)\)',x)[0]).astype(int) df_cnt.loc[:,'width'] = df_cnt['maxi']- df_cnt['mini'] df_cnt.sort_values('mini',ascending = True,inplace = True) df_cnt.reset_index(inplace = True,drop = True)#用Rectangle把hist繪制出來 import matplotlib.pyplot as pltfig = plt.figure() ax1 = fig.add_subplot(111) #rect1 = plt.Rectangle((0,0),10,10) #ax1.add_patch(rect)#ax2 = fig.add_subplot(212) for i in df_cnt.index:rect = plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'fenzu']) #rect2 = plt.Rectangle((10,0),10,5)ax1.add_patch(rect) #ax1.add_patch(rect2) ax1.set_xlim(0, 100) ax1.set_ylim(0, 16) plt.show()

bar-柱狀圖
兩種繪制方法：

• 使用plt.bar()繪制
• 使用Rectangle矩形類繪制柱狀圖

• 使用plt.bar()繪制
  非常簡便。

matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)

常用的參數：

• left：x軸的位置序列，一般采用range函數產生一個序列，但是有時候可以是字符串
• height：y軸的數值序列，也就是柱形圖的高度，一般就是我們需要展示的數據；
• alpha：透明度，值越小越透明
• width：為柱形圖的寬度，一般這是為0.8即可；
• color或facecolor：柱形圖填充的顏色；
• edgecolor：圖形邊緣顏色
• label：解釋每個圖像代表的含義，這個參數是為legend()函數做鋪墊的，表示該次bar的標簽

import matplotlib.pyplot as plt y = range(1,17) plt.bar(np.arange(16), y, alpha=0.5, width=0.5, color='yellow', edgecolor='red', label='The First Bar', lw=3)

• 使用Rectangle矩形類繪制柱狀圖
  個人感覺比較麻煩。

#import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(111)"""class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)x y：分別為矩形左下角的坐標 """ for i in range(1,17):rect = plt.Rectangle((i+0.25,0),0.5,i)ax1.add_patch(rect) ax1.set_xlim(0, 16) ax1.set_ylim(0, 16) plt.show() #import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(111)"""class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)x y：分別為矩形左下角的坐標 """ for i in range(1,17):rect = plt.Rectangle((i-1,0),0.5,i,angle=45)ax1.add_patch(rect) ax1.set_xlim(0, 16) ax1.set_ylim(0, 16) plt.show()

3.2.3 繪制Polygon-多邊形

matplotlib.patches.Polygon類是多邊形類。其基類是matplotlib.patches.Patch。

構造函數：

class matplotlib.patches.Polygon(xy, closed=True, **kwargs)

參數說明：

• xy：是一個N×2的numpy array，為多邊形的頂點。
• closed：為True則指定多邊形將起點和終點重合從而顯式關閉多邊形

在使用中，我們直接通過matplotlib.pyplot.fill()來繪制多邊形：

import matplotlib.pyplot as plt x = np.linspace(0, 5 * np.pi, 1000) y1 = np.sin(x) y2 = np.sin(2 * x) plt.fill(x, y1, color = "g", alpha = 0.3)

再用一個例子來說明plt.fill能用于繪制多邊形：

import numpy as np import matplotlib.pyplot as pltdef koch_snowflake(order, scale=10):"""Return two lists x, y of point coordinates of the Koch snowflake.Arguments---------order : intThe recursion depth.scale : floatThe extent of the snowflake (edge length of the base triangle)."""def _koch_snowflake_complex(order):if order == 0:# initial triangleangles = np.array([0, 120, 240]) + 90return scale / np.sqrt(3) * np.exp(np.deg2rad(angles) * 1j)else:ZR = 0.5 - 0.5j * np.sqrt(3) / 3p1 = _koch_snowflake_complex(order - 1) # start pointsp2 = np.roll(p1, shift=-1) # end pointsdp = p2 - p1 # connection vectorsnew_points = np.empty(len(p1) * 4, dtype=np.complex128)new_points[::4] = p1new_points[1::4] = p1 + dp / 3new_points[2::4] = p1 + dp * ZRnew_points[3::4] = p1 + dp / 3 * 2return new_pointspoints = _koch_snowflake_complex(order)x, y = points.real, points.imag # 返回實部和虛部return x, y x, y = koch_snowflake(order=5)plt.figure(figsize=(8, 8)) plt.axis('equal') # 把單位長度都變的一樣。這樣做的好處就是對于圓來說更像圓 plt.fill(x, y) plt.show()

3.2.3 繪制Wedge-契形

matplotlib.patches.Polygon類是多邊形類。其基類是matplotlib.patches.Patch。

在使用中，我們直接通過matplotlib.pyplot.pie()來繪制契形：

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)

常用參數：

• x：契型的形狀，一維數組。
• explode：如果不是等于None，則是一個len(x)數組，它指定用于偏移每個楔形塊的半徑的分數。
• labels：用于指定每個契型塊的標記，取值是列表或為None。
• colors：餅圖循環使用的顏色序列。如果取值為>- None，將使用當前活動循環中的顏色。
• startangle：餅狀圖開始的繪制的角度。

• 使用plt.pie()繪制餅狀圖

import matplotlib.pyplot as plt labels = 'Frogs', 'Hogs', 'Dogs', 'Logs' x = [15, 30, 45, 10] explode = (0, 0.1, 0, 0) plt.pie(x, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90) plt.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle. plt.show()

• figure→axes→axis結構繪制餅狀圖

import matplotlib.pyplot as plt labels = 'Frogs', 'Hogs', 'Dogs', 'Logs' x = [15, 30, 45, 10] explode = (0, 0.5, 0, 0) fig1, ax1 = plt.subplots() ax1.pie(x, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90) ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle. plt.show()

• wedge繪制餅圖

import matplotlib.pyplot as plt from matplotlib.patches import Circle, Wedge from matplotlib.collections import PatchCollectionfig = plt.figure() ax1 = fig.add_subplot(111) theta1 = 0 sizes = [15, 30, 45, 10] patches = [] patches += [Wedge((0.3, 0.3), .2, 0, 54), # Full circleWedge((0.3, 0.3), .2, 54, 162), # Full ringWedge((0.3, 0.3), .2, 162, 324), # Full sectorWedge((0.3, 0.3), .2, 324, 360), # Ring sector ] colors = 100 * np.random.rand(len(patches)) p = PatchCollection(patches, alpha=0.4) p.set_array(colors) ax1.add_collection(p) plt.show()

3.3 collections-繪制一組對象的集合

collections類是用來繪制一組對象的集合，collections有許多不同的子類，如RegularPolyCollection, CircleCollection, Pathcollection, 分別對應不同的集合子類型。其中比較常用的就是散點圖，它是屬于PathCollection子類，scatter方法提供了該類的封裝，根據x與y繪制不同大小或顏色標記的散點圖。

3.3.1 scatter繪制散點圖

最主要的參數：

• x：數據點x軸的位置
• y：數據點y軸的位置
• s：尺寸大小
• c：可以是單個顏色格式的字符串，也可以是一系列顏色
• marker: 標記的類型

其中marker是點的樣式，如圓形、矩形，甚至是字母之類的，詳情請看官網🔗matplotlib.markers

• 使用Axes.scatter()繪制

import matplotlib.pyplot as plt import numpy as np# Fixing random state for reproducibility np.random.seed(19680801)# unit area ellipse rx, ry = 3., 1. area = rx * ry * np.pi theta = np.arange(0, 2 * np.pi + 0.01, 0.1) verts = np.column_stack([rx / area * np.cos(theta), ry / area * np.sin(theta)])x, y, s, c = np.random.rand(4, 30) s *= 10**2.fig, ax = plt.subplots() ax.scatter(x, y, s, c, marker=verts)plt.show()

• 使用plt.scatter()繪制

x = [0,2,4,6,8,10] y = [10]*len(x) s = [20*2**n for n in range(len(x))] plt.scatter(x,y,s=s) plt.show() import numpy as np import matplotlib.pyplot as plt# Fixing random state for reproducibility np.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))**2 # 0 to 15 point radiiplt.scatter(x, y, s=area, c=colors, alpha=0.5) plt.show()

3.4 images

images是matplotlib中繪制image圖像的類，其中最常用的imshow可以根據數組繪制成圖像。

matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=, filternorm=1, filterrad=4.0, imlim=, resample=None, url=None, *, data=None, **kwargs）

使用imshow畫圖時首先需要傳入一個數組，數組對應的是空間內的像素位置和像素點的值，其中參數interpolation參數可以設置不同的差值方法，具體效果如下:

import matplotlib.pyplot as plt import numpy as np methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16','spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric','catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']grid = np.random.rand(4, 4) # 4×4大小的圖片fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6),subplot_kw={'xticks': [], 'yticks': []})for ax, interp_method in zip(axs.flat, methods):ax.imshow(grid, interpolation=interp_method, cmap='afmhot')ax.set_title(str(interp_method))plt.tight_layout() plt.show()

interpolation='antialiased'時，有抗鋸齒效果：

import matplotlib.pyplot as plt import numpy as np methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16','spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric','catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']grid = np.random.rand(4, 4)fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6),subplot_kw={'xticks': [], 'yticks': []})for ax, interp_method in zip(axs.flat, methods):"""interpolation = 'none' works well when a big image is scaled down, while interpolation = 'nearest' works well when a small image is scaled up.default: 'antialiased'"""ax.imshow(grid, interpolation='antialiased', cmap='afmhot') # cmap: colormap,圖像的顏色樣式ax.set_title(str(interp_method))plt.tight_layout() # 輸出的圖像看起來更舒服 plt.show()

參數cmap代表著不同的顏色，舉些例子：

將上文的代碼的cmap='afmhot'修改為cmap='plasma'，圖像顏色改變:

4 對象容器 - Object container

容器會包含一些primitives，并且容器還有它自身的屬性。

4.1 Figure容器

注意Figure默認的坐標系是以像素為單位，你可能需要轉換成figure坐標系：(0,0)表示左下點，(1,1)表示右上點。

Figure容器的常見屬性：

• Figure.patch屬性：Figure的背景矩形
• Figure.axes屬性：一個Axes實例的列表（包括Subplot)
• Figure.images屬性：一個FigureImages patch列表
• Figure.lines屬性：一個Line2D實例的列表（很少使用）
• Figure.legends屬性：一個Figure Legend實例列表（不同于Axes.legends)
• Figure.texts屬性：一個Figure Text實例列表
  當我們向圖表添加Figure.add_subplot()或者Figure.add_axes()元素時，這些都會被添加到Figure.axes列表中。

import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(211) # 作一幅2*1的圖，選擇第1個子圖 ax2 = fig.add_axes([0.1, 0.1, 0.5, 0.3]) # 位置參數，四個數分別代表了(left,bottom,width,height) #print(ax1) #包含了subplot和axes兩個實例, 剛剛添加的 print(fig.axes) # fig.axes 中包含了subplot和axes兩個實例, 剛剛添加的 import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(211) # 作一幅2*1的圖，選擇第1個子圖 ax2 = fig.add_axes([0.1, 0.1, 0.5, 0.3]) # 位置參數，四個數分別代表了(left,bottom,width,height) print(ax1) #包含了subplot和axes兩個實例, 剛剛添加的 #print(fig.axes) # fig.axes 中包含了subplot和axes兩個實例, 剛剛添加的

既然Figure.axes里面存有subplot和axes，那我們遍歷看看:

import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(211) # Add an Axes to the figure as part of a subplot arrangement. ax2 = fig.add_axes([1,1,0.2,0.2]) ax3 = fig.add_subplot(212)for ax in fig.axes:ax.grid(True)

4.2 Axes容器

matplotlib.axes.Axes是matplotlib的核心。大量的用于繪圖的Artist存放在它內部，并且它有許多輔助方法來創建和添加Artist給它自己。

Axes有許多方法用于繪圖，如.plot()、.text()、.hist()、.imshow()等方法用于創建大多數常見的primitive(如Line2D，Rectangle，Text，Image等等）

和Figure容器類似，Axes包含了一個patch屬性:

import numpy as np import matplotlib.pyplot as plt import matplotlibfig = plt.figure() ax = fig.add_subplot(111) ## Add an Axes to the figure as part of a subplot rect = ax.patch # axes的patch是一個Rectangle實例 rect.set_facecolor('blue')

不應該直接通過Axes.lines和Axes.patches列表來添加圖表，還記得嗎？Axes是從Artist來的，所以可以用add_*，使用Axes的輔助方法.add_line()和.add_patch()方法來直接添加。

4.2.1 Subplot和Axes的區別

Subplot就是一個特殊的Axes，其實例是位于網格中某個區域的Subplot實例，Figure.add_subplot()，通過Figure.add_axes([left,bottom,width,height])可以創建一個任意區域的Axes。

4.3 Axis容器

每個Axis都有一個label屬性，也有主刻度列表和次刻度列表。這些ticks是axis.XTick和axis.YTick實例，它們包含著line primitive以及text primitive用來渲染刻度線以及刻度文本。

刻度是動態創建的，只有在需要創建的時候才創建（比如縮放的時候）。Axis也提供了一些輔助方法來獲取刻度文本、刻度線位置等等：
常見的如下：

# 不用print，直接顯示結果 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = "all"fig, ax = plt.subplots() x = range(0,5) y = [2,5,7,8,10] plt.plot(x, y, '-')axis = ax.xaxis # axis為X軸對象 axis.get_ticklocs() # 獲取刻度線位置 axis.get_ticklabels() # 獲取刻度label列表(一個Text實例的列表）。 可以通過minor=True|False關鍵字參數控制輸出minor還是major的tick label。 axis.get_ticklines() # 獲取刻度線列表(一個Line2D實例的列表）。 可以通過minor=True|False關鍵字參數控制輸出minor還是major的tick line。 axis.get_data_interval()# 獲取軸刻度間隔 axis.get_view_interval()# 獲取軸視角（位置）的間隔

下面的例子展示了如何調整一些軸和刻度的屬性(忽略美觀度，僅作調整參考)：

fig = plt.figure() # 創建一個新圖表 rect = fig.patch # 矩形實例并將其設為黃色 rect.set_facecolor('lightgoldenrodyellow')ax1 = fig.add_axes([0.1, 0.3, 0.4, 0.4]) # 創一個axes對象，從(0.1,0.3)的位置開始，寬和高都為0.4， rect = ax1.patch # ax1的矩形設為灰色 rect.set_facecolor('lightslategray')for label in ax1.xaxis.get_ticklabels(): # 調用x軸刻度標簽實例，是一個text實例label.set_color('red') # 顏色label.set_rotation(45) # 旋轉角度label.set_fontsize(16) # 字體大小for line in ax1.yaxis.get_ticklines():# 調用y軸刻度線條實例, 是一個Line2D實例line.set_color('green') # 顏色line.set_markersize(25) # marker大小line.set_markeredgewidth(2)# marker粗細plt.show()

4.4 Tick容器

matplotlib.axis.Tick是從Figure到Axes到Axis到Tick中最末端的容器對象。

y軸分為左右兩個，因此tick1對應左側的軸；tick2對應右側的軸。
x軸分為上下兩個，因此tick1對應下側的軸；tick2對應上側的軸。

下面的例子展示了，如何將Y軸右邊軸設為主軸，并將標簽設置為美元符號且為綠色：

import numpy as np import matplotlib.pyplot as plt import matplotlibfig, ax = plt.subplots() ax.plot(100*np.random.rand(20))# 設置ticker的顯示格式 formatter = matplotlib.ticker.FormatStrFormatter('$%3.2f') # 3.3f：整數部分隨便填（？不太清楚），小數保留2位 ax.yaxis.set_major_formatter(formatter)# 設置ticker的參數，右側為主軸，顏色為綠色 # which=['major','minor','both'] ax.yaxis.set_tick_params(which='major',labelcolor='green',labelleft=False,labelright=True)plt.show()

作業

思考題

primitives 和 container的區別和聯系是什么？
primitives是各種基本元素，而container是裝基本元素的容器。相同點在于它們都是Artist的子類，都可以通過add_*和set_*來添加和設置屬性。

四個容器的聯系和區別是么？他們分別控制一張圖表的哪些要素？
figure axes axis tick是”由大到小“的，就跟畫畫一樣，figure是畫布，axes是畫筆，axis就是畫的正方形輪廓，tick就是上面的刻度。如圖所示：

繪圖題

教程中展示的案例都是單一圖，請自行創建數據，畫出包含6個子圖的線圖，要求：
子圖排布是 2 * 3 （2行 3列）；
線圖可用教程中line2D方法繪制；
需要設置每個子圖的橫坐標和縱坐標刻度；
并設置整個圖的標題，橫坐標名稱，以及縱坐標名稱

import matplotlib.pyplot as plot from matplotlib.lines import Line2D import matplotlib.ticker as ticker import numpy as npfig,axs = plt.subplots(2,3,figsize=(10,5))def f(x,i):function = [np.sin(x),np.log(x),np.cos(x),5*x**2+3,1/x,x**3]return function[i]for i in range(6):print(i)row_index = i // 3col_index = i % 3x = np.random.randint(1,10,10)y = f(x,i)color = np.random.rand(3) # R G B 圖片#line = Line2D(x,y)#line.set_color(color)axs[row_index,col_index].plot(x,y,color=color)#axs[row_index,col_index].add_line(line)axs[row_index,col_index].set_ylabel("test_y:"+str(i))axs[row_index,col_index].set_xlabel("test_x:"+str(i))axs[row_index,col_index].xaxis.set_major_locator(ticker.AutoLocator())axs[row_index,col_index].yaxis.set_major_locator(ticker.AutoLocator())fig.suptitle("This is my homework!") fig.text(0,0.5,'y_axis',horizontalalignment='left') fig.text(0.5,0,'x_axis',verticalalignment='center') plt.tight_layout()

分別用一組長方形柱和填充面積的方式模仿畫出下圖，函數 y = -1 * (x - 2) * (x - 8) +10 在區間[2,9]的積分面積

import matplotlib.pyplot as plt import numpy as npdef f(x):y = -1 * (x - 2) * (x - 8) +10return y fig, axs = plt.subplots(2,1,figsize=(6,8))for i in np.arange(2,9,0.2):rect = plt.Rectangle((i,0),0.1,f(i),color='lightgray')axs[0].add_patch(rect)x = np.arange(0,11,0.1) y = f(x)axs[0].plot(x,y,'r') axs[0].set_ylim(0,20)axs[1].plot(x,y,'r') axs[1].fill_between(x,y,where=(x>=2)&(x<=9),facecolor='lightgray') axs[1].set_ylim(0,20) 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数据可视化组队学习：《Task02 - 艺术画笔见乾坤》笔记的全部內容，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。