0. 前言

本文介紹Python Matplotlib庫(kù)的入門(mén)求生級(jí)使用方法。

為了方便以下舉例說(shuō)明，我們先導(dǎo)入需要的幾個(gè)庫(kù)。以下代碼在Jupyter Notebook中運(yùn)行。

%matplotlib inline     
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

1. 創(chuàng)建Figure的兩種基本方法

1.1 第1種方法

注意，F(xiàn)igure在Matplotlib中是一個(gè)專(zhuān)有名詞（后面會(huì)有解釋?zhuān)?，Matplotlib把你的數(shù)據(jù)以圖的形式繪制在Figure(比如說(shuō)，windows, Jupyter wgets, etc.)中。創(chuàng)建一個(gè)Figure的基本方式之一就是使用pyplot.subplots.
如下所示，我們用pyplot.subplots創(chuàng)建了一個(gè)Figure，其中包含一個(gè)axes（同樣，這是一個(gè)Matplotlib專(zhuān)有名詞，后面再進(jìn)行解釋?zhuān)?，然后再利用axes.plot畫(huà)圖。

fig, ax = plt.subplots()  # Create a figure containing a single axes.
x    = np.arange(100)
Fs   = 100  # 100Hz sampling rate
Fsin = 2    # 2Hz 
y = np.sin(2*np.pi*Fsin*(1/Fs)*x)
ax.plot(x, y)  # Plot some data on the axes.

以上代碼畫(huà)了一個(gè)正弦波的波形。

1.2 第2種方法

許多其它的繪圖工具庫(kù)或者語(yǔ)言并不要求你必須顯式地（explicity）先創(chuàng)建一個(gè)Figure以及axes，比如說(shuō)在Matlab中，你直接如下所示一樣直接調(diào)用plot()函數(shù)就一步到位地得到所想要的圖，如果現(xiàn)成的axes的話，matlab會(huì)為你創(chuàng)建一個(gè).

plot([1, 2, 3, 4], [1, 4, 2, 3]) % MATLAB plot.

事實(shí)上，你也可以以這種方式使用Matplotlib。對(duì)于每一個(gè)axes的繪圖方法，matplotlib.pyplot模塊中都有一個(gè)對(duì)應(yīng)的函數(shù)執(zhí)行在當(dāng)前axes上畫(huà)一個(gè)圖的功能，如果還沒(méi)有已經(jīng)創(chuàng)建好的axes的話，就先為你創(chuàng)建一個(gè)Figure和axes，正如在Matlab中一樣。因此以上例子可以更簡(jiǎn)潔地寫(xiě)為：

plt.plot(x, y)  # Call plt.plot() directly

同樣會(huì)得到以上相同的圖。

2. Figure的解剖圖及各種基本概念

上圖出自Ref1。圖中給出了matplotlib中Figure（沒(méi)有想好這個(gè)到底應(yīng)該怎么翻譯。本來(lái)想是不是可以譯成畫(huà)布，但是畫(huà)布對(duì)應(yīng)英文中的Canvas。而Figure的說(shuō)明中明確指出了Figure包含了Canvas,如果說(shuō)Canvas是指畫(huà)布的話，那Figure其實(shí)是指整個(gè)一幅畫(huà)。還是不勉強(qiáng)吧，直接用英語(yǔ)單詞好了）

2.1 Figure

The whole figure.整幅畫(huà)或整個(gè)圖。Figure保持其中所有的child axes的信息，以及一些特殊的artists (titles, figure legends, etc)(這里artist又是很難翻譯的一個(gè)詞，指的是標(biāo)題、圖例等圖的說(shuō)明性信息對(duì)象)，以及畫(huà)布(canvas)。
可以說(shuō)Figure是幕后的大Boss管理著所有的信息，是它真正執(zhí)行為你繪制圖畫(huà)的動(dòng)作。但是作為用戶，它反而是不太顯眼的，對(duì)你來(lái)說(shuō)多少有點(diǎn)隱形的樣子。一個(gè)Figure中可以包含任意多個(gè)axes，通常至少包含一個(gè)。

以下是創(chuàng)建Figure的幾種方式，其中前兩種在上面的例子已經(jīng)介紹，也是常用的。
最后一種是創(chuàng)建一個(gè)空的Figure，可以在之后給它添加axes。這種做法不常見(jiàn)，屬于高階用法，方便高階用戶進(jìn)行更加靈活的axes布局。

fig, ax = plt.subplots()  # a figure with a single Axes
fig, axs = plt.subplots(2, 2)  # a figure with a 2x2 grid of Axes
fig = plt.figure()  # an empty figure with no Axes

2.2 Axes

Axes原本是axis(坐標(biāo))的復(fù)數(shù)，所以可以翻譯成坐標(biāo)系？就這么理解著吧。一個(gè)給定的Figure可以包含多個(gè)axes，但是一個(gè)axes對(duì)象只能存在于一個(gè)Figure中。（按坐標(biāo)系理解的話，故名思意）一個(gè)Axes包含多個(gè)axis，比如說(shuō)在2D（2維）的圖中有兩個(gè)坐標(biāo)軸，在3D（3維）圖中有三個(gè)坐標(biāo)軸。
在一個(gè)axes中可以通過(guò)以下一些方法來(lái)設(shè)置圖的一些屬性：
set_xlim(),set_ylim()：分別用于設(shè)置x軸、y軸的表示范圍
set_title()：設(shè)置圖的標(biāo)題
set_xlabel(),set_ylabel(): 分別用于設(shè)置x軸和y軸的標(biāo)簽

Axes類(lèi)和它的成員函數(shù)是matplolib的面向?qū)ο蟮慕缑娴闹饕肟冢P(guān)于面向?qū)ο蠼涌谂cpyplot接口參見(jiàn)后面的說(shuō)明）

2.3 Axis

這個(gè)就是我們常說(shuō)的坐標(biāo)軸。不再贅述。事實(shí)上，越解釋越糊涂。。。有興趣的小伙伴可以看看matplotlib文檔的原始說(shuō)明，反正我是越看越暈。。。還不如直接看代碼例直到怎么使用就可以了。

2.4 Artist

Basically, everything you can see on the figure is an artist (even the Figure, Axes, and Axis objects). This includes Text objects, Line2D objects, collections objects, Patch objects ... (you get the ea). When the figure is rendered, all of the artists are drawn to the canvas. Most Artists are tied to an Axes; such an Artist cannot be shared by multiple Axes, or moved from one to another.

暈菜。。。同上，還不如直接看代碼例直到怎么使用就可以了^-^

3. 繪圖函數(shù)的輸入

所有的繪圖函數(shù)都接受numpy.array or numpy.ma.masked_array作為輸入。
像pandas中的數(shù)據(jù)對(duì)象以及numpy.matrix等類(lèi)似于數(shù)組（'array-like'）的對(duì)象如果直接用于繪圖函數(shù)的輸入的話有可能會(huì)產(chǎn)生意想不到的結(jié)果。所以最好把它們先轉(zhuǎn)換成numpy.array對(duì)象再傳遞給繪圖函數(shù)。

# For example, to convert a pandas.DataFrame
a = pd.DataFrame(np.random.rand(4, 5), columns = list('abcde'))
a_asarray = a.values
 
# and to convert a numpy.matrix
b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b)

4. 面向?qū)ο蠼涌谂cpyplot接口

如上所述，有兩種基本的使用Matplotlib的方法。

(1) 顯式地創(chuàng)建Figure和axes，然后調(diào)用方法作用于它們，這個(gè)稱(chēng)之為面向?qū)ο箫L(fēng)格。

(2) 直接調(diào)用pyplot進(jìn)行繪圖，這個(gè)姑且稱(chēng)之為快捷風(fēng)格吧

面向?qū)ο箫L(fēng)格的使用方法示例：

x = np.linspace(0, 2, 100)
 
# Note that even in the OO-style, we use `.pyplot.figure` to create the figure.
fig, ax = plt.subplots()  # Create a figure and an axes.
ax.plot(x, x, label='linear')  # Plot some data on the axes.
ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes...
ax.plot(x, x**3, label='cubic')  # ... and some more.
ax.set_xlabel('x label')  # Add an x-label to the axes.
ax.set_ylabel('y label')  # Add a y-label to the axes.
ax.set_title("Simple Plot")  # Add a title to the axes.
ax.legend()  # Add a legend.

快捷(pyplot)風(fēng)格的使用方法示例：

x = np.linspace(0, 2, 100)
 
plt.plot(x, x, label='linear')  # Plot some data on the (implicit) axes.
plt.plot(x, x**2, label='quadratic')  # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()

以上代碼中同時(shí)給出了兩種風(fēng)格中的label、title、legend等設(shè)置的方法或函數(shù)使用例。

以上兩段代碼示例產(chǎn)生同樣的繪圖效果：

此外，還有第三種方法，用于在GUI應(yīng)用中的嵌入式Matplotlib。這個(gè)屬于進(jìn)階用法，在本文就不做介紹了。

面向?qū)ο箫L(fēng)格和pyplot風(fēng)格功能相同同樣好用，你可以選擇使用任何一種風(fēng)格。但是最好選定其中一種使用，不要昏庸。一般來(lái)說(shuō)，建議僅在交互式繪圖（比如說(shuō)在Jupyter notebook）中使用pyplot風(fēng)格，而在面向非交互式繪圖中則推薦使用面向?qū)ο箫L(fēng)格。

注意，在一些比較老的代碼例中，你還可以看到使用pylab接口。但是現(xiàn)在不建議這樣用了(This approach is strongly discouraged nowadays and deprecated)。這里提一嘴只是因?yàn)榕紶柲氵€可能看到它，但是，在新的代碼不要用就好了。

5. 繪圖復(fù)用實(shí)用函數(shù)例

通常我們會(huì)發(fā)現(xiàn)需要重復(fù)繪制很多相類(lèi)似的圖，只是采用不同的數(shù)據(jù)而已。為了提高效率減少錯(cuò)誤，可以考慮將一些繪圖處理封裝成一個(gè)函數(shù)，以便于重復(fù)使用，避免過(guò)多的冗余代碼。以下是一個(gè)這樣的模板例子：

def my_plotter(ax, data1, data2, param_dict):
    """
    A helper function to make a graph
    Parameters
    ----------
    ax : Axes
        The axes to draw to
    data1 : array
       The x data
    data2 : array
       The y data
    param_dict : dict
       Dictionary of kwargs to pass to ax.plot
    Returns
    -------
    out : list
        list of artists added
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

然后你可以以如下方式使用：

x = np.linspace(0, 5, 20)
fig, ax = plt.subplots()
x2 = x**2
x3 = x**3
my_plotter(ax, x, x2, {'marker': 'o'})
my_plotter(ax, x, x3, {'marker': 'd'})

或者，如果你需要多個(gè)子圖的話，

x = np.linspace(0, 5, 20)
x2 = x**2
x3 = x**3
fig, (ax1, ax2) = plt.subplots(1, 2)
my_plotter(ax1, x, x2, {'marker': 'x'})
my_plotter(ax2, x, x3, {'marker': 'o'})
 
fig, ax = plt.subplots(1, 2)
my_plotter(ax[0], x, x2, {'marker': 'x'})
my_plotter(ax[1], x, x3, {'marker': 'o'})

注意，如以上代碼例所示，當(dāng)創(chuàng)建了多個(gè)子圖時(shí)，有兩種引用axes的方式。第一種方式中，創(chuàng)建時(shí)直接將兩個(gè)axes（每個(gè)子圖對(duì)應(yīng)一個(gè)axes）賦給ax1和ax2。第一種方式中，創(chuàng)建時(shí)直接將兩個(gè)axes賦給一個(gè)axes數(shù)組ax，然后以ax[0]和ax[1]的格式進(jìn)行引用。

Ref1: Usage Gue — Matplotlib 3.4.3 documentation

到此這篇關(guān)于Python Matplotlib初階使用入門(mén)的文章就介紹到這了,更多相關(guān)Python Matplotlib使用入門(mén)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論