Python?Matplotlib基本用法有哪些

今天小編給大家分享一下Python Matplotlib基本用法有哪些的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

Matplotlib

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 plt
fig = 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。

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

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：

fig = plt.figure()
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)

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：

fig, 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')

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。

plt.plot([1, 2, 3, 4], [10, 20, 25, 30], 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：

x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

ax1.plot(x, y_sin)
ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12)
ax3.plot(x, y_cos, color='red', marker='+', linestyle='dashed')

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：

x = 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 "centerline" 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。

x = 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：

np.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：

fig, ax = plt.subplots()
vert_bars = ax.bar(x, y, color='lightblue', align='center')

# We could have also done this with two separate calls to `ax.bar` and numpy boolean indexing.
for bar, height in zip(vert_bars, y):
    if height < 0:
        bar.set(edgecolor='darkred', color='salmon', linewidth=3)

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：

np.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=0.9)

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

labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)  # only "explode" the 2nd slice (i.e. 'Hogs')

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)。

fig, (ax1, ax2) = plt.subplots(2)
ax1.boxplot(data)
ax2.boxplot(data2, vert=False) #控制方向

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：

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 radii

plt.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：

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)

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：

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()

可以看出修改了區間之后影響了圖片顯示的效果。

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：

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()

在繪圖時傳入 label 參數，并最后調用ax.legend()顯示體力說明，對于 legend 還是傳入參數，控制圖例說明顯示的位置：

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：

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)

#ax.tick_params(axis='y', direction='inout', length=10) #修改 ticks 的方向以及長度
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：

fig, (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()

以上就是“Python Matplotlib基本用法有哪些”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。