文章目录

• 一. 改变 x 轴显示内容 xticks 方法再次说明
• • 1. x 轴是数值型数据
  • 2. 将 x 轴更改为字符串
  • 3. 总结
• 二. 其他元素可视性
• 1. 显示网格：plt.grid()
• 2. plt.gca( ) 对坐标轴的操作
• 三. plt.rcParams 设置画图的分辨率，大小等信息
• 四. 图表的样式参数设置
• • 1. 线条样式
  • 2. 线条样式缩写
• 五. 创建图形对象
• 六. 绘制多子图
• • 1. add_axes()：添加区域
  • 2. subplot() 函数，它可以均等地划分画布
  • 3. 设置多图的基本信息方式
  • • 3.1 在创建的时候直接设置
    • 3.2 使用 pyplot 模块中的方法设置后再绘制
    • 3.3 使用返回的区域对象设置
  • 4. subplots() 函数详解

• 在最开始，我们先引入 Matplotlib 库，便于后续的操作。

from matplotlib import pyplot as plt
import numpy as np

一. 改变 x 轴显示内容 xticks 方法再次说明

• 第一个参数，需要一个数字列表，指示 x 轴上的记号应该指向哪里，我们向这个函数传递了一个字符串，但它并不知道如何将其转换为 x 轴上的位置。

1. x 轴是数值型数据

• 例如，我们使用 np.arange() 生成从 1991 年到 2020 年，30 年的日期数据。

dates = np.arange(1991,2021)
dates
#array([1991, 1992, 1993, 1994, 1995, 1996, 1997, 1998, 1999, 2000, 2001,
#       2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012,
#       2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020])

• 随后，我们再使用 np.random.randint() 随机生成这 30 年的销量数据。

sales = np.random.randint(50,500,size=30)
sales
#array([150, 115,  52, 247, 113,  54, 204, 405, 245, 438, 251, 392, 222,
#       416, 388, 112, 250, 473, 444, 195, 147, 123, 136, 294, 240, 129,
#       290, 255, 381, 149])

• 最后，我们将日期作为横坐标，销量作为纵坐标绘制销量图。

plt.plot(dates,sales)

• 通过上述步骤我们可以发现，对于数值型数组，绘图会自动分割。
• 但是，如果想按照自己的逻辑分割，注意数值型对应轴上面的数值，比如，我们可以将 x 轴的刻度进行修改，并绘制销量图。

%matplotlib inline
plt.xticks([1980,1982,1993])
plt.plot(dates,sales)

• 当前会看到 x 轴上面没有数据，其实是有数据，只不过，默认当前图形的 x 轴区间是 [1991,2021]，对此，我们可以借助设置 %matplotlib notebook 移动图像来查看。

- %matplotlib notebook
plt.xticks([1980,1982,1993])
plt.plot(dates,sales)

• 如果我们想按照自己的逻辑分割，注意数值型使用的是元素本身，而不是元素的索引。
• 如果我们直接使用元素本身就会产生如下现象。

plt.xticks([1990,2005,2010,2020]) 
plt.plot(dates,sales)

• 因此，如果我们想 x 轴刻度每两年显示一次的话，就需要使用元素的索引进行销量图的绘制。

plt.xticks(np.arange(dates.min(),dates.max()+2,2),rotation=45)
plt.plot(dates,sales)

那么，对于上述的逻辑分割，我们也是可以使用元素本身的，只不过需要一些计算。

plt.xticks([dates[i] for i in range(0,len(dates),2)]+[2020],rotation=45) # 元素本身
plt.plot(dates,sales)

2. 将 x 轴更改为字符串

• 我们将从 1991 年到 2020 年，30 年的日期修改为字符串。
• 这里需要注意的是 xticks 第一个参数中元素不能我字符串 。

dates = np.arange(1991,2021).astype(np.str_)
plt.xticks(range(1,len(dates),2),rotation=45) # 元素本身
plt.plot(dates,sales)

3. 总结

• （1） 当 x 轴是数值型，会按照数值型本身作为 x 轴的坐标。
• （2） 当 x 轴为字符串类型，会按照索引作为 x 轴的坐标。
• 具体可见如下例子：

time=np.arange(2000,2020).astype(np.str_)
sales = [109, 150, 172, 260, 273, 333, 347, 393, 402, 446, 466, 481, 499,504, 513, 563, 815, 900, 930, 961]
plt.xticks(range(0,len(time),2))##,labels=['year%s'%i for i in time],rotation=45,color="red")
plt.yticks(color="blue")
plt.plot(time,sales)

二. 其他元素可视性

1. 显示网格：plt.grid()

plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')

• 显示网格 plt.grid() 的参数有如下含义：
• linestyle：线型。
• color：颜色。
• linewidth：宽度。
• axis：x，y，both，显示x/y/两者的格网。
• 例如，我们可以使用 np.linspace 生成从 -Π 到 Π 并且包含终止值的 256 个数据，并分别生成一个 cos 和 sin 函数。

x = np.linspace(-np.pi,np.pi,256,endpoint = True)
c, s = np.cos(x), np.sin(x)
plt.plot(x, c)
plt.plot(x, s)
plt.grid(True,linestyle="--")

2. plt.gca( ) 对坐标轴的操作

• 首先观察画布上面的坐标轴，如下图。

• 上图中，用红色标识出的黑色边界框线在 Matplotlib 中被称为 spines，中文翻译为脊柱。
• 在我的理解看来，意思是这些边界框线是坐标轴区域的支柱，那么，我们最终要挪动的其实就是这四个支柱，且所有的操作均在 plt.gca( ) 中完成，gca 就是 get current axes 的意思。
• 接下来需要绘制图如下：

• 首先，我们创建 x 轴数据，使用 np.arange( ) 生成从 -50 到 50 的 x 轴数据，再创建 y 轴的数据，y 是 x 的平方，并绘制图形。

x = np.arange(-50,51)
y = x ** 2
plt.plot(x, y)

• 然后，我们获取当前坐标轴，通过坐标轴 spines ，确定 top，bottom，left，right（分别表示上，下，左，右)。
• 此时，我们需要的是坐标轴，因此，不需要右侧和上侧线条，将其颜色设置为 none。

x = np.arange(-50,51)
y = x ** 2
ax = plt.gca() 
ax.spines['right'].set_color("none")
ax.spines['top'].set_color("none")​
plt.plot(x, y)

• 随后，我们在上述的基础上，分别定义 x，y，获取当前坐标轴移动下轴到指定位置，在这里，position 位置参数有三种，data , outward（向外），axes。
• axes 是 0.0 - 1.0 之间的值，按轴上的比例划分。
• data 表示按数值挪动，其后数字代表挪动到 Y 轴的刻度值。
• 最后，在设置 y 的取值范围，将两个 0 点移动到一起。

x = np.arange(-50,51)
y = x ** 2
ax = plt.gca()
ax.spines['right'].set_color("none")
ax.spines['top'].set_color("none")
ax.spines['left'].set_position(('axes',0.5))
plt.ylim(0, y.max()) 
plt.plot(x, y)

三. plt.rcParams 设置画图的分辨率，大小等信息

• plt.rcParams[‘figure.figsize’] = (8.0, 4.0) 是设置 figure_size 英寸。
• plt.rcParams[‘figure.dpi’] = 300 是设置分辨率。
• 默认的像素：[6.0,4.0]，分辨率为 72，图片尺寸为 432x288。
• 如果指定 dpi=100，则图片尺寸为 600*400。
• 如果指定 dpi=300，则图片尺寸为 1800*1200。
• 针对上述，我们进行如下的样例演示。
• （1） 分辨率为 72，图片尺寸为 432x288（默认值）。

plt.plot() 

• （2） 将大小设置为 (6.0,4.0) 英寸。

plt.rcParams['figure.figsize'] = (6.0, 4.0)
plt.plot()

• （3） 指定 dpi=100，图片尺寸为 600*400。

plt.rcParams['figure.dpi'] = 100
plt.plot()

• 将大小设置为 (3,2) 英寸（注意横纵坐标的刻度也发生了变化）。

plt.rcParams['figure.figsize']=(3,2)
plt.plot()

四. 图表的样式参数设置

1. 线条样式

• 传入 x，y，通过 plot 画图，并设置折线颜色、透明度、折线样式和折线宽度，标记点、标记点大小、标记点边颜色、标记点边宽，网格等。

plt.plot(x,y,color='red',alpha=0.3,linestyle='-',linewidth=5,marker='o',markeredgecolor='r',markersize='20',markeredgewidth=10)

• （1） color：可以使用颜色的 16 进制，也可以使用线条颜色的英文，还可是使用之前的缩写。

• （2） alpha：0-1，透明度。
• （3） linestyle：折线样式。

• （4） marker 标记点:。

• 例如如下应用：

x= np.arange(0, 100,10)
y= x ** 2
"""linewidth 设置线条粗细label 设置线条标签color 设置线条颜色linestyle 设置线条形状marker 设置线条样点标记
"""
plt.plot(x, y, linewidth = '2', label = "test", color='b', linestyle='--', marker='H')
plt.legend(loc='upper left')

2. 线条样式缩写

• 我们可以设置两条曲线，第一个是红色，点划线；第二个是品红，虚线。
• 将他们的线条样式进行缩写。

plt.plot([1,2,3],[4,7,6],'r*-.')
plt.plot([2,4,5],[3,8,7],'m+--')

• 除此之外，我们也可以多设置几种线条样式的组合，并将他们添加到图例当中。

plt.rcParams['figure.figsize']=(8,4)
x=np.linspace(0,10,100)​
plt.plot(x,x+0, '-g', label='-g') ​
plt.plot(x,x+1, '--c', label='--c')  ​
plt.plot(x,x+2, '-.k', label='-.k')​
plt.plot(x,x+3, '-r', label='-r') ​
plt.plot(x,x+4, 'o', label='o')  ​
plt.plot(x,x+5, 'x', label='x')  ​
plt.plot(x,x+6, 'dr', label='dr')  ​
plt.legend(loc='lower right',framealpha=0.5,shadow=True, borderpad=0.5)

五. 创建图形对象

• 在 Matplotlib 中，面向对象编程的核心思想是创建图形对象（figure object）。
• 通过图形对象来调用其它的方法和属性，这样有助于我们更好地处理多个画布。
• 在这个过程中，pyplot 负责生成图形对象，并通过该对象来添加一个或多个 axes 对象（即绘图区域）。
• Matplotlib 提供了 matplotlib.figure 图形类模块，它包含了创建图形对象的方法。通过调用 pyplot 模块中 figure() 函数来实例化 figure 对象。

plt.figure(num=None,figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, **kwargs)

• 其参数具有如下含义：
• num 表示图像编号或名称，数字为编号，字符串为名称。
• figsize 表示指定 figure 的宽和高，单位为英寸。
• dpi 表示定绘图对象的分辨率，即每英寸多少个像素，缺省值为 72。
• facecolor 表示背景颜色。
• edgecolor 表示边框颜色。
• frameon 表示是否显示边框。
• 具体可见如下例子。
• 创建图形对象，就相当于我们创建一个画布。
• 之前通过配置更改图形的分辨率和宽高.。现在可以在创建图像对象的时候创建。

from matplotlib import pyplot as plt
fig = plt.figure()
​fig = plt.figure('f1',figsize=(3,2),dpi=100)
x = np.arange(0,50)
y = x ** 2
plt.plot(x,y)

• 然后，我们创建图形对象，图形对象的分辨率为 100，背景颜色为：灰色，并获取轴。

x = np.arange(0,50)
y = x ** 2
fig = plt.figure('f1',figsize=(4,2), dpi=100,facecolor='gray')
ax = plt.gca()
ax.plot(x,y)
plt.plot(x,y)

六. 绘制多子图

• figure 是绘制对象（可理解为一个空白的画布），一个 figure 对象可以包含多个 Axes 子图，一个 Axes 是一个绘图区域，不加设置时，Axes 值默认为 1，且每次绘图其实都是在 figure 上的 Axes 上绘图。
• 我们是在图形对象上面的 Axes 区域进行作画。
• 接下来我们将学习绘制子图的几种方式：
• （1） add_axes()：添加区域。
• （2） subplot()：均等地划分画布,只是创建一个包含子图区域的画布，（返回区域对象）。
• （3） subplots()：既创建了一个包含子图区域的画布，又创建了一个 figure 图形对象（返回图形对象和区域对象）。

1. add_axes()：添加区域

• Matplotlib 定义了一个 axes 类（轴域类），该类的对象被称为 axes 对象（即轴域对象），它指定了一个有数值范围限制的绘图区域。在一个给定的画布（figure）中可以包含多个 axes 对象，但是同一个 axes 对象只能在一个画布中使用。
• 2D 绘图区域（axes）包含两个轴（axis）对象
• 其语法如下：

add_axes(rect)

• 该方法用来生成一个 axes 轴域对象，对象的位置由参数 rect 决定。
• rect 是位置参数，接受一个由 4 个元素组成的浮点数列表，形如 [left, bottom, width, height] ，它表示添加到画布中的矩形区域的左下角坐标 (x, y)，以及宽度和高度。
• 如下所示：
• ax1 从画布起始位置绘制，宽高和画布一致；ax2 从画布 20% 的位置开始绘制, 宽高是画布的 50%。

fig = plt.figure(figsize=(4,2),facecolor='g')
​ax1=fig.add_axes([0,0,1,1])
​ax2=fig.add_axes([0.1,0.6,0.3,0.3])
​ax3=fig.add_axes([0.5,0.6,0.2,0.3])
ax1.plot(x, y)
ax2.plot(x, y)
ax3.plot(x, y)

• 注意：每个元素的值是画布宽度和高度的分数。即将画布的宽、高作为 1 个单位。比如，[ 0.2, 0.2, 0.5, 0.5]，它代表着从画布 20% 的位置开始绘制, 宽高是画布的 50%
• 我们创建 ax1，和画布位置一致；ax2 从画布 40% 的位置开始绘制, 宽高是画布的 50%

fig = plt.figure(figsize=(4,2),facecolor='g')​
x = np.arange(0,50,2)
y = x ** 2
ax1 = fig.add_axes([0.0,0.0,1,1])
​ax1.plot(x,y)
​ax2=fig.add_axes([0.4,0.4,0.3,0.3])
​ax2.plot(x,y)

• 其中区域中基本方法的使用如下：
• 区域图表名称：set_title。
• 区域中 x 轴和 y 轴名称：set_xlabel() 和 set_ylabel()。
• 刻度设置：set_xticks()。
• 区域图表图例：legend()。

2. subplot() 函数，它可以均等地划分画布

• 其参数格式如下：

ax = plt.subplot(nrows, ncols, index,*args, **kwargs)

• nrows 表示行。
• ncols 表示列。
• index 表示索引。
• kwargs 表示 title/xlabel/ylabel 等。
• 也可以直接将几个值写到一起，例如：subplot(233)。
• 返回：区域对象。
• nrows 与 ncols 表示要划分几行几列的子区域（nrows*nclos表示子图数量），index 的初始值为1，用来选定具体的某个子区域。
• 例如： subplot(233) 表示在当前画布的右上角创建一个两行三列的绘图区域（如下图所示），同时，选择在第 3 个位置绘制子图。

• 如果新建的子图与现有的子图重叠，那么重叠部分的子图将会被自动删除，因为它们不可以共享绘图区域。
• 现在创建一个子图，它表示一个有 1 行 2 列的网格的顶部图。引为这个子图将与第一个重叠，所以之前创建的图将被删除，x 可省略，默认 [0,1…,N-1] 递增。

plt.plot([1,2,3])
plt.subplot(211)
plt.plot(range(50,70))​
plt.subplot(212)​
plt.plot(np.arange(12)**2)

- 如果不想覆盖之前的图，需要先创建画布。还可以先设置画布的大小，再通过画布创建区域。

fig = plt.figure(figsize=(4,2))​
fig.add_subplot(111)​
plt.plot(range(20))​
fig.add_subplot(221)​
plt.plot(range(12))

3. 设置多图的基本信息方式

3.1 在创建的时候直接设置

• 对于 subplot 关键词赋值参数的了解，可以将光标移动到 subplot 方法上，使用快捷键 shift+tab 查看具体内容。
• 现在创建一个子图，它表示一个有 2 行 1 列的网格的顶部图。x 可省略,默认 [0,1…,N-1] 递增。

plt.subplot(211,title="pic1", xlabel="x axis")
plt.plot(range(50,70))​
plt.subplot(212, title="pic2", xlabel="x axis")​
plt.plot(np.arange(12)**2)

• 发现子图标题重叠，在最后使用 plt.tight_layout()。

plt.subplot(211,title="pic1", xlabel="x axis")
plt.plot(range(50,70))
​plt.subplot(212, title="pic2", xlabel="x axis")​
plt.plot(np.arange(12)**2)
plt.tight_layout()

3.2 使用 pyplot 模块中的方法设置后再绘制

​plt.subplot(211)
plt.title("ax1")
plt.plot(range(50,70))
​plt.subplot(212)
plt.title("ax2")
plt.plot(np.arange(12)**2)
plt.tight_layout()

3.3 使用返回的区域对象设置

• 注意区域对象的方法很多都是 set_ 开头。

ax1 = plt.subplot(211)
ax1.set_title("ax1")
ax1.plot(range(50,70))
​ax2 = plt.subplot(212)
ax2.set_title("ax2")
​ax2.plot(np.arange(12)**2)
plt.tight_layout()

4. subplots() 函数详解

• matplotlib.pyplot 模块提供了一个 subplots() 函数，它的使用方法和 subplot() 函数类似。其不同之处在于，subplots() 既创建了一个包含子图区域的画布，又创建了一个 figure 图形对象，而 subplot() 只是创建一个包含子图区域的画布。
• subplots 的函数格式如下：

fig , ax = plt.subplots(nrows, ncols)

• nrows 与 ncols 表示两个整数参数，它们指定子图所占的行数、列。
• 函数的返回值是一个元组，包括一个图形对象和所有的 axes 对象。其中 axes 对象的数量等于 nrows * ncols，且每个 axes 对象均可通过索引值访问（从 0 开始）。
• 下面我们创建了一个 2 行 2 列的子图，并在每个子图中显示 4 个不同的图像。
• 第一幅图像就是 (0,0)，显示的是 x2x^{2}x2；第二幅图像就是 (0,1)，显示的是 x\sqrt{x}x​；第三幅图像就是 (1,0)，显示的是 exe^{x}ex；第四幅图像就是 (1,1)，显示的是 log⁡10x\log_{10}{x}log10​x。

import matplotlib.pyplot as plt
import numpy as np
fig, axes =  plt.subplots(2,2)​
x = np.arange(1,5)
axes[0][0].plot(x, x*x)
axes[0][0].set_title('square')
axes[0][1].plot(x, np.sqrt(x))
axes[0][1].set_title('square root')
axes[1][0].plot(x, np.exp(x))
axes[1][0].set_title('exp')
axes[1][1].plot(x,np.log10(x))
axes[1][1].set_title('log')
​plt.tight_layout()
​plt.show()