Matplotlib教程（详细版）前半部分

一直讲matplotlib当做一个工具来用，因为没有了解到它的特性，所以一直学得不系统，导致用到的时候经常要查官方文档。这里翻译一个官方推荐的matplotlib的介绍文档。
猛戳进入原文链接
文档中包含的内容：

1. 简介
2. 简单的例子
3. matplotlib组件（Figures, Subplots, Axes and Ticks）
4. 动画
5. 其他的绘图类型
6. 补充

该博客只翻译123小节，下一篇博客介绍下面的

你可以点击图片上面的源代码超链接获取当前图形的代码。这些链接也是原英文文档的作者提供的。

简介

matplotlib可能是最常用的2D绘图Python包了。它可以对Python中的数据进行快速的可视化，并以多种格式输出。接下来，我们将以互动的方式介绍matplotlib中的大多数情况

pyplot

在matplotlib面向对象的绘图库中，pyplot是一个方便的接口。

简单的例子

在这一章，我们想在一个图中画一个cosine函数和一个sine函数。对于画图时的细节，我们先让它默认，然后再一步一步按自己的要求丰富figure，让它变得更visible。
首先，由sine函数和cosine函数获取数据：

import numpy as npX = np.linspace(-np.pi, np.pi, 256, endpoint=True)C, S = np.cos(X), np.sin(X)

其中，np.linspace(...)的意思是从-π到+π均匀的取256个点（包括最后一个点-π）。至此，C就是一个由256个点组成的cosine函数，而S是一个由256个点组成的sine函数。

使用默认值

为了方便起见，matplotlib给出了很多默认设置。 你几乎可以控制所有matplotlib中提供的属性值：figure大小和像素，line的宽度、颜色和样式，axes，axis和grid属性，文本和字体属性等等。尽管大多数情况下，matplotlib的默认值都足够好了，但在某些情况下，你可能还是想用自己的方式修饰这些属性。
源代码和结果如下所示：

import numpy as npimport matplotlib.pyplot as pltX = 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.show()

初始化默认值

在下面的脚本中，我们初始化一些参数。下面修改的参数实际上与默认值是一样的，但你可以通过修改这些参数，观察结果图形的变化。
源代码和结果如下所示：

# 模块导入import numpy as npimport matplotlib.pyplot as plt# 创建一个8x6大小的figure，并设置每英寸80个像素点plt.figure(figsize=(8, 6), dpi=80)# 创建在1x1的位置创建一个subplotplt.subplot(111)X = np.linspace(-np.pi, np.pi, 256, endpoint=True)C, S = np.cos(X), np.sin(X)# 绘制cosine函数，颜色是蓝色，line宽为1.0，line类型是实线plt.plot(X, C, color='blue', linewidth=1.0, linestyle='-')# 绘制sine函数，颜色是绿色，line宽为1.0，line类型是实线plt.plot(X, S, color='green', linewidth=1.0, linestyle='-')# 设置x轴和y轴范围plt.xlim(-4.0, 4.0)plt.ylim(-1.0, 1.0)# 设置x轴下标和y轴下标plt.xticks(np.linspace(-4, 4, 9, endpoint=True))plt.yticks(np.linspace(-1, 1, 5, endpoint=True))# 保存图片，每英寸72个点# 如果此处报错，在当前路径下创建figures文件夹# savefig("../figures/exercice_2.png", dpi=72)# 在屏幕上显示结果plt.show()

修改颜色和line宽度

将cosine函数改成蓝色，sine函数改成红色，将它们的line加宽为2.5，同时也修改了figure的大小，使图形的比例看起来更好。
源代码和结果如下所示：

plt.figure(figsize=(10, 6), dpi=80)plt.plot(X, C, color='blue', linewidth=2.5, linestype='-')plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-")

设置坐标轴范围

改变了x轴和y轴的范围，让图形看起来既完整又紧致。
源代码:和结果如下所示

plt.xlim(X.min() * 1.1, X.max() * 1.1)plt.ylim(C.min() * 1.1, C.max() * 1.1)

设置坐标轴下标

当前的坐标轴下标并不理想，因为它们没有标出我们感兴趣的点-π/2和+π/2。
源代码和结果如下所示：

plt.xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])plt.yticks([-1, 0, +1])

设置坐标轴下标名

坐标轴的下标的位置现在很理想，但是它的名字（也就是表现形式）不应该是3.142，最好是π。注意matplotlib的坐标轴的下标包括位置（location）和名字（label）两部分。现在，我们利用latex来命名下标。
源代码和结果如下所示：

# r''是为了转义里面的转义字符\plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])plt.yticks([-1, 0, +1], [r'$-1$', r'$0$', r'$+1$'])

移动 spines

spines包括图片上下左右4条边界和它们的下标，就是正方形的4条边。它们可以被挪到任意的位置，现在，它们还在边界上。我们要把它们移到中间。首先，将上边界和右边界的颜色设置为none，就隐藏了。然后我们将下边界和左边界移动到数据空间的0处。
源代码和结果如下所示：

# plt.gca()获取当前axax = plt.gca()ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')ax.xaxis.set_ticks_position('bottom')# set_position中的参数元组的第二个值可取-1，0，1分别代表相对‘data’的不同的位置ax.spines['bottom'].set_position(('data', 0))ax.yaxis.set_ticks_position('left')ax.spines['left'].set_position(('data', 0))

添加legend

legend就是如下图所示的东西。这个需要调整两点：一个是参数label，一个是plot命令plt.legend()。
源代码和结果如下所示：

plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-", label="sine")# frameon=True的话，右上角的声明会在一个框内plt.legend(loc='upper left', frameon=False)

标记一些点

让我们来用plt.annotate()命令来标记一些感兴趣的点。我们选了2π/3点来标记它在sine和cosine函数上的值。首先，绘制一个点和虚线。然后我们用annotate命令添加文本和箭头上去。
源代码和结果如下所示：

t = 2*np.pi/3plt.plot([t,t],[0,np.cos(t)], color ='blue', linewidth=1.5, linestyle="--")plt.scatter([t,],[np.cos(t),], 50, color ='blue')# 第一个参数s为要标记上去的文本# 第二个参数xy为标记的位置，必须是可迭代对象（如tuple，list）# 第三个对象xycoords表示xy的参考系# 第四个对象xytext为标记文本相对标记位置的位置，必须是可迭代对象iterabl# 第五个对象textcoords表示xytext的参考系# 第六个对象fontsize为字体大小# 第七个对象arrowprops为箭头样式plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$', xy=(t, np.sin(t)), xycoords='data', xytext=(+10, +30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))plt.plot([t,t],[0,np.sin(t)], color ='red', linewidth=1.5, linestyle="--")plt.scatter([t,],[np.sin(t),], 50, color ='red')plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$', xy=(t, np.cos(t)), xycoords='data', xytext=(-90, -50), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

细节决定成败

labels现在被红线和蓝线挡住了。我们可以把label的字条调大，让红蓝线变成半透明的。
源代码和结果如下所示：

for label in ax.get_xticklabels() + ax.get_yticklabels():    label.set_fontsize(16)    label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65))

matplotlib组件

到目前为止，我们使用的都是直接了当的单一figure和axes。这可以帮我们方便快速的绘图。此外，我们还可以使用figure，subplot和axes创造更多的布局。figure是matplotlib中面向用户的最大的界面，figure里面是subplots。subplot指定plots在figure中的位置，axes就是被指定位置后的的plots，这些都可以按照你的意愿来布局。我们之前的代码都没有声明它们。如果我们要调用plot，gca()获取当前axes，gcf()获取当前figure。如果没有当前figure，就创建一个并返回。

Figures

一个figure就是一个在GUI中名为“Figure#”的一个窗口，它的计数是从1开始的，跟普通的Python计数方式不同，而是MATLAB的计数风格。下面是几个定义figure外形的参数。

参数 默认值 描述 num 1 figure编号 figsize figure.figsize figure长和宽 dpi figure.dpi 像素 facecolor figure.facecolor 背景颜色 edgecolor figure.edgecolor 边缘颜色 frameon True 边框有无

大多数情况下，figure都是使用默认值，只有num参数才会经常改动。
如果你是以GUI的形式工作，可以点击右上角的x关闭figure，也可以通过调用函数关闭figure，如plt.close()。无参数表示关闭当前figure，有参数int表示关闭特定figure，还可以通过修改参数关闭所有figure。
figure对象和其他对象一样，可以通过set_类型的函数修改参数。

Subplots

subplot是用来布局plots的，需要指定（行、列、序号）。
点击获取源代码，效果图如下：

点击获取源代码，效果图如下：

点击获取源代码，效果图如下：

点击获取源代码，效果图如下：

Axes

Axes和subplots很像，但它可以布局在figure的任意位置。所以如果我们想把一个小plot放在一个大plot里面，应该采用Axes。
点击获取源代码，效果图如下：

点击获取源代码，效果图如下：

Ticks

合适的ticks对于图片的绘制非常重要。matplotlib提供了一个完整的ticks配置系统，tick locators表明ticks应该处于什么位置；tick formatters可以提供要展示的tick名字。major ticks和minor ticks是相互独立的。因为没有位置信息，每一个默认的minor ticks是不显示的，它们只是一个空列表。

Tick Locators

下面是不同的位置信息：

Class Description NullLocator 没有ticks 图一 IndexLocator 对每一个重要绘图点都设置一个tick 图二 FixedLocator 灵活的ticks 图三 LinearLocator 线性ticks 图四 MultipleLocator 对每一个绘图点都设置一个tick 图五 AutoLocator 选择不多于n个比较好的ticks 图六 LogLocator log类型的ticks 图七

1.
2.
3.
4.
5.
6.
7.
所有这些定位器都从基类matplotlib.ticker.Locator派生。 你可以制作自己的定位器。 处理日期作为ticks可能是特别棘手的。 因此，matplotlib在matplotlib.dates中提供了特殊的定位器。