Matplotlib 绘图教程(2D入门)

一、实验介绍

1.1 实验内容

Matplotlib 是支持 Python 语言的开源绘图库，因为其支持丰富的绘图类型、简单的绘图方式以及完善的接口文档，深受 Python 工程师、科研学者、数据工程师等各类人士的喜欢。这是 Matplotlib 绘图课程的第一章节，将带你了解如何使用 Matplotlib 绘制 2D 图像。

1.2 实验知识点

• Matplotlib 绘制 2D 图像

1.3 实验环境

• python2.7
• Xfce 终端
• ipython 终端

1.4 适合人群

本课程难度为一般，属于初级级别课程，适合具有 Python 基础，并对使用 Matplotlib 绘图感兴趣的用户。

1.5 官方文档

学习本课程之前，你需要先下载官方文档，推荐保存到你的本地电脑上。Matplotlib 的内容量非常大（官方文档都有 3000 多页），课程侧重进行介绍并演示。部分补充内容，文中会给出官方文档的页码，方便课后自行查阅。

https://matplotlib.org/2.0.2/Matplotlib.pdf

二、Matplotlib 初探

在日常的工作和学习过程中，我们都会遇到需要针对数据进行绘图的时候。谈起数据绘图，你应该最先想到的是 Excel。Excel 操作起来相对简单，提供的图形样式也可以满足大部分人日常绘图的需要。但是，如果你处于工程、数据科学相关专业领域，使用 Excel 绘图就显得捉襟见肘了。首先，Excel 默认 提供的图形样式有限，其次是自定义程度不高。

很多时候，我们会使用到 Matlab 提供的绘图模块，又或者使用 Origin 进行绘图。这些软件固然都很不错，但均为商业软件，使用时需要获得授权。

今天介绍的 Matplotlib 就是一个可以媲美商业软件效果的开源绘图工具，你只需要掌握一点 Python 语言，就可以绘制出任何需要的图形。Matplotlib 拥有着十分活跃的社区以及稳定的版本迭代。选择 Matplotlib 无疑是和数据打交道时最明智的选择之一。

2.1 Matplotlib 安装

实验楼的在线环境，默认已经安装了 Matplotlib 1.3.1 版本。目前，Matplotlib 的最新稳定版本为 2.0.2。本课程内容基于实验楼在线环境版本，在本地测试时，某一些模块可能会有一些变化。

如果你想在本地安装 Matplotlib，可以这样做：

Linux:

Debian / Ubuntu : sudo apt-get install python-matplotlibFedora / Redhat : sudo yum install python-matplotlib

Windows & macOS:

python -m pip install -U pip setuptoolspython -m pip install matplotlib

2.2 绘制简单的折线图需要几步？

我们都说了，Matplotlib 是一个非常简单而又完善的开源绘图库。那么它到底有多简单呢？

下面，我们通过 3 行代码绘制一张简单的折线图。你可以通过在线环境左下角的应用程序菜单 > 附件，打开 ipython 交互式终端（本课程默认），并键入下面的代码。

from matplotlib import pyplot as pltplt.plot([1,2,3,2,1,2,3,4,5,6,5,4,3,2,1])plt.show()

我们可以看到，一张和山峰样式相似的折线图就绘制出来了。接下来，我们来解析一下这三行代码的含义。

from matplotlib import pyplot as plt

第一行代码是从 Matplotlib 中导入了 pyplot 绘图模块，并将其简称为 plt。pyplot 模块是 Matplotlib 最核心的模块，几乎所有样式的 2D 图形都是经过该模块绘制出来的。这里简称其为 plt 是约定俗成的，希望你也这样书写代码，以便拥有更好的可读性。

plt.plot([1,2,3,2,1,2,3,4,5,6,5,4,3,2,1])

plt.plot() 是 pyplot 模块下面的直线绘制（折线图）方法类。示例中包含了一个[1,2,3,2,1,2,3,4,5,6,5,4,3,2,1]列表，这里默认代表将该列表作为 y值，而 x 值会从 0 到 n-1。

plt.show()

最后一行代码表示将图显示出来。

2.3 除了折线图，怎样绘制其他图？

上面演示了如何通过 3 行代码绘制一张折线图。那么，除了折线图，我们平常还要绘制柱状图、散点图、饼状图等等。这些图应该怎样绘制呢？

上文中，我们提到了 pyplot 模块，其中 pyplot.plot 方法是用来绘制折线图的。你应该会很容易联想到，更改后面的方法类名就可以更改图形的样式，会是这样的吗？

的确，在 Matplotlib 中，大部分图形样式的绘制方法都存在于 pyplot 模块中。例如：

方法含义matplotlib.pyplot.angle_spectrum绘制电子波谱图matplotlib.pyplot.bar绘制柱状图matplotlib.pyplot.barh绘制直方图matplotlib.pyplot.broken_barh绘制水平直方图matplotlib.pyplot.contour绘制等高线图matplotlib.pyplot.errorbar绘制误差线matplotlib.pyplot.hexbin绘制六边形图案matplotlib.pyplot.hist绘制柱形图matplotlib.pyplot.hist2d绘制水平柱状图matplotlib.pyplot.imshow以图像显示matplotlib.pyplot.pie绘制饼状图matplotlib.pyplot.quiver绘制量场图matplotlib.pyplot.scatter散点图matplotlib.pyplot.specgram绘制光谱图matplotlib.pyplot.subplot绘制子图

除此之外，对图像样式的微调，包括标注、填充、自定义坐标轴等也同样包含在 pyplot 模块中。例如：

方法含义matplotlib.pyplot.annotate绘制图形标注matplotlib.pyplot.axhspan绘制垂直或水平色块matplotlib.pyplot.clabel标注轮廓线matplotlib.pyplot.fill填充区域

matplotlib.pyplot 模块下一共包含了 160 余个不同的方法（官方文档 p1387），这些方法涉及到图像绘制的方方面面，这里就不再一一罗列。在后面的实验中，我们会慢慢接触到其中最常用的方法，这些方法足以满足大部分绘图需求。

三、2D 图像绘制

下面，我们就来一些常见类型的图像绘制及参数使用。

3.1 线型图

方法：matplotlib.pyplot.plot(*args, **kwargs)

上面我们见到使用该方法来绘制折线图。其实，matplotlib.pyplot.plot(*args, **kwargs)方法严格来讲可以绘制线型图或者样本标记。其中，*args允许输入单个 y 值或 x,y 值。

例如，我们这里绘制一张自定义 x,y 的曲线图。绘制点什么好呢？那就正弦曲线吧。

from matplotlib import pyplot as plt #载入 pyplot 绘图模块import numpy as np # 载入数值计算模块# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 X 坐标X = np.linspace(-2*np.pi, 2*np.pi, 1000)# 计算 y 坐标y = np.sin(X)# 向方法中 `*args` 输入 X，y 坐标plt.plot(X, y)plt.show()

这样，1 条正弦曲线就绘制出来了。但值得注意的是，pyplot.plot 在这里绘制的正弦曲线，实际上不是严格意义上的曲线图，而在两点之间依旧是直线。这里看起来像曲线是因为样本点相互挨得很近。

3.2 柱形图

方法：matplotlib.pyplot.bar(*args, **kwargs)

柱形图大家应该都非常了解了。这里，我们直接用上面的线性图的代码，仅把 plt.plot(X, y) 改成 plt.bar(X, y) 试一下。

效果好像不太好，问题当然是出在这里：X = np.linspace(-2*np.pi, 2*np.pi, 1000)。横坐标是等间距生成的 1000 个值，效果当然会堆积在一起了。尝试把 1000 改成 10再试一次。

from matplotlib import pyplot as plt #载入 pyplot 绘图模块import numpy as np # 载入数值计算模块# 在 -2PI 和 2PI 之间等间距生成 10 个值，也就是 X 坐标X = np.linspace(-2*np.pi, 2*np.pi, 10)# 计算 y 坐标y = np.sin(X)# 向方法中 `*args` 输入 X，y 坐标plt.bar(X, abs(y))  # y 值取绝对值plt.show()

柱形图的样式终于出来了。

3.3 散点图

方法：matplotlib.pyplot.scatter(*args, **kwargs)

散点图就是呈现在二维平面的一些点，这种图像的需求也是非常常见的。比如，我们通过 GPS 采集的数据点，它会包含经度以及纬度两个值，这样的情况就可以绘制成散点图。下面，我们画一个试试。

from matplotlib import pyplot as plt #载入 pyplot 绘图模块import numpy as np # 载入数值计算模块# X,y 的坐标均有 numpy 在 0 到 1 中随机生成 1000 个值X = np.random.normal(0,1,1000)y = np.random.normal(0,1,1000)# 向方法中 `*args` 输入 X，y 坐标plt.scatter(X, y)plt.show()

3.4 饼状图

方法：matplotlib.pyplot.pie(*args, **kwargs)

饼状图在有限列表以百分比呈现时特别有用，你可以很清晰地看出来各类别之间的大小关系，以及各类别占总体的比例。

from matplotlib import pyplot as plt #载入 pyplot 绘图模块Z = [1, 2, 3, 4, 5]# 绘图plt.pie(Z)plt.show()

这里的 Z 值反映了互相之间的大小关系，而无论输入多少个值，最终都是在一张饼（100%）里瓜分。

3.5 量场图

方法：matplotlib.pyplot.quiver(*args, **kwargs)

量场图就是由向量组成的图像，在气象学等方面被广泛应用。从图像的角度来看，量场图就是带方向的箭头符号。

from matplotlib import pyplot as plt #载入 pyplot 绘图模块import numpy as np # 载入数值计算模块# 生成数据矩阵X, y = np.mgrid[0:10, 0:10]# 绘图plt.quiver(X, y)plt.show()

3.6 等高线图

方法：matplotlib.pyplot.contourf(*args, **kwargs)

中学学习地理的时候，我们就知道等高线了。等高线图是工程领域经常接触的一类图，那么如何用 Matplotlib 画出来呢？

from matplotlib import pyplot as plt #载入 pyplot 绘图模块import numpy as np # 载入数值计算模块# 生成数据x = np.linspace(-5, 5, 500)y = np.linspace(-5, 5, 500)X, Y = np.meshgrid(x, y)Z = (1 - X / 2 + X ** 3 + Y ** 4) * np.exp(-X ** 2 - Y ** 2)# 绘图plt.contourf(X, Y, Z)plt.show()

值得注意的是，当我们向 contourf(X,Y,Z) 传入数据时，一定要注意相互之间的维度关系，不然很容易报错。其中，当 X,Y,Z 都是 2 维数组时，它们的形状必须相同。如果都是 1 维数组时，len(X)是 Z 的列数，而 len(Y) 是 Z 中的行数。

2 维数组示例：

X = [[1, 2], [3, 4]]Y = [[1, 2], [3, 4]]Z = [[1, 2], [3, 4]]

1 维数组示例：

X = [1, 2]Y = [-1, -2, -3]Z = [[1, 2], [3, 4], [5, 6]]

四、实验总结

本次实验对 pyplot 里包含的绘图方法进行了初步熟悉，并学会使用这些方法的默认参数绘制简单的图形样式。接下来的进阶实验将学习方法中提供的参数，绘制更为复杂漂亮的 2D 图像。

五、课后习题

1.自行阅读官方文档从 1387 页开始对 [matplotlib.pyplot] 模块的介绍内容。对本章节介绍过的方法加深印象。若有余力，学习并掌握剩余没有介绍的方法。