以什么样的姿势来学Matplotlib库

说起这个Python的可视化操作，Matplotlib库是一个绕不开的选择，甚至说可视库的鼻祖也不为过，但是一开始学习的时候是看着别人的博客或者demo修改一下，反正程序和我能跑一个就行，但是随着学习的深入，我对图形的要求变高，（其实是，需求太古怪，没有现成的作业可以抄了，只能自己写了），那这个首选的学习资料就是官网了，以前不回看这个东西，现在学的东西多了，反过来看这个东西，嘿！文档真香啊。

而且也反思了一下，如今学习也不要从什么博客开始了，直接从官网的文档看起，这才是知识之源。

如果你是对某个API不懂的话，那你直接可以搜索这个API来看使用的方法，也是这篇文章大部分写的内容，如果你是一个小白，也推荐在官网进行学习。

https://matplotlib.org/stable/plot_types/index.html

先打开库的官网，其实是打开我给的链接，你可以看见大量的已经绘制好的图：

大概就是这个样子

当你打开一个demo以后，会出现这个，你如果看不懂这些的意思，你点击这些位置回打开一个新的窗口来说明。

我这里就直接贴一个 生成X散列的函数，上面是这个函数调用的时候可以输入的所有参数，下面是简短的一句话来说明这个函数的作用，以及函数在各个版本之间有没有什么变化。下面的就是详细的参数意思了。

下面就是plot的函数了：

有没有发现一个小东西，*，这个是什么意思？

一个*代表后面的参数都必须赋值传参,也就是age=1的方式赋值, 否则报错!

也就是说标志着位置参数的就此终结，之后的那些参数，都只能以关键字形式来指定。

卡着就是这个～

我们看一个语言，等号前面的是返回值

返回的参数

一种惯用法，一般是按照你的字图的个数来处理

比如我们先写一个图的函数，一个ax就办事了。但是这里也要注意，有时候你不知道到底是返回了几个值，所以要首选axs这样的复数写法。

使用[],来定位要绘制的位子哈

那可以看看两个子图和四个子图的设置方法，ax这个无所谓就是个名字而已，但是还是建议写这个。

对于子图来说，都是一个坐标轴里面，那这个轴共用不？其实是个问题，这了你可以设置一下。

可以看到都是设置的ax这个，这个是什么呢？其实就好像是一种修饰一样。

可以看到是继承的艺术家，其实就是让图更加的好看，参数上面也很丰富。

你看这个参数，一开始其实是要一个画布，接着是这个Axes的位置，就好像是一块感兴趣的区域一样。接着就是设置要不要互相共享关于轴的一切。

其实axes就是一个有数值范围的绘图区域。

简单的绘制一个，fig是我们的最大的绘图区域，add把一个要绘制的区域加进去，就好像是注册一样的感觉，接着就是在这个区域随心所欲的写入了。

绘制的方法就是这样的

真的是太丰富了，都学完就大佬了

我们来看一个最常见的函数，plot，也是我们学习的起点。

看API，先看参数是啥情况：

你看，继承至Axes

参数是要传一对儿一对儿的元组，确实使用的时候是这样.

官方的文档有个优点，可以直接看到这个源码

对比文档就知道，doc是注释生成的

>>> plot(x, y, 'go--', linewidth=2, markersize=12)
>>> plot(x, y, color='green', marker='o', linestyle='dashed',
...      linewidth=2, markersize=12)

关于线的样子的设置有两种方法，一直是用fmt，我没有查到是什么意思，大概就是简写。还有就是关键字的参数，一个一个的写出来，而且是可以混用的，这点就比较舒服。

如果两个参数写的冲突咋办？关键字优先～

>>> plot(x1, y1, 'bo')
>>> plot(x2, y2, 'go')

绘制多组的图。

这里是绘制的2D的数组，你可以看到X，Y其实不是一模一样的，那就需要做更改，或是只是对（N，m）,另一个长度必须为N这么长，而且给m的每一个都计算

>>> x = [1, 2, 3]
>>> y = np.array([[1, 2], [3, 4], [5, 6]])
>>> plot(x, y)

这个是一个惯用的样子，其实还有：

>>> for col in range(y.shape[1]):
...     plot(x, y[:, col])

解包是这样的

Look

或是直接给

还有一种将多个绘制的图像放在一起的。

>>> plot(x1, y1, 'g^', x2, y2, 'g-')

而且这也是一种常见的做法

对于一个库来讲，可以说的太多了，路漫漫其修远兮，加油！