快速入门Matplotlib教程

介绍

可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。这里将会探索 matplotlib 的常见用法。

IPython 以及 pylab 模式

IPython 是 Python 的一个增强版本。它在下列方面有所增强：命名输入输出、使用系统命令（shell commands）、排错（debug）能力。我们在命令行终端给 IPython 加上参数 （0.12 以后的版本是 ）之后，就可以像 Matlab 或者 Mathematica 那样以交互的方式绘图。

pylab

pylab 是 matplotlib 面向对象绘图库的一个接口。它的语法和 Matlab 十分相近。也就是说，它主要的绘图命令和 Matlab 对应的命令有相似的参数。

初级绘制

这一节中，我们将从简到繁：先尝试用默认配置在同一张图上绘制正弦和余弦函数图像，然后逐步美化它。

第一步，是取得正弦函数和余弦函数的值：

1from pylab import *

2X = np.linspace(-np.pi, np.pi,256,endpoint=True)

3C,S = np.cos(X), np.sin(X)

是一个 数组，包含了从 −π−π 到 +π+π 等间隔的 256 个值。和 则分别是这 256 个值对应的余弦和正弦函数值组成的 numpy 数组。

1pythonexercise_1.py

使用默认配置

Matplotlib 的默认配置都允许用户自定义。你可以调整大多数的默认配置：图片大小和分辨率（dpi）、线宽、颜色、风格、坐标轴、坐标轴以及网格的属性、文字与字体属性等。不过，matplotlib 的默认配置在大多数情况下已经做得足够好，你可能只在很少的情况下才会想更改这些默认配置。

1from pylab import *

2X = np.linspace(-np.pi, np.pi,256,endpoint=True)

3C,S = np.cos(X), np.sin(X)

4plot(X,C)

5plot(X,S)

6show()

默认配置的具体内容

下面的代码中，我们展现了 matplotlib 的默认配置并辅以注释说明，这部分配置包含了有关绘图样式的所有配置。代码中的配置与默认配置完全相同，你可以在交互模式中修改其中的值来观察效果。

1# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用）

2frompylabimport*

3# 创建一个 8 * 6 点（point）的图，并设置分辨率为 80

4figure(figsize=(8,6), dpi=80)

5# 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块）

6subplot(1,1,1)

7X = np.linspace(-np.pi, np.pi,256,endpoint=True)

8C,S = np.cos(X), np.sin(X)

9# 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条

10plot(X, C, color="blue", linewidth=1.0, linestyle="-")

11# 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条

12plot(X, S, color="green", linewidth=1.0, linestyle="-")

13# 设置横轴的上下限

14xlim(-4.0,4.0)

15# 设置横轴记号

16xticks(np.linspace(-4,4,9,endpoint=True))

17# 设置纵轴的上下限

18ylim(-1.0,1.0)

19# 设置纵轴记号

20yticks(np.linspace(-1,1,5,endpoint=True))

21# 以分辨率 72 来保存图片

22# savefig("exercice_2.png",dpi=72)

23# 在屏幕上显示

24show()

改变线条的颜色和粗细

首先，我们以蓝色和红色分别表示余弦和正弦函数，而后将线条变粗一点。接下来，我们在水平方向拉伸一下整个图。

1...

2figure(figsize=(10,6), dpi=80)

3plot(X, C, color="blue", linewidth=2.5, linestyle="-")

4plot(X, S, color="red", linewidth=2.5, linestyle="-")

5...

设置图片边界

当前的图片边界设置得不好，所以有些地方看得不是很清楚。

1...

2xlim(X.min()*1.1,X.max()*1.1)

3ylim(C.min()*1.1,C.max()*1.1)

4...

更好的方式是这样：

1xmin ,xmax = X.min(), X.max()

2ymin, ymax = Y.min(), Y.max()

3dx = (xmax - xmin) * 0.2

4dy = (ymax - ymin) * 0.2

5xlim(xmin - dx, xmax + dx)

6ylim(ymin - dy, ymax + dy)

设置记号

我们讨论正弦和余弦函数的时候，通常希望知道函数在 ±π±π 和 ±π2±π2 的值。这样看来，当前的设置就不那么理想了。

1...

2xticks( [-np.pi, -np.pi/2,, np.pi/2, np.pi])

3yticks([-1,, +1])

4...

设置记号的标签

记号现在没问题了，不过标签却不大符合期望。我们可以把 3.1423.142 当做是 ππ，但毕竟不够精确。当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。

1...

2xticks([-np.pi, -np.pi/2,, np.pi/2, np.pi],

3[r $-pi$,r $-pi/2$,r $0$,r $+pi/2$,r $+pi$])

4yticks([-1,, +1],

5[r $-1$,r $0$,r $+1$])

6...

移动脊柱

坐标轴线和上面的记号连在一起就形成了脊柱（Spines，一条线段上有一系列的凸起，是不是很像脊柱骨啊~），它记录了数据区域的范围。它们可以放在任意位置，不过至今为止，我们都把它放在图的四边。

实际上每幅图有四条脊柱（上下左右），为了将脊柱放在图的中间，我们必须将其中的两条（上和右）设置为无色，然后调整剩下的两条到合适的位置——数据空间的 0 点。

添加图例

我们在图的左上角添加一个图例。为此，我们只需要在 plot 函数里以「键 - 值」的形式增加一个参数。

1...

2plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")

3plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")

4legend(loc=upper left)

5...

给一些特殊点做注释

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。

1...

2t =2*np.pi/3

3plot([t,t],[,np.cos(t)], color =blue, linewidth=2.5, linestyle="--")

4scatter([t,],[np.cos(t),],50, color =blue)

5annotate(r $sin(rac)=rac}$,

6xy=(t, np.sin(t)), xycoords=data,

7xytext=(+10, +30), textcoords=offset points, fontsize=16,

8arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

9plot([t,t],[,np.sin(t)], color =red, linewidth=2.5, linestyle="--")

10scatter([t,],[np.sin(t),],50, color =red)

11annotate(r $cos(rac)=-rac$,

12xy=(t, np.cos(t)), xycoords=data,

13xytext=(-90,-50), textcoords=offset points, fontsize=16,

14arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

15...

精益求精

坐标轴上的记号标签被曲线挡住了，作为强迫症患者（雾）这是不能忍的。我们可以把它们放大，然后添加一个白色的半透明底色。这样可以保证标签和曲线同时可见。

1...

2forlabelinax.get_xticklabels() + ax.get_yticklabels():

3label.set_fontsize(16)

4label.set_bbox(dict(facecolor=white, edgecolor=None, alpha=0.65 ))

5...

图像、子图、坐标轴和记号

到目前为止，我们都用隐式的方法来绘制图像和坐标轴。快速绘图中，这是很方便的。我们也可以显式地控制图像、子图、坐标轴。Matplotlib 中的「图像」指的是用户界面看到的整个窗口内容。在图像里面有所谓「子图」。子图的位置是由坐标网格确定的，而「坐标轴」却不受此限制，可以放在图像的任意位置。我们已经隐式地使用过图像和子图：当我们调用 函数的时候，matplotlib 调用 函数以及 函数来获取当前的坐标轴和图像；如果无法获取图像，则会调用 函数来创建一个——严格地说，是用 创建一个只有一个子图的图像。

图像

所谓「图像」就是 GUI 里以「Figure #」为标题的那些窗口。图像编号从 1 开始，与 MATLAB 的风格一致，而于 Python 从 0 开始编号的风格不同。以下参数是图像的属性：

这些默认值可以在源文件中指明。不过除了图像数量这个参数，其余的参数都很少修改。

你在图形界面中可以按下右上角的 X 来关闭窗口（OS X 系统是左上角）。Matplotlib 也提供了名为 的函数来关闭这个窗口。 函数的具体行为取决于你提供的参数：

不传递参数：关闭当前窗口；

传递窗口编号或窗口实例（instance）作为参数：关闭指定的窗口；

：关闭所有窗口。

和其他对象一样，你可以使用 或者是 这样的方法来设置图像的属性。

子图

你可以用子图来将图样（plot）放在均匀的坐标网格中。用 函数的时候，你需要指明网格的行列数量，以及你希望将图样放在哪一个网格区域中。此外， 的功能更强大，你也可以选择它来实现这个功能。

坐标轴

坐标轴和子图功能类似，不过它可以放在图像的任意位置。因此，如果你希望在一副图中绘制一个小图，就可以用这个功能。

记号

良好的记号是图像的重要组成部分。Matplotlib 里的记号系统里的各个细节都是可以由用户个性化配置的。你可以用 Tick Locators 来指定在那些位置放置记号，用 Tick Formatters 来调整记号的样式。主要和次要的记号可以以不同的方式呈现。默认情况下，每一个次要的记号都是隐藏的，也就是说，默认情况下的次要记号列表是空的——。

Tick Locators

下面有为不同需求设计的一些 Locators。

这些 Locators 都是 的子类，你可以据此定义自己的 Locator。以日期为 ticks 特别复杂，因此 Matplotlib 提供了 来实现这一功能。

其他类型的图

接下来的内容是练习。请运用你学到的知识，从提供的代码开始，实现配图所示的效果。具体的答案可以点击配图下载。

普通图

1from pylab import *

2n = 256

3X = np.linspace(-np.pi,np.pi,n,endpoint=True)

4Y = np.sin(2*X)

5plot (X, Y+1, color= blue , alpha=1.00)

6plot (X, Y-1, color= blue , alpha=1.00)

7show()

散点图

条形图

1frompylab import *

2n =12

3X = np.arange(n)

4Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)

5Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)

6bar(X, +Y1, facecolor=#9999ff, edgecolor=white)

7bar(X, -Y2, facecolor=#ff9999, edgecolor=white)

8forx,yinzip(X,Y1):

9text(x+0.4, y+0.05,%.2f% y, ha=center, va=bottom)

10ylim(-1.25,+1.25)

11show()

12

等高线图

1from pylab import *

2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

3n = 256

4x = np.linspace(-3,3,n)

5y = np.linspace(-3,3,n)

6X,Y = np.meshgrid(x,y)

7contourf(X, Y, f(X,Y), 8, alpha=.75, cmap= jet )

8C = contour(X, Y, f(X,Y), 8, colors= black , linewidth=.5)

9show()

灰度图（Imshow）

1from pylab import *

2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

3n = 10

4x = np.linspace(-3,3,4*n)

5y = np.linspace(-3,3,3*n)

6X,Y = np.meshgrid(x,y)

7imshow(f(X,Y)), show()

饼状图

量场图（Quiver Plots）

1frompylabimport*

2n =8

3X,Y = np.mgrid[:n,:n]

4quiver(X,Y), show()

网格

1frompylabimport*

2axes = gca()

3axes.set_xlim(,4)

4axes.set_ylim(,3)

5axes.set_xticklabels([])

6axes.set_yticklabels([])

7show()

多重网格

1frompylabimport*

2subplot(2,2,1)

3subplot(2,2,3)

4subplot(2,2,4)

5show()

极轴图

1from pylab import *

2axes([0,0,1,1])

3N = 20

4theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)

5radii = 10*np.random.rand(N)

6width = np.pi/4*np.random.rand(N)

7bars = bar(theta, radii, width=width, bottom=0.0)

8for r,bar in zip(radii, bars):

9bar.set_facecolor( cm.jet(r/10.))

10bar.set_alpha(0.5)

11show()

3D 图

1from pylab import *

2from mpl_toolkits.mplot3d import Axes3D

3fig = figure()

4ax = Axes3D(fig)

5X = np.arange(-4, 4, 0.25)

6Y = np.arange(-4, 4, 0.25)

7X, Y = np.meshgrid(X, Y)

8R = np.sqrt(X**2 + Y**2)

9Z = np.sin(R)

10ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap= hot )

11show()