之前斷斷續(xù)續(xù)的看了不少關(guān)于 Matplotlib 的教程嗅绰，也做了一些練習(xí)，但時常被不同演示中繁雜且各異的命令所迷惑败徊。今天剛好看到了 Chris Moffitt 的這篇文章 Effective Matplotlib尿这，覺得有必要結(jié)合官網(wǎng)從更高的視角了解 Matplotlib 的工作機制，在此更新這個筆記蝙斜。

首先，在 Matplotlib 中 figure 結(jié)合了 canvas 和 axes 構(gòu)成了我們看到的最終的圖像本身白翻，其中一個 figure 中可以包含一個或多個 axes乍炉，而每一個 axes 則是一系列 artists 如坐標(biāo)軸 axis绢片，標(biāo)簽 label滤馍，標(biāo)題 title，圖例 legend 的集合底循。在程序中 figure 常用 fig 變量來指代巢株，而 axes 常用 ax 變量來指代，鑒于各個對象間的層級結(jié)構(gòu)關(guān)系熙涤，在使用中獲取了 fig 和 ax 的控制權(quán)就可以對其中的元素進行修改阁苞。

Tree diagram of different artists in matplotlib

其次，Matplotlib 的首選輸入是列表和 Numpy 中的數(shù)組祠挫，任何其他類型的輸入包括 Pandas 的數(shù)據(jù)類型那槽，如 np.matrix 等都應(yīng)該轉(zhuǎn)化成數(shù)組，否則 Matplotlib 會內(nèi)部自動轉(zhuǎn)化等舔，但由于轉(zhuǎn)換的形式不一定是我們想要的骚灸，因此最終生成的圖像可能不是預(yù)期的樣式。

約定引用方式：

import matplotlib.pyplot as plt
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
# this very last line ask the backend to generate higher resolution figures

應(yīng)用實例

折線圖

plt.plot() 的輸入為待可視的橫慌植、縱坐標(biāo)值甚牲，并可以指定線型义郑，寬度，顏色等：

input_values = [1, 2, 3, 4, 5]
squares = [1, 4, 9, 16, 25]
plt.plot(input_values, squares, linewidth=3)

圖形的標(biāo)題丈钙，橫縱坐標(biāo)的標(biāo)簽和都可以分別通過 plt.title(), plt.xlabel(), plt.ylabel() 指定：

plt.title("Square Numbers", fontsize=20)
plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)
plt.tick_params(axis='both', labelsize=14)
plt.show()

square numbers plot

plt.plot() 第一次使用時會自動創(chuàng)建相應(yīng)的 figure 和 axes 來完成圖表的繪制非驮，后續(xù)添加的 plt.plot() 命令會在之前的 axes 上繼續(xù)增加新的 artists 內(nèi)容：

# code adopted from matplotlib website
x = np.linspace(0, 2, 100)

plt.plot(x, x, label='linear')
plt.plot(x, x**2, label='quadratic')
plt.plot(x, x**3, label='cubic')
# plt.axis() takes a list of [xmin, xmax, ymin, ymax]
plt.axis([1, 2, 1, 8])

plt.xlabel('x label')
plt.ylabel('y label')

plt.title("Simple Plot")

plt.legend()

plt.show()

multiple plot( ) calls

在一個 figure 上繪制多個 axes 需要采用 plt.subplot() 命令：

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

# subplot() command specifies numrows, numcols, fignum
# where fignum ranges from 1 to numrows*numcols
plt.subplot(211) # the same as plt.subplot(2, 1, 1)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')

plt.show()

subplot with functions, from matplotlib

在一個 figure 中繪制多個 axes 時有兩個函數(shù)：plt.subplot() 和 plt.subplots()，后者返回 figure 和 一個或多個 axes 雏赦，此后對于圖像中元素的操作都是基于 ax.method() 而無需采用采用 plt.method() 的形式劫笙，其使用方法為：

# Get the figure and the axes
fig, (ax0, ax1) = plt.subplots(nrows=1, ncols=2, sharey=True, figsize=(10,4))

# Build the first plot
top_10.plot(kind='barh', x='Name', y='Sales', ax=ax0)
ax0.set(title='Revenue', xlabel='Total revenue', ylabel='Customers')
formatter = FuncFormatter(currency)
ax0.xaxis.set_major_formatter(formatter)

# Add average line to the first plot
revenue_average = top_10['Sales'].mean()
ax0.axvline(x=revenue_average, color='b', label='Average', linestyle='--', linewidth=1)

# Build the second plot
top_10.plot(kind='barh', x='Name', y='Purchases', ax=ax1)
ax1.set(title='Units', xlabel='Total units', ylabel='')

# Add average line to the second plot
purchases_average = top_10['Purchases'].mean()
ax1.axvline(x=purchases_average, color='b', label='Average', linestyle='--', linewidth=1)

# Title the figure
fig.suptitle('2014 Sales Analysis', fontsize=14, fontweight='bold')

# Hide the plot legends
ax0.legend().set_visible(False)
ax1.legend().set_visible(False)

Image from pbpython

注意：上面這一段代碼和圖片來自于Effective Matplotlib，版權(quán)歸屬于 Chris Moffitt 本人喉誊。

如果在繪制多個 axes 時想指定不同 axes 的位置邀摆，則需要顯式的使用 axes([left, bottom, width, height]) 來指定位置，注意參數(shù)提供的是相對于坐標(biāo)軸的比例值伍茄，而非絕對值：

dt = 0.001
t = np.arange(0.0, 10.0, dt)
r = np.exp(-t[:1000]/0.05) # impulse response
x = np.random.randn(len(t))
s = np.convolve(x, r)[:len(x)]*dt # colored noise

# the main axes is subplot(111) by default
plt.plot(t, s)
plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])
plt.xlabel('time (s)')
plt.ylabel('current (nA)')
plt.title('Gaussian colored noise')

# this is an inset axes over the main axes
a = plt.axes([.65, .6, .2, .2], facecolor='y')
n, bins, patches = plt.hist(s, 400, normed=1)
plt.title('Probability')
plt.xticks([])
plt.yticks([])

# this is another inset axes over the main axes
a = plt.axes([0.2, 0.6, .2, .2], facecolor='y')
plt.plot(t[:len(r)], r)
plt.title('Impulse response')
plt.xlim(0, 0.2)
plt.xticks([])
plt.yticks([])

plt.show()

Multiple axes with manually set axes location, from matplotlib

散點圖

上述手動輸入的 list 作為數(shù)據(jù)源僅僅是為了便于展示栋盹，在日常的使用中，更多的是根據(jù)已有的數(shù)據(jù)生成圖形敷矫。在散點圖中可以通過參數(shù) c 來指定顏色例获，其輸入的值可以是 str, (R, G, B), 也可以是逐點改變的數(shù)值來顯示漸變；s 指定單個圓點的大胁苷獭柏锄；默認(rèn)情況下在圓點的外周會有一個黑色的邊框，可以通過edgecolor='none'來取消邊框或通過其他值來改變顏色滔以。

x = list(range(1, 1001))
y = [e*e for e in x]

# 第一行顏色指定為紅色蝗锥，第二行顏色為(R, G, B)值
# 第三行通過引用 cmp( color map)關(guān)鍵詞引入漸變
#plt.scatter(x, y, c='red', edgecolor='none', s=20) 
#plt.scatter(x, y, c=(0, 0, 0.8), edgecolor='none', s=5)
plt.scatter(x, y, c=y, cmap=plt.cm.Blues, edgecolor='none', s=5)

# Set chart title and label axes
plt.title("Square Numbers", fontsize=20)
plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)

# Set size of tick labels
plt.tick_params(axis='both', which='major', labelsize=14)

# Set the range for each axis
plt.axis([0, 1100, 0, 1100000])
plt.show()

gradient color

參考閱讀

1. Matplotlib website - The Matplotlib FAQ

2. Matplotlib website - pyplot tutorial

3. Chris Moffitt - Effective matplotlib