Python模块 Matplotlib的基本用法

目录

1. 认识Matploblib

1.1 Figure

1.2 Axes

1.3 Multiple Axes

1.4 Axes Vs .pyplot

2. 基本绘图2D

2.1 线

2.2 散点图

2.3 条形图

2.4 直方图

2.6 箱形图

2.7 泡泡图

2.8 等高线（轮廓图）

3 布局、图例说明、边界等

3.1区间上下限

3.2 图例说明

3.3 区间分段

3.4 布局

3.5 轴相关

---

Matplotlib 是Python中类似 MATLAB 的绘图工具，熟悉 MATLAB 也可以很快的上手 Matplotlib。

1. 认识Matploblib

1.1 Figure

在任何绘图之前，我们需要一个Figure对象，可以理解成我们需要一张画板才能开始绘图。

import matplotlib.pyplot as plt
fig=plt.figure(edgecolor="B",facecolor='r',figsize=(10,8))

figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)

• num: 图像编号或名称，字符串为名称
• figsize: 指定figure的宽和高，单位为英寸；
• dpi：参数指定绘图对象的分辨率，默认值为80
• facecolor:背景颜色
• edgecolor:边框颜色
• frameon:是否显示边框 

1.2 Axes

在拥有Figure对象之后，在作画前我们还需要轴，没有轴的话就没有绘图基准，所以需要添加Axes。也可以理解成为真正可以作画的纸。

fig=plt.figure()
ax=fig.add_subplot(111)
ax.set(xlim=[0.5,4.5],ylim=[-2,8]
       ,title='An Example Axes' #标题
       ,ylabel='Y-Axis'  #Y轴的名称
       ,xlabel='X-Axis'  #Y轴的名称
      )
plt.show()

上的代码，在一幅图上添加了一个Axes，然后设置了这个Axes的X轴以及Y轴的取值范围（这些设置并不是强制的，后面会再谈到关于这些设置），效果如下图：

对于上面的fig.add_subplot(111)就是添加Axes的，参数的解释的在画板的第1行第1列的第一个位置生成一个Axes对象来准备作画。也可以通过fig.add_subplot(2, 2, 1)的方式生成Axes，前面两个参数确定了面板的划分，例如 2， 2会将整个面板划分成 2 * 2 的方格，第三个参数取值范围是 [1, 2*2] 表示第几个Axes。如下面的例子：

fig=plt.figure(figsize=(10,8))  #设置大小为10*8的画布
ax1=fig.add_subplot(221)
ax1.set(title='221')
ax2=fig.add_subplot(222)
ax2.set(title='222')
ax3=fig.add_subplot(223)
ax3.set(title='223')
ax4=fig.add_subplot(224)
ax4.set(title='224')

1.3 Multiple Axes

可以发现我们上面添加 Axes 似乎有点弱鸡，所以提供了下面的方式一次性生成所有 Axes：

def subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True,
             subplot_kw=None, gridspec_kw=None, **fig_kw):

subplots参数

nrows，ncols：子图的行列数。
sharex, sharey：

• 设置为 True 或者 ‘all’ 时，所有子图共享 x 轴或者 y 轴，
• 设置为 False or ‘none’ 时，所有子图的 x，y 轴均为独立，
• 设置为 ‘row’ 时，每一行的子图会共享 x 或者 y 轴，
• 设置为 ‘col’ 时，每一列的子图会共享 x 或者 y 轴。

squeeze：

• 默认为 True，是设置返回的子图对象的数组格式。
• 当为 False 时，不论返回的子图是只有一个还是只有一行，都会用二维数组格式返回他的对象。
• 当为 True 时，如果设置的子图是（nrows=ncols=1），即子图只有一个，则返回的子图对象是一个标量的形式，如果子图有（N×1）或者（1×N）个，则返回的子图对象是一个一维数组的格式，如果是（N×M）则是返回二位格式。

subplot_kw:字典格式，传递给 add_subplot() ，用于创建子图。
gridspec_kw：

• 字典格式，传递给 GridSpec 的构造函数，用于创建子图所摆放的网格。
• class matplotlib.gridspec.GridSpec(nrows, ncols, figure=None, left=None, bottom=None, right=None, top=None, wspace=None, hspace=None, width_ratios=None, height_ratios=None)
• 如，设置 gridspec_kw={'height_ratios': [3, 1]} 则子图在列上的分布比例是3比1。

**fig_kw :

• 所有其他关键字参数都传递给 figure（）调用。
• 如，设置 figsize=(21, 12) ，则设置了图像大小。

fig,axes=plt.subplots(2,2,figsize=(10,8))
axes[0,0].set(title='Upper Left')
axes[0,1].set(title='Upper Right')
axes[1,0].set(title='Lower Left')
axes[1,1].set(title='Lower Right')

fig 还是我们熟悉的画板， axes 成了我们常用二维数组的形式访问，这在循环绘图时，额外好用。 

1.4 Axes Vs .pyplot

相信不少人看过下面的代码，很简单并易懂，但是下面的作画方式只适合简单的绘图，快速的将图绘出。在处理复杂的绘图工作时，我们还是需要使用 Axes 来完成作画的。

plt.plot([1,2,3,4],[10,20,25,30],color='lightblue',linewidth=3)
plt.xlim(0.5,4.5)

2. 基本绘图2D

2.1 线

plot()函数画出一系列的点，并且用线将它们连接起来。看下例子：

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

fig,axes=plt.subplots(2,2,figsize=(10,8))

axes[0,0].plot(x, y_sin,label="plot1")
axes[0,0].set(title='图1')

axes[0,1].plot(x, y_sin, 'go--', linewidth=2, markersize=12,label="plot2")
axes[0,1].set(title='图2')

axes[1,0].plot(x, y_cos, color='red', marker='+', linestyle='dashed',label="plot3")
axes[1,0].set(title='图3')

在上面的三个Axes上作画。plot，前面两个参数为x轴、y轴数据。ax2的第三个参数是 MATLAB风格的绘图，对应ax3上的颜色，marker，线型。 

另外，我们可以通过关键字参数的方式绘图，如下例：

x=np.linspace(0,10,200) #生成1-10之间的200个数字
data_obj={'x':x,
          'y1':2*x+1,
          'y2':3*x+1.2,
          'mean': 0.5 * x * np.cos(2*x) + 2.5 * x + 1.1}
fig,axes=plt.subplots(2,2,figsize=(10,8))
axes[0,0].fill_between('x','y1','y2',color='yellow',data=data_obj)
axes[0,1].plot('x','mean','y2',color='black',data=data_obj)

axes[1,1].plot('x','mean','y2',color='black',data=data_obj)
axes[1,1].fill_between('x','y1','y2',color='yellow',data=data_obj)

发现上面的作图，在数据部分只传入了字符串，这些字符串对一个这 data_obj 中的关键字，当以这种方式作画时，将会在传入给 data 中寻找对应关键字的数据来绘图。 

 

2.2 散点图

只画点，但是不用线连接起来。

x=np.arange(10)
y=np.random.randn(10)
plt.scatter(x,y,color='red',marker='+')

 

2.3 条形图

条形图分两种，一种是水平的，一种是垂直的，见下例子：

np.random.seed(1)
x=np.arange(5)
y=np.random.randn(5)

fig,axes=plt.subplots(1,2,figsize=(10,6))

vert_bars=axes[0].bar(x,y,color='lightblue')
horiz_bars=axes[1].barh(x,y,color='lightblue')

#在水平或者垂直方向上画线
axes[0].axhline(0,color='gray',linewidth=2)
axes[1].axvline(0,color='gray',linewidth=2)

 

 条形图还返回了一个Artists 数组，对应着每个条形，例如上图 Artists 数组的大小为5，我们可以通过这些 Artists 对条形图的样式进行更改，如下例：

np.random.seed(1)
x=np.arange(5)
y=np.random.randn(5)

fig,axes=plt.subplots()
vert_bars=axes.bar(x,y,color='lightblue',align='center')
for bar,height in zip(vert_bars,y):
    if height<0:
        bar.set(edgecolor='darkred', color='salmon', linewidth=3)

axes.axhline(0,color='gray',linewidth=2)
plt.show()

2.4 直方图

直方图用于统计数据出现的次数或者频率，有多种参数可以调整，见下例：

import matplotlib
matplotlib.rcParams.update({'font.size': 18})
np.random.seed(19680801)

n_bins=10
x=np.random.randn(1000,3)

fig,axes=plt.subplots(2,2,figsize=(10,8))
ax0, ax1, ax2, ax3 = axes.flatten()

colors=['red','tan','lime']
ax0.hist(x,n_bins,density=True,histtype='bar',color=colors,label=colors) 
#density=True  是否归一化
ax0.legend(prop={'size':15}) #显示标签
ax0.set(title='bars with legend')

ax1.hist(x,n_bins,density=True,histtype='barstacked')
ax1.set_title('stacked bar')

ax2.hist(x,histtype='barstacked', rwidth=0.9)

ax3.hist(x[:,0],rwidth=0.9)
ax3.set_title('different sample sizes')

 参数中density控制Y轴是概率还是数量，与返回的第一个的变量对应。histtype控制着直方图的样式，默认是 ‘bar’，对于多个条形时就相邻的方式呈现如子图1， ‘barstacked’ 就是叠在一起，如子图2、3。 rwidth 控制着宽度，这样可以空出一些间隙，比较图2、3. 图4是只有一条数据时。

2.5 饼图

labels='Frogs','Hogs','Dogs','Logs'
sizes=[15,30,45,10]
explode=(0,0.1,0,0)

fig1,(ax1, ax2) = plt.subplots(2,figsize=(10,8))
ax1.pie(sizes,labels=labels,autopct='%1.1f%%',shadow=True)
ax1.axis('equal')

ax2.pie(sizes
        ,autopct='%1.2f%%'  #设置百分比的格式，保留2位小数
        ,shadow=True   #
        ,startangle=90  #设置饼图的初始角度
        ,explode=explode  #突出显示Python
        ,pctdistance=1.12  #设置百分比标签与圆心的距离
       )
ax2.axis('equal')
ax2.legend(labels=labels, loc='upper right')

饼图自动根据数据的百分比画饼.。labels是各个块的标签，如子图一。autopct=%1.1f%%表示格式化百分比精确输出，explode，突出某些块，不同的值突出的效果不一样。pctdistance=1.12百分比距离圆心的距离，默认是0.6.

2.6 箱形图

为了专注于如何画图，省去数据的处理部分。 data 的 shape 为 (n, )， data2 的 shape 为 (n, 3)。

plt.boxplot(x, notch=None, sym=None, vert=None, 
             whis=None, positions=None, widths=None, 
             patch_artist=None, meanline=None, showmeans=None, 
             showcaps=None, showbox=None, showfliers=None, 
             boxprops=None, labels=None, flierprops=None, 
             medianprops=None, meanprops=None, 
             capprops=None, whiskerprops=None)

import pandas as pd
titanic=pd.read_csv('泰坦尼克号数据.csv',engine='python') 
titanic.dropna(subset=['Age'],inplace=True)
x=titanic.Age
fig, (ax1, ax2) = plt.subplots(2,figsize=(8,8))
ax1.boxplot(x
            ,patch_artist=True#要求用自定义颜色填充盒型图，默认白色填充
            ,showmeans=True#以点的形式显示均值
            ,boxprops={'color':'black','facecolor':'#9999ff'}#设置箱体属性，填充色和边框色
            ,flierprops={'marker':'o','markerfacecolor':'red','color':'black'}#设置异常值属性，点的形状、填充颜色和边框色
            ,meanprops={'marker':'D','markerfacecolor':'indianred'}#设置均值点的属性，点的颜色和形状
            ,medianprops={"linestyle":'--','color':'orange'}#设置中位数线的属性，线的类型和颜色
            )
ax2.boxplot(x,vert=False)

 

#按舱级排序，为了后面正常显示分组盒型图的顺序
titanic.sort_values(by='Pclass',inplace=True)
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

#通过for循环将不同仓位的年龄人群分别存储到列表Age变量中
Age=[]
levels=titanic.Pclass.unique()
for Pclass in levels:
    Age.append(titanic.loc[titanic.Pclass==Pclass,'Age'])

#绘图
plt.boxplot(
    x=Age,
    patch_artist=True,
    labels=['一等舱','二等舱','三等舱'],#添加具体的标签名称
    boxprops={'color':'black','facecolor':'#9999ff'},
    flierprops={'marker':'o','markerfacecolor':'red','color':'black'},#设置异常值属性，点的形状、填充颜色和边框色
    meanprops={'marker':'D','markerfacecolor':'indianred'},#设置均值点的属性，点的颜色和形状
    medianprops={"linestyle":'--','color':'orange'}#设置中位数线的属性，线的类型和颜色

)

plt.show()

 

 

2.7 泡泡图

散点图的一种，加入了第三个值 s 可以理解成普通散点，画的是二维，泡泡图体现了Z的大小，如下例：

np.random.seed(19680801)
N=50
x=np.random.rand(N)
y=np.random.rand(N)
fig=plt.figure(figsize=(10,8))
colors=np.random.rand(N)
area=(30*np.random.rand(N))**2  #气泡的大小

plt.scatter(x,y,s=area,c=colors,alpha=0.5)

 

2.8 等高线（轮廓图）

有时候需要描绘边界的时候，就会用到轮廓图，机器学习用的决策边界也常用轮廓图来绘画，见下例：

fig, (ax1, ax2) = plt.subplots(2,figsize=(10,8))
x = np.arange(-5, 5, 0.1)
y = np.arange(-5, 5, 0.1)
xx, yy = np.meshgrid(x, y, sparse=True)
z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2)
ax1.contourf(x, y, z)
ax2.contour(x, y, z)

上面画了两个一样的轮廓图，contourf会填充轮廓线之间的颜色。数据x, y, z通常是具有相同 shape 的二维矩阵。x, y 可以为一维向量，但是必需有 z.shape = (y.n, x.n) ，这里 y.n 和 x.n 分别表示x、y的长度。Z通常表示的是距离X-Y平面的距离，传入X、Y则是控制了绘制等高线的范围。
 

3 布局、图例说明、边界等

3.1区间上下限

当绘画完成后，会发现X、Y轴的区间是会自动调整的，并不是跟我们传入的X、Y轴数据中的最值相同。为了调整区间我们使用下面的方式：

ax.set_xlim([xmin, xmax])   #设置X轴的区间
ax.set_ylim([ymin, ymax])   #Y轴区间
ax.axis([xmin, xmax, ymin, ymax])   #X、Y轴区间
ax.set_ylim(bottom=-10)     #Y轴下限
ax.set_xlim(right=25)       #X轴上限

实例：

plt.style.use('bmh') #设置背景风格
x=np.linspace(0,2*np.pi)
y=np.sin(x)
fig,(ax1,ax2)=plt.subplots(2,figsize=(10,8))
ax1.plot(x,y)

ax2.plot(x,y)
ax2.set_xlim([-1,6])
ax2.set_ylim([-1,3])

3.2 图例说明

我们如果我们在一个Axes上做多次绘画，那么可能出现分不清哪条线或点所代表的意思。这个时间添加图例说明，就可以解决这个问题了，见下例：

fig,ax=plt.subplots()
ax.plot([1,2,3,4],[10,20,25,30],label='Philadelphia')
ax.plot([1,2,3,4],[30,23,13,4],label='Boston')
ax.scatter([1, 2, 3, 4], [20, 10, 30, 15], label='Point')
ax.set(ylabel='Temperature (deg C)',xlabel='Time', title='A tale of two cities')
ax.legend(loc=2)

在绘图时传入 label 参数，并最后调用ax.legend()显示体力说明，对于 legend 还是传入参数，控制图例说明显示的位置：

3.3 区间分段

默认情况下，绘图结束之后，Axes 会自动的控制区间的分段。见下例

data=[('apples',2),('oranges',3),('peaches',1)]
fruit,value=zip(*data)

fig,(ax1,ax2)=plt.subplots(2)
x=np.arange(len(fruit))

ax1.bar(x,value,align='center',color='lightblue')
ax2.bar(x,value,align='center',color='lightblue')

ax2.set(xticks=x, xticklabels=fruit)  #设置x轴的标签

3.4 布局

当我们绘画多个子图时，就会有一些美观的问题存在，例如子图之间的间隔，子图与画板的外边间距以及子图的内边距，下面说明这个问题：

fig,axes=plt.subplots(2,2,figsize=(9,9))
fig.subplots_adjust(wspace=0.5,hspace=0.3,left=0.125,right=0.9,top=0.9,bottom=0.1)
#fig.tight_layout() #自动调整布局，使标题之间不重叠

通过fig.subplots_adjust()我们修改了子图水平之间的间隔wspace=0.5，垂直方向上的间距hspace=0.3，左边距left=0.125 等等，这里数值都是百分比的。以 [0, 1] 为区间，选择left、right、bottom、top 注意 top 和 right 是 0.9 表示上、右边距为百分之10。不确定如果调整的时候，fig.tight_layout()是一个很好的选择。之前说到了内边距，内边距是子图的，也就是 Axes 对象，所以这样使用 ax.margins(x=0.1, y=0.1)，当值传入一个值时，表示同时修改水平和垂直方向的内边距。

 观察上面的四个子图，可以发现他们的X、Y的区间是一致的，而且这样显示并不美观，所以可以调整使他们使用一样的X、Y轴：

fig,(ax1,ax2)=plt.subplots(1,2,sharex=True,sharey=True)
ax1.plot([1,2,3,4],[1,2,3,4])
ax2.plot([3,4,5,6],[6,5,4,3])

3.5 轴相关

改变边界的位置，去掉四周的边框：

fig,(ax0,ax)=plt.subplots(2)
ax0.plot([-2,2,3,4],[-10,20,25,5])

ax.plot([-2,2,3,4],[-10,20,25,5])
ax.spines['top'].set_visible(False)  #顶边界不可见
ax.xaxis.set_ticks_position('bottom') # ticks 的位置为下方，分上下的。
ax.spines['right'].set_visible(False)   #右边界不可见
ax.yaxis.set_ticks_position('left')  # ticks 的位置为左方，分左右的。


# "data"
# 移动左、下边界到 (0, 0) 处相交
ax.spines['bottom'].set_position(('data', 0)) 
ax.spines['left'].set_position(('data', 0))

# "outward"
# 移动左、下边界离 Axes 10 个距离
#ax.spines['bottom'].set_position(('outward', 1))
#ax.spines['left'].set_position(('outward', 1))

# "axes"
# 移动边界，按 Axes 的百分比位置
#ax.spines['bottom'].set_position(('axes', 0.75))
#ax.spines['left'].set_position(('axes', 0.3))