一、Matplotlib基本介绍

Matplotlib（mathematic plot lib，数学绘图库）是一个可视化绘图库。可以使用这个库轻松地完成线形图、直方图、条形图、误差图或散点图等操作，设置标签、图例、调整绘图大小等。是python中使用最广的绘图库。有很多库（如pandas，seaborn）的绘图功能都是基于matplotlib实现的。

pyplot（python plot，python绘图）是Matplotlib的一个基于状态的接口，可以快速的绘制图表，通常我们绘图只需要通过pyplot的接口就可以了。

在Jupyter notebook中进行交互式绘图，需要执行一下语句：

%matplotlib notebook

使用matplotlib时，使用的导入的语句

import matplotlib.pyplot as plt
from matplotlib import pyplot as plt

二、两种绘图方式区别（plt.*** 和ax.***）

利用matplotlib画图有两种方式，一个直接调用pyplot模型中的相应函数就可以完成绘图，称为过程式绘图；另一种可以在画布上显示多个图表，称为面向对象绘图，fig.subplots()无参数创建图表，默认创建一个图表。

先matplotlib架构上理解，可以理解为：

matplotlib架构上分为三层  

底层：backend layer

中层：artist layer  

最高层：scripting layer

在任意一层操作都能够实现画图的目的，而且画出来还都一样。但越底层的操作越细节话，越高层越易于人机交互。

plt. 对应的就是最高层 scripting layer。这就是为什么它简单上手，但要调细节就不灵了。

ax.plot 是在 artist layer 上操作。基本上可以实现任何细节的调试。

三、如何使用Matplotlib绘图

快速绘图的流程：从左往右

1、画布—绘画的画板

过程式绘图

import matplotlib.pyplot as plt
import numpy as np

x = np.random.random(10)
y = np.random.random(10)
plt.plot(x,y)	#绘制拆线图
plt.show()		#显示图形

说明：依次调用pyplot模块中的相应函数就可以完成绘图。

面向对象绘图

import matplotlib.pyplot as plt
fig=plt.figure(figsize=(18,6))
ax1=fig.add_subplot(2,2,1) # 创建2*2=4张图，ax1画在第一张图上
ax2=fig.add_subplot(2,2,2) # 创建2*2=4张图，ax2画在第二张图上
ax3=fig.add_subplot(2,2,3) # 创建2*2=4张图，ax3画在第三张图上
ax4=fig.add_subplot(2,2,4) # 创建2*2=4张图，ax4画在第四张图上
plt.show()  # 显示画布
plt.close() # 关闭画布

说明：

1、先通过plt.figure()函数创建一张完整的画面，作为底层，之后的所有操作都在这张画布上完成。

2、再通过figure.add_subplot()函数创建子图，相当于在已创建的画布上再叠加子图，子画布间相互独立，这样就可以达到一次性完成多幅图片的效果。

3、创建多个子图，可通过循环最后一个参数达到效果。

fig=plt.figure(figsize=(18,6))

for i in range(1,5):
	ax=fig.add_subplot(2,2,i)

plt.show()
plt.close()

4、在一张画布上创建子图的其他方法

#方法1
fig=plt.figure()
ax=fig.add_axes([left, bottom, width, height])

#方法2
fig,ax=plt.subplots(行数, 列数)

2、配置—更个性化的绘图

全局配置

过程式和面向对象式配图都适用

指定中文字体

# 指定中文字体样式、大小
import matplotlib.font_manager as mfm
# 请换成自己电脑的字体路径
font_path = r"c:\windows\Fonts\simsun.ttc"
prop = mfm.FontProperties(fname = font_path)

fig = plt.figure() 
ax1 = fig.add_subplot(111)
ax1.set_title('你好',fontproperties=prop,fontsize=20)
plt.show()

指定全局画图主题

常用主题：’ggplot’、‘seaborn-bright’、‘seaborn-white’、‘seaborn-darkgrid’、‘season-deep’

# 查看所有主题
plt.style.available 

# 指定全局画图主题为ggplot
plt.style.use('ggplot')

局部配置

面向对象绘图过程：ax代表子图变量

图表标题设置

ax.set_title(“sample”)：设置图表标题。
ax.set_title(“title”, loc=‘left’)：设置图表标题位置。

坐标轴设置

设置坐标轴标签文本
ax.set_xlabel(‘X axis’)
ax.set_ylabel(‘Y axis’)

设置x,y轴坐标刻度显示范围
ax.set_xlim(-3.5,3.5)
ax.set_ylim(-1.5,1.5)

设置主刻度坐标
ax.set_xticks([-4,-2,0,2,4])
ax.set_yticks([-1,-0.5,0,0.5,1])
设置次刻度坐标
ax.set_xticks(np.arange(-4,4,0.5),minor=True)
ax.set_yticks(np.arange(-1.5,1.5,0.1),minor=True)

图例

ax.legend(loc=‘upper right’):自定义图例位置。

loc 可选择的参数

• ‘best’：自动选择最佳位置
• ‘upper left’：左上角
• ’upper right’：右上角
• ‘lower left’：左下角
• ‘lower right’：右下角
• ‘center left’：中左
• ‘center right’：中右
• ‘lower center’：中下
• ‘upper center’：中上

ax.legend(fontsize=‘samll’) 自定义图例文字大小。
ax.legend(fontsize=10)

fontsize 可选择的参数

• 相对大小（字符串）
  ‘xx-small’,‘x-small’,‘smal’：小于当前默认字体大小
  ‘medium’：中等
  ‘large’,‘x-large’,‘xx-large’：大于当前默认字体大小
• 绝对大小（数值）
  fontsize=10：绝对字体大小，单位为点。

ax.legend(labelcolor=[‘r’,‘b’])：设置图例文本颜色。
ax.legend(mode=‘expand’)：图例水平平铺。

保存图形

plt.savefig(“sample.png”)

支持如下格式：

jpg, jpeg：jpg图

png：png图

svg, svgz：svg图

tif, tiff：tiff图

pgf：pgf位图

pdf, eps, ps：pdf或postscript文件

raw, rgba

面向对象画图的代码示例

#准备数据
import numpy as np
x=np.linspace(-np.pi,np.pi,100)
y=np.sin(x)

#导入matplotlib库pyplot模块
import matplotlib.pyplot as plt

#创建画布
fig=plt.figure()

#创建图表
ax=fig.subplots()

#绘制折线图，设置点线样式，设置线条名称
ax.plot(x,y,'+r--', label='line1',mec='b',ms=10)  #点为蓝色+(大小为10)，线为红色虚线

#设置坐标轴
ax.set_xlabel('X axis')            #坐标轴文本标签
ax.set_ylabel('Y axis')
ax.set_xticks([-4,-2,0,2,4])       #主刻度
ax.set_xticks(np.arange(-4,4,0.5),minor=True)  #次刻度
ax.set_yticks([-1,-0.5,0,0.5,1])
ax.set_yticks(np.arange(-1.5,1.5,0.1),minor=True)
ax.tick_params(axis='y',labelrotation=30)      #y轴主刻度文字旋转30度
ax.set_xlim(-3.5,3.5)              #设置显示刻度范围
ax.set_ylim(-1.5,1.5)

ax.grid(True)                      #显示主刻度网格

#设置图例
ax.legend()                  #注意需要绘图时，需指定label参数

#设置标题
ax.set_title("sample")

#保存显示图形
fig.savefig("sample.png")
plt.show()

过程式绘图过程

图表标题设置

坐标轴设置

图例

说明：方法参数基本上与面向对象方式一致。只是调用属性有区别。

过程式画图的代码示例：

#准备数据
import numpy as np
x=np.linspace(-np.pi,np.pi,100)
y=np.sin(x)

#导入matplotlib库pyplot模块
import matplotlib.pyplot as plt

#绘制折线图，设置点线样式，设置线条名称
plt.plot(x,y,'+r-.', label='line1')   #点为蓝色+，线为红色点划线

#设置坐标轴
plt.xlabel('X axis')                  #坐标轴文本标签
plt.ylabel('Y axis')
plt.xticks([-4,-2,0,2,4])             #主刻度，不支持次刻度设置
plt.yticks([-1,-0.5,0,0.5,1], rotation=30)
plt.xlim(-3.5,3.5)                    #设置显示刻度范围
plt.ylim(-1.5,1.5)

plt.grid(True,c='gray',linestyle=':') #显示主刻度网格

#设置图例
plt.legend()                          #注意需要绘图时，指定label参数

#设置标题
plt.title("sample")

#保存显示图形
plt.savefig("sample.png")

plt.show()

四、常用绘图图形

如何选择常用绘图图形？

散点图

散点图（scatter diagram，scatter：分散;撒;四散;散开;驱散;撒播）又称为散点分布图，是以一个特征为横坐标，另一个特征为纵坐标，值是由点在图表中的位置表示，类别是由图表中的不同标记表示，通常用于比较跨类别的数据。

散点图主要功能利用坐标点（散点）的分布形态反映特征间的统计关系（相关性）的一种图形。

1）线性相关：x，y变量的散点看上去都在一条直线附近波动；

2）非线性相关：x，y变量的散点都在某条曲线（非直线）附近波动；

3）不相关：所有点在图中没有显示任何关系

scatter()函数

基本参数说明：

举例1：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.font_manager as mfm
fig,ax=plt.subplots() #创建画布与图表
plt.rcParams['font.family']=['SimHei'] #用来显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

#准备数据
x1=np.arange(1,30)
y1=np.sin(x1)

ax=plt.subplot(1,1,1)
plt.title('散点图')
plt.xlabel('X')
plt.ylabel('Y')
lvalue=x1
#绘制散点图。颜色为'r'，点的大小为s，散点的边缘线宽为linewidths，点的类型为marker。
ax.scatter(x1,y1,c='r',s=100,linewidths=lvalue,marker='o')
plt.legend('x1')
plt.show()

举例2：

import numpy as np
import matplotlib.pyplot as plt

fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']  #用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号

#绘制散点图。颜色为['red','green','blue']，透明度为0.3，散点的边缘颜色为'none'。
for color in ['red','green','blue']:
	n=500
	x,y=np.random.randn(2,n)
	ax.scatter(x,y,c=color,label=color,alpha=0.3,edgecolors='none')
	ax.legend()
	ax.grid(True)

plt.show()

举例3：

比较特别的，用浮点数表示颜色，表示从当前matplotlib.colors.Colormap映射得到的颜色，相当于多个调色盘的合集。并非所有颜色参数都可以浮点数表示（比如plot就不行）。

import numpy as np
import matplotlib.pyplot as plt

fig,ax=plt.subplots() #创建画布与图表
#准备数据
x=np.random.randn(50)*10 #随机产生50个x轴坐标
y=np.random.randn(50)*10 #随机产生50个y轴坐标
sizes=(np.random.randn(50)*10)**2 #随机产生50个用于改变散点面积的数值
colors=np.random.randn(50)*10

#绘制散点图。颜色为colors，大小为sizes（单位points^2），透明度为0.5
ax.scatter(x,y,s=sizes,c=colors,alpha=0.5)

plt.show()

折线图

折线图（line chart）是一种将数据点按照顺序连接起来的图形。可以看作是将散点图，按照x轴坐标顺序连接起来的图形。可以只显示点、只显示线，或者点、线都显示。

折线图的主要功能观察因变量y随着自变量x改变的趋势。

• 最适合用于显示随时间（根据常用比例设置）而变化的连续数据。
• 适合用于观察数量的差异，增长趋势的变化。

plot()函数

基本参数说明：

举例1：

import numpy as np 
import matplotlib.pyplot as plt 
fig,ax=plt.subplots() #创建画布与图表

#准备数据
x=np.linspace(0,4*np.pi,50)  #通过定义均匀间隔创建数值序列
y1=np.sin(x)
y2=np.cos(x)
y3=np.cos(x+np.pi)

#绘制'line1'。线条为灰色，线形为点划线（'-.'）,线宽为1。
ax.plot(x,y1,c='gray',linestyle='-.',linewidth=1,label='line1')

#绘制'line2'。线条为红色，线型为虚线（'--'）
ax.plot(x,y2,'r--',label='line2')

#绘制'line3'。同时显示点和线。
#点大小为10，填充颜色为绿色，边缘颜色为红色，边缘宽度为1。
#线为蓝色实绩，线条宽度为2。
ax.plot(x,y3,'ob-',mfc='g',mec='r',ms=10,linewidth=2,label='line3')

ax.legend(loc='upper right') #设置图例
plt.show()

箱线图

箱线图（boxplot）也称箱须图，其绘制需使用数据中的五个常用统计量（最小值、下四分位数、中位数、上四分位数和最大值）来描述数据。

箱线图主要功能是能提供有关数据的位置和分散情况等相关信息，可以粗略地看出数据是否具有对称性、分布的分散程度等。

适用于比较几个样本，观察其不同特征。

boxplot()函数

基本参数说明：

举例1：

import numpy as np 
import matplotlib.pyplot as plt
import pandas as pd 
fig,ax=plt.subplots()

#准备数据
np.random.seed(2)
df=pd.DataFrame(np.random.rand(5,4),columns=['A','B','C','D'])

#df.boxplot()
ax.boxplot(df,sym='r+',whis=1.25)
plt.show()

柱状图

柱状图一般用横轴表示数据所属类别，纵轴表示数量或者占比。

柱状图主要功能是观察数据模式、样本的频率分布和总体的分布。

• 适用于比较产品质量特性的分布状态，判断其总体质量分布情况。
• 适用于属于不同组别的统计，可以用于比较组别的数据差异。

与直方图区别：

1）直方图展示数据的分布，柱状图比较数据的大小。

2）直方图X轴为定量数据（数据区间），柱状图X轴为分类数据。

3）直方图柱子无间隔（区间是连续的），柱状图柱子有间隔

4）直方图柱子宽度可不一，柱状图柱子宽度须一致

bar()函数

bar()函数绘制垂直柱状图，barh()函数绘制水平柱状图。

基本参数说明：

举例1：

单个柱状图代码示例

import numpy as np 
import matplotlib.pyplot as plt
fig,ax=plt.subplots()

#准备数据
x=np.arange(6)
y=np.random.uniform(0,10,6)

ax.bar(x,y) #绘制简单柱状图。用x坐标文本标签
ax.bar(x,y,tick_label=list('abcdef'),color='gray',lw=1,ec='orange') #制定文本作为标签，填充灰色，描边宽度为1，颜色为橙色

plt.show()

举例2：

设置柱形图宽度，bar() 方法使用 width 设置，barh() 方法使用 height 设置 height
垂直柱状图与水平柱状图代码示例（两种作图方式）：

import numpy as np 
import matplotlib.pyplot as plt
fig,axes=plt.subplots(2,1)
data=pd.Series(np.random.randn(16),index=list('abcdefghijklmnop'))
data.plot.bar(ax=axes[0],color='gray',alpha=0.7) #绘制垂直柱状图
data.plot.barh(ax=axes[1],color='gray',alpha=0.7) #绘制水平柱状图

import numpy as np
import matplotlib.pyplot as plt 
fig=plt.figure(figsize=(18,6))
ax1=fig.add_subplot(211)
ax2=fig.add_subplot(212)
x1=list('abcdefghijklmnop')
y1=np.random.randn(16)

ax1.bar(x1,y1,color='gray',alpha=0.7,width=0.5,) 
ax2.barh(x1,y1,color='gray',alpha=0.7,height=0.5)

举例3：

分组柱形图代码示例：

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots(figsize=(7,5))
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号

x=np.arange(1,6)
Y1=np.random.uniform(1.5,1.0,5)
Y2=np.random.uniform(1.5,1.0,5)
ax.bar(x,Y1,width=0.35,facecolor='lightskyblue',edgecolor='white',label='A')
ax.bar(x+0.35,Y2,width=0.35,facecolor='yellowgreen',edgecolor='white',label='B') 
ax.legend()
plt.show()

举例4：

分组柱形图（进阶）代码示例：

import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.patches as mpatches

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

plt.rcParams['xtick.direction'] = 'in'
plt.rcParams['ytick.direction'] = 'in'

fig,ax=plt.subplots(figsize=(20, 8),dpi=80)

year = ['2015年','2016年','2017年']
data1 = [68826, 73125, 77198]
data2 = [50391, 54455, 57892]

# 先得到year长度, 再得到下标组成列表
x = range(len(year))
ax.bar(x,data1,width=0.2,color='#FF6347')

# 向右移动0.2，柱状条宽度为0.2
ax.bar([i + 0.2 for i in x],data2,width=0.2,color='#008B8B')

# 底部汉字移动到两个柱状条中间(本来汉字是在左边蓝色柱状条下面, 向右移动0.1)
ax.set_xticks([i+0.1 for i in x])
ax.set_xticklabels(year, fontsize=15)
ax.set_ylabel('人数（万人）',size=13)


color = ['#FF6347', '#008B8B']
labels = ['中国网民规模', '中国网络视频用户规模']

patches = [mpatches.Patch(color=color[i], label="{:s}".format(labels[i]) ) for i in range(len(color))]

ax=plt.gca()
box = ax.get_position()
ax.set_position([box.x0, box.y0, box.width , box.height* 0.8])
#下面一行中bbox_to_anchor指定了legend的位置
ax.legend(handles=patches, bbox_to_anchor=(0.65,1.12), ncol=3) #生成legend

# 为每个条形图添加数值标签
for x1,y1 in enumerate(data1):
    ax.text(x1, y1+200, y1,ha='center',fontsize=16)
for x2,y2 in enumerate(data2):
    ax.text(x2+0.2,y2+200,y2,ha='center',fontsize=16)
    
plt.show()

饼图

饼图（Pie Graph）是将各项的大小与各项总和的比例显示在一张“饼”中，以“饼”的大小来确定每一项的占比。

饼图主要功能是反映出部分与部分、部分与整体之间的比例关系。

适用于要求直观地展示每组数据相对于总数的大小。

pie()函数

基本参数说明：

举例1：

import numpy as np 
import matplotlib.pyplot as plt
fig,ax=plt.subplots()

#准备数据
labels='Spring','Summer','Autumn','Winter'
x=[15,30,45,60]

ax.pie(x
		,labels=labels #设置标签
		,explode=[0,0,0.1,0] #第3个饼图炸开
		,wedgeprops={'lw':2,'ec':'lightblue'} #描边
		,startangle=60 #起始角度，默认从0开始逆时针转
		,autopct='%1.1f%%' #在图中显示比例值，注意值的格式。
		)
		
ax.set_title('Rany days by season')
plt.show()

直方图

直方图（Histogram）又称质量分布图，是统计报告图的一种，表示同一组数据在连续间隔或者特定时间段内容的分布情况，横轴表示数据类型（同一个变量的分组统计），纵轴表示一组数据分布情况，每个数据宽度可以任意变化。

直方图主要功能是描述一组数据的频次分布，有助于观察众数、中位数的位置，关注数据存在缺口或者异常值。

hist()函数

基本参数说明：

举例1：

import numpy as np
import matplotlib.pyplot as plt 
fig,ax=plt.subplots()

# 使用 NumPy 生成随机数
x= np.random.normal(170, 10, 250)
ax.hist(x,bins=30,color='r',cumulative=True)
ax.set_xlabel('random test')

plt.show()
plt.close()

五、绘图数据和多子图绘图

列表绘图

import numpy as np 
import matplotlib.pyplot as plt

x=[1,2,3,4]
y=[1,4,9,16]

plt.plot(x,y)

plt.show()

数组绘图

import numpy as np 
import matplotlib.pyplot as plt

t=np.arange(0,5,0.2)

#线条1
x1=y1=t

#线条2
x2=x1
y2=t**2
#线条3
x3=x1
y3=t**3

#使用plot绘制线条
lineslist=plt.plot(x1,y1,x2,y2,x3,y3)

#使用setp方法可以同时设置多个线条的属性
plt.setp(lineslist,color='r')
plt.show()

print('',type(lineslist))
print('',len(lineslist))

字典绘图

import numpy as np 
import matplotlib.pyplot as plt

data={'x':np.arange(50),
	  'y':np.random.randint(0,50,50),
	  'color':np.random.randn(50)}

plt.scatter('x','y',c='color',data=data)

plt.show()

多子图绘制

可以用如下三个方法创建多个子图

• fig,axes=plt.subplots(m,n)：一次生成m行n列子图。
• axes=fig.subplots(m,n)：一次生成m行n列子图，返回m*n个axes对象。
• fig.add_subplot((m,n,i))：增加一个子图，m行n列放在第i个。建议采用这个方法创建多子图。
  • 也可以fig.add_subplots(mni)方式调用。

举例1：

fig,axes=plt.subplots(m,n)：一次生成m行n列子图。

import numpy as np
import matplotlib.pyplot as plt 

ax=plt.subplots(2,2)
ax1=ax[0]
ax2=ax[1]
ax3=ax[2]
ax4=ax[3]

ax1.plot(x,y)

举例2：

fig.add_subplot((m,n,i))：增加一个子图，m行n列放在第i个。建议采用这个方法创建多子图。

import numpy as np
import matplotlib.pyplot as plt 

#准备数据
x=np.linspace(-np.pi,np.pi,100)
y=np.sin(x)

fig=plt.figure()
ax1=fig.add_subplot(2,2,1)
ax1.plot(x,y,'r-')
ax2=fig.add_subplot(2,2,3)
ax2.plot(x,y,'b:')
ax3=fig.add_subplot(1,2,2)
ax3.plot(x,y,'Dg--')

plt.show()

画布级别标题和标签

• fig.suptitle(“figtitle”)：设置总标题（与所有子图平级）
• fig.supxlabel(“figxlabel”)：设置总x标签（如果所有子图标签相同，可以只设置一个总标签）
• fig.supylabel(“figxlabel”)：设置总y标签

子图间距

• fig.subplots_adjust(wspace=0.5,hspace=0.5)：调整子图之间的间距
  • wspace：表示子图间宽度方向间隔系数
  • hspace：表示子图间高度方向间隔系数
• fig.tight_layout(pad=1)：调整子图四周空白宽度
  • pad：四周空白宽度系数
  • w_pad：宽度方向空白宽度系数
  • h_pad：高度方向空白宽度系数

import numpy as np
import matplotlib.pyplot as plt 

#准备数据
x=np.linspace(-np.pi,np.pi,100)
y=np.sin(x)

fig=plt.figure()

#画布设置
fig.suptitle("figtitle", x=0.5, y=0.98)
fig.supxlabel("figxlabel", x=0.5, y=0.02)
fig.supylabel("figylabel", x=0.02, y=0.5)
fig.subplots_adjust(wspace=0.5,hspace=0.5)
fig.tight_layout(pad=2)

ax1=fig.add_subplot(2,2,1)
ax1.plot(x,y,'r-')
ax2=fig.add_subplot(2,2,3)
ax2.plot(x,y,'b:')
ax3=fig.add_subplot(1,2,2)
ax3.plot(x,y,'Dg--')

plt.show()

参考文章：
Matplotlib系列(一)：快速绘图入门_matplotlib思维导图-CSDN博客
python利用matplotlib进行可视化_import numpy as np data = np.arange(10) data plt.p-CSDN博客
【python绘图】Matplotlib绘图及设置（使用python制图）_python画图设置-CSDN博客
​Matplotlib入门-6-plt.bar( )绘制柱状图 - 知乎

转自：python可视化模块—快速利用matplot绘制图表-CSDN博客