Matplotlib详解（plt 和ax分别是什么）

您所在的位置：网站首页 › ax是什么品牌衣服 › Matplotlib详解（plt 和ax分别是什么）

Matplotlib详解（plt 和ax分别是什么）

2024-07-12 14:36| 来源: 网络整理| 查看: 265

Matplotlib中的plt 和 ax 分别是什么？概念引入两种绘图方式的区别subplot 绘制Matplotlib 常见组件设置整理4.1 设置显示中文字体4.2 设置标题4.3 边框的显示问题4.4 图例设置（legend）4.5 图形与边框之间的留白控制4.6 设置双坐标轴4.7 坐标轴相关设置4.7.1 设置x轴和y轴的范围4.7.2 设置横纵坐标轴的标签(名字）4.7.3 设置刻度和刻度标签 5 网格线的设置

刚接触Matplotlib时，会被书上的plt、ax以及subplots等各种概念所迷惑，心里存在无数个问号，这些究竟是啥？画出来的图不是一样的吗？他们有啥区别？下面就一步步来解答这些迷惑。

概念引入

首先，我们应该要了解一张用Matplotlib画出来的图的具体构造，引用一张官方的图在这里插入图片描述我们先主要看图里面红色框的Figure和蓝色框的Axes，如何理解这两个东西呢？

如果将Matplotlib绘图和我们平常画画相类比，可以把Figure想象成一张纸（一般被称之为画布），Axes代表的则是纸中的一片区域（当然可以有多个区域，这是后续要说到的subplots），下面是一张更形象一点的图。

** 加粗样式 ** 在Figure画布中，Axes1区域画了一张数据仪表盘，Axes2区域画了柱状图，Axes3区域绘制了一张地图，相信还是挺好理解的。

两种绘图方式的区别

对着两个概念有基本的了解后，就可以来看看plt.plot()和ax.plot()有何区别了，下面列出了两种用Matplotlib绘制图表的方式。

plt # 第一种方式 plt.figure() plt.plot([1,2,3,4,5],[2,4,6,8,10]) plt.show() ax # 第二种方式 fig,ax = plt.subplots() ax.plot([1,2,3],[4,5,6]) plt.show()

绘图效果如下：在这里插入图片描述可以看到，不论是用plt.plot()还是ax.plot()，结果都是一样的

那区别在哪里？

从第一种方式的代码来看，先生成了一个Figure画布，然后在这个画布上隐式生成一个画图区域进行画图。

第二种方式同时生成了Figure和axes两个对象，然后用ax对象在其区域内进行绘图

如果从面向对象编程（对理解Matplotlib绘图很重要）的角度来看，显然第二种方式更加易于解释，生成的fig和ax分别对画布Figure和绘图区域Axes进行控制，第一种方式反而显得不是很直观，如果涉及到子图零部件的设置，用第一种绘图方式会很难受。

在实际绘图时，也更推荐使用第二种方式。

subplot 绘制

下面通过介绍subplots加深对第二种绘图方式的理解

假如现在我要在一张纸上左边画一个折线图，右边画一个散点图，该如何画呢？

首先要有一个画布Figure，其次，需要有两个区域Axes（等价于两个子图subplot）来画图

# 生成画布和axes对象 # nrows=1和ncols=2分别代表1行和两列 fig,ax = plt.subplots(nrows=1,ncols=2)

因为这里有两个画图区域，所以ax对应的是一个列表，存储了两个Axes 对象。

在这里插入图片描述然后分别控制左边和右边的绘图区域进行绘图

fig,ax = plt.subplots(nrows=1,ncols=2) ax[0].plot([1,2,3],[4,5,6]) ax[1].scatter([1,2,3],[4,5,6])

在这里插入图片描述其实到这里了也会发现，一个Axes对象对应了一个subplot子图，这些个子图都是画在同一个画布Figure之上。

Matplotlib 常见组件设置整理

个人认为用Matplotlib画出一张图来不难，难的是对于一些细节东西的设置，可能在一个小小的细节处理上就得百度好久，所以可以先点收藏了再看，需要的时候可以及时找出来看看。

先上一张官方绘制的关于各个组件在一张图中的名词解释，通过这张图可以很直观地感受到什么是legend，什么是tick……，遇到不会设置的也可以照着图搜索对应的文档，下面具体讲讲。在这里插入图片描述注：下方的图片均使用fig,ax = plt.subplots()的方式生成

4.1 设置显示中文字体

Matplotlib中默认将中文显示为乱码的◻，如下面这种情况：

fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5]) plt.show()

在这里插入图片描述所以在绘图前可以通过下面的代码解决这个问题 plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

# SimHei：微软雅黑 # FangSong：仿宋 # 这两个是我常用的，其他的可以上网搜一搜 fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5]) plt.show()

在这里插入图片描述

4.2 设置标题

函数： ax.set_title 利用fontdict 和 loc 参数可以分别对字体和标题位置进行设置

plt.rcParams['font.sans-serif'] = ['SimHei'] fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5]) ax.set_title('标题',fontdict={'size':16,'color':'red'},loc='center') plt.show()

在这里插入图片描述

4.3 边框的显示问题

数：ax.spines[loc].set_visible(False)

一般的图表中，Matplotlib会默认显示出图形的spine，就是图形上下左右的四条边线，如图在这里插入图片描述正常使用中有些时候仅仅需要左边left和底部bottom的spine，也有时候四条边框都不需要，可以这么设置：

plt.rcParams['font.sans-serif'] = ['SimHei'] fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5]) ax.set_title('标题',fontdict={'size':16,'color':'red'},loc='center') ax.spines['right'].set_visible(False) ax.spines['top'].set_visible(False) plt.show()

在这里插入图片描述

4.4 图例设置（legend）

函数：ax.legend()

图例是对图形所展示的内容的解释，比如在一张图中画了三条线，那么这三条线都代表了什么呢？这时就需要做点注释。

要显示图例可以有两种方式：

# 第一种： # plot的时候加上label,之后调用ax.legend() fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5],label='2010') ax.plot(['北京','上海','深圳'],[2,4,6],label='2020') ax.legend() plt.show() # 第二种： # 使用ax.legend()按顺序设置好图例 fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5]) ax.plot(['北京','上海','深圳'],[2,4,6]) # frameon = False 设置不显示图例的边框 ax.legend(['2010','2020'],loc='upper center',fontsize=10,labelcolor='red',frameon=False) plt.show()

在这里插入图片描述 frameon和fontsize参数可以设置是否显示图例的边框以及图例中文字的大小。

4.5 图形与边框之间的留白控制

函数：ax.margins()

不知道大家绘图的时候有没有发现，Matplotlib中默认在我们所画的图形和边框之间留有空白，比如在这里插入图片描述

要去掉这样的空白部分可以使用ax.margins()进行设置

plt.rcParams['font.sans-serif'] = ['SimHei'] fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5]) ax.set_title('标题',fontdict={'size':16,'color':'red'},loc='center') ax.fill_between(['北京','上海','深圳'],[1,1,1],[1,3,5]) ax.margins(0) plt.show()

在这里插入图片描述

4.6 设置双坐标轴

函数：ax.twinx()

双坐标轴一般用于复合图表，同时表示两种图表的指标量纲不一，经典的使用场景如帕累托图。

使用中，需要对原有的ax使用.twinx()方法生成ax2，再利用ax2进行绘图

fig,ax = plt.subplots() ax.plot(['北京','上海','深圳'],[1,3,5],color='r') # 双坐标用法 ax2 = ax.twinx() ax2.bar(['北京','上海','深圳'],[20,40,60],alpha=0.3) plt.show()

在这里插入图片描述

4.7 坐标轴相关设置

在一张二维图中，关于坐标轴各个零件的术语如图所示在这里插入图片描述首先有横坐标xaxis和纵坐标yaxis（注意与axes区分），横纵坐标上的标签（也可以说是横纵坐标的名字）为xlabel和ylabel，横纵坐标上有刻度线tick，刻度上对应的刻度标签则是tick label。具体设置时所对应的函数为

ax.set_xlim(),ax.set_ylim() 设置x轴和y轴的范围xlabel --> ax.set_xlabel()ylabel --> ax.set_ylabel()tick和tick label --> ax.tick_params，ax.xticks()，ax.yticks() 4.7.1 设置x轴和y轴的范围

set_xlim()、set_ylim() Matplotlib会自动得出沿x、y（和z轴，如果是3D图）轴显示的变量的最小值和最大值。然而，可以通过使用set_xlim()和set_ylim()函数明确地设置限制。实例如下：

fig,ax = plt.subplots() ax.scatter([3,2,1],[1,3,5],color='r') ax.plot([3,2,1],[1,3,5],color='b')

在这里插入图片描述设置x轴的范围：[0,4]，y轴的范围：[0,6]

fig,ax = plt.subplots() ax.scatter([3,2,1],[1,3,5],color='r') ax.plot([3,2,1],[1,3,5],color='b') ax.set_xlim([0,4]) ax.set_ylim([0,6])

在这里插入图片描述

4.7.2 设置横纵坐标轴的标签(名字） fig,ax = plt.subplots() ax.scatter([3,2,1],[1,3,5],color='r') ax.plot([3,2,1],[1,3,5],color='b') # 分别设置xy轴的标签 ax.set_xlabel('横轴',fontsize=10,color='red') ax.set_ylabel('纵轴',fontsize=10,color='green')

在这里插入图片描述

4.7.3 设置刻度和刻度标签 fig,ax = plt.subplots() ax.scatter([3,2,1],[1,3,5],color='r') ax.plot([3,2,1],[1,3,5],color='b') # fontsize设置刻度标签的大小 # direction控制刻度是朝内还是朝外显示 ax.tick_params(labelsize=14,direction='in')

在这里插入图片描述设置刻度

fig,ax = plt.subplots() ax.scatter([3,2,1],[1,3,5],color='r') ax.plot([3,2,1],[1,3,5],color='b') # fontsize设置刻度标签的大小 # direction控制刻度是朝内还是朝外显示 ax.tick_params(labelsize=19,direction='in') ax.set_xticks([1,2,3,4,5]) ax.set_yticks([1,3,5,7,9])

在这里插入图片描述设置刻度标签

在这里插入图片描述

5 网格线的设置

函数：ax.grid()

网格线多用于辅助查看具体的数值大小，横纵坐标都可以设置相应的网格线，视具体情况而论。

fig,ax1 = plt.subplots() ax1.plot([1,2,3],[4,2,6],color='r') # visible参数设置是否显示网格 # axis参数设置在哪个轴上显示网格线，可选参数为'x','y','both' ax1.grid(visible=True,axis='y')

在这里插入图片描述

【本文地址】

公司简介

联系我们