Matplotlib绘图从零入门到实践（含各类用法详解）

您所在的位置：网站首页 › matplotlib whl › Matplotlib绘图从零入门到实践（含各类用法详解）

Matplotlib绘图从零入门到实践（含各类用法详解）

#Matplotlib绘图从零入门到实践（含各类用法详解）| 来源: 网络整理| 查看: 265

一、引入

Matplotlib 是一个Python的综合库，用于在 Python 中创建静态、动画和交互式可视化。本教程包含笔者在使用Matplotlib库过程中遇到的各类完整实例与用法还有遇到的库理论问题，可以根据自己的需要在目录中查询对应的用法、实例以及第三部分关于理论的讨论。教程参考了Eric Matthes的Python Crash Course中的Matplotlib部分和Matplotlib官方示例。如果你希望了解更详细的用法和实例，可以查看Matplotlib官方网站和Python Crash Course。

二、用法部分 ①基础类 1.安装Matplotlib sudo pip install matplotlib # in Linux 2.引用Matplotlib常用模块 import matplotlib.pyplot as plt # 引入matplotlib的pyplot模块 3.绘制图形 values = [1, 2, 3, 4, 5] # x值列表 squares = [1, 4, 9, 16, 25] # y值列表 plt.plot(values, squares) # 绘图 4.查看图形 plt.show() # 打开matplotlib查看器，显示绘制的图形 5.保存图形 plt.savefig("file_name.png",bbox_inches="tight")#保存文件，bbox_inches可选择是否紧凑裁剪 ②调节设置类

调节设置类对于同一种功能的实现有多种方法，这就需要根据个人的需求来选择，比如复杂的项目或许适合面向对象的方法，一般的画图使用pyplot的方法或许也简单方便。

1.设置Figure

设置Figure标题 figure标题在整个figure的上部正中。

fig.suptitle("figure_suptitle") # 为Figure设置标题

设置Figure尺寸大小

plt.figure(figsize=(10, 6)) # 设置figure尺寸，单位为英寸 2.设置轴Axes

设置Axes标题

ax.set_title("title") # 为Axes设置标题

设置Axes标签

ax.set_xlabel("X", fontsize=14) # 设置x轴标签，字体大小设置为14 ax.set_ylabel("Y")

一次性设置Axes属性 axes.set()可以同时设置轴的多个属性

ax.set(xlim=[0, 3], ylim=[-4, 10], xlabel='Time [s]', ylabel='Z [m]', title='This is title')

隐藏坐标轴若对图像有洁净的追求，希望隐去坐标轴，可以使用

plt.axis("off") # 隐藏坐标轴 3.设置轴刻度

轴刻度是Axis来决定的，通过三个参数来确定一个轴的刻度，一般来说轴刻度是自动的，如果需要调节，可以参考以下用法。

尺度the scale of the Axis

线性尺度、非线性尺度等可以决定数据在y轴上的表达形式，比如log函数当数据跨越多个数量级时，通常会使用这种办法详细的尺度可查看尺度教程

ax.set_yscale('linear') ax.set_yscale('log') ax.set_yscale('symlog') # https://matplotlib.org/stable/gallery/scales/scales.html 刻度定位或格式化the tick locators & formatters

用于选择沿 Axis 对象放置刻度线的位置以及刻度的内容详细的刻度定位和格式化可查看刻度定位和格式化

ax.set_xticks(np.arange(0, 100, 30), ['zero', '30', 'sixty', '90']) # 在x轴上设定0,30,60,90四个刻度并用对应文本覆盖 ax.set_yticks([-1.5, 0, 1.5]) # 在y轴上设定三个刻度 4.设置图例

图例legend是搭配label使用的，请先为点或者线添加label属性。

ax.plot(x, y, label="This is label for line") # 为axes中的线添加label

详细图例可参考图例教程

ax.legend() # 将添加过label的artists添加到四角的图例上 5.设置注释法1：text

带有markdown格式的数学文本前面需要加r字符，r表示该字符串是原始字符串，而不是将反斜杠视为 python 转义。

ax.text(x[7], y[7], r'$\theta=0.25,\sigma=15$') # 在x[7], y[7]点描述文字法2：annotate [推荐]

需要注意的是： xy的坐标和xytext的坐标均为元组形式

ax.annotate('text', xy=(1, 2), xytext=(1.5, 2.5)) # ax.annotate("文本",xy=(坐标),xytext=(文本坐标)) ③数值处理类 1.生成x值和对应y值[规律] 法1：range()

缺陷为生成的是list，关于list和array的讨论可以看第四章理论部分和法3类似，法3更优

values = list(range(1, 101)) # list搭配range生成多个数的列表 squares = [value ** 2 for value in values] # 根绝values生成squares 法2:numpy.linspace()

注:该方法引用Numpy库

x = np.linspace(0, 2 * np.pi, 200) # np.linspace(起始点，终止点，采样个数) y = np.sin(x) 法3:np.arange(）[推荐]

和法1类似，优势在于不用再转一次列表并且Matplotlib的输入最好为numpy的array类型注:该方法引用Numpy库

x = np.arange(0.0, 2.0, 0.01) 2.生成x值和对应y值[随机] ④常见图形类 1.生成点 plt.scatter(values, squares, color="red", s=10, label="This is point") # 绘制散点图,s为点大小,color为颜色

为label作格式化输出

label=f'v0 = {v0} m/s'# 需要格式化的标签时，为label添加f 2.生成线

生成线的本质是生成足够多的点，使之连结，在视觉上呈现线的感觉。

x = np.linspace(0, 2 * np.pi, 200) # 生成足够多的x y = np.sin(x) # 生成足够多对应的y plt.plot(x, y, color='blue', linewidth=3, linestyle='--', label="This is line") # 绘图 ⑤美化类 1.颜色更改线或点的颜色

对于颜色方面的美化，可以参考Matplotlib颜色教程

更改点的颜色 ax.scatter(x, y, s=50, facecolor='red', edgecolor='blue') # https://matplotlib.org/stable/tutorials/colors/colors.html 更改线的颜色 ax.plot(x, y, color="red") # 红色颜色映射

颜色映射可以将数值大小映射为颜色深浅，从而绘制出数值与颜色相关的图像，比如温度低的位置颜色浅，温度高的地方颜色深。

法1：数值颜色映射 plt.scatter(x, y, c=y, cmap="Reds") # 颜色映射 # https://matplotlib.org/stable/gallery/color/colormap_reference.html#sphx-glr-gallery-color-colormap-reference-py

如果按照点的先后顺序颜色映射，需要先为规则c生成数值列表

法2：顺序颜色映射 points_number = list(range(101)) # 生成0~100的cmap顺序列表 plt.scatter(x, y, c=points_number, cmap="Blues", s=5) # 按照顺序颜色映射 2.线型、线宽、线标记常见线型

详细线型可参考线型教程

ax.plot(x, y, linestyle="solid") # 默认为实线 ax.plot(x, y, linestyle="dotted") # 点线 ax.plot(x, y, linestyle="dashed") # 虚线 ax.plot(x, y, linestyle="dashdot") # 点划线 # https://matplotlib.org/stable/gallery/lines_bars_and_markers/linestyles.html 常见线宽 ax.plot(x, y, linewidth=3) # 线宽设置为3 常见线标记

详细线标记可参考线标记教程

ax.plot(x, y, marker="^") # 向上三角形 ax.plot(x, y, marker="s") # 正方形 ax.plot(x, y, marker="o") # 圆形 # https://matplotlib.org/stable/api/markers_api.html#module-matplotlib.markers 3.轴的美化使轴刻度相等[推荐]

当axis参数为both时，x轴、y轴的刻度相同 which默认为major，也就是大刻度，如果需要小刻度也遵循，可在which填入both

plt.tick_params(axis="both", which="both", labelsize=14) # 设置各轴刻度为等距,标签大小设置为14 ⑥动画类

animation.FuncAnimation()允许我们通过传递一个迭代修改绘图数据的函数来创建动画。

import matplotlib.animation as animation # 引入动画库 import matplotlib.pyplot as plt import numpy as np 创建一个动画

创建一个动画的基本步骤是：

创建x、y数组，并将动画所有状态的点位保存在数组变量里，方便之后调用。 frame=100 #动画总帧数 theta = np.linspace(0, 2 * np.pi, frame) # 创建x y = np.sin(theta) # 创建y 绘制t=0状态下的图形，并将关键参数变量声明出来，它们是决定动画迭代的关键参数变量。以下的scatter_example和line_example分别是点类型和线类型的关键参数变量注意：线类型的关键变量为线对象的第[0]内容，所以要在线对象的后面加[0] scatter_example = ax.scatter(theta[0], y_scatter[0], color="blue", s=5, label="Cos") line_example = ax.plot(theta[0], y_line[0], color="red", label="Sin")[0] # 警告：此处[0]不可省去！写更新函数，在更新函数中处理该帧要画的数据，并通过点的set_offsets()和线的set_xdata()方法将迭代用的关键变量回传 def update(frame): # 对于每个帧frame，更新这帧frame要画的数据，存于x、y中 print(frame) x = theta[:frame] y = y_scatter[:frame] # 更新scatter绘画: data_scatter = np.stack([x, y]).T # 此处将xy拼在一起并转置，形成xy坐标为一组，总共frame组坐标数据的list scatter_example.set_offsets(data_scatter) # 通过set_offsets()更新artist的数据 # 更新line绘画: line_example.set_xdata(theta[:frame]) # 直接设置x line_example.set_ydata(y_line[:frame]) # 直接设置y return scatter_example, line_example 创建FuncAnimation()对象 ani = animation.FuncAnimation(fig=fig, func=更新函数, frames=帧个数, interval=每帧间隔时间ms, blit=是否使用光栅技术加速渲染) ani = animation.FuncAnimation(fig=fig, func=update, frames=frame, interval=10, blit=True) # 设置动画，interval单位为ms # 默认渲染最高帧率为33fps左右，blit=True启用一种光栅技术加快渲染，使之达到200+fps

创建动画的完整代码在实例部分，演示了线或者点创建出Sin/Cos完整动画的全过程，你可以参考这个代码来体会动画的创建。

三、理论部分 1.Artist、Figure、Axes、Axis的区别 Artist

基本上，图形上可见的所有内容都是Artist，包括Figure、Axes和Axis对象。 Text对象、Line2D对象、collections对象、Patch 对象等也是Artist。当 Figure 被渲染时，所有的 Artists 都被绘制到画布上。大多数Artist和Axes挂钩，不能在Axes间切换也不能被Axes共享。

Figure

Figure是整个图形，可以看做窗口，一个Figure可以包含多个Axes。 Figure可以用pyplot.figure()单独创建

fig = plt.figure() # 创建无Axes的空Figure窗口 fig, ax = plt.subplots() # 创建带有一个Axes的Figure

Figure也可以用pyplot.subplots()和Axes一起创建。

Axes

Axes 是附加到 Figure 的 Artist，它包含一个用于绘制数据的区域。 Axes通常用pyplot.subplots()和Figure一起创建。使用axes_name.plot()来绘制数据

fig, ax = plt.subplots() # 创建带有一个Axes的Figure ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) # 在Axes上绘制数据

一个Figure上可以有多个Axes。

fig, axs = plt.subplots(2, 2) # 创建一个带有2X2个Axes的Figure axs[1][1].plot(x, y) # 在第二行第二列的图上绘制 fig, (ax1, ax2,ax3,ax4) = plt.subplots(1, 4, figsize=(10, 4)) # 创建带有4个axes的figure Axis

一个Axes通常包含两个带有刻度和刻度标签Axis，在3D情况下，一个Axes包含3个Axis，这和我们日常生活中的xyz坐标系含有x、y、z轴是相同的概念。

2.输入数据的要求

Matplotlib要求输入的数据格式为numpy的array，也就是numpy数组。

List与Array区别

list是python的内置数据类型，而 array数组需要导入numpy库，不属于内置类型。 list中的数据类不必相同的，即每个元素可以是不同的数据类型。而array则是由numpy封装，存放的元素都是相同的数据类型。

Matrix的输入

矩阵Matrix无法直接作为数据输入，需要先通过numpy.asarray()转化为"类数组"才能输入Matplotlib

a = np.matrix([[1, 2], [3, 4]]) # a为numpy矩阵Matrix a_asarray = np.asarray(a) # a转化为类数组a_asarray 3.内存的占用问题

清理选定的Figure

fig.clf()

清理选定的Axes

ax.cla()

当制作动画或者大量图形时，需要注意，图形所需的内存在使用plt.close()图形前不会完全释放。即使关闭图窗、删除图形也没有用，因为pyplot会维护内部的引用直到plt.close被调用。 ax和fig没有close用法，只有plt.close()，其针对的关闭对象为最后一个figure

plt.close(figure_number) # 如果有多个figure，不输入默认关闭最后一个，也可选择关闭某个figure

可能良好的习惯是在show之后close所有的figures

plt.show() plt.close("all") 四、实例部分

实例部分提供了一些基础的具有详细注释的简单例子，还有有一些有趣的小项目，比如点的随机漫步图、Sin函数动画等，你可以在github或gitee上下载代码： Github:https://github.com/Hermanye996/Matplotlib_example Gitee:https://gitee.com/hermanye233/Matplotlib_example

【本文地址】

公司简介

联系我们

今日新闻

推荐新闻

专题文章