Matplotlib安装
MacOS
# python 3+ 请复制以下在 terminal 中执行
$ pip3 install matplotlib
# python 2+ 请复制以下在 terminal 中执行
$ pip install matplotlib
Linux
# python 3+ 请复制以下在 terminal 中执行
$ sudo apt-get install python3-matplotlib
# python 2+ 请复制以下在 terminal 中执行
$ sudo apt-get install python-matplotlib
基本用法
Module的导入：
import matplotlib.pyplot as plt
import numpy as np
画出一条直线：
x = np.linspace(-1, 1, 50)
y = 2*x + 1
使用plt.figure定义一个图像窗口，使用plt.plot画图，plt.show显示图像：
plt.figure()
plt.plot(x, y)
plt.show()
figure图像
matplotlib的figure就是一个单独的figure小窗口，小窗口里面还可以有更多的图片。
import matplotlib.pyplot as plt
import numpy as np
设置你想画的图像：
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
使用plt.figure定义一个图像窗口，使用plt.plot画(x,y1)图像
plt.figure()
plt.plot(x,y1)
plt.show()
自定义窗口编号和大小，并将两个图像画入同一张图中：
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.show()
设置坐标轴
导入Module：
import matplotlib.pyplot as plt
import numpy as np
定义图像：
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
将两个图像画在一个figure中，为了区分，所以将其中的一个图像的参数做特殊处理：
plt.figure()
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
设置坐标轴的范围和名称：
plt.xlim((-1,2))
plt.ylim((-2,3))
plt.xlabel('I am x')
plt.ylabel('I am y')
plt.show()
设定自变量x的取值范围：
new_ticks = np.linspace(-1,2,5)
plt.xticks(new_ticks)
设置y轴的刻度和名称，注意转置的使用：
plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
plt.show()
移动坐标轴的位置：
使用plt.gca获取当前的坐标轴信息，使用.spines设置边框：右侧边框；使用.set_color设置边框颜色：默认白色； 使用.spines设置边框：上边框；使用.set_color设置边框颜色：默认白色；
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()
调整坐标轴：
使用.xaxis.set_ticks_position设置x坐标刻度数字或名称的位置：bottom（将x轴和bottom边框挂钩）.（所有位置：top，bottom，both，default，none）
ax.xaxis.set_ticks_position('bottom')
使用.spines设置边框：x轴；使用.set_position设置边框位置：y=0的位置；（位置所有属性：outward，axes，data）
ax.spines['bottom'].set_position(('data',0))
plt.show()
使用.yaxis.set_ticks_position设置y坐标刻度数字或名称的位置：left.（所有位置：left，right，both，default，none）
ax.yaxis.set_ticks_position('left')
设置边框并显示图像：
ax.spines['left'].set_position(('data',0))
plt.show()
Legend图例
承接之前的代码：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
plt.figure()
#set x limits
plt.xlim((-1, 2))
plt.ylim((-2, 3))
# set new sticks
new_sticks = np.linspace(-1, 2, 5)
plt.xticks(new_sticks)
# set tick labels
plt.yticks([-2, -1.8, -1, 1.22, 3],
[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
绘制两条图像的信息：
# set line syles
l1, = plt.plot(x, y1, label='linear line') #这里需要有 “，” ---------后面要将参数传入handles
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')
legend的显示信息中关于label的已经在上一个代码块中定义过了：
plt.legend(loc='upper right') #将图例添加到图中的右上角
如果我们想单独修改之前的 label 信息, 给不同类型的线条设置图例信息. 我们可以在 plt.legend 输入更多参数. 如果以下面这种形式添加 legend, 我们需要确保, 在上面的代码 plt.plot(x, y2, label='linear line') 和 plt.plot(x, y1, label='square line') 中有用变量 l1 和 l2 分别存储起来. 而且需要注意的是 l1, l2,要以逗号结尾, 因为plt.plot() 返回的是一个列表.
plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='best')
Annotation 标注
当图线中某些特殊地方需要标注时，我们可以使用 annotation. matplotlib 中的 annotation 有两种方法， 一种是用 plt 里面的 annotate，一种是直接用 plt 里面的 text 来写标注.
首先绘制一个图像：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = 2*x + 1
plt.figure(num=1, figsize=(8, 5),)
plt.plot(x, y,)
移动坐标：
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
对一个点进行显著化，并做出这个点在x轴上的投影：
x0 = 1
y0 = 2 * x0 + 1
plt.plot([x0,x0],[0,y0],'k--',linewidth=2.5)
#set dot style
ply.scatter([x0,],[y0,],x=40,color='b')
添加注释：annotate
plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),
textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2")
其中参数xycoords='data' 是说基于数据的值来选位置, xytext=(+30, -30) 和 textcoords='offset points' 对于标注位置的描述 和 xy 偏差值, arrowprops是对图中箭头类型的一些设置.
添加注释： text
#其中-3,7,3是选取text的位置，空格需要使用转置 \ ,fontdict设置文本字体
plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',
fontdict={'size': 16, 'color': 'r'})
tick能见度：
当图片中内容比较多的时候有可能会盖住坐标轴，，为了解决这样的问题。
#生成图像
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = 0.1*x
plt.figure()
# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序
plt.plot(x, y, linewidth=10, zorder=1)
plt.ylim(-2, 2)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
设置坐标轴：
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_fontsize(12)
# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7, zorder=2))
plt.show()
scatter 散点图
导入Matplotlib和Numpy两个Module，再引入1024个标准正态分布的二维数据组作为一个数据集，并图像化这个数据集。
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # data size
X = np.random.normal(0, 1, n) # 每一个点的X值
Y = np.random.normal(0, 1, n) # 每一个点的Y值
T = np.arctan2(Y,X) # for color value
输入的X，Y作为location：
plt.scatter(X, Y, s=75, c=T, alpha=.5)
plt.xlim(-1.5, 1.5)
plt.xticks(()) # ignore xticks
plt.ylim(-1.5, 1.5)
plt.yticks(()) # ignore yticks
plt.show()
Bar柱状图
生成Bar的基本图形数据：
import matplotlib.pyplot as plt
import numpy as np
n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
plt.bar(X, +Y1)
plt.bar(X, -Y2)
plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())
plt.show()
画图并设置bar的颜色：
plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
使用plt.text在bar上加上数值。使用%2f保留2位小数，横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'：
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')
for x, y in zip(X, Y2):
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')
Contours 等高线图
数据集即三维点 (x,y) 和对应的高度值，共有256个点。高度值使用一个 height function f(x,y) 生成。 x, y 分别是在区间 [-3,3] 中均匀分布的256个值，并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格:
import matplotlib.pyplot as plt
import numpy as np
def f(x,y):
# the height function
return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)
使用plt.contourf进行颜色填充：
# use plt.contourf to filling contours
# X, Y and value for (X,Y) point
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot) #这里的8表示的是等高线的密集程度
绘制等高线：
# use plt.contour to add contour lines
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)
针对上面已经画出的等高线添加高度数字：
plt.clabel(C,inline=True,fontsize=10)
plt.xticks(())
plt.yticks(())
image 图片
这里使用一个随机矩阵代替图像进行画图：
import matplotlib.pyplot as plt
import numpy as np
a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
0.365348418405, 0.439599930621, 0.525083754405,
0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
白色表示值最大的地方，颜色越深值就越小
图旁边的colorbar可以增加一个控制缩放的shrink参数：
plt.colorbar(shrink=.92)
plt.xticks(())
plt.yticks(())
plt.show()
3D数据的可视化
除了日常导入Numpy和Matplotlib外，还要在导入一个Axes 3D坐标轴
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
定义一个窗口图像，在窗口上加入一个3D的坐标轴：
fig = plt.figure()
ax = Axes3D()
接下来与contour作图相似，将X，Y绑定为meshgrid（编织成栅隔）：
# X, Y value
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y) # x-y 平面的网格
R = np.sqrt(X ** 2 + Y ** 2)
# height value
Z = np.sin(R)
接下来将三维曲面画出来并使用rainbow进行填充：
#其中，rstride 和 cstride 分别代表 row 和 column 的跨度。
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.ge_cmap('rainbow'))
下面添加投影图像：与直接画contour图像非常相似
zdir表示投影的方向，offset表示距离标准面的位置
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
subplot多合一显示
均匀的图中图：一个figure中的小图称为subplot
import matplotlib.pyplot as plt
plt.figure()
使用plt.subplot来创建小图. plt.subplot(2,2,1)表示将整个图像窗口分为2行2列, 当前位置为1. 使用plt.plot([0,1],[0,1])在第1个位置创建一个小图.
plt.subplot(2,2,1)
plt.plot([0,1],[0,1])
plt.subplot(2,2,2)表示将整个图像窗口分为2行2列, 当前位置为2. 使用plt.plot([0,1],[0,2])在第2个位置创建一个小图.
plt.subplot(2,2,2)
plt.plot([0,1],[0,2])
类似的可以有：
plt.subplot(223)
plt.plot([0,1],[0,3])
plt.subplot(224)
plt.plot([0,1],[0,4])
plt.show() # 展示
不均匀的图中图：这种方法可以看做是每次的subplot都是将一个figure再按照subplot的前两个参数分成新的子图矩阵，在这个子图矩阵中再指明是画哪一个部分
#使用plt.subplot(2,1,1)将整个图像窗口分为2行1列, 当前位置为1. 使用plt.plot([0,1],[0,1])在第1个位置创建一个小图.
plt.subplot(2,1,1)
plt.plot([0,1],[0,1])
#使用plt.subplot(2,3,4)将整个图像窗口分为2行3列, 当前位置为4. 使用plt.plot([0,1],[0,2])在第4个位置创建一个小图.
plt.subplot(2,3,4）
plt.plot([0,1],[0,2])
#类似的可以得到
plt.subplot(235)
plt.plot([0,1],[0,3])
plt.subplot(236)
plt.plot([0,1],[0,4])
plt.show() # 展示
Subplot 分格显示
方法一：subplot2grid
使用plt.subplot2grid来创建第1个小图, (3,3)表示将整个图像窗口分成3行3列, (0,0)表示从第0行第0列开始作图，colspan=3表示列的跨度为3, rowspan=1表示行的跨度为1. colspan和rowspan缺省, 默认跨度为1.
import matplotlib.pyplot as plt
plt.figure()
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax1.plot([1, 2], [1, 2]) # 画小图
ax1.set_title('ax1_title') # 设置小图的标题
#类似的
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax4.scatter([1, 2], [2, 2])
ax4.set_xlabel('ax4_x')
ax4.set_ylabel('ax4_y')
方法二：gridspec 类似数组中的Slice
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
#使用plt.figure()创建一个图像窗口，使用gridspec.GridSpec将窗口分成3*3
plt.figure()
gs = gridspec.GridSpec(3,3)
使用plt.subplot来作图, gs[0, :]表示这个图占第0行和所有列, gs[1, :2]表示这个图占第1行和第2列前的所有列, gs[1:, 2]表示这个图占第1行后的所有行和第2列, gs[-1, 0]表示这个图占倒数第1行和第0列, gs[-1, -2]表示这个图占倒数第1行和倒数第2列.
ax6 = plt.subplot(gs[0, :])
ax7 = plt.subplot(gs[1, :2])
ax8 = plt.subplot(gs[1:, 2])
ax9 = plt.subplot(gs[-1, 0])
ax10 = plt.subplot(gs[-1, -2])
方法三：subplots 和象形文字一样的输入
使用plt.subplots建立一个2行2列的图像窗口，sharex=True表示共享x轴坐标, sharey=True表示共享y轴坐标. ((ax11, ax12), (ax13, ax14))表示第1行从左至右依次放ax11和ax12, 第2行从左至右依次放ax13和ax14.
f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True)
#在ax11的子图中创建两个散点
ax11.scatter([1,2],[1,2])
plt.tight_layout() #紧凑型显示
plt.show()
图中图
#准备数据
# 导入pyplot?？?import matplotlib.pyplot as plt
# 初始化figure
fig = plt.figure()
# 创建数据
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 3, 4, 2, 5, 8, 6]
先画出“图中图”的第一个“图”（也就是大图）
#确定大图的长宽高，数值是按照figure尺寸的百分比输入的
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
#执行add操作将大图加入figure中
ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x, y, 'r')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')
小图：注意坐标系的位置和大小
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(y, x, 'b')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside 1')
然后直接绘制右下角的小图：
plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(y[::-1], x, 'g') # 注意对y进行了逆序处理
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')
次坐标轴
数据准备：
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(0, 10, 0.1)
y1 = 0.05 * x**2
y2 = -1 * y1
获取figure默认的坐标系ax1(第一个坐标系)：
fig.ax1 = plt.subplots()
生成镜像的第二个坐标系：
ax2 = ax1.twinx()
绘图：
ax1.plot(x, y1, 'g-') # green, solid line
ax1.set_xlabel('X data')
ax1.set_ylabel('Y1 data', color='g')
ax2.plot(x, y2, 'b-') # blue
ax2.set_ylabel('Y2 data', color='b')
plt.show()
animation 动画
![中文教程]https://morvanzhou.github.io/tutorials/data-manipulation/plt/5-1-animation/
