跳转至

Matplotlib绘图库

绘图基础

  • Matplotlib 库太大，画图通常仅仅使用其中的核心模块 matplotlib.pyplot，并给其一个别名 plt，即 import matplotlib.pyplot as plt。
  • 为了使图形在展示时能很好的嵌入到 Jupyter 的 Out[ ] 中，需要使用%matplotlib inline。

%matplotlib inline 的作用，这个"魔法命令"告诉 Jupyter：

  • 使用 inline 后端（inline backend）
  • 图形会自动嵌入在 notebook 中显示
  • 不需要显式调用 plt.show()

绘制图像

展示一个很简单的图形绘制示例。

import matplotlib.pyplot as plt
%matplotlib inline

# 绘制图像
Fig1 = plt.figure() # 创建新图窗
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值
plt.plot(x,y) # plot 函数：先描点，再连线

[<matplotlib.lines.Line2D at 0x7e276d31ae40>]

png

这里绘制虽然很完美，但遗憾的是图形太浑浊，虽然瑕不掩疵，但无法入眼。

因此，需要在 Jupyter 中展示高清的 svg 矢量图。

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 绘制图像
Fig2 = plt.figure() # 创建新图窗
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值
plt.plot(x,y) # 使用 plot 函数绘制线型图

[<matplotlib.lines.Line2D at 0x7e2766079be0>]

svg

保存图像

保存图形用.savefig( )方法，其需要一个 r 字符串：r'绝对路径\图形名.后缀'。

  • 绝对路径：如果要保存到桌面，绝对路径即：C:\Users\用户名\Desktop；
  • 后缀：可保存图形的格式很多，包括：eps、jpg、pdf、png、ps、svg 等。为了保存清晰的图，推荐保存至 svg 矢量格式。

例如：Fig2.savefig(r'C:\Users\zjj\Desktop\我的图.svg')

两种画图方式

Matplotlib 中有两种画图方式：Matlab 方式和面向对象方式。

这两种方式都可以完成同一个目的，也可以相互转化。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值

# Matlab 方式
Fig1 = plt.figure()

plt.plot(x,y)

[<matplotlib.lines.Line2D at 0x7e2763e3a840>]

svg

# 面向对象方式
Fig2 = plt.figure()   # 创建 Figure 对象
ax2 = plt.axes()      # 创建 Axes 对象
ax2.plot(x,y)         # 明确指定在哪个 axes 上绘图

[<matplotlib.lines.Line2D at 0x7e2763ce36b0>]

svg

注意：

  • Matlab方式通过plt.plot()隐式操作当前图形，代码简洁适合快速绘图；面向对象方式通过ax.plot()显式操作Axes对象，结构清晰适合复杂图表和精确控制。
  • 在面向对象方式中，Fig2 的作用是创建一个图形对象（Figure 对象），它是 matplotlib 中最高级别的容器。

图窗与坐标轴

  • 图形窗口（figure）在 Matlab 中会单独弹出，该窗口中可容纳元素，也可以是空的窗口。在 Jupyter 中，由于我们将图形嵌入到了 Out [ ]中，所以不会看到有 figure 弹出。虽然看不到窗口，但在画图之前，仍然要手动 Fig1 = plt.figure()创建图窗，毕竟保存图形的.savefig( )方法是需要图形名，且后面几章会更加强调。
  • 坐标轴（axes）是一个矩形，其下方是 x 轴的数值与刻度，左侧是 y 轴的数值与刻度。因此，将 1.4 示例中的蓝色曲线删除，剩余部分全是 axes。

多图形的绘制

在 Jupyter 的某个代码块中使用Fig1=plt.figure()创建图窗后，其范围仅仅在此代码块中，跳出此代码块外的其他画图命令将与Fig1无关。

因此，画一幅图，请在一个代码块中完成，不得分块。

绘制多线条

在同一个图窗内绘制多线条，按两种画图方式分开来演示。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ] # 数据的 y3 值

# Matlab 方式
Fig1 = plt.figure()

plt.plot(x,y1)
plt.plot(x,y2)
plt.plot(x,y3)

[<matplotlib.lines.Line2D at 0x7b32e98bfe60>]

svg

# 面向对象方式
Fig2 = plt.figure()
ax2 = plt.axes()
ax2.plot(x,y1)
ax2.plot(x,y2)
ax2.plot(x,y3)

[<matplotlib.lines.Line2D at 0x7b32e9954200>]

svg

绘制多子图

绘制多个子图时，两种方法可能区别较大。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# Matlab 方式
Fig1 = plt.figure()
plt.subplot(3,1,1), plt.plot(x,y1)
plt.subplot(3,1,2), plt.plot(x,y2)
plt.subplot(3,1,3), plt.plot(x,y3)

(<Axes: >, [<matplotlib.lines.Line2D at 0x7b32e9899370>])

svg

在 plt.subplot(3,1,1) 中，三个参数的含义如下：

  • 第一个参数 3：行数（nrows）
    • 表示将整个画布垂直划分为 3 行
  • 第二个参数 1：列数（ncols）
    • 表示将画布水平划分为 1 列
  • 第三个参数 1：索引（index）
    • 表示选择第 1 个子图区域进行绘制
  • 子图编号从左上角开始，逐行逐列编号，从 1 开始计数
# 面向对象方式
Fig2, ax2 = plt.subplots(3)
ax2[0].plot(x,y1)
ax2[1].plot(x,y2)
ax2[2].plot(x,y3)

[<matplotlib.lines.Line2D at 0x7b32e95838c0>]

svg

在上述示例中，注意到用 Fig2, ax2 = plt.subplots(3)一行代码替代了之前的两行代码 Fig2 = plt.figure()与 ax2 = plt.axes()。

因此，之后可以直接使用 Fig2, ax2 = plt.subplots()简化面向对象方式的代码。

图表类型

图表类型

plt 提供 5 类基本图表，分别是二维图、网格图、统计图、轮廓图、三维图。详见https://matplotlib.org/stable/plot_types/index，以下罗列深度学习中可能用的。

二维图

二维图，只需要两个向量即可绘图，其中线型图可以替代其他所有二维图。

image.png

网格图

网格图，只需要一个矩阵即可绘图，以下网格图都有一定的实用价值。

image.png

统计图

统计图，一般做数据分析时使用。

image.png

以上图形只会挑选其中最关键、使用最频繁的函数进行讲解。其它情况可百度或者去官网查看使用方法。

除了上述链接中的这五类基本图表外，还有更多作者提前画好的花哨的靓图，详见 https://matplotlib.org/stable/gallery/index.html。

最后，作者还温馨地向小白的我们提供了从 0 开始到大神的完整教程，详见：https://matplotlib.org/stable/tutorials/index.html。

二维图

二维图，仅仅演示plot线型图函数，只因其可以替代其他所有二维图。

设置颜色

plot()函数含 color 参数，可以设置线条的颜色，如示例所示，颜色可以使用十六进制。

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 0, 1, 2, 3, 4 ] # 数据的 y1 值
y2 = [ 1, 2, 3, 4, 5 ] # 数据的 y2 值
y3 = [ 2, 3, 4, 5, 6 ] # 数据的 y3 值
y4 = [ 3, 4, 5, 6, 7 ] # 数据的 y4 值
y5 = [ 4, 5, 6, 7, 8 ] # 数据的 y5 值

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, color='#7CB5EC')
plt.plot(x, y2, color='#F7A35C')
plt.plot(x, y3, color='#A2A2D0')
plt.plot(x, y4, color='#F6675D')
plt.plot(x, y5, color='#47ADC7')

[<matplotlib.lines.Line2D at 0x7b32e965e2a0>]

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1, color='#7CB5EC')
ax2.plot(x, y2, color='#F7A35C')
ax2.plot(x, y3, color='#A2A2D0')
ax2.plot(x, y4, color='#F6675D')
ax2.plot(x, y5, color='#47ADC7')

[<matplotlib.lines.Line2D at 0x7b32e9510740>]

svg

设置风格

plot()函数含 linestyle 参数，可以设置线条的风格，如示例所示。

在设置线条风格时，'-'表示实线，'--'表示虚线，'-.'表示点虚线，':'表示点线，''表示隐藏该线条。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, linestyle='-')
plt.plot(x, y2, linestyle='--')
plt.plot(x, y3, linestyle='-.')
plt.plot(x, y4, linestyle=':')
plt.plot(x, y5, linestyle=' ')

[<matplotlib.lines.Line2D at 0x7b32e9383020>]

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1, linestyle='-')
ax2.plot(x, y2, linestyle='--')
ax2.plot(x, y3, linestyle='-.')
ax2.plot(x, y4, linestyle=':')
ax2.plot(x, y5, linestyle=' ')

[<matplotlib.lines.Line2D at 0x7b32e9421580>]

svg

设置粗细

plot()函数含linewidth参数，可以设置线条的粗细。

在设置线条粗细时，数字表示磅数，一般以0.5至3为宜。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, linewidth=0.5)
plt.plot(x, y2, linewidth=1)
plt.plot(x, y3, linewidth=1.5)
plt.plot(x, y4, linewidth=2)

[<matplotlib.lines.Line2D at 0x7b32e931b500>]

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1, linewidth=0.5)
ax2.plot(x, y2, linewidth=1)
ax2.plot(x, y3, linewidth=1.5)
ax2.plot(x, y4, linewidth=2)

[<matplotlib.lines.Line2D at 0x7b32e91aa7b0>]

svg

设置标记

plot()函数含marker函数，可以设置线条的标记。

标记的尺寸可以由markersize参数调整，其值以3至9为宜。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, marker='.')
plt.plot(x, y2, marker='o')
plt.plot(x, y3, marker='^')
plt.plot(x, y4, marker='s')
plt.plot(x, y5, marker='D', markersize=5)

[<matplotlib.lines.Line2D at 0x7b32e8eed9d0>]

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1, marker='.')
ax2.plot(x, y2, marker='o')
ax2.plot(x, y3, marker='^')
ax2.plot(x, y4, marker='s')
ax2.plot(x, y5, marker='D')

[<matplotlib.lines.Line2D at 0x7b32e8d88080>]

svg

综合应用

现在综合上述所有的线条属性，绘制图形。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, color='#7CB5EC', linestyle='-', linewidth=2, marker='o', markersize=6)
plt.plot(x, y2, color='#F7A35C', linestyle='--', linewidth=2, marker='^', markersize=6)
plt.plot(x, y3, color='#A2A2D0', linestyle='-.', linewidth=2, marker='s', markersize=6)
plt.plot(x, y4, color='#F6675D', linestyle=':', linewidth=2, marker='D', markersize=6)
plt.plot(x, y5, color='#47ADC7', linestyle=' ', linewidth=2, marker='o', markersize=6)

[<matplotlib.lines.Line2D at 0x7b32e8dfe1b0>]

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1, color='#7CB5EC', linestyle='-', linewidth=2, marker='o', markersize=6)
ax2.plot(x, y2, color='#F7A35C', linestyle='--', linewidth=2, marker='^', markersize=6)
ax2.plot(x, y3, color='#A2A2D0', linestyle='-.', linewidth=2, marker='s', markersize=6)
ax2.plot(x, y4, color='#F6675D', linestyle=':', linewidth=2, marker='D', markersize=6)
ax2.plot(x, y5, color='#47ADC7', linestyle=' ', linewidth=2, marker='o', markersize=6)

[<matplotlib.lines.Line2D at 0x7b32e8c99250>]

svg

请留意 y5 的线条，此时为散点，这种方式画散点图比 plt.scatter( )效率更高。

网格图

网格图，仅演示imshow函数，只因另外两个在深度学习中几乎使用不到。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 准备数据
import numpy as np
x = np.linspace(0,10,1000)
I = np.sin(x) * np.cos(x).reshape(-1,1)

# Matlab 方式
Fig1 = plt.figure()
plt.imshow(I)

<matplotlib.image.AxesImage at 0x7b32e9422120>

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.imshow(I)

<matplotlib.image.AxesImage at 0x7b32e8cb2cf0>

svg

在所有的网格图中，还可以配置颜色条。

# Matlab 方式
Fig1 = plt.figure()
plt.imshow(I)
plt.colorbar()

<matplotlib.colorbar.Colorbar at 0x7b32e7c73710>

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
im = ax2.imshow(I)
Fig2.colorbar(im, ax=ax2)

svg

问题1：面向对象方法是否缺少colorbar功能？

  • 不是的，面向对象方法并不缺少这个功能！
  • 在matplotlib的面向对象方式中，完全可以使用 fig.colorbar() 方法添加颜色条，关键是要入 imshow() 返回的对象。

问题2：网格图的作用

  1. 创建坐标网格 可以使用 meshgrid 函数从一维的x和y坐标向量生成二维的坐标矩阵，形成矩形网格

  2. 在网格上评估函数

  3. 用于计算二元函数在每个网格点的值，非常适合：

  4. 绘制等高线图（contour plots）
  5. 绘制三维表面图（3D surface plots）
  6. 绘制热力图（heatmaps）

统计图

统计图，仅演示 hist 函数，只因其它函数主要出现在数据分析领域。

为避免将直方图 hist 与条形图 bar 弄混，现说明：条形图 bar 可用 plot 替代；hist 则是统计学的函数，是为了看清某分布的均值与标准差。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 创建 10000 个标准正态分布的样本
import numpy as np
data = np.random.randn( 10000 )

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data )

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 <BarContainer object of 10 artists>)

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data )

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 <BarContainer object of 10 artists>)

svg

在上述示例中，对该直方图求积分，其结果是个体的总数，即 10000。

区间个数

bins参数即区间划分的数量，默认为10，现将其改为30。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, bins = 30 )

(array([ 13.,  10.,  11.,  33.,  60.,  99., 166., 263., 386., 507., 671.,
        820., 914., 946., 974., 998., 834., 715., 527., 388., 276., 163.,
        110.,  54.,  38.,  11.,   8.,   2.,   2.,   1.]),
 array([-3.52443952, -3.27322511, -3.02201071, -2.7707963 , -2.51958189,
        -2.26836749, -2.01715308, -1.76593868, -1.51472427, -1.26350986,
        -1.01229546, -0.76108105, -0.50986665, -0.25865224, -0.00743783,
         0.24377657,  0.49499098,  0.74620538,  0.99741979,  1.24863419,
         1.4998486 ,  1.75106301,  2.00227741,  2.25349182,  2.50470622,
         2.75592063,  3.00713504,  3.25834944,  3.50956385,  3.76077825,
         4.01199266]),
 <BarContainer object of 30 artists>)

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, bins = 30 )

(array([ 13.,  10.,  11.,  33.,  60.,  99., 166., 263., 386., 507., 671.,
        820., 914., 946., 974., 998., 834., 715., 527., 388., 276., 163.,
        110.,  54.,  38.,  11.,   8.,   2.,   2.,   1.]),
 array([-3.52443952, -3.27322511, -3.02201071, -2.7707963 , -2.51958189,
        -2.26836749, -2.01715308, -1.76593868, -1.51472427, -1.26350986,
        -1.01229546, -0.76108105, -0.50986665, -0.25865224, -0.00743783,
         0.24377657,  0.49499098,  0.74620538,  0.99741979,  1.24863419,
         1.4998486 ,  1.75106301,  2.00227741,  2.25349182,  2.50470622,
         2.75592063,  3.00713504,  3.25834944,  3.50956385,  3.76077825,
         4.01199266]),
 <BarContainer object of 30 artists>)

svg

透明度

Alpha 参数表示透明度，默认为 1，现将其改为为 0.5。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, alpha=0.5 )

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 <BarContainer object of 10 artists>)

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, alpha=0.5 )

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 <BarContainer object of 10 artists>)

svg

图表类型

histtype表示类型，默认为bar，现在将其改为stepfilled，图形浑然一体。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, histtype='stepfilled')

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 [<matplotlib.patches.Polygon at 0x7b32e6413b90>])

svg

直方图颜色

color 表示直方图的颜色，这里进行更改。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, color='#A2A2D0' )

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 <BarContainer object of 10 artists>)

svg

边缘颜色

edgecolor表示直方图边缘的颜色，这里改为白色。改为白色的好处是，中间的“分割线”更明显，绘图效果更佳。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, color='#A2A2D0', edgecolor='#FFFFFF' )

(array([  34.,  192.,  815., 1998., 2834., 2547., 1191.,  327.,   57.,
           5.]),
 array([-3.52443952, -2.7707963 , -2.01715308, -1.26350986, -0.50986665,
         0.24377657,  0.99741979,  1.75106301,  2.50470622,  3.25834944,
         4.01199266]),
 <BarContainer object of 10 artists>)

svg

综合应用

# 创建三个正态分布的样本
import numpy as np
x1 = np.random.normal( 3, 1, 1000 )
x2 = np.random.normal( 6, 1, 1000 )
x3 = np.random.normal( 9, 1, 1000 )

# Matlab 方式
Fig1 = plt.figure()
plt.hist( x1, bins=30, alpha=0.5, color='#7CB5EC', edgecolor='#FFFFFF' )
plt.hist( x2, bins=30, alpha=0.5, color='#A2A2D0', edgecolor='#FFFFFF' )
plt.hist( x3, bins=30, alpha=0.5, color='#47ADC7', edgecolor='#FFFFFF' )

(array([ 3.,  1.,  1.,  6., 10., 16., 19., 15., 28., 40., 45., 62., 60.,
        64., 77., 72., 73., 84., 58., 61., 54., 30., 35., 22., 25., 16.,
        12.,  3.,  3.,  5.]),
 array([ 6.01183817,  6.20259406,  6.39334995,  6.58410584,  6.77486173,
         6.96561762,  7.15637351,  7.3471294 ,  7.5378853 ,  7.72864119,
         7.91939708,  8.11015297,  8.30090886,  8.49166475,  8.68242064,
         8.87317653,  9.06393242,  9.25468831,  9.4454442 ,  9.63620009,
         9.82695598, 10.01771187, 10.20846776, 10.39922365, 10.58997954,
        10.78073543, 10.97149132, 11.16224721, 11.3530031 , 11.54375899,
        11.73451488]),
 <BarContainer object of 30 artists>)

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( x1, bins=30, alpha=0.5, histtype='stepfilled', color='#7CB5EC' )
ax2.hist( x2, bins=30, alpha=0.5, histtype='stepfilled', color='#A2A2D0' )
ax2.hist( x3, bins=30, alpha=0.5, histtype='stepfilled', color='#47ADC7' )

(array([ 3.,  1.,  1.,  6., 10., 16., 19., 15., 28., 40., 45., 62., 60.,
        64., 77., 72., 73., 84., 58., 61., 54., 30., 35., 22., 25., 16.,
        12.,  3.,  3.,  5.]),
 array([ 6.01183817,  6.20259406,  6.39334995,  6.58410584,  6.77486173,
         6.96561762,  7.15637351,  7.3471294 ,  7.5378853 ,  7.72864119,
         7.91939708,  8.11015297,  8.30090886,  8.49166475,  8.68242064,
         8.87317653,  9.06393242,  9.25468831,  9.4454442 ,  9.63620009,
         9.82695598, 10.01771187, 10.20846776, 10.39922365, 10.58997954,
        10.78073543, 10.97149132, 11.16224721, 11.3530031 , 11.54375899,
        11.73451488]),
 [<matplotlib.patches.Polygon at 0x7b32e59c0230>])

svg

图窗属性

坐标轴上下限

尽管Matplotlib会自动调整图窗为最佳的坐标轴上下限，但很多时候仍然需要手动设置，才能适应当时的情况。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值

现在设置其坐标轴上下限，有两种方法：lim法与axis法。

lim法

使用lim法时，Matlab方法与面向对象方法首次出现区别。

# Matlab 方式（lim 法）
Fig1 = plt.figure()
plt.plot(x,y)
plt.xlim(1,5)
plt.ylim(1,125)

(1.0, 125.0)

svg

# 面向对象方式（lim 法）
Fig2, ax2 = plt.subplots()
ax2.plot(x,y)
ax2.set_xlim(1,5)
ax2.set_ylim(1,125)

(1.0, 125.0)

svg

axis法

# Matlab 方式（axis 法）
Fig5 = plt.figure()
plt.plot(x,y)
plt.axis([1, 5, 1, 125])

(np.float64(1.0), np.float64(5.0), np.float64(1.0), np.float64(125.0))

svg

# 面向对象方式（axis 法）
Fig6, ax6 = plt.subplots()
ax6.plot(x,y)
ax6.axis([1, 5, 1, 125])

(np.float64(1.0), np.float64(5.0), np.float64(1.0), np.float64(125.0))

svg

标题与轴名称

在这里，Matlab方式与面向对象方法将最后一次出现区别。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x,y)
plt.title('This is the title.')
plt.xlabel('This is the xlabel')
plt.ylabel('This is the ylabel')

Text(0, 0.5, 'This is the ylabel')

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x,y)
ax2.set_title('This is the title.')
ax2.set_xlabel('This is the xlabel')
ax2.set_ylabel('This is the ylabel')

Text(0, 0.5, 'This is the ylabel')

svg

image.png

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x,y)
ax2.set( xlim=(1, 5) , ylim=(1, 125), title='This is the title', xlabel='This is the xlabel', ylabel='This is the ylabel' )

[(1.0, 5.0),
 (1.0, 125.0),
 Text(0.5, 1.0, 'This is the title'),
 Text(0.5, 0, 'This is the xlabel'),
 Text(0, 0.5, 'This is the ylabel')]

svg

图例

一般图例会出现在二维图与统计图中，网格图则用的是颜色条。

import matplotlib.pyplot as plt
%matplotlib inline

# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')

# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ] # 数据的 y3 值

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, label='y=x')
plt.plot(x, y2, label='y=0')
plt.plot(x, y3, label='y=-x')
plt.legend()

<matplotlib.legend.Legend at 0x78910447bb90>

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x ,y1, label='y=x')
ax2.plot(x ,y2, label='y=0')
ax2.plot(x ,y3, label='y=-x')
ax2.legend()

<matplotlib.legend.Legend at 0x789103cf9970>

svg

如果你不想展示某些线条的图例，只需去除该函数中的label关键字即可。

网格

给图形加上网格，美观又好看，多是一件美事啊。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1)
plt.plot(x, y2)
plt.plot(x, y3)
plt.grid()

svg

# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1)
ax2.plot(x, y2)
ax2.plot(x, y3)
ax2.grid()

svg

当然，grid()函数还有 color 与 linestyle 两个参数，这与 plot 里用法一致。

# Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1)
plt.plot(x, y2)
plt.plot(x, y3)
plt.grid(color='#000000',linestyle='--')

svg