Matplotlib 最重要的特性之一就是具有良好的操作系統(tǒng)兼容性和圖形顯示底層接口兼容性。雖然，近幾年Matplotlib 的界面與風(fēng)格似乎有點(diǎn)跟不上時代，但仍然是數(shù)據(jù)可視化技術(shù)不可缺少的一環(huán)。

1. 最常用的基本知識

類似numpy和pandas，matplotlib也有自己約定俗成的引入方式：

In [20]: import matplotlib as mpl
In [22]: import matplotlib.pyplot as plt

通過plt.style來選擇圖形的繪圖風(fēng)格。

In [23]: plt.style.use('classic')

Matplotlib包含有3種實(shí)驗(yàn)環(huán)境：分別是腳本、IPython shell 和 IPython Notebook。如果使用腳本，為了顯示圖片就必須使用plt.show()語句，plt.show() 會啟動一個事件循環(huán)（eventloop），并找到所有當(dāng)前可用的圖形對象，然后打開一個或多個交互式窗口顯示圖形。需要注意，一個 Python 會話（session）中只能使用一次 plt.show()，因此通常都把它放在腳本的最后。
在IPython中啟動 Matplotlib 模式就可以使用，使用語句%matplotlib，此后的任何 plt 命令都會自動打開一個圖形窗口，增加新的命令，圖形就會更新（圖形是交互式變化的）。對于這些變化，可以使用 plt.draw() 強(qiáng)制更新。不需要使用plt.show()了。
使用IPython Notebook與IPython類似：
%matplotlib notebook 會在 Notebook 中啟動交互式圖形。
%matplotlib inline 會在 Notebook 中啟動靜態(tài)圖形。（經(jīng)常使用）

In [3]: %matplotlib
Using matplotlib backend: MacOSX

In [4]: x = np.linspace(0,10,100)

In [6]: fig = plt.figure()

In [7]: plt.plot(x,np.sin(x),'-')
Out[7]: [<matplotlib.lines.Line2D at 0x12371a490>]

In [8]: plt.plot(x,np.cos(x),'--')
Out[8]: [<matplotlib.lines.Line2D at 0x10f82e110>]

In [16]: fig.savefig('first_pic.png')   #保存為PNG格式的文件

In [17]: fig.canvas.get_supported_filetypes()
Out[17]: 
{u'eps': u'Encapsulated Postscript',
 u'jpeg': u'Joint Photographic Experts Group',
 u'jpg': u'Joint Photographic Experts Group',
 u'pdf': u'Portable Document Format',
 u'pgf': u'PGF code for LaTeX',
 u'png': u'Portable Network Graphics',
 u'ps': u'Postscript',
 u'raw': u'Raw RGBA bitmap',
 u'rgba': u'Raw RGBA bitmap',
 u'svg': u'Scalable Vector Graphics',
 u'svgz': u'Scalable Vector Graphics',
 u'tif': u'Tagged Image File Format',
 u'tiff': u'Tagged Image File Format'}

得到下邊的圖形：

Matplotlib 的一個優(yōu)點(diǎn)是能夠?qū)D形保存為各種不同的數(shù)據(jù)格式。你可以用 savefig() 命令將圖形保存為文件。不同格式的文件是以文件后綴名來區(qū)分的，上邊的命令列出了matplotlib支持的所有格式名。

2. 兩種畫圖接口

Matplotlib 有一個容易讓人混淆的特性，就是它的兩種畫圖接口：
(1) 便捷的 MATLAB 風(fēng)格接口。
(2)功能更強(qiáng)大的面向?qū)ο蠼涌凇?/p>

2.1. MATLAB風(fēng)格

MATLAB 風(fēng)格的工具位于 pyplot（plt）接口中，如下邊一個例子：

x = np.linspace(0,10,100)
fig = plt.figure()
plt.subplot(2,1,1)   # 行、列、編號 （圖形矩陣）
plt.plot(x,np.sin(x),'-')

plt.subplot(2,1,2)
plt.plot(x,np.cos(x),'--')

這種接口最重要的特性是有狀態(tài)的（stateful）。可以用plt.gcf()（獲取當(dāng)前圖形）和 plt.gca()（獲取當(dāng)前坐標(biāo)軸）來查看。 這種圖畫起圖來又快又方便，但是也很容易出問題。例如，在畫第2個圖時，已經(jīng)無法修改第1個圖了。

2.2. 面向?qū)ο箫L(fēng)格

面向?qū)ο蠼涌诳梢蕴幚砀訌?fù)雜的場景，畫圖函數(shù)不再受到當(dāng)前“活動”圖形或坐標(biāo)軸的限制，而變成了顯式的 Figure 和 Axes 的方法。

fig,ax = plt.subplots(2)
ax[0].plot(x,np.sin(x))
ax[1].plot(x,np.cos(x))

3. 線形圖

要畫 Matplotlib 圖形時，都需要先創(chuàng)建一個圖形 fig 和一個坐標(biāo)軸ax。
最簡單地，通過下邊方法創(chuàng)建這2個對象：

fig = plt.figure()
ax = plt.axes()

在 Matplotlib 里面，figure（plt.Figure 類的一個實(shí)例）可以被看成是一個能夠容納各種坐標(biāo)軸、圖形、文字和標(biāo)簽的容器。axes（plt.Axes 類的一個實(shí)例）是一個帶有刻度和標(biāo)簽的矩形，最終會包含所有可視化的圖形元素。

fig = plt.figure()
ax = plt.axes()
ax.plot(x,np.sin(x),color='blue',linestyle = '--',label='sin(x)')
ax.plot(x,np.sin(x-1),color='olive',linestyle ='-.',label='sin(x-1)')
ax.plot(x,np.sin(x-2),'-g',label='sin(x-2)')     #線條風(fēng)格+顏色簡寫形式
ax.set(xlim=(-2,11),ylim=(-2,2),xlabel='x',ylabel='y',title='A simple plot')
ax.legend()  # 顯示圖例

image.png

如果需要在一個fig畫多個線，直接plot多次即可。ax對象可以通過set()方法來統(tǒng)一設(shè)置很多屬性。

matplotlib 可選的線條風(fēng)格和顏色：
https://blog.csdn.net/detaswc/article/details/81086757

最后，通過一張表格來總結(jié)下本節(jié)介紹過的一些常用的屬性（更詳細(xì)可以參考官方文檔）：

4. 散點(diǎn)圖

散點(diǎn)圖（scatter plot）與線形圖類似，不再由線段連接，而是由獨(dú)立的點(diǎn)、圓圈或其他形狀構(gòu)成。

4.1 使用plt.plot畫散點(diǎn)圖

第一種方式與上邊線形圖的構(gòu)造方法十分類似，只修改下linestyle參數(shù)即可（之前是- 修改為o），執(zhí)行效果如下：

plt.plot(x,np.sin(x),'o',color='black')

4.2 使用plt.scatter畫散點(diǎn)圖

plt.scatter 與 plt.plot 的主要差別在于，前者在創(chuàng)建散點(diǎn)圖時具有更高的靈活性，可以單獨(dú)控制每個散點(diǎn)與數(shù)據(jù)匹配，也可以讓每個散點(diǎn)具有不同的屬性（大小、表面顏色、邊框顏色等）。
當(dāng)數(shù)據(jù)變大到幾千個散點(diǎn)時，plt.plot 的效率將大大高于plt.scatter。因此面對大型數(shù)據(jù)集時，plt.plot 方法比 plt.scatter 方法好。
下面以sklearn的鳶尾花數(shù)據(jù)為例制作一個散點(diǎn)圖：
['sepal length (cm)',
'sepal width (cm)',
'petal length (cm)',
'petal width (cm)']
了解特征數(shù)據(jù)的說明：

from sklearn.datasets import load_iris
iris = load_iris()
iris.keys()
iris.DESCR
iris.feature_names

作圖代碼：

from sklearn.datasets import load_iris
iris = load_iris()
features = iris.data.T
feature_names = iris.feature_names
fig = plt.plot()
ax = plt.axes()
ax.scatter(features[0],features[1],alpha=0.2,s=100*features[3], c=iris.target, cmap='viridis')
ax.set(xlabel=feature_names[0] , ylabel=feature_names[1],title='First Scatter Plot')

Scatter參數(shù)詳見：https://matplotlib.org/api/_as_gen/matplotlib.axes.Axes.scatter.html#matplotlib.axes.Axes.scatter

5. 誤差線圖

基本誤差線（errorbar）可以通過一個 Matplotlib 函數(shù)來創(chuàng)建。
其中yerr指定是在縱軸方向誤差，xerr是在橫軸方向誤差，當(dāng)然可以兩方向同時誤差。
下面是個簡單的例子：

fig = plt.figure()
ax = plt.axes()
dy = 0.8
x_e = np.linspace(0,10,50)
y_e = np.sin(x_e) + dy * np.random.randn(50)
ax.errorbar(x_e,y_e,yerr=dy,fmt='o',color='black',ecolor='lightgray',
elinewidth=3,capsize=0)

errorbar參數(shù)詳見：https://matplotlib.org/api/_as_gen/matplotlib.axes.Axes.errorbar.html#matplotlib.axes.Axes.errorbar

6. 密度圖與等高線圖

在二維圖上用等高線圖或者彩色圖來表示三維數(shù)據(jù)是個不錯的方法。用 plt.contour 畫等高線圖、用 plt.contourf 畫帶有填充色的等高線圖（filled contourplot）的色彩、用 plt.imshow 顯示圖形。
等高線圖可以用 plt.contour 函數(shù)來創(chuàng)建。它需要三個參數(shù)：x 軸、y軸、z 軸三個坐標(biāo)軸的網(wǎng)格數(shù)據(jù)。x 軸與 y 軸表示圖形中的位置，而 z 軸將通過等高線的等級來表示。
np.meshgrid 函數(shù)可以從一維數(shù)組構(gòu)建二維網(wǎng)格數(shù)據(jù)。

理解np.meshgrid ：
實(shí)際上就是 生成網(wǎng)格點(diǎn)坐標(biāo)矩陣
我以一個簡單的例子展開說明：
t_ga = np.array([0,4,5,8,9])
t_gb = np.array([1,3,9,12])
XT,YT = np.meshgrid(t_ga,t_gb)
plt.plot(XT,YT,color='green',linestyle='',marker='o')
plt.show()
以上代碼得到圖形如下：

實(shí)際上，以提供的兩個數(shù)組，在X軸和Y軸做垂線，這些所有線的交點(diǎn)也成了所謂的網(wǎng)格矩陣了。
參考文章：
https://blog.csdn.net/lllxxq141592654/article/details/81532855

介紹完meshgrid概念后，看看最簡單的等高圖：

def f(x, y):
    return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)
x_f = np.linspace(0,5,50)
y_f = np.linspace(0,5,40)

X,Y = np.meshgrid(x_f,y_f)
Z = f(X,Y)
fig = plt.figure()
ax = plt.axes()
ax.contour(X,Y,Z,colors='black')

當(dāng)圖形中只使用一種顏色時，默認(rèn)使用虛線表示負(fù)數(shù)，使用實(shí)線表示正數(shù)。此圖確實(shí)比較難看，下邊提供了一系列改進(jìn)方式。

改進(jìn)1：
你可以用 cmap 參數(shù)設(shè)置一個線條配色方案來自定義顏色。下邊語句將數(shù)據(jù)范圍等分為 20 份，然后用不同的顏色表示。Matplotlib 有非常豐富的配色方案，你可以在IPython 里用 Tab 鍵瀏覽 plt.cm 模塊對應(yīng)的信息。plt.cm.<TAB>

ax.contour(X,Y,Z,30,cmap='RdGy')

改進(jìn)2：
上邊圖形的線條間的間隙很大，可以通過plt.contourf來改進(jìn)，其語法與contour完全一致。另外，通過 plt.colorbar() 命令自動創(chuàng)建一個表示圖形各種顏色對應(yīng)標(biāo)簽信息的顏色條。

ax0 = ax.contourf(X,Y,Z,30,cmap='RdGy')
fig.colorbar(ax0,ax=ax)

改進(jìn)3：
上邊的圖形的主要問題是顏色的改變是一個離散而非連續(xù)的過程，這導(dǎo)致了圖形看起來有點(diǎn)兒“污漬斑斑”。plt.imshow() 函數(shù)可以將二維數(shù)組渲染成漸變圖。

contours = plt.contour(X, Y, Z, 3, colors='black')
plt.clabel(contours, inline=True, fontsize=8)
plt.imshow(Z, extent=[0, 5, 0, 5], origin='lower',
cmap='RdGy', alpha=0.5)
plt.colorbar();

7. 頻次直方圖、數(shù)據(jù)區(qū)間劃分和分布密度

10.多子圖

當(dāng)需要做對比分析時，有必要畫多個圖。

10.1 plt.axes()創(chuàng)建子圖

plt.axes()函數(shù)有4個參數(shù)：[bottom, left, width, height]（底坐標(biāo)<x軸>、左坐標(biāo)<y軸>、寬度、高度），數(shù)值的取值范圍是左下角（原點(diǎn)）為 0，右上角為 1。以上參數(shù)為了生成“畫中畫”，幾個參數(shù)都是百分比。

ax_sub_3 = plt.axes()
ax_sub_4 = plt.axes([0.4,0.6,0.5,0.3])
plt.show()

面向?qū)ο螽媹D接口中類似的命令是：fig.add_axes(),例如下邊的代碼可以生成上下兩個圖：

fig = plt.figure()
ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4],xticklabels=[], 
ylim=(-1.2, 1.2))  # xticklabels=[],表示上邊的坐標(biāo)軸無刻度。
ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4],ylim=(-1.2, 1.2))
x = np.linspace(0, 10)
ax1.plot(np.sin(x))
ax2.plot(np.cos(x))

10.2 plt.subplot()創(chuàng)建子圖

plt.subplot() 在一個網(wǎng)格中創(chuàng)建一個子圖。
plt.subplots_adjust 命令可以調(diào)整子圖之間的間隔。
使用MATLAB接口創(chuàng)建子圖使用：plt.subplot(2,3,i)
使用面向?qū)ο蠼涌趧?chuàng)建子圖使用：fig.add_subplot(2,3,i)
上邊例子中，subplot，前2個參數(shù)是子圖矩陣的行和列（2行3列子圖，共6個），最后一個i是子圖的編號（從1到6）。下邊是2個例子：

for i in range(1,7):
    plt.subplot(2,3,i)
    plt.text(0.5,0.5,str((2,3,i)),fontsize=18,ha='center')
plt.subplots_adjust(hspace=0.4,wspace=0.4)  #間隙的高和寬分別是子圖的40%

fig = plt.figure()
fig.subplots_adjust(hspace=0.4,wspace=0.4)
for i in range(1,7):
    axi=fig.add_subplot(2,3,i)
    axi.text(0.5,0.5,str((2,3,i)),fontsize=16,ha='center')    

10.3 plt.subplots()

本節(jié)介紹的方法跟上邊相比多個s，如果需要隱藏子圖的x軸和y軸，可以使用 plt.subplots()。該方法返回子圖的Numpy數(shù)組。
plt.subplots()的參數(shù)包括：子圖矩陣的行數(shù)和列數(shù)，可選參數(shù)sharex和sharey，參考下邊例子：

fig,ax = plt.subplots(3,2,sharex='col' , sharey='row')  #列共享x軸(sharex)，行共享y軸
for i in range(0,3):
    for j in range(0,2):
        ax[i][j].text(0.5,0.5,str((i,j)),fontsize=16,ha='center')
fig.subplots_adjust(hspace=0.4,wspace=0.4)

10.4 plt.GridSpec()實(shí)現(xiàn)更復(fù)雜的排列方式

上邊10.2和10.3節(jié)畫的都是規(guī)則的多行多列子圖網(wǎng)格，如果想畫不規(guī)則的，可以使用plt.GridSpec()。plt.GridSpec()并不是規(guī)則圖形，而是plt.subplot()的簡易接口。
例如，下邊的例子，生成了不規(guī)則的圖形：

grid = plt.GridSpec(3,3)
plt.subplot(grid[0,:2])
plt.subplot(grid[0,2])
plt.subplot(grid[1:,:2])
plt.subplot(grid[1:,2])

下面是plt.GridSpec()的一個應(yīng)用，多軸頻次直方圖：

11.文字和注釋

在圖表中增加文字標(biāo)簽，主要通過ax.text方法。
ax.text 方法需要一個 x 軸坐標(biāo)、一個 y 軸坐標(biāo)、一個字符串和一些可選參數(shù)，比如文字的顏色、字號、風(fēng)格、對齊方式以及其他文字屬性。
下邊是一個例子：

births=pd.read_csv('python_science_handbook_data/births.csv')
quartiles = np.percentile(births['births'],[25,50,75])  #25,50,75分位數(shù)
mid,sig = quartiles[1],0.74*(quartiles[2]-quartiles[0])
# (mid - 5*sig,mid + 5*sig)
births = births.query('(births > @mid - 5*@sig) & (births < @mid + 5*@sig)')
births['day'] = births['day'].astype(int)  #day列轉(zhuǎn)化為int
# births['unix_time'] = 10000*births.year + 100*births.month + births.day        ##19690101
births.index = pd.to_datetime(10000*births.year + 100*births.month + births.day,format='%Y%m%d')
births_by_date = births.pivot_table('births',[births.index.month, births.index.day])
births_by_date.index = [pd.datetime(2012, month, day)for (month, day) in births_by_date.index]
fig, ax = plt.subplots(figsize=(12, 4))
# births_by_date.loc['2012-1-1':'2012-1-1']

births_by_date.plot(ax=ax);

# 在圖上增加文字標(biāo)簽
style = dict(size=10, color='gray')

ax.text('2012-1-1', 3950, "New Year's Day", **style)
ax.text('2012-7-4', 4250, "Independence Day", ha='center', **style)
ax.text('2012-9-4', 4850, "Labor Day", ha='center', **style)
ax.text('2012-10-31', 4600, "Halloween", ha='right', **style)
ax.text('2012-11-25', 4450, "Thanksgiving", ha='center', **style)
ax.text('2012-12-25', 3850, "Christmas ", ha='right', **style)

ax.set(title='USA births by day of year (1969-1988)',ylabel='average daily births')

ax.xaxis.set_major_locator(mpl.dates.MonthLocator())
ax.xaxis.set_minor_locator(mpl.dates.MonthLocator(bymonthday=15))
ax.xaxis.set_major_formatter(plt.NullFormatter())
ax.xaxis.set_minor_formatter(mpl.dates.DateFormatter('%h'));