Python--matplotlib绘图

用Python绘制图表在工作中是一项非常有用的技能，虽然说强大的matlab基本可以满足我们所有的绘图需求，但是在有些情况下，使用Python绘图，让图表直接可以直接随着Python程序的运行而产生。那这种便捷，也是非常有价值的。本文中，我将简单介绍使用Python的pyplot模块绘制图表的基本操作。当然绘图是一个细活，不同的实际需求，对图表的要求也是千变万化，所以，要把所有的绘图操作一一道来，是困难的，也不见得有多大价值。因此，本文更多的只是抛砖引玉罢了，更详细的绘图技巧大家应在实践中不断查阅，积累经验。

matplotlib是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。其中，matplotlib的pyplot模块一般是最常用的，可以方便用户快速绘制二维图表。

绘制一个最简单的折线图

折线图在我的工作中用到的比较多，因为写论文时，经常要在不同的参数环境下比较算法的运行时间。同时，折线图也是最简单的，所以我拿它“开刀”，来介绍pyplot模块最基本的操作。

现在绘制一个简单的二维折线图，x值和对应的y值分别可以被表示如下： x=[1,2,3,4] , y=[1.2,2.7,4.1,6.9] ，我们可以按如下代码画出折线图。

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1.2, 2.5, 4.5, 7.3]

# plot函数作图
plt.plot(x, y)  

# show函数展示出这个图，如果没有这行代码，则程序完成绘图，但看不到
plt.show()  

需要注意一下的是show()函数在通常的运行情况下，将会阻塞程序的运行，直到用户关闭绘图窗口。换句话说，在关闭show()函数弹出的图像窗口前，show()函数后面的代码不会运行，直到用户关闭图像窗口，才会继续。

此外，还可以调用plt.savefig()将当前的Figure对象保存成图像文件，图像格式由图像文件的扩展名决定。比如，我通过如下代码将生成的图像保存为”test.png”。并且用dpi参数指定图像的分辨率为120。最后，输出图像的宽度为 8×120=960 个像素。

plt.savefig("test.png", dpi=120)

注意：plt.savefig()函数应该出现在plt.show()函数之前，否则，关闭图像窗口后，图像对象也就被释放了，什么都保存不到。

当然了，这个图十分简陋，简陋到几乎不能用，现在我们一步步去优化这个图。

绘制不同风格的线条

首先，可以对折线本身的风格进行优化。最好是每个记录的点突出，同时折线的颜色，粗细以及样式可控。优化后，我们得到了下图：

具体的实现代码如下：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1.2, 2.5, 4.5, 7.3]

plt.plot(x, y, color="r", linestyle="--", marker="*", linewidth=1.0)

plt.show()

解释一下，plot函数中， x,y 后面的参数分别用来控制线条颜色，线条风格，线条标记以及线条粗细。这个编码风格和matlab是极为相似的。我将常用的参照表摘抄如下，供参考：

线条风格

线条风格	实线	虚线	破折线	点画线	无线条
代码表示	-	:	–	-.	None 或 ,

线条颜色

线条颜色	红	洋红	黄	绿	青	蓝	黑	白
代码表示	r	m	y	g	c	b	k	w

线条标记

标记	描述	标记	描述	标记	描述
o	圆圈	.	点	*	星号
+	加号	v	朝下三角	^	朝上三角
<	朝左三角	>	朝右三角	D	大菱形
d	小菱形	s	正方形	p	五边形
H	大六边形	h	小六边形	p	八边形
x	✘号	None或,	无标记

坐标轴的控制

线条是我们想要的样子了，再来优化坐标轴。这当中主要涉及的是坐标轴的范围，取值以及名称。我们现在重新绘制一个连续的曲线。以 y=sin(x) 为例，首先画出一个 [−π,π] 之间的函数图，代码以及对应图像如下：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-5, 5, 0.02)
y = np.sin(x)

plt.axis([-np.pi, np.pi, -2, 2])

plt.plot(x, y, color="r", linestyle="-", linewidth=1)

plt.show()

可以看出对 x 的取值范围在 [−5,5] ，但是绘图时，只是展示了 [−π,π] 之间的函数图。另外，后面的 [−2,2] 控制的是y轴方向的取值。

坐标范围

总结一下，下面形式的函数可以控制图像的绘图范围：

plt.axis([x_min, x_max, y_min, y_max])

如果只是单独想要控制x轴或者y轴的取值，则可以用plt.xlim(x_min, x_max)和plt.ylim(y_min, y_max)，用法与plt.axis()类似。

坐标标题

函数plt.xlabel()和plt.xlabel()用来实现对x轴和y轴添加标题

坐标间隔设定

函数plt.xticks()和plt.xticks()用来实现对x轴和y轴坐标间隔（也就是轴记号）的设定。用法上，函数的输入是两个列表，第一个表示取值，第二个表示标记。当然如果你的标记就是取值本身，则第二个列表可以忽略。下面我举一个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-2 * math.pi, 2 * math.pi, 0.02)
y = np.sin(x)

plt.axis([-10, 10, -2, 2])

plt.xticks([i * np.pi/2 for i in range(-4, 5)], [str(i * 0.5) + "$\pi$" for i in range(-4, 5)])

plt.yticks([i * 0.5 for i in range(-4, 5)])

plt.xlabel("x")
plt.ylabel("y")

plt.plot(x, y, color="r", linestyle="-", linewidth=1)

plt.show()

画出的图像如下所示：

可以看到plt.xticks()中，后面的列表存储了应该出现的所有标记，这是我们自定义的标记，而且，这里是支持latex公式表达的。

多图叠加

多曲线

大多时候，需要在同一张图中出现多条曲线，以便我们对数据有个直观的比较。那么做法非常简单，直接写多个作图函数plot()即可，比如，我按照如下代码，将两条曲线画在同一张图中。

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)
y1 = np.exp(x)
y2 = np.exp(2 * x)

plt.plot(x, y1, color="r", linestyle="-", marker="^", linewidth=1)

plt.plot(x, y2, color="b", linestyle="-", marker="s", linewidth=1)

plt.xlabel("x")
plt.ylabel("y")

plt.show()

多图与多子图

figure()函数可以帮助我们同时处理生成多个图，而subplot()函数则用来实现，在一个大图中，出现多个小的子图。需要注意的是，figure()中的参数为图片序号，一般是按序增加的，这里面还涉及一个当前图的概念，具体可以通过下面的例子来理解；subplot()中的参数一般有3个，分别为行数，列数，以及子图序号。比如，subplot(1, 2, 1)表示这是一个1行，2列布局的图（两个子图，在同一行，分居左右），其中，当前处理的子图是第一个图（也就是左图）。我举个例子：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)

y1 = np.exp(x)
y2 = np.exp(2 * x)
y3 = np.exp(1.5 * x)

plt.figure(1) # 生成第一个图，且当前要处理的图为fig.1
plt.subplot(1, 2, 1) # fig.1是一个一行两列布局的图，且现在画的是左图
plt.plot(x, y1, color="r", linestyle="-", marker="^", linewidth=1) # 画图

plt.xlabel("x")
plt.ylabel("y1")

plt.figure(2) # 生成第二个图，且当前要处理的图为fig.2
plt.plot(x, y2, color="k", linestyle="-", marker="s", linewidth=1) # 画图，fig.2是一张整图，没有子图，默认subplot(1, 1, 1)

plt.xlabel("x")
plt.ylabel("y2")

plt.figure(1) # 当前要处理的图为fig.1，而且当前图是fig.1的左图
plt.subplot(1, 2, 2) # 当前图变为fig.1的右图
plt.plot(x, y3, color="b", linestyle="-", marker="v", linewidth=1)

plt.xlabel("x")
plt.ylabel("y3")

plt.show()

这样，我们就用一个脚本画了两张图fig.1和fig.2。其中，fig.1包含了分居左右的两个子图，分别是y1和y3的曲线；fig.2是一张整图，画的是y2曲线。我将fig.1展示如下：

如果希望某个子图占据整行或者整列，可以如下调用subplot()：

plt.subplot(221) # 第一行的左图
plt.subplot(222) # 第一行的右图
plt.subplot(212) # 第二整行
plt.show()

画底下的大图时，实际上相当于把前两个小的子图看作一个整图。

标题和图例

图像标题 ###

函数plt.title()用来对图像命名。

图例 ###

函数plt.legend()用来为图像添加图例。标题和图例我用以下的例子做一个简单介绍：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)

y1 = np.exp(x)
y2 = np.exp(2 * x)

plt.plot(x, y1, color="r", linestyle="-", marker="^", linewidth=1, label="y1")
plt.plot(x, y2, color="b", linestyle="-", marker="s", linewidth=1, label="y2")

plt.legend(loc='upper left', bbox_to_anchor=(0.2, 0.95))

plt.title("Figure 1")

plt.show()

legend()里面的参数loc表示图例的位置，参数bbox_to_anchor是一个二元组，用来进一步细化图例的位置，其中第一个数值用于控制legend的左右移动，值越大越向右边移动，第二个数值用于控制legend的上下移动，值越大，越向上移动。此外，我们在画两条曲线时，分别为它们添加了标签label，标签的内容也就是最后图例中对应的内容。

网格，背景色以及文字注释

添加网格

和matlab一样，用函数grid()添加网格，函数中我们可以定义网格的样式，比如线条颜色，类型，粗细等等。需要注意的是，如果你只想在对x轴，或者y轴添加网格，只需要设定参数axis="x"或axis="y"即可。axis参数一般默认为"both"表示，两个维度上都建立网格。

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)

y = [2 * i for i in x]

plt.plot(x, y, color="r", linestyle="-", marker="^", linewidth=1)

plt.grid(color="k", linestyle=":")
plt.show()

背景色

通过向plt.subplot()函数传递参数facecolor设置图像的背景色。需要注意的是背景色的设置代码应该在绘制曲线之前，否则相当于给整张图上色，覆盖了要展示的曲线。比如下图，我设置背景色为绿色。其实这个功能在我看来实在是没什么大用，大多情况下，我们要用到的背景色都是白色，也就是默认的背景色。

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)
y1 = np.exp(x)
y2 = np.exp(2 * x)

plt.subplot(facecolor="g")

plt.plot(x, y1, color="r", linestyle="-", marker="^")
plt.plot(x, y2, color="b", linestyle="-", marker="s")

plt.grid(color="k", linestyle=":")
plt.show()

文字注释

plt.text(), plt.annotate()是两种向图像添加文本注释的方法。plt.text()可以在图像任意位置添加文字，plt.annotate()则可以帮助我们形象地为曲线中的某一个点添加注释。

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)

y1 = np.exp(x)
y2 = np.exp(2 * x)

plt.plot(x, y1, color="r", linestyle="-", marker="^", linewidth=1)
plt.plot(x, y2, color="b", linestyle="-", marker="s", linewidth=1)

plt.text(-0.5, 3, "exp functions", fontsize=10)

plt.show()

plt.text()中前两个参数表示添加文字的坐标位置，最后一个参数是要添加的文本。

plt.annotate()与plt.text()类似，代码表示如下：

plt.annotate('A', xy=(0, 1), xytext=(-0.5, 2.5), arrowprops=dict(facecolor='k', headwidth=10, width=2))

分别解释一下，第一个参数’A’是注释文本，xy表示要注释的点的坐标，xytext表示注释文本的起始坐标，arrowprops表示箭头，我们可以通过一个字典形的变量，设置其样式，包括颜色，宽度等等（headwidth表示箭头宽度，width表示箭身的宽度）。画出来的图如下所示：

关于matplotlib绘图，我在本篇博客中先总结这么多。当然，正像我开头说的那样，绘图的知识点很杂，很多，几乎不可能全部覆盖到，暂时也只是将一些我现在能想到的，常用的操作做一个简单的介绍。本文会保持持续更新。