Python中Matplotlib绘图用法教程（常用参数详解）

---

Matplotlib 是 Python 的 2D绘图库（其实也是可以画3D图，甚至是动画图的）

plt.plot() 绘图

plt.plot(x, y, color, linestyle, linewidth, marker, markerfacecolor, markersize，label)

• x： x轴数据（列表或数组）
• y： y轴数据（列表或数组）
• color： 线的颜色
• linestyle： 线条样式
• linewidth： 线条宽度（用数字表示大小）
• marker： 标记样式
• markerfacecolor： 标记颜色
• markersize： 标记尺寸（用数字表示大小）
• label： 线条的标签（后文结合 legend() 来讲）

以上就是plot()函数常用的参数，下面的表格是对应参数可供选择的值（只要记住常用的就行，其他的需要用到再来查就可以了）

颜色（颜色和十六进制颜色是对应的，都可以的）

颜色	十六进制颜色	颜色	十六进制颜色	颜色	十六进制颜色
‘aliceblue’	‘#F0F8FF’	‘antiquewhite’	‘#FAEBD7’	‘aqua’	‘#00FFFF’
‘aquamarine’	‘#7FFFD4’	‘azure’	‘#F0FFFF’	‘beige’	‘#F5F5DC’
‘bisque’	‘#FFE4C4’	‘black’	‘#000000’	‘blanchedalmond’	‘#FFEBCD’
‘blue’	‘#0000FF’	‘blueviolet’	‘#8A2BE2’	‘brown’	‘#A52A2A’
‘burlywood’	‘#DEB887’	‘cadetblue’	‘#5F9EA0’	‘chartreuse’	‘#7FFF00’
‘chocolate’	‘#D2691E’	‘coral’	‘#FF7F50’	‘cornflowerblue’	‘#6495ED’
‘cornsilk’	‘#FFF8DC’	‘crimson’	‘#DC143C’	‘cyan’	‘#00FFFF’
‘darkblue’	‘#00008B’	‘darkcyan’	‘#008B8B’	‘darkgoldenrod’	‘#B8860B’
‘darkgray’	‘#A9A9A9’	‘darkgreen’	‘#006400’	‘darkkhaki’	‘#BDB76B’
‘darkmagenta’	‘#8B008B’	‘darkolivegreen’	‘#556B2F’	‘darkorange’	‘#FF8C00’
‘darkorchid’	‘#9932CC’	‘darkred’	‘#8B0000’	‘darksalmon’	‘#E9967A’
‘darkseagreen’	‘#8FBC8F’	‘darkslateblue’	‘#483D8B’	‘darkslategray’	‘#2F4F4F’
‘darkturquoise’	‘#00CED1’	‘darkviolet’	‘#9400D3’	‘deeppink’	‘#FF1493’
‘deepskyblue’	‘#00BFFF’	‘dimgray’	‘#696969’	‘dodgerblue’	‘#1E90FF’
‘firebrick’	‘#B22222’	‘floralwhite’	‘#FFFAF0’	‘forestgreen’	‘#228B22’
‘fuchsia’	‘#FF00FF’	‘gainsboro’	‘#DCDCDC’	‘ghostwhite’	‘#F8F8FF’
‘gold’	‘#FFD700’	‘goldenrod’	‘#DAA520’	‘gray’	‘#808080’
‘green’	‘#008000’	‘greenyellow’	‘#ADFF2F’	‘honeydew’	‘#F0FFF0’
‘hotpink’	‘#FF69B4’	‘indianred’	‘#CD5C5C’	‘indigo’	‘#4B0082’
‘ivory’	‘#FFFFF0’	‘khaki’	‘#F0E68C’	‘lavender’	‘#E6E6FA’
‘lavenderblush’	‘#FFF0F5’	‘lawngreen’	‘#7CFC00’	‘lemonchiffon’	‘#FFFACD’
‘lightblue’	‘#ADD8E6’	‘lightcoral’	‘#F08080’	‘lightcyan’	‘#E0FFFF’
‘lightgoldenrodyellow’	‘#FAFAD2’	‘lightgreen’	‘#90EE90’	‘lightgray’	‘#D3D3D3’
‘lightpink’	‘#FFB6C1’	‘lightsalmon’	‘#FFA07A’	‘lightseagreen’	‘#20B2AA’
‘lightskyblue’	‘#87CEFA’	‘lightslategray’	‘#778899’	‘lightsteelblue’	‘#B0C4DE’
‘lightyellow’	‘#FFFFE0’	‘lime’	‘#00FF00’	‘limegreen’	‘#32CD32’
‘linen’	‘#FAF0E6’	‘magenta’	‘#FF00FF’	‘maroon’	‘#800000’
‘mediumaquamarine’	‘#66CDAA’	‘mediumblue’	‘#0000CD’	‘mediumorchid’	‘#BA55D3’
‘mediumpurple’	‘#9370DB’	‘mediumseagreen’	‘#3CB371’	‘mediumslateblue’	‘#7B68EE’
‘mediumspringgreen’	‘#00FA9A’	‘mediumturquoise’	‘#48D1CC’	‘mediumvioletred’	‘#C71585’
‘midnightblue’	‘#191970’	‘mintcream’	‘#F5FFFA’	‘mistyrose’	‘#FFE4E1’
‘moccasin’	‘#FFE4B5’	‘navajowhite’	‘#FFDEAD’	‘navy’	‘#000080’
‘oldlace’	‘#FDF5E6’	‘olive’	‘#808000’	‘olivedrab’	‘#6B8E23’
‘orange’	‘#FFA500’	‘orangered’	‘#FF4500’	‘orchid’	‘#DA70D6’
‘palegoldenrod’	‘#EEE8AA’	‘palegreen’	‘#98FB98’	‘paleturquoise’	‘#AFEEEE’
‘palevioletred’	‘#DB7093’	‘papayawhip’	‘#FFEFD5’	‘peachpuff’	‘#FFDAB9’
‘peru’	‘#CD853F’	‘pink’	‘#FFC0CB’	‘plum’	‘#DDA0DD’
‘powderblue’	‘#B0E0E6’	‘purple’	‘#800080’	‘red’	‘#FF0000’
‘rosybrown’	‘#BC8F8F’	‘royalblue’	‘#4169E1’	‘saddlebrown’	‘#8B4513’
‘salmon’	‘#FA8072’	‘sandybrown’	‘#FAA460’	‘seagreen’	‘#2E8B57’
‘seashell’	‘#FFF5EE’	‘sienna’	‘#A0522D’’	silver’	‘#C0C0C0’
‘skyblue’	‘#87CEEB’	‘slateblue’	‘#6A5ACD’	‘slategray’	‘#708090’
‘snow’	‘#FFFAFA’	‘springgreen’	‘#00FF7F’	‘steelblue’	‘#4682B4’
‘tan’	‘#D2B48C’	‘teal’	‘#008080’	‘thistle’	‘#D8BFD8’
‘tomato’	‘#FF6347’	‘turquoise’	‘#40E0D0’	‘violet’	‘#EE82EE’
‘wheat’	‘#F5DEB3’	‘white’	‘#FFFFFF’	‘whitesmoke’	‘#F5F5F5’
‘yellow’	‘#FFFF00’	‘yellowgreen’	‘#9ACD32’

linestyle 线条样式（样式一和样式二是对应的，都可以的）

样式一	样式二	说明
‘-’	‘solid’	实线
‘–’	‘dashed’	虚线
‘-.’	‘dashdot’	点画线
‘:’	‘dotted’	点线
’ ’	‘None’	不显示线条了

marker 标记样式

样式	说明	样式	说明
‘.’	点标记	‘1’	下花三角标记
‘,’	像素标记（极小点）	‘2’	上花三角标记
‘o’	实心圆标记	‘3’	左花三角标记
‘v’	倒三角标记	‘4’	右花三角标记
‘^’	上三角标记	‘s’	实心方形标记
‘>’	右三角标记	‘p’	实心五角标记
‘<’	左三角标记	‘*’	星形标记
‘h’	竖六边形标记	‘d’	瘦菱形标记
‘H’	横六边形标记	‘D’	菱形标记
‘+’	十字标记	‘|’	垂直线标记
‘x’	x标记	‘_’	水平线标记

import matplotlib.pyplot as plt
import numpy as np

# 返回[-3, 3]区间50个等间隔数组成的数组
x = np.linspace(-3, 3, 50)
y = 2*x + 1

plt.plot(x, y, color='red', linestyle="-", linewidth=1, 
         marker="o", markerfacecolor="blue", markersize=6)
plt.show()

输出：

---

plt.figure() 创建画布

想要绘图，必须先要创建一个 figure（画布），还要有 axes（坐标系）；
说到这里，细心的小伙伴就要问了：第一个操作并没有创建 figure 呀？
对于上述疑问，我们就需要知道

创建 figure 的两种方式：

• 隐式创建 figure
  当第一次执行 plt.xxx() 画图代码时，系统会判断是否已经存在画布。如果没有，则自动创建一个画布，并且在这个画布上自动创建一个坐标系（如果不设置画布，一个画布上只有一个坐标系）。

所以第一个操作是隐式创建了画布，而且不管您画多少图都只会在同一个画布的同一个坐标系中体现：

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)

plt.plot(x, y1, color="blue")
plt.plot(x, y2, color="green")
plt.plot(x, y3, color="red")
plt.show()

输出：

• 显式创建 figure
  利用 plt.figure() 手动创建画布，可以创建多个画布，在 plt.figure() 下面的 plt.xxx() 画图代码都会画在对应的画布上面。

所以我们可以试着把上一个操作放在两个画布里面：

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)

plt.figure()  # 下面两个画图操作都属于这个画布
plt.plot(x, y1, color="blue")
plt.plot(x, y2, color="green")

plt.figure()  # 下面一个画图操作属于这个画布
plt.plot(x, y3, color="red")
plt.show()

输出两个窗口：

函数语法：

figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)

• num： 画布编号或名称（数字为编号，字符串为名称），不指定则按照数字顺序（可以看到上一个操作输出的两个窗口，不指定num，左上角就是按照数字顺序的Figure1，Figure2）
• figsize： 指定 figure 的宽和高（英寸），默认为（6.4, 4.8）
• dpi： 指定画布显示的分辨率（用数字表示大小，默认为100）
• facecolor： 背景的颜色（除了画图区域的颜色）
• edgecolor： 边框线的颜色（看起来不是特别明显，问题不大）
• frameon： 是否显示边框（不显示边框，则背景颜色也显示不了）

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

# num指定为数字时，以该数字为编号，Figure3为画布名称
plt.figure(num=3, figsize=(7., 3.), dpi=72, facecolor="red", edgecolor="green", frameon=True)
plt.plot(x, y)

# num指定为字符串时，直接用该字符串为画布名称
plt.figure(num="画布二", figsize=(7., 3.), dpi=72, facecolor="green", edgecolor="red", frameon=True)
plt.plot(x, y)
plt.show()

输出两个窗口：


输出窗口图标的简单介绍

可以看到输出窗口上面有一排按钮图标，主要是通过这些图标操作来方便我们查看图像（这个不重要，按照下图的介绍，自己实操一下就知道了）

---

中文/负号显示问题

matplotlib在使用过程中，可能会遇到中文或者负号显示乱码的问题，可以把下面代码粘贴到matplotlib使用的最前面，完美解决中文/负号显示问题：

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False  # 通过rc参数修改字符显示，就可以正常显示负号

---

设置坐标轴

plt.xlim() 和 plt.ylim()

用来限制图像横纵坐标轴的显示范围，既可以限制轴的最小值或最大值，又可以同时限制最小值和最大值。（只是限制显示范围，在窗口还是可以通过拖动图标来查看其他位置）

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()  # 创建画布1
plt.plot(x, y)
plt.xlim(xmin= -2)  # 限制横坐标显示最小值为 -2
plt.ylim(ymax= 0.8)  # 限制纵坐标显示最大值为 0.8

plt.figure()  # 创建画布2
plt.plot(x, y)
plt.xlim((-2, 4))  # 限制横坐标显示范围[-2, 4]
plt.ylim(ymin= -0.5, ymax= 0.8)  # 限制纵坐标显示范围[-0.5, 0.8], 也可以和上面一步一样写
plt.show()

输出两个窗口：


plt.xlabel() 和 plt.ylabel()

用来指定图像横纵坐标轴的标签（fontsize参数指定字体大小，其他参数实用性不大）

import matplotlib.pyplot as plt
import numpy as np


plt.rcParams['font.sans-serif'] = ['SimHei']  # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False  # 通过rc参数修改字符显示，就可以正常显示负号

x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()
plt.plot(x, y)
plt.xlim((-2, 4))
plt.ylim((-0.5, 0.8))

plt.xlabel("我是横轴标签")  # 指定横轴标签
plt.ylabel("我是纵轴标签", fontsize=14)  # 指定纵轴标签,并设置字体大小为14
plt.show()

输出：

plt.xticks() 和 plt.yticks()

当不指定参数时，返回对应轴当前刻度点的位置和标签；
当指定参数时，则为设置对应轴当前刻度点的位置和标签。

plt.xticks(ticks=None, labels=None, **kwargs)

• ticks： 刻度点的位置组成的列表（可以指定为空列表，则去掉刻度，但轴还在）
• labels： 刻度点的位置上的标签组成的列表（labels不指定，则标签显示ticks值）
• kwargs： 可用于控制标签的外观（这里不做深究，一般前面两个参数够用了）

import matplotlib.pyplot as plt
import numpy as np


plt.rcParams['font.sans-serif'] = ['SimHei']  # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False  # 通过rc参数修改字符显示，就可以正常显示负号

x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()
plt.plot(x, y)
plt.xlim(-2, 4)
plt.ylim((-0.4, 0.8))
plt.xlabel("我是横轴标签", fontsize=14)
plt.ylabel("我是纵轴标签", fontsize=14)

# 当不指定参数时，返回对应轴当前刻度点的位置和标签
xlocs, xlabels = plt.xticks()
ylocs, ylabels = plt.yticks()
print(xlocs)
print(xlabels)
print(ylocs)
print(ylabels)
plt.show()

输出：

[-2. -1.  0.  1.  2.  3.  4.]

[-0.4 -0.2  0.   0.2  0.4  0.6  0.8]

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()  # 画布1
plt.plot(x, y)
# ticks的值作为刻度点的位置, labels的值作为刻度点的位置上的标签
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])

plt.figure()  # 画布2
plt.plot(x, y)
# ticks指定为空列表, 去掉刻度, 但轴还在
plt.xticks(ticks=[])

plt.figure()  # 画布3
plt.plot(x, y)
plt.axis("off")  # 把轴去掉，刻度一起没了

plt.figure()  # 画布4
plt.plot(x, y)
# 返回[-4, 4]区间9个等间隔数组成的数组
new_xticks = np.linspace(-4, 4, 9)
# 因为没有指定labels参数，所以ticks的值既作为刻度点的位置又作为刻度的标签
plt.xticks(ticks=new_xticks)
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1])
plt.show()

输出四个窗口：

设置坐标边框的颜色
先用 plt.gca() 获取到坐标框(矩形坐标框)，然后调用 spines 属性通过 “top”，“bottom”，“left”，“right” 类似于索引的方式获得指定的边框，最后结合 set_color() 来指定颜色（当颜色指定为 “None” 时，就不显示该边框）

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()
plt.plot(x, y)
# ticks的值作为刻度点的位置, labels的值作为刻度点的位置上的标签
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])

# 获取坐标体系（长方形坐标框）
ax = plt.gca()
# 选择坐标体系的右边框, 设置颜色为None，就不会显示右边框了
ax.spines["right"].set_color("None")
# 选择坐标体系的上边框, 设置颜色为None，就不会显示右边框了
ax.spines["top"].set_color("None")
# 选择坐标体系的左边框, 设置颜色为红色
ax.spines["left"].set_color("red")
# 选择坐标体系的底边框, 设置颜色为红色
ax.spines["bottom"].set_color("green")
plt.show()

输出：

指定边框为坐标轴
先用 plt.gca() 获取到坐标框(矩形坐标框)，再通过 set_ticks_position() 方法把指定的边框作为对应的 x 或者 y 坐标轴（指定边框同样是用 “top”，“bottom”，“left”，“right”）

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()
plt.plot(x, y)
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])

ax = plt.gca()
ax.spines["right"].set_color("yellow")
ax.spines["top"].set_color("blue")
ax.spines["left"].set_color("red")
ax.spines["bottom"].set_color("green")

# 把坐标体系的上边框作为x轴
ax.xaxis.set_ticks_position("top")
# 把坐标体系的右边框作为y轴
ax.yaxis.set_ticks_position("right")
plt.show()

输出：

移动坐标边框
先用 plt.gca() 获取到坐标框(矩形坐标框)，然后调用 spines 属性通过 “top”，“bottom”，“left”，“right” 类似于索引的方式获得指定的边框，最后结合 set_position() 来指定边框位置

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()
plt.plot(x, y)
# ticks的值作为刻度点的位置, labels的值作为刻度点的位置上的标签
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])

# 获取坐标体系（长方形坐标框）
ax = plt.gca()
# 选择坐标体系的右边框, 设置颜色为None，就不会显示右边框了
ax.spines["right"].set_color("None")
# 选择坐标体系的上边框, 设置颜色为None，就不会显示右边框了
ax.spines["top"].set_color("None")
# 选择坐标体系的左边框, 设置颜色为红色
ax.spines["left"].set_color("red")
# 选择坐标体系的底边框, 设置颜色为红色
ax.spines["bottom"].set_color("green")

# 选择坐标体系的左边框, 设置位置到数据为0的地方(即x轴原点)
ax.spines["left"].set_position(("data", 0))
# 选择坐标体系的底边框, 设置位置到数据为-0.1的地方(即y轴的"d"点)
ax.spines["bottom"].set_position(("data", -0.1))
plt.show()

输出：

---

plt.legend() 创建图例

用于给图像加图例

plt.legend(handles，labels，loc，fontsize，frameon，edgecolor，facecolor)

• handles： 控制柄，默认是一个画布中所有线对象组成的列表（代表控制所有线显示图例，也可以指定哪些线显示）
• labels： 图例标签，默认是画图函数中指定的 label 组成的列表（也可以重新指定labels）
• loc： 图例创建的位置（默认是loc=“best”，代表自动找最好的位置）
• fonsize： 图例字体大小（用数字大小表示）
• frameon： 是否打开图例边框，默认为True
• edgecolor： 图例边框颜色
• facecolor： 图例背景颜色（若未打开边框,参数无效）

loc 图例创建的位置，可选值：

“best”	“upper right”	“upper left”	“lower left”
“lower right”	“right”	“center left”	“center right”
“lower center”	“upper center”	“center”

import matplotlib.pyplot as plt
import numpy as np


plt.rcParams['font.sans-serif'] = ['SimHei']  # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False  # 通过rc参数修改字符显示，就可以正常显示负号

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = np.sin(x)


plt.figure()
plt.plot(x, y1, color="blue", label="直线")
plt.plot(x, y2, color="green", label="曲线")
plt.legend(loc="lower right", fontsize=14, frameon=True, edgecolor="red", facecolor="yellow")


plt.figure()
plt.plot(x, y1, color="blue")
plt.plot(x, y2, color="green")
# 指定labels
plt.legend(labels=["直线", "曲线"])


plt.figure()
# plot是有返回值的, 接收返回值的变量写法上比较特殊, 后面需要加个英文逗号
line1, = plt.plot(x, y1, color="blue", label="直线")
line2, = plt.plot(x, y2, color="green", label="曲线")

# 指定第一条线创建图例, 且图例标签改为"线条1"
plt.legend(handles=[line1, ], labels=["线条1", ])
plt.show()

输出三个窗口：

---

plt.text() 文字说明

plt.text(x， y，s，size，color， ha， va)

• x： 文字开始写的 x 位置
• y： 文字开始写的 y 位置
• s： 需要写的文字（string格式）
• size： 文字大小
• color： 文字颜色
• ha： 设置垂直对齐方式，可选参数：‘left’, ‘right’, ‘center’
• va： 设置水平对齐方式 ，可选参数 ： ‘center’ , ‘top’ , ‘bottom’ , ‘baseline’

import matplotlib.pyplot as plt
import numpy as np


x = np.linspace(-3, 3, 50)
y = np.sin(x)

plt.figure()
plt.plot(x, y)

plt.text(x=1.1, y=0.6, s="y=sinx", size=16, color="red")
plt.show()

输出：

---

plt.scatter() 画散点图

plt.scatter(x, y, s, c, marker, alpha, linewidths, edgecolors)

• x： 形状为(n,)的数组，绘图的 x 轴数据
• y： 形状为(n,)的数组，绘图的 y 轴数据
• s： 标记点的大小（用数字大小表示）
• c： 标记点的颜色
• marker： 标记的样式，默认的是 ‘o’
• alpha： 透明度（0-1之间）
• linewidths： 标记点边框线的宽度
• edgecolors： 标记点的边框线颜色

import matplotlib.pyplot as plt
import numpy as np

# 从正态分布中抽取随100个随机样本
x1 = np.random.normal(0, 1, 100)
y1 = np.random.normal(0, 1, 100)
x2 = np.random.normal(0, 1, 100)
y2 = np.random.normal(0, 1, 100)

plt.scatter(x1, y1, s=90, c="green", marker="D", alpha=0.6, linewidths=2, edgecolors="red")
plt.scatter(x2, y2, s=90, c="yellow", marker="D", alpha=0.6, linewidths=2, edgecolors="black")
plt.xlim((-1.5, 1.5))
plt.ylim((-1.5, 1.5))
plt.show()

输出：

---

plt.bar() 画条形图

plt.bar(x, height, width, color, edgecolor, alpha, linewidth, bottom, align)

• x： x 坐标
• height： 条形的高度
• width： 条形的宽度，默认是0.8
• color： 条形的颜色
• edgecolor：条形边框的颜色
• alpha： 颜色的透明度（0~1）
• linewidth： 条形边框的宽度
• bottom： 条形底边的起始位置（即y轴的起始坐标）
• align： 条形的对齐方式（默认为 “center”，表示刻度和条形中心对齐，“edge” 表示刻度和条形左边对齐）

import matplotlib.pyplot as plt
import numpy as np


x0 = np.arange(12)
# 从[0.5, 1.0]的均匀分布中随机取12个数组成数组
y1 = np.random.uniform(0.5, 1.0, 12)
y2 = np.random.uniform(0.5, 1.0, 12)

plt.figure()
# 用负号来画关于x轴对称的条形图, 底边各上浮0.02的距离使得分开
plt.bar(x0, +y1, color="yellow", edgecolor="red", bottom=0.02)
plt.bar(x0, -y2, color="green", edgecolor="red", bottom=-0.02)

for x, y in zip(x0, y1):
    # y值保留小数点后两位，数字上浮0.05为了好看
    plt.text(x, y+0.05, '%.2f'%y, ha="center", va="bottom")

for x, y in zip(x0, y2):
    plt.text(x, -y-0.05, '%.2f'%-y, ha="center", va="top")

plt.xlim(-1, 12)  # 限制x轴显示范围, 为了图显示美观
plt.ylim(-1.2, 1.2)  # 限制y轴显示范围, 为了图显示美观
plt.xticks([])  # 去掉x轴刻度
plt.yticks([])  # 去掉y轴刻度

plt.figure()
# 因为条形宽度默认是0.8，这里要把两个条形放在一起，那么每个宽度就是0.4, 再互相错位0.2就可以刚好并靠着
plt.bar(x0-0.2, y1, width=0.4, color="blue", alpha=0.4)
plt.bar(x0, y2, width=0.4, color="gray", align="edge")  # 这里用了align参数，用x0+0.2也可以

plt.xlim(-1, 12)
plt.ylim(0, 1.1)
plt.xticks([])
plt.yticks([])
plt.show()

输出两个窗口：

---

plt.contour() 画等高线图

首先我们对需要用到的函数做一个基本的介绍：

plt.contour() 和 plt.contourf() 的区别：这两个函数都可以画等高线图，前者是用线绘制，后者是用颜色块来画，不同的颜色分界就表示等高线了，通常结合两个函数一起用，既有了等高线又有了颜色区分。

plt.contour(x, y, z, levels, alpha, colors)

• x： x 坐标矩阵
• y： y 坐标矩阵
• z： z 坐标矩阵（高度）
• levels： 指定等高线的数量（0为1条，8为9条，类推）
• alpha： 等高线的透明度
• colors： 等高线的颜色

plt.contour(x, y, z, levels, alpha, cmap)

• x： x 坐标矩阵
• y： y 坐标矩阵
• z： z 坐标矩阵（高度）
• levels： 指定等高线的数量（0为1条，8为9条，类推）
• alpha： 等高线的透明度
• cmap： 就是ColorMap（热力图），有很多值可供选择，记住常用的 “hot”，“cool"就行了（这里如果不知道cmap有哪些值可以选择的话，可以随便输入一个值，比方说输入"green”，很显然这是错误的，然后PyCharm报错会提示你可供选择的有哪些）

plt.clabel(CS, inline, fontsize) 用来显示等高线的标签（即高度值）

• CS： 指定等高线对象
• inline： 标签是否在线的内部，默认为True
• fontsize： 标签字体大小（用数字表示大小）

这里来个完整版，大家可以尝试把 contour 或者 contourf 函数关闭看看效果，就会深有体会了

import matplotlib.pyplot as plt
import numpy as np


# 计算高度值的函数
def fn_h(x, y):
    return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)

x0 = np.linspace(-3, 3, 256)
y0 = np.linspace(-3, 3, 256)

# 从坐标向量返回网格点坐标矩阵
x, y = np.meshgrid(x0, y0)
# print(x.shape)
# print(y.shape)

plt.contourf(x, y, fn_h(x, y), levels=8, alpha=0.5, cmap="hot")
cs = plt.contour(x, y, fn_h(x, y), levels=8, alpha=0.7, colors="black")
plt.clabel(cs, inline=True, fontsize=10)
plt.xticks([])
plt.yticks([])
plt.show()

输出：

---

plt.imshow() 数据转图像

传入图像的像素值数据，就可以绘制出图像，然后通过 plt.show() 来显示图像

plt.imshow(X, cmap, alpha)

• X： 图像数据（可以是二维的，比如 灰度图；也可以是三维的，比如 RGB图）
• cmap： 默认是彩色的，和上面说到的 cmap 一样，灰度图是 “Greys”，记住常用的就行
• alpha： 透明度（0~1）

import matplotlib.pyplot as plt
from torchvision import datasets
import numpy as np


plt.figure()
# 自己造一个shape为(3, 3)的图像数据
data = np.array([[0, 50, 200], [200, 100, 0], [0, 150, 200]])
plt.imshow(data)

plt.figure()
# 得到 MNIST 训练集数据
dataset = datasets.MNIST(root="F:\MyDatasets", train=True, download=False)
# 取第一个数据, 以透明度0.3, 灰度图显示
plt.imshow(dataset.data[0], cmap="Greys", alpha=0.3)
plt.show()

输出两个窗口：

---

画3D图

直接上代码，看注释中有详细说明

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D


# 在[-4, 4)区间以0.25步长产生一维数组
x = np.arange(-4, 4, 0.25)
y = np.arange(-4, 4, 0.25)
X,Y = np.meshgrid(x, y)  # 从坐标向量返回网格点坐标矩阵
Z = np.sin(np.sqrt(X**2 + Y**2))  # 高度(同样也是矩阵，因为 X,Y 是矩阵)

fig = plt.figure()  # 画布一般是二维的
ax = Axes3D(fig)  # 变成三维度的画布

# 画3D图, 通过rstride和cstride大小来控制模型细腻程度, 步长越大越粗糙, cmap设置为彩虹色
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap="rainbow")
# 画等高线图, zdir="z"表示从z轴的角度至上而下投影下来的等高线图, 投影在z=-2的位置显示
# 也可以设置zdir="x"那就是从前往后投影, zdir="y"就是从左往右投影
ax.contourf(X, Y, Z, zdir="z", offset=-2, cmap="rainbow")
ax.set_zlim(-2, 2)  # 限制z轴的显示区间, 便于观察
ax.set_xlim(-5, 5) # 限制x轴的显示区间, 便于观察
ax.set_ylim(-5, 5) # 限制y轴的显示区间, 便于观察
plt.show()

输出：

---

plt.subplot() 创建子图

直接上代码，看注释中有详细说明

import matplotlib.pyplot as plt
import numpy as np
from torchvision import datasets


x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)
y4 = np.tanh(x)

plt.figure()
plt.subplot(2, 2, 1)  # 在画布上创建2行2列的子图，并在第1个子图中绘画
plt.plot(x, y1)  # 在第1个子图中绘画
plt.subplot(2, 2, 2)  # 在画布上创建2行2列的子图，并在第2个子图中绘画
plt.plot(x, y2)  # 在第2个子图中绘画
plt.subplot(2, 2, 3)  # 在画布上创建2行2列的子图，并在第3个子图中绘画
plt.plot(x, y3)  # 在第3个子图中绘画
plt.subplot(2, 2, 4)  # 在画布上创建2行2列的子图，并在第4个子图中绘画
plt.plot(x, y4)  # 在第4个子图中绘画

plt.figure()
plt.subplot(2, 1, 1)  # 在画布上创建2行1列的子图，并在第1个子图中绘画
plt.plot(x, y1)  # 在第1个子图中绘画
plt.subplot(2, 3, 4)  # 在画布上创建2行3列的子图，并在第4个子图中绘画
plt.plot(x, y2)  # 在第4个子图中绘画
plt.subplot(2, 3, 5)  # 在画布上创建2行3列的子图，并在第5个子图中绘画
plt.plot(x, y3)  # 在第5个子图中绘画
plt.subplot(2, 3, 6)  # 在画布上创建2行3列的子图，并在第6个子图中绘画
plt.plot(x, y4)  # 在第6个子图中绘画


# 获取MNIST训练集
dataset = datasets.MNIST(root="F:\MyDatasets", train=True, download=False)
plt.figure()
for i in range(25):
    plt.subplot(5,5,i+1)  # 每次循环在画布上创建5行5列的子图，并依次按照顺序通过imshow()把数据画出图像
    plt.imshow(dataset.data[i], cmap="Greys")
    plt.axis("off")  # 把轴去掉，刻度一起没了
    plt.title(dataset.targets[i].item())  # 在每个子图中用对应的标签作为标题
    
plt.show()

输出三个窗口：

---

画图中图

plt.axes() 用来在 plt.figure() 画布上画图，可以指定位置和坐标轴的宽高，每用一个 plt.axes() 都会在画布上形成一个坐标系。

import matplotlib.pyplot as plt
import numpy as np


plt.rcParams['font.sans-serif'] = ['SimHei']  # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False  # 通过rc参数修改字符显示，就可以正常显示负号

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)

plt.figure()
# 对这四个数字的说明：先指定坐标框左下角的位置，x和y坐标在画布的10%的位置, 再指定坐标框的宽和高为画布的80%长度
plt.axes([0.1, 0.1, 0.8, 0.8])  # 注意区分：plt.axis("off")
plt.title("直线")
plt.plot(x, y1)

plt.axes([0.2, 0.6, 0.25, 0.25])
plt.title("抛物线")
plt.plot(x, y2)

plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(x, y3)
plt.title("余弦曲线")
plt.show()

输出：

---

次坐标轴

import matplotlib.pyplot as plt
import numpy as np


x = np.arange(0, 10, 0.1)
y1 = 0.5 * x ** 2
y2 = -1 * y1

# 返回一个包含figure和axes对象的元组，注意和 plt.subplot 区分
fig, ax1 = plt.subplots()

# 镜像显示(沿x轴方向镜像y轴，得到y轴的次坐标轴)
ax2 = ax1.twinx()  # 同样还有 ax1.twiny()

ax1.plot(x, y1, color='green')
ax2.plot(x, y2, color='blue', linestyle="--")

# 设置x坐标轴标签
ax1.set_xlabel('X data', fontsize=12)
# 设置第一个y坐标轴标签
ax1.set_ylabel('Y1 data', color='green', fontsize=12)
# 设置第二个y坐标轴标签(次坐标轴)
ax2.set_ylabel('Y2 data', color='blue', fontsize=12)
plt.show()

输出：

---

保存图像

通过 plt.savefig() 保存图像到指定的路径

import matplotlib.pyplot as plt
import numpy as np


Y = []
y = np.linspace(-3, 3, 50)

for i in y**2:
    Y.append(i)
    plt.clf()  # 清除数据, 放在这个位置是为了循环的清除上一次的数据
    plt.plot(Y)  # 当plot()只传入一个列表或者数组时，其中的值当做y轴的坐标，x轴默认为[0, 1, 2, 3...]
    plt.pause(0.1)  # 每张图暂停0.1秒
    plt.savefig(r"F:\img.jpg")  # 保存到F盘，命名为img的jpg格式图片

运行程序时，是抛物线逐步完成的动态过程，然后在F盘会有保存的最终图像，可以复制代码去试一下哦~