python可视化--Matplotlib库入门(一)：使用指南

Matplotlib库入门(一)：使用指南

准备工作

安装matplotlib库：python -m pip install matplotlib 或者 pip install matplotlib
查看是否安装成功：import matplotlib.pyplot as plt

一个简单的例子

Matplotlib在Figures（即，窗口，Jupyter小部件等）上绘制数据图，每个数据可以包含一个或多个Axes（即，可以用xy坐标（或极坐标图中的ther-r）指定点的区域） ，或3D图中的xyz等）。创建具有轴的图形最简单方法是使用，pyplot.subplots然后我们可以 Axes.plot在轴上绘制一些数据：

import matplotlib.pyplot as plt 
# matplotlib 常用的图表库，用来数据可视化，并给它指定了别名plt，以免反复输入pyplot
fig, ax = plt.subplots()  # Create a figure containing a single axes. 
ax.plot([1, 2, 3, 4], [1, 4, 2, 3])  # Plot some data on the axes.  
plt.show() # matplotlib.pyplot 模块通过 show() 函数打开 matplotlib 查看器，并显示绘制的图形

这是创建一个包含单个轴的图形，在坐标轴上绘制一些数据，结果如下：

许多其他绘图库或语言不需要你显式创建轴。例如，在MATLAB中，

plot([1, 2, 3, 4], [1, 4, 2, 3])  % MATLAB plot.

并获得所需的图形。
实际上，你可以在Matplotlib中执行相同的操作：对于每种Axes绘图方法，matplotlib.pyplot 模块中都有一个相应的功能，可以在“当前”轴上执行该绘图，并在不存在时创建该轴（及其父图形）。所以前面的例子可以写成

import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])  # Matplotlib plot.
plt.show()

出现的结果是一样的：

看起来很单一是不是，现在，让我们更深入地了解Matplotlib图表的组件。

Figure

图形实例，Figure做为画布，保存所有的axes、artists和canvas等。一个figure可以拥有一个或多个axes。
创建新图形的最简单方法是使用pyplot：

# 设置点或者线等，所要处理的位置,既绘图窗口的尺寸
fig = plt.figure()  # an empty figure with no Axes
fig, ax = plt.subplots()  # a figure with a single Axes
fig, axs = plt.subplots(2, 2)  # a figure with a 2x2 grid of Axes
plt.figure(figsize=(10,6)) # 设置绘图窗口的尺寸 或者 plt.figure(dpi=80,figsize=(10,6))

分别为：没有轴的空图形、 只有一个轴的图形和具有2x2坐标的图形，三个图形画布
将轴与图形一起创建很方便，但是以后也可以添加轴，以实现更复杂的轴布局。

Axes

Axes为画轴，它是具有数据空间的图像区域。一个给定的图形可以包含许多Axes，但是一个给定的Axes 对象只能位于一个Figure。轴包含两个（或3D情况下为三个） Axis对象（注意轴和Axis之间的区别），这些对象负责数据限制（数据限制也可以通过axes.Axes.set_xlim()和 axes.Axes.set_ylim()方法控制）。每个Axes都有一个标题（通过设置set_title()），一个x标签（通过设置set_xlabel()）和一个y 标签（通过 设置 set_ylabel()）。

Axis

axis为坐标轴，设置坐标刻度。刻度的位置由Locator决定，刻度显示格式由Formatter决定。
这些是类似数字线的对象。他们负责设置图形限制并生成刻度（轴上的标记）和刻度标签（标记刻度的刻度）。刻度的位置由Locator决定，刻度标签的刻度由格式Formatter决定。正确Locator和正确的Formatter很好地控制刻度线的位置和标签。

Artist

本质上figure上所有能看到的，包括axes、axis、线条、文本都是artist。所有的artist都画在画布上。绝大多数的artist归属于某一axes。

以上的Figure、axis和axes的介绍，可以查看官方文档如下：
https://matplotlib.org/api/_as_gen/matplotlib.figure.Figure.html
https://matplotlib.org/api/axis_api.html
https://matplotlib.org/api/axes_api.html
https://matplotlib.org/api/artist_api.html

作为绘图函数数据的输入方式

可以使用绘图函数numpy.array或numpy.ma.masked_array 作为输入。也可以用类似array的输入，例如pandas和numpy.matrix，但是可能无法正常工作，所以最好转换成numpy.array
例如，将 pandas.DataFrame

a = pandas.DataFrame(np.random.rand(4, 5), columns = list('abcde'))
a_asarray = a.values

并转换一个 numpy.matrix

import numpy as np
b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b)

面向对象的接口和pyplot接口

如上所述，使用Matplotlib基本上有两种方法：
1.明确创建图形和轴，并在其上通过面向对象的接口在该Axes上添加图形。极端情况下用户可以完全抛弃pyplot而完全使用面向对象的接口。
2.依靠pyplot自动创建和管理图形和轴，并使用pyplot函数进行绘图。
所以可以做到（面向对象程式设计风格）

x = np.linspace(0, 2, 100)

# Note that even in the Object Oriented-style, we use `.pyplot.figure` to create the figure.
fig, ax = plt.subplots()  # Create a figure and an axes. 创建一个图形和一个轴
ax.plot(x, x, label='linear')  # Plot some data on the axes. 表示的线，label命名
ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes... 表示的线，label命名
ax.plot(x, x**3, label='cubic')  # ... and some more. 表示的线，label命名
ax.set_xlabel('x label')  # Add an x-label to the axes. 标题
ax.set_ylabel('y label')  # Add a y-label to the axes. 标题
ax.set_title("Simple Plot")  # Add a title to the axes. 标题
ax.legend()  # Add a legend.

或（图样样式）

import matplotlib.pyplot as plt 
import numpy as np
x = np.linspace(0, 2, 100)

plt.plot(x, x, label='linear')  # Plot some data on the (implicit) axes.
plt.plot(x, x**2, label='quadratic')  # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
plt.show() 

通常，人们会发现自己一遍又一遍地绘制相同的图，但是使用不同的数据集，这导致需要编写专门的函数来进行绘制。例如：

import matplotlib.pyplot as plt
import numpy as np
def my_plotter(ax, data1, data2, param_dict):
    """
    A helper function to make a graph

    Parameters
    ----------
    ax : Axes
        The axes to draw to

    data1 : array
       The x data

    data2 : array
       The y data

    param_dict : dict
       Dictionary of kwargs to pass to ax.plot

    Returns
    -------
    out : list
        list of artists added
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

data1, data2, data3, data4 = np.random.randn(4, 100)
fig, ax = plt.subplots(1, 1)
my_plotter(ax, data1, data2, {'marker': 'x'})
plt.show()

或者如果您想拥有2个子图：

import matplotlib.pyplot as plt
import numpy as np
def my_plotter(ax, data1, data2, param_dict):
    """
    A helper function to make a graph

    Parameters
    ----------
    ax : Axes
        The axes to draw to

    data1 : array
       The x data

    data2 : array
       The y data

    param_dict : dict
       Dictionary of kwargs to pass to ax.plot

    Returns
    -------
    out : list
        list of artists added
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

data1, data2, data3, data4 = np.random.randn(4, 100)
fig, (ax1, ax2) = plt.subplots(1, 2)
my_plotter(ax1, data1, data2, {'marker': 'x'})
my_plotter(ax2, data3, data4, {'marker': 'o'})
plt.show()

后端

matplotlib针对许多不同的使用情形和输出格式作为目标。一些人用matplotlib在python shell上交互，当他们输入命令能够弹出绘图窗口。一些人把matplotlib嵌入到其他的用户图形接口如：wxpython或者pygtk中来编写丰富的应用程序。有些人用matplotlib使用到批处理脚本中，从数字模拟中生成Postscript图片，还有些人用在web应用服务器中来动态生成图。
为了支持所有这些用例，matplotlib可以针对不同的输出，这些功能中的每一个都称为后端。而前端就是用户需要处理的代码，如绘图代码，然后后端做的就是所有看不到的辛苦工作来生成视图窗口。这里有两种不同类型的后端：
1.用户接口后端(又叫做"交互式后端"，如pygtk, wxpython, thinter,qt, macosx或者fltk)。
2.硬拷贝后端，也叫做非交互式后端，用来生成图像文件(PNG,SVG,PDF, PS)
主要有三种方式配置你的后端。
1.backend : WXAgg # 使用wxpython和antigrain(agg)渲染
2.在matplotlibrc文件中设置后端参数，请查看 自定义matplotlib
3.另外一种方式是使用matplotlib的use()命令。

import matplotlib
matplotlib.use('PS') # 默认生成postscript输出。

如果你使用use命令，必须在import matplotlib.pyplot或者matplotlib.pylab之前设置。

注意： 后端的名字是不区分大小写的，如： “GTKAgg”和“gtkagg”是一样的。

使用常规方式安装matplotlib如二进制安装包或者linux发行包，那么一个好的默认后端已经设置好了，即允许你交互式工作也可以从脚本文件中绘制，可以输出到屏幕也可以输出到文件。所以你也不必去使用上面给出的方法去初始化了。

然而，如果你想要写用户图形接口或者web应用服务器(在web应用服务器中使用Matplotlib)，或者需要更好理解它是怎么进行的，请阅读下去。对于图形化用户接口，为了使事情更加可定制化，matplotlib区分了渲染器(绘图)和绘图面板(显示绘图的地方)的概念。对于用户接口，典型的渲染器是Agg，它是使用Anti-Grain Geometry C++库来产生光栅(像素)图。所有的用户接口除了macosx外，都可以和agg一样来渲染，如WXAgg,GTKAgg,QT4Agg,TKAgg。另外，一些用户接口支持其他的渲染引擎。例如：使用GTK，你可以选择GDK渲染(后端为GTK)， 也可以使用Cairo渲染(后端为GTKCairo)

对于渲染引擎，可以用向量或者光栅渲染器来区别。向量图语言画图命令有点像"从这个点到那个点画条线"，所以是可以任意比例缩放。光栅后端通过每英寸每点的像素来产生线条。

这里对matplotlib渲染器做个总结(没有等级先后次序，都是非交互式的后端，拥有写入到文件中的能力)

渲染器	文件类型	描述
AGG	png	raster graphics – high quality images using the Anti-Grain Geometry engine
PDF	pdf	vector graphics – Portable Document Format
PS	ps, eps	vector graphics – Postscript output
SVG	svg	vector graphics – Scalable Vector Graphics
PGF	pgf, pdf	vector graphics – using the pgf package
Cairo	png, ps, pdf, svg	raster or vector graphics – using the Cairo library

还有一些支持用户接口和渲染器紧密结合的后端，他们是交互式的后端，拥有在屏幕上展示的能力，使用上表中适当的渲染器来写入到文件中。

后端	描述
GTKAgg	Agg渲染器输出到GTK绘图面板(需要PyGTK)
GTK	GDK渲染器输出到GTK绘图面板(不推荐，需要PyGTK)
GTKCairo	Cairo渲染器输出到GTK绘图面板(需要PyGTK)
WXAgg	Agg渲染器输出到wxWidgets绘图面板（需要wxPython）
WX	原生wxWidgets绘图输出到wxWidgets绘图面板(不推荐，需要wxPython)
TkAgg	Agg渲染器输出到Tk绘图面板(需要Tkinter)
QtAgg	Agg渲染器输出到Qt绘图面板（不推荐，请使用Qt4Agg，需要PyQt）
Qt4Agg	Agg渲染器输出到Qt4绘图面板（需要PyQt4）
FLTKAgg	Agg渲染器输出到FLTK绘图面板(需要pyFLTK, 使用不是很广，考虑使用TKAgg,GTKAgg,WXAgg,或者QT4Agg替代)
macosx	Cocoa渲染器在osx上。（目前在非交互式模式缺少阻塞show()行为）

注意：
内置后端的名称不区分大小写；例如，“ Qt5Agg”和“ qt5agg”是等效的。

性能

无论是以交互方式浏览数据还是以编程方式保存大量绘图，渲染性能都可能成为管道中的一个痛苦瓶颈。
Matplotlib提供了几种方法，以稍微改变绘制外观（达到可设置的公差）为代价，大大减少了渲染时间。
可用于减少渲染时间的方法取决于所创建图的类型。

线段简化
对于具有线段的图（例如，典型的线图，多边形的轮廓等），可以通过rcParams[“path.simplify”]（default ：True）和rcParams[“path.simplify_threshold”]（default ：0.111111111111）来控制渲染性能
例如，可以在matplotlibrc文件中对其进行定义（请参见 使用样式自定义Matplotlib表格和rcParams，以获取有关该matplotlibrc文件的更多信息）。
rcParams[“path.simplify”]（default：True）是一个布尔值，指示是否完全简化了线段。
rcParams[“path.simplify_threshold”]（default：0.111111111111）控制要简化的线段数量；阈值越高，渲染越快。

以下脚本将首先显示数据而不进行任何简化，然后以简化方式显示相同的数据。尝试与他们两个进行交互：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.geomspace(10, 50000, 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True

mpl.rcParams['path.simplify_threshold'] = 0.0
plt.plot(y)
plt.show()

mpl.rcParams['path.simplify_threshold'] = 1.0
plt.plot(y)
plt.show()

Matplotlib当前默认为的简化阈值1/9。
如果要更改默认设置以使用其他值，则可以更改matplotlibrc 文件。
或者，您可以创建一种用于交互式绘图的新样式（具有最大程度的简化），并可以为出版物质量绘图创建另一种样式（具有最小化的简化），并在必要时激活它们。
有关如何执行这些操作的说明，请参见 使用样式表和rcParams自定义Matplotlib。

通过将线段迭代合并为单个矢量，直到下一个线段到矢量的垂直距离（在显示坐标空间中测量）大于该path.simplify_threshold参数，简化了工作。

以上学习内容来源于 python 的 http://matplotlib.org/