matplotlib:颜色、标记和线类型，刻度、标签和图例，注释与子图加工，将图片保存到文件，matplotlib 设置

1.2 颜色、标记和线类型

matplotblib 的主函数 plot 接收带有x and y 轴的数组以及一些可选的字符串缩写参数来指名颜色和线类型。例如要用绿色括折号绘制 x 对 y 的线：ax.plot(x,y,'g--') 或者 ax.plot(x,y,linestyle='--',colur='g')

很多颜色缩写被用于常用颜色，可以指定十六进制的颜色代码（#CECECE)。

参考plot函数的文档查看所有线类型（jupyter 中使用plot?)

'b' blue
'g' green
'r' red
'c' cyan
'm' magenta
'y' yellow
'k' black
'w' white
'-' solid line style
'--' dashed line style
'-.' dash-dot line style
':' dotted line style

折线图还可以又标记来凸显实际的数据点，matplotlib 创建一个连续的折线图，插入点之间有时分辨不出。标记可以是样式字符串的一部分，样式字符串中的线类型，标记类型必须在颜色后面。

plot(np.random.randn(30).cumsum(),color='r',linestyle='dashed',marker='s') 更加显式的代码

后续的点默认式线性内插的。。。通过drawstyle 选项来更改

。。。。讲究。。。。。

由于我们像plot 传递来 label ，我们可使用plt.legend 为每条线生成一个用于区分的图例。（无论是否又label选项都要调用plt.legend 来生成图例。）

1.3 刻度、标签和图例

对于大多数图标修饰工作，有两种主要方式，使用程序性的pyplot 接口 和更多面向独享的原生 matplotlib API。

pyplot 接口设计为交互式使用，包含了 xlim, xticks 和 xticklabels 等方法。这些方法分别控制了绘图范围，刻度位置以及刻度标签。

• 在没有函数参数的情况下调用，返回当前的参数值（例如 plt.xlim() 返回当前的x 轴绘图范围）
• 传入参数的情况下调用，例如：plt.xlim([0,10]) 会将x 轴的范围设置为0 到10.

这些方法都会在当前活动的回落最近创建的 AxesSubplot 上生效，这些方法的每一个对应于子图自身的两个方法，比如 xlim 对应于 ax.get_lim and ax.set_lim 。好像使用 subplot 的方法更加显式，，，，（使用subplot_kw参数，就是add_subplot的参数）

add_subplot参数(部分）	含义
projection	子图的投影类型{None, ‘aitoff’, ‘hammer’, ‘lambert’, ‘mollweide’, ‘polar’, ‘rectilinear’, str},。。应该就是子图的类型，
polar	等于 projection=‘polar’
alpha	透明度
facecolor fc	颜色，轴面/轴的颜色
labe xlabel ylabell	标签
title	标题
xlim ylim	设置x轴视图限制。(bottom: float, top: float)
xticklabels yticklabels	刻度标签，列表
xticks yticks	刻度，列表

1.3.1 设置标题，轴标签，刻度和刻度标签

修改y 轴坐标是相同的过程，将上面的x 替换成 y 就行，轴的类型有一个 set 方法，可以批量设置绘图属性。

感觉用上subplots 不如在外面设置，在外面使用函数，功能还能多一些。

1.3.2 添加图例

图例是用来区分绘图元素。最简单的方式是在添加每个图表时传递label 参数。

legend 方法多了个loc 的位置参数。告诉在哪里放置图表，best 会自动选择适合的位置(尽量少的重叠图像），如果要取消图例中的元素，不要传入 label 或 label = ‘_nolegend_’

    Location String   Location Code
    ===============   =============
    'best'            0
    'upper right'     1
    'upper left'      2
    'lower left'      3
    'lower right'     4
    'right'           5
    'center left'     6
    'center right'    7
    'lower center'    8
    'upper center'    9
    'center'          10
    ===============   =============
    bbox_to_anchor	与loc一起用于定位图例的框(x, y, width, height)or(x,y)
    ncol  图例的列数，默认1
    fontsize  nt或float 图例字体大小。
    shadow   None or bool 阴影
    framealpha   背景的不透明度
    facecolor  背景色
    title/title_fontsize

1.4 注释与子图加工

在图表上绘制自己的注释，而且注释中可能包含文本，箭头以及其他图形。你可以使用 text arrow annote 方法来添加注释和文本。
text 在图表上给定的坐标 (x,y) 根据可选的定制样式绘制文本。as.text(x,y,'hello world',family='monospace',fontsize=10)

绘制标普500指数从2007年以来的收盘价，并在图表中标注从2008到2009年金融危机的重要日期（阿巴阿巴阿巴阿巴）

还没见过 asof这个函数。。。DataFrame/Series.asof(where, subset=None)

返回where之前没有nan 的最后一行。subset, 对于dataframe ，使用指定的列来检查nan。

如果没有对应的值就返回nan。

>>> s = pd.Series([1, 2, np.nan, 4], index=[10, 20, 30, 40])
>>> s
10    1.0
20    2.0
30    NaN
40    4.0
dtype: float64

>>> s.asof(20)     # 获得 索引20 的值
2.0

>>> s.asof([5, 20])   # 对于多个，第一个没有返回nan，
5     NaN
20    2.0
dtype: float64

>>> s.asof(30)   # 这个是nan，就返回之前不是nan 的最后一行。
2.0

df = pd.DataFrame({'a': [10, 20, 30, 40, 50],'b': [None, None, None, None, 500]},index=[1,2,3,4,5])
df.asof([3.5,4.5])        # 考虑所有行的话，要找都不是nan 的，
    a	b
3.5	NaN	NaN
4.5	NaN	NaN

df.asof([3.5,4.5],subset=['a'])
	a	    b                # 这里只考虑 a 
3.5	30.0	NaN
4.5	40.0	NaN

from datetime import datetime
fig=plt.figure()
ax=fig.add_subplot(1,1,1)  
data=pd.read_table('spx.csv',sep='\t',header=None,parse_dates=True,index_col=0)
data.columns=['spx']  # (https://github.com/wesm/pydata-book/blob/2nd-edition/examples/spx.csv) 相关文件
spx=data['spx']      
spx.plot(ax=ax,style='k-')
crisis_data = [
    (datetime(2007, 10, 11), 'Peak of bull market'),
    (datetime(2008, 3, 12), 'Bear Stearns Fails'),
    (datetime(2008, 9, 15), 'Lehman Bankruptcy')
]
for date,label in crisis_data: # ax.annotate方法在指定的x和y 坐标上绘制标签
    ax.annotate(label,xy=(date,spx.asof(date)+75),xytext=(date,spx.asof(date)+225),arrowprops=dict(facecolor='black',
                                    headwidth=4,width=2,headlength=4),horizontalalignment='left',verticalalignment='top')
						# 话说这位置，箭头宽度的参数的选择有什么方法吗。。。。
# 放大2007年 到 2010年
ax.set_xlim(['1/1/2007', '1/1/2011'])        # ['2007-1-1', '2011-1-1'] 这样也行的，所有为啥要那么写
ax.set_ylim([600, 1800])             # 使用这两个方法手动设置图标的边界，而不是使用matplotlib的默认设置。

ax.set_title('Important dates in the 2008-2009 financial crisis')

annotate（s，xy， args，* kwargs）** , 用文本text 注释点xy。

• xytext 放置文本的位置（x，y）。如果为None，则默认为xy。
• xycoords 给出xy的坐标系。
• textcoords xytext 的坐标系
• arrowprops dict 在位置xy和xytext之间绘制箭头的属性
• comment_clip bool或无 当注释点xy在轴区域之外时是否绘制注释。
• **kwargs 传递给Text 的参数。。禁止套娃，，又是一片参数被恶心到了。。。脑补链接

如果arrowprops不包含键“ arrowstyle”，则允许的键为：

Key	Description
width	箭头宽度（以磅为单位）
headwidth	箭头底部的宽度（以磅为单位）
headlength	箭头的长度（以磅为单位）
shrink	总长度的分数从两端缩小
?	Any key to matplotlib.patches.FancyArrowPatch

如果arrowprops包含键“ arrowstyle”，则禁止使用上述键。的允许值为 ‘arrowstyle’：

Name	Attrs
‘-’	None
‘->’	head_length=0.4,head_width=0.2
‘-[’	widthB=1.0,lengthB=0.2,angleB=None
‘|-|’	widthA=1.0,widthB=1.0
‘-|>’	head_length=0.4,head_width=0.2
‘<-’	head_length=0.4,head_width=0.2
‘<->’	head_length=0.4,head_width=0.2
‘<|-’	head_length=0.4,head_width=0.2
‘<|-|>’	head_length=0.4,head_width=0.2
‘fancy’	head_length=0.4,head_width=0.4,tail_width=0.4
‘simple’	head_length=0.5,head_width=0.5,tail_width=0.2
‘wedge’	tail_width=0.3,shrink_factor=0.5

**kwargs	描述
color / backgroundcolor	字体/背景色
fontsize	{size in points, ‘xx-small’, ‘x-small’, ‘small’, ‘medium’, ‘large’, ‘x-large’, ‘xx-large’} 字体大小
horizontalalignment	{‘center’，‘right’，‘left’} 水平对齐方式
varticalalignment	{‘center’，‘top’，‘bottom’，‘baseline’，‘center_baseline’} 垂直对齐方式

for date,label in crisis_data: # ax.annotate方法在指定的x和y 坐标上绘制标签
    ax.annotate(label,xy=(date,spx.asof(date)+75),xytext=(date,spx.asof(date)+225),arrowprops=dict(arrowstyle='wedge')
          ,horizontalalignment='right',verticalalignment='baseline',fontsize='large',color='r',backgroundcolor='g')

# 整个难看点的。。。

matplotlib 含有表示多种常见图形的对象，这些对象的引用是 patches ，一些图像比如 Rectangle 矩形，Circle 圆形，可以使用 matplotlib.pyplot 中找到，但图形的全集位于 matplotlib.patches 。

想在图表中添加图形，你需要生成patch(补丁）对象shp, 并调用 ax.add_patch(shp) 将它加入到子图中。

matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)

• xy (float,float),底部和左侧矩形坐标
• width height 宽度 高度
• angle 角度，逆时针旋转角度
• fill 是否填充矩形，默认True

matplotlib.patches.Circle(xy, radius=5, **kwargs)

• xy 半径中心，
• redus 半径。

matplotlib.patches.Polygon(xy, closed=True, **kwargs)

• xy 一个形状为 NX 2的 numpy 数组，
• close 是否封闭，默认True

Axes.add_patch§
添加一个补丁。。。

1.5 将图片保存到文件

plt.savefig 将活动图片保存到文件，plt.savefig('figpath.svg')

使用 dpi ，分辨率，bbox_inches 修剪图形的空白。plt.savefig('figpath.pnt',dpi=400,bbox_inches='tight')

savaifig 并不一定要写入硬盘，它可以将图片写入到所有的文件型对象中，例如BytesIO"

from io import BytesIO
buffer=BytesIO()              # 学到了buffer 对象这么生成啊
plt.savefig(buffer)
plot_data=buffer.getvalue()

参数	描述
fname	包含文件路径或python文件型对象的字符串，图片格式是从文件扩展名中推断来的
dpi	分辨率，默认100
facecolor,edgecolor	子图以外背景的颜色，默认时 w 白色
format	文件格式
bbox_inches	要保持的图片范围，如果是 tight 就除掉图片周围空白的部分。

with open('plt.jpg','wb') as f:
    plt.savefig(f,facecolor='r',edgecolor='b',bbox_inches='tight')
    # 感觉 edgecolor 没啥效果欸

1.6 matplotlib 设置

matplotlib 配置了配色方案和默认设置，主要用来准备用于发布的图片，几乎所有默认行为都可以通过广泛的全局参数来定制，包括图形大小，子图间距，颜色，字体大小和网格样式等。使用 rc 方法是更改配置的一种方式，

matplotlib.pyplot.rc(group, **kwargs) group是rc的分组，例如，lines.linewidth group是lines，for axes.facecolor，group是axes，等等。组也可以是组名称的列表或元组，例如（xtick，ytick），，，

例如将全局默认数字大小设置为 10X10 ：

plt.rc('figure',figsize=(10,10))

第一个参数是你要自定义的组件，figure,axes,xtick,ytick,grid,legend 等，然后可以按照关键字参数的序列指定新参数，

font_options = {'family' : 'monospace', 'weight' : 'bold', 'size' : 'small'} 
plt.rc('font', **font_options)

matplotlib.rcdefaults（）恢复原来的设置。

。。。我发现了这根本不是给萌新看的 matplotlib 的教程，，，先浏览一遍吧，在去找找。。。。。。。。