简介
Matplotlib可以说是Python最声名远扬的可视化库了，也是Python数据分析库的“三驾马车”之一。Matplotlib是基础而非常强大的可视化库，Seaborn等好用的可视化库是在前者的基础上进行的封装。Matplotlib擅长快速出简单的图、有丰富的接口进行精细化绘图、和Numpy结合做科学可视化及三维图配合默契、三维图。但也有些缺点，如不容易基于实用目的绘制有一定难度的图表（如小提琴图等）、标签等元素需指定坐标而不能自适应优化显示、难以实现交互。
Matplotlib官网说：
Matplotlib tries to make easy things easy and hard things possible.
越用越认可这句话，Matplotlib非常强大，Hard things是possible但并非easy and fast。
可视化基础框架
对于一个数据表df(通过pandas读入为DataFrame)来说，用Matplotlib对其进行可视化的基础框架为：
fig, ax = plt.subplots()
ax.plot(df['x'],df['y'])
通过上面几行代码就可以画出df表周一到周五y指标的变化折线。
Matplotlib其实为作图提供了两套可视化接口：
plt.plot()系列fig, ax = plt.subplots() ax.plot()系列
根据官网教程，分别对应MATLAB的陈述式语法和面向对象写法，具体可参考tutorials:lifecycle.html ，
个人理解，plt.plot()适合用于快速出图，读入一个数据表后想快速知道数据分布、指标关系等，通过plt.plot()系列语句直接出图，而ax.plot()更方便用来精细绘图，接口对各种图表元素的编辑很友好。
在Matplotlib官网搜索，通常能看到两套接口，如搜绘制饼图的关键词pie，结果中的axes.Axes.pie对应ax.pie()的用法，pyplot.pie对应plt.pie()的函数接口。
ax.×××()的写法看起来要写的语句多些，但这种面向对象(object-oriented)的写法通过fig, ax = plt.subplots()建立画布(figure)和定义轴域(axes)，能更明确在哪作画和映射规则，给用户更大的自由度和更精细的调参能力。Axes包含了一套坐标轴(axis)，确定了x/y坐标轴之后，数值再确定对应坐标，也就唯一确定了所在位置（这是二维情况下，更高维度就会对应着更多的axis），散点图是去确定点在轴域下的位置，柱状图是确定每个柱柱所在的位置，因此一套Axes就确定了唯一的独立的图，一个画布可以有多套Axes。更具体的辨析可读姚太多啊的一篇文章，简单说就是ax.×××()更方便调细节，初学者尽量避免用plt.×××系列来画图。
基础图表绘制
数据可视化从目的来说，是为了更直观展示数据或数据之间的对比、分布或关联关系。散点图、折线图、柱状图、条形图、饼图、直方图是非常常用而基础的可视化图。个人认为通过画这几种基础图并调细节是很好的学可视化实践。
为了整体的美观和一致性，本文都用了一套自定义配色，通过mpl.rcParams["axes.prop_cycle"] = mpl.cycler('color', ['1EAFAE', 'A3FFFF', '69FFFF']) 语句实现简单改配色，具体关于mpl.rcParams后面再展开。
画散点图可以用两种主要的方法，scatter(x,y)和plot(x,y,'o') 。 通过ax.scatter(x,y)绘制以x为横坐标，y为纵坐标的散点图，scatter的重要参数如下：
x,y：对应着x轴和y轴的数据，散点画在坐标轴里的[xi,yi]处。s,c,alpha: 对应散点大小(size)、颜色(color)、透明度，都可以传一个和点数量相同长度的数组，如s=df['z']可以做气泡图，一般气泡图为了防止遮盖问题，通常设置一定的透明度，alpha的范围为0到1。c='#BA5C25'设置点颜色，c赋值为一个数组可以做出每个点一个颜色的效果。marker：设置点的形状；cmap:颜色映射；norm:当颜色c为一组浮点数时，把值标准化到[0,1]做颜色映射，vmin和vamx参数是结合norm来用的；
ax.plot(x,y,'o')也可以画散点图，ax.plot()核心是绘制坐标系下的点和点之间的连线的，当突出点的大小而省略线时，就是散点图了，同样突出线就变成了折线图。通过fmt(也就是format_string)参数来控制这些，包括点的形状、颜色、线的风格颜色等。折线图基础绘制效果可回看上一部分可视化基础框架。
plot()的常用参数如下：
x,y: x轴和y轴的数据，当plot()只有一个输入列表或数组时，参数被当做y轴，也就是value，x轴以索引自动生成，也就是ax.plot(y)相当于ax.plot(range(len(y)),y);fmt: 控制x,y绘制的折线的点形状、颜色、线的风格、颜色；其他的lines.Line2D支持的属性， 如
color控制线颜色，marker控制点形状，linestyle控制线风格类型及linewidth控制线宽等，如果既设置了fmt又指定了color呢？可以实践一下，线的颜色会根据color属性最终显示。
plot()除了plot(x,y,[fmt])这种写法之外，还可以传多套x,y以绘制多条折线，写法是plot(x,y,[fmt],x2,y2,[fmt2],…)。
另外plot()还支持plot('col1','col2',data=df)这种写法，这是对二维表格数据更友好的接口。本文讲到的其他图形如bar、barh等基本也都是支持ax.×××(df['x'],df['y']) 和ax.×××(x,y,data)写法的。
通过ax.bar(x,height)绘制柱状图，条形图的绘制用ax.barh(y,width)，因bar和barh的用法很类似，参数之间有对应关系，这里结合着看。
x,height: x轴的值和各柱的高，相当于折线图的x,y；width: 柱的宽度，默认是0.8，也可以传入一个数组，画不等宽的柱状图；bottom: 每个柱底部开始位置，默认是0，改bottom可以画堆积柱状图、瀑布图等；align: 柱状的x是在柱底部中心还是边缘，{'center', 'edge'}，默认是center；data: 可以传入一个DataFrame，用法和前面说到的ax.plot('col1','col2',data=df)一致；其他像
color(柱颜色)、edgecolor(柱边框色)、linewidth(边框线宽)等图元属性用法都一致，linewidth也是可以简写为lw的，颜色可以传一个数组，可以画出五彩斑斓的柱，也可借由这个参数美化瀑布图；条形图barh的参数有
barh(y,width,height,left,align)，y是Y轴的值，每个柱的位置，因此barh的y对应bar的x，barh的width对应bar的height，barh的height对应bar的width。每个柱开始的位置是left，对应bar的bottom。align、data、color等一致。
注意的是柱状图绘制语句ax.bar(x,height)的返回值是一个容器(BarContainer)，包含了所有画出来的柱。通过这个返回值可以对柱进行一些个性化的处理，另外的应用就是根据返回柱的属性给每个柱标上文本标签。
#给柱状图标上标签
fig,ax= plt.subplots()
rects=ax.bar(df['x'],df['y'])
ax.set_ylim(0,100)
for rect in rects:
height = rect.get_height()
ax.annotate('{}'.format(height),
xy=(rect.get_x() + rect.get_width() / 2, height),
xytext=(0,1), # 1 points vertical offset
textcoords="offset points",
ha='center', va='bottom')
通过给x以一定的偏移量，绘制簇状柱形图。代码如下：
#簇状柱 ClusterBar
x = list(range(1,len(df)+1))
width = 0.2 #每个柱的宽度
x1=[i-width for i in x]
x2=[i+width for i in x]
fig, ax = plt.subplots(figsize=(6,5))
rects1 = ax.bar(x1,df['y'], width*2, label='Men',color='#1EAFAE')
rects2 = ax.bar(x2,df['z'], width*2, label='Women',color='#69FFFF')
ax.set_xticks(x)
ax.set_xticklabels(df['x'])
ax.legend()
通过给bottom参数传一个数组，可以画堆叠柱状图：堆叠柱除了等值堆叠之外，还可以等比堆叠，思路就是将每个x对应的柱都做一下数值变换，把柱的高度约束在[0,1]，且堆叠之和为1，height=h[i]/sum(h)。
#堆叠柱状图
fig,ax= plt.subplots()
ax.bar(df['x'],df['y'],label='Men')
ax.bar(df['x'],df['z'],bottom=df['y'],label='Women')
ax.legend()
#等比例堆叠柱
fig,ax= plt.subplots()
df['y1']=df.apply(lambda x:(x['y'])*100/(x['y']+x['z']),axis=1)
df['z1']=df.apply(lambda x:(x['z'])*100/(x['y']+x['z']),axis=1)
ax.bar(df['x'],df['y1'])
ax.bar(df['x'],df['z1'],bottom=df['y1'])
ax.set_ylim(0,100) #标签设置等代码省略
调节width参数使得柱和柱之间的宽度为0，并对数据进行统计在画图，可以用ax.bar()绘制直方图，但也不需要这么复杂，Matplotlib提供了绘制直方图的接口ax.hist(x,bins,normed)，可以直接对某列数据绘制直方图。x是需要统计分布的数据列，bins控制分箱的个数，默认是10。
箱线图在数据分析中挺常用的，箱线图对于数据分布有很好的展示作用，Matplotlib提供了boxplot(x)用于绘制箱线图。
fig, ax= plt.subplots()
ax.boxplot(df['y']) #箱线图
饼图是可视化中基础而重要的图形，是各种数据报告的常客，Matplotlib绘制饼图时因为xy轴默认比例尺不同，为了得到不扁的饼，需设置xy轴1像素对应的值相等。
#绘制饼图
fig,ax=plt.subplots(subplot_kw=dict(aspect="equal"))
ax.pie(df['y']) #为了得到不扁的饼，设置xy轴比例尺相同
#---
#环状图
fig, ax = plt.subplots(subplot_kw=dict(aspect="equal"))
wps=dict(width=0.3, edgecolor='w')
ax.pie(df['y'], radius=1,startangle=90,counterclock=False,wedgeprops=wps)
ax.pie(df['z'], radius=1-0.3,startangle=90,counterclock=False,wedgeprops=wps)
图表元素调校
一张可视化图上除了主要的点、线、面之外，文本标签、坐标轴标签等也是很重要的可视媒介，特别是对于信息图表而言。 下面这张图基本囊括了用到的图形元素
加文本可以通过 ax.text(x,y, "Text") 。添加标题通常写ax.set_title()，另外也可以用ax.title.set_text('title')或ax.set(title='ttl')设置标题， 整理如下：
ax.text(x,y, "Text"):在坐标[x,y]处添加文本Text，文本支持latex公式，如ax.text(2,6, r'$E=mc^2$', fontsize=15)；ax.set_title():添加标题；ax.set_ylim(0,4)设置y轴值的范围（类似于函数的值域），例如对于y=[],直接ax.plot(y)画出来的折线图y轴范围是 ，通过ax.set_ylim(0,4)可以显示0~100范围的效果。同理通过ax.set_ylim(0,4)设置x轴范围（定义域）；ax.set_ylabel("Y axis label"):给y轴加上坐标轴标题；ax.tick_params(which='major', width=1.0):细调坐标轴刻度；ax.legend(): 设置图例 ；
图形元素设置除了文本类型之外，也可以往里加形状 。
加线：
import matplotlib.lines as lines；ax.add_artist(lines.Line2D([15,15], [0, 10],color='#1EAFAE'))，其效果可参考矩阵图绘制效果；加带箭头的线:
ax.arrow(0, 0, 0.5, 0.5, head_width=0.05, head_length=0.1, fc='k', ec='k')；加一个垂直的平均线:
ax.axvline(x, ls='--', color='r')，那水平平均线呢？axhline(y=0, xmin=0, xmax=1, **kwargs)；加垂直或水平的强调矩形:
ax.axhspan(ymin, ymax, xmin=0, xmax=1, **kwargs)和ax.axvspan(xmin, xmax, ymin=0, ymax=1, **kwargs)；加矩形：
patches.append(mpatches.Rectangle([0.5, 0.5], 0.5,0.8))，可用于绘制甘特图；加圆形(及椭圆):
patches.append( mpatches.Ellipse((x,y), width, height))；加带箭头的形状：
ax.annotate('箭头文本', xy=(4,5), xytext=(3,2),color, arrowprops=dict( arrowstyle='->', connectionstyle="arc3"))，加图标型的箭头：patches.append( mpatches.Arrow(x,y, dx,dy,width))；加图片:
mpimg.imread(ipath); ax.axis('off'); ax.imshow(img)；
给散点图加标签并加分隔线绘制矩阵图以实践一下以上方法：
import matplotlib.lines as lines
fig, ax= plt.subplots()
ax.plot(df['z'],df['y'],'o')
ax.add_artist(lines.Line2D([70,70], [30,100],color='#000000',lw=3)) #是[x1,x2],[y1,y2] 不是[x1,y1],[x2,y2]
ax.add_artist(lines.Line2D([30,100], [65,65],color='#000000',lw=3))
ax.set_xlim(30,100)
ax.set_ylim(30,100)
ax.set_xlabel("z")
ax.set_ylabel("y")
绘制瀑布图综合运用ax.bar()的参数和文本标签，并封装为一个函数，以后使用只需要调用就好：
#瀑布图
x=[17,-3,7,6] #原始数据
def waterfall_chart(x):
j=0 #sum(x) 最终柱的结果
k=0 #k=x[i-1]
x0=[]
for i in x:
if i<0:
x0.append(j+i)
else:
x0.append(j)
j+=i
x1=[abs(i) for i in x]
c1=['#1EAFAE' if i>0 else '#69FFFF' for i in x]
c1.append('#BA5C25')
x0[0]=0
x0.append(0)
x1.append(j)
x.append(j)
w=list(range(1,len(x)+1))
fig,ax= plt.subplots(figsize=(6,5))
ax.bar(w,x0,alpha=0) #都透明度为0了，颜色不重要
rects=ax.bar(w,x1,bottom=x0,color=c1) #颜色可传一个数组的
ax.set_ylim(0, 30)
i=0
for rect in rects: #加上适当的文本标签
height = rect.get_height()+x0[i]
ax.annotate('{}'.format(x[i]),
xy=(rect.get_x() + rect.get_width() / 2, height),
xytext=(0,1), # 1 points vertical offset
textcoords="offset points",
ha='center', va='bottom')
i+=1
ax.set_xticklabels(['','Q1','Q2','Q3','Q4','Ys'])
return ax
waterfall_chart(x)
组合图
为了更好地展现数据间的联系或变化，我们有时会需要将多种图表类型用在同一张可视化图里，一种是共用坐标轴的组合图，例如面积图+柱状图的组合、散点+折线图就是很基础的组合图。另一种是双坐标轴，很常见的图是左边的y轴是月活，画柱状图，右边的y轴是增长率，画折线图。
棒棒糖图(Lollipop)是将条形图的柱变得很细并突出末端的一类图，形似棒棒糖，特别适合于展示分类标签很多的数据。可以通过将柱状图和散点图结合的方法绘制，Matplotlib库绘制起来并不复杂，代码如下。但对于一些散点图的y轴不支持分类标签的库来说，要画棒棒糖图还是挺复杂的。
y = [5, 4, 11, 10, 15, 11, 13, 8,13,15,13,19]
x=['c'+str(i) for i in range(len(y))]
fig, ax= plt.subplots(figsize=(6,6))
ax.barh(x,y,height=0.08,zorder=1) #图层顺序的解决方案
ax.scatter(y,x,zorder=2,color='#ba5c25')
有时为了对比两类数据，除了用簇状柱形图或簇状条形图外，也可以试试哑铃图，理解了上面画棒棒糖图的方法之后，要组合出哑铃图并不难，对数据进行一定运算后用barh加两个scatter就可以画出来。
帕累托图是双坐标轴的可视化典例。帕累托图特别适合展示符合长尾效应的数据。matplotlib给我们提供了ax.twinx()用于生成共用x轴的另一个Axes，效果就是左边的y轴比例尺和右边比例尺不一定一样，能更好地将两类图进行效果组合。
y=[23,162,51,119,12,3,8] #模拟数据
x=[str(i) for i in range(2,len(y)+2)]
y=sorted(y,reverse=True)
ysum=sum(y)
y2=[]
cc=0
for i in y:
cc+=i
y2.append(cc/ysum*100)
fig = plt.figure()
ax1 = fig.add_subplot(111)
rects=ax1.bar(x,y,color='#1EAFAE')
ax1.set_ylabel('Month IC')
ax1.set_ylim(0, 180)
ax2 = ax1.twinx()
#https://matplotlib.org/api/_as_gen/matplotlib.axes.Axes.twinx.html#matplotlib.axes.Axes.twinx
ax2.set_ylim(0, 100)
ax2.plot(x, y2,'o',color='#FFA069',linewidth=2,ls='-')
ax2.set_ylabel('%')
for rect in rects:
height = rect.get_height()
ax1.annotate('{}'.format(height),
xy=(rect.get_x() + rect.get_width() / 2, height),
xytext=(0,1), # 1 points vertical offset
textcoords="offset points",
ha='center', va='bottom')
ax1.set_title("Pareto in Matplotlib")
子图
除了组合图外，有时候我们也需要将多个图并排以展现某种数据关系。前面说过一个画布下可以有多套Axes，正常情况下我们只需要一套Axes用来画图，但是也经常需要在一个画布中画多张图，形成分面或子母图的效果，前面我们基本都是写fig, ax= plt.subplots()，实际上subplots()可以设置nrows、ncols参数生成多套Axes。
plt.subplots()的常用写法有：
plt.subplot(3,2,4):在全局绘图区域中建立3行、2列的分区绘图区域，并定位到第4个子图区域，返回一个axes；plt.subplot(324): 效果和上面subplot(3,2,4)的写法一致；plt.subplots(): 默认1行1列，生成的axes就是一个；plt.subplots(3,2): 没有指定绘图编号，返回值包括一个figure和多个axes，和ax[0, 0].×××(x, y)搭配着用；fig = plt.figure(); ax= fig.add_subplot(221):先建立一个画布，在画布上添加2x2个子图，并定位到顺序第一个子图；
图中代码在全局绘图区域中建立n行、m列的分区绘图区域，并定位到其中一个子图区域。之后ax的用法和前面一致，不赘述。
生成的图片在shell环境中弹出的界面有保存图片的按键，在jupyter环境中可以点击图片然后右键保存。而如果要通过代码保存图片到本地，一般通过plt.savefig(fname,dpi=300)保存图片，参数有文件保存路径(fname)、图片每英寸像素(dpi)、边缘颜色(edgecolor)等。在shell环境中一般通过plt.show()展示图片，而jupyter notebook中通常写%matplotlib inline将图片直接在Out[]里输出展示。
Matplotlib的rcParams接口可以设置很多个性化内容，包括刚提到的savefig的edgecolor默认值，可以写mpl.rcParams["savefig.edgecolor"]='blue'改变原来的默认值white。直方图的默认分箱数可以通过rcParams["hist.bins"]=5改变。
而为了在Matplotlib中支持中文，各教程的解决方案基本都有mpl.rcParams['font.family']='SimHei'这句，就是将Matplotlib的字体替换为微软雅黑。前面基础图表绘制部分通过更新mpl.rcParams["axes.prop_cycle"]改变了绘图的主题色，Matplotlib本身是提供了备选的绘图渲染的各种主题，可以通过style.use('ggplot')调用ggplot主题（想换回默认主题用style.use('default')）。就像给输入法换皮肤一样，rcParams接口给了我们更多的自由度和个性化。
三维及科学可视化
三维可视化和科学可视化是Matplotlib特别擅长的领域，人类作为三维生物，对三维的图像有一定的偏好，扁平化和三维各有优势，各有不同的应用场合，能画好二维可视化图也该会画三维的图表，且一些场景用好三维有奇效。Matplotlib的三维可视化封装在mpl_toolkits工具套件的mplot3d里，mplot3d下的API主要包括Axes3D(三维坐标轴区域)、art3d.xx3D(三维图元)和proj3d(三维坐标变换)。
from mpl_toolkits.mplot3d import Axes3D # noqa: F401 unused import
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.bar(df['x'],df['y'], zs=0, zdir='y', alpha=0.8)
ax.bar(df['x'],df['z'], zs=1, zdir='y', alpha=0.8)
ax.bar(df['x'],df['y'], zs=2, zdir='y', alpha=0.8)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.set_yticks([0,1,2])
三维可视化和科学可视化联系很紧密，科研作图中应用广泛，各种漂亮的参数曲面在官网示例里有很多，这里略过、当然二维下也能画出很优美的函数图像，结合numpy生成[0,2]之间的正弦函数曲线只需要4行代码：
t = np.arange(0.0, 2.0, 0.01)
s = 1 + np.sin(2 * np.pi * t)
fig, ax = plt.subplots()
ax.plot(t, s)
绘制指数函数、分形的雪花曲线也是类似的过程，在官网案例集有类似的例子，具体这里不展开。
总结下本文从Matplotlib的可视化基础框架一步步画散点、折线、柱状、箱线等图，通过理解参数拓展画了瀑布图、矩阵图、棒棒糖图等，并且微调坐标轴文本、标题等图形元素，让可视化更完备，通过双y轴绘制帕累托图等组合图，也绘制了包含多张子图的图和三维图。
通过以上实践可以看到的Matplotlib可视化语法的特点是绘图对象和标签标题等元素有一定独立性，且有不同层级的接口可以用来微调元素，例如设置标题就有多种写法 ，Matplotlib不同于ggplot2的管道写法、也不同于Altair等库将数据传到chart对象再调用mark_bar()等确定绘制什么图。可视化是要好看，也不能忘了所展现的数据与数据间的关系是重点。
文中代码更新于QLWeilcf/VisualizedLyn。本文七千多字，从基础图表入手拆解对应绘制函数的重点参数，一共22张图，基本都是个人绘制和排版的，个人认为较系统讲了Matplotlib的用法和核心功能，下篇会实践更有趣的内容。
有任何建议欢迎留言交流。
最后用极坐标绘心形线结束本文。
#极坐标绘心形线
import numpy as np
theta= np.arange(0, 2*np.pi, 0.05)
r=5*(1-np.sin(theta)) #a取5
ax = plt.subplot(111, projection='polar')
ax.plot(theta, r,lw=3)
ax.grid(True)
ax.text(1.56,6,'r=a(1-sinθ)',ha='center',
fontsize=18,color='#1EAFAE')
