matplotlib中文文档_python绘图库——Matplotlib及Seaborn使用（入门篇1）
在数据分析过程中，数据及模型可视化是无可避免的，同时这也是展示我们数据分析成果的最佳方式。因此，熟悉掌握绘图库的使用，对精进我们的数据分析技能起着不可替代的作用。
今天，我们就来了解一下python强大的绘图库——Matplotlib及Seaborn的使用。
首先我们先来了解一下这两个强大的库。
Matplotlib
支持 Python 语言的开源绘图库（可以说是python里最优秀的绘图库了），因为其支持丰富的绘图类型、简单的绘图方式以及完善的接口文档，深受 Python 工程师、科研学者、数据工程师等各类人士的喜欢。
Seaborn
是以 Matplotlib 为核心的高阶绘图库，无需经过复杂的自定义即可绘制出更加漂亮的图形，非常适合用于数据可视化探索。
（两者的联系？区别？）
Matplotlib 应该是基于 Python 语言最优秀的绘图库了，但是它也有一个十分令人头疼的问题，那就是太过于复杂了。3000 多页的官方文档，上千个方法以及数万个参数，属于典型的你可以用它做任何事，但又无从下手。尤其是，当你想通过 Matplotlib 调出非常漂亮的效果时，往往会伤透脑筋，非常麻烦。
Seaborn 基于 Matplotlib 核心库进行了更高阶的 API 封装，可以让你轻松地画出更漂亮的图形。Seaborn 的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。
一句话：
Matplotlib是python绘图的基础，而Seaborn是在基础上，针对实际工作进一步的精炼与提升~
我们还是要从基础开始说起：
1、首先，导入库：
from matplotlib import pyplot as pltpyplot模块是 Matplotlib 最核心的模块，几乎所有样式的 2D 图形都是经过该模块绘制出来的。
在这里，将pyplot 缩写成 plt，是约定俗成的方式（大家都是这么用的~）
这里有个要注意的~
在Jupyter Notebook 里使用Matplotlib绘图时，要加上下面这一条代码：
%matplotlib inline注：
这条命令的作用是将 Matplotlib 绘制的图形嵌入在当前页面中。而在桌面环境中绘图时，不需要添加此命令，而是在全部绘图代码之后追加plt.show( )。
2、画个最简单的折线图：
a=[1,2,3,4,5,6,7,6,5,4,3,2,1]
plt.plot(a)在这里，我们导入了一个列表，Matplotlib 会默认将该列表作为y值，而x值会从0开始依次递增。而plt.plot( )是pyplot模块下绘制（折线图）的方法类。
一个简单的折线图就绘制出来了~
我们也可以自己定义横坐标：
a_x=[11,12,13,14,15,16,17,18,19,20,21,22,23]
plt.plot(a_x,a)
当然了，这是一个最最简单的例子，在 Matplotlib 中，还有各式各样很有趣的图，大部分图形样式的绘制方法都存在于pyplot模块中，我们只要更改后面的方法类名就可以更改图形的样式啦~
这里是一些常用的图：
柱状图：pyplot.bar
直方图：pyplot.barh
水平直方图：pyplot.broken_barh
等高线图：pyplot.contour
误差线：pyplot.errorbar
柱形图：pyplot.hist
水平柱状图：pyplot.hist2d
饼状图：pyplot.pie
量场图：pyplot.quiver
散点图：pyplot.scatter
我们还是以原来的数据为例，看看其他图的效果：
柱状图：
水平直方图：
我们还可以用plot画一个常见的正弦函数图：
import numpy as np
# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 X 坐标
x = np.linspace(-2*np.pi, 2*np.pi, 1000)
# 计算 y 坐标
y = np.sin(x)
plt.plot(x, y)
注意了~
尽管我们绘制出来的函数很像一条曲线，但实际上，在两点之间依旧是直线。这里看起来像曲线，是因为样本点相互挨得很近（我们取的是1000个点，因此会挨得很近）。
2、会最基本的绘制操作后，我们需要对我们的图形进行进一步的优化（让图更美观~）
在matplotlib里，我们可以通过设置参数，来达到美化的效果。
下面是在折线图里，一些比较常用的参数：
alpha=设置线型的透明度，从 0.0 到 1.0
color=设置线型的颜色
fillstyle=设置线型的填充样式
linestyle=设置线型的样式
linewidth=设置线型的宽度
marker=设置标记点的样式
想要了解更多参数的小伙伴可以到官网看看哦（包括查看其它图形的）~
https://matplotlib.org/3.1.0/api/_as_gen/matplotlib.pyplot.plot.htmlmatplotlib.org我们还是用原来的正弦函数来试验一下，这次再加上一条余弦函数。
x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)
plt.plot(x, y2, color='g', linewidth=2)
看上去好像挺不错的样子~
下面我们用饼状图来做个小例子（效果会更明显哦~）
首先我们先简单地绘制一个饼图：
list_pie=[2,4,6,8,10]
plt.pie(list_pie)
下面，我们进行参数设置：
explode = (0, 0, 0.1, 0, 0.2) # 各类别的偏移半径
color = ['b', 'y', 'g', 'r', 'g']
plt.pie(list_pie, colors=color, explode=explode,
shadow=True, autopct='%1.1f%%') #设置阴影，偏移度，颜色
# 饼状图呈正圆
plt.axis('equal')
对比一下，是不是瞬间高大上了~
3、同时绘制多个图形（组合图形）
x=[1,2,3,4,5,6,7]
y1=[3,6,9,12,9,6,3]
y2=[2,9,11,8,6,4,3]
plt.bar(x, y1)
plt.plot(x, y2, '-o', color='r')在这里，y1是柱状图，y2是折线图。只要将两个图形的代码放置在一起就可以绘制成组合图形了。
注意~
并不是任何的代码放在一起都是组合图。两张图的横坐标必须共享，才能够被 Matplotlib 自动判断为组合图效果~
4、确立图形位置
首先我们来看看这个图：
和我们日常的画架结构一样，在Matplotlib 中，也是有类似“画板”和“画布”的区别的。
figure：相当于绘画用的画板，
axes：相当于铺在画板上的画布。
也就是说，在同一块画板上，我们可以设置不同的画布，用来展示不同的图片。
让我们先来看一个小例子：
x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
fig = plt.figure() # 新建画板
axes1 = fig.add_axes([0.1, 0.1, 0.9, 0.9]) # 大画布
axes2 = fig.add_axes([0.2, 0.2, 0.3, 0.2]) # 小画布
axes1.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7) # 大画布
axes2.plot(x, y2, color='g', linewidth=2) # 小画布
可以看到，我们的图形被放在了不同大小的画布上。
那如何控制我们的画布大小及位置呢？
大家可以看下图中add_axes的参数设置：
除此之外也可以看到，add_axes的主要功能，就是向我们设置的画板figure中添加画布。
当然，还有一种更常见的添加画布的方法，就是——subplots( )。
比如，在subplots(2,2,1 )中，
第一、二个参数代表共创建了2*2个画布，其中subplots(2,2,1 )表示第一个画布。
我们来看看下面这个例子：（注意看subplots的设置哦~）
x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
plt.subplot(2,1,1)
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)
plt.subplot(2,1,2)
plt.plot(x, y2, color='g', linewidth=2)
5、如何添加图表题目、坐标轴标题、以及图例等图表基本内容。
我们直接从例子出发：
fig, axes = plt.subplots()
plt.rcParams['font.sans-serif']=['SimHei']
axes.set_xlabel('X轴') # 横坐标标题
axes.set_ylabel('Y轴') #纵坐标标题
axes.set_title('三角函数') # 图表标题
x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
axes.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)
axes.plot(x, y2, color='g', linewidth=2)
axes.legend(["sin", "cos"], loc=0) # 图例set_xlabel：横坐标标题
set_ylabel：纵坐标标题
set_title： 图表标题
loc：标记图例位置，1，2，3，4依次代表：右上角、左上角、左下角，右下角；0代表自适应。
效果图：
注意~
在这里我多添加了一条代码：
plt.rcParams['font.sans-serif']=['SimHei']
这是因为我们输出的图例等包含中文，需要对格式进行设置。
然后，也有另一种方式，下面是我以前做的另一个图：
import matplotlib
from matplotlib import pyplot as plt
myfont = matplotlib.font_manager.FontProperties(fname='C:WindowsFontssimsun.ttc')
y_beijing=[8180.900,7659.100,8130.400,7199.500,7818.500,7638.200,7969.500,8225.400,8266.400,8444.600,8103.500,8119.700]
x=range(1,13)
plt.figure(figsize=(8,6),dpi=80,num=4)
plt.plot(x,y_beijing,label='旅客人数月变化',color='yellow')
xtick_labels=['{}月'.format(i) for i in x]
plt.xticks(x,xtick_labels,FontProperties=myfont)
plt.yticks( range(7000,8500,500))
plt.title('北京机场吞吐量',FontProperties=myfont,fontsize=15)
plt.xlabel('月份',FontProperties=myfont,fontsize=15)
plt.ylabel('旅客人数/千人',FontProperties=myfont,fontsize=15)
plt.grid(alpha=0.3)
for x, y in zip(x, y_beijing):
plt.text(x, y+0.4, '%.0f'%y, ha='center', va='bottom', fontsize=10)
plt.legend(prop=myfont)
plt.show()可以看到，代码有一点点不同，但是仍然达到同样的效果。
其中，myfont=matplotlib.font_manager.FontProperties(fname='C:WindowsFontssimsun.ttc')这条代码也是由于中文输入的原因。
6、如何规范我们画图的习惯
1、通过plt.figure()或者plt.subplots()管理一个完整的图形对象。
2、在图形对象的基础上，再添加图表题目、坐标轴标题、以及图例等图表基本内容。
以上便是