Matplotlib绘图快速入门

Matplotlib绘图快速入门

文章目录

  • Matplotlib绘图快速入门
    • 一、面向过程绘图
      • 1.常用的绘图类型
        • (1) p l o t ( ) plot() plot():曲线图
          • (1)更改颜色
            • a.使用颜色的英文名或简写
            • b.RGB/RGBA模式
            • c.十六进制RGB字符串
            • d.使用0-1之间的灰度值
          • (2)设置线型
        • (2) s c a t t e r ( ) scatter() scatter():散点图
        • (3) b a r ( ) / b a r h ( ) bar()/barh() bar()/barh():条形图
        • (4) p i e ( ) pie() pie():饼图
        • (5) s t e m ( ) stem() stem():茎图
        • (6) s t e p ( ) step() step():阶梯图
        • (7) h i s t ( ) hist() hist():直方图
        • (8) f i l l _ b e t w e e n ( ) fill\_between() fill_between():两侧填充图
        • (9) i m s h o w ( ) imshow() imshow():像素图
        • (10) p c o l o r m e s h ( ) pcolormesh() pcolormesh():非规范像素图
        • (11) c o n t o u r ( ) contour() contour() c o n t o u r f ( ) contourf() contourf():等高线图
        • (12) b a r b s ( ) barbs() barbs():风杆图
        • (13) q u i v e r ( ) quiver() quiver():矢量图
        • (14) s t r e a m p l o t ( ) streamplot() streamplot():气流图
        • (15) b o x p l o t ( ) boxplot() boxplot():箱线图
        • (16) e r r o r b a r errorbar errorbar:误差栏图
        • (17) v i o l i n p l o t ( ) violinplot() violinplot():小提琴图
        • (18) h i s t 2 d ( ) hist2d() hist2d():二维直方图
        • (19) h e x b i n ( ) hexbin() hexbin():六边形直方图
        • (20) t r i c o n t o u r ( ) tricontour() tricontour() t r i c o n t o u r f ( ) tricontourf() tricontourf():非等距等高图
        • (21) t r i p c o l o r ( ) tripcolor() tripcolor():三角形彩图
        • (22) t r i p l o t ( ) triplot() triplot():二维三角图
      • 2.常用的绘图选项
        • (1)添加标题
        • (2)添加轴标签
        • (3)添加图例
        • (4)添加网格
        • (5)添加文本
        • (6)设置x和y轴范围
        • (7)设置x轴和y轴的刻度
        • (8)设置x轴和y轴的标签
        • (9)添加辅助对齐线
        • (10)添加跨度矩形
    • 二、面向对象绘图
      • 1.创建figure和axes对象
      • 2.绘图
    • 三、风格美化

需要说明的是,在阅读此文章前,你应该对Numpy有一定的了解,如果你对Numpy还不太熟悉,可以查看我的另一篇文章:点击下方链接即可:
Numpy快速上手指南

使用之前,我们先导入需要用到的模块,大部分的绘图内容都包含在matplotlib的pyplot模块中,而numpy可以生成一些数据以供绘图。

import matplotlib.pyplot as plt
import numpy as np

一、面向过程绘图

所谓面向过程的绘图,就是一步一步根据你想要画成什么样子进行编程,熟悉MATLAB的同学应该知道它的绘图方式,比如:先画一个图,再添加标题、横坐标标签,纵坐标标签,图例等等,这样的方式绘图就是面向过程的绘图。

1.常用的绘图类型

(1) p l o t ( ) plot() plot():曲线图

p l o t ( ) plot() plot()可以画出一个曲线图,请看下面的例子:

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y)

结果如下图所示:
Matplotlib绘图快速入门_第1张图片

(1)更改颜色

我们可以更改曲线的颜色:

plt.plot(x,y,'k') # 黑色曲线

Matplotlib绘图快速入门_第2张图片

其他的颜色有以下四种常用的模式:

a.使用颜色的英文名或简写

可以直接使用常见颜色的英文名或者简写来表示这个颜色,和上一个实例类似,下面列举出一些常见的颜色表:

颜色 标志 颜色 标志
蓝色 ‘b’ 黄色 ‘y’
绿色 ‘g’ 黑色 ‘k’
红色 ‘r’ 白色 ‘w’
青色 ‘c’ 洋红色 ‘m’
b.RGB/RGBA模式

使用一个元组输入(R,G,B)或者(R,G,B,A)分别代表red,green,blue和alpha(透明度),请看下面的例子:

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y,c = (0.5,0.4,0.8,0.8))

Matplotlib绘图快速入门_第3张图片

c.十六进制RGB字符串

由十六进制编码组成的RGB字符串可以代替一个颜色,请看下面的例子:

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y,c = '#0f5212')

Matplotlib绘图快速入门_第4张图片

d.使用0-1之间的灰度值

可以使用0-1之间的值来表示灰度,0表示纯黑色,1表示纯白色,0.5表示灰色,请看下面的例子:

x = np.linspace(0,10,100)
y = np.cos(x)
plt.plot(x,y,c= '0.8')

Matplotlib绘图快速入门_第5张图片

(2)设置线型

我们可以设置线条的形状:

plt.plot(x,y,'g--') # 绘制绿色且为虚线的线条图

Matplotlib绘图快速入门_第6张图片

还有其他种类的线条形状如下表所示:

线条 标志
实线 ‘-’
虚线 ‘–’
‘:’
点虚线 ‘-.’

除了这些常用的线型,我们还可以自己定义线型,具体方法如下:
使用一个元组,元组中包含一个元素和一个元组,元素表示偏置,一般为0,元组表示它的线型,举个例子可以很容易理解这一点:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y,linestyle = (0,(1,2,5,1)))

这表示1像素的线,接2像素的空格,接5像素的线,接1像素的线以此类推:
Matplotlib绘图快速入门_第7张图片

我们还可以对线条的粗细进行调整:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y,linestyle = (0,(1,2,5,1)),linewidth = 4)

Matplotlib绘图快速入门_第8张图片

我们还可以对数据进行描点:

x = np.linspace(0,10,10)
y = x
plt.plot(x,y,marker = 'o')

Matplotlib绘图快速入门_第9张图片

还有其他的一些标记符号可以参考下面的表格:

符号 标志 符号 标志
‘.’ 逗号 ‘,’
上箭头 ‘^’ 下箭头 ‘v’
左箭头 ‘<’ 右箭头 ‘>’
四边形 ‘s’ 五边形 ‘p’
星形 ‘*’ 加号形 ‘+’
乘号形 ‘x’ 乘号填充形 ‘X’
钻石形 ‘D’ 细钻石形 ‘d’
小竖线形 ‘|’ 小横线形 ‘_’

我们可以使用如下的选项来对marker进行修改:
markeredgecolor或者mec:边缘颜色
markeredgewidth或者mew:边缘宽度
markerfacecolor或者mfc:表面颜色*
markersize或者ms:标签大小

这里不做过多演示,大致与之前演示的设置方法一致。

(2) s c a t t e r ( ) scatter() scatter():散点图

s c a t t e r ( ) scatter() scatter()可以画出散点图,请看下面的例子:

x = np.random.randint(0,10,size = 10)
y = np.random.randint(0,10,size = 10)
plt.scatter(x,y)

结果如下图所示:
Matplotlib绘图快速入门_第10张图片

我们也可以设置它的颜色,标记点的类型,这与上一部分一致。
我们可以通过设置s参数改变它的标记大小:

x = np.random.randint(0,10,size = 10)
y = np.random.randint(0,10,size = 10)
plt.scatter(x,y,s = 500,marker = '*')

Matplotlib绘图快速入门_第11张图片

(3) b a r ( ) / b a r h ( ) bar()/barh() bar()/barh():条形图

b a r ( ) bar() bar()可以画出以x轴为自变量的条形图:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y)

Matplotlib绘图快速入门_第12张图片

b a r h ( ) barh() barh()则可以画出以y轴为自变量的条形图:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.barh(x,y)

Matplotlib绘图快速入门_第13张图片

我们可以设置条形图的宽度:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y,width=0.2)

Matplotlib绘图快速入门_第14张图片

还可以设置y轴最底部的起始值:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y,bottom=2)

Matplotlib绘图快速入门_第15张图片

还可以设置条在x轴的对齐方式:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.bar(x,y,align='edge') # 默认为居中

Matplotlib绘图快速入门_第16张图片

(4) p i e ( ) pie() pie():饼图

x = [1,2,3,4]
plt.pie(x)

Matplotlib绘图快速入门_第17张图片

除了可以改变它的颜色,还可以为饼图添加标签:

x = [1,2,3,4]
plt.pie(x,labels=['one','two','three','four'])

Matplotlib绘图快速入门_第18张图片

可以设置它的半径:

fig = plt.figure()
x = [1,2,3,4]
plt.pie(x,radius=0.5)

Matplotlib绘图快速入门_第19张图片

(5) s t e m ( ) stem() stem():茎图

s t e m ( ) stem() stem()可以画出树干图:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.stem(x,y)

Matplotlib绘图快速入门_第20张图片

(6) s t e p ( ) step() step():阶梯图

s t e p ( ) step() step()可以画出阶梯图:

x = np.linspace(0,10,10)
y = np.random.randint(1,10,size = 10)
plt.step(x,y)

Matplotlib绘图快速入门_第21张图片

除了一些基本的对线条的修改,它还可以与 p l o t ( ) plot() plot()配合使用设置它的数据位置,请看下面的例子:

x = np.arange(14)
y = np.sin(x / 2)

plt.step(x, y + 2, label='pre (default)')
plt.plot(x, y + 2, 'o--', color='grey', alpha=0.3)

plt.step(x, y + 1, where='mid', label='mid')
plt.plot(x, y + 1, 'o--', color='grey', alpha=0.3)

plt.step(x, y, where='post', label='post')
plt.plot(x, y, 'o--', color='grey', alpha=0.3)

Matplotlib绘图快速入门_第22张图片

可以看到,在画出的阶梯图中,描点所在的位置位于阶梯的内部、中部和外部。

(7) h i s t ( ) hist() hist():直方图

h i s t ( ) hist() hist()用来绘制直方图

plt.figure()
r = np.random.normal(0,2,200)
x = 5+r
plt.hist(x)

Matplotlib绘图快速入门_第23张图片

我们可以确定将数据分为几个条柱进行显示,如果传入的是一个正数,那么它将均匀分配,你也可以选择传入一个序列,那么它将根据你传入的序列进行分配:

r = np.random.normal(0,2,200)
x = 5+r
plt.hist(x,bins=5) # 将数据放在五等分的直方图中

Matplotlib绘图快速入门_第24张图片

我们也可以确定条柱取值的范围:

r = np.random.normal(0,2,200)
x = 5+r
plt.hist(x,range=[0,20]) #

Matplotlib绘图快速入门_第25张图片

(8) f i l l _ b e t w e e n ( ) fill\_between() fill_between():两侧填充图

f i l l _ b e t w e e n ( ) fill\_between() fill_between()可以画出两侧填充图:

x = np.linspace(0,10,10)
r = np.random.randint(1,5,size=10)
y1 = np.add(x,r)
y2 = np.add(x,-r)
plt.plot(x,x)
plt.fill_between(x,y1,y2,alpha = 0.5) # alpha设置透明度

Matplotlib绘图快速入门_第26张图片

注意: 以下的几种绘图可能不是很常用

(9) i m s h o w ( ) imshow() imshow():像素图

i m s h o w ( ) imshow() imshow()可以生成像素图

x, y = np.meshgrid(np.linspace(-3,3,10),np.linspace(-3,3,10))
z = x*y
plt.imshow(z)

Matplotlib绘图快速入门_第27张图片

(10) p c o l o r m e s h ( ) pcolormesh() pcolormesh():非规范像素图

p c o l o r m e s h ( ) pcolormesh() pcolormesh()可以生成非规范像素图,它和像素图的区别是:它的像素并不是一个正方形,而可以是矩形:

x, y = np.meshgrid(np.linspace(0,3,10),np.linspace(-3,3,15))
z = y * x
plt.pcolormesh(z)

Matplotlib绘图快速入门_第28张图片

(11) c o n t o u r ( ) contour() contour() c o n t o u r f ( ) contourf() contourf():等高线图

c o n t o u r ( ) contour() contour() c o n t o u r f ( ) contourf() contourf()可以绘制等高线图

x, y = np.meshgrid(np.linspace(-3,3,200),np.linspace(-3,3,200))
z = x**1/2 * y
level = np.linspace(z.min(),z.max(),10)
plt.contour(x,y,z,level)

Matplotlib绘图快速入门_第29张图片

c o n t o u r f ( ) contourf() contourf()则是带有填充的等高线图

x, y = np.meshgrid(np.linspace(-3,3,200),np.linspace(-3,3,200))
z = x**1/2 * y
level = np.linspace(z.min(),z.max(),10)
plt.contourf(x,y,z,level)

Matplotlib绘图快速入门_第30张图片

(12) b a r b s ( ) barbs() barbs():风杆图

b a r b s ( ) barbs() barbs()用来绘制风杆图

X, Y = np.meshgrid([1, 2, 3, 4], [1, 2, 3, 4])
angle = np.pi / 180 * np.array([[15., 30, 35, 45],
                                [25., 40, 55, 60],
                                [35., 50, 65, 75],
                                [45., 60, 75, 90]]) # 构造角度
amplitude = np.array([[5, 10, 25, 50],
                      [10, 15, 30, 60],
                      [15, 26, 50, 70],
                      [20, 45, 80, 100]]) # 构造速度
U = amplitude * np.sin(angle) # 构造矢量
V = amplitude * np.cos(angle)

这里简单介绍一下风杆图的看法:
在像一个小旗的杆上,一个短线表示5海里/小时,一个长线表示10海里/小时,一个黑色的三角形表示50海里/小时,风杆所指的方向为方向,也就是风从哪个方向吹来。比如下图中右上角风杆的表示:从西方向吹来的风,速度为100海里/小时。

Matplotlib绘图快速入门_第31张图片

(13) q u i v e r ( ) quiver() quiver():矢量图

q u i v e r ( ) quiver() quiver()可以绘制带箭头的矢量图

x, y = np.meshgrid(np.linspace(-3,3,5),np.linspace(-3,3,5))
u = x + y # 箭头矢量在x和y方向的分量
v = x - y
plt.quiver(x,y,u,v)

Matplotlib绘图快速入门_第32张图片

(14) s t r e a m p l o t ( ) streamplot() streamplot():气流图

s t r e a m p l o t ( ) streamplot() streamplot()用来绘制气流图

X, Y = np.meshgrid(np.linspace(-3, 3, 256), np.linspace(-3, 3, 256))
Z = (1 - X/2 + X**5 + Y**3) * np.exp(-X**2 - Y**2)
V = np.diff(Z[1:, :], axis=1)
U = -np.diff(Z[:, 1:], axis=0)
plt.streamplot(X[1:, 1:], Y[1:, 1:], U, V)

Matplotlib绘图快速入门_第33张图片

(15) b o x p l o t ( ) boxplot() boxplot():箱线图

plt.figure()
x = np.random.normal((1,3,5),(1.25,1.5,1.75),(200,3))
plt.boxplot(x)

Matplotlib绘图快速入门_第34张图片

(16) e r r o r b a r errorbar errorbar:误差栏图

x = [3,3.4,3.8]
y = [3,2,1]
error = [0.2,0.4,0.3]
plt.errorbar(x,y,error)

Matplotlib绘图快速入门_第35张图片

(17) v i o l i n p l o t ( ) violinplot() violinplot():小提琴图

x = np.random.normal((1,3,5),(1.25,1.5,1.75),(200,3))
plt.violinplot(x)

Matplotlib绘图快速入门_第36张图片

(18) h i s t 2 d ( ) hist2d() hist2d():二维直方图

x = np.random.randn(1000)
y = np.random.randn(1000)
plt.hist2d(x,y)

Matplotlib绘图快速入门_第37张图片

(19) h e x b i n ( ) hexbin() hexbin():六边形直方图

x = np.random.randn(100)
y = np.random.randn(100)
plt.hexbin(x,y,gridsize=10)

Matplotlib绘图快速入门_第38张图片

(20) t r i c o n t o u r ( ) tricontour() tricontour() t r i c o n t o u r f ( ) tricontourf() tricontourf():非等距等高图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
z = (1 - x/2 + x**2 + y**2) * np.exp(-x**2 - y**2)
levels = np.linspace(z.min(), z.max(), 7)
plt.tricontour(x,y,z,levels)

Matplotlib绘图快速入门_第39张图片

t r i c o n t o u r f ( ) tricontourf() tricontourf()是带有填充的等高图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
z = (1 - x/2 + x**2 + y**2) * np.exp(-x**2 - y**2)
levels = np.linspace(z.min(), z.max(), 7)
plt.tricontourf(x,y,z,levels)

Matplotlib绘图快速入门_第40张图片

(21) t r i p c o l o r ( ) tripcolor() tripcolor():三角形彩图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
z = (1 - x/2 + x**2 + y**2) * np.exp(-x**2 - y**2)
levels = np.linspace(z.min(), z.max(), 7)
plt.tripcolor(x,y,z,levels)

Matplotlib绘图快速入门_第41张图片

(22) t r i p l o t ( ) triplot() triplot():二维三角图

x = np.random.uniform(-3, 3, 200)
y = np.random.uniform(-3, 3, 200)
plt.triplot(x,y)

Matplotlib绘图快速入门_第42张图片

2.常用的绘图选项

(1)添加标题

可以为绘制好的图像添加标题,我们可以使用fontdict对标题样式进行修改,还可以调整标题的位置(默认为居中),还可以调整标题和图像之间的距离:

x = np.random.randn(100)
y = x
plt.plot(x,y)
plt.title('This is a title',
          fontdict=
          {'family':'Times New Roman', # 字体
           'fontsize': 'xx-large', # 字号
           'color': 'b' # 字体颜色
          },
          loc = 'left', # 居左
          y=1.2 # 标题和图像的距离
         )

Matplotlib绘图快速入门_第43张图片

(2)添加轴标签

可以为图像添加x和y轴的label:

x = np.random.randn(100)
y = x
plt.plot(x,y)
plt.xlabel('xlabel',loc='right',c = 'r') # 靠右的红色xlabel
plt.ylabel('ylabel',loc='top',fontsize = 20) # 靠上的20号字号的ylabel

Matplotlib绘图快速入门_第44张图片

(3)添加图例

我们可以在多个曲线的同一图中添加标签,以便区分曲线:

x = np.linspace(0,10,100)
y = x
z = x**2
plt.plot(x,y,x,z)
plt.legend(['$x$','$x^2$']) # 设置标签可以使用Latex语法

Matplotlib绘图快速入门_第45张图片

当然你也可以设置它的位置,字体颜色,大小等参数,这与前面提到的相关设置方法是一致的。

(4)添加网格

我们可以设置图像显示网格,或者可以设置只显示某一个轴上的网格:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.grid(axis='x',c = 'r',linestyle = '-.')

Matplotlib绘图快速入门_第46张图片

可以看到也可以设置网格的颜色和线型等参数

(5)添加文本

可以在图像中添加文字说明:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.text(3,5,'Hello',fontsize = 20)

Matplotlib绘图快速入门_第47张图片

(6)设置x和y轴范围

可以自己设定x轴和y轴的范围,以便达到想要的视觉效果:

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.xlim(-10,20)
plt.ylim(0,20)

Matplotlib绘图快速入门_第48张图片

(7)设置x轴和y轴的刻度

有些时候我们需要的刻度并不一定是线性的,可能在对数下有更好的表现,

x = np.linspace(1,10,100)
y = x**10
plt.plot(x,y)
plt.yscale('symlog') # 使用科学计数法

Matplotlib绘图快速入门_第49张图片

除此之外还有对数型,分对数型

(8)设置x轴和y轴的标签

我们可以为x或y轴的数据赋予特殊的含义,比如:年份等:

x = np.linspace(1,5,10)
y = x*10
plt.plot(x,y)
plt.xticks(ticks = [1,2,3,4,5],
           labels=['2000','2001','2002','2003','2004'])

Matplotlib绘图快速入门_第50张图片

(9)添加辅助对齐线

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.axhline(6,0,0.6,linestyle = '--') # 在6处画线,从0到60%处
plt.axvline(6,0,0.6,linestyle = '--')

Matplotlib绘图快速入门_第51张图片

(10)添加跨度矩形

x = np.linspace(0,10,100)
y = x
plt.plot(x,y)
plt.axhspan(6,0,0.6,color = 'r')
plt.axvspan(6,0,0.6)

Matplotlib绘图快速入门_第52张图片

二、面向对象绘图

基于面向对象的绘图是Matplotlib的一大特色,它将一个图分为图窗对象和轴对象,进行操作时几乎不会产生模糊的意义。

1.创建figure和axes对象

使用 s u b p l o t s ( ) subplots() subplots()可以创建一个figure对象和axes对象:

fig, ax = plt.subplots()

Matplotlib绘图快速入门_第53张图片

实际上我们可以在创建时,设定一些它的参数,比如,我们可以设置为多个轴,即传入有几行几列,并设置它们的坐标是否相互共享:

fig, ax = plt.subplots(2,2,sharex=True,sharey=False)

Matplotlib绘图快速入门_第54张图片

2.绘图

我们可以在官方文档得知figure和axes实际的含义:

Matplotlib绘图快速入门_第55张图片

可以看到,figure实际上就是画布,而axes是由坐标轴构成的图形的部分。图片上也列出了使用这种方法进行绘图的方法。有了之前通过面向过程绘图的基础,只需要将其迁移到面向对象绘图上即可。下面举个例子:

x = np.random.randint(0,100,15)
y = np.random.randint(0,100,15) # 制造一些数据

fig,ax = plt.subplots()
ax.scatter(x,y,c='r',label='data1','d') # 画散点图
ax.scatter(y,x,c='b',label='data2')
ax.set_title('This is an example') # 设置标题
ax.set_xlabel('xlabel') # 设置xlabel
ax.set_ylabel('ylabel')
ax.grid('-.') # 开启网格
ax.legend() # 开启图例

Matplotlib绘图快速入门_第56张图片

当我们在一个图窗中有多个轴时,面向对象的绘图方式就体现出了它的优势,请看下面的例子:

x = np.random.randint(0,100,15)
y = np.random.randint(0,100,15)
fig, (ax1,ax2) = plt.subplots(1,2,sharex=True,sharey=False)
ax1.scatter(x,y,c='r',label='data1',marker='d')
ax2.scatter(y,x,c='b',label='data2')
ax1.set_title('This is an example')
ax2.set_xlabel('xlabel')
ax1.set_ylabel('ylabel')
ax2.grid(linestyle='-.')
ax1.legend()

Matplotlib绘图快速入门_第57张图片

三、风格美化

在撰写论文时,插图风格的统一有助于增加文章的美观性,Matplotlib下style包提供了设置统一风格的选项。

首先导入包:

from matplotlib import style

我们可以先查看一下有哪些可以使用的风格,使用

>>> style.available
['Solarize_Light2',
 '_classic_test_patch',
 '_mpl-gallery',
 '_mpl-gallery-nogrid',
 'bmh',
 'classic',
 'dark_background',
 'fast',
 'fivethirtyeight',
 'ggplot',
 'grayscale',
 'seaborn',
 'seaborn-bright',
 'seaborn-colorblind',
 'seaborn-dark',
 'seaborn-dark-palette',
 'seaborn-darkgrid',
 'seaborn-deep',
 'seaborn-muted',
 'seaborn-notebook',
 'seaborn-paper',
 'seaborn-pastel',
 'seaborn-poster',
 'seaborn-talk',
 'seaborn-ticks',
 'seaborn-white',
 'seaborn-whitegrid',
 'tableau-colorblind10']

此时,我们可以使用设置全局风格

style.use('seaborn') # seaborn是一个基于Matplotlib的绘图库

即可

Matplotlib绘图快速入门_第58张图片

你可能感兴趣的:(Python,python,机器学习,数据分析)