【Matplotlib】pyplot的高级功能

添加图例与注释

给图形添加图例

代码

import numpy as np
import matplotlib.pyplot as plt
nbSamples = 128

x = np.linspace(-np.pi, np.pi, nbSamples)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, color='g', linewidth=4, linestyle='--', label=r'$y = sin(x)$')
plt.plot(x, y2, '*', markersize=8, markerfacecolor='r',
         markeredgecolor='k', label=r'$y = cos(x)$')

plt.legend(loc='best')
plt.show()

运行结果

代码分析

首先，在第09和第11行为曲线添加了标签属性，然后在第16行，通过设置plt.legend(loc=‘best’)使图例能够在画布的“最佳”位置显示，这里的“最佳”是由系统自动判别的，通常哪里留白较多，系统就将图例放到哪里，loc参数是location（位置）的简写，表示图例所在位置，通常默认为最佳位置。

当然，我们也可以自行指定图例位置，可供选择的参数有：

• upper right（右上）
• upper left（左上）
• lower left（左下）
• lower right（右下）
• right（右边）
• center left（左中）
• center right（右中）
• lowercenter（中下）
• upper center（中上）
• center（中）等。

Matplotlib在绘图的过程中，可以为各个轴的标题（Label）、图像的标题（Title）、图形的图例（Legend）等元素添加LaTeX风格的公式。添加公式并不复杂，只要在LaTeX公式的文本前后各增加一个$符号，Matplotlib就可以自动进行解析。如代码第9行和第11行所示，公式前面通常添加字母r，它是raw（原始的）的首字母，表示后面的字符串（即LaTeX公式）以原始字符形式存在，不需要进行转义解析。例如，字符串r’\n’就表示两个字符，一个是“\”另一个是“n”。如果去掉字符串前面的标识r，’\n’就被解析为一个字符，即换行符。

显示坐标点

代码

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 10, 1)  # 构造X轴坐标向量
y = 2 * x  # 构造Y轴坐标向量

for a, b in zip(x, y):
    plt.text(a, b, (a, b), ha='center', va='bottom', fontsize=10)

plt.plot(x, y, 'bo-')
plt.show()

运行结果

代码分析

在本例中，我们使用plt.text()函数给图形添加了文本注释，借此把点的坐标逐个标注到了图形当中。
在第08行代码中，plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)的前两个参数表示要标注的X轴和Y轴的坐标位置。第三个参数表示标注的文本内容，我们在这里打算显示的是坐标点。
在图中，我们可以看到，坐标点文本压在所绘制的曲线上，如果想优化显示文本的位置，我们可以调整前两个参数的位置。例如，plt.text(a- 0.5,b,(a,b))就表示把文本的X坐标左移0.5个单位。ha、va分别是horizontal alignment（水平对齐）、vertical alignment（垂直对齐）的简写。ha可选的参数有’center’、‘right’、‘left’，va可选的参数有’center’、‘top’、‘bottom’、‘baseline’、‘center_baseline’。

设置图形标题及坐标轴

在某些情况下，我们需要给图形设置一个标题，修改坐标轴的刻度值，或关闭坐标轴显示等。这时，我们可以使用plt.title()函数来给图形设置标题，使用plt.xticks()函数设置X轴的刻度值，使用plt.yticks()函数设置Y轴刻度值，使用plt.xlim()函数、plt.ylim()函数分别设置X轴和Y轴的区间范围，使用plt.xlabel()函数、plt.ylabel()函数设置X轴和Y轴的名称。

设置图形标题及坐标轴

代码

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(-5, 5, 0.05)
y1 = np.sin(x)
y2 = np.cos(x)

# 为在Matplotlib中显示中文，设置特殊字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.title("双曲线")

plt.ylim(-1.2, 1.2)
plt.xlim(-6, 6)
plt.xticks(ticks=np.arange(-1.5 * np.pi, 2 * np.pi, 0.5 * np.pi),
           labels=['$-\\frac{3}{2}\pi$', '$-\pi$', '$-\\frac{1}{2}\pi$',
                   '0', '$\\frac{1}{2}\pi$', '$\pi$', '$\\frac{3}{2}\pi$'])
plt.yticks(ticks=[-1, 0, 1])
plt.xlabel("X轴")
plt.ylabel("Y轴")

plt.plot(x, y1, 'r-', label='$y_1 = sin(x)$')
plt.plot(x, y2, 'b:', label='$y_2 = cos(x)$')

plt.legend(loc='best')
plt.show()

运行结果

代码分析

在代码第12行，我们使用plt.xlim()设置X轴的坐标范围为(-6, 6)。这里xlim表示X轴的限度（limit）。类似地，ylim表示Y轴的限度（limit）。代码第13行使用plt.ylim()设置Y坐标轴范围为(-1.2, 1.2)。接着，使用plt.xlabel()设置X坐标轴名称’X轴’，使用plt.ylabel设置Y坐标轴名称’Y轴’。
我们使用plt.xticks()（代码第14行～16行）设置X轴的刻度，使用plt.yticks()（代码17行）设置Y轴的刻度。xticks()、yticks()函数分别用于设置X轴和Y轴的刻度与标签。这两个函数都有相同的参数ticks和labels。其中ticks用于设置坐标轴的刻度值，labels用于设置坐标轴的标签值，标签中可以添加LaTeX公式。

一次性绘制多条曲线

代码

import matplotlib.pyplot as plt
import numpy as np

# 在（0,4）区间，以间隔0.2均匀分隔
data = np.arange(0, 4, 0.2)

# 分别使用红色的点划线、蓝色的方块和绿色的三角形来区分这三条曲线
plt.plot(data, data, 'r-.', data, data ** 2, 'bs', data, data ** 3, 'g^')
plt.savefig('mult_lines.png', dpi=600)

运行结果

代码分析

第一个小技巧就是前面所说的，我们可以一次性地绘制多条曲线，如代码第08代码按照顺序先后提供了三条线段的X轴数据、Y轴数据和线条样式，实际上实现了$y=x$、$y=x^2$和$y=x^3$这三条曲线的绘制。
为了区分这三条曲线，要让它们在样式上有所不同，

• 例如第一条曲线的参数是“r-.”，其中“r”表示红色（red），“-.”是非常形象的点画线。显而易见的是，“--”表现虚线，读者可自行测试一下。
• 第二条曲线的样式是“bs”，其中“b”表示的是颜色blue（蓝色），“s”表示图形为方形（square）。
• 第三条曲线的原始设置是“g^”，其中“g”表示的是颜色green（绿色），第二个字符“^”表示图形是“三角形”.

第二个值得关注的小技巧是，如果我们不想在屏幕显示图形，而是想将显示结果另存为一张图片以备后用，就可以使用savefig()方法。在该方法中填写对应的存储路径和文件名（包括扩展名）即可。这个方法神奇的地方在于，它会根据文件名的扩展名不同，自动识别图片并将其存储为对应的格式。

在第09行代码中，参数dpi=600并不是必需的。只有当你觉得生成图片的分辨率“惨不目睹”时，设置这个参数才有必要，可以提高分辨率。这里dpi表示的含义是Dots Per Inch（每英寸点数，简称DPI），它是一个量度单位，用于衡量生成图片的每英寸像素数量。通常，DPI越大，图片的清晰度也就越高，但占据的比特数也越高，不利于网络传输，所以有时候我们为了网络传输质量和传输速度，会对DPI的大小做一个合理的权衡。

添加网格线

代码

import matplotlib.pyplot as plt
import numpy as np
data = np.arange(0, 4, 0.2)

plt.plot(data, data, 'r-.', data, data ** 2, 'bs', data, data ** 3, 'g^')

plt.grid(b=True)
plt.savefig('mult_lines-grid.png', dpi=600)

运行结果

代码分析

本例中的核心代码是第07行中的grid()方法，其原型如下。

grid(b = None, which = u'major', axis = u'both', **kwargs)

grid()方法的参数解释如下。

• b：布尔类型变量，取值为[True | False]，表示是否为图形添加网格，默认为False，即不添加。
• which：取值为[‘major’ | ‘minor’ | ‘both’]，表示使用大网格（‘major’）或小网格（‘minor’），或大网格里套小网格（‘both’），默认为’major’。
• axis：取值为[‘both’ | ‘x’ | ‘y’]，表示在哪个轴添加网格线，可以是X轴、Y轴，或X轴和Y轴均添加，默认为’both’，即X轴和Y轴均添加网格线。

绘制多个子图

在前面的讨论中，每次我们都绘制一张图片，实际上，有时候我们需要将多个子图绘制在一起进行比较。这时需要利用绘制子图的方法subplot()，其函数原型大致如下。

subplot(nrows, ncols, plot_number)

上述方法的功能为，绘制nrows行ncols列第plot_number个子图。显然，在这种布局下，我们一共有nrows×ncols个子图，参数plot_number指明是第几个子图。

绘制两个子图

代码

import matplotlib.pyplot as plt
import numpy as np

def f(t):
    return np.exp(-t) * np.cos(2 * np.pi * t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

# 第一种绘制子图的方法
fig = plt.figure()  # 创建一个画布
sub_fig1 = fig.add_subplot(211)  # 创建一个子图
sub_fig1.grid(True)  # 添加网格线
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

# 第二种绘制子图的方法
plt.subplot(2, 1, 2)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
plt.show()

运行结果

代码分析

在本例中，我们提供了两种绘制子图的方法，二者是等价的。
第一种方法的思路是，我们先构建一个画布（第11行），然后在该画布上利用add_subplot()方法添加一个子图，其参数的含义同subplot()方法。这里的“211”，表示的就是两行一列第一个子图。构造子图时，我们可以添加网格线。
需要特别注意的是第14行代码。实际上，第14行中的plot()绘制了两个图形。第一个是由蓝色（标记为b）的实心圆（标记为o）标记的，X轴的数据为t1（第07行），Y轴的数据由第04～05行的函数f(t1)构造。第二个图形为黑色（标记符号为k）的曲线，其中，X轴的数据为t2（第08行），Y轴数据由第04～05行的函数f(t2)构造。两个图形叠加在一起构成了点画线。

第二种方法就是利用subplot()方法，它是子模块pyplot下属的方法，用起来更加简单明了。此处绘制的是红色虚线，绘制函数是cos2πx。这里的π是用NumPy模块中的np.pi表示的。

Axes与Subplot的区别

在绘图时，Figure（画布）最大，它有点像绘制实体画所用的画板，例如代码fig=plt.figure()的意思就是创建一个空画布。
在画布里，我们可以创建各种子图。子图主要有两类：一类是规规矩矩、排列整齐的子图，叫作Subplot；另一类是可以不那么规则摆放的子图，叫作Axes。
把Figure想象成Windows操作系统的桌面，在桌面上会有各种图标（icon），如果图标是自动对齐到网格的，就称之为Subplot；如果图标是自由摆放的，甚至可以相互重叠的那种，就称之为Axes。但不管怎么摆放，Subplot和Axex本质上都是Figure内的子图。
但让我们比较困惑的是，在绘图时axis会出来捣乱。其实axis是地地道道的坐标轴。每个子图都有坐标轴。为了获得更好的可读性，每个坐标轴都可以配上标签（label）。例如，X轴有xlabel这个属性，Y轴有ylabel属性等。
可能Matplotlib的设计者认为，任何一个子图都要通过多个轴（axis）来呈现（二维图有两个轴，三维图有三个轴），众轴成图，所以就用“axis”的复数形式“Axes”表示子图。但切不可认为Axes是多个轴（axis）的意思，而应该在整体上把它视为一个在画布中可任意摆放的子图。下面，我们举例说明。

import matplotlib.pyplot as plt

# 生成一个没有子图（Axes）的画布
fig = plt.figure()
plt.show()

这样会没有图片显示出来。
如果没有子图，光有一个画布，是无法构成一个图形显示对象的。但是，如果我们有意识地添加子图，哪怕是一个空子图，它也构成了可显示的图形对象。

# 生成一个画布，其中有2*2分布均匀的子图
fig, axes_lst = plt.subplots(2, 2)
plt.show()

值得注意的是，plt.subplots()返回两个值，一个是Figure（画布），另一个就是Axes对象，此处命名为axes_lst。如前文所述，在这种场景下，Axes就是Subplot。

现在，我们有四个子图（Axes），那该如何区分它们呢？这个区分并不复杂，类似于NumPy的多维数组访问，ax_lst[0,0]就表示第0行第0列的子图（下标从0开始计数，下同），即左上角的图。类似地，ax_lst[0,1]就表示第0行第1列的子图，即右上角的图。以此类推。

如果我们知道这个区分方式，就可以“指哪打哪”了。比如说，我们仅仅想在右下角的子图上绘制特定图形，就可以如下操作。

# 构造x轴和y轴数据
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)
# 在第一行第一列的子图中绘图
axes_lst[1, 1].plot(x, y)
plt.show()

上述代码中的axes_lst[1, 1].plot(x, y)完全等价于pyplot模型下的如下两行代码。

我们想绘制一个大图中套小图的图形，即“图中图”，使用Axes就相对容易操控一些，代码如下。

# 创建空画布
fig = plt.figure()

left1, bottom1, width1, height1 = 0.1, 0.1, 0.8, 0.8
# 在画布上添加一个子图
axes_1 = fig.add_axes([left1, bottom1, width1, height1])
axes_1.scatter(x, y)
axes_1.set_xlabel('x')
axes_1.set_ylabel('y')
axes_1.set_title('title')

left2, bottom2, width2, height2 = 0.6, 0.6, 0.25, 0.25
# 在画布上添加另外一个子图
axes_2 = fig.add_axes([left2, bottom2, width2, height2])
axes_2.plot(x, y)
axes_2.set_title('title inside')

plt.show()

在以上代码中，我们使用fig.add_axes([left, bottom, width, height])添加子图时，要事先确定子图在画布的位置，这时需要四个参数来定位：图左下角（即原点的左边坐标和底部坐标）的位置和图形大小（宽和高）。但需要注意的是，这四个值都用占整个Figure坐标系的百分比来表示，即都是小于1的小数

假设Figure的大小是10×10，对于上述代码的配置，我们绘制的大图起点（原点）就是坐标(1, 1)，因为left=10*0.1=1，bottom=10 * 0.1=1。类似地，我们也很容易获知大图的width=8，height=8。对小图的计算也是类似的，不再赘述。从图中可以看出，我们同样可以对小图设置X轴和Y轴的标签及图形标题。

由上面的分析可知，用add_axes()方法生成子图灵活性更强，它完全可以实现add_subplot()方法的功能，且更容易控制子图的显示位置，甚至实现相互重叠的效果（参见以下代码）。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)

fig = plt.figure()
axes_1 = fig.add_axes([0.1, 0.1, 0.5, 0.5])
axes_2 = fig.add_axes([0.2, 0.2, 0.5, 0.5])
axes_3 = fig.add_axes([0.3, 0.3, 0.5, 0.5])
axes_4 = fig.add_axes([0.4, 0.4, 0.5, 0.5])
axes_4.plot(x, y)

plt.show()