DW-matplotlib-Task2

一、概述

1、matplotlib的三层API

matplotlib的原理是用Artist对象在画布(canvas)上绘制(Render)图形。步骤类似于：

1. 准备一块画布或画纸
2. 准备好颜料、画笔等制图工具
3. 作画
   因此，matplotlib有三个层次的API，如下表所示：

API	说明
matplotlib.backend_bases.FigureCanvas	绘图区，所有的图像都是在绘图区完成的
matplotlib.backend_bases.Renderer	渲染器，可以近似理解为画笔，控制如何在 FigureCanvas 上画图
matplotlib.artist.Artist	具体的图表组件，即调用了Renderer的接口在Canvas上作图

前两者处理程序和计算机的底层交互的事项，第三项Artist就是具体的调用接口来做出我们想要的图，比如图形、文本、线条的设定。通常来说**，95%的时间都是用来和matplotlib.artist.Artist类打交道**。

2、Artist的分类

类型	说明
primitive	基本要素，包含一些要在绘图区作图用到的标准图形对象，如曲线Line2D，文字text，矩形Rectangle，图像image等
containers	容器，即用来装基本要素的地方，包括图形figure、坐标系Axes和坐标轴Axis

它们的关系如下图所示：

3、matplotlib标准用法

matplotlib的标准使用流程为：

1. 创建一个Figure实例
2. 使用Figure实例创建一个或者多个Axes或Subplot实例
3. 使用Axes实例的辅助方法来创建primitive
   值得一提的是，Axes是一种容器，它可能是matplotlib API中最重要的类，并且我们大多数时间都花在和它打交道上。
   下面以绘制sin函数图像为例，来详细说明matplotlib的使用流程：

import matplotlib.pyplot as plt
import numpy as np

#step1
#用matplotlib.pyplot.figure()创建一个Figure实例
fig = plt.figure()

#step2
#用Figure实例创建一个两行一列（即可以有两个subplot）的绘图区，并同时在第一个位置创建一个subplot
ax = fig.add_subplot(2,1,1)#两行一列，第一个subplot

#step3
#用Axes实例的方法画一条曲线
t = np.arange(0.0,1.0,0.01)
s = np.sin(2*np.pi*t)
line, = ax.plot(t,s,color = 'blue',lw = 2)

二、基本元素-primitives

各容器中可能会包含多种基本要素-primitives, 本文主要介绍primitives 的几种类型：曲线-Line2D，矩形-Rectangle，图像-image。

1、2DLines

matplotlib中曲线的绘制，主要是通过类matplotlib.lines.Line2D来完成的。它的基类:是matplotlib.artist.Artist。matplotlib中线-line的含义：它表示的可以是连接所有顶点的实线样式，也可以是每个顶点的标记。此外，这条线也会受到绘画风格的影响，比如，可以创建虚线种类的线。
其构造函数为：

class matplotlib.lines.Line2D(xdata, ydata, linewidth=None, linestyle=None, color=None, marker=None, markersize=None, markeredgewidth=None, markeredgecolor=None, markerfacecolor=None, markerfacecoloralt='none', fillstyle=None, antialiased=None, dash_capstyle=None, solid_capstyle=None, dash_joinstyle=None, solid_joinstyle=None, pickradius=5, drawstyle=None, markevery=None, **kwargs)

其中常用的的参数有：

• xdata：需要绘制的line中点的在x轴上的取值，若忽略，则默认为range(1,len(ydata)+1)
• ydata：需要绘制的line中点的在y轴上的取值
• linewidth：线条的宽度
• linestyle：线型
• color：线条的颜色
• marker：点的标记
• markersize：标记的size

a.如何设置Line2D的属性

有三种方法可以用设置线的属性：

1. 直接在plot()函数中设置

#1）直接在plot()函数中设置
import matplotlib.pyplot as plt
x = range(5)
y = [2,5,7,8,10]
plt.plot(x,y,linewidth = 10);#设置线的粗细参数为10

2. 通过获得线对象，对线对象进行设置

#2）通过获得线对象，对线对象进行设置
x = range(5)
y = [2,5,7,8,10]
line, = plt.plot(x,y,'-')
line.set_antialiased(False)#关闭抗锯齿功能

3. 获得线属性，使用setp()函数设置

#3）获得线属性，使用setp()函数设置
x = range(5)
y = [2,5,7,8,10]
lines = plt.plot(x,y)
plt.setp(lines,color = 'r',linewidth = 10);

b.如何绘制lines

1. 绘制直线line
   绘制直线line常用的方法有两种:

• pyplot方法绘制

#1.pyplot方法绘制
import matplotlib.pyplot as plt
x = range(5)
y = [2,5,7,8,10]
plt.plot(x,y)

• Line2D对象绘制

#2.Line2D对象绘制
import matplotlib.pyplot as plt
from matplotlib.lines import Line2D

fig = plt.figure()
ax = fig.add_subplot(111)
line = Line2D(x,y)
ax.add_line(line)
ax.set_xlim(min(x),max(x))
ax.set_ylim(min(y),max(y))
plt.show()

2. errorbar绘制误差折线图
pyplot里有个专门绘制误差线的功能，通过errorbar类实现。其构造函数为：

matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt='', ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, *, data=None, **kwargs)

其中最主要的参数是前几个:

• x：需要绘制的line中点的在x轴上的取值
• y：需要绘制的line中点的在y轴上的取值
• yerr：指定y轴水平的误差
• xerr：指定x轴水平的误差
• fmt：指定折线图中某个点的颜色，形状，线条风格，例如‘co–’
• ecolor：指定error bar的颜色
• elinewidth：指定error bar的线条宽度
  绘制误差折线图：

#绘制errorbar
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
x = np.arange(10)
y = 2.5*np.sin(x/20*np.pi)
yerr = np.linspace(0.05,0.2,10)
plt.errorbar(x,y+3,yerr = yerr,label = "both limits(default)");

2、patches

matplotlib.patches.Patch类是二维图形类。它的基类是matplotlib.artist.Artist，其构造函数为：

Patch(edgecolor=None, facecolor=None, color=None, linewidth=None, linestyle=None, antialiased=None, hatch=None, fill=True, capstyle=None, joinstyle=None, **kwargs)

a.Rectangle-矩形

Rectangle矩形类在官网中的定义是： 通过锚点xy及其宽度和高度生成。 Rectangle本身的主要比较简单，即xy控制锚点，width和height分别控制宽和高。它的构造函数：

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

在实际中最常见的矩形图是hist直方图和bar条形图。

1）hist-直方图

matplotlib.pyplot.hist(x,bins=None,range=None, density=None, bottom=None, histtype='bar', align='mid', log=False, color=None, label=None, stacked=False, normed=None)

一些常用的参数有：

• x: 数据集，最终的直方图将对数据集进行统计
• bins: 统计的区间分布
• range: tuple, 显示的区间，range在没有给出bins时生效
• density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
• histtype: 可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
• align: 可选{‘left’, ‘mid’, ‘right’}之一，默认为’mid’，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
• log: bool，默认False,即y坐标轴是否选择指数刻度
• stacked: bool，默认为False，是否为堆积状图

#hist绘制直方图
import matplotlib.pyplot as plt
import numpy as np
x = np.random.randint(0,100,100)#生成[0-100)之间的100个数据，即数据集
bins = np.arange(0,101,10)#设置连续的边界值，即直方图的分布区间[0,10),[10,20)......
plt.hist(x,bins,color = 'fuchsia',alpha = 0.5)#alpha设置透明度，0为完全透明
plt.xlabel('scores')
plt.ylabel('count')
plt.xlim(0,100)#设置x轴分布范围
plt.show()

#Rectangle矩形类绘制直方图
import pandas as pd
import re
df = pd.DataFrame(columns = ['data'])
df.loc[:,'data'] = x
df['fenzu'] = pd.cut(df['data'],bins = bins,right = False,include_lowest = True)

df_cnt = df['fenzu'].value_counts().reset_index()
df_cnt.loc[:,'mini'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\[(.*)\,', x)[0]).astype(int)
df_cnt.loc[:,'maxi'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\,(.*)\)', x)[0]).astype(int)
df_cnt.loc[:,'width'] = df_cnt['maxi'] - df_cnt['mini']
df_cnt.sort_values('mini',ascending = True,inplace = True)
df_cnt.reset_index(inplace = True,drop = True)

#用Rectangle把hist绘制出来
import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(111)

for i in df_cnt.index:
    rect = plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'fenzu'])
    ax1.add_patch(rect)
    
ax1.set_xlim(0,100)
ax1.set_ylim(0,16)
plt.show()

2）bar-柱状图

matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)

一些常用的参数有：

• left：x轴的位置序列，一般采用range函数产生一个序列，但是有时候可以是字符串
• height：y轴的数值序列，也就是柱形图的高度，一般就是我们需要展示的数据
• alpha：透明度，值越小越透明
• width：为柱形图的宽度，一般这是为0.8即可
• color或facecolor：柱形图填充的颜色
• edgecolor：图形边缘颜色
• label：解释每个图像代表的含义，这个参数是为legend()函数做铺垫的，表示该次bar的标签

#bar绘制柱状图
import matplotlib.pyplot as plt
y = range(1,17)
plt.bar(np.arange(16),y,alpha = 0.5,width = 0.5,color = 'yellow',edgecolor = 'red',label = 'The First Bar',lw = 3)

# Rectangle矩形类绘制柱状图
#import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(111)

for i in range(1,17):
    rect =  plt.Rectangle((i+0.25,0),0.5,i)
    ax1.add_patch(rect)
ax1.set_xlim(0, 16)
ax1.set_ylim(0, 16)
plt.show()

b.Polygon-多边形

matplotlib.patches.Polygon类是多边形类。其基类是matplotlib.patches.Patch，它的构造函数：

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

xy是一个N×2的numpy array，为多边形的顶点。closed为True则指定多边形将起点和终点重合从而显式关闭多边形。
matplotlib.patches.Polygon类中常用的是fill类，它是基于xy绘制一个填充的多边形。

matplotlib.pyplot.fill(*args, data=None, **kwargs)

参数说明 : 关于x、y和color的序列，其中color是可选的参数，每个多边形都是由其节点的x和y位置列表定义的，后面可以选择一个颜色说明符。可以通过提供多个x、y、[颜色]组来绘制多个多边形。

#用fill来绘制图形
import matplotlib.pyplot as plt
x = np.linspace(0,5*np.pi,1000)
y1 = np.sin(x)
y2 = np.sin(2*x)
plt.fill(x,y1,color = 'g',alpha = 0.3)

c.Wedge-契形

matplotlib.patches.Wedge类是多边形类。其基类是matplotlib.patches.Patch，它的构造函数：

class matplotlib.patches.Wedge(center, r, theta1, theta2, width=None, **kwargs)

一个Wedge-契形 是以坐标x,y为中心，半径为r，从θ1扫到θ2(单位是度)。如果宽度给定，则从内半径r -宽度到外半径r画出部分楔形。wedge中比较常见的是绘制饼状图。
matplotlib.pyplot.pie语法为：

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)

制作数据x的饼图，每个楔子的面积用x/sum(x)表示。最主要的参数是前4个：

• x：契型的形状，一维数组
• explode：如果不是等于None，则是一个len(x)数组，它指定用于偏移每个楔形块的半径的分数
• labels：用于指定每个契型块的标记，取值是列表或为None
• colors：饼图循环使用的颜色序列。如果取值为None，将使用当前活动循环中的颜色
• startangle：饼状图开始的绘制的角度

#pie绘制饼状图
import matplotlib.pyplot as plt
labels = ['Frogs','Hogs','Dogs','Logs']
sizes = [15,30,45,10]
explode = (0,0.1,0,0)
fig1,ax1 = plt.subplots()
ax1.pie(sizes,explode = explode,labels = labels,autopct = '%1.1f%%',shadow = True, startangle = 90)
ax1.axis('equal')#相等的纵横比确保将饼图绘制为圆形
plt.show()

#wedge绘制饼状图
import matplotlib.pyplot as plt
from matplotlib.patches import Circle,Wedge
from matplotlib.collections import PatchCollection

fig = plt.figure()
ax1 = fig.add_subplot(111)
theta1 = 0
sizes = [15,30,45,10]
patches = []
patches += [
    Wedge((0.3,0.3), 0.2, 0, 54),
    Wedge((0.3,0.3), 0.2, 54, 162),
    Wedge((0.3,0.3), 0.2, 162, 324),
    Wedge((0.3,0.3), 0.2, 324, 360),
]
colors = 100 * np.random.rand(len(patches))
p = PatchCollection(patches, alpha = 0.4)
p.set_array(colors)
ax1.add_collection(p)
plt.show()

3、collections

collections类是用来绘制一组对象的集合，collections有许多不同的子类，如RegularPolyCollection, CircleCollection, Pathcollection, 分别对应不同的集合子类型。其中比较常用的就是散点图，它是属于PathCollection子类，scatter方法提供了该类的封装，根据x与y绘制不同大小或颜色标记的散点图。 它的构造函数为：

Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)

最主要的参数是前5个：

• x：数据点x轴的位置
• y：数据点y轴的位置
• s：尺寸大小
• c：可以是单个颜色格式的字符串，也可以是一系列颜色
• marker: 标记的类型

#用scatter绘制散点图
x = [0,2,4,6,8,10]
y = [10]*len(x)
s = [20*2**n for n in range(len(x))]
plt.scatter(x,y,s = s)
plt.show()

4、images

images是matplotlib中绘制image图像的类，其中最常用的imshow可以根据数组绘制成图像，它的构造函数为：

class matplotlib.image.AxesImage(ax, cmap=None, norm=None, interpolation=None, origin=None, extent=None, filternorm=True, filterrad=4.0, resample=False, **kwargs)

imshow根据数组绘制图像，其语法为：

matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=, filternorm=1, filterrad=4.0, imlim=, resample=None, url=None, *, data=None, **kwargs）

使用imshow画图时首先需要传入一个数组，数组对应的是空间内的像素位置和像素点的值，interpolation参数可以设置不同的差值方法，具体效果如下：

#用scatter绘制散点图
x = [0,2,4,6,8,10]
y = [10]*len(x)
s = [20*2**n for n in range(len(x))]
plt.scatter(x,y,s = s)
plt.show()


import matplotlib.pyplot as plt
import numpy as np
methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16',
           'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric',
           'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']
grid = np.random.rand(4,4)
fig,axs = plt.subplots(nrows=3, ncols=6,figsize = (9,6),subplot_kw={'xticks' :[],'yticks':[]})
for ax,interp_method in zip(axs.flat,methods):
    ax.imshow(grid,interpolation = interp_method,cmap = 'viridis')
    ax.set_title(str(interp_method))

plt.tight_layout()
plt.show()

三、对象容器-Object container

容器会包含一些基本元素，并且容器还有它自身的属性。

1、Figure容器

matplotlib.figure.Figure是Artist 最顶层的container-对象容器，它包含了图表中的所有元素。一张图表的背景就是在Figure.patch的一个矩形Rectangle。当我们向图表添加**Figure.add_subplot()或者Figure.add_axes()**元素时，这些都会被添加到Figure.axes列表中。

fig = plt.figure()
ax1 = fig.add_subplot(211)
ax2 = fig.add_axes([0.1,0.1,0.7,0.3])#位置参数，四个数分别代表了(left，bottom,width,height)
print(ax1)
print(fig.axes)#fig.axes中包含了subplot和axes两个实例，刚刚添加的

由于Figure维持了current axes，因此不应该手动的从Figure.axes列表中添加删除元素，而是要通过Figure.add_subplot()、Figure.add_axes()来添加元素，通过Figure.delaxes()来删除元素。但是可以迭代或者访问Figure.axes中的Axes，然后修改这个Axes的属性。如遍历axes里面的内容，并且添加网格线：

fig = plt.figure()
ax1 = fig.add_subplot(211)
for ax in fig.axes:#遍历
    ax.grid(True)#添加网格线

Figure也有它自己的text、line、patch、image。可以直接通过add primitive语句直接添加。但是注意Figure默认的坐标系是以像素为单位，可能需要转换成figure坐标系：(0,0)表示左下点，(1,1)表示右上点。
Figure容器的常见属性有：

• Figure.patch属性：Figure的背景矩形
• Figure.axes属性：一个Axes实例的列表（包括Subplot)
• Figure.images属性：一个FigureImages patch列表
• Figure.lines属性：一个Line2D实例的列表（很少使用）
• Figure.legends属性：一个Figure Legend实例列表（不同于Axes.legends)
• Figure.texts属性：一个Figure Text实例列表

2、Axes容器

matplotlib.axes.Axes是matplotlib的核心。大量的用于绘图的Artist存放在它内部，并且它有许多辅助方法来创建和添加Artist给它自己，而且它也有许多赋值方法来访问和修改这些Artist。和Figure容器类似，Axes包含了一个patch属性，对于笛卡尔坐标系而言，它是一个Rectangle；对于极坐标而言，它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib

fig = plt.figure()
ax = fig.add_subplot(111)
rect = ax.patch  #axes的patch是一个Rectangle实例
rect.set_facecolor("green")

Axes有许多方法用于绘图，如.plot()、.text()、.hist()、.imshow()等方法用于创建大多数常见的primitive(如Line2D，Rectangle，Text，Image等等）。
Subplot就是一个特殊的Axes，其实例是位于网格中某个区域的Subplot实例。其实你也可以在任意区域创建Axes，通过Figure.add_axes([left,bottom,width,height])来创建一个任意区域的Axes，其中left,bottom,width,height都是[0,1]之间的浮点数，代表了相对于Figure的坐标。
不应该直接通过Axes.lines和Axes.patches列表来添加图表。因为当创建或添加一个对象到图表中时，Axes会做许多自动化的工作：它会设置Artist中figure和axes的属性，同时默认Axes的转换；它也会检视Artist中的数据，来更新数据结构，这样数据范围和呈现方式可以根据作图范围自动调整。可以使用Axes的辅助方法.add_line()和.add_patch()方法来直接添加。
Axes还包含两个最重要的Artist container：

1. ax.xaxis：XAxis对象的实例，用于处理x轴tick以及label的绘制
2. ax.yaxis：YAxis对象的实例，用于处理y轴tick以及label的绘制

Axes容器的常见属性有：

• artists: Artist实例列表
• patch: Axes所在的矩形实例
• collections: Collection实例
• images: Axes图像
• legends: Legend 实例
• lines: Line2D 实例
• patches: Patch 实例
• texts: Text 实例
• xaxis: matplotlib.axis.XAxis 实例
• yaxis: matplotlib.axis.YAxis 实例

3、Axis容器

matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制，它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。通常你可以独立的配置y轴的左边刻度以及右边的刻度，也可以独立地配置x轴的上边刻度以及下边的刻度。刻度包括主刻度和次刻度，它们都是Tick刻度对象。
Axis也存储了用于自适应，平移以及缩放的data_interval和view_interval。它还有Locator实例和Formatter实例用于控制刻度线的位置以及刻度label。每个Axis都有一个label属性，也有主刻度列表和次刻度列表。这些ticks是axis.XTick和axis.YTick实例，它们包含着line primitive以及text primitive用来渲染刻度线以及刻度文本。
刻度是动态创建的，只有在需要创建的时候才创建（比如缩放的时候）。Axis也提供了一些辅助方法来获取刻度文本、刻度线位置等等。常见的如下：

#不用print，直接显示结果
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

fig,ax = plt.subplots()
x = range(5)
y = [2,5,7,8,10]
plt.plot(x,y,'-')

axis = ax.xaxis          #axis为X轴对象
axis.get_ticklocs()     #获取刻度线位置
axis.get_ticklabels()   #获取刻度label列表（一个Text实例的列表），可以通过minor=True|False关键字参数控制输出minor还是major的tick label。
axis.get_ticklines()    # 获取刻度线列表(一个Line2D实例的列表），可以通过minor=True|False关键字参数控制输出minor还是major的tick line。
axis.get_data_interval()# 获取轴刻度间隔
axis.get_view_interval()# 获取轴视角（位置）的间隔

调整一些轴和刻度的属性(忽略美观度，仅作调整参考)：

fig = plt.figure()  #创建一个新图表
rect = fig.patch    #矩形实例并将其设为黄色
rect.set_facecolor("lightgoldenrodyellow")

ax1 = fig.add_axes([0.1,0.3,0.4,0.4])   #创建一个axes对象，从(0.1,0.3)的位置开始，宽和高都为0.4
rect = ax1.patch                        #ax1的矩形设为灰色
rect.set_facecolor("lightslategray")

for label in ax1.xaxis.get_ticklabels():
    #调用x轴刻度标签实例，是一个text实例
    label.set_color("red")  #颜色
    label.set_rotation(45)  #旋转角度
    label.set_fontsize(16)  #字体大小
    
for line in ax1.yaxis.get_ticklines():
    #调用y轴刻度线条实例，是一个Line2D实例
    line.set_color("green")     #颜色
    line.set_markersize(25)     #marker大小
    line.set_markeredgewidth(2) #marker粗细

plt.show()

4、Tick容器

matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。Tick包含了tick、grid line实例以及对应的label。所有的这些都可以通过Tick的属性获取，常见的tick属性有：

• Tick.tick1line：Line2D实例
• Tick.tick2line：Line2D实例
• Tick.gridline：Line2D实例
• Tick.label1：Text实例
• Tick.label2：Text实例
  y轴分为左右两个，因此tick1对应左侧的轴；tick2对应右侧的轴。
  x轴分为上下两个，因此tick1对应下侧的轴；tick2对应上侧的轴。

例子：将Y轴右边轴设为主轴，并将标签设置为美元符号且为绿色。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib

fig,ax = plt.subplots()
ax.plot(100*np.random.rand(20))

#设置ticker的显示格式
formatter = matplotlib.ticker.FormatStrFormatter("$%1.2f")
ax.yaxis.set_major_formatter(formatter)

#设置ticker的参数，右侧为主轴，颜色为绿色
ax.yaxis.set_tick_params(which = "major",labelcolor = "green",labelleft = False,labelright = True);

参考资料：https://datawhalechina.github.io/fantastic-matplotlib/%E7%AC%AC%E4%BA%8C%E5%9B%9E%EF%BC%9A%E8%89%BA%E6%9C%AF%E7%94%BB%E7%AC%94%E8%A7%81%E4%B9%BE%E5%9D%A4/index.html