【Matplotlib】一文搞定Matplotlib绘图配置（大三学长的万字笔记）

大家好，这篇文章是我整理的 Matplotlib 绘制图象，所用到的基本配置，涵盖了大部分的使用场景（万字长文，请不要嫌我啰嗦哦，只为了大家能更好的理解），是绘制直方图、热力图等图象的基础。

大家好，我是向阳花，数据科学路上，与你同行。
博主的Python数据分析专栏正在火热更新中，不要错过呀 ~

一、Matplotlib介绍

1 - 介绍

matplotlib是一个 python 2D 绘图库，同时也提供了一部分 3D 绘图的接口，利用它可以画出许多高质量的图像。只需几行代码即可生成直方图，条形图，饼图，散点图等。它的官网这样描述它：Matplotlib: Visualization with Python（用 Python 进行可视化）。

在数据分析与机器学习中，我们经常要用到大量的可视化操作，制作一张精美的图片，可以直观展示数据。大家记住一句话：字不如表，表不如图，一图胜千言。

2 - 安装

• anaconda环境

自带 matplotlib ，无需另外安装。

• 其他Python环境

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装后同时导入数据分析三剑客（numpy，pandas，matplotlib）：

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

执行后可能出现警告，再次执行就会消失。

二、基本配置

1 - 中文配置

使用 matplotlib 绘图默认不会显示中文和负号，需要添加以下代码配置。

# 当浏览器不显示绘图图片时，加上这一行
%matplotlib inline

# 让图片可以显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
# 让图片可以显示负号
plt.rcParams['axes.unicode_minus'] = False

# 支持svg矢量图
%config InlineBackend.figure_format = 'svg'

2 - 查看字体库

通过以下代码，可以查看自己电脑上的可用字体库。

from matplotlib.font_manager import FontManager

fm = FontManager()
my_fonts = set(f.name for f in fm.ttflist)
my_fonts

运行结果显示的字体，都可以设置到上面中文的代码中，将 'SimHei' 替换掉。

3 - 基本绘图

matplotlib 使用 plot() 函数绘制折线图。

在后面，我们会看到这样调用的：plt.plot()，也会看到这样调用的：ax.plot()。使用这两种方式画图，可视化结果是一样的。

# =======第一种方式=======
fig=plt.figure(figsize=(4,4))
plt.plot([1,2,3,4],[1,2,3,4])

# =======第二种方式=======
fig=plt.figure(figsize=(4,4))
ax=fig.add_subplot(111)
ax.plot([1,2,3,4],[1,2,3,4])

它们的绘图结果都是：

那么这两种方法调用有什么区别呢？

其实，第一种方法是先创建了一个画布（figure），然后在画布上绘图；第二种方法是也是先创建了一个画布，然后在画布上创建了一个子图区域，在子图区域上作图。

也就是说，通过子图的方式，一个画布上可以绘制多个子图，如果直接在画布上画，那么我们只能画出重叠图和嵌套图（在下面会讲到这两种图）。

使用 matplotlib 绘图的基本流程：

（第一次使用 mermaid 绘制流程图，绘制的有些复杂难以理解了，还望见谅。）

是

否

否

是

修改Y轴刻度与范围

添加Y轴名称

修改X轴刻度与范围

添加X轴名称

选定子图

是否创建子图

创建画布

添加标题

绘制图形

添加图例

是否绘制完成

保存图形

显示图形

绘制下面二次函数的图象：
$$y=x^2$$

# 创建一个等差数列数组(-5至5，100个数据，差值相同)
x = np.linspace(-5,5,100)

# 绘制 y = x**2 的函数图象
plt.plot(x,x**2)

4 - 线样式和颜色

plot() 函数通过两个属性 color 和 linestyle 设置线段颜色和线段样式。它们的简写形式是 c 和 ls，也可以将它们写到一起（写在一起的例子在下文给出），但是不建议。

就上面的抛物线代码进行改编：

# 绘制 y = x**2 的函数图象
plt.plot(x,x**2,color='g',linestyle='-.')

它还有两种等价写法：

plt.plot(x,x**2,c='g',ls='-.')

# not suggest,make people look at it and do not understand
plt.plot(x,x**2,'g-.')

那么 color 和 linestyle 的取值有哪些呢？这里我罗列了官方文档给出的一些。

**Colors**

The supported color abbreviations are the single letter codes

=============    ===============================
character        color
=============    ===============================
``'b'``          blue
``'g'``          green
``'r'``          red
``'c'``          cyan
``'m'``          magenta
``'y'``          yellow
``'k'``          black
``'w'``          white
=============    ===============================

and the ``'CN'`` colors that index into the default property cycle.

If the color is the only part of the format string, you can
additionally use any  `matplotlib.colors` spec, e.g. full names
(``'green'``) or hex strings (``'#008000'``).

通俗来讲，意思就是 color 可以有三种写法，单个字母简写，英文单词，十六进制（不可以缩写为井号加3个字符）。

**Line Styles**

=============    ===============================
character        description
=============    ===============================
-          		solid line style
--        		dashed line style
-.         		dash-dot line style
:         		dotted line style
=============    ===============================

三、画布配置

画布配置是 Matplotlib 中非常重要的一块，后面绘制许多图形，都建立在画布配置基础之上，需要深刻掌握记忆。

1 - 基本配置

基本配置写在 plt.figure() 函数参数上。

参数	配置
figsize	画布宽高
dpi	分辨率
facecolor	画布背景颜色

此外，还可以通过 plt.grid() 函数为画布添加网格。

# 画布配置
plt.figure(figsize=(5,3),dpi=100,facecolor='g') 

# 画正弦曲线
x = np.linspace(0,2*np.pi,100)
y = np.sin(x)
plt.plot(x,y)

# 配置网格
plt.grid()

2 - 多图绘制 | 同一画布（重叠）

在同一个画布上绘制多个图象，只需要多次调用 plt.plot() 函数即可。

plt.figure(figsize=(5,4)) # 画布大小
x = np.linspace(0,2*np.pi,100)
y1 = np.sin(x) # 正弦函数
y2 = np.cos(x) # 余弦函数
# 绘制多个图象
plt.plot(x,y1,ls='--')
plt.plot(x,y2,ls='-.')

3 - 多图绘制 | 多个画布

通过 plt.show() 方法立即显示图片，即可出现多个画布。在调用了这个方法之后，后面调用 plt 对象绘制图象，将是初始配置，figsize，dpi等配置没有了。

在上面的代码基础上，只添加一行：

# 绘制多个图象
plt.plot(x,y1,ls='--')
plt.show() # 添加的行
plt.plot(x,y2,ls='-.')

运行结果出现了两个图。

4 - 多图绘制 | 同一画布（子图）

通过 plt.subplot()，plt.subplots() 函数可以进行子图配置。这两个函数只相差了一个 s ，它们的区别就是，前者是调用它返回一个子图对象，后者是调用它返回多个子图对象。

• plt.subplot()

# 创建画布对象
fig = plt.figure(figsize=(4,3))

x = np.linspace(-2,2,100)
y1 = x # 一次函数
y2 = np.sin(x) # 正弦函数
y3 = 1/x # 反比例函数
y4 = x**2 # 二次函数

# 子图1
ax1 = plt.subplot(221) # 221表示2行2列中的第一个图
ax1.set_title('子图1')
ax1.plot(x,y1)

# 子图2
ax2 = plt.subplot(222) # 221表示2行2列中的第一个图
ax2.set_title('子图2')
ax2.plot(x,y2)

# 子图3
ax3 = plt.subplot(223) # 221表示2行2列中的第一个图
ax3.set_title('子图3')
ax3.plot(x,y3)

# 子图4
ax4 = plt.subplot(224) # 221表示2行2列中的第一个图
ax4.set_title('子图4')
ax4.plot(x,y4)

# 设置自动调整布局
fig.tight_layout()

效果如下：

• plt.subplots()

从官方文档我们得知，Function : Create a figure and a set of subplots.它会返回一个画布对象和一个子图集合，因此等下我们使用两个变量来接收返回值。

fig,axes = plt.subplots(2,2)

x = np.linspace(-2,2,100)
y1 = x # 一次函数
y2 = np.sin(x) # 正弦函数
y3 = 1/x # 反比例函数
y4 = x**2 # 二次函数

# 得到第一维
ax0,ax1 = axes[0],axes[1]
# 第二维
ax00,ax01 = ax0[0],ax0[1]
ax10,ax11 = ax1[0],ax1[1]

# 利用这四个子图对象画图
ax00.plot(x,y1)
ax01.plot(x,y2)
ax10.plot(x,y3)
ax11.plot(x,y4)

# 自动调整布局
fig.tight_layout()

运行结果如下：

5 - 多图绘制 | 嵌套

图形嵌套是指在一个图形中再嵌套一个或多个图象，它不同于第一种情况（多图绘制 | 同一画布（重叠））。有三个函数 add_subplot()，axes()，add_axes() 可以实现图象重叠，下面请看代码示例。

• add_subplot()

fig = plt.figure(figsize=(4,3))

# 图象1
axes1 = fig.add_subplot(1,1,1) # 1,1,1表示它在第一行，第一列，占一个
# 绘制一条直线
axes1.plot([0,1],[1,3])

# 嵌套图象2
axes2 = fig.add_subplot(2,2,1,facecolor='g') # 2，2，1表示它在第二行，第二列，第一个
axes2.plot([0,1],[1,3])

• axes()

fig = plt.figure(figsize=(4,3))

x = np.linspace(-2,2,100)
# 图1
y1 = x
plt.plot(x,y1)

# 嵌套图2
y2 = x**2
axes1 = plt.axes([0.55,0.55,0.3,0.3]) # [left, bottom, width, height]
axes1.plot(x,y2,color='g')

效果图如下：

• add_axes()

在上一个代码的基础上，只改变最后两行，改为：

axes1 = fig.add_axes([0.18,0.18,0.3,0.3])
axes1.plot(x,y2,color='r')

效果如下：

四、绘图属性配置

1 - 双轴显示

双轴显示是指，两个或多个图象共用 X 轴，但是它们的 Y 轴不一样，使用的是左边的 Y 轴或者是右边的 Y 轴。

plt.figure(figsize=(4,3))

x = np.linspace(0,10,100)

# image one
# 得到当前轴域
axes1 = plt.gca()
axes1.plot(x,np.exp(x),color='r') # 指数函数

# 为轴设置标签
axes1.set_xlabel('time')
axes1.set_ylabel('exp',c='r')
# 设置刻度的颜色
axes1.tick_params(axis='y',labelcolor='red')

# image two
axes2 = axes1.twinx() # 和 image one 共享X轴
axes2.plot(x,np.sin(x),c='b') # sinx图象

axes2.set_ylabel('sin',c='b')

axes2.tick_params(axis='y',labelcolor='blue')

# auto adjust layout
plt.tight_layout()

运行结果如下：

2 - 图例

图例（legend），是图象中用于标记哪个图象是表示什么的指示，一般是正方形。图例的设置有两种方法，一种是先设置标签（label）之后直接显示，另外一种是最后设置标签。

• 先设置标签

plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi,100)
plt.plot(x,np.sin(x),label='sin')
plt.plot(x,np.cos(x),label='cos')

# 显示图例，默认在空白处显示
plt.legend()

此外，还可以调整图例的大小，位置等。

plt.legend(loc='upper left',fontsize=10)

• 后设置标签

plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi,100)
plt.plot(x,np.sin(x))
plt.plot(x,np.cos(x))

plt.legend(
    labels=['sin','cos'], # 按照图片显示顺序对应
    fontsize=10,
    loc='center',
    ncol=2, # 显示成2列
    # 图例的具体位置[x,y,width,height]
    bbox_to_anchor=[0,1,1,0.2]
    )

3 - 线条属性

线条属性在 plot() 方法中使用（前面讲到 plot 方法可以由画布对象调用，也可以由子图对象调用，如果忘记了往上面翻复习一下），线条属性主要有以下这些（前两个在之前也已经提到过）。

属性	作用
color	线条颜色
linestyle	线条样式
linewidth	线宽
alpha	透明度
marker	拐点处的标记样式
mfc(marker face color	标记的背景颜色

# 以折线图为例
fig = plt.figure(figsize=(4,3))
x = np.random.randint(0,20,10)
plt.plot(
    x,
    color='r',
    ls='--',
    lw='1',
    alpha=0.2,
    marker='o',
    mfc='g',
    )

效果图如下：

4 - 坐标轴刻度

默认情况下，我们设置的X轴的范围，就是X轴的取值范围，刻度是默认的，Y轴也是根据Y的取值范围确定的。有时候我们需要修改刻度，使得图象更加细致，通过 xticks()，yticks() 方法可以修改刻度。

plt.figure(figsize=(4,3))

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

# 设置X和Y轴的刻度
plt.xticks(ticks=np.arange(0,11,1),fontsize=10,color='g')
plt.yticks(
    ticks=[-1,0,1],
    labels=['min','0','max'], # 显示刻度标签
    fontsize=10,
    color='b',
    ha='right' # 水平对齐方式
    )

# 立即显示图象，如果不加会打印很多对象地址
plt.show()

5 - 坐标轴设置

如果我们想要修改坐标轴的范围，那么可以使用两种方法。

现在是不改变坐标轴范围的情况：

plt.figure(figsize=(5,3))

x = np.linspace(0,2*np.pi)
y = np.sin(x)
plt.plot(x,y,c='r')

plt.show()

现在我们改变X、Y的刻度范围：

• 通过 xlim 和 ylim 方法

现在我们在原来代码的基础上，添加上两行代码：

plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi)
y = np.sin(x)
plt.plot(x,y,c='r')

# 改变X轴范围为-2-8，Y轴范围为-2-2
plt.xlim(-2,8)
plt.ylim(-2,2)

plt.show()

• 通过 axis 方法

在原来没有改变坐标轴范围的代码基础上添加一行代码：

plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi)
y = np.sin(x)
plt.plot(x,y,c='r')

# 改变X轴范围为-2-8，Y轴范围为-2-2
plt.axis([-2,8,-2,2])

plt.show()

也可以实现同样的效果：

此外，坐标轴还有以下设置，作为 axis() 方法的参数：

参数值	作用
off	不显示坐标轴
equal	让X轴和Y轴刻度距离（分度值）相同
scaled	自动缩放坐标轴和图片匹配
tight	紧凑型自动适配图片
square	让画布呈现正方形，X轴和Y轴宽高一致

下面是代码示例：

plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi)
y = np.sin(x)
plt.plot(x,y,c='r')

# 改变X轴范围为-2-8，Y轴范围为-2-2
plt.axis('off')

plt.show()

因为使用的是 off ，那么就是不显示坐标轴，得到的就是如下曲线。

6 - 标题和网格

一张图片拥有一个标题，可以直观的告诉人们这是描述什么的图象，因此图片标题是非常重要的。此外，我们还可以给图片设置网格底，下面介绍图片标题以及网格的设置。

fig = plt.figure(figsize=(4,3))

plt.title('直线')  # 设置标题

# 设置父标题
plt.suptitle(
    '父标题',
    y=1.1, # 位置
    fontsize=10
    ) 

# 设置网格线
plt.grid(
    ls='--',# 网格线样式
    lw=0.5, # 线宽
    c='gray',# 线条颜色
    axis='y' # 只显示Y轴网格线
    )

plt.plot([0,1],[1,3])

效果如下：

7 - 标签

标签是用于描述X轴、Y轴的文本，比如说，横轴表示科目，纵轴表示分数，那么就要通过标签来设置。

project = ['科目一','科目二','科目三']
scores = [90,80,100]

fig = plt.figure(figsize=(4,3))

# 设置标签（rotation表示旋转角度）
plt.xlabel('科目',fontsize=10,rotation=45)
# horizontalalignment表示水平对齐方式
plt.ylabel('分数',fontsize=10,rotation=0,horizontalalignment='right')

plt.plot(project,scores)

8 - 文本

文本是用于标记图象中某个点的值是多少，见的是非常多的，在绘图中会经常使用到。

fig = plt.figure(figsize=(4,3))

x = np.linspace(1,10,10)
y = np.random.randint(20,40,10)

plt.plot(x,y,ls='--',marker='*')

# 加上文本
for a,b in zip(x,y):
    # 这个循环的意思是，分别取 x,y 中的一个元素，返回一个元组
    plt.text(
        x = a, # x轴坐标
        y = b + 1, # y轴坐标（用于确定文本位置）
        s = b, # 文本内容
        fontsize = 10, # 字体大小
        color='g',
        ha='center',
        va='center'
    )

9 - 注释

有时候某一个点可能有特殊含义，需要用文字说明，那么这时候就需要使用到注释。注释是一种用箭头指向某一个位置，然后显示文本的方式。

fig = plt.figure(figsize=(4,3))

x = np.linspace(1,10,10)
y = np.array([10,20,30,40,20,30,10,20,0,30])

plt.plot(x,y,ls='--',marker='*')

# 添加注释 annotation
plt.annotate(
    s='最大值', # 注释内容
    xy=(4,40), # 注释的坐标点，也就是箭头指向的位置
    xytext=(1,35), # 标注内容的位置
    # 箭头样式
    arrowprops = {
        'width':1, # 箭头线的宽度
        'headwidth':4, # 箭头头部的宽度
        'facecolor':'red' # 箭头的背景颜色
    }
)

plt.show()

10 - 保存图片

有时候，我们希望将自己可视化的作品图片保存下来，用于PPT展示或其他用处，那么我们可以使用 savefig() 方法。

fig = plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi,100)
plt.plot(x,np.sin(x))

# 保存图片
plt.savefig('sin.png')

运行之后，不仅会在 Jupyter Notebook 下打印图片，还会保存图片到当前目录。

我们还可以添加一些别的设置：

fig = plt.figure(figsize=(4,3))

x = np.linspace(0,2*np.pi,100)
plt.plot(x,np.sin(x))

# 保存图片
plt.savefig(
    fname = 'sin.png',# 图片名字
    dpi = 100, # 图片像素密度
    facecolor = 'pink', # 背景颜色
    pad_inches = 1 # 内边距
)

查看保存下来的图片：

结语

本文主要讲解了Matplotlib绘图相关配置，是利用Matplotlib绘图的基本功。

⭐️如果有不懂的地方，欢迎大家和我一起探讨 ~

好啦，这就是今天要分享给大家的全部内容了，我们下期再见！