Matplotlib 从入门到精通
1. 概念
Matplotlib 库：是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组来绘制 2D 图像，它使用简单、代码清晰易懂.
2. 安装
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/3. 常用API
3.1 绘图类型
| 函数名称 | 描述 |
|---|---|
| Bar | 绘制条形图 |
| Barh | 绘制水平条形图 |
| Boxplot | 绘制箱型图 |
| Hist | 绘制直方图 |
| his2d | 绘制2D直方图 |
| Pie | 绘制饼状图 |
| Plot | 在坐标轴上画线或者标记 |
| Polar | 绘制极坐标图 |
| Scatter | 绘制x与y的散点图 |
| Stackplot | 绘制堆叠图 |
| Stem | 用来绘制二维离散数据绘制（又称为火柴图） |
| Step | 绘制阶梯图 |
| Quiver | 绘制一个二维按箭头 |
3.2 Image 函数
| 函数名称 | 描述 |
|---|---|
| Imread | 从文件中读取图像的数据并形成数组 |
| Imsave | 将数组另存为图像文件 |
| Imshow | 在数轴区域内显示图像 |
3.3 Axis 函数
| 函数名称 | 描述 |
|---|---|
| Axes | 在画布(Figure)中添加轴 |
| Text | 向轴添加文本 |
| Title | 设置当前轴的标题 |
| Xlabel | 设置x轴标签 |
| Xlim | 获取或者设置x轴区间大小 |
| Xscale | 设置x轴缩放比例 |
| Xticks | 获取或设置x轴刻标和相应标签 |
| Ylabel | 设置y轴的标签 |
| Ylim | 获取或设置y轴的区间大小 |
| Yscale | 设置y轴的缩放比例 |
| Yticks | 获取或设置y轴的刻标和相应标签 |
3.4 Figure 函数
| 函数名称 | 描述 |
|---|---|
| Figtext | 在画布上添加文本 |
| Figure | 创建一个新画布 |
| Show | 显示数字 |
| Savefig | 保存当前画布 |
| Close | 关闭画布窗口 |
4. pylab 模块
PyLab 是一个面向 Matplotlib 的绘图库接口，其语法和 MATLAB 十分相近，pylab 是matplotlib 中的一个模块，它将 matplotlib.pyplot 和 numpy 的功能组合在一起，使得你可以直接使用 numpy 的函数和 matplotlib.pyplot 的绘图功能，而不需要显式地导入numpy；matplotlib.pyplot.
优点
-
方便快捷：pylab 的设计初衷是为了方便快速绘图和数值计算，使得你可以直接使用 numpy 的函数和 matplotlib.pyplot 的绘图功能，而不需要显式地导入 numpy 和 matplotlib.pyplot。
-
简化代码：使用 pylab 可以减少导入语句的数量，使代码更简洁。
缺点
-
命名空间污染：pylab 将 numpy 和 matplotlib.pyplot 的功能组合在一起，可能会导致命名空间污染，使得代码的可读性和可维护性降低。
-
不适合大型项目：对于大型项目或需要精细控制的项目，pylab 可能不够灵活。
pyplot 是 matplotlib 中的一个模块，提供了类似于 MATLAB 的绘图接口。它是一个更底层的接口，提供了更多的控制和灵活性，使用 pyplot 需要显式地导入 numpy 和 matplotlib.pyplot，代码量相对较多，例如：
import matplotlib.pyplot as plt
import numpy as np5. 常用函数
5.1 plot 函数
pylab.plot 是一个用于绘制二维图形的函数，它可以根据提供的 x 和 y 数据点绘制线条和/或标记.
语法：
pylab.plot(x, y, format_string=None, **kwargs) 参数：
- x: x 轴数据，可以是一个数组或列表。
- y: y 轴数据，可以是一个数组或列表。
- format_string: 格式字符串，用于指定线条样式、颜色等。
- \**kwargs: 其他关键字参数，用于指定线条的属性
示例：
# 导入 pylab 库
import pylab
# 创建数据，使用 linspace 函数
# pylab.linspace 函数生成一个等差数列。这个函数返回一个数组，数组中的数值在指定的区间内均匀分布。
x = pylab.linspace(-6, 6, 40)
# 基于 x 构建 y 的数据
y = x**2
# 绘制图形
pylab.plot(x,y,'r:')
# 展示图形
pylab.show()5.2 figure 函数
figure() 函数来实例化 figure 对象，即绘制图形的对象，可以通过这个对象，来设置图形的样式等.
参数：
- figsize：指定画布的大小，(宽度,高度)，单位为英寸
- dpi：指定绘图对象的分辨率，即每英寸多少个像素，默认值为80
- facecolor：背景颜色
- dgecolor：边框颜色
- frameon：是否显示边框
5.2.1 figure.add_axes()
Matplotlib 定义了一个 axes 类（轴域类），该类的对象被称为 axes 对象（即轴域对象），它指定了一个有数值范围限制的绘图区域，在一个给定的画布（figure）中可以包含多个axes对象，但是同一个 axes 对象只能在一个画布中使用.
参数：是一个包含四个元素的列表或元组，格式为 [left, bottom, width, height]，其中：left 和 bottom 是轴域左下角的坐标，范围从 0 到 1；width 和 height 是轴域的宽度和高度，范围从 0 到1.
示例：
# 创建一个新的图形
fig = pl.figure()
# 添加第一个轴域
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
x = pl.linspace(0, 10, 100)
y = pl.sin(x)
ax.plot(x, y)
# 显示图形
pl.show()5.2.2 axes.legend()
legend 函数用于添加图例，以便识别图中的不同数据系列。图例会自动显示每条线或数据集的标签.
参数：
- labels 是一个字符串序列，用来指定标签的名称
- loc 是指定图例位置的参数，其参数值可以用字符串或整数来表示
- handles 参数，它也是一个序列，它包含了所有线型的实例
示例：
x = pl.linspace(0, 10, 100)
y1 = pl.sin(x)
y2 = pl.cos(x)
# 创建图形和轴域
fig, ax = pl.subplots()
# 绘制数据
line1 = ax.plot(x, y1)
line2 = ax.plot(x, y2)
# 添加图例，手动指定标签
ax.legend(handles=[line1, line2], labels=['Sine Function', 'Cosine Function'],loc='center')
# 显示图形
pl.show()也可以将label定义在plot方法中，调用legend方法时不用再定义labels，会自动添加label.
x = pl.linspace(0, 10, 100)
y1 = pl.sin(x)
y2 = pl.cos(x)
# 创建图形和轴域
fig, ax = pl.subplots()
# 绘制数据
line1, = ax.plot(x, y1, label='Sine Function')
line2, = ax.plot(x, y2, label='Cosine Function')
# 添加图例，手动指定标签
ax.legend(handles=[line1, line2], loc='center')
# 显示图形
pl.show()legend() 函数 loc 参数：
| 位置 | 字符串表示 | 整数数字表示 |
|---|---|---|
| 自适应 | Best | 0 |
| 右上方 | upper right | 1 |
| 左上方 | upper left | 2 |
| 左下 | lower left | 3 |
| 右下 | lower right | 4 |
| 右侧 | right | 5 |
| 居中靠左 | center left | 6 |
| 居中靠右 | center right | 7 |
| 底部居中 | lower center | 8 |
| 上部居中 | upper center | 9 |
| 中部 | center | 10 |
5.3 标题中文乱码
如果标题设置的是中文，会出现乱码，为了解决乱码或标题显示时出现空白的情况，下面介绍两种解决办法：
1. 局部处理：可以在代码运行前，在编写的代码最前方添加下面两行代码：
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False2. 全局处理：首先，找到 matplotlibrc 文件的位置，可以使用以下代码：
import matplotlib
print(matplotlib.matplotlib_fname())然后，在电脑中根据输出的文件路径，找到并修改 matplotlibrc 文件，找到 font.family 和 font.sans-serif 项，去掉它们前面的 '#' 号，设置为支持中文的字体，如 SimHei，同时，设置 axes.unicode_minus 为 False 以正常显示负号.
5.4 subplot 函数
subplot 是一个较早的函数，用于创建并返回一个子图对象。它的使用比较简单，通常用于创建网格状的子图布局，subplot 的参数通常是一个三位数的整数，其中每个数字代表子图的行数、列数和子图的索引.
add_subplot 是一个更灵活的函数，它是 Figure类的一个方法，用于向图形容器中添加子图。推荐使用 add_subplot，因为它提供了更好的灵活性和控制.
语法：
fig.add_subplot(nrows, ncols, index)示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
# 创建图形，figsize=(宽度, 高度)，单位是英寸，图形宽度为 12 英寸，高度为 4 英寸
fig = plt.figure(figsize=(12, 4))
# 第一个子图
ax1 = fig.add_subplot(1, 3, 1)
ax1.plot(x, y1, label='sin(x)')
ax1.set_title('Sine Wave')
ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y-axis')
ax1.legend()
# 第二个子图
ax2 = fig.add_subplot(1, 3, 2)
ax2.plot(x, y2, label='cos(x)')
ax2.set_title('Cosine Wave')
ax2.set_xlabel('X-axis')
ax2.set_ylabel('Y-axis')
ax2.legend()
# 第三个子图
ax3 = fig.add_subplot(1, 3, 3)
ax3.plot(x, y3, label='tan(x)')
ax3.set_title('Tangent Wave')
ax3.set_xlabel('X-axis')
ax3.set_ylabel('Y-axis')
ax3.legend()
# 显示图形
plt.tight_layout()
plt.show()5.5 subplots 函数
subplots 是 matplotlib.pyplot 模块中的一个函数，用于创建一个包含多个子图（subplots）的图形窗口。subplots 函数返回一个包含所有子图的数组，这使得你可以更方便地对每个子图进行操作.
语法：
fig, axs = plt.subplots(nrows, ncols, figsize=(width, height)) 参数：
- nrows: 子图的行数；
- ncols: 子图的列数；
- figsize: 图形的尺寸，以英寸为单位.
示例：
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
# 创建图形和子图
fig, axs = plt.subplots(1, 3, figsize=(12, 4))
# 第一个子图
axs[0].plot(x, y1, label='sin(x)')
axs[0].set_title('Sine Wave')
axs[0].set_xlabel('X-axis')
axs[0].set_ylabel('Y-axis')
axs[0].legend()
# 第二个子图
axs[1].plot(x, y2, label='cos(x)')
axs[1].set_title('Cosine Wave')
axs[1].set_xlabel('X-axis')
axs[1].set_ylabel('Y-axis')
axs[1].legend()
# 第三个子图
axs[2].plot(x, y3, label='tan(x)')
axs[2].set_title('Tangent Wave')
axs[2].set_xlabel('X-axis')
axs[2].set_ylabel('Y-axis')
axs[2].legend()
# 显示图形
plt.tight_layout()
plt.show()6. 绘制图表
6.1 柱状图
柱状图（Bar Chart）是一种常用的数据可视化工具，用于展示分类数据的分布情况.
语法：
ax.bar(x, height, width=0.8, bottom=None, align='center', **kwargs) 参数：
- x: 柱状图的 X 轴位置；
- height: 柱状图的高度；
- width: 柱状图的宽度，默认为 0.8；
- bottom: 柱状图的底部位置，默认为 0；
- align: 柱状图的对齐方式，可以是 'center'（居中对齐）或 'edge'（边缘对齐）；
- **kwargs: 其他可选参数，用于定制柱状图的外观，如 color、edgecolor、linewidth 等.
示例1：
from matplotlib import pyplot as plt
import numpy as np
# 数据
categories = ['A', 'B', 'C', 'D']
values = [20, 35, 30, 25]
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制柱状图
ax.bar(categories, values, color='skyblue', linewidth=1.5, width=0.6)
# 设置标题和标签
ax.set_title('Customized Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')
# 显示图形
plt.show()示例2：堆叠柱状图
# 数据
categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制第一个数据集的柱状图
ax.bar(categories, values1, color='skyblue', label='Values 1')
# 绘制第二个数据集的柱状图，堆叠在第一个数据集上
ax.bar(categories, values2, bottom=values1, color='lightgreen', label='Values 2')
# 设置标题和标签
ax.set_title('Stacked Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')
# 添加图例
ax.legend()
# 显示图形
plt.show()示例3：分组柱状图
# 数据
categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]
# 创建图形和子图
fig, ax = plt.subplots()
# 计算柱状图的位置
x = np.arange(len(categories))
width = 0.35
# 绘制第一个数据集的柱状图
ax.bar(x - width/2, values1, width, color='skyblue', label='Values 1')
# 绘制第二个数据集的柱状图
ax.bar(x + width/2, values2, width, color='lightgreen', label='Values 2')
# 设置 X 轴标签
ax.set_xticks(x)
ax.set_xticklabels(categories)
# 设置标题和标签
ax.set_title('Grouped Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')
# 添加图例
ax.legend()
# 显示图形
plt.show()6.2 直方图
直方图（Histogram）是一种常用的数据可视化工具，用于展示数值数据的分布情况.
参数：
- x: 数据数组。
- bins: 直方图的柱数，可以是整数或序列；
- range: 直方图的范围，格式为 (min, max)；
- density: 是否将直方图归一化，默认为 False；
- weights: 每个数据点的权重；
- cumulative: 是否绘制累积直方图，默认为 False；
- **kwargs: 其他可选参数，用于定制直方图的外观，如 color、edgecolor、linewidth 等
示例：
from matplotlib import pyplot as plt
import numpy as np
# 生成随机数据，生成均值为 0，标准差为 1 的标准正态分布的随机样本
data = np.random.randn(1000)
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制直方图
ax.hist(data, bins=30, color='skyblue', edgecolor='black')
# 设置标题和标签
ax.set_title('Simple Histogram')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')
# 显示图形
plt.show()6.3 饼图
饼图（Pie Chart）是一种常用的数据可视化工具，用于展示分类数据的占比情况.
语法：
ax.pie(x, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=0, **kwargs) 参数：
- x: 数据数组，表示每个扇区的占比；
- explode: 一个数组，表示每个扇区偏离圆心的距离，默认为 None；
- labels: 每个扇区的标签，默认为 None；
- colors: 每个扇区的颜色，默认为 None；
- autopct: 控制显示每个扇区的占比，可以是格式化字符串或函数，默认为 None；
- shadow: 是否显示阴影，默认为 False；
- startangle: 饼图的起始角度，默认为 0；
- **kwargs: 其他可选参数，用于定制饼图的外观.
示例：
from matplotlib import pyplot as plt
import numpy as np
# 数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制饼图
ax.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
# 设置标题
ax.set_title('Simple Pie Chart')
# 显示图形
plt.show()6.4 折线图
示例：
from matplotlib import pyplot as plt
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制多条折线图
ax.plot(x, y1, label='sin(x)', color='blue')
ax.plot(x, y2, label='cos(x)', color='red')
# 设置标题和标签
ax.set_title('Multiple Line Charts')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
# 添加图例
ax.legend()
# 显示图形
plt.show()6.5 散点图
散点图（Scatter Plot）是一种常用的数据可视化工具，用于展示两个变量之间的关系.
语法：
ax.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs) 参数：
- x: X 轴数据；
- y: Y 轴数据；
- s: 点的大小，可以是标量或数组；
- c: 点的颜色，可以是标量、数组或颜色列表；
- marker: 点的形状，默认为 'o'（圆圈）；
- cmap: 颜色映射，用于将颜色映射到数据；
- norm: 归一化对象，用于将数据映射到颜色映射；
- vmin, vmax: 颜色映射的最小值和最大值；
- alpha: 点的透明度，取值范围为 0 到 1；
- linewidths: 点的边框宽度；
- edgecolors: 点的边框颜色；
- **kwargs: 其他可选参数，用于定制散点图的外观.
示例：
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
fig = plt.figure()
axes = fig.add_axes([.1,.1,.8,.8])
x = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = [
[120, 132, 101, 134, 90, 230, 210],
[220, 182, 191, 234, 290, 330, 310],
]
y0 = data[0]
y1 = data[1]
axes.scatter(x,y0,color='red')
axes.scatter(x,y1,color='blue')
axes.set_title('散点图')
axes.set_xlabel('日期')
axes.set_ylabel('数量')
plt.legend(labels=['Email', 'Union Ads'],)
plt.show()6.6 图片读取
plt.imread 是 Matplotlib 库中的一个函数，用于读取图像文件并将其转换为 NumPy 数组，这个函数非常方便，可以轻松地将图像加载到 Python 中进行处理或显示.
参数：
- fname: 图像文件的路径（字符串）；
- format: 图像格式（可选）如果未指定，imread 会根据文件扩展名自动推断格式.
返回值：
返回一个 NumPy 数组，表示图像的像素数据。数组的形状取决于图像的格式：
- 对于灰度图像，返回一个二维数组 (height, width);
- 对于彩色图像，返回一个三维数组 (height, width, channels)，其中 channels 通常是 3（RGB）或 4（RGBA）.
示例：
from matplotlib import pyplot as plt
import numpy as np
import os
def read_img():
dirpath = os.path.dirname(__file__)
print(dirpath)
filepath = os.path.relpath(os.path.join(dirpath, 'leaf.png'))
print(filepath)
img = plt.imread(filepath)
print(img.shape)
plt.imshow(img)
plt.show()
img1 = np.transpose(img, (2, 0, 1))
for channel in img1:
plt.imshow(channel)
plt.show()
if __name__ == '__main__':
read_img()