Matplotlib 教程

介绍

Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化并且提供多样化的输出格式。这里将会探索 matplotlib 的常见用法。

IPython 以及 pylab 模式

IPython 是 Python 的个增强版本。它在下列方面有所增强：命名输入输出、使用系统命令（shell commands）、排错（debug）能力。在命令行终端给 IPython 加上参数 -pylab （0.12 以后的版本是 --pylab）之后就可以像 Matlab 或 Mathematica 那样以交互的方式绘图。

pylab

pylab 是 matplotlib 面向对象绘图库的个接口。它的语法和 Matlab 十分相近。也就是说它主要的绘图命令和 Matlab 对应的命令有相似的参数。

本篇文章使用的实例源码下载：

Download

下载包包含两个目录：

figures：存放实例代码生成的图片
scripts：存放实例代码

初级绘制

这一节中将从简到繁：先尝试用默认配置在同一张图上绘制正弦和余弦函数图像然后逐步美化它。

第一步是取得正弦函数和余弦函数的值：

from pylab import *X = np.linspace(-np.pi, np.pi, 256,endpoint=True)C,S = np.cos(X), np.sin(X)

X 是个 numpy 数组包含了从 −π 到 +π 等间隔的 256 个值。C 和 S 则分别是这 256 个值对应的余弦和正弦函数值组成的 numpy 数组。

你可以在 IPython 的交互模式下测试代码也可以下载代码（下载链接就是这些示例图）然后执行：

python exercise_1.py

使用默认配置[源码文件]

Matplotlib 的默认配置都允许用户自定义。你可以调整大多数的默认配置：图片大小和分辨率（dpi）、线宽、颜色、风格、坐标轴、坐标轴以及网格的属性、文字与字体属性等。不过 matplotlib 的默认配置在大多数情况下已经做得足够好你可能只在很少的情况下才会想更改这些默认配置。

import numpy as npimport matplotlib.pyplot as pltX = np.linspace(-np.pi, np.pi, 256, endpoint=True)C,S = np.cos(X), np.sin(X)plt.plot(X,C)plt.plot(X,S)plt.show()

默认配置的具体内容[源码文件]

下面的代码中展现了 matplotlib 的默认配置并辅以注释说明这部分配置包含了有关绘图样式的所有配置。代码中的配置与默认配置完全相同你可以在交互模式中修改其中的值来观察效果。

# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用）from pylab import *# 创建个 8 * 6 点（point）的图 并设置分辨率为 80figure(figsize=(8,6), dpi=80)# 创建个新的 1 * 1 的子图 接下来的图样绘制在其中的第 1 块（也是唯一的一块）subplot(1,1,1)X = np.linspace(-np.pi, np.pi, 256,endpoint=True)C,S = np.cos(X), np.sin(X)# 绘制余弦曲线 使用蓝色的、连续的、宽度为 1 （像素）的线条plot(X, C, color="blue", linewidth=1.0, linestyle="-")# 绘制正弦曲线 使用绿色的、连续的、宽度为 1 （像素）的线条plot(X, S, color="green", linewidth=1.0, linestyle="-")# 设置横轴的上下限xlim(-4.0,4.0)# 设置横轴记号xticks(np.linspace(-4,4,9,endpoint=True))# 设置纵轴的上下限ylim(-1.0,1.0)# 设置纵轴记号yticks(np.linspace(-1,1,5,endpoint=True))# 以分辨率 72 来保存图片# savefig("exercice_2.png",dpi=72)# 在屏幕上显示show()

改变线条的颜色和粗细[源码文件]

首先以蓝色和红色分别表示余弦和正弦函数而后将线条变粗一点。接下来在水平方向拉伸一下整个图。

...figure(figsize=(10,6), dpi=80)plot(X, C, color="blue", linewidth=2.5, linestyle="-")plot(X, S, color="red", linewidth=2.5, linestyle="-")...

设置图片边界[源码文件]

当前的图片边界设置得不好所以有些地方看得不是很清楚。

...xlim(X.min()*1.1, X.max()*1.1)ylim(C.min()*1.1, C.max()*1.1)...

更好的方式是这样：

xmin ,xmax = X.min(), X.max()ymin, ymax = Y.min(), Y.max()dx = (xmax - xmin) * 0.2dy = (ymax - ymin) * 0.2xlim(xmin - dx, xmax + dx)ylim(ymin - dy, ymax + dy)

设置记号[源码文件]

讨论正弦和余弦函数的时候通常希望知道函数在 ±π 和 ±π2 的值。这样看来当前的设置就不那么理想了。

...

xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])yticks([-1, 0, +1])...

设置记号的标签[源码文件]

记号现在没问题了不过标签却不大符合期望。可以把 3.142 当做是 π 但毕竟不够精确。当设置记号的时候可以同时设置记号的标签。注意这里使用了 LaTeX。

...xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],    [r'$-pi$', r'$-pi/2$', r'$0$', r'$+pi/2$', r'$+pi$'])yticks([-1, 0, +1],    [r'$-1$', r'$0$', r'$+1$'])...

移动脊柱[源码文件]

坐标轴线和上面的记号连在一起就形成了脊柱（Spines 一条线段上有一系列的凸起是不是很像脊柱骨啊~）它记录了数据区域的范围。它们可以放在任意位置不过至今为止都把它放在图的四边。

实际上每幅图有四条脊柱（上下左右）为了将脊柱放在图的中间必须将其中的两条（上和右）设置为无色然后调整剩下的两条到合适的位置——数据空间的 0 点。

...ax = gca()ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')ax.xaxis.set_ticks_position('bottom')ax.spines['bottom'].set_position(('data',0))ax.yaxis.set_ticks_position('left')ax.spines['left'].set_position(('data',0))...

添加图例[源码文件]

在图的左上角添加个图例。为此只需要在 plot 函数里以「键 - 值」的形式增加个参数。

...plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")legend(loc='upper left')...

给一些特殊点做注释[源码文件]

希望在 2π/3 的位置给两条函数曲线加上个注释。首先在对应的函数图像位置上画个点；然后向横轴引一条垂线以虚线标记；最后写上标签。

...t = 2*np.pi/3plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")scatter([t,],[np.cos(t),], 50, color ='blue')annotate(r'$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$',     xy=(t, np.sin(t)), xycoords='data',     xytext=(+10, +30), textcoords='offset points', fontsize=16,     arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")scatter([t,],[np.sin(t),], 50, color ='red')annotate(r'$cos(frac{2pi}{3})=-frac{1}{2}$',     xy=(t, np.cos(t)), xycoords='data',     xytext=(-90, -50), textcoords='offset points', fontsize=16,     arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))...

精益求精[源码文件]

坐标轴上的记号标签被曲线挡住了作为强迫症患者（雾）这是不能忍的。可以把它们放大然后添加个白色的半透明底色。这样可以保证标签和曲线同时可见。

...for label in ax.get_xticklabels() + ax.get_yticklabels():  label.set_fontsize(16)  label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 ))...

图像、子图、坐标轴和记号

到目前为止都用隐式的方法来绘制图像和坐标轴。快速绘图中这是很方便的。也可以显式地控制图像、子图、坐标轴。Matplotlib 中的「图像」指的是用户界面看到的整个窗口内容。在图像里面有所谓「子图」。子图的位置是由坐标网格确定的而「坐标轴」却不受此限制可以放在图像的任意位置。已经隐式地使用过图像和子图：当调用 plot 函数的时候 matplotlib 调用 gca() 函数以及 gcf() 函数来获取当前的坐标轴和图像；如果无法获取图像则会调用 figure() 函数来创建个——严格地说是用 subplot(1,1,1) 创建个只有个子图的图像。

图像

所谓「图像」就是 GUI 里以「Figure #」为标题的那些窗口。图像编号从 1 开始与 MATLAB 的风格一致而于 Python 从 0 开始编号的风格不同。以下参数是图像的属性：

num	1	图像的数量
figsize	figure.figsize	图像的长和宽（英寸）
dpi	figure.dpi	分辨率（点/英寸）
facecolor	figure.facecolor	绘图区域的背景颜色
edgecolor	figure.edgecolor	绘图区域边缘的颜色
frameon	True	是否绘制图像边缘

这些默认值可以在源文件中指明。不过除了图像数量这个参数其余的参数都很少修改。

你在图形界面中可以按下右上角的 X 来关闭窗口（OS X 系统是左上角）。Matplotlib 也提供了名为 close 的函数来关闭这个窗口。close 函数的具体行为取决于你提供的参数：

不传递参数：关闭当前窗口；
传递窗口编号或窗口实例（instance）作为参数：关闭指定的窗口；
all：关闭所有窗口。

和其对象一样你可以使用 setp 或是 set_something 这样的方法来设置图像的属性。

子图

你可以用子图来将图样（plot）放在均匀的坐标网格中。用 subplot 函数的时候你需要指明网格的行列数量以及你希望将图样放在哪个网格区域中。此外 gridspec 的功能更强大你也可以选择它来实现这个功能。

[源码文件]

坐标轴

坐标轴和子图功能类似不过它可以放在图像的任意位置。因此如果你希望在一副图中绘制个小图就可以用这个功能。

[源码文件]

记号

良好的记号是图像的重要组成部分。Matplotlib 里的记号系统里的各个细节都是可以由用户个性化配置的。你可以用 Tick Locators 来指定在那些位置放置记号用 Tick Formatters 来调整记号的样式。主要和次要的记号可以以不同的方式呈现。默认情况下每个次要的记号都是隐藏的也就是说默认情况下的次要记号列表是空的——NullLocator。

Tick Locators

下面有为不同需求设计的一些 Locators。

NullLocator	No ticks.
IndexLocator	Place a tick on every multiple of some base number of points plotted.
FixedLocator	Tick locations are fixed.
LinearLocator	Determine the tick locations.
MultipleLocator	Set a tick on every integer that is multiple of some base.
AutoLocator	Select no more than n intervals at nice locations.
LogLocator	Determine the tick locations for log axes.

这些 Locators 都是 matplotlib.ticker.Locator 的子类你可以据此定义自己的 Locator。以日期为 ticks 特别复杂因此 Matplotlib 提供了 matplotlib.dates 来实现这一功能。

其类型的图

接下来的内容是练习。请运用你学到的知识从提供的代码开始实现配图所示的效果。具体的答案可以点击配图下载。

普通图[源码文件]

from pylab import *n = 256X = np.linspace(-np.pi,np.pi,n,endpoint=True)Y = np.sin(2*X)plot (X, Y+1, color='blue', alpha=1.00)plot (X, Y-1, color='blue', alpha=1.00)show()

散点图[源码文件]

from pylab import *n = 1024X = np.random.normal(0,1,n)Y = np.random.normal(0,1,n)scatter(X,Y)show()

条形图[源码文件]

from pylab import *n = 12X = np.arange(n)Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)bar(X, +Y1, facecolor='#9999ff', edgecolor='white')bar(X, -Y2, facecolor='#ff9999', edgecolor='white')for x,y in zip(X,Y1):  text(x+0.4, y+0.05, '%.2f' % y, ha='center', va= 'bottom')ylim(-1.25,+1.25)show()

等高线图[源码文件]

from pylab import *def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)n = 256x = np.linspace(-3,3,n)y = np.linspace(-3,3,n)X,Y = np.meshgrid(x,y)contourf(X, Y, f(X,Y), 8, alpha=.75, cmap='jet')C = contour(X, Y, f(X,Y), 8, colors='black', linewidth=.5)show()

灰度图（Imshow）[源码文件]

from pylab import *def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)n = 10x = np.linspace(-3,3,4*n)y = np.linspace(-3,3,3*n)X,Y = np.meshgrid(x,y)imshow(f(X,Y)), show()

饼状图[源码文件]

from pylab import *n = 20Z = np.random.uniform(0,1,n)pie(Z), show()

量场图（Quiver Plots）[源码文件]

from pylab import *n = 8X,Y = np.mgrid[0:n,0:n]quiver(X,Y), show()

网格[源码文件]

from pylab import *axes = gca()axes.set_xlim(0,4)axes.set_ylim(0,3)axes.set_xticklabels([])axes.set_yticklabels([])show()

多重网格[源码文件]

from pylab import *subplot(2,2,1)subplot(2,2,3)subplot(2,2,4)show()

极轴图[源码文件]

from pylab import *axes([0,0,1,1])N = 20theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)radii = 10*np.random.rand(N)width = np.pi/4*np.random.rand(N)bars = bar(theta, radii, width=width, bottom=0.0)for r,bar in zip(radii, bars):  bar.set_facecolor( cm.jet(r/10.))  bar.set_alpha(0.5)show()

3D 图[源码文件]

from pylab import *from mpl_toolkits.mplot3d import Axes3Dfig = figure()ax = Axes3D(fig)X = np.arange(-4, 4, 0.25)Y = np.arange(-4, 4, 0.25)X, Y = np.meshgrid(X, Y)R = np.sqrt(X**2 + Y**2)Z = np.sin(R)ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='hot')show()

手稿图[源码文件]

import numpy as npimport matplotlib.pyplot as plteqs = []eqs.append((r"$W^{3beta}_{delta_1 rho_1 sigma_2} = U^{3beta}_{delta_1 rho_1} + frac{1}{8 pi 2} int^{alpha_2}_{alpha_2} d alpha^prime_2 left[frac{ U^{2beta}_{delta_1 rho_1} - alpha^prime_2U^{1beta}_{rho_1 sigma_2} }{U^{0beta}_{rho_1 sigma_2}}right]$"))eqs.append((r"$frac{drho}{d t} + rho vec{v}cdotnablavec{v} = -nabla p + munabla^2 vec{v} + rho vec{g}$"))eqs.append((r"$int_{-infty}^infty e^{-x^2}dx=sqrt{pi}$"))eqs.append((r"$E = mc^2 = sqrt{{m_0}^2c^4 + p^2c^2}$"))eqs.append((r"$F_G = Gfrac{m_1m_2}{r^2}$"))plt.axes([0.025,0.025,0.95,0.95])for i in range(24):  index = np.random.randint(0,len(eqs))  eq = eqs[index]  size = np.random.uniform(12,32)  x,y = np.random.uniform(0,1,2)  alpha = np.random.uniform(0.25,.75)  plt.text(x, y, eq, ha='center', va='center', color="#11557c", alpha=alpha,       transform=plt.gca().transAxes, fontsize=size, clip_on=True)plt.xticks([]), plt.yticks([])# savefig('../figures/text_ex.png',dpi=48)plt.show()

分类科技

介绍

IPython 以及 pylab 模式

pylab

初级绘制

使用默认配置[源码文件]

默认配置的具体内容[源码文件]

改变线条的颜色和粗细[源码文件]

设置图片边界[源码文件]

设置记号[源码文件]

设置记号的标签[源码文件]

移动脊柱[源码文件]

添加图例[源码文件]

给一些特殊点做注释[源码文件]

精益求精[源码文件]

图像、子图、坐标轴和记号

图像

子图

坐标轴

记号

Tick Locators

其类型的图

普通图[源码文件]

散点图[源码文件]

条形图[源码文件]

等高线图[源码文件]

灰度图（Imshow）[源码文件]

饼状图[源码文件]

量场图（Quiver Plots）[源码文件]

网格[源码文件]

多重网格[源码文件]

极轴图[源码文件]

3D 图[源码文件]

手稿图[源码文件]

更多参考

0篇笔记写笔记

尊贵的董事大人

分类导航

Matplotlib 教程

分类 科技

介绍

IPython 以及 pylab 模式

pylab

初级绘制

使用默认配置[源码文件]

默认配置的具体内容[源码文件]

改变线条的颜色和粗细[源码文件]

设置图片边界[源码文件]

设置记号[源码文件]

设置记号的标签[源码文件]

移动脊柱[源码文件]

添加图例[源码文件]

给一些特殊点做注释[源码文件]

精益求精[源码文件]

图像、子图、坐标轴和记号

图像

子图

坐标轴

记号

Tick Locators

其 类型的图

普通图[源码文件]

散点图[源码文件]

条形图[源码文件]

等高线图[源码文件]

灰度图（Imshow）[源码文件]

饼状图[源码文件]

量场图（Quiver Plots）[源码文件]

网格[源码文件]

多重网格[源码文件]

极轴图[源码文件]

3D 图[源码文件]

手稿图[源码文件]

更多参考

0篇笔记写笔记

尊贵的董事大人

分类导航

微信关注

分类科技

其类型的图