Matplotlib基本使用

文章发布时间:

最后更新时间:

文章总字数:
1.5k

预计阅读时间:
6 分钟

一.Matplotlib简述

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。

Matplotlib 图形组成：

  • Figure：指整个图形，可以把它理解成一张画布，它包括了所有的元素，比如标题、轴线等

  • Axes：绘制 2D 图像的实际区域，也称为轴域区，或者绘图区

  • Axis：指坐标系中的垂直轴与水平轴，包含轴的长度大小（图中轴长为 7）、轴标签（指 x 轴，y轴）和刻度标签

  • Artist：在画布上看到的所有元素都属于 Artist 对象，比如文本对象（title、xlabel、ylabel）、Line2D 对象（用于绘制2D图像）等

二.常用函数

2.1 plot 函数

用于绘制二维图形,可以根据提供的 x 和 y 数据点绘制线条和/或标记。

1
pylab.plot(x, y, format_string=None, **kwargs)

  • 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。

1
2
3
4
5
6
7
8
9
10
import numpy as np
from matplotlib import pyplot as plt
x = np.linspace(0, 2, 100)
y = np.sin(x)
z = np.cos(x)
 
plt.plot(x, y, label='sin')
plt.plot(x, z, label='cos')
 
plt.show()

结果：

2.2 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

参数有：

  • 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

2.2.1 figure.add_axes()

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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import matplotlib.pyplot as plt
import numpy as np
 
x = np.linspace(-6, 6, 100)
y = x ** 2
z = np.sin(x)
 
# 创建一个figure对象
fig = plt.figure(figsize=(8, 6))
 
# 创建绘图区域
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
 
# 这里是个注意点，中文标签
ax.plot(x, y,label = 'y = x^2函数')
 
ax.plot(x, z,label = 'y = sin(x)')
 
# 显示图例
ax.legend()
# 显示图像
plt.show()

结果：

中文标签出现了乱码，要怎么解决呢？来看看下面的操作：

  1. 局部处理：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# 局部处理关键代码
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
 
# 测试
x = np.linspace(-6, 6, 100)
y = x ** 2
z = np.sin(x)
 
fig = plt.figure(figsize=(8, 6))
 
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
 
ax.plot(x, y,label = 'y = x^2函数')
 
ax.plot(x, z,label = 'y = sin(x)')
 
ax.legend()
plt.show()

结果：

  1. 全局处理：
1
2
import matplotlib
print(matplotlib.matplotlib_fname())

找到 matplotlibrc 文件，找到 font.family 和 font.sans-serif 项，去掉原有的注释符。

font.sans-serif设置加上支持中文的字体，如 SimHei。

同时，设置 axes.unicode_minus 为 False 以正常显示负号。

2.2.2 axes.legend()

既然上面用到了显示图例，那么下面就来介绍下legend()方法。

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

这些参数既可以在plot绘制图形时加入，也可以在后面的legend函数终直接使用。

2.3 subplot 函数

  通常用于创建网格状的子图布局。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。不过也有缺点，就是每次插入都要调一次add_subplot，比较麻烦。

1
fig.add_subplot(nrows, ncols, index)

其中每个数字代表子图的行数、列数和子图的索引。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import matplotlib.pyplot as plt
import numpy as np
 
x = np.linspace(-6, 6, 100)
y = x ** 2
z = np.sin(x)
 
# 创建一个figure对象
fig = plt.figure(figsize=(8, 6))
 
# 将画布分成一行两列,内容插入第一列
su = fig.add_subplot(2, 2, 1)
 
su.plot(x,y,label = 'y = x^2')
 
# 将画布分成一行两列,内容插入第二列，实际上还剩两个子图没插东西，会插在下方
su = fig.add_subplot(2, 2, 2)
 
su.plot(x,z,label = 'y = sin(x)')
 
su.legend()
plt.show()

结果：

2.4 subplots 函数（对subplot的优化）

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，访问下标可以在对应子图插入内容。

1
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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import matplotlib.pyplot as plt
import numpy as np
 
x = np.linspace(-6, 6, 100)
y = x ** 2
z = np.sin(x)
 
# 返回一个一维数组
fig, axs = plt.subplots(1, 3)
axs[0].plot(x, y, label = 'y = x^2')
axs[0].legend()
 
axs[1].plot(x, z, label = 'y = sin(x)')
axs[1].legend()
 
plt.show()

结果：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import matplotlib.pyplot as plt
import numpy as np
 
x = np.linspace(-6, 6, 100)
y = x ** 2
z = np.sin(x)
 
# 返回一个二维数组
fig, axs = plt.subplots(2, 3)
 
# 放第一个地方
axs[0, 0].plot(x, y,label = 'y = x^2')
axs[0, 0].legend()
 
 
# 放右下角子图,[1,2]和[1][2]都可以
axs[1][2].plot(x, z,label = 'y = sin(x)')
axs[1][2].legend()
 
plt.show()

结果：

小结：实际应用中，plot函数是用的最多的。

≡