Python图表绘制：matplotlib绘图库入门

墨蓝 2022-06-14 07:07 391阅读 0赞

matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。

它的文档相当完备，并且Gallery页面中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。

在Linux下比较著名的数据图工具还有gnuplot，这个是免费的，Python有一个包可以调用gnuplot，但是语法比较不习惯，而且画图质量不高。

而 [Matplotlib][]则比较强：Matlab的语法、python语言、latex的画图质量（还可以使用内嵌的latex引擎绘制的数学公式）。

**本文目录**

1. [Matplotlib.pyplot快速绘图][Matplotlib.pyplot]

2. [面向对象画图][Link 1]

3. [Matplotlib.pylab快速绘图][Matplotlib.pylab]

4. [在图表中显示中文][Link 2]

5. [对LaTeX数学公式的支持][LaTeX]

6. [对数坐标轴][Link 3]

--------------------

**Matplotlib.pyplot快速绘图**

--------------------

[**快速绘图**][Link 4]**和**[**面向对象方式绘图**][Link 5]

matplotlib实际上是一套面向对象的绘图库，它所绘制的图表中的每个绘图元素，例如线条Line2D、文字Text、刻度等在内存中都有一个对象与之对应。

为了方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。我们只需要调用pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。pyplot模块虽然用法简单，但不适合在较大的应用程序中使用。

为了将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用plt.gcf()和plt.gca()获得，分别表示"Get Current Figure"和"Get Current Axes"。在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：

> plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图。

可以在Ipython中输入类似"plt.plot??"的命令查看pyplot模块的函数是如何对各种绘图对象进行包装的。

[**配置属性**][Link 6]

matplotlib所绘制的图表的每个组成部分都和一个对象对应，我们可以通过调用这些对象的属性设置方法set\_\*()或者pyplot模块的属性设置函数setp()设置它们的属性值。

因为matplotlib实际上是一套面向对象的绘图库，因此也可以直接获取对象的属性

[**配置文件**][Link 7]

绘制一幅图需要对许多对象的属性进行配置，例如颜色、字体、线型等等。我们在绘图时，并没有逐一对这些属性进行配置，许多都直接采用了matplotlib的缺省配置。

matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件中，通过修改配置文件，我们可以修改图表的缺省样式。配置文件的读入可以使用rc\_params()，它返回一个配置字典；在matplotlib模块载入时会调用rc\_params()，并把得到的配置字典保存到rcParams变量中；matplotlib将使用rcParams字典中的配置进行绘图；用户可以直接修改此字典中的配置，所做的改变会反映到此后创建的绘图元素。

[**绘制多子图**][Link 8]（快速绘图）

Matplotlib 里的常用类的包含关系为 `Figure -> Axes -> (Line2D, Text, etc.)`一个Figure对象可以包含多个子图(Axes)，在matplotlib中用Axes对象表示一个绘图区域，可以理解为子图。

可以使用subplot()快速绘制包含多个子图的图表，它的调用形式如下：

subplot(numRows, numCols, plotNum)

subplot将整个绘图区域等分为numRows行\* numCols列个子区域，然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1。如果numRows，numCols和plotNum这三个数都小于10的话，可以把它们缩写为一个整数，例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。

[![image][]][image 1]

subplot()返回它所创建的Axes对象，我们可以将它用变量保存起来，然后用sca()交替让它们成为当前Axes对象，并调用plot()在其中绘图。

[**绘制多图表**][Link 9]（快速绘图）

如果需要同时绘制多幅图表，可以给figure()传递一个整数参数指定Figure对象的序号，如果序号所指定的Figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。

import numpy as np

import matplotlib.pyplot as plt

plt.figure(1) # 创建图表1

plt.figure(2) # 创建图表2

ax1 = plt.subplot(211) # 在图表2中创建子图1

ax2 = plt.subplot(212) # 在图表2中创建子图2

x = np.linspace(0, 3, 100)

for i in xrange(5):

plt.figure(1)  #❶ # 选择图表1

plt.plot(x, np.exp(i*x/3))

plt.sca(ax1)   #❷ # 选择图表2的子图1

plt.plot(x, np.sin(i*x))

plt.sca(ax2)  # 选择图表2的子图2

plt.plot(x, np.cos(i*x))

plt.show()

[**在图表中显示中文**][Link 10]

matplotlib的缺省配置文件中所使用的字体无法正确显示中文。为了让图表能正确显示中文，可以有几种解决方案。

1.  在程序中直接指定字体。
2.  在程序开头修改配置字典rcParams。
3.  修改配置文件。

[matplotlib输出图象的中文显示问题][matplotlib]

上面那个link里的修改matplotlibrc方式，我试了好几次都没成功。能work的一个比较简便粗暴的方式（但不知道有没有副作用）是，1.找到字体目录YOURPYTHONHOME\\Lib\\site-packages\\matplotlib\\mpl-data\\fonts\\ttf下的Vera.ttf。这里我们用中文楷体(可以从windows/system32/fonts拷贝过来，对于win8字体文件不是ttf的可以从网上下一个[微软雅黑][Link 11])，直接张贴到前面的ttf目录下，然后更名为Vera.ttf。2. 中文字符串用unicode格式，例如：u''测试中文显示''，代码文件编码使用utf-8 加上" \# coding = utf-8  "一行。

--------------------

**面向对象画图**

--------------------

matplotlib API包含有三层，Artist层处理所有的高层结构，例如处理图表、文字和曲线等的绘制和布局。通常我们只和Artist打交道，而不需要关心底层的绘制细节。

直接使用Artists创建图表的标准流程如下：

*  创建Figure对象
 *  用Figure对象创建一个或者多个Axes或者Subplot对象
 *  调用Axies等对象的方法创建各种简单类型的Artists

import matplotlib.pyplot as plt

X1 = range(0, 50) Y1 = \[num\*\*2 for num in X1\] \# y = x^2 X2 = \[0, 1\] Y2 = \[0, 1\] \# y = x

Fig = plt.figure(figsize=(8,4)) \# Create a \`figure' instance Ax = Fig.add\_subplot(111) \# Create a \`axes' instance in the figure Ax.plot(X1, Y1, X2, Y2) \# Create a Line2D instance in the axes

Fig.show() Fig.savefig("test.pdf")

参考：

**《Python科学计算》(**[**Numpy视频**][Numpy]**) **[matplotlib-绘制精美的图表(快速绘图)][matplotlib-][(面向对象绘图)][Link 12]（深入浅出适合系统学习）

[什么是 Matplotlib][Matplotlib 1] （主要讲面向对象绘图，对于新手可能有点乱）

--------------------

**Matplotlib.pylab快速绘图**

--------------------

matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。这里使用下面的方式载入pylab模块：

>>> import pylab as pl

**1 安装numpy和matplotlib**

>>> import numpy  
>>> numpy.\_\_version\_\_

>>> import matplotlib  
>>> matplotlib.\_\_version\_\_

**2 两种常用图类型**：Line and scatter plots(使用plot()命令), histogram(使用hist()命令)

**2.1 折线图&散点图** Line and scatter plots

**2.1.1 折线图 Line plots**(关联一组x和y值的直线)

import numpy as np

import pylab as pl

x = [1, 2, 3, 4, 5]# Make an array of x values

y = [1, 4, 9, 16, 25]# Make an array of y values for each x value

pl.plot(x, y)# use pylab to plot x and y

pl.show()# show the plot on the screen

[![image][image 2]][image_image 2]

**2.1.2 散点图 Scatter plots**

把pl.plot(x, y)改成pl.plot(x, y, 'o')即可，下图的蓝色版本

**2.2  美化 Making things look pretty**

**2.2.1 线条颜色 Changing the line color**

红色：把pl.plot(x, y, 'o')改成pl.plot(x, y, ’or’)

[![image][image 3]][image_image 3]

[![image][image 4]][image_image 4]

**2.2.2 线条样式 Changing the line style**

虚线:plot(x,y, '--')

[![image][image 5]][image_image 5]

**2.2.3 marker样式 Changing the marker style**

蓝色星型markers：plot(x,y, ’b\*’)

[![image][image 6]][image_image 6]

**2.2.4 图和轴标题以及轴坐标限度 Plot and axis titles and limits**

import numpy as np

import pylab as pl

x = [1, 2, 3, 4, 5]# Make an array of x values

y = [1, 4, 9, 16, 25]# Make an array of y values for each x value

pl.plot(x, y)# use pylab to plot x and y

pl.title(’Plot of y vs. x’)# give plot a title

pl.xlabel(’x axis’)# make axis labels

pl.ylabel(’y axis’)

pl.xlim(0.0, 7.0)# set axis limits

pl.ylim(0.0, 30.)

pl.show()# show the plot on the screen

[![image][image 7]][image_image 7]

2.2.5 **在一个坐标系上绘制多个图 Plotting more than one plot on the same set of axes**

做法是很直接的，依次作图即可:

import numpy as np

import pylab as pl

x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph

y1 = [1, 4, 9, 16, 25]

x2 = [1, 2, 4, 6, 8]

y2 = [2, 4, 8, 12, 16]

pl.plot(x1, y1, ’r’)# use pylab to plot x and y

pl.plot(x2, y2, ’g’)

pl.title(’Plot of y vs. x’)# give plot a title

pl.xlabel(’x axis’)# make axis labels

pl.ylabel(’y axis’)

pl.xlim(0.0, 9.0)# set axis limits

pl.ylim(0.0, 30.)

pl.show()# show the plot on the screen

[![image][image 8]][image_image 8]

**2.2.6  图例 Figure legends**

pl.legend((plot1, plot2), (’label1, label2’), 'best’, numpoints=1)

其中第三个参数表示图例放置的位置:'best’‘upper right’, ‘upper left’, ‘center’, ‘lower left’, ‘lower right’.

如果在当前figure里plot的时候已经指定了label，如plt.plot(x,z,label="cos(x2) cos(x2)")，直接调用plt.legend()就可以了哦。

import numpy as np

import pylab as pl

x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph

y1 = [1, 4, 9, 16, 25]

x2 = [1, 2, 4, 6, 8]

y2 = [2, 4, 8, 12, 16]

plot1 = pl.plot(x1, y1, ’r’)# use pylab to plot x and y : Give your plots names

plot2 = pl.plot(x2, y2, ’go’)

pl.title(’Plot of y vs. x’)# give plot a title

pl.xlabel(’x axis’)# make axis labels

pl.ylabel(’y axis’)

pl.xlim(0.0, 9.0)# set axis limits

pl.ylim(0.0, 30.)

pl.legend([plot1, plot2], (’red line’, ’green circles’), ’best’, numpoints=1)# make legend

pl.show()# show the plot on the screen

[![image][image 9]][image_image 9]

**2.3 直方图 Histograms**

import numpy as np

import pylab as pl

# make an array of random numbers with a gaussian distribution with

# mean = 5.0

# rms = 3.0

# number of points = 1000

data = np.random.normal(5.0, 3.0, 1000)

# make a histogram of the data array

pl.hist(data)

# make plot labels

pl.xlabel(’data’)

pl.show()

如果不想要黑色轮廓可以改为pl.hist(data, histtype=’stepfilled’)

[![image][image 10]][image_image 10]

**2.3.1 自定义直方图bin宽度 Setting the width of the histogram bins manually**

增加这两行

bins = np.arange(-5., 16., 1.) \#浮点数版本的range  
pl.hist(data, bins, histtype=’stepfilled’)

[![image][image 11]][image_image 11]

**3 同一画板上绘制多幅子图 Plotting more than one axis per canvas**

如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定  
序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。

fig1 = pl.figure(1)  
pl.subplot(211)  
subplot(211)把绘图区域等分为2行\*1列共两个区域, 然后在区域1(上区域)中创建一个轴对象. pl.subplot(212)在区域2(下区域)创建一个轴对象。  
[![image][image 12]][image_image 12]

You can play around with plotting a variety of layouts. For example, Fig. 11 is created using the following commands:

f1 = pl.figure(1)  
pl.subplot(221)  
pl.subplot(222)  
pl.subplot(212)

[![image][image 13]][image_image 13]

当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots\_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。

pl.subplots\_adjust(left=0.08, right=0.95, wspace=0.25, hspace=0.45)

**4 绘制文件中的数据Plotting data contained in files**

**4.1 从Ascii文件中读取数据 Reading data from ascii files**

读取文件的方法很多，这里只介绍一种简单的方法，更多的可以参考官方文档和[NumPy快速处理数据(文件存取)][NumPy]。

numpy的loadtxt方法可以直接读取如下文本数据到numpy二维数组

\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*

\# fakedata.txt  
0 0  
1 1  
2 4  
3 9  
4 16  
5 25  
6 36  
7 49  
8 64  
9 81  
0 0  
1 1  
2 4  
3 9  
4 16  
5 25  
6 36  
7 49  
8 64  
9 81

\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*

import numpy as np

import pylab as pl

# Use numpy to load the data contained in the file

# ’fakedata.txt’ into a 2-D array called data

data = np.loadtxt(’fakedata.txt’)

# plot the first column as x, and second column as y

pl.plot(data[:,0], data[:,1], ’ro’)

pl.xlabel(’x’)

pl.ylabel(’y’)

pl.xlim(0.0, 10.)

pl.show()

[![image][image 14]][image_image 14]

**4.2 写入数据到文件 Writing data to a text file**

写文件的方法也很多，这里只介绍一种可用的写入文本文件的方法，更多的可以参考官方文档。

import numpy as np

# Let’s make 2 arrays (x, y) which we will write to a file

# x is an array containing numbers 0 to 10, with intervals of 1

x = np.arange(0.0, 10., 1.)

# y is an array containing the values in x, squared

y = x*x

print ’x = ’, x

print ’y = ’, y

# Now open a file to write the data to

# ’w’ means open for ’writing’

file = open(’testdata.txt’, ’w’)

# loop over each line you want to write to file

for i in range(len(x)):

# make a string for each line you want to write

# ’\t’ means ’tab’

# ’\n’ means ’newline’

# ’str()’ means you are converting the quantity in brackets to a string type

txt = str(x[i]) + ’\t’ + str(y[i]) + ’ \n’

# write the txt to the file

file.write(txt)

# Close your file

file.close()

这部分是翻译自：[Python Plotting Beginners Guide][]

--------------------

**对LaTeX数学公式的支持**

Matlplotlib对LaTeX有一定的支持，如果记得使用raw字符串语法会很自然：

> xlabel(r"x2y4 x2y4")

在matplotlib里面，可以使用LaTex的命令来编辑公式，只需要在字符串前面加一个“r”即可

Here is a simple example:

> \# plain text  
> plt.title('alpha > beta')

produces “alpha > beta”.

Whereas this:

![061207176723208.jpg][]

produces "".

这里给大家看一个简单的例子。

> import matplotlib.pyplot as plt
> 
> x = arange(1,1000,1)  
> r = -2  
> c = 5  
> y = \[5\*(a\*\*r) for a in x\]
> 
>  
> 
> fig = plt.figure()
> 
> ax = fig.add\_subplot(111)  
> ax.loglog(x,y,label = r"y=12σ21,c=5,σ1=−2 y=12σ12,c=5,σ1=−2")  
> ax.legend()  
> ax.set\_xlabel(r"x")  
> ax.set\_ylabel(r"y")

程序执行结果如图3所示，这实际上是一个power-law的例子，有兴趣的朋友可以继续google之。

再看一个《用Python做科学计算》中的简单例子，下面的两行程序通过调用plot函数在当前的绘图对象中进行绘图：

> plt.plot(x,y,label="sin(x) sin(x)",color="red",linewidth=2)  
> plt.plot(x,z,"b--",label="cos(x2) cos(x2)")

plot函数的调用方式很灵活，第一句将x,y数组传递给plot之后，用关键字参数指定各种属性：

*  **label** : 给所绘制的曲线一个名字，此名字在图示(legend)中显示。只要在字符串前后添加"**$**"符号，matplotlib就会使用其**内嵌的latex引擎**绘制的数学公式。
 *  **color** : 指定曲线的颜色
 *  **linewidth** : 指定曲线的宽度

--------------------

**对数坐标轴**

在实际中，我们可能经常会用到对数坐标轴，这时可以用下面的三个函数来实现

ax.semilogx(x,y) \#x轴为对数坐标轴

ax.semilogy(x,y) \#y轴为对数坐标轴

ax.loglog(x,y) \#双对数坐标轴

[Matplotlib]: http://matplotlib.sourceforge.net/
[Matplotlib.pyplot]: http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html#pyplot
[Link 1]: http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html#oo
[Matplotlib.pylab]: http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html#pylab
[Link 2]: http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html#chinese
[LaTeX]: http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html#LaTeX
[Link 3]: http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html#log
[Link 4]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#id1
[Link 5]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#id2
[Link 6]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#id3
[Link 7]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#id5
[Link 8]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#id4
[image]: /images/20220614/ce1446b56f6c454f9feb29fc36140718.png
[image 1]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205231144091047.png
[Link 9]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#fig-matplotlibmultifigure
[Link 10]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib_fast_plot.html#id6
[matplotlib]: http://www.cnblogs.com/appler/archive/2012/04/23/2466436.html
[Link 11]: https://code.google.com/p/nipao/downloads/detail?name=msyh.ttf
[Numpy]: http://www.tudou.com/playlist/id/10590221
[matplotlib-]: http://hyry.dip.jp/tech/book/page/scipy/matplotlib.html
[Link 12]: http://hyry.dip.jp:8000/pydoc/matplotlib_intro.html#artist
[Matplotlib 1]: http://darksair.org/wiki/matplotlib.html
[image 2]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001198952.png
[image_image 2]: /images/20220614/e201f3a0bb124fdaa2b2525a1d1547a8.png
[image 3]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001201644.png
[image_image 3]: /images/20220614/2b42da483e3845129143856f5e0d9077.png
[image 4]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001213115.png
[image_image 4]: /images/20220614/658bb20753bb476484b7546b235abc03.png
[image 5]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001238839.png
[image_image 5]: /images/20220614/d80a35175c6244c6bbc9746573219db5.png
[image 6]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/20120523000125800.png
[image_image 6]: /images/20220614/9126aa8afaba499d95ebdcc9eef69331.png
[image 7]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001278966.png
[image_image 7]: /images/20220614/4fc3e1c50a2947dcad2aa45965735d51.png
[image 8]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001282945.png
[image_image 8]: /images/20220614/ccbd9fa60fd747168af7d39ddf332457.png
[image 9]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001308320.png
[image_image 9]: /images/20220614/f6aef5d4eb844703bf0a98d9afcd4c0c.png
[image 10]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/20120523000131107.png
[image_image 10]: /images/20220614/67a8ddfe7dca41a3b72f46c5d98aee4b.png
[image 11]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001337466.png
[image_image 11]: /images/20220614/cee928ebcccd4929b0a993fc1669c1e2.png
[image 12]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230001355317.png
[image_image 12]: /images/20220614/b1cce7ae3a3e407ba9df44704910a18c.png
[image 13]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/20120523093234632.png
[image_image 13]: /images/20220614/dddc028ea09c42b5bf0cdc63eced8f12.png
[NumPy]: http://hyry.dip.jp/tech/book/page/scipy/numpy_file.html
[image 14]: http://images.cnblogs.com/cnblogs_com/wei-li/201205/201205230737267460.png
[image_image 14]: /images/20220614/bbf774dc9e4141be87b6edbc62c5b120.png
[Python Plotting Beginners Guide]: http://www.ast.uct.ac.za/~sarblyth/pythonGuide/PythonPlottingBeginnersGuide.pdf
[061207176723208.jpg]: /images/20220614/994ffe8095614f8fa5cc609fee5d11bf.png