Matplot pyplot绘制单图，多子图不同样式详解，这一篇就够了
matplotlib.pyplot 是使 matplotlib 像 MATLAB 一样工作的函数集合。这篇博客将介绍
plt.set_title(‘simple plot’, loc = 'left')
设置表示标题，默认位于中间，也可位于left靠左，right靠右
t = plt.xlabel('Smarts', fontsize=14, color='red')
表示设置x标签的文本，字体大小，颜色
plt.plot([1, 2, 3, 4])
如果提供的单个列表或数组，matplot假定提供的是y的值；x默认跟y个数一致，但从0开始，表示x:[0,1,2,3]
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
表示x:[1,2,3,4],y:[1,4,9,16]
plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro') 表示x:[1,2,3,4],y:[1,4,9,16]，然后指定线的颜色和样式（ro：红色圆圈，b-：蓝色实线等）
plt.axis([0, 6, 0, 20]) plt.axix[xmin, xmax, ymin, ymax] 表示x轴的刻度范围[0,6], y轴的刻度范围[0,20]
plt.bar(names, values) # 条形图
plt.scatter(names, values) # 散点图
plt.plot(names, values) # 折线图
fig, ax = plt.subplots(2, sharex=True, sharey=True) 可创建多表，并指定共享x，y轴，然后ax[0],ax[1]绘制data
fig, (ax1, ax2) = plt.subplots(2, sharex=True, sharey=True) 可创建多表，并指定共享x，y轴
fig, (ax1, ax2) = plt.subplots(2, sharex=True, sharey=True) 可创建多表，垂直堆叠表 2行1列
fig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True) 可创建多表，水平堆叠表 1行2列
fig, (ax1, ax2) = plt.subplots(2, 2, sharex=True, sharey=True，hspace=0，wspace=0) 可创建多表，水平垂直堆叠表 2行2列，共享x，y轴，并去除子图宽度和高度之间的缝隙
共享x，y轴表示共享x，y轴的刻度及值域；
1. 单图单线
# 单图单线
import matplotlib.pyplot as plt
# 如果提供单个列表或数组，matplotlib 会假定它是一个 y 值序列，并自动为您生成 x 值。
# 由于 python 范围从 0 开始，默认的 x 向量与 y 具有相同的长度，但从 0 开始。因此 x 数据是 [0, 1, 2, 3]
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()
# 对于每对 x, y 参数，都有一个可选的第三个参数，它是指示绘图颜色和线型的格式字符串。
# 格式字符串的字母和符号来自 MATLAB，将颜色字符串与线型字符串连接起来。默认格式字符串是“b-”，这是一条蓝色实线。'ro'红色圆圈
plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.axis([0, 6, 0, 20]) # 刻度轴的范围，x：0~6，y：0~20
plt.show()
2. 单图多线不同样式（红色圆圈、蓝色实线、绿色三角等）
’b-‘：蓝色实线
'ro'：红色圆圈
'r--'：红色破折号
'bs'：蓝色方形
'g^'：绿色三角
mark标记：
'.' point marker
',' pixel marker
'o' circle marker
'v' triangle_down marker
'^' triangle_up marker
'<' triangle_left marker
'>' triangle_right marker
'1' tri_down marker
'2' tri_up marker
'3' tri_left marker
'4' tri_right marker
'8' octagon marker
's' square marker
'p' pentagon marker
'P' plus (filled) marker
'*' star marker
'h' hexagon1 marker
'H' hexagon2 marker
'+' plus marker
'x' x marker
'X' x (filled) marker
'D' diamond marker
'd' thin_diamond marker
'|' vline marker
'_' hline marker
支持的颜色：
'b' blue 蓝色
'g' green 绿色
'r' red 红色
'c' cyan 兰青色
'm' magenta 紫色
'y' yellow 黄色
'k' black 黑色
'w' white 白色
支持的点的样式：
'-' solid line style 实线
'--' dashed line style 虚线
'-.' dash-dot line style 点划线
':' dotted line style 虚线
import matplotlib.pyplot as plt
import numpy as np
# 以 200 毫秒的间隔均匀采样时间
t = np.arange(0., 5., 0.2)
# 'r--':红色破折号, 'bs'：蓝色方形 ，'g^'：绿色三角
plt.plot(t, t, 'r--', t, t ** 2, 'bs', t, t ** 3, 'g^')
plt.show()
3. 使用关键字字符串绘图(data 可指定依赖值为：numpy.recarray 或 pandas.DataFrame）
import matplotlib.pyplot as plt
import numpy as np
# 使用关键字字符串绘图(data 可指定依赖值为：numpy.recarray 或 pandas.DataFrame）
data = {'a': np.arange(50), # 1个参数，表示[0,1,2...,50]
'c': np.random.randint(0, 50, 50), # 表示产生50个随机数[0,50)
'd': np.random.randn(50)} # 返回呈标准正态分布的值（可能正，可能负）
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100
print(np.arange(50))
print(np.random.randint(0, 50, 50))
print(np.random.randn(50))
print(data['b'])
print(data['d'])
plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()
4. 使用分类变量绘图（绘制条形图、散点图、折线图）
plt.bar(names, values) # 条形图
plt.scatter(names, values) # 散点图
plt.plot(names, values) # 折线图
import matplotlib.pyplot as plt
import numpy as np
# 用分类变量绘图
names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]
plt.figure(figsize=(9, 3))
plt.subplot(131)
plt.bar(names, values) # 条形图
plt.subplot(132)
plt.scatter(names, values) # 散点图
plt.subplot(133)
plt.plot(names, values) # 折线图
plt.suptitle('Categorical Plotting')
plt.show()
# 控制线条属性：线条有许多可以设置的属性：线宽、虚线样式、抗锯齿等；
lines = plt.plot(10, 20, 30, 100)
# use keyword args
plt.setp(lines, color='r', linewidth=2.0)
# or MATLAB style string value pairs
plt.setp(lines, 'color', 'r', 'linewidth', 2.0)
line, = plt.plot(np.arange(50), np.arange(50) + 10, '-')
plt.show()
5. 多子表多轴及共享轴
多子表多轴，先用点再用线连接，效果图如下：
多子表多轴，绘制点效果图如下：
import matplotlib.pyplot as plt
import numpy as np
# 多表和多轴
def f(t):
return np.exp(-t) * np.cos(2 * np.pi * t)
t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)
plt.figure()
plt.subplot(211) # 2行1列共俩个子表，中间的2,1,1同211
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k') # 绘制蓝色圆圈（t1，f(t1)），然后用黑色线连接值
plt.subplot(212)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
plt.show()
# 图1去掉t2，f(t2)并没有把结果进行连线
plt.figure()
plt.subplot(211) # 2行1列共俩个子表，中间的2,1,1同211
plt.plot(t1, f(t1), 'bo')
plt.subplot(212)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
plt.show()
多子表共享y轴，效果图如下：
fig, (ax1, ax2) = plt.subplots(2, sharey=True) 共享y轴
# 多子表共享轴
import numpy as np
import matplotlib.pyplot as plt
# 构建绘图数据
x1 = np.linspace(0.0, 5.0)
x2 = np.linspace(0.0, 2.0)
y1 = np.cos(2 * np.pi * x1) * np.exp(-x1)
y2 = np.cos(2 * np.pi * x2)
# 绘制俩个子图，共享y轴
fig, (ax1, ax2) = plt.subplots(2, sharey=True)
ax1.plot(x1, y1, 'ko-')
ax1.set(title='A tale of 2 subplots', ylabel='Damped oscillation')
ax2.plot(x2, y2, 'r.-')
ax2.set(xlabel='time (s)', ylabel='Undamped')
plt.show()
6. 多子表
6.1 多子表垂直堆叠
6.2 多子表水平堆叠
6.3 多子表垂直水平堆叠
隐藏顶部2子图的x标签，和右侧2子图的y标签，效果图如下：
同上图，共享x列，y行的坐标轴~
6.4 多子表共享轴（去除垂直、水平堆叠子表之间宽度和高度之间的缝隙）
共享x轴并对齐，效果图如下：
共享x，y轴效果如下图：
共享x，y轴表示共享其值域及刻度；
对于共享轴的子图，一组刻度标签就足够了。内部轴的刻度标签由 sharex 和 sharey 自动删除。子图之间仍然有一个未使用的空白空间；
要精确控制子图的定位，可以使用fig.add_gridspec(hspace=0) 减少垂直子图之间的高度。fig.add_gridspec(wspace=0) 减少水平子图之间的高度。
共享x，y轴，并删除多个子表之间高度的缝隙，效果如下图：
共享x，y轴，并删除多个子表冗余xy标签，及子图之间宽度、高度的缝隙，效果如下图：
6.5 多子表极坐标风格轴
6.6 多子表源码
# 多子表示例：水平堆叠、垂直堆叠、水平垂直堆叠、水平垂直堆叠共享轴、水平垂直堆叠去掉子图中间的冗余xy标签及间隙；
import matplotlib.pyplot as plt
import numpy as np
# 样例数据
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)
def single_plot():
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('A single plot')
plt.show()
def stacking_plots_one_direction():
# pyplot.subplots 的前两个可选参数定义子图网格的行数和列数。
# 当仅在一个方向上堆叠时，返回的轴是一个一维 numpy 数组，其中包含创建的轴列表。
fig, axs = plt.subplots(2)
fig.suptitle('Vertically stacked subplots')
axs[0].plot(x, y)
axs[1].plot(x, -y)
plt.show()
# 当只创建几个 Axes，可将它们立即解压缩到每个 Axes 的专用变量会很方便
fig, (ax1, ax2) = plt.subplots(2)
fig.suptitle('Vertically stacked subplots')
ax1.plot(x, y)
ax2.plot(x, -y)
plt.show()
# 水平方向堆叠子图
fig, (ax1, ax2) = plt.subplots(1, 2)
fig.suptitle('Horizontally stacked subplots')
ax1.plot(x, y)
ax2.plot(x, -y)
plt.show()
def stacking_plots_two_directions():
# 在两个方向上堆叠子图时，返回的 axs 是一个 2D NumPy 数组。表示俩行俩列的表
fig, axs = plt.subplots(2, 2)
axs[0, 0].plot(x, y)
axs[0, 0].set_title('Axis [0, 0]')
axs[0, 1].plot(x, y, 'tab:orange')
axs[0, 1].set_title('Axis [0, 1]')
axs[1, 0].plot(x, -y, 'tab:green')
axs[1, 0].set_title('Axis [1, 0]')
axs[1, 1].plot(x, -y, 'tab:red')
axs[1, 1].set_title('Axis [1, 1]')
for ax in axs.flat:
ax.set(xlabel='x-label', ylabel='y-label')
# 隐藏顶部2子图的x标签，和右侧2子图的y标签
for ax in axs.flat:
ax.label_outer()
plt.show()
# 也可以在 2D 中使用元组解包将所有子图分配给专用变量
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2)
fig.suptitle('Sharing x per column, y per row')
ax1.plot(x, y)
ax2.plot(x, y ** 2, 'tab:orange')
ax3.plot(x, -y, 'tab:green')
ax4.plot(x, -y ** 2, 'tab:red')
for ax in fig.get_axes():
ax.label_outer()
plt.show()
def sharing_axs():
fig, (ax1, ax2) = plt.subplots(2)
fig.suptitle('Axes values are scaled individually by default')
ax1.plot(x, y)
ax2.plot(x + 1, -y)
plt.show()
# 共享x轴，对齐x轴
fig, (ax1, ax2) = plt.subplots(2, sharex=True)
fig.suptitle('Aligning x-axis using sharex')
ax1.plot(x, y)
ax2.plot(x + 1, -y)
plt.show()
# 共享x，y轴
fig, axs = plt.subplots(3, sharex=True, sharey=True)
fig.suptitle('Sharing both axes')
axs[0].plot(x, y ** 2)
axs[1].plot(x, 0.3 * y, 'o')
axs[2].plot(x, y, '+')
plt.show()
# 对于共享轴的子图，一组刻度标签就足够了。内部轴的刻度标签由 sharex 和 sharey 自动删除。子图之间仍然有一个未使用的空白空间；
# 要精确控制子图的定位，可以使用 Figure.add_gridspec 显式创建一个 GridSpec，然后调用其子图方法。例如可以使用 add_gridspec(hspace=0) 减少垂直子图之间的高度。
fig = plt.figure()
gs = fig.add_gridspec(3, hspace=0)
axs = gs.subplots(sharex=True, sharey=True)
fig.suptitle('Sharing both axes')
axs[0].plot(x, y ** 2)
axs[1].plot(x, 0.3 * y, 'o')
axs[2].plot(x, y, '+')
# 隐藏除了底部x标签及刻度外，其他子图的x标签及刻度
# label_outer 是一种从不在网格边缘的子图中删除标签和刻度的方便方法。
for ax in axs:
ax.label_outer()
plt.show()
# 2*2多图堆叠，共享x，y轴，并去除子图之间宽度和高度之间的缝隙
fig = plt.figure()
gs = fig.add_gridspec(2, 2, hspace=0, wspace=0)
(ax1, ax2), (ax3, ax4) = gs.subplots(sharex='col', sharey='row')
fig.suptitle('Sharing x per column, y per row')
ax1.plot(x, y)
ax2.plot(x, y ** 2, 'tab:orange')
ax3.plot(x + 1, -y, 'tab:green')
ax4.plot(x + 2, -y ** 2, 'tab:red')
for ax in axs.flat:
ax.label_outer()
plt.show()
# 复杂结构的共享轴代码
fig, axs = plt.subplots(2, 2)
axs[0, 0].plot(x, y)
axs[0, 0].set_title("main")
axs[1, 0].plot(x, y ** 2)
axs[1, 0].set_title("shares x with main")
axs[1, 0].sharex(axs[0, 0])
axs[0, 1].plot(x + 1, y + 1)
axs[0, 1].set_title("unrelated")
axs[1, 1].plot(x + 2, y + 2)
axs[1, 1].set_title("also unrelated")
fig.tight_layout()
plt.show()
def polar_axs():
fig, (ax1, ax2) = plt.subplots(1, 2, subplot_kw=dict(projection='polar'))
ax1.plot(x, y)
ax2.plot(x, y ** 2)
plt.title('polar axs')
plt.show()
# 仅单表
single_plot()
# 仅单方向堆叠子表（垂直方向堆叠，水平方向堆叠）
stacking_plots_one_direction()
# 水平垂直堆叠子图
stacking_plots_two_directions()
# 共享轴
sharing_axs()
# 极坐标风格轴
polar_axs()
7. 图表中文本标注（箭头注释）
简单文本标注（只设置要标注的文本内容，起始位置），效果图如下：
# 表示在60，0.025处进行文本('$\mu=100,\ \sigma=15$')的标注,
# 字符串前面的 r 很重要——它表示字符串是一个原始字符串，而不是将反斜杠视为 python 转义
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
文本标注箭头效果图如下：（需设置箭头起始位置，文本起始位置，文本值）
# 文本的一个常见用途是对绘图的某些特征进行注释，而 annotate 方法提供了辅助功能来简化注释。
# 在注释中，有两点需要考虑：由参数 xy 表示的被注释的位置和文本 xytext 的位置。这两个参数都是 (x, y) 元组。
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='yellow', shrink=0.05),
# 文本标注
import matplotlib.pyplot as plt
import numpy as np
# 简单文本注释
def simplt_text():
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
# 直方图数据
n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)
# 设置x标签的文本，字体大小，颜色
t = plt.xlabel('Smarts', fontsize=14, color='red')
plt.ylabel('Probability')
plt.title('Histogram of IQ', loc='left')
# 表示在60，0.025处进行文本('$\mu=100,\ \sigma=15$')的标注, 字符串前面的 r 很重要——它表示字符串是一个原始字符串，而不是将反斜杠视为 python 转义
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
# 箭头文本标注
def annotation_text():
ax = plt.subplot()
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2 * np.pi * t)
line, = plt.plot(t, s, lw=2)
# 文本的一个常见用途是对绘图的某些特征进行注释，而 annotate 方法提供了辅助功能来简化注释。
# 在注释中，有两点需要考虑：由xy: 箭头位置，xytext：文本位置。这两个参数都是 (x, y) 元组。
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='yellow', shrink=0.05),
plt.ylim(-2, 2)
plt.show()
# 简单文本注释
simplt_text()
# 箭头文本标注
annotation_text()
8. 对数轴和其他非线性轴
线性轴 VS 对数轴 VS 线性对称轴 VS logit轴：
# matplotlib.pyplot 不仅支持线性轴刻度，还支持对数和 logit 刻度
import matplotlib.pyplot as plt
import numpy as np
# 线性轴 对数轴 对称对数轴 logit轴
def logit_plot():
# 设置种子，以保证随机可重复性显现
np.random.seed(19680801)
# 在开区间（0，1）补充一些数据
# 从正态（高斯）分布中抽取随机样本
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))
# 绘制不同坐标轴维度的数据
plt.figure()
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')
plt.title('log')
plt.grid(True)
# symmetric log对称对象轴
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthresh=0.01)
plt.title('symlog')
plt.grid(True)
# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale('logit')
plt.title('logit')
plt.grid(True)
# 调整子图的布局，因为logit会占用比其他更多的空间，y在"1 - 10^{-3}"
plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,
wspace=0.35)
plt.show()
# matplotlib.pyplot 不仅支持线性轴刻度，还支持对数和 logit 刻度
# 线性轴 对数轴 对称对数轴 logit轴
logit_plot()
matplotlib.org/stable/tuto…
matplotlib.org/stable/gall…
matplotlib.org/stable/gall…
程序媛一枚_Shining小美
27.8k