介紹

Matplotlib 可能是 Python 2D-繪圖領域使用最廣泛的套件。它能讓使用者很輕松地將數據圖形化，并且提供多樣化的輸出格式。這里將會探索 matplotlib 的常見用法。

IPython 以及 pylab 模式

IPython 是 Python 的一個增強版本。它在下列方面有所增強：命名輸入輸出、使用系統(tǒng)命令（shell commands）、排錯（debug）能力。我們在命令行終端給 IPython 加上參數 -pylab （0.12 以后的版本是 –pylab）之后，就可以像 Matlab 或者 Mathematica 那樣以交互的方式繪圖。

pylab

pylab 是 matplotlib 面向對象繪圖庫的一個接口。它的語法和 Matlab 十分相近。也就是說，它主要的繪圖命令和 Matlab 對應的命令有相似的參數。

本篇文章使用的實例源碼下載：

Download

下載包包含兩個目錄：

• figures：存放實例代碼生成的圖片
• scripts：存放實例代碼

初級繪制

這一節(jié)中，我們將從簡到繁：先嘗試用默認配置在同一張圖上繪制正弦和余弦函數圖像，然后逐步美化它。

第一步，是取得正弦函數和余弦函數的值：

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

X 是一個 numpy 數組，包含了從 ?π 到 +π 等間隔的 256 個值。C 和 S 則分別是這 256 個值對應的余弦和正弦函數值組成的 numpy 數組。

你可以在 IPython 的交互模式下測試代碼，也可以下載代碼（下載鏈接就是這些示例圖），然后執(zhí)行：

python exercise_1.py

使用默認配置[源碼文件]

Matplotlib 的默認配置都允許用戶自定義。你可以調整大多數的默認配置：圖片大小和分辨率（dpi）、線寬、顏色、風格、坐標軸、坐標軸以及網格的屬性、文字與字體屬性等。不過，matplotlib 的默認配置在大多數情況下已經做得足夠好，你可能只在很少的情況下才會想更改這些默認配置。

import numpy as np  import matplotlib.pyplot as plt    X = 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()

默認配置的具體內容[源碼文件]

下面的代碼中，我們展現了 matplotlib 的默認配置并輔以注釋說明，這部分配置包含了有關繪圖樣式的所有配置。代碼中的配置與默認配置完全相同，你可以在交互模式中修改其中的值來觀察效果。

# 導入 matplotlib 的所有內容（nympy 可以用 np 這個名字來使用）  from pylab import *    # 創(chuàng)建一個 8 * 6 點（point）的圖，并設置分辨率為 80  figure(figsize=(8,6), dpi=80)    # 創(chuàng)建一個新的 1 * 1 的子圖，接下來的圖樣繪制在其中的第 1 塊（也是唯一的一塊）  subplot(1,1,1)    X = np.linspace(-np.pi, np.pi, 256,endpoint=True)  C,S = np.cos(X), np.sin(X)    # 繪制余弦曲線，使用藍色的、連續(xù)的、寬度為 1 （像素）的線條  plot(X, C, color="blue", linewidth=1.0, linestyle="-")    # 繪制正弦曲線，使用綠色的、連續(xù)的、寬度為 1 （像素）的線條  plot(X, S, color="green", linewidth=1.0, linestyle="-")    # 設置橫軸的上下限  xlim(-4.0,4.0)    # 設置橫軸記號  xticks(np.linspace(-4,4,9,endpoint=True))    # 設置縱軸的上下限  ylim(-1.0,1.0)    # 設置縱軸記號  yticks(np.linspace(-1,1,5,endpoint=True))    # 以分辨率 72 來保存圖片  # savefig("exercice_2.png",dpi=72)    # 在屏幕上顯示  show()

改變線條的顏色和粗細[源碼文件]

首先，我們以藍色和紅色分別表示余弦和正弦函數，而后將線條變粗一點。接下來，我們在水平方向拉伸一下整個圖。

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

設置圖片邊界[源碼文件]

當前的圖片邊界設置得不好，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) …

更好的方式是這樣：

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

設置記號[源碼文件]

我們討論正弦和余弦函數的時候，通常希望知道函數在 ±π 和 ±π2 的值。這樣看來，當前的設置就不那么理想了。

…

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

設置記號的標簽[源碼文件]

記號現在沒問題了，不過標簽卻不大符合期望。我們可以把 3.142 當做是 π，但畢竟不夠精確。當我們設置記號的時候，我們可以同時設置記號的標簽。注意這里使用了 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'$+1$'])  ...

移動脊柱[源碼文件]

坐標軸線和上面的記號連在一起就形成了脊柱（Spines，一條線段上有一系列的凸起，是不是很像脊柱骨啊~），它記錄了數據區(qū)域的范圍。它們可以放在任意位置，不過至今為止，我們都把它放在圖的四邊。

實際上每幅圖有四條脊柱（上下左右），為了將脊柱放在圖的中間，我們必須將其中的兩條（上和右）設置為無色，然后調整剩下的兩條到合適的位置——數據空間的 0 點。

...  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))  ...

添加圖例[源碼文件]

我們在圖的左上角添加一個圖例。為此，我們只需要在 plot 函數里以「鍵 – 值」的形式增加一個參數。

...  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')  ...

給一些特殊點做注釋[源碼文件]

我們希望在 2π/3 的位置給兩條函數曲線加上一個注釋。首先，我們在對應的函數圖像位置上畫一個點；然后，向橫軸引一條垂線，以虛線標記；最后，寫上標簽。

...    t = 2*np.pi/3  plot([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[源碼文件]

坐標軸上的記號標簽被曲線擋住了，作為強迫癥患者（霧）這是不能忍的。我們可以把它們放大，然后添加一個白色的半透明底色。這樣可以保證標簽和曲線同時可見。

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

圖像、子圖、坐標軸和記號

到目前為止，我們都用隱式的方法來繪制圖像和坐標軸?？焖倮L圖中，這是很方便的。我們也可以顯式地控制圖像、子圖、坐標軸。Matplotlib 中的「圖像」指的是用戶界面看到的整個窗口內容。在圖像里面有所謂「子圖」。子圖的位置是由坐標網格確定的，而「坐標軸」卻不受此限制，可以放在圖像的任意位置。我們已經隱式地使用過圖像和子圖：當我們調用 plot 函數的時候，matplotlib 調用 gca() 函數以及 gcf() 函數來獲取當前的坐標軸和圖像；如果無法獲取圖像，則會調用 figure() 函數來創(chuàng)建一個——嚴格地說，是用 subplot(1,1,1) 創(chuàng)建一個只有一個子圖的圖像。

圖像

所謂「圖像」就是 GUI 里以「Figure #」為標題的那些窗口。圖像編號從 1 開始，與 MATLAB 的風格一致，而于 Python 從 0 開始編號的風格不同。以下參數是圖像的屬性：

這些默認值可以在源文件中指明。不過除了圖像數量這個參數，其余的參數都很少修改。

你在圖形界面中可以按下右上角的 X 來關閉窗口（OS X 系統(tǒng)是左上角）。Matplotlib 也提供了名為 close 的函數來關閉這個窗口。close 函數的具體行為取決于你提供的參數：

1. 不傳遞參數：關閉當前窗口；
2. 傳遞窗口編號或窗口實例（instance）作為參數：關閉指定的窗口；
3. all：關閉所有窗口。

和其他對象一樣，你可以使用 setp 或者是 set_something 這樣的方法來設置圖像的屬性。

子圖

你可以用子圖來將圖樣（plot）放在均勻的坐標網格中。用 subplot 函數的時候，你需要指明網格的行列數量，以及你希望將圖樣放在哪一個網格區(qū)域中。此外，gridspec 的功能更強大，你也可以選擇它來實現這個功能。

[源碼文件]

[源碼文件]

[源碼文件]

[源碼文件]

坐標軸

坐標軸和子圖功能類似，不過它可以放在圖像的任意位置。因此，如果你希望在一副圖中繪制一個小圖，就可以用這個功能。

[源碼文件]

[源碼文件]

記號

良好的記號是圖像的重要組成部分。Matplotlib 里的記號系統(tǒng)里的各個細節(jié)都是可以由用戶個性化配置的。你可以用 Tick Locators 來指定在那些位置放置記號，用 Tick Formatters 來調整記號的樣式。主要和次要的記號可以以不同的方式呈現。默認情況下，每一個次要的記號都是隱藏的，也就是說，默認情況下的次要記號列表是空的——NullLocator。

Tick Locators

下面有為不同需求設計的一些 Locators。

類型	說明
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.

這些 Locators 都是 matplotlib.ticker.Locator 的子類，你可以據此定義自己的 Locator。以日期為 ticks 特別復雜，因此 Matplotlib 提供了 matplotlib.dates 來實現這一功能。

其他類型的圖

接下來的內容是練習。請運用你學到的知識，從提供的代碼開始，實現配圖所示的效果。具體的答案可以點擊配圖下載。

普通圖[源碼文件]

from pylab import *    n = 256  X = 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()

散點圖[源碼文件]

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

條形圖[源碼文件]

from pylab import *    n = 12  X = 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()

等高線圖[源碼文件]

from pylab import *    def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)    n = 256  x = 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()

灰度圖（Imshow）[源碼文件]

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

餅狀圖[源碼文件]

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

量場圖（Quiver Plots）[源碼文件]

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

網格[源碼文件]

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

多重網格[源碼文件]

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

極軸圖[源碼文件]

from pylab import *    axes([0,0,1,1])    N = 20  theta = 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 圖[源碼文件]

from pylab import *  from mpl_toolkits.mplot3d import Axes3D    fig = 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()

手稿圖[源碼文件]

import numpy as np  import matplotlib.pyplot as plt    eqs = []  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()

更多參考

入門教程

• Pyplot tutorial
• Image tutorial
• Text tutorial
• Artist tutorial
• Path tutorial
• Transforms tutorial

Matplotlib 文檔

• 用戶指南
• 常見問題及回答
• 截屏

Numpy 文檔

• Numpy 教程

原文:http://www.loria.fr/~rougier/teaching/matplotlib/

譯文:http://liam0205.me/2014/09/11/matplotlib-tutorial-zh-cn/