1. 概述

1.1 matplotlib的三层api

matplotlib的原理或者说基础逻辑是，用Artist对象在画布(canvas)上绘制(Render)图形。
就和人作画的步骤类似：
① 准备一块画布或画纸
② 准备好颜料、画笔等制图工具
③ 作画

所以matplotlib有三个层次的API：
matplotlib.backend_bases.FigureCanvas 代表了绘图区，所有的图像都是在绘图区完成的

  • matplotlib.backend_bases.Re**nderer 代表了渲染器**，可以近似理解为画笔，控制如何在 FigureCanvas 上画图。

matplotlib.artist.Artist 代表了具体的图表组件，即调用了Renderer的接口在Canvas上作图。

前两者处理程序和计算机的底层交互的事项，第三项Artist就是具体的调用接口来做出我们想要的图，比如图形、文本、线条的设定。所以通常来说，我们95%的时间，都是用来和matplotlib.artist.Artist类打交道的。

1.2 Artist的分类

Artist有两种类型：primitives 和containers。

  • primitive是基本要素，它包含一些我们要在绘图区作图用到的标准图形对象，如曲线Line2D，文字text，矩形Rectangle，图像image等。


  • container是容器，即用来装基本要素的地方，包括图形figure、坐标系Axes和坐标轴Axis。

他们之间的关系如下图所示：
20201122230916134.jpeg

1.3 matplotlib标准用法

matplotlib的标准使用流程为：
① 创建一个Figure实例；
② 使用Figure实例创建一个或者多个Axes或Subplot实例；
③ 使用Axes实例的辅助方法来创建primitive。

值得一提的是，Axes是一种容器，它可能是matplotlib API中最重要的类，并且我们大多数时间都花在和它打交道上。更具体的信息会在之后容器小节说明。

一个流程示例及说明如下：
声明，以下代码在Ipython Shell中运行
**
第一步：创建了一个空白的Figure实例对象。（对应1.2里关系图的最外层）

  1. %matplotlib
  2. import matplotlib.pyplot as plt
  3. import numpy as np
  5. # step 1 
  6. # 我们用 matplotlib.pyplot.figure() 创建了一个Figure实例
  7. fig = plt.figure()

image.png

第二步：在Figure实例中创建2个绘图区，并在第一个绘图区创建了一个subplot实例。（对应1.2关系图的中间层）

# step 2
# 然后用Figure实例创建了一个两行一列(即可以有两个subplot)的绘图区，并同时在第一个位置创建了一个subplot
ax = fig.add_subplot(2, 1, 1) # two rows, one column, first plot

image.png

第三步：用Axes实例的方法画了一条曲线 （对应1.2关系图的最里层）

# step 3
# 然后用Axes实例的方法画了一条曲线
t = np.arange(0.0, 1.0, 0.01)
s = np.sin(2*np.pi*t)
line, = ax.plot(t, s, color='blue', lw=2)

image.png

小知识：
在IPython运行%matplotlib这行代码的作用是什么？
这行代码是Ipython内置的一个魔法命令（官网文：Built-in magic commands），这些魔法命令能够帮助我们快速完成某些工作。这个命令的完整用法是%matplotlib [-l] [gui] 。这行代码只需要运行一次即可。
这个魔法命令是用来快速设置matplotlib后端交互工作的类型（backend），默认使用TkAgg。
如果你在画图过程出现无法显示图片（plt.show() 不显示图片），那就有可能是后端交互设置的问题，遇到这种问题可以参考这个教程：matplotlib中的plot.show()不显示图片。

In [2]: %matplotlib  # 默认使用TkAgg
Using matplotlib backend: TkAgg

In [3]:%matplotlib qt  # 可以指定交互的后端类型，有的需要安装相应的模块
Using matplotlib backend: qt

In [4]: %matplotlib --list  # 查看支持的后端类型
Available matplotlib backends: ['osx', 'qt4', 'qt5', 'gtk3', 'notebook', 'wx', 'qt', 'nbagg',
'gtk', 'tk', 'inline']

在IPythonShell中还可以用以下方法指定backend，但是这个方法在使用plt.show()之后才会显示图片，并且不关闭图片的话，会阻塞当前的线路。（只是作为讲解说明，不推荐使用）

import matplotlib
matplotlib.use('TkAgg')

在Jupyter Notebook（以前叫IPython Notebook）中使用%matplotlib inline来快速设置matplotlib后端交互工作的类型（backend）。

2. 自定义你的Artist对象

2.1 Artist属性

在图形中的每一个元素都对应着一个matplotlib Artist，且都有其对应的配置属性列表。
Figure本身包含一个Rectangle，Rectangle的大小就是Figure的大小；你可以用来设置Figure的背景色和透明度。
每个Axes边界框(默认白底黑边)，也有一个Rectangle，通过它可以设置Axes的颜色、透明度等。

这些实例都存储在成员变量(member variables) Figure.patch 和Axes.patch中。 （Patch是一个来源于MATLAB的名词，它是图形上颜色的一个2D补丁，包含rectangels-矩形，circles-圆 和 plygons-多边形）

换个表达方式：

  • Figure.patch属性：是一个Rectangle，代表了图表的矩形框，它的大小就是图表的大小， 并且可以通过它设置figure的背景色和透明度。
  • Axes.patch属性：也是一个Rectangle，代表了绘图坐标轴内部的矩形框（白底黑边）， 通过它可以设置Axes的颜色、透明度等。


每个matplotlib Artist都有以下属性：

  • .alpha属性：透明度。值为0—1之间的浮点数。
  • .axes属性：返回这个Artist所属的axes，可能为None。
  • .figure属性：该Artist所属的Figure，可能为None。
  • .label：一个text label。
  • .visible：布尔值，控制Artist是否绘制。

这里仅列举几个常见的属性，更详细的属性清单请查阅官方文档：Artist属性列表 。

# .patch
plt.figure().patch
plt.axes().patch

这里返回了matplotlib.patches.Rectangle对象。
image.png
image.png

2.2 属性调用方式

Artist对象的所有属性都通过相应的 get_*和 set_*函数进行读写。
例如下面的语句将alpha属性设置为当前值的一半：

a = o.get_alpha()
o.set_alpha(0.5*a)

如果想一次设置多个属性，也可以用set方法：

o.set(alpha=0.5, zorder=2)

可以使用 matplotlib.artist.getp(o,”alpha”) 来获取属性，如果指定属性名，则返回对象的该属性值；如果不指定属性名，则返回对象的所有的属性和值。
image.png
完整的返回结果如下：

In [13]: import matplotlib

In [14]: matplotlib.artist.getp(fig.patch)
    agg_filter = None
    alpha = None
    animated = False
    antialiased or aa = False
    bbox = Bbox(x0=0.0, y0=0.0, x1=1.0, y1=1.0)
    capstyle = butt
    children = []
    clip_box = None
    clip_on = True
    clip_path = None
    contains = None
    data_transform = BboxTransformTo(     TransformedBbox(         Bbox...
    edgecolor or ec = (1.0, 1.0, 1.0, 1.0)
    extents = Bbox(x0=0.0, y0=0.0, x1=640.0, y1=480.0)
    facecolor or fc = (1.0, 1.0, 1.0, 1.0)
    figure = Figure(640x480)
    fill = True
    gid = None
    hatch = None
    height = 1
    in_layout = False
    joinstyle = miter
    label =
    linestyle or ls = solid
    linewidth or lw = 0.0
    patch_transform = CompositeGenericTransform(     BboxTransformTo(   ...
    path = Path(array([[0., 0.],        [1., 0.],        [1.,...
    path_effects = []
    picker = None
    rasterized = None
    sketch_params = None
    snap = None
    transform = CompositeGenericTransform(     CompositeGenericTra...
    transformed_clip_path_and_affine = (None, None)
    url = None
    verts = [[  0.   0.]  [640.   0.]  [640. 480.]  [  0. 480....
    visible = True
    width = 1
    window_extent = Bbox(x0=0.0, y0=0.0, x1=640.0, y1=480.0)
    x = 0
    xy = (0, 0)
    y = 0
    zorder = 1

3. 基本元素 - primitives

现在我们知道了如何检查和设置给定对象的属性，我们还需要知道如何获取该对象。

前文介绍到，Artist包含两种对象：基本要素-primitives和 容器-containers。
primitives是基本要素，它包含一些我们要在绘图区作图用到的标准图形对象，如曲线Line2D，文本text，矩形Rectangle，图像image等。
container是容器，即用来装基本要素的地方，包括图形figure、坐标系Axes和坐标轴Axis。

本章重点介绍下 primitives 的几种类型：曲线-Line2D，矩形-Rectangle，图像-image （其中文本-Text较为复杂，会在之后单独详细说明。）

3.1 2DLines

在matplotlib中曲线的绘制，主要是通过类 matplotlib.lines.Line2D来完成的。
它的基类: matplotlib.artist.Artist

matplotlib中线-line的含义：它表示的可以是连接所有顶点的实线样式，也可以是每个顶点的标记。此外，这条线也会受到绘画风格的影响，比如，我们可以创建虚线种类的线。
它的构造函数：

matplotlib.lines.Line2D(xdata, ydata, linewidth=None, linestyle=None, color=None, marker=None, markersize=None, markeredgewidth=None, markeredgecolor=None, markerfacecolor=None, markerfacecoloralt=’none’, fillstyle=None, antialiased=None, dash_capstyle=None, solid_capstyle=None, dash_joinstyle=None, solid_joinstyle=None, pickradius=5, drawstyle=None, markevery=None, **kwargs)

其中常用的的参数有：

  • xdata:需要绘制的line中点的在x轴上的取值，若忽略，则默认为range(1,len(ydata)+1)
  • ydata:需要绘制的line中点的在y轴上的取值
  • linewidth:线条的宽度
  • linestyle:线型
  • color:线条的颜色
  • marker:点的标记，详细可参考markers API。
  • markersize:标记的size

其他详细参数可参考Line2D官方文档。

3.1.1 如何设置Line2D的属性

有三种方法可以用设置线的属性。
①直接在plot()函**数中设置**。

import matplotlib.pyplot as plt
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x,y, linewidth=10) # 设置线的粗细参数为10
plt.show()

image.png

②通过获得线对象，对线对象进行设置。

# 在ipython里需要加上这一行，创建新的Figure实例，以免把图像画到上一个Figure实例里
plt.figure()
x = range(0,5)
y = [2,5,7,8,10]
line, = plt.plot(x, y, '-')
line.set_antialiased(False) # 关闭抗锯齿功能

（前面的截图方式太占地方了，也不整洁，下面就不截整个绘图窗口了）
image.png

③获得线属性，使用**setp()**函数设置。

plt.figure()
x = range(0,5)
y = [2,5,7,8,10]
lines = plt.plot(x, y)
plt.setp(lines, color='r', linewidth=10)

image.png

3.1.2 如何绘制lines

①绘制直线line
常用的方法有两种

  • pyplot方法绘制
  • Line2D对象绘制

1）pyplot方法绘制

plt.figure()
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x,y)

image.png

2）Line2D对象绘制

from matplotlib.lines import Line2D      

x = range(0,5)
y = [2,5,7,8,10]
fig = plt.figure()
ax = fig.add_subplot(111)
line = Line2D(x, y)
ax.add_line(line)
ax.set_xlim(min(x), max(x))
ax.set_ylim(min(y), max(y))

plt.show()

image.png

②errorbar绘制误差折线图
pyplot里有个专门绘制误差线的功能，通过errorbar类实现，它的构造函数：

matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt=’’, ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, , data=None, *kwargs)

其中最主要的参数是前几个:

  • x：需要绘制的line中点的在x轴上的取值
  • y：需要绘制的line中点的在y轴上的取值
  • yerr：指定y轴水平的误差
  • xerr：指定x轴水平的误差
  • fmt：指定折线图中某个点的颜色，形状，线条风格，例如‘co–’
  • ecolor：指定error bar的颜色
  • elinewidth：指定error bar的线条宽度

绘制errorbar

fig = plt.figure()
x = np.arange(10)
y = 2.5 * np.sin(x / 20 * np.pi)
yerr = np.linspace(0.05, 0.2, 10)
plt.errorbar(x, y + 3, yerr=yerr, label='both limits (default)')

image.png

3.2 patchas

matplotlib.patches.Patch类是二维图形类。它的基类是matplotlib.artist.Artist，它的构造函数：详细清单见 matplotlib.patches API 。

Patch(edgecolor=None, facecolor=None, color=None, linewidth=None, linestyle=None, antialiased=None, hatch=None, fill=True, capstyle=None, joinstyle=None, **kwargs)

3.2.1 Rectangle-矩形

Rectangle矩形类在官网中的定义是： 通过锚点xy及其宽度和高度生成。
Rectangle本身的主要比较简单，即xy控制锚点，width和height分别控制宽和高。它的构造函数：

matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)


在实际中最常见的矩形图是hist直方图和bar条形图。

① hist-直方图

matplotlib.pyplot.hist(x,bins=None,range=None, density=None, bottom=None, histtype=‘bar’, align=‘mid’, log=False, color=None, label=None, stacked=False, normed=None)

下面是一些常用的参数：

  • x: 数据集，最终的直方图将对数据集进行统计
  • bins: 统计的区间分布
  • range: tuple, 显示的区间，range在没有给出bins时生效
  • density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
  • histtype: 可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
  • align: 可选{‘left’, ‘mid’, ‘right’}之一，默认为’mid’，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
  • log: bool，默认False,即y坐标轴是否选择指数刻度
  • stacked: bool，默认为False，是否为堆积状图

hist绘制直方图

plt.figure()
x=np.random.randint(0,100,100) #生成[0-100)之间的100个数据,即数据集 
bins=np.arange(0,101,10) #设置连续的边界值，即直方图的分布区间[0,10),[10,20)... 
plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha设置透明度，0为完全透明 
plt.xlabel('scores') 
plt.ylabel('count') 
plt.xlim(0,100)#设置x轴分布范围 
plt.show()

np.random.randint(0,100,100)这行代码生成了100个数值在[0.100)区间内的随机数。所以每次执行上面这个代码块的结果都会不一样的。
image.png

Rectangle矩形类绘制直方图

import pandas as pd
import re
df = pd.DataFrame(columns = ['data'])
df.loc[:,'data'] = x  # 前面生成的100个随机数
df['fenzu'] = pd.cut(df['data'], bins=bins, right = False,include_lowest=True)

df_cnt = df['fenzu'].value_counts().reset_index()
df_cnt.loc[:,'mini'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\[(.*)\,',x)[0]).astype(int)
df_cnt.loc[:,'maxi'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\,(.*)\)',x)[0]).astype(int)
df_cnt.loc[:,'width'] = df_cnt['maxi']- df_cnt['mini']
df_cnt.sort_values('mini',ascending = True,inplace = True)
df_cnt.reset_index(inplace = True,drop = True)

#用Rectangle把hist绘制出来
fig = plt.figure()
ax1 = fig.add_subplot(111)
#rect1 = plt.Rectangle((0,0),10,10)
#ax1.add_patch(rect)

#ax2 = fig.add_subplot(212)
for i in df_cnt.index:
    rect =  plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'fenzu'])
#rect2 = plt.Rectangle((10,0),10,5)
    ax1.add_patch(rect)
#ax1.add_patch(rect2)
ax1.set_xlim(0, 100)
ax1.set_ylim(0, 16)
plt.show()

image.png

②bar-柱状图

matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)

下面是一些常用的参数：

  • left：x轴的位置序列，一般采用range函数产生一个序列，但是有时候可以是字符串
  • height：y轴的数值序列，也就是柱形图的高度，一般就是我们需要展示的数据；
  • alpha：透明度，值越小越透明
  • width：为柱形图的宽度，一般这是为0.8即可；
  • color或facecolor：柱形图填充的颜色；
  • edgecolor：图形边缘颜色
  • label：解释每个图像代表的含义，这个参数是为legend()函数做铺垫的，表示该次bar的标签

bar绘制柱状图

plt.figure()
y = range(1,17)
plt.bar(np.arange(16), y, alpha=0.5,
        width=0.5, color='yellow',
        edgecolor='red',
        label='The First Bar', lw=3)

image.png

Rectangle矩形类绘制柱状图

fig = plt.figure()
ax1 = fig.add_subplot(111)

for i in range(1,17):
    rect =  plt.Rectangle((i+0.25,0),0.5,i)
    ax1.add_patch(rect)
ax1.set_xlim(0, 16)
ax1.set_ylim(0, 16)
plt.show()

image.png

3.2.2 Polygon-多边形

matplotlib.patches.Polygon类是多边形类。其基类是matplotlib.patches.Patch，它的构造函数：

matplotlib.patches.Polygon(xy, closed=True, **kwargs)

参数说明：

  • xy是一个N×2的numpy.array，为多边形的顶点。
  • closed为True则指定多边形将起点和终点重合从而显式关闭多边形。

matplotlib.patches.Polygon类中常用的是fill类，它是基于xy绘制一个填充的多边形，它的定义：

matplotlib.pyplot.fill(args, data=None, *kwargs)

参数说明 : 关于x、y和color的序列，其中color是可选的参数，每个多边形都是由其节点的x和y位置列表定义的，后面可以选择一个颜色说明符。您可以通过提供多个x、y、[颜色]组来绘制多个多边形。

fill绘制图形

plt.figure()
x = np.linspace(0, 5 * np.pi, 1000) 
y1 = np.sin(x)
y2 = np.sin(2 * x) 
plt.fill(x, y1, color = "g", alpha = 0.3)

image.png


3.2.3Wedge-契形

matplotlib.patches.Polygon类是多边形类。其基类是matplotlib.patches.Patch，它的构造函数：

class matplotlib.patches.Wedge(center, r, theta1, theta2, width=None, **kwargs)

一个Wedge-契形 是以坐标x,y为中心，半径为r，从θ1扫到θ2(单位是度)。
如果宽度给定，则从内半径r -宽度到外半径r画出部分楔形。wedge中比较常见的是绘制饼状图pie。

matplotlib.pyplot.pie语法：

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)

制作数据x的饼图，每个楔子的面积用x/sum(x)表示。
其中最主要的参数是前4个：

  • x：契型的形状，一维数组。
  • explode：如果不是等于None，则是一个len(x)数组，它指定用于偏移每个楔形块的半径的分数。
  • labels：用于指定每个契型块的标记，取值是列表或为None。
  • colors：饼图循环使用的颜色序列。如果取值为None，将使用当前活动循环中的颜色。
  • startangle：饼状图开始的绘制的角度。

pie绘制饼状图

labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10] 
explode = (0, 0.1, 0, 0) 
fig1, ax1 = plt.subplots() 
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90) 
ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle. 
plt.show()

image.png

wedge绘制饼图

from matplotlib.patches import Circle, Wedge
from matplotlib.collections import PatchCollection

fig = plt.figure()
ax1 = fig.add_subplot(111)
theta1 = 0
sizes = [15, 30, 45, 10] 
patches = []
patches += [
    Wedge((0.3, 0.3), .2, 0, 54),  # Full circle
    Wedge((0.3, 0.3), .2, 54, 162),  # Full ring
    Wedge((0.3, 0.3), .2, 162, 324),  # Full sector
    Wedge((0.3, 0.3), .2, 324, 360),  # Ring sector
]
colors = 100 * np.random.rand(len(patches))
p = PatchCollection(patches, alpha=0.4)
p.set_array(colors)
ax1.add_collection(p)
plt.show()

image.png


3.3 collections

collections类是用来绘制一组对象的集合，collections有许多不同的子类，如RegularPolyCollection , CircleCollection, Pathcollection, 分别对应不同的集合子类型。

其中比较常用的就是散点图，它是属于PathCollection子类，scatter方法提供了该类的封装，根据x与y绘制不同大小或颜色标记的散点图。 它的构造方法：

Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=, edgecolors=None, , plotnonfinite=False, data=None, *kwargs)

其中最主要的参数是前5个：

  • x：数据点x轴的位置
  • y：数据点y轴的位置
  • s：尺寸大小
  • c：可以是单个颜色格式的字符串，也可以是一系列颜色
  • marker: 标记的类型

scatter绘制散点图

plt.figure()
x = [0,2,4,6,8,10]  
y = [10]*len(x)  
s = [20*2**n for n in range(len(x))]  
plt.scatter(x,y,s=s)  
plt.show()

image.png

3.4 images

images是matplotlib中绘制image图像的类，其中最常用的imshow可以根据数组绘制成图像，images的构造函数：

matplotlib.image.AxesImage(ax, cmap=None, norm=None, interpolation=None, origin=None, extent=None, filternorm=True, filterrad=4.0, resample=False, **kwargs)

imshow的构造函数：

matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=, filternorm=1, filterrad=4.0, imlim=, resample=None, url=None, , data=None, *kwargs）

使用imshow画图时首先需要传入一个数组，数组对应的是空间内的像素位置和像素点的值，interpolation参数可以设置不同的插值方法，具体效果如下。

methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16',
           'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric',
           'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']


grid = np.random.rand(4, 4)

fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6),
                        subplot_kw={'xticks': [], 'yticks': []})  # 不显示坐标轴

for ax, interp_method in zip(axs.flat, methods):
    ax.imshow(grid, interpolation=interp_method, cmap='viridis')
    ax.set_title(str(interp_method))

plt.tight_layout()
plt.show()

这里生成了4x4个值域在[0,1]之间的随机数。这一共16个数值分别表示这16小方块所在位置的像素点的值。使用不同的插值方法，使得方框之间产生了不同形状和颜色的渐变。
image.png