一、概述
1.matplotlib的三层api
在Matplotlib中画图的方式和现实生活中画图的方式一致。总的来说可以分成3步。
- 找一张纸或者一块画布；
- 调色等一系列前戏；
- 作画。
而在Matplotlib中，有三个对应封装的API
- matplotlib.backend_bases.FigureCanva 代表了一个绘图区，在这个绘图区上图表被绘制
- matplotlib.backend_bases.Renderer 代表了渲染器，它知道如何在绘图区上绘图。
- matplotlib.artist.Artist 代表了图表组件，它知道如何利用渲染器在绘图区上绘图。
我们通常用于有95%以上的时机都是与matplotlib.artist.Artist类打交道，它是高层次的绘图控制。
2. Artist的分类
Artist有两种类型：primitives 和containers。
1.
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。 2.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【黑色字体和蓝色曲线就是基本要素，Axis、Axes、Figure都是虚拟的容器】：
3. matplotlib标准用法
matplotlib的标准使用流程为：
- 创建一个
Figure实例- 使用
Figure实例创建一个或者多个Axes或Subplot实例- 使用
Axes实例的辅助方法来创建primitive
例：
import matplotlib.pyplot as pltimport numpy as npfig = plt.figure() #创建了一个Figure实例ax = fig.add_subplot(2, 1, 1) #用Figure实例创建了一个两行一列(即可以有两个subplot)的绘图区t = np.arange(0.0, 1.0, 0.01) #定义X轴s = np.sin(2*np.pi*t) #给出Y值line, = ax.plot(t, s, color='blue', lw=2) #画图，等同于直接 ax.plot(t,s,color='bule',lw=2)
拓展1：
fig = plt.figure() #实例化，不实例化不会直接渲染图片ax = fig.add_subplot(2,1,1) #在画布上标注好位置t = np.arange(0.0, 1.0, 0.01)s = np.sin(2*np.pi*t)line1 = ax.plot(t, s, color='blue', lw=2) #line1主要是方便标记自己画图放的位置x = np.arange(0.0,1.0,0.01)y = np.cos(2*np.pi*x)line1 = ax.plot(x, y, color='DeepSkyBlue', lw=4) #在line1上画出第二条线
拓展2：
fig = plt.figure()
ax = fig.add_subplot(2,1,1)
t = np.arange(0.0, 1.0, 0.01)
s = np.sin(2*np.pi*t)
line1 = ax.plot(t, s, color='blue', lw=2)
x = np.arange(0.0,1.0,0.01)
y = np.cos(2*np.pi*x)
line1 = ax.plot(x, y, color='DeepSkyBlue', lw=4)
#上面都是拓展1的代码
ax1 = fig.add_subplot(2,1,2) #把【2，1，2】的位置给ax1
r = np.arange(0, 1, 0.001)
theta = 2 * 2*np.pi * r
line2 = ax1.plot(theta, r, color='#ee8d18', lw=3) #在Line2上画出自己的第二个图案。
二、自定义你的Artist对象
1. Artist属性
- 坐标系的属性，每次进行
plot操作的时候，都是在坐标系中对对应点进行特定规则的渲染。 - 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）
每个matplotlib Artist都有以下属性：
简而言之：
- 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。
a.Figure容器
最上层的Artist对象是Figure，它包含组成图表的所有元素
# 最上层的Artist对象是Figure，它包含组成图表的所有元素 fig = plt.figure() # 创建新的axe1 ax1 = fig.add_subplot(211) ax2 = fig.add_axes([0.1, 0.1, 0.7, 0.3]) # 位置参数，四个数分别代表了(left,bottom,width,height) print(ax1 in fig.axes and ax2 in fig.axes) #True for ax in fig.axes: # 打开所有子图的栅格显示 ax.grid(True) # 默认的坐标系统以像素点为单位，但是可以通过transform属性修改其使用的坐标系b.Axes容器
matplotlib.axes.Axes是matplotlib的核心。大量的用于绘图的Artist存放在它内部，并且它有许多辅助方法来创建和添加Artist给它自己，而且它也有许多赋值方法来访问和修改这些Artist。和
Figure容器类似，Axes包含了一个patch属性，对于笛卡尔坐标系而言，它是一个Rectangle；对于极坐标而言，它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。fig = plt.figure() ax = fig.add_subplot(111) ax.patch.set_facecolor('LightSteelBlue') x, y = np.random.rand(2, 100) line = ax.plot(x, y, '-', color='blue', linewidth=2)[0]
Subplot就是一个特殊的Axes，其实例是位于网格中某个区域的Subplot实例。其实你也可以在任意区域创建Axes，通过Figure.add_axes([left,bottom,width,height])来创建一个任意区域的Axes，其中left,bottom,width,height都是[0—1]之间的浮点数，他们代表了相对于Figure的坐标。你不应该直接通过
Axes.lines和Axes.patches列表来添加图表。因为当创建或添加一个对象到图表中时，Axes会做许多自动化的工作:它会设置Artist中figure和axes的属性，同时默认Axes的转换；
它也会检视Artist中的数据，来更新数据结构，这样数据范围和呈现方式可以根据作图范围自动调整。
你也可以使用Axes的辅助方法.add_line()和.add_patch()方法来直接添加。另外Axes还包含两个最重要的Artist container：
ax.xaxis：XAxis对象的实例，用于处理x轴tick以及label的绘制ax.yaxis：YAxis对象的实例，用于处理y轴tick以及label的绘制
会在下面章节详细说明。
- Axes容器的常见属性有：
artists: Artist实例列表 patch: Axes所在的矩形实例 collections: Collection实例 images: Axes图像 legends: Legend 实例 lines: Line2D 实例 patches: Patch 实例 texts: Text 实例 xaxis: matplotlib.axis.XAxis 实例 yaxis: matplotlib.axis.YAxis 实例
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
c.Axis容器
matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制，它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。通常你可以独立的配置y轴的左边刻度以及右边的刻度，也可以独立地配置x轴的上边刻度以及下边的刻度。- 刻度包括主刻度和次刻度，它们都是Tick刻度对象。
Axis也存储了用于自适应，平移以及缩放的data_interval和view_interval。它还有Locator实例和Formatter实例用于控制刻度线的位置以及刻度label。- 每个Axis都有一个
label属性，也有主刻度列表和次刻度列表。这些ticks是axis.XTick和axis.YTick实例，它们包含着line primitive以及text primitive用来渲染刻度线以及刻度文本。
刻度是动态创建的，只有在需要创建的时候才创建（比如缩放的时候）。Axis也提供了一些辅助方法来获取刻度文本、刻度线位置等等：常见的如下：
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
fig, ax = plt.subplots()
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x, y, '-')
axis = ax.xaxis # axis为X轴对象
axis.get_ticklocs() # 获取刻度线位置
# array([-0.5, 0. , 0.5, 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])
axis.get_ticklabels() # 获取刻度label列表(一个Text实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick label。
[Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
...
]
axis.get_ticklines() # 获取刻度线列表(一个Line2D实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick line。
#<a list of 22 Line2D ticklines objects>
axis.get_data_interval()# 获取轴刻度间隔
array([0., 4.])
axis.get_view_interval()# 获取轴视角（位置）的间隔
#array([-0.2, 4.2])
下面的例子展示了如何调整一些轴和刻度的属性(忽略美观度，仅作调整参考)：
fig = plt.figure(figsize=(9,9)) # 创建一个新图表
rect = fig.patch # 矩形实例并将其设为黄色
rect.set_facecolor('lightgoldenrodyellow')
ax1 = fig.add_axes([0.1, 0.3, 0.4, 0.4]) # 创一个axes对象，从(0.1,0.3)的位置开始，宽和高都为0.4，
rect = ax1.patch # ax1的矩形设为灰色
rect.set_facecolor('lightslategray')
for label in ax1.xaxis.get_ticklabels():
# 调用x轴刻度标签实例，是一个text实例
label.set_color('red') # 颜色
label.set_rotation(45) # 旋转角度
label.set_fontsize(16) # 字体大小
for line in ax1.yaxis.get_ticklines():
# 调用y轴刻度线条实例, 是一个Line2D实例
line.set_color('green') # 颜色
line.set_markersize(25) # marker大小
line.set_markeredgewidth(2)# marker粗细
plt.show()
4. Tick容器
matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。Tick包含了tick、grid line实例以及对应的label。- 所有的这些都可以通过
Tick的属性获取，常见的tick属性有Tick.tick1line：Line2D实例Tick.tick2line：Line2D实例Tick.gridline：Line2D实例Tick.label1：Text实例Tick.label2：Text实例 y轴分为左右两个，因此tick1对应左侧的轴；tick2对应右侧的轴。 x轴分为上下两个，因此tick1对应下侧的轴；tick2对应上侧的轴。
下面的例子展示了，如何将Y轴右边轴设为主轴，并将标签设置为美元符号且为绿色：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
fig, ax = plt.subplots()
ax.plot(100*np.random.rand(20))
# 设置ticker的显示格式
formatter = matplotlib.ticker.FormatStrFormatter('$%1.2f')
ax.yaxis.set_major_formatter(formatter) #设置Y轴样式
# 设置ticker的参数，右侧为主轴，颜色为绿色
ax.yaxis.set_tick_params(which='major', labelcolor='green',
labelleft=False, labelright=True)
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。
import matplotlib
# Figure rectangle的属性
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, 0.0) extents = Bbox(x0=0.0, y0=0.0, x1=432.0, y1=288.0) facecolor or fc = (1.0, 1.0, 1.0, 0.0) figure = Figure(432x288) 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.] [432. 0.] [432. 288.] [ 0. 288.... visible = True width = 1 window_extent = Bbox(x0=0.0, y0=0.0, x1=432.0, y1=288.0) x = 0 xy = (0, 0) y = 0 zorder = 1
三、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。）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：class 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
a. 如何设置Line2D的属性
1) 直接在plot()函数中设置
fig = plt.figure() #找画布
ax = fig.add_subplot(111) #在画布找个位置
ax.patch.set_facecolor('WhiteSmoke') #画上背景色
x = range(0,5)
y = [2,5,7,8,10]
line, = ax.plot(x,y, linewidth=10) # 画图，设置线的粗细参数为10
2) 通过获得线对象，对线对象进行设置
之前一直好奇，为什么要加line,原来是为了后续设置line的样式哇。
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
x = range(0,5)
y = [2,5,7,8,10]
line, = ax.plot(x, y, '-')
line.set_antialiased(False) # 关闭抗锯齿功能
3) 获得线属性，使用setp()函数设置
fig = plt.figure()
ax = fig.add_subplot(111)
x = range(0,5)
lines = ax.plot(x,y,color='Cyan',linewidth=5)
# plt.setp(lines,color='Cyan',linewidth=5) 这两种写法一样，一种是直接在plot的时候设置线的类型，一种是调用setp方法设置线条类型
b. 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
import matplotlib.pyplot as plt x = range(0,5) y = [2,5,7,8,10] plt.plot(x,y)
2. Line2D对象绘制
import matplotlib.pyplot as plt
from matplotlib.lines import Line2D
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()
2) errorbar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
```python
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(1,2,1)
x = np.arange(10)
y = 2.5 np.sin(x / 20 np.pi)
yerr = np.linspace(0,2,10)
ax1.errorbar(x, y + 3, yerr=yerr,label=’both limits (default)’) #左图
ax2 = fig.add_subplot(1,2,2) yerr = 0.2 ax2.errorbar(x, y + 3, yerr=yerr,label=’both limits ‘) # 右图
> 
<a name="S5NGp"></a>
## 2. patches
matplotlib.patches.Patch类是二维图形类。它的基类是matplotlib.artist.Artist，它的构造函数：<br />详细清单见 [matplotlib.patches API](https://matplotlib.org/api/patches_api.html)
> Patch(edgecolor=None, facecolor=None, color=None, linewidth=None, linestyle=None, antialiased=None, hatch=None, fill=True, capstyle=None, joinstyle=None, **kwargs)
<a name="ji0pD"></a>
### a. 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：
> class 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。<br />**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
```python
import matplotlib.pyplot as plt
import numpy as np
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()
用Rectangle矩形类绘制直方图
df = pd.DataFrame(columns= ['data'])
df['data'] = x
df['groupby'] = pd.cut(x,bins, right = False,include_lowest=True)
df_cnt = df['groupby'].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)
fig = plt.figure()
ax1 = fig.add_subplot(111)
for i in df_cnt.index:
rect = plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'groupby'])
# Rectangle(xy=(0, 0), width=10, height=18, angle=0)
# Rectangle(xy=(10, 0), width=10, height=11, angle=0)
# Rectangle(xy=(20, 0), width=10, height=15, angle=0)
# Rectangle(xy=(30, 0), width=10, height=10, angle=0)
# Rectangle(xy=(40, 0), width=10, height=6, angle=0)
# Rectangle(xy=(50, 0), width=10, height=4, angle=0)
# Rectangle(xy=(60, 0), width=10, height=11, angle=0)
# Rectangle(xy=(70, 0), width=10, height=9, angle=0)
# Rectangle(xy=(80, 0), width=10, height=8, angle=0)
# Rectangle(xy=(90, 0), width=10, height=8, angle=0)
ax1.add_patch(rect)
ax1.set_xlim(0, 100)
ax1.set_ylim(0, 20)
2) bar-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
import matplotlib as mpl x = np.arange(1,17) y = x+1 plt.bar(x, y, alpha=0.5, width=0.5, color='Aqua', edgecolor='SpringGreen', label='The First Bar', lw=3)
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)
#class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)。
#在这里（i+0.25,0）是xy的元组，0是距离X轴的距离
ax1.add_patch(rect)
ax1.set_xlim(0, 16)
ax1.set_ylim(0, 16)
plt.show()
b. 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：
class matplotlib.patches.Polygon(xy, closed=True, **kwargs)
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。
import matplotlib.pyplot as plt
x = np.linspace(0, 5 * np.pi, 1000)
y1 = np.sin(1*x)
y2 = np.sin(x)
plt.fill(x, y1, color = "b", alpha = 0.3)
c. Wedge-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。
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
import matplotlib.pyplot as plt
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]
explode = (0, 0, 0, 0.4)
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()
wedge绘制饼图（OS:这方法真的有人用？）
import matplotlib.pyplot as plt
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()
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，气泡图
x = np.arange(0,100,1)
y = np.random.randint(100,size= 100)
s = [np.sqrt(i*n) for i,n in zip(x,y)] #绘制大小
plt.scatter(x,y,s=s)
plt.show()
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，它的构造函数：
imshow(X, cmap=None, norm=None, aspect=None,
interpolation=None, alpha=None, vmin=None, vmax=None,
origin=None, extent=None, shape=None, filternorm=1,
filterrad=4.0, imlim=None, resample=None, url=None, **kwargs)
X可以使类似数组的对象，或者是PIL类型图像，其中，数组对象可选shape为：(M, N)
单纯的二维数组，元素是标量数据，会通过colormap展示(M, N, 3)
RGB三通道图像，元素值可以是0−10−1之间的float或者0−2550−255之间的int(M, N, 4)
RGBA图像，多出来的一维属性，比如是透明度，其元素值和3通道的一样，可以是0−10−1之间的float或者0−2550−255之间的int- ※
M代表rows，N代表colums - ※ 超过元素限定范围的元素值将被clipped
- ※
cmapstr或matplotlib.colors.Colormap类型，用于将标量数据映射到颜色的Colormap实例或已注册的Colormap名称。- ※ 只对二维数组有效，RGB(A)将自动忽略
norm
在使用cmap之前，用来将二维数组数据归一化到[0,1][0,1]，默认是线性的，最小值对应00，最大值对应11。- 这要注意，不然每次画图最大最小值不一样，色彩不好比较。
interpolation
插值方法，默认'nearest'，可以支持的方法有：案例都有alpha
透明度，00表示透明，11表示不透明vmin,vmax
当输入的时二维数组标量数据并且没有明确的norm时，vmin和vmax定义colormap覆盖的数据范围，默认情况下，colormap覆盖所提供的值的完整范围数据当
norm给定时，这两个参数无效origin
坐标轴的样式，可选值为upper和lower，其对应坐标系样式如下图
※
M代表rows，N代表colums
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差值方法，具体效果如下。
import matplotlib.pyplot as plt
import numpy as np
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) #生成随机数组
fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6),
subplot_kw={'xticks': [], 'yticks': []}) #隐藏刻度
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()
第二个相关图例子：
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
vegetables = ["cucumber", "tomato", "lettuce", "asparagus",
"potato", "wheat", "barley"]
farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening",
"Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."]
harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
[2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
[1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
[0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
[0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
[1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
[0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])
fig, ax = plt.subplots(figsize=(9, 9)) #创建画图
im = ax.imshow(harvest) #导入数据集
ax.set_xticks(np.arange(len(farmers))) #设置轴标签
ax.set_yticks(np.arange(len(vegetables)))
ax.set_xticklabels(farmers) #将轴标签替换成对应标签
ax.set_yticklabels(vegetables)
#plt.setp(ax.get_xticklabels(), rotation=45, ha="right",
#rotation_mode="anchor") #旋转X轴labels
for i in range(len(vegetables)):
for j in range(len(farmers)):
text = ax.text(j, i, harvest[i, j],
ha="center", va="center", color="w") #显示数字
ax.set_title("Harvest of local farmers (in tons/year)") #设置标题
fig.tight_layout() #自动适应画布
四、对象容器 - Object container
我在第二章第1节Artist中有讲解。这里把教材抄下来，方便后期归类查询。
容器会包含一些primitives，并且容器还有它自身的属性。
比如Axes Artist，它是一种容器，它包含了很多primitives，比如Line2D，Text；同时，它也有自身的属性，比如xscal，用来控制X轴是linear还是log的。
1. Figure容器
matplotlib.figure.Figure是Artist最顶层的container-对象容器，它包含了图表中的所有元素。一张图表的背景就是在Figure.patch的一个矩形Rectangle。
当我们向图表添加Figure.add_subplot()或者Figure.add_axes()元素时，这些都会被添加到Figure.axes列表中。
In [19]:
fig = plt.figure()
ax1 = fig.add_subplot(211) # 作一幅2*1的图，选择第1个子图
ax2 = fig.add_axes([0.1, 0.1, 0.7, 0.3]) # 位置参数，四个数分别代表了(left,bottom,width,height)
print(ax1)
print(fig.axes) # fig.axes 中包含了subplot和axes两个实例, 刚刚添加的
由于Figure维持了current axes，因此你不应该手动的从Figure.axes列表中添加删除元素，而是要通过Figure.add_subplot()、Figure.add_axes()来添加元素，通过Figure.delaxes()来删除元素。但是你可以迭代或者访问Figure.axes中的Axes，然后修改这个Axes的属性。
比如下面的遍历axes里的内容，并且添加网格线：
fig = plt.figure()
ax1 = fig.add_subplot(211)
for ax in fig.axes:
ax.grid(True)
<br /><br />`Figure`也有它自己的`text、line、patch、image`。你可以直接通过`add primitive`语句直接添加。但是注意`Figure`默认的坐标系是以像素为单位，你可能需要转换成figure坐标系：(0,0)表示左下点，(1,1)表示右上点。
Figure容器的常见属性：Figure.patch属性：Figure的背景矩形Figure.axes属性：一个Axes实例的列表（包括Subplot)Figure.images属性：一个FigureImages patch列表Figure.lines属性：一个Line2D实例的列表（很少使用）Figure.legends属性：一个Figure Legend实例列表（不同于Axes.legends)Figure.texts属性：一个Figure Text实例列表
2. Axes容器
matplotlib.axes.Axes是matplotlib的核心。大量的用于绘图的Artist存放在它内部，并且它有许多辅助方法来创建和添加Artist给它自己，而且它也有许多赋值方法来访问和修改这些Artist。
和Figure容器类似，Axes包含了一个patch属性，对于笛卡尔坐标系而言，它是一个Rectangle；对于极坐标而言，它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。
In [21]:
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
fig = plt.figure()
ax = fig.add_subplot(111)
rect = ax.patch # axes的patch是一个Rectangle实例
rect.set_facecolor('green')
Axes有许多方法用于绘图，如.plot()、.text()、.hist()、.imshow()等方法用于创建大多数常见的primitive(如Line2D，Rectangle，Text，Image等等）。在primitives中已经涉及，不再赘述。
Subplot就是一个特殊的Axes，其实例是位于网格中某个区域的Subplot实例。其实你也可以在任意区域创建Axes，通过Figure.add_axes([left,bottom,width,height])来创建一个任意区域的Axes，其中left,bottom,width,height都是[0—1]之间的浮点数，他们代表了相对于Figure的坐标。
你不应该直接通过Axes.lines和Axes.patches列表来添加图表。因为当创建或添加一个对象到图表中时，Axes会做许多自动化的工作:
它会设置Artist中figure和axes的属性，同时默认Axes的转换；
它也会检视Artist中的数据，来更新数据结构，这样数据范围和呈现方式可以根据作图范围自动调整。
你也可以使用Axes的辅助方法.add_line()和.add_patch()方法来直接添加。
另外Axes还包含两个最重要的Artist container：ax.xaxis：XAxis对象的实例，用于处理x轴tick以及label的绘制ax.yaxis：YAxis对象的实例，用于处理y轴tick以及label的绘制
会在下面章节详细说明。
Axes容器的常见属性有：artists: Artist实例列表 patch: Axes所在的矩形实例 collections: Collection实例 images: Axes图像 legends: Legend 实例 lines: Line2D 实例 patches: Patch 实例 texts: Text 实例 xaxis: matplotlib.axis.XAxis 实例 yaxis: matplotlib.axis.YAxis 实例
3. Axis容器
matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制，它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。通常你可以独立的配置y轴的左边刻度以及右边的刻度，也可以独立地配置x轴的上边刻度以及下边的刻度。
刻度包括主刻度和次刻度，它们都是Tick刻度对象。Axis也存储了用于自适应，平移以及缩放的data_interval和view_interval。它还有Locator实例和Formatter实例用于控制刻度线的位置以及刻度label。
每个Axis都有一个label属性，也有主刻度列表和次刻度列表。这些ticks是axis.XTick和axis.YTick实例，它们包含着line primitive以及text primitive用来渲染刻度线以及刻度文本。
刻度是动态创建的，只有在需要创建的时候才创建（比如缩放的时候）。Axis也提供了一些辅助方法来获取刻度文本、刻度线位置等等：
常见的如下：
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
fig, ax = plt.subplots()
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x, y, '-')
axis = ax.xaxis # axis为X轴对象
axis.get_ticklocs() # 获取刻度线位置
axis.get_ticklabels() # 获取刻度label列表(一个Text实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick label。
axis.get_ticklines() # 获取刻度线列表(一个Line2D实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick line。
axis.get_data_interval()# 获取轴刻度间隔
axis.get_view_interval()# 获取轴视角（位置）的间隔
下面的例子展示了如何调整一些轴和刻度的属性(忽略美观度，仅作调整参考)：
fig = plt.figure(figsize=(9,9)) # 创建一个新图表
rect = fig.patch # 矩形实例并将其设为黄色
rect.set_facecolor('lightgoldenrodyellow')
ax1 = fig.add_axes([0.1, 0.3, 0.4, 0.4]) # 创一个axes对象，从(0.1,0.3)的位置开始，宽和高都为0.4，
rect = ax1.patch # ax1的矩形设为灰色
rect.set_facecolor('lightslategray')
for label in ax1.xaxis.get_ticklabels():
# 调用x轴刻度标签实例，是一个text实例
label.set_color('red') # 颜色
label.set_rotation(45) # 旋转角度
label.set_fontsize(16) # 字体大小
for line in ax1.yaxis.get_ticklines():
# 调用y轴刻度线条实例, 是一个Line2D实例
line.set_color('green') # 颜色
line.set_markersize(25) # marker大小
line.set_markeredgewidth(2)# marker粗细
plt.show()
4. Tick容器
matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。Tick包含了tick、grid line实例以及对应的label。
所有的这些都可以通过Tick的属性获取，常见的tick属性有Tick.tick1line：Line2D实例Tick.tick2line：Line2D实例Tick.gridline：Line2D实例Tick.label1：Text实例Tick.label2：Text实例
y轴分为左右两个，因此tick1对应左侧的轴；tick2对应右侧的轴。
x轴分为上下两个，因此tick1对应下侧的轴；tick2对应上侧的轴。
下面的例子展示了，如何将Y轴右边轴设为主轴，并将标签设置为美元符号且为绿色：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
fig, ax = plt.subplots()
ax.plot(100*np.random.rand(20))
# 设置ticker的显示格式
formatter = matplotlib.ticker.FormatStrFormatter('$%1.2f')
ax.yaxis.set_major_formatter(formatter)
# 设置ticker的参数，右侧为主轴，颜色为绿色
ax.yaxis.set_tick_params(which='major', labelcolor='green',
labelleft=False, labelright=True)
plt.show()
课后习题:
思考题
primitives 和 container的区别和联系是什么？
1.
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。 2.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。 **>
四个容器的联系和区别是么？他们分别控制一张图表的哪些要素？
a.Figure控制画布，底层 b.Axes控制图片，类型、方式什么的，中层 c.Axis控制，坐标轴，上层 d.Tick控制坐标轴刻度，顶层
绘图题
- 教程中展示的案例都是单一图，请自行创建数据，画出包含6个子图的线图，要求：
子图排布是 2 * 3 （2行 3列）；
线图可用教程中line2D方法绘制；
需要设置每个子图的横坐标和纵坐标刻度； 并设置整个图的标题，横坐标名称，以及纵坐标名称 ```python-- coding: utf-8 --
“”” Created on Thu Dec 17 15:29:21 2020
@author: Administrator “””
import matplotlib.pyplot as plt import numpy as np import random plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 用来正常显示中文标签 plt.rcParams[‘axes.unicode_minus’] = False # 用来正常显示负号
def randomcolor(): colorArr = [‘1’,’2’,’3’,’4’,’5’,’6’,’7’,’8’,’9’,’A’,’B’,’C’,’D’,’E’,’F’] color = “” for i in range(6): color += colorArr[random.randint(0,14)] return “#”+color
fig = plt.figure()
for i in range(1,7): x = np.arange(0,100,20) y = np.random.randint(0,20,5) ax= fig.add_subplot(2,3,i) ax.plot(x,y,color=randomcolor()) plt.xlabel(“横坐标”) plt.ylabel(“纵坐标”) fig.suptitle(‘这是figure标题’)
> 
2. 分别用一组长方形柱和填充面积的方式模仿画出下图，函数 y = -1 * (x - 2) * (x - 8) +10 在区间[2,9]的积分面积
```python
import numpy as np
from matplotlib import pyplot as plt
# from matplotlib.patches import Polygon
def func(x):
return -1 * (x - 2) * (x - 8) +10
x = np.linspace(2,9,5000)
y = func(x)
fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x,y,color='r',lw=2)
width = (9-2)/5000
for i,v in zip(x,y):
rect = plt.Rectangle((i,0),width,v)
ax.add_patch(rect)
ax.set_xlim(0, 10)
ax.set_ylim(0, 20)
若有收获，就点个赞吧
0 人点赞
