注意

跳转到末尾 下载完整示例代码。

图表的生命周期#

本教程旨在展示使用 Matplotlib 进行单个可视化的开始、中间和结束。我们将从一些原始数据开始，最终保存一个自定义可视化的图形。在此过程中，我们将尝试突出显示 Matplotlib 的一些巧妙功能和最佳实践。

注意

本教程基于 Chris Moffitt 的这篇精彩的博客文章。Chris Holdgraf 将其转化为本教程。

关于显式与隐式接口的说明#

Matplotlib 有两个接口。有关显式和隐式接口之间权衡的说明，请参阅Matplotlib 应用程序接口 (API)。

在显式面向对象 (OO) 接口中，我们直接使用axes.Axes的实例，在figure.Figure的实例中构建可视化。在受 MATLAB 启发并以其为模型的隐式接口中，我们使用封装在pyplot模块中的全局基于状态的接口，以绘制到“当前轴”。有关 pyplot 接口的更深入了解，请参阅pyplot 教程。

大多数术语都很简单，但要记住的主要事项是：

  • Figure是最终的图像，可能包含一个或多个Axes。

  • Axes表示单个绘图（不要与

    Axis混淆，后者是指绘图的 x 轴、y 轴或 z 轴）。

我们直接从 Axes 调用执行绘图的方法，这使我们在自定义绘图方面具有更大的灵活性和能力。

注意

通常，对于绘图，请使用显式接口而不是隐式 pyplot 接口。

我们的数据#

我们将使用本教程所基于的帖子中的数据。它包含许多公司的销售信息。

import matplotlib.pyplot as plt
import numpy as np

data = {'Barton LLC': 109438.50,
        'Frami, Hills and Schmidt': 103569.59,
        'Fritsch, Russel and Anderson': 112214.71,
        'Jerde-Hilpert': 112591.43,
        'Keeling LLC': 100934.30,
        'Koepp Ltd': 103660.54,
        'Kulas Inc': 137351.96,
        'Trantow-Barrows': 123381.38,
        'White-Trantow': 135841.99,
        'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)

入门#

此数据自然地可视化为条形图，每个组一个条形。要使用面向对象的方法执行此操作，我们首先生成figure.Figure和axes.Axes的实例。Figure 就像画布，而 Axes 是画布的一部分，我们将在其上进行特定的可视化。

注意

图形可以有多个轴。有关如何执行此操作的信息，请参阅紧凑布局教程。

fig, ax = plt.subplots()
lifecycle

现在我们有了一个 Axes 实例，我们可以在其上进行绘图。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
lifecycle

控制样式#

Matplotlib 中有许多样式可用，以便您可以根据需要定制可视化。要查看样式列表，我们可以使用style。

print(plt.style.available)

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'petroff10', 'seaborn-v0_8', 'seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep', 'seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid', 'tableau-colorblind10']

您可以使用以下命令激活样式

plt.style.use('fivethirtyeight')

现在让我们重新制作上面的绘图，看看它的外观

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
lifecycle

样式控制许多内容，例如颜色、线宽、背景等。

自定义绘图#

现在我们有了一个具有所需整体外观的绘图，因此让我们对其进行微调，使其可以打印。首先，让我们旋转 x 轴上的标签，使其显示得更清晰。我们可以使用axes.Axes.get_xticklabels()方法来访问这些标签

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
lifecycle

如果我们想一次设置多个项目的属性，使用pyplot.setp()函数会很有用。这将接收 Matplotlib 对象的一个列表（或多个列表），并尝试设置每个对象的一些样式元素。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
lifecycle

看起来这截断了底部的一些标签。我们可以告诉 Matplotlib 自动为我们创建的图形中的元素腾出空间。为此，我们设置 rcParams 的autolayout值。有关使用 rcParams 控制绘图的样式、布局和其他功能的更多信息，请参阅使用样式表和 rcParams 自定义 Matplotlib。

plt.rcParams.update({'figure.autolayout': True})

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
lifecycle

接下来，我们向绘图添加标签。要使用 OO 接口执行此操作，我们可以使用Artist.set()方法来设置此 Axes 对象的属性。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
Company Revenue

我们还可以使用pyplot.subplots()函数调整此绘图的大小。我们可以使用 figsize 关键字参数来执行此操作。

注意

虽然 NumPy 中的索引遵循 (行, 列) 的形式，但 figsize 关键字参数遵循 (宽度, 高度) 的形式。这遵循了可视化中的约定，不幸的是，这些约定与线性代数的约定不同。

fig, ax = plt.subplots(figsize=(8, 4))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
Company Revenue

对于标签，我们可以以函数的形式指定自定义格式准则。下面我们定义一个将整数作为输入并返回字符串作为输出的函数。当与Axis.set_major_formatter或Axis.set_minor_formatter一起使用时，它们会自动创建并使用ticker.FuncFormatter类。

对于此函数，x参数是原始刻度标签，pos是刻度位置。我们这里只使用x，但两个参数都是必需的。

def currency(x, pos):
    """The two arguments are the value and tick position"""
    if x >= 1e6:
        s = f'${x*1e-6:1.1f}M'
    else:
        s = f'${x*1e-3:1.0f}K'
    return s

然后，我们可以将此函数应用于绘图上的标签。为此，我们使用 Axes 的xaxis属性。这使您可以在绘图的特定轴上执行操作。

fig, ax = plt.subplots(figsize=(6, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)
Company Revenue

组合多个可视化效果#

可以在axes.Axes的同一实例上绘制多个绘图元素。为此，我们只需要在该 Axes 对象上调用另一个绘图方法即可。

fig, ax = plt.subplots(figsize=(8, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

# Add a vertical line, here we set the style in the function call
ax.axvline(group_mean, ls='--', color='r')

# Annotate new companies
for group in [3, 5, 8]:
    ax.text(145000, group, "New Company", fontsize=10,
            verticalalignment="center")

# Now we move our title up since it's getting a little cramped
ax.title.set(y=1.05)

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)
ax.set_xticks([0, 25e3, 50e3, 75e3, 100e3, 125e3])
fig.subplots_adjust(right=.1)

plt.show()
Company Revenue

保存绘图#

现在我们对绘图的结果感到满意，我们想将其保存到磁盘。我们可以保存为 Matplotlib 中的许多文件格式。要查看可用选项的列表，请使用

print(fig.canvas.get_supported_filetypes())

{'eps': 'Encapsulated Postscript', 'jpg': 'Joint Photographic Experts Group', 'jpeg': 'Joint Photographic Experts Group', 'pdf': 'Portable Document Format', 'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics', 'ps': 'Postscript', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap', 'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics', 'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format', 'webp': 'WebP Image Format'}

然后，我们可以使用figure.Figure.savefig()将图形保存到磁盘。请注意，我们在下面展示了几个有用的标志

  • transparent=True使保存的图形的背景透明（如果格式支持）。

  • dpi=80控制输出的分辨率（每平方英寸的点数）。

  • bbox_inches="tight"将图形的边界拟合到我们的绘图。

# Uncomment this line to save the figure.
# fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")

脚本的总运行时间： (0 分钟 4.147 秒)

由 Sphinx-Gallery 生成的图库

在此页面上