Pyplot 教程

pyplot 接口的介绍。另请参阅 快速入门指南，了解 Matplotlib 的工作原理概述，以及 Matplotlib 应用程序接口 (API)，了解支持的用户 API 之间的权衡。

pyplot 简介

matplotlib.pyplot 是一个函数集合，使 matplotlib 的工作方式类似于 MATLAB。每个 pyplot 函数都会对图形进行一些更改：例如，创建图形、在图形中创建绘图区域、在绘图区域中绘制一些线条、使用标签修饰绘图等。

在 matplotlib.pyplot 中，各种状态在函数调用之间都会被保留，以便它可以跟踪当前图形和绘图区域等内容，并且绘图函数会被定向到当前的 Axes（请注意，我们使用大写 Axes 来指代 Axes 概念，它是 图形的中心部分，而不仅仅是 axis 的复数）。

注意

隐式的 pyplot API 通常不太冗长，但也不如显式 API 灵活。您在此处看到的大多数函数调用也可以作为 Axes 对象的方法来调用。我们建议您浏览教程和示例，了解这是如何工作的。有关支持的用户 API 的权衡解释，请参阅 Matplotlib 应用程序接口 (API)。

使用 pyplot 生成可视化效果非常快

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

您可能想知道为什么 x 轴的范围为 0-3，而 y 轴的范围为 1-4。如果您向 plot 提供单个列表或数组，matplotlib 会假设它是一系列 y 值，并自动为您生成 x 值。由于 python 范围从 0 开始，因此默认的 x 向量的长度与 y 相同，但从 0 开始；因此，x 数据为 [0, 1, 2, 3]。

plot 是一个多功能函数，可以接受任意数量的参数。例如，要绘制 x 与 y 的关系图，您可以编写

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

设置绘图样式

对于每对 x、y 参数，都有一个可选的第三个参数，它是格式字符串，指示绘图的颜色和线条类型。格式字符串的字母和符号来自 MATLAB，您可以将颜色字符串与线条样式字符串连接起来。默认的格式字符串是 'b-'，这是一条蓝色实线。例如，要使用红色圆圈绘制上面的图形，您应该发出

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.axis((0, 6, 0, 20))
plt.show()

有关线条样式和格式字符串的完整列表，请参阅 plot 文档。上面的示例中的 axis 函数采用 [xmin, xmax, ymin, ymax] 列表，并指定 Axes 的视口。

如果 matplotlib 仅限于使用列表，那么对于数值处理来说，它将毫无用处。通常，您将使用 numpy 数组。实际上，所有序列都会在内部转换为 numpy 数组。下面的示例演示如何在一个函数调用中使用数组绘制具有不同格式样式的多条线。

import numpy as np

# evenly sampled time at 200ms intervals
t = np.arange(0., 5., 0.2)

# red dashes, blue squares and green triangles
plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
plt.show()

使用关键字字符串绘图

在某些情况下，您的数据格式允许您使用字符串访问特定的变量。例如，使用 结构化数组 或 pandas.DataFrame。

Matplotlib 允许您使用 data 关键字参数提供这样的对象。如果提供了此参数，则可以使用与这些变量对应的字符串生成绘图。

data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100

plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()

使用分类变量绘图

还可以使用分类变量创建绘图。Matplotlib 允许您将分类变量直接传递给许多绘图函数。例如

names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]

plt.figure(figsize=(9, 3))

plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')
plt.show()

控制线条属性

线条具有许多可以设置的属性：线宽、虚线样式、抗锯齿等；请参阅 matplotlib.lines.Line2D。有几种设置线条属性的方法

• 使用关键字参数

  plt.plot(x, y, linewidth=2.0)
  

• 使用 Line2D 实例的设置器方法。plot 返回 Line2D 对象的列表；例如，line1, line2 = plot(x1, y1, x2, y2)。在下面的代码中，我们将假设只有一条线，因此返回的列表的长度为 1。我们使用带有 line, 的元组解包来获取该列表的第一个元素

  line, = plt.plot(x, y, '-')
  line.set_antialiased(False) # turn off antialiasing
  

• 使用 setp。下面的示例使用 MATLAB 风格的函数来设置线条列表的多个属性。setp 可以透明地处理对象列表或单个对象。您可以使用 python 关键字参数或 MATLAB 风格的字符串/值对

  lines = plt.plot(x1, y1, x2, y2)
  # use keyword arguments
  plt.setp(lines, color='r', linewidth=2.0)
  # or MATLAB style string value pairs
  plt.setp(lines, 'color', 'r', 'linewidth', 2.0)
  

以下是可用的 Line2D 属性。

属性	值类型
alpha	float
animated	[True | False]
antialiased 或 aa	[True | False]
clip_box	一个 matplotlib.transform.Bbox 实例
clip_on	[True | False]
clip_path	一个 Path 实例和一个 Transform 实例，一个 Patch
color 或 c	任何 matplotlib 颜色
contains	命中测试函数
dash_capstyle	['butt' | 'round' | 'projecting']
dash_joinstyle	['miter' | 'round' | 'bevel']
dashes	以点为单位的开/关墨水序列
data	(np.array xdata, np.array ydata)
figure	一个 matplotlib.figure.Figure 实例
label	任何字符串
linestyle 或 ls	[ '-' | '--' | '-.' | ':' | 'steps' | ...]
linewidth 或 lw	以点为单位的浮点值
marker	[ '+' | ',' | '.' | '1' | '2' | '3' | '4' ]
markeredgecolor 或 mec	任何 matplotlib 颜色
markeredgewidth 或 mew	以点为单位的浮点值
markerfacecolor 或 mfc	任何 matplotlib 颜色
markersize 或 ms	float
markevery	[ None | integer | (startind, stride) ]
picker	用于交互式线条选择
pickradius	线条拾取选择半径
solid_capstyle	['butt' | 'round' | 'projecting']
solid_joinstyle	['miter' | 'round' | 'bevel']
transform	一个 matplotlib.transforms.Transform 实例
visible	[True | False]
xdata	np.array
ydata	np.array
zorder	任何数字

要获取可设置的线条属性的列表，请使用线条或多条线作为参数调用 setp 函数

In [69]: lines = plt.plot([1, 2, 3])

In [70]: plt.setp(lines)
  alpha: float
  animated: [True | False]
  antialiased or aa: [True | False]
  ...snip

使用多个图形和 Axes

MATLAB 和 pyplot 具有当前图形和当前坐标轴的概念。所有绘图函数都应用于当前坐标轴。函数 gca 返回当前坐标轴（一个 matplotlib.axes.Axes 实例），而 gcf 返回当前图形（一个 matplotlib.figure.Figure 实例）。通常，您无需担心这些，因为它们都在幕后处理。以下是创建两个子图的脚本。

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)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

这里的 figure 调用是可选的，因为如果不存在图形，则会创建一个图形，就像如果不存在坐标轴（等效于显式的 subplot() 调用）也会创建一个坐标轴一样。 subplot 调用指定 numrows, numcols, plot_number，其中 plot_number 的范围从 1 到 numrows*numcols。subplot 调用中的逗号是可选的，如果 numrows*numcols<10。因此，subplot(211) 与 subplot(2, 1, 1) 相同。

您可以创建任意数量的子图和坐标轴。 如果要手动放置坐标轴，即不在矩形网格上，请使用 axes，它允许您将位置指定为 axes([left, bottom, width, height])，其中所有值都以小数（0 到 1）坐标表示。 有关手动放置坐标轴的示例，请参阅坐标轴演示，有关多个子图的示例，请参阅多个子图。

您可以通过使用多个 figure 调用并增加图形编号来创建多个图形。 当然，每个图形可以包含任意多个坐标轴和子图。

import matplotlib.pyplot as plt
plt.figure(1)                # the first figure
plt.subplot(211)             # the first subplot in the first figure
plt.plot([1, 2, 3])
plt.subplot(212)             # the second subplot in the first figure
plt.plot([4, 5, 6])


plt.figure(2)                # a second figure
plt.plot([4, 5, 6])          # creates a subplot() by default

plt.figure(1)                # first figure current;
                             # subplot(212) still current
plt.subplot(211)             # make subplot(211) in the first figure
                             # current
plt.title('Easy as 1, 2, 3') # subplot 211 title

您可以使用 clf 清除当前图形，并使用 cla 清除当前坐标轴。如果您觉得在幕后为您维护状态（特别是当前图像、图形和坐标轴）很烦人，请不要绝望：这只是围绕面向对象 API 的一个简单的有状态包装器，您可以改用它（请参阅 艺术家教程）。

如果您正在制作大量图形，则需要注意一件事：在显式使用 close 关闭图形之前，不会完全释放图形所需的内存。 删除对图形的所有引用，以及/或使用窗口管理器杀死图形在屏幕上显示的窗口是不够的，因为 pyplot 会保持内部引用，直到调用 close。

处理文本

text 可用于在任意位置添加文本，而 xlabel、 ylabel 和 title 用于在指定位置添加文本（有关更详细的示例，请参阅Matplotlib 中的文本）。

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)


plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

所有 text 函数都返回一个 matplotlib.text.Text 实例。与上面的行一样，您可以通过将关键字参数传递到 text 函数或使用 setp 自定义属性。

t = plt.xlabel('my data', fontsize=14, color='red')

这些属性在 文本属性和布局 中进行了更详细的介绍。

在文本中使用数学表达式

Matplotlib 在任何文本表达式中都接受 TeX 方程式表达式。例如，要在标题中写入表达式 \(\sigma_i=15\)，您可以编写一个用美元符号括起来的 TeX 表达式。

plt.title(r'$\sigma_i=15$')

标题字符串前面的 r 很重要 - 它表示该字符串是原始字符串，而不是将反斜杠视为 python 转义符。 matplotlib 有一个内置的 TeX 表达式解析器和布局引擎，并且附带自己的数学字体 - 有关详细信息，请参阅编写数学表达式。因此，您可以跨平台使用数学文本，而无需安装 TeX。对于那些安装了 LaTeX 和 dvipng 的人，您还可以使用 LaTeX 来格式化文本并将输出直接合并到显示图形或保存的 postscript 中 - 请参阅使用 LaTeX 渲染文本。

注释文本

上面基本 text 函数的用途是将文本放置在坐标轴上的任意位置。文本的常见用途是注释绘图的某些特征，而 annotate 方法提供了辅助功能，使注释变得容易。 在注释中，需要考虑两个点：要注释的位置，由参数 xy 表示，以及文本的位置 xytext。 这两个参数都是 (x, y) 元组。

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)

plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
             arrowprops=dict(facecolor='black', shrink=0.05),
             )

plt.ylim(-2, 2)
plt.show()

在这个基本示例中，xy（箭头尖端）和 xytext 位置（文本位置）都位于数据坐标中。 有多种其他坐标系可以选择 - 有关详细信息，请参阅基本注释 和 高级注释。 更多示例可以在 注释绘图 中找到。

对数和其他非线性轴

matplotlib.pyplot 不仅支持线性轴刻度，还支持对数和 logit 刻度。如果数据跨越多个数量级，则通常使用此选项。更改轴的刻度很容易。

plt.xscale('log')

下面显示了一个四张图的示例，它们具有相同的数据和不同的 y 轴刻度。

# Fixing random state for reproducibility
np.random.seed(19680801)

# make up some data in the open interval (0, 1)
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))

# plot with various axes scales
plt.figure()

# linear
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)

# log
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')
plt.title('log')
plt.grid(True)

# symmetric log
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)
# Adjust the subplot layout, because the logit one may take more space
# than usual, due to y-tick labels like "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()

也可以添加自己的刻度，有关详细信息，请参阅 matplotlib.scale。