注意
转到末尾下载完整的示例代码。
快速入门指南#
本教程涵盖一些基本的使用模式和最佳实践，以帮助您开始使用 Matplotlib。
import matplotlib.pyplot as plt
import numpy as np
一个简单的例子#
Matplotlib 在 Figure（例如，窗口、Jupyter 小部件等）上绘制您的数据，每个 Figure 可以包含一个或多个 Axes，这是一个可以在 x-y 坐标（或极坐标图中的 theta-r，3D 图中的 x-y-z 等）中指定点的区域。创建具有 Axes 的 Figure 的最简单方法是使用 pyplot.subplots。然后，我们可以使用 Axes.plot 在 Axes 上绘制一些数据，并使用 show 显示图形。
fig, ax = plt.subplots() # Create a figure containing a single Axes.
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) # Plot some data on the Axes.
plt.show() # Show the figure.
根据您正在使用的环境，可以省略 plt.show()。例如，Jupyter 笔记本就是这种情况，它会自动显示在代码单元格中创建的所有图形。
图形的组成部分#
以下是 Matplotlib 图形的组成部分。
Figure#
整个图形。Figure 会跟踪所有子 Axes、一组“特殊”的艺术家 (Artists)（标题、图形图例、颜色条等），甚至嵌套的子图形。
通常，您将通过以下函数之一创建一个新的 Figure
fig = plt.figure() # an empty figure with no Axes
fig, ax = plt.subplots() # a figure with a single Axes
fig, axs = plt.subplots(2, 2) # a figure with a 2x2 grid of Axes
# a figure with one Axes on the left, and two on the right:
fig, axs = plt.subplot_mosaic([['left', 'right_top'],
['left', 'right_bottom']])
subplots() 和 subplot_mosaic 是便利函数，它们还会在 Figure 内创建 Axes 对象，但您也可以稍后手动添加 Axes。
有关 Figures 的更多信息，包括平移和缩放，请参阅图形介绍。
Axes#
Axes 是一个附加到 Figure 的 Artist，它包含一个用于绘制数据的区域，通常包括两个（或在 3D 情况下为三个） Axis 对象（请注意 Axes 和 Axis 之间的区别），它们提供刻度和刻度标签，以提供 Axes 中数据的刻度。每个 Axes 还有一个标题（通过 set_title() 设置）、一个 x 标签（通过 set_xlabel() 设置）和一个 y 标签（通过 set_ylabel() 设置）。
Axes 方法是配置绘图大部分的主要接口（添加数据、控制坐标轴刻度和限制、添加标签等）。
Axis#
这些对象设置刻度和限制，并生成刻度线（Axis 上的标记）和刻度标签（标记刻度的字符串）。刻度线的位置由 Locator 对象确定，刻度标签字符串由 Formatter 格式化。正确的 Locator 和 Formatter 的组合可以非常精细地控制刻度线位置和标签。
Artist#
基本上，Figure 上可见的所有内容都是 Artist（甚至 Figure、Axes 和 Axis 对象）。这包括 Text 对象、Line2D 对象、collections 对象、Patch 对象等。当渲染 Figure 时，所有 Artist 都会被绘制到画布上。大多数 Artist 都绑定到 Axes；这样的 Artist 不能由多个 Axes 共享，也不能从一个 Axes 移动到另一个 Axes。
绘图函数的输入类型#
绘图函数期望接收 numpy.array 或 numpy.ma.masked_array 作为输入，或者可以传递给 numpy.asarray 的对象。类似于数组的类（“类数组”）例如 pandas 数据对象和 numpy.matrix 可能无法按预期工作。通常的约定是在绘图之前将这些转换为 numpy.array 对象。例如，要转换一个 numpy.matrix
b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b)
大多数方法也会解析像字典这样的字符串索引对象、一个 结构化的 numpy 数组或一个 pandas.DataFrame。Matplotlib 允许你提供 data 关键字参数，并通过传递与 x 和 y 变量对应的字符串来生成绘图。
np.random.seed(19680801) # seed the random number generator.
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
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
ax.scatter('a', 'b', c='c', s='d', data=data)
ax.set_xlabel('entry a')
ax.set_ylabel('entry b')
编码风格#
显式和隐式接口#
如上所述，使用 Matplotlib 主要有两种方式
显式创建 Figures 和 Axes，并在其上调用方法（“面向对象 (OO) 风格”）。
依赖 pyplot 来隐式创建和管理 Figures 和 Axes，并使用 pyplot 函数进行绘图。
有关隐式和显式接口之间权衡的解释，请参阅 Matplotlib 应用程序接口 (API)。
因此，可以使用 OO 风格
x = np.linspace(0, 2, 100) # Sample data.
# Note that even in the OO-style, we use `.pyplot.figure` to create the Figure.
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
ax.plot(x, x, label='linear') # Plot some data on the Axes.
ax.plot(x, x**2, label='quadratic') # Plot more data on the Axes...
ax.plot(x, x**3, label='cubic') # ... and some more.
ax.set_xlabel('x label') # Add an x-label to the Axes.
ax.set_ylabel('y label') # Add a y-label to the Axes.
ax.set_title("Simple Plot") # Add a title to the Axes.
ax.legend() # Add a legend.
或 pyplot 风格
x = np.linspace(0, 2, 100) # Sample data.
plt.figure(figsize=(5, 2.7), layout='constrained')
plt.plot(x, x, label='linear') # Plot some data on the (implicit) Axes.
plt.plot(x, x**2, label='quadratic') # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
（此外，还有第三种方法，用于将 Matplotlib 嵌入 GUI 应用程序的情况，它完全放弃了 pyplot，即使是对于图形创建也是如此。有关更多信息，请参阅图库中的相应部分：将 Matplotlib 嵌入图形用户界面。）
Matplotlib 的文档和示例同时使用了 OO 和 pyplot 风格。一般来说，我们建议使用 OO 风格，特别是对于复杂的绘图，以及旨在作为大型项目一部分重用的函数和脚本。但是，pyplot 风格对于快速交互式工作非常方便。
注意
你可能会发现较旧的示例使用 pylab 接口，通过 from pylab import *。强烈不建议使用此方法。
创建辅助函数#
如果需要使用不同的数据集重复制作相同的绘图，或者想要轻松包装 Matplotlib 方法，请使用下面推荐的签名函数。
然后你将使用两次它来填充两个子图
请注意，如果你想将这些安装为 Python 包，或进行任何其他自定义，你可以使用 Web 上的许多模板之一；Matplotlib 在 mpl-cookiecutter 上有一个。
样式化艺术家#
大多数绘图方法都有艺术家 (Artist) 的样式选项，可以在调用绘图方法时访问，也可以从 Artist 上的“setter”访问。在下面的绘图中，我们手动设置了由 plot 创建的 Artist 的颜色、线宽和线型，并且我们在事后使用 set_linestyle 设置了第二条线的线型。
颜色#
Matplotlib 为大多数艺术家 (Artist) 接受非常灵活的颜色数组；有关规格列表，请参阅 允许的颜色定义。某些艺术家 (Artist) 将采用多种颜色。即，对于 scatter 图，标记的边缘可以与内部颜色不同
fig, ax = plt.subplots(figsize=(5, 2.7))
ax.scatter(data1, data2, s=50, facecolor='C0', edgecolor='k')
线宽、线型和标记大小#
线宽通常以印刷点为单位（1 pt = 1/72 英寸），可用于具有描边线的艺术家 (Artist)。类似地，描边线可以具有线型。请参阅 线型示例。
标记大小取决于所使用的方法。plot 以点为单位指定标记大小，通常是标记的“直径”或宽度。scatter 指定的标记大小与标记的视觉区域大致成正比。有一系列可用的标记样式作为字符串代码（请参阅 markers），或者用户可以定义自己的 MarkerStyle（请参阅 标记参考）
标记绘图#
轴标签和文本#
set_xlabel、set_ylabel 和 set_title 用于在指示的位置添加文本（有关更多讨论，请参阅 Matplotlib 中的文本）。也可以使用 text 将文本直接添加到绘图中
mu, sigma = 115, 15
x = mu + sigma * np.random.randn(10000)
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
# the histogram of the data
n, bins, patches = ax.hist(x, 50, density=True, facecolor='C0', alpha=0.75)
ax.set_xlabel('Length [cm]')
ax.set_ylabel('Probability')
ax.set_title('Aardvark lengths\n (not really)')
ax.text(75, .025, r'$\mu=115,\ \sigma=15$')
ax.axis([55, 175, 0, 0.03])
ax.grid(True)
所有 text 函数都返回一个 matplotlib.text.Text 实例。就像上面的线条一样，你可以通过将关键字参数传递给文本函数来自定义属性
t = ax.set_xlabel('my data', fontsize=14, color='red')
这些属性在 文本属性和布局 中有更详细的介绍。
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 方程表达式。例如，要在标题中写入表达式 \(\sigma_i=15\)，你可以编写一个用美元符号括起来的 TeX 表达式
ax.set_title(r'$\sigma_i=15$')
其中标题字符串前面的 r 表示该字符串是原始字符串，而不是将反斜杠视为 Python 转义。Matplotlib 有一个内置的 TeX 表达式解析器和布局引擎，并附带了自己的数学字体 – 有关详细信息，请参阅 编写数学表达式。你也可以直接使用 LaTeX 来格式化你的文本，并将输出直接合并到你的显示图形或保存的 postscript 中 – 请参阅 使用 LaTeX 渲染文本。
注释#
我们还可以注释绘图上的点，通常通过连接一个指向 xy 的箭头，到 xytext 处的一段文本
fig, ax = plt.subplots(figsize=(5, 2.7))
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2 * np.pi * t)
line, = ax.plot(t, s, lw=2)
ax.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='black', shrink=0.05))
ax.set_ylim(-2, 2)
在这个基本示例中，xy 和 xytext 都在数据坐标中。可以选择各种其他坐标系 - 有关详细信息，请参阅 基本注释 和 高级注释。更多示例也可以在 注释绘图 中找到。
图例#
通常，我们希望使用 Axes.legend 来标识线条或标记
Matplotlib 中的图例在布局、位置以及它们可以表示的艺术家 (Artist) 方面非常灵活。它们在 图例指南 中进行了详细讨论。
轴刻度和刻度线#
每个 Axes 都有两个（或三个） Axis 对象，分别表示 x 轴和 y 轴。这些控制轴的刻度、刻度线定位器和刻度线格式化程序。可以附加额外的 Axes 以显示更多的 Axis 对象。
刻度#
除了线性刻度外，Matplotlib 还提供非线性刻度，例如对数刻度。由于对数刻度使用非常频繁，因此也有像 loglog、semilogx 和 semilogy 这样的直接方法。有许多刻度（有关其他示例，请参阅 刻度）。在这里，我们手动设置刻度
刻度设置数据值到轴上间距的映射。这发生在两个方向上，并组合成一个变换，这是 Matplotlib 从数据坐标映射到轴、图形或屏幕坐标的方式。请参阅 变换教程。
刻度定位器和格式化器#
每个轴都有一个刻度定位器和格式化器，它们选择在轴上放置刻度线的位置。一个简单的接口是 set_xticks
fig, axs = plt.subplots(2, 1, layout='constrained')
axs[0].plot(xdata, data1)
axs[0].set_title('Automatic ticks')
axs[1].plot(xdata, data1)
axs[1].set_xticks(np.arange(0, 100, 30), ['zero', '30', 'sixty', '90'])
axs[1].set_yticks([-1.5, 0, 1.5]) # note that we don't need to specify labels
axs[1].set_title('Manual ticks')
不同的刻度可以有不同的定位器和格式化器；例如，上面的对数刻度使用 LogLocator 和 LogFormatter。有关其他格式化器和定位器以及编写您自己的信息，请参阅 刻度定位器 和 刻度格式化器。
绘制日期和字符串#
Matplotlib 可以处理绘制日期数组和字符串数组，以及浮点数。这些会根据需要获得特殊的定位器和格式化器。对于日期
from matplotlib.dates import ConciseDateFormatter
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
dates = np.arange(np.datetime64('2021-11-15'), np.datetime64('2021-12-25'),
np.timedelta64(1, 'h'))
data = np.cumsum(np.random.randn(len(dates)))
ax.plot(dates, data)
ax.xaxis.set_major_formatter(ConciseDateFormatter(ax.xaxis.get_major_locator()))
有关更多信息，请参阅日期示例（例如 日期刻度标签）
对于字符串，我们得到分类绘图（请参阅：绘制分类变量）。
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
categories = ['turnips', 'rutabaga', 'cucumber', 'pumpkins']
ax.bar(categories, np.random.rand(len(categories)))
关于分类绘图的一个注意事项是，某些解析文本文件的方法会返回一个字符串列表，即使这些字符串都表示数字或日期。如果您传递 1000 个字符串，Matplotlib 会认为您指的是 1000 个类别，并会在您的绘图中添加 1000 个刻度！
额外的轴对象#
在同一图表中绘制不同量级的数据可能需要额外的 y 轴。可以使用 twinx 添加一个新的轴来实现，该轴具有不可见的 x 轴和一个位于右侧的 y 轴（类似地，对于 twiny）。有关另一个示例，请参阅 具有不同刻度的图表。
类似地，您可以添加一个 secondary_xaxis 或 secondary_yaxis，它具有与主轴不同的刻度，以用不同的刻度或单位表示数据。有关更多示例，请参阅 次轴。
fig, (ax1, ax3) = plt.subplots(1, 2, figsize=(7, 2.7), layout='constrained')
l1, = ax1.plot(t, s)
ax2 = ax1.twinx()
l2, = ax2.plot(t, range(len(t)), 'C1')
ax2.legend([l1, l2], ['Sine (left)', 'Straight (right)'])
ax3.plot(t, s)
ax3.set_xlabel('Angle [rad]')
ax4 = ax3.secondary_xaxis('top', (np.rad2deg, np.deg2rad))
ax4.set_xlabel('Angle [°]')
颜色映射数据#
通常我们希望在图中用颜色映射中的颜色来表示第三个维度。Matplotlib 有许多执行此操作的绘图类型
from matplotlib.colors import LogNorm
X, Y = np.meshgrid(np.linspace(-3, 3, 128), np.linspace(-3, 3, 128))
Z = (1 - X/2 + X**5 + Y**3) * np.exp(-X**2 - Y**2)
fig, axs = plt.subplots(2, 2, layout='constrained')
pc = axs[0, 0].pcolormesh(X, Y, Z, vmin=-1, vmax=1, cmap='RdBu_r')
fig.colorbar(pc, ax=axs[0, 0])
axs[0, 0].set_title('pcolormesh()')
co = axs[0, 1].contourf(X, Y, Z, levels=np.linspace(-1.25, 1.25, 11))
fig.colorbar(co, ax=axs[0, 1])
axs[0, 1].set_title('contourf()')
pc = axs[1, 0].imshow(Z**2 * 100, cmap='plasma', norm=LogNorm(vmin=0.01, vmax=100))
fig.colorbar(pc, ax=axs[1, 0], extend='both')
axs[1, 0].set_title('imshow() with LogNorm()')
pc = axs[1, 1].scatter(data1, data2, c=data3, cmap='RdBu_r')
fig.colorbar(pc, ax=axs[1, 1], extend='both')
axs[1, 1].set_title('scatter()')
颜色映射#
这些都是从 ScalarMappable 对象派生的艺术家的示例。它们都可以设置 vmin 和 vmax 之间的线性映射到 cmap 指定的颜色映射中。Matplotlib 有许多颜色映射可供选择（在 Matplotlib 中选择颜色映射），您可以自己制作（在 Matplotlib 中创建颜色映射），或者以 第三方软件包 的形式下载。
归一化#
有时我们希望将数据非线性地映射到颜色映射，如上面的 LogNorm 示例中所示。我们通过向 ScalarMappable 提供 norm 参数而不是 vmin 和 vmax 来实现这一点。更多归一化显示在 颜色映射归一化 中。
颜色条#
添加 colorbar 可以提供将颜色关联回基础数据的键。颜色条是图形级别的艺术家，并且附加到 ScalarMappable（从中获取有关规范和颜色映射的信息），并且通常会从父轴中占用空间。颜色条的放置可能很复杂：有关详细信息，请参阅 放置颜色条。您还可以使用 extend 关键字在末尾添加箭头，以及使用 shrink 和 aspect 控制大小来更改颜色条的外观。最后，颜色条将具有适合于规范的默认定位器和格式化器。这些可以像其他轴对象一样更改。
使用多个图形和轴#
您可以通过多次调用 fig = plt.figure() 或 fig2, ax = plt.subplots() 来打开多个图形。通过保留对象引用，您可以将艺术家添加到任何一个图形中。
可以通过多种方式添加多个轴，但最基本的方法是使用上面使用的 plt.subplots()。可以使用 subplot_mosaic 来实现更复杂的布局，其中轴对象跨越列或行。
Matplotlib 具有用于排列轴的非常复杂的工具：请参阅 在图形中排列多个轴 和 复杂和语义图形组合 (subplot_mosaic)。
更多阅读#
有关更多绘图类型，请参阅 绘图类型 和 API 参考，特别是 轴 API。
脚本的总运行时间：（0 分钟 8.373 秒）