快速入門Matplotlib教程

介紹

Matplotlib 可能是 Python 2D-繪圖領域使用最廣泛的套件。它能讓使用者很輕鬆地將資料圖形化，並且提供多樣化的輸出格式。這裡將會探索 matplotlib 的常見用法。

IPython 以及 pylab 樣式

IPython 是 Python 的一個增強版本。它在下列方面有所增強：命名輸入輸出、使用系統命令（shell commands）、排錯（debug）能力。我們在命令列終端給 IPython 加上引數 -pylab （0.12 以後的版本是 --pylab）之後，就可以像 Matlab 或者 Mathematica 那樣以互動的方式繪圖。

pylab

pylab 是 matplotlib 面向物件繪相簿的一個介面。它的語法和 Matlab 十分相近。也就是說，它主要的繪圖命令和 Matlab 對應的命令有相似的引數。

初級繪製

這一節中，我們將從簡到繁：先嘗試用預設配置在同一張圖上繪製正弦和餘弦函式影象，然後逐步美化它。

第一步，是取得正弦函式和餘弦函式的值：

1from pylab import *
2X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
3C,S = np.cos(X), np.sin(X)

X 是一個 numpy 陣列，包含了從 −π−π 到 +π+π 等間隔的 256 個值。C和 S 則分別是這 256 個值對應的餘弦和正弦函式值組成的 numpy 陣列。

你可以在 IPython 的互動樣式下測試程式碼，也可以下載程式碼（下載連結就是這些示例圖），然後執行：

1python exercise_1.py

使用預設配置

Matplotlib 的預設配置都允許使用者自定義。你可以調整大多數的預設配置：圖片大小和解析度（dpi）、線寬、顏色、風格、坐標軸、坐標軸以及網格的屬性、文字與字型屬性等。不過，matplotlib 的預設配置在大多數情況下已經做得足夠好，你可能只在很少的情況下才會想更改這些預設配置。

1from pylab import *
2X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
3C,S = np.cos(X), np.sin(X)
4plot(X,C)
5plot(X,S)
6show()

預設配置的具體內容

下麵的程式碼中，我們展現了 matplotlib 的預設配置並輔以註釋說明，這部分配置包含了有關繪圖樣式的所有配置。程式碼中的配置與預設配置完全相同，你可以在互動樣式中修改其中的值來觀察效果。

1# 匯入 matplotlib 的所有內容（nympy 可以用 np 這個名字來使用）
2from pylab import *
3# 建立一個 8 * 6 點（point）的圖，並設定解析度為 80
4figure(figsize=(8,6), dpi=80)
5# 建立一個新的 1 * 1 的子圖，接下來的圖樣繪製在其中的第 1 塊（也是唯一的一塊）
6subplot(1,1,1)
7X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
8C,S = np.cos(X), np.sin(X)
9# 繪製餘弦曲線，使用藍色的、連續的、寬度為 1 （畫素）的線條
10plot(X, C, color=“blue”, linewidth=1.0, linestyle=“-“)
11# 繪製正弦曲線，使用綠色的、連續的、寬度為 1 （畫素）的線條
12plot(X, S, color=“green”, linewidth=1.0, linestyle=“-“)
13# 設定橫軸的上下限
14xlim(-4.0,4.0)
15# 設定橫軸記號
16xticks(np.linspace(-4,4,9,endpoint=True))
17# 設定縱軸的上下限
18ylim(-1.0,1.0)
19# 設定縱軸記號
20yticks(np.linspace(-1,1,5,endpoint=True))
21# 以解析度 72 來儲存圖片
22# savefig(“exercice_2.png”,dpi=72)
23# 在螢幕上顯示
24show()

改變線條的顏色和粗細

首先，我們以藍色和紅色分別表示餘弦和正弦函式，而後將線條變粗一點。接下來，我們在水平方向拉伸一下整個圖。

1…
2figure(figsize=(10,6), dpi=80)
3plot(X, C, color=“blue”, linewidth=2.5, linestyle=“-“)
4plot(X, S, color=“red”,  linewidth=2.5, linestyle=“-“)
5…

設定圖片邊界

當前的圖片邊界設定得不好，所以有些地方看得不是很清楚。

1…
2xlim(X.min()*1.1, X.max()*1.1)
3ylim(C.min()*1.1, C.max()*1.1)
4…

更好的方式是這樣：

1xmin ,xmax = X.min(), X.max()
2ymin, ymax = Y.min(), Y.max()
3dx = (xmax – xmin) * 0.2
4dy = (ymax – ymin) * 0.2
5xlim(xmin – dx, xmax + dx)
6ylim(ymin – dy, ymax + dy)

設定記號

我們討論正弦和餘弦函式的時候，通常希望知道函式在 ±π±π 和 ±π2±π2 的值。這樣看來，當前的設定就不那麼理想了。

1…
2xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
3yticks([-1, 0, +1])
4…

設定記號的標簽

記號現在沒問題了，不過標簽卻不大符合期望。我們可以把 3.1423.142 當做是 ππ，但畢竟不夠精確。當我們設定記號的時候，我們可以同時設定記號的標簽。註意這裡使用了 LaTeX。

1…
2xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
3       [r $-pi$ , r $-pi/2$ , r $0$ , r $+pi/2$ , r $+pi$ ])
4yticks([-1, 0, +1],
5       [r $-1$ , r $0$ , r $+1$ ])
6…

移動脊柱

坐標軸線和上面的記號連在一起就形成了脊柱（Spines，一條線段上有一系列的凸起，是不是很像脊柱骨啊~），它記錄了資料區域的範圍。它們可以放在任意位置，不過至今為止，我們都把它放在圖的四邊。

實際上每幅圖有四條脊柱（上下左右），為了將脊柱放在圖的中間，我們必須將其中的兩條（上和右）設定為無色，然後調整剩下的兩條到合適的位置——資料空間的 0 點。

1…
2ax = gca()
3ax.spines[ right ].set_color( none )
4ax.spines[ top ].set_color( none )
5ax.xaxis.set_ticks_position( bottom )
6ax.spines[ bottom ].set_position(( data ,0))
7ax.yaxis.set_ticks_position( left )
8ax.spines[ left ].set_position(( data ,0))
9…

新增圖例

我們在圖的左上角新增一個圖例。為此，我們只需要在 plot 函式裡以「鍵 – 值」的形式增加一個引數。

1…
2plot(X, C, color=“blue”, linewidth=2.5, linestyle=“-“, label=“cosine”)
3plot(X, S, color=“red”,  linewidth=2.5, linestyle=“-“, label=“sine”)
4legend(loc= upper left )
5…

給一些特殊點做註釋

我們希望在 2π/32π/3 的位置給兩條函式曲線加上一個註釋。首先，我們在對應的函式影象位置上畫一個點；然後，向橫軸引一條垂線，以虛線標記；最後，寫上標簽。

1…
2t = 2*np.pi/3
3plot([t,t],[0,np.cos(t)], color = blue , linewidth=2.5, linestyle=“–“)
4scatter([t,],[np.cos(t),], 50, color = blue )
5annotate(r $sin(rac{2pi}{3})=rac{sqrt{3}}{2}$ ,
6         xy=(t, np.sin(t)), xycoords= data ,
7         xytext=(+10, +30), textcoords= offset points , fontsize=16,
8         arrowprops=dict(arrowstyle=“->”, connectionstyle=“arc3,rad=.2”))
9plot([t,t],[0,np.sin(t)], color = red , linewidth=2.5, linestyle=“–“)
10scatter([t,],[np.sin(t),], 50, color = red )
11annotate(r $cos(rac{2pi}{3})=-rac{1}{2}$ ,
12         xy=(t, np.cos(t)), xycoords= data ,
13         xytext=(-90, -50), textcoords= offset points , fontsize=16,
14         arrowprops=dict(arrowstyle=“->”, connectionstyle=“arc3,rad=.2”))
15…

精益求精

坐標軸上的記號標簽被曲線擋住了，作為強迫症患者（霧）這是不能忍的。我們可以把它們放大，然後新增一個白色的半透明底色。這樣可以保證標簽和曲線同時可見。

1…
2for label in ax.get_xticklabels() + ax.get_yticklabels():
3    label.set_fontsize(16)
4    label.set_bbox(dict(facecolor= white , edgecolor= None , alpha=0.65 ))
5…

影象、子圖、坐標軸和記號

到目前為止，我們都用隱式的方法來繪製影象和坐標軸。快速繪圖中，這是很方便的。我們也可以顯式地控製影象、子圖、坐標軸。Matplotlib 中的「影象」指的是使用者介面看到的整個視窗內容。在影象裡面有所謂「子圖」。子圖的位置是由坐標網格確定的，而「坐標軸」卻不受此限制，可以放在影象的任意位置。我們已經隱式地使用過影象和子圖：當我們呼叫 plot 函式的時候，matplotlib 呼叫 gca() 函式以及 gcf() 函式來獲取當前的坐標軸和影象；如果無法獲取影象，則會呼叫 figure() 函式來建立一個——嚴格地說，是用 subplot(1,1,1) 建立一個只有一個子圖的影象。

影象

所謂「影象」就是 GUI 裡以「Figure #」為標題的那些視窗。影象編號從 1 開始，與 MATLAB 的風格一致，而於 Python 從 0 開始編號的風格不同。以下引數是影象的屬性：

這些預設值可以在源檔案中指明。不過除了影象數量這個引數，其餘的引數都很少修改。

你在圖形介面中可以按下右上角的 X 來關閉視窗（OS X 系統是左上角）。Matplotlib 也提供了名為 close 的函式來關閉這個視窗。close 函式的具體行為取決於你提供的引數：

• 不傳遞引數：關閉當前視窗；
• 傳遞視窗編號或視窗實體（instance）作為引數：關閉指定的視窗；
• all：關閉所有視窗。

和其他物件一樣，你可以使用 setp 或者是 set_something 這樣的方法來設定影象的屬性。

子圖

你可以用子圖來將圖樣（plot）放在均勻的坐標網格中。用 subplot 函式的時候，你需要指明網格的行列數量，以及你希望將圖樣放在哪一個網格區域中。此外，gridspec 的功能更強大，你也可以選擇它來實現這個功能。

坐標軸

坐標軸和子圖功能類似，不過它可以放在影象的任意位置。因此，如果你希望在一副圖中繪製一個小圖，就可以用這個功能。

記號

良好的記號是影象的重要組成部分。Matplotlib 裡的記號系統裡的各個細節都是可以由使用者個性化配置的。你可以用 Tick Locators 來指定在那些位置放置記號，用 Tick Formatters 來調整記號的樣式。主要和次要的記號可以以不同的方式呈現。預設情況下，每一個次要的記號都是隱藏的，也就是說，預設情況下的次要記號串列是空的——NullLocator。

Tick Locators

下麵有為不同需求設計的一些 Locators。

這些 Locators 都是 matplotlib.ticker.Locator 的子類，你可以據此定義自己的 Locator。以日期為 ticks 特別複雜，因此 Matplotlib 提供了 matplotlib.dates 來實現這一功能。

其他型別的圖

接下來的內容是練習。請運用你學到的知識，從提供的程式碼開始，實現配圖所示的效果。具體的答案可以點選配圖下載。

普通圖

1from pylab import *
2n = 256
3X = np.linspace(-np.pi,np.pi,n,endpoint=True)
4Y = np.sin(2*X)
5plot (X, Y+1, color= blue , alpha=1.00)
6plot (X, Y-1, color= blue , alpha=1.00)
7show()

散點圖

1from pylab import *
2n = 1024
3X = np.random.normal(0,1,n)
4Y = np.random.normal(0,1,n)
5scatter(X,Y)
6show()

條形圖

1from pylab import *
2n = 12
3X = np.arange(n)
4Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
5Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
6bar(X, +Y1, facecolor= #9999ff , edgecolor= white )
7bar(X, -Y2, facecolor= #ff9999 , edgecolor= white )
8for x,y in zip(X,Y1):
9    text(x+0.4, y+0.05, %.2f % y, ha= center , va= bottom )
10ylim(-1.25,+1.25)
11show()
12

等高線圖

1from pylab import *
2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
3n = 256
4x = np.linspace(-3,3,n)
5y = np.linspace(-3,3,n)
6X,Y = np.meshgrid(x,y)
7contourf(X, Y, f(X,Y), 8, alpha=.75, cmap= jet )
8C = contour(X, Y, f(X,Y), 8, colors= black , linewidth=.5)
9show()

灰度圖（Imshow）

1from pylab import *
2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
3n = 10
4x = np.linspace(-3,3,4*n)
5y = np.linspace(-3,3,3*n)
6X,Y = np.meshgrid(x,y)
7imshow(f(X,Y)), show()

餅狀圖

1from pylab import *
2n = 20
3Z = np.random.uniform(0,1,n)
4pie(Z), show()

量場圖（Quiver Plots）

1from pylab import *
2n = 8
3X,Y = np.mgrid[0:n,0:n]
4quiver(X,Y), show()

網格

1from pylab import *
2axes = gca()
3axes.set_xlim(0,4)
4axes.set_ylim(0,3)
5axes.set_xticklabels([])
6axes.set_yticklabels([])
7show()

多重網格

1from pylab import *
2subplot(2,2,1)
3subplot(2,2,3)
4subplot(2,2,4)
5show()

極軸圖

1from pylab import *
2axes([0,0,1,1])
3N = 20
4theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)
5radii = 10*np.random.rand(N)
6width = np.pi/4*np.random.rand(N)
7bars = bar(theta, radii, width=width, bottom=0.0)
8for r,bar in zip(radii, bars):
9    bar.set_facecolor( cm.jet(r/10.))
10    bar.set_alpha(0.5)
11show()

3D 圖

1from pylab import *
2from mpl_toolkits.mplot3d import Axes3D
3fig = figure()
4ax = Axes3D(fig)
5X = np.arange(-4, 4, 0.25)
6Y = np.arange(-4, 4, 0.25)
7X, Y = np.meshgrid(X, Y)
8R = np.sqrt(X**2 + Y**2)
9Z = np.sin(R)
10ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap= hot )
11show()