Matplotlib 是一個非常簡單而又完善的開源繪圖庫。那么它到底有多簡單呢？

基本知識

首先官方文檔奉上
下面，我們通過 3 行代碼繪制一張簡單的折線圖。

from matplotlib import pyplot as plt
plt.plot([1,2,3,4,2,1,5,6,1])
plt.show()

折線圖

plt.plot() 是 pyplot 模塊下面的直線繪制（折線圖）方法類。示例中包含了一個[1,2,3,4,2,1,5,6,1]列表，該列表的值默認為y值，而 x 值會從 0 到 n-1，這也就是為什么你會發現3反而對應的是4。

下面，我們就來一些常見類型的圖像繪制及參數使用。

• 折線圖

from matplotlib import pyplot as plt #載入 pyplot 繪圖模塊
import numpy as np # 載入數值計算模塊

# 在 -2PI 和 2PI 之間等間距生成 1000 個值，也就是 x 坐標
x = np.linspace(-2*np.pi, 2*np.pi, 1000)
# 計算 y 坐標
y = np.sin(x)

# 向方法中 `*args` 輸入 x，y 坐標
plt.plot(x, y)
plt.show()

• 柱形圖

from matplotlib import pyplot as plt #載入 pyplot 繪圖模塊
import numpy as np # 載入數值計算模塊

# 在 -2PI 和 2PI 之間等間距生成 10 個值，也就是 X 坐標
x = np.linspace(-2*np.pi, 2*np.pi, 10)
# 計算 y 坐標
y = np.sin(x)

# 向方法中 `*args` 輸入 x，y 坐標
plt.bar(x, abs(y))  # y 值取絕對值
plt.show()

• 散點圖

from matplotlib import pyplot as plt #載入 pyplot 繪圖模塊
import numpy as np # 載入數值計算模塊

# x,y 的坐標均有 numpy 在 0 到 1 中隨機生成 1000 個值
x = np.random.normal(0,1,1000)
y = np.random.normal(0,1,1000)

# 向方法中 `*args` 輸入 X，y 坐標
plt.scatter(x, y)
plt.show()

• 餅圖

from matplotlib import pyplot as plt #載入 pyplot 繪圖模塊

Z = [1, 2, 3, 4, 5]
# 繪圖
plt.pie(Z)
plt.show()

但是Matplotlib 默認的樣式的確算不上美觀。所以，我們需要設置繪圖方法的參數，從而畫出更漂亮和自己想要的圖形。

線型圖進階

我們已經知道了，線型圖通過 matplotlib.pyplot.plot(*args, **kwargs) 方法繪出。其中，args 代表數據輸入，而 kwargs 的部分就是用于設置樣式參數了。

• 常用參數

• 顏色參數

• 顏色參數

• 樣本點標記

下面我們根據這些屬性將我們的三角函數圖像重新畫一遍

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 載入 pyplot 繪圖模塊
import numpy as np  # 載入數值計算模塊

# 在 -2PI 和 2PI 之間等間距生成 1000 個值，也就是 x 坐標
x = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
# 計算 sin() 對應的縱坐標
y1 = np.sin(x)
# 計算 cos() 對應的縱坐標
y2 = np.cos(x)

# 向方法中 `*args` 輸入 X，y 坐標
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.1)
plt.plot(x, y2, color='b', linestyle='-', linewidth=2)

線形圖

散點圖進階

除了線型圖以外，散點圖也是常用圖形之一。例如，我們在使用機器學習算法聚類的時候，往往就會通過散點圖將樣本數據展示出來。Matplotlib 中，繪制散點圖的方法我們已經知道了，那就是 matplotlib.pyplot.scatter()。接下來，我們就看一看它包含有哪些參數。

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 載入 pyplot 繪圖模塊
import numpy as np  # 載入數值計算模塊

x = np.random.rand(100) # 隨機在 0 到 1 之間生成 100 個數值
y = np.random.rand(100) # 隨機在 0 到 1 之間生成 100 個數值
colors = np.random.rand(100) # 隨機在 0 到 1 之間生成 100 個數值
size = np.random.normal(20, 30, 100) # 隨機在 20 到 30 之間生成 100 個數值

# 繪制散點圖
plt.scatter(x, y, s=size, c=colors)
plt.show()
plt.show()

餅狀圖進階

# -*- coding: utf-8 -*

import matplotlib.pyplot as plt

label = 'Cat', 'Dog', 'Cattle', 'Sheep', 'Horse' # 各類別標簽
color = 'r', 'g', 'r', 'g', 'y' # 各類別顏色
size = [1, 2, 3, 4, 5] # 各類別占比
explode = (0, 0, 0, 0, 0.2) # 各類別的偏移半徑
# 繪制餅狀圖
plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%')
# 餅狀圖呈正圓
plt.axis('equal')
# 顯示圖
plt.show()

組合圖

上面演示了三種常見圖像的繪制。實際上，我們往往會遇到將幾種類型的一樣的圖放在一張圖內顯示，也就是組合圖的繪制。其實很簡單，你只需要將需要或者的組合圖樣式放在一起就好了，比如柱形圖和折線圖。

# -*- coding: utf-8 -*

import matplotlib.pyplot as plt

x = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]
y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]
y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]

plt.bar(x, y_bar)
plt.plot(x, y_line, '-o', color='y')
plt.show()

子圖

子圖，就是將幾張獨立的圖放在一張大圖中呈現。在一些需要對比的情形下，子圖非常有效。
Matplotlib 中，繪制子圖的方法為matplotlib.pyplot.subplot()，我們通過該方法來控制各子圖的顯示順序。其中規則為subplot(行序號, 列序號, 圖序號)

import numpy as np
import matplotlib.pyplot as plt

# 生成數據
x = np.linspace(-2*np.pi, 2*np.pi) 

y1 = np.sin(x)
y2 = np.cos(x)

# 子圖 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'k')
# 子圖 2
plt.subplot(2, 2, 2)
plt.plot(x, y2, 'r')
# 子圖 3
plt.subplot(2, 2, 3)
plt.plot(x, y2, 'y')
# 子圖 4
plt.subplot(2, 2, 4)
plt.plot(x, y2, 'g')

plt.show()

更為高級的子圖畫法
首先需要了解一下基礎知識
畫圖需要生成一個figure(可理解為畫布或進程)，此參數可無需設置,如未設置pyplot會自動幫你創建一個(figure 1)。接下來，要決定在figure中哪個位置畫圖，畫多大的圖。這就引入坐標點和大小的概念，整個figure按照X與Y軸橫豎來平均切分，以0到1之間的數值來表示。 如：X軸上的0.1，代表了X軸總長自左向右的10%位置。
整個畫圖區域就是一個axes，通過Axes參數選項可以對畫圖區域的坐標點與大小進行設置，如未設置會自動幫接近覆蓋整個figure的值。在一個figure中可添加多個Axes，就如一個畫布中可以畫一整副圖，又或者可以畫四宮圖等等。axes參數設置如下：
axes([x,y,xs,ys])#其中x代表在X軸的位置，y代表在Y軸的位置，xs代表在X軸上向右延展的范圍大小，yx代表在Y軸中向上延展的范圍大小。

import numpy as np
import matplotlib.pyplot as plt

# 生成數據
x = np.linspace(-2 * np.pi, 2 * np.pi)

y1 = np.sin(x)
y2 = np.cos(x)

# 大圖
plt.axes([.1, .1, .8, .8])
plt.plot(x, y1, 'k')
# 小圖
plt.axes([.6, .6, .3, .3])
plt.plot(x, y2, 'r')

plt.show()

繪制圖例

一般情況下，當繪制好圖案后，還需要繪制圖例。Matplotlib 中，圖例可以通過 matplotlib.pyplot.legend() 方法繪制。我們又拿上面的正弦和余弦曲線舉例。

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 載入 pyplot 繪圖模塊
import numpy as np  # 載入數值計算模塊

# 生成數據
X = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(X)
y2 = np.cos(X)

# 使用 label= 添加標簽
plt.plot(X, y1, color='r', linestyle='--', linewidth=2, label='sin 函數')
plt.plot(X, y2, color='b', linestyle='-', linewidth=2, label='cos 函數')
# 繪制圖例
plt.legend(loc='upper left')
plt.show()

在這里，我們需要修改兩個地方，也就是通過label=為每一條曲線添加標簽。然后，增加一條plt.legend(loc='upper left')就可以了。其中，loc='upper left'是指明圖例的位置，例如這里是左上方。你還可以通過 down 和 right 組合實現位置的變換。

圖像標注

當我們繪制一些較為復雜的圖像時，閱讀對象往往很難全面理解圖像的含義。而此時，圖像標注往往會起到畫龍點睛的效果。圖像標注，就是在畫面上添加文字注釋、指示箭頭、圖框等各類標注元素。

Matplotlib 中，文字標注的方法由 matplotlib.pyplot.text() 實現。最基本的樣式為 matplotlib.pyplot.text(x, y, s)，其中 x, y 用于標注位置定位，s 代表標注的字符串。除此之外，你還可以通過 fontsize= , horizontalalignment= 等參數調整標注字體的大小，對齊樣式等。
下面，我們舉一個對柱形圖進行文字標注的示例。

# -*- coding: utf-8 -*
from matplotlib import pyplot as plt # 載入繪圖模塊

x_bar = [10, 20, 30, 40, 50] #柱形圖橫坐標
y_bar = [0.5, 0.6, 0.7, 0.4, 0.6] #柱形圖縱坐標
bars = plt.bar(x_bar, y_bar, color='blue',  width=2) # 繪制柱形圖
for i, rect in enumerate(bars):
    x_text = rect.get_x() # 獲取柱形圖橫坐標
    y_text = rect.get_height() + 0.01 # 獲取柱子的高度并增加 0.01
    plt.text(x_text, y_text, '%.1f' % y_bar[i]) # 標注文字

plt.show()

除了文字標注之外，還可以通過 matplotlib.pyplot.annotate() 方法向圖像中添加箭頭等樣式標注。接下來，我們向上面的例子中增添一行增加箭頭標記的代碼。

 # 增加箭頭標注
    plt.annotate('Max', xy=(32, 0.6), xytext=(38, 0.6), arrowprops=dict(facecolor='black', width=1, headwidth=7))

上面的示例中，xy=() 表示標注終點坐標，xytext=() 表示標注起點坐標。另外，arrowprops=() 用于設置箭頭樣式，facecolor= 設置顏色，width= 設置箭尾寬度，headwidth= 設置箭頭寬度。在箭頭繪制的過程中，還有一個 arrowstyle= 用于改變箭頭的樣式。另外，connectionstyle= 的參數可以用于更改箭頭連接的樣式。下圖展示了常見的箭頭連接樣式。

綜合案例

Paste_Image.png

import numpy as np
import matplotlib.pyplot as plt
ax = plt.subplot(111)
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C, S = np.cos(X), np.sin(X)
plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="Cos Function")
plt.plot(X, S, color="red", linewidth=2.5, linestyle="-", label="Sin Function")
#設置x,y軸范圍
plt.xlim(X.min() * 1.1, X.max() * 1.1)
plt.ylim(C.min() * 1.1, C.max() * 1.1)
#設置x,y軸的坐標刻度
plt.xticks([-np.pi, -np.pi / 2, 0, np.pi / 2, np.pi],
           [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
plt.yticks([-1, +1],
           [r'$-1$', r'$+1$'])
t = 2 * np.pi / 3
plt.plot([t, t], [0, np.cos(t)],
         color='blue', linewidth=1.5, linestyle="--")
plt.scatter([t, ], [np.cos(t), ], 50, color='blue')
plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
             xy=(t, np.sin(t)), xycoords='data',
             xytext=(+10, +30), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.plot([t, t], [0, np.sin(t)],
         color='red', linewidth=1.5, linestyle="--")
plt.scatter([t, ], [np.sin(t), ], 50, color='red')
plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
             xy=(t, np.cos(t)), xycoords='data',
             xytext=(-90, -50), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plt.legend(loc='upper left', frameon=False)
plt.show()