刚接触Matplotlib时，会被书上的plt、ax以及subplots等各种概念所迷惑，心里存在无数个问号，这些究竟是啥？画出来的图不是一样的吗？他们有啥区别？下面就一步步来解答这些迷惑。

概念引入

首先，我们应该要了解一张用Matplotlib画出来的图的具体构造，引用一张官方的图

我们先主要看图里面红色框的Figure和蓝色框的Axes，如何理解这两个东西呢？

如果将Matplotlib绘图和我们平常画画相类比，可以把Figure想象成一张纸（一般被称之为画布），Axes代表的则是纸中的一片区域（当然可以有多个区域，这是后续要说到的subplots），下面是一张更形象一点的图。

**

**
在Figure画布中，Axes1区域画了一张数据仪表盘，Axes2区域画了柱状图，Axes3区域绘制了一张地图，相信还是挺好理解的。

两种绘图方式的区别

对着两个概念有基本的了解后，就可以来看看plt.plot()和ax.plot()有何区别了，下面列出了两种用Matplotlib绘制图表的方式。

• plt

# 第一种方式
plt.figure()
plt.plot([1,2,3,4,5],[2,4,6,8,10])
plt.show()

• ax

# 第二种方式
fig,ax = plt.subplots()
ax.plot([1,2,3],[4,5,6])
plt.show()

绘图效果如下：

可以看到，不论是用plt.plot()还是ax.plot()，结果都是一样的

那区别在哪里？

从第一种方式的代码来看，先生成了一个Figure画布，然后在这个画布上隐式生成一个画图区域进行画图。

第二种方式同时生成了Figure和axes两个对象，然后用ax对象在其区域内进行绘图

如果从面向对象编程（对理解Matplotlib绘图很重要）的角度来看，显然第二种方式更加易于解释，生成的fig和ax分别对画布Figure和绘图区域Axes进行控制，第一种方式反而显得不是很直观，如果涉及到子图零部件的设置，用第一种绘图方式会很难受。

在实际绘图时，也更推荐使用第二种方式。

subplot 绘制

下面通过介绍subplots加深对第二种绘图方式的理解

假如现在我要在一张纸上左边画一个折线图，右边画一个散点图，该如何画呢？

首先要有一个画布Figure，其次，需要有两个区域Axes（等价于两个子图subplot）来画图

# 生成画布和axes对象
# nrows=1和ncols=2分别代表1行和两列
fig,ax = plt.subplots(nrows=1,ncols=2)

因为这里有两个画图区域，所以ax对应的是一个列表，存储了两个Axes 对象。

ax

然后分别控制左边和右边的绘图区域进行绘图

fig,ax = plt.subplots(nrows=1,ncols=2)
ax[0].plot([1,2,3],[4,5,6])
ax[1].scatter([1,2,3],[4,5,6])

其实到这里了也会发现，一个Axes对象对应了一个subplot子图，这些个子图都是画在同一个画布Figure之上。

Matplotlib 常见组件设置整理

个人认为用Matplotlib画出一张图来不难，难的是对于一些细节东西的设置，可能在一个小小的细节处理上就得百度好久，所以可以先点收藏了再看，需要的时候可以及时找出来看看。

先上一张官方绘制的关于各个组件在一张图中的名词解释，通过这张图可以很直观地感受到什么是legend，什么是tick……，遇到不会设置的也可以照着图搜索对应的文档，下面具体讲讲。

注： 下方的图片均使用fig,ax = plt.subplots()的方式生成

4.1 设置显示中文字体

Matplotlib中默认将中文显示为乱码的◻，如下面这种情况：

fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5])
plt.show()

所以在绘图前可以通过下面的代码解决这个问题
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

# SimHei：微软雅黑
# FangSong：仿宋
# 这两个是我常用的，其他的可以上网搜一搜

fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5])
plt.show()

4.2 设置标题

函数： ax.set_title
利用fontdict 和 loc 参数可以分别对字体和标题位置进行设置

plt.rcParams['font.sans-serif'] = ['SimHei']
fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5])
ax.set_title('标题',fontdict={'size':16,'color':'red'},loc='center')
plt.show()

4.3 边框的显示问题

数：ax.spines[loc].set_visible(False)

一般的图表中，Matplotlib会默认显示出图形的spine，
就是图形上下左右的四条边线，如图

正常使用中有些时候仅仅需要左边left和底部bottom的spine，也有时候四条边框都不需要，可以这么设置：

plt.rcParams['font.sans-serif'] = ['SimHei']
fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5])
ax.set_title('标题',fontdict={'size':16,'color':'red'},loc='center')
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
plt.show()

4.4 图例设置（legend）

函数：ax.legend()

图例是对图形所展示的内容的解释，比如在一张图中画了三条线，那么这三条线都代表了什么呢？这时就需要做点注释。

要显示图例可以有两种方式：

# 第一种：
# plot的时候加上label,之后调用ax.legend()
fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5],label='2010')
ax.plot(['北京','上海','深圳'],[2,4,6],label='2020')
ax.legend()
plt.show()

# 第二种：
# 使用ax.legend()按顺序设置好图例
fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5])
ax.plot(['北京','上海','深圳'],[2,4,6])
# frameon = False 设置不显示图例的边框
ax.legend(['2010','2020'],loc='upper center',fontsize=10,labelcolor='red',frameon=False)
plt.show()

frameon和fontsize参数可以设置是否显示图例的边框以及图例中文字的大小。

4.5 图形与边框之间的留白控制

函数：ax.margins()

不知道大家绘图的时候有没有发现，Matplotlib中默认在我们所画的图形和边框之间留有空白，比如

要去掉这样的空白部分可以使用ax.margins()进行设置

plt.rcParams['font.sans-serif'] = ['SimHei']
fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5])
ax.set_title('标题',fontdict={'size':16,'color':'red'},loc='center')
ax.fill_between(['北京','上海','深圳'],[1,1,1],[1,3,5])
ax.margins(0)
plt.show()

4.6 设置双坐标轴

函数：ax.twinx()

双坐标轴一般用于复合图表，同时表示两种图表的指标量纲不一，经典的使用场景如帕累托图。

使用中，需要对原有的ax使用.twinx()方法生成ax2，再利用ax2进行绘图

fig,ax = plt.subplots()
ax.plot(['北京','上海','深圳'],[1,3,5],color='r')

# 双坐标用法
ax2 = ax.twinx()
ax2.bar(['北京','上海','深圳'],[20,40,60],alpha=0.3)

plt.show()

4.7 坐标轴相关设置

在一张二维图中，关于坐标轴各个零件的术语如图所示

首先有横坐标xaxis和纵坐标yaxis（注意与axes区分），横纵坐标上的标签（也可以说是横纵坐标的名字）为xlabel和ylabel，横纵坐标上有刻度线tick，刻度上对应的刻度标签则是tick label。
具体设置时所对应的函数为

• ax.set_xlim(),ax.set_ylim() 设置x轴和y轴的范围
• xlabel --> ax.set_xlabel()
• ylabel --> ax.set_ylabel()
• tick和tick label --> ax.tick_params，ax.xticks()，ax.yticks()

4.7.1 设置x轴和y轴的范围

set_xlim()、set_ylim()
Matplotlib会自动得出沿x、y（和z轴，如果是3D图）轴显示的变量的最小值和最大值。然而，可以通过使用set_xlim()和set_ylim()函数明确地设置限制。实例如下：

fig,ax = plt.subplots()
ax.scatter([3,2,1],[1,3,5],color='r')
ax.plot([3,2,1],[1,3,5],color='b')

设置x轴的范围：[0,4]，y轴的范围：[0,6]

fig,ax = plt.subplots()
ax.scatter([3,2,1],[1,3,5],color='r')
ax.plot([3,2,1],[1,3,5],color='b')
ax.set_xlim([0,4])
ax.set_ylim([0,6])

4.7.2 设置横纵坐标轴的标签(名字）

fig,ax = plt.subplots()
ax.scatter([3,2,1],[1,3,5],color='r')
ax.plot([3,2,1],[1,3,5],color='b')

# 分别设置xy轴的标签
ax.set_xlabel('横轴',fontsize=10,color='red')
ax.set_ylabel('纵轴',fontsize=10,color='green')

4.7.3 设置刻度和刻度标签

fig,ax = plt.subplots()
ax.scatter([3,2,1],[1,3,5],color='r')
ax.plot([3,2,1],[1,3,5],color='b')

# fontsize设置刻度标签的大小
# direction控制刻度是朝内还是朝外显示
ax.tick_params(labelsize=14,direction='in')

设置刻度

fig,ax = plt.subplots()
ax.scatter([3,2,1],[1,3,5],color='r')
ax.plot([3,2,1],[1,3,5],color='b')

# fontsize设置刻度标签的大小
# direction控制刻度是朝内还是朝外显示
ax.tick_params(labelsize=19,direction='in')
ax.set_xticks([1,2,3,4,5])
ax.set_yticks([1,3,5,7,9])

设置刻度标签

fig,ax = plt.subplots()
ax.scatter([3,2,1],[1,3,5],color='r')
ax.plot([3,2,1],[1,3,5],color='b')

# fontsize设置刻度标签的大小
# direction控制刻度是朝内还是朝外显示
ax.tick_params(labelsize=19,direction='in')
ax.set_xticks([1,2,3,4,5])
ax.set_yticks([1,3,5,7,9])
ax.set_xticklabels(['a','b','c','d','e'])
ax.set_yticklabels(['一','二','三','四','五'])

5 网格线的设置

函数：ax.grid()

网格线多用于辅助查看具体的数值大小，横纵坐标都可以设置相应的网格线，视具体情况而论。

fig,ax1 = plt.subplots()
ax1.plot([1,2,3],[4,2,6],color='r')

# visible参数设置是否显示网格
# axis参数设置在哪个轴上显示网格线，可选参数为'x','y','both'
ax1.grid(visible=True,axis='y')