本文对 Matplotlib 的用法进行不完全总结。
更新： 2023 / 1 / 4
Python | Matplotlib | 不完全总结
- ImageMagick
- 导库
- 画布
- 创建多子图
- 动图
- 2D
- 柱状图
- 基本：水平 / 垂直柱形
- 主题：颜色、文字、网格线
- 动图
- 线图
- 基本
- 动图
- 3D
- 柱状图
- 基本
- 线图
- 动图
- 参考链接
ImageMagick
参考这里 1
导库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
import matplotlib.animation as animation
画布
创建多子图
- 创建图片对象及坐标轴，自定义图片大小
# setup the figure and axes
fig = plt.figure(figsize=(8, 3))
ax1 = fig.add_subplot(121, projection='3d')
ax2 = fig.add_subplot(122, projection='3d')
plt.show()
其中，
def add_subplot(self, *args, **kwargs):
"""
Add an `~.axes.Axes` to the figure as part of a subplot arrangement.
Call signatures::
add_subplot(nrows, ncols, index, **kwargs)
add_subplot(pos, **kwargs)
add_subplot(ax)
add_subplot()
Parameters
----------
...
projection : {None, 'aitoff', 'hammer', 'lambert', 'mollweide', \
'polar', 'rectilinear', str}, optional
The projection type of the subplot (`~.axes.Axes`). *str* is the
name of a custom projection, see `~matplotlib.projections`. The
default None results in a 'rectilinear' projection.
动图
参考这里 2
将使用 matplotlib.animation 中的 FuncAnimation。
FuncAnimation 通过重复调用函数（在画布上绘制）来制作动画。
语法如下，
def __init__(self, fig, func, frames=None, init_func=None, fargs=None,
save_count=None, *, cache_frame_data=True, **kwargs):
Animation 是一个幻象：在每一个 frame 中，绘制的对象都使用 update 函数来更新。所有的 frame 都在最后被保存为一个文件（要么是 gif，要么是 mp4）。
2D
参考这里 3
柱状图
准备数据，数据集参考此处的网址 4，将其数据集保存为 3d.csv。
选取出 year=2018 时 value 按倒序排列的 df 的前 10 行，
df = pd.read_csv('3d.csv', usecols=['name', 'group', 'year', 'value'])
current_year = 2018
df = df[df['year'].eq(current_year)].sort_values(by='value', ascending=True).tail(10)
df = df[::-1]
# name group year value
# 6045 Tokyo Asia 2018 38194.2
# 1324 Delhi India 2018 27890.0
# 5547 Shanghai Asia 2018 25778.6
# 689 Beijing Asia 2018 22674.2
# 3748 Mumbai India 2018 22120.0
# 5445 Sao Paulo Latin America 2018 21697.8
# 3574 Mexico City Latin America 2018 21520.4
# 4679 Osaka Asia 2018 20409.0
# 1195 Cairo Middle East 2018 19849.6
# 1336 Dhaka Asia 2018 19632.6
print(df['name'].shape, df['name'].unique())
# (10,) ['Tokyo' 'Delhi' 'Shanghai' 'Beijing' 'Mumbai' 'Sao Paulo' 'Mexico City'
# 'Osaka' 'Cairo' 'Dhaka']
上面经筛选后所得的 df 中 name 为唯一值的有 10 个，分别为 ['Tokyo' 'Delhi' 'Shanghai' 'Beijing' 'Mumbai' 'Sao Paulo' 'Mexico City' 'Osaka' 'Cairo' 'Dhaka']。
基本：水平 / 垂直柱形
- 横向
使用 ax.barh(x, y) 来绘制水平柱状图，
fig, ax = plt.subplots(figsize=(15, 8))
ax.barh(df['name'], df['value'])
plt.show()
效果图如下所示，
- 竖向
使用 ax.bar(x, y) 来绘制垂直柱状图，
fig, ax = plt.subplots(figsize=(15, 8))
ax.bar(df['name'], df['value'])
plt.show()
效果图如下所示，
主题：颜色、文字、网格线
- 颜色
使用ax.barh(color=[])来定义bar的颜色，语法如下：
def barh(self, x=None, y=None, **kwargs):
"""
Make a horizontal bar plot.
A horizontal bar plot is a plot that presents quantitative data with
rectangular bars with lengths proportional to the values that they
represent. A bar plot shows comparisons among discrete categories. One
axis of the plot shows the specific categories being compared, and the
other axis represents a measured value.
"""
return self(kind="barh", x=x, y=y, **kwargs)
在示例中，
fig, ax = plt.subplots(figsize=(15, 8))
colors = dict(zip(
['India','Europe','Asia','Latin America','Middle East','North America','Africa'],
['#adb0ff', '#ffb3ff', '#90d595', '#e48381', '#aafbff', '#f7bb5f', '#eafb50']
))
group_lk = df.set_index('name')['group'].to_dict()
ax.barh(df['name'], df['value'], color=[colors[group_lk[x]] for x in df['name']])
plt.show()
效果图如下所示，
- 文字
使用 ax.text 来添加文字，语法如下：
def text(self, x, y, s, fontdict=None, **kwargs):
"""
Add text to the Axes.
Add the text *s* to the Axes at location *x*, *y* in data coordinates.
Parameters
----------
x, y : float
The position to place the text. By default, this is in data
coordinates. The coordinate system can be changed using the
*transform* parameter.
s : str
The text.
fontdict : dict, default: None
A dictionary to override the default text properties. If fontdict
is None, the defaults are determined by `.rcParams`.
在示例中，
fig, ax = plt.subplots(figsize=(15, 8))
colors = dict(zip(
['India','Europe','Asia','Latin America','Middle East','North America','Africa'],
['#adb0ff', '#ffb3ff', '#90d595', '#e48381', '#aafbff', '#f7bb5f', '#eafb50']
))
group_lk = df.set_index('name')['group'].to_dict()
ax.barh(df['name'], df['value'], color=[colors[group_lk[x]] for x in df['name']])
for i, (value, name) in enumerate(zip(df['value'], df['name'])):
dx = df['value'].max() / 200
ax.text(value-dx, i, name, ha='right', size=10) # Tokyo: name
ax.text(value-dx, i-.25, group_lk[name], ha='right', size=10) # Asia: group name
ax.text(value+dx, i, value, ha='left', size=10) # 38194.2: value
ax.text(1, 0.4, f'Year: {current_year}', transform=ax.transAxes, size=30, ha='right')
plt.show()
效果图如下所示，
- 复合效果
fig, ax = plt.subplots(figsize=(15, 8))
colors = dict(zip(
['India','Europe','Asia','Latin America','Middle East','North America','Africa'],
['#adb0ff', '#ffb3ff', '#90d595', '#e48381', '#aafbff', '#f7bb5f', '#eafb50']
))
group_lk = df.set_index('name')['group'].to_dict()
def draw_barchart(df, year):
df = df[df['year'].eq(year)].sort_values(by='value', ascending=True).tail(10)
df = df[::-1]
ax.clear()
ax.barh(df['name'], df['value'], color=[colors[group_lk[x]] for x in df['name']])
dx = df['value'].max() / 200
for i, (value, name) in enumerate(zip(df['value'], df['name'])):
ax.text(value - dx, i, name, size=14, weight=600, ha='right', va='bottom')
ax.text(value - dx, i - .25, group_lk[name], size=10, color='#444444', ha='right', va='baseline')
ax.text(value + dx, i, f'{value:,.0f}', size=14, ha='left', va='center')
# ... polished styles
ax.text(0, 1.1, 'The most populous cities in the world in 2018',
transform=ax.transAxes, size=24, weight=600, ha='left')
ax.text(0, 1.06, 'Population (thousands)', transform=ax.transAxes, size=12, color='#777777')
ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}'))
ax.xaxis.set_ticks_position('top')
ax.tick_params(axis='x', colors='#777777', labelsize=12)
ax.set_yticks([])
# ax.margins(0, 0.01)
ax.grid(which='major', axis='x', linestyle='-.')
ax.set_axisbelow(True)
ax.text(1, 0.4, year, transform=ax.transAxes, color='#777777', size=46, ha='right', weight=800)
ax.text(1.1, 0, 'by @XS', transform=ax.transAxes, ha='right',
color='#777777', bbox=dict(facecolor='white', alpha=0.8, edgecolor='white'))
plt.box(False)
draw_barchart(df, 2018)
plt.show()
效果图如下所示，
动图
为了设置动画，我们将使用 matplotlib.animation 中的 FuncAnimation。 FuncAnimation 通过重复调用函数（在画布上绘制）来制作动画。
在我们的例子中，该函数将是 draw_barchart。我们还使用 frame，这个参数接受你想要运行的函数的值 —— 我们将从 1968 年运行到 2018 年。
-
animation
使用 animation 来添加回调函数，
def draw_barchart(year):
df = pd.read_csv('3d.csv', usecols=['name', 'group', 'year', 'value'])
colors = dict(zip(
['India', 'Europe', 'Asia', 'Latin America', 'Middle East', 'North America', 'Africa'],
['#adb0ff', '#ffb3ff', '#90d595', '#e48381', '#aafbff', '#f7bb5f', '#eafb50']
))
group_lk = df.set_index('name')['group'].to_dict()
df = df[df['year'].eq(year)].sort_values(by='value', ascending=True).tail(10)
df = df[::-1]
ax.clear()
ax.barh(df['name'], df['value'], color=[colors[group_lk[x]] for x in df['name']])
dx = df['value'].max() / 200
for i, (value, name) in enumerate(zip(df['value'], df['name'])):
ax.text(value - dx, i, name, size=14, weight=600, ha='right', va='bottom')
ax.text(value - dx, i - .25, group_lk[name], size=10, color='#444444', ha='right', va='baseline')
ax.text(value + dx, i, f'{value:,.0f}', size=14, ha='left', va='center')
ax.text(0, 1.1, 'The most populous cities in the world in 2018',
transform=ax.transAxes, size=24, weight=600, ha='left')
ax.text(0, 1.06, 'Population (thousands)', transform=ax.transAxes, size=12, color='#777777')
ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}'))
ax.xaxis.set_ticks_position('top')
ax.tick_params(axis='x', colors='#777777', labelsize=12)
# ax.set_yticks([])
ax.margins(0, 0.01)
ax.grid(which='major', axis='x', linestyle='-.')
ax.set_axisbelow(True)
ax.text(1, 0.4, year, transform=ax.transAxes, color='#777777', size=46, ha='right', weight=800)
ax.text(1.1, 0, 'by @XS', transform=ax.transAxes, ha='right',
color='#777777', bbox=dict(facecolor='white', alpha=0.8, edgecolor='white'))
plt.box(False)
fig, ax = plt.subplots(figsize=(15, 8))
animator = animation.FuncAnimation(fig, draw_barchart, repeat_delay=100, frames=range(1968, 2019),)
animator.save(filename='1.gif', writer='imagemagick')
效果图如下所示，
线图
准备数据，如下所示：
# fake data
x = np.linspace(0, 10)
# [ 0. 0.20408163 0.40816327 0.6122449 0.81632653 1.02040816
# 1.2244898 1.42857143 1.63265306 1.83673469 2.04081633 2.24489796
# 2.44897959 2.65306122 2.85714286 3.06122449 3.26530612 3.46938776
# 3.67346939 3.87755102 4.08163265 4.28571429 4.48979592 4.69387755
# 4.89795918 5.10204082 5.30612245 5.51020408 5.71428571 5.91836735
# 6.12244898 6.32653061 6.53061224 6.73469388 6.93877551 7.14285714
# 7.34693878 7.55102041 7.75510204 7.95918367 8.16326531 8.36734694
# 8.57142857 8.7755102 8.97959184 9.18367347 9.3877551 9.59183673
# 9.79591837 10. ]
y = np.sin(x)
# [ 0. 0.20266794 0.39692415 0.57470604 0.72863478 0.85232157
# 0.94063279 0.98990308 0.99808748 0.96484631 0.89155923 0.78126802
# 0.63855032 0.46932961 0.2806294 0.08028167 -0.12339814 -0.32195632
# -0.50715171 -0.67129779 -0.80758169 -0.91034694 -0.97532829 -0.99982867
# -0.9828312 -0.92504137 -0.82885774 -0.6982724 -0.53870529 -0.35677924
# -0.16004509 0.04333173 0.24491007 0.43632343 0.6096272 0.75762842
# 0.8741843 0.9544572 0.99511539 0.99447137 0.95255185 0.8710967
# 0.75348673 0.60460332 0.43062587 0.23877532 0.0370144 -0.16628279
# -0.36267843 -0.54402111]
x 为横坐标，y 为纵坐标。
基本
使用 ax.plot(x, y) 来绘制线图，
fig, ax = plt.subplots()
line, = ax.plot(x, y)
plt.show()
效果图如下所示，
动图
x = np.linspace(0, 10)
y = np.sin(x)
fig, ax = plt.subplots()
line, = ax.plot(x, y)
def update(num, x, y, line):
line.set_data(x[:num], y[:num])
return line,
ani = animation.FuncAnimation(fig, update, len(x), interval=100,
fargs=[x, y, line], blit=True)
ani.save('1.gif', writer='imagemagick', fps=60)
- 前两个参数只是
fig（图形对象）和update（更新每一帧中绘制对象的函数）。 - 传递给构造函数的第三个参数是
len(x)，它指示数据点的总数（回想一下x和y是列表）。这正是传递给update的num参数！在每一帧中，一个从1到len(x)的值被赋予更新函数以生成不同的图。这些情节构成了Animation的 “幻觉”。 - 参数
interval是以毫秒为单位的帧之间的延迟，在这种情况下设置为100 ms。 - 参数
fargs是一个包含传递给更新函数的其他参数（除了num）的元组，它是x、y和line的顺序相同的元组。 - 最后一个参数
blit设置为True以优化结果。
FuncAnimation 的构造函数中还有很多其他的参数，你可以查看 FuncAnimation 的文档了解更多。
最后调用 FuncAnimation 对象的 save 方法保存动画。在这里，我们使用 gif 生成器 imagemagick 将 ani 保存到 gif 文件。在这里，我们将帧率 fps 设置为 60。
效果图如下，
还有另外一个例子，效果如下所示，源码参考这里 5
3D
参考这里 6‘ 2
柱状图
参考这里 7
准备数据，如下所示：
# fake data
_x = np.arange(4)
_y = np.arange(5)
_xx, _yy = np.meshgrid(_x, _y)
x, y = _xx.ravel(), _yy.ravel()
top = x + y
bottom = np.zeros_like(top)
width = depth = 1
基本
使用 ax.bar3d() 画出相应柱状图，
ax1.bar3d(x, y, bottom, width, depth, top, shade=True)
ax1.set_title('Shaded')
plt.savefig('3D-bar-example.png')
plt.show()
效果图如下所示，
线图
参考这里 8
动图
# Fixing random state for reproducibility
np.random.seed(19680801)
def random_walk(num_steps, max_step=0.05):
"""Return a 3D random walk as (num_steps, 3) array."""
start_pos = np.random.random(3)
steps = np.random.uniform(-max_step, max_step, size=(num_steps, 3))
walk = start_pos + np.cumsum(steps, axis=0)
return walk
def update_lines(num, walks, lines):
for line, walk in zip(lines, walks):
# NOTE: there is no .set_data() for 3 dim data...
line.set_data(walk[:num, :2].T)
line.set_3d_properties(walk[:num, 2])
return lines
# Data: 40 random walks as (num_steps, 3) arrays
num_steps = 30
walks = [random_walk(num_steps) for index in range(40)]
# Attaching 3D axis to the figure
fig = plt.figure()
ax = fig.add_subplot(projection="3d")
# Create lines initially without data
lines = [ax.plot([], [], [])[0] for _ in walks]
# Setting the axes properties
ax.set(xlim3d=(0, 1), xlabel='X')
ax.set(ylim3d=(0, 1), ylabel='Y')
ax.set(zlim3d=(0, 1), zlabel='Z')
# Creating the Animation object
ani = animation.FuncAnimation(
fig, update_lines, num_steps, fargs=(walks, lines), interval=100)
plt.show()
效果图如下，
参考链接
ImageMagick的基本使用 ↩︎
Beginners’ Guide to Animate Plots with matplotlib.animation ↩︎ ↩︎
Bar Chart Race in Python with Matplotlib ↩︎
示例数据集 ↩︎
一步一步教你用 Matplotlib 保存 GIF 动图 ↩︎
3D animation using matplotlib ↩︎
Demo of 3D bar charts ↩︎
Animated 3D random walk ↩︎
