一、安装Matplotlib

Matplotlib是一个综合库，用于在Python中创建静态，动画和交互式可视化。

# 安装matplotlib
pip install matplotlib
# 导入
import matplotlib.pyplot as plt
# 在当前页面中显示图片%matplotlib inline

Matplotlib 的默认配置都允许用户自定义。你可以调整大多数的默认配置：图片大小和分辨率（dpi）、线宽、颜色、风格、坐标轴、坐标轴以及网格的属性、文字与字体属性等。不过，matplotlib 的默认配置在大多数情况下已经做得足够好，你可能只在很少的情况下才会想更改这些默认配置。

二、基本绘图流程

1.创建画布与创建子图

第一部分主要作用是构建出一张空白的画布，并可以选择是否将整个画布划分为多个部分，方便在同一幅图上绘制多个图形的情况。最简单的绘图可以省 略第一部分，而后直接在默认的画布上进行图形绘制。

函数名称	函数作用
plt.figure	创建一个空白画布，可以指定画布大小，像素。
figure.add_subplot	创建并选中子图，可以指定子图的行数，列数，与选中图片编号。

import numpy as np
import matplotlib.pyplot as plt
# 创建画布
figure = plt.figure()
# 设置图表大小
plt.rcParams['figure.figsize'] = (8,6)
# 创建子图
plt.subplot()
# 绘制第1张子图：折线图
ax1 = plt.subplot(221)
plt.plot([1,2,3],[2,4,6])
# 绘制第2张子图：柱状图
ax2 = plt.subplot(222)plt.bar([1,2,3],[2,4,6])
# 绘制第3张子图：散点图
ax3 = plt.subplot(223)
plt.scatter([1,3,5],[2,4,6])
# 绘制第4张子图：直方图
ax4 = plt.subplot(224)
plt.hist([2,2,2,3,4])
# 创建子图
fig, axes = plt.subplots(nrows=2,ncols=2,figsize=(10,8))
ax1,ax2,ax3,ax4 = axes.flatten()
# nrows表示行数，ncols表示列数,可以简写为plt.subplots（2,2）,figsize参数设置图表尺寸为1000×800像素。
ax1.plot([1,2,3],[2,4,6]) # 绘制第一张子图
ax2.bar([1,2,3],[2,4,6]) # 绘制第二张子图
ax3.scatter([1,3,5],[2,4,6]) # 绘制第三张子图
ax4.hist([2,2,2,3,4]) # 绘制第四张子图

2.基本绘图

1）.绘制线条

# 绘制简单直线
import numpy as np
import matplotlib.pyplot as plt
# 绘制简单直线
x = np.array([1, 2, 3, 4, 5])y = np.array([3, 6, 9, 12, 15])
# 绘制水平线、垂线
plt.axhline(y=6, ls=":", c="blue") # 添加水平直线
plt.axvline(x=4, ls=" ", c="red") # 添加垂直直线
# 绘制多段垂线
plt.vlines([2, 3, 3.5], # 垂线的x坐标值
[10, 20, 30], # 每条垂线起始y坐标[25, 35, 45]) # 每条垂线结束y坐标
plt.figure()
plt.plot(x, y)
plt.savefig('./test2.jpg') # 保存图片
plt.show() # 显示图片，阻塞方法

2).设置线型、线宽

linestyle: 设置线型，常见取值有实线（‘-’）、虚线（‘–’）、点虚线（‘-.’）、点线（‘:’）
linewidth：线宽
color：颜色（red, blue, green）
alpha: 设置透明度（0~1之间）

格式化字符

字符	描述
’ - ’	实线样式
’ - - ’	短横线样式
‘-.’	点划线样式
‘:’	虚线样式
‘.’	点标记
‘,’	像素标记
‘o’	圆标记
‘v’	倒三角标记
‘^’	正三角标记
‘<’	左三角标记
‘>’	右三角标记
‘1’	下箭头标记
‘2’	上箭头标记
‘3’	左箭头标记
‘4’	右箭头标记
‘s’	正方形标记
‘p’	五边形标记
‘*’	星形标记
‘h’	六边形标记 1
‘H’	六边形标记 2
‘+’	加号标记
‘x’	X 标记
‘D’	菱形标记
‘d’	窄菱形标记

颜色的缩写

字符	颜色
‘b’	蓝色
‘g’	绿色
‘r’	红色
‘c’	青色
‘m’	品红色
‘y’	黄色
‘k’	黑色
‘w’	白色

示例：绘制正弦、余弦曲线，并设置线型、线宽、颜色、透明度

# 绘制正弦曲线
import numpy as np
import matplotlib.pyplot as pltimport math
x = np.arange(0, 2 * np.pi, 0.1) # 以0.1为单位，生成0~6的数据print(x)
y1 = np.sin(x)
y2 = np.cos(x)
# 绘制图形
plt.plot(x, y1, label="sin", linewidth=2) # 实线，线宽2像素
plt.plot(x, y2, label="cos", linestyle=" ", linewidth=4) # 虚线，线宽4像素
plt.xlabel("x") # x轴文字
plt.ylabel("y") # y轴文字
# 设置坐标轴范围
plt.xlim(0, 2 * math.pi)plt.ylim( 1, 2)
plt.title("sin & cos") # 图标题
plt.legend() # 图例plt.show()

3).设置坐标轴范围

#x limt min: <float> x轴范围最小值
#x limit max: <float> x轴范围最大值
plt.xlim(x limt min, x limit max)
#y limt min: <float> y轴范围最小值
#y limit max: <float> y轴范围最大值
plt.ylim(y limt min, y limit max)

4).设置坐标刻度

#x val list: x轴刻度值序列
#x text list: x轴刻度标签文本序列 [可选]
plt.xticks(x val list , x text list)
#y val list: y轴刻度值序列
#y text list: y轴刻度标签文本序列 [可选]
plt.yticks(y val list , y text list)

绘制二次函数曲线

# 绘制二次函数曲线
import numpy as np
import matplotlib.pyplot as plt
import math
x = np.arange(-5, 5, 0.1) # 以0.1为单位，生成 5~5的数据
print(x)
y = x ** 2
# 绘制图形
plt.plot(x, y, label="$y = x ^ 2$",
        linewidth=2, # 线宽2像素
        color="red", # 颜色
        alpha=0.5) # 透明度
plt.xlabel("x") # x轴文字
plt.ylabel("y") # y轴文字
# 设置坐标轴范围
plt.xlim(-10, 10)
plt.ylim(-1, 30)
# 设置刻度
x_tck = np.arange(-10, 10, 2)
x_txt = x_tck.astype("U")
plt.xticks(x_tck, x_txt)
y_tck = np.arange(-1, 30, 5)
y_txt = y_tck.astype("U")
plt.yticks(y_tck, y_txt)
plt.title("square") # 图标题
plt.legend(loc="upper right") # 图例 upper right, center
plt.show()

5).设置坐标轴

# 获取当前坐标轴字典，{'left':左轴,'right':右轴,'bottom':下轴,'top':上轴 }
ax = plt.gca()
# 获取其中某个坐标轴
axis = ax.spines['坐标轴名']
# 设置坐标轴的位置。 该方法需要传入2个元素的元组作为参数
# type: <str> 移动坐标轴的参照类型 一般为'data' (以数据的值作为移动参照值)
# val: 参照值
axis.set position(('data', val))
# 设置坐标轴的颜色
# color: <str> 颜色值字符串
axis.set color(color)

# 设置坐标轴格式
import matplotlib.pyplot as plt
ax = plt.gca()
axis b = ax.spines['bottom'] # 获取下轴
axis b.set position(('data', 0)) # 设置下轴位置, 以数据作为参照值
axis l = ax.spines['left'] # 获取左轴
axis l.set position(('data', 0)) # 设置左轴位置, 以数据作为参照值
ax.spines['top'].set color('none') # 设置顶部轴无色ax.spines['right'].set color('none') # 设置右部轴无色
plt.show()

6）备注

# 在图表中为某个点添加备注。包含备注文本，备注箭头等图像的设置。
plt.annotate(
	r'$\frac{\pi}{2}$',#备注中显示的文本内容
	xycoords='data',#备注目标点所使用的坐标系（data表示数据坐标系）
	xy=(x, y),#备注目标点的坐标
	textcoords='offset points', #备注文本所使用的坐标系（offset points表示参照点的偏移坐标系）
	xytext=(x, y),#备注文本的坐标
	fontsize=14,#备注文本的字体大小
	arrowprops=dict()#使用字典定义文本指向目标点的箭头样式
	)

三、高级绘图

1）plt对象支持的图类型

2）散点图

散点图（scatter diagram）又称为散点分布图，是以一个特征为横坐标，另一个特征为纵坐标，利用坐标点（散点）的分布形态反映特征间的统计关系的一种图形。

绘制散点图的相关API：

plt.scatter(
	x,# x轴坐标数组
	y,# y轴坐标数组
	marker='',# 点型
	s=10,# 大小
	color='',# 颜色
	edgecolor='',# 边缘颜色
	facecolor='',# 填充色
	zorder=''# 图层序号
)

案例：绘制平面散点图。

# 散点图示例
import matplotlib.pyplot as plt
import numpy as np
n = 40
# 期望值：期望值是该变量输出值的平均数
# 标准差：是反映一组数据离散程度最常用的一种量化形式，是表示精确度的重要指标
x = np.random.normal(172, 20 ,n ) # 期望值, 标准差, 生成数量
y = np.random.normal(60, 10, n) # 期望值, 标准差, 生成数量
x2 = np.random.normal(180, 20 ,n ) # 期望值, 标准差, 生成数量
y2 = np.random.normal(70, 10, n) # 期望值, 标准差, 生成数量
plt.figure("scatter", facecolor="lightgray")
plt.title("Scatter Demo")
plt.scatter(x, y, c="red", marker="D")
plt.scatter(x2, y2, c="blue", marker="v")
plt.xlim(100, 240)
plt.ylim(0, 100)
plt.show()