Matplotlib精品学习笔记002-Pyplot详解，

matplotlib.pyplot集合了一系列功能，运行起来和MATLAB相似。
每个pyplot功能都会对画布（figure）进行修改：包括创建画布，在画布上创建一个画图区，向画图区里绘制一些线条，给画图区挂上标签等等。
在matplotlib.pyplot中，调用函数会保存不同的声明，因此pyplot会始终追踪锁定当前画布和当前画图区，绘画函数会直接作用于当前轴区（axes）。这也是隐式接口的特性

==pyplot（隐式）API虽然更简洁，但不如显式API灵活。==有兴趣可以阅读matplotlib显式接口与隐式接口

通过pyplot快速绘图

import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

• 知识点： 如果向plot()传入一个列表或数组（array），matplotlib会默认是y数据，并自动生成x数据，也就是x=range(len(array))，x数据从0开始。

定义画图区的样式（plot style）

对于每对x，y参数，都有一个可选参数，它可以通过格式化字符串规定画图区的颜色和线条样式。格式化字符串的字母和符号都来自MATLAB。颜色字符串+线条样式字符串。

• 知识点： 默认格式化是’b-'，表示蓝色线条。

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro') 
# 样式为红色的点
plt.axis([0, 6, 0, 20])
plt.show()

• 知识点： 上方代码块中的plt.axis()函数接受[xmin, xmax, ymin, ymax]这样的列表，能规定轴区（axes）的视野。

如果matplotlib只能读取列表，那可以说是毫无用处

比起列表，更常见的是使用numpy的array。

知识点： matplotlib都会在内部将接收到的数据转换为numpy的array类型。

简单了解一下matplotlib如何使用numpy绘图：

import numpy as np

# 从0-5，每隔0.2取数
t = np.arange(0., 5., 0.2)

# red dashes, blue squares and green triangles
plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
plt.show()

利用实参传入键对值字符串绘图

matplotlib允许通过实参data传入numpy.recarray和pandas.DataFrame等对象。之后，你就可以通过字符串获取对应的变量值来绘图。
例如：

data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100

plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()

也可以使用分类变量创建一个图表。Matplotlib允许您将分类变量直接传递给许多绘图函数。

names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]

plt.figure(figsize=(9, 3))

plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')
plt.show()

自定义线条属性

线条自带许多属性。你可以对线宽、线条样式、平滑等属性设定。设定属性的方法不止一种。

使用关键字参数（keyword argument）：

plt.plot(x, y, linewidth=2.0)

使用Line2D实例的属性设置方法。

plot（绘图）将返回一个包含Line2D实例的列表，比如：line1, line2 = plot(x1, y1, x2, y2)。我们就可以针对线条实例进行属性设置。

line, = plt.plot(x, y, '-')
line.set_antialiased(False) # 关闭平滑

通过setp。

下面的例子将展示利用MATLAB风格的函数对若干线条设置多项属性。你既可以使用python的关键字参数，也可以使用MATLAB风格的字符串/值对。

lines = plt.plot(x1, y1, x2, y2)
# 使用关键字参数
plt.setp(lines, color='r', linewidth=2.0)
# MATLAB风格
plt.setp(lines, 'color', 'r', 'linewidth', 2.0)

Line2D实例的属性表

属性名称	值类型
alpha透明度	浮点数
animated动图	True or False
antialiased or aa平滑	True or False
clip_box夹框	matplotlib.transform.Bbox实例
clip_on夹框显示	True or False
clip_path夹框路径	Path实例和Transform实例，Patch
color或c 颜色	任意matplotlib可识别的颜色
contains	命中测试函数
dash_capstyle虚线顶部样式	‘butt’, ‘round’, ‘projecting’
dash_joinstyle	‘miter’, ‘round’, ‘bevel’
dashes虚线	点是否连续
data数据	(np.array xdata, np.array ydata)
figure图形	matplotlib.figure.Figure实例
lable标签	字符串
linestyle或ls线条样式	[ ‘-’
linewidth或lw线条宽度	浮点数
marker标记	[ ‘+’
markeredgecolor或mec标记边缘颜色	任意matplotlib可识别的颜色
markeredgewidth或mew标记边缘宽度	浮点数
markerfacecolor或mfc标记颜色	任意matplotlib可识别的颜色
markersize或ms标记大小	浮点数
markevery	[ None
picker选择	用于线条选择交互
pickradius选择半径	线条选择的半径
solid_capstyle	[‘butt’
solid_joinstyle	[‘miter’
transform变型	matplotlib.transforms.Transform实例
visible可视	True or False
xdata横轴数据	np.array
ydata竖轴数据	np.array
zorderZ轴	任意数字

要获取已绘制线条的属性，可以通过调用setp函数，以线条为参数：

lines = plt.plot([1, 2, 3])
plt.setp(lines)

操作多个画布和轴区（figures and axes）

MATLAB和pyplot都会定位当前画布和当前轴区。因此所有的绘图函数都会作用于当前轴区。gca函数返回当前轴区，即一个matplotlib.axes.Axes实例；而gcf函数返回当前画布，即一个matplotlib.figure.Figure实例。==通常，你不必担心是否在当前画布和轴区上绘图，因为matplotlib已经在内部完成了这项工作。
譬如：

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

plt.figure()
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

plt.figure()可有可无，因为如果没有画布存在的话，matplotlib会自动创建一个；正如调用subplot()时如果没有轴区则会自动新建一个。subplot()需要三个参数：numrows, numcols, plot_number，其中plot_number的范围是1至numrows乘numcols。如果numrows*numcols<10，逗号也是可以忽略的。比如subplot(211)等价于subplot(2, 1, 1)。

matplotlib允许创建任意数量的subplots和axes。如果你想手动放置axes的位置，比如不想按照网格排列，使用axes([left, bottom, width, height])可以调整axes的位置，（这4个参数范围均从0至1）。

你可以多次调用figure()生成多个画布。每个画布随你所愿地可以包含数个轴区或subplots。

import matplotlib.pyplot as plt
plt.figure(1)                # 第一个 figure
plt.subplot(211)             # the first subplot in the first figure
plt.plot([1, 2, 3])
plt.subplot(212)             # the second subplot in the first figure
plt.plot([4, 5, 6])


plt.figure(2)                # 第二个 figure
plt.plot([4, 5, 6])          # creates a subplot() by default

plt.figure(1)                # first figure current;
                             # subplot(212) still current
plt.subplot(211)             # make subplot(211) in the first figure
                             # current
plt.title('Easy as 1, 2, 3') # subplot 211 title

可以用clf清空当前画布，用cla清空当前轴区。

注意： 当你绘制大量画布时，它们会占用内存，只有调用close函数后figure才会关闭。仅仅关掉画布的调用或不显示都不会清除内存占用。

操作文本（Text）

利用text可以往指定位置添加文本。 xlabel, ylabel 和 title会向特定位置添加文本。

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)


plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

text函数会返回一个matplotlib.text.Text实例。可以通过关键字参数或setp函数改变它的属性。

t = plt.xlabel('my data', fontsize=14, color='red')

使用数学表达式

Matplotlib在任何文本表达式中接受TeX方程表达式。例如在标题中添加表达式，你可以用美元符号包围TeX表达式:

plt.title(r'$\sigma_i=15$')

标题字符串前面的r很重要——它表明该字符串是一个原始字符串，而不是将反斜杠视为python转义。
matplotlib有一个内置的TeX表达式解析器和布局引擎，并且提供了自己的数学字体。因此，您可以跨平台使用数学文本，而不需要安装TeX。对于那些安装了LaTeX和dvipng的人，你也可以使用LaTeX来格式化文本，并将输出直接合并到你的显示图形或保存的postscript中。

注释文本

使用上面的text函数将文本放置在轴上的任意位置。文本的一个常见用途是注释图形的某些特性，annotate方法提供了辅助功能，使注释变得容易。在注释中，有两点需要考虑:被注释的位置由参数xy表示，以及文本xytext的位置。这两个参数都是(x, y)元组。

ax = plt.subplot()

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)

plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
             arrowprops=dict(facecolor='black', shrink=0.05),
             )

plt.ylim(-2, 2)
plt.show()

在这个基本示例中，xy位置(箭头提示)和xytext位置(文本位置)都是数据坐标。

对数轴和其他非线性轴

matplotlib.pyplot不仅支持线性轴缩放，还支持对数和logit缩放。这通常用于数据跨越多个数量级。改变坐标轴的比例很简单:

plt.xscale('log')

下面是四个具有相同数据和不同y轴比例的图形的示例。

# Fixing random state for reproducibility
np.random.seed(19680801)

# make up some data in the open interval (0, 1)
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))

# plot with various axes scales
plt.figure()

# linear
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)

# log
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')
plt.title('log')
plt.grid(True)

# symmetric log
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthresh=0.01)
plt.title('symlog')
plt.grid(True)

# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale('logit')
plt.title('logit')
plt.grid(True)
# Adjust the subplot layout, because the logit one may take more space
# than usual, due to y-tick labels like "1 - 10^{-3}"
plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,
                    wspace=0.35)

plt.show()