Matplotlib

0. 前言

在 python 中通常使用的是 Matplotlib 的子库 Pyplot，导入格式为 import matplotlib.pyplot as plt，同时在开始绘制图前，我们需要知道两个函数的作用

1. plt.figure(figsize)：设置图形窗口的大小，一般在最一开始使用
2. plt.show()：显示一个界面展示已经设置好要绘制的图，一般在最后使用

为了方便，本笔记代码都用 plt 代替 pyplot，并且省略了 plt.figure() 和 plt.show()

1. 线图 plot

1.1 使用

plt.plot() 用于绘制线图，展示数据随时间或序列变化的趋势。线图通过连续的线段连接离散的数据点，常用于展示连续数据的变化趋势。

• x_points：每个离散点的 x 坐标，可以是任何 array-like 对象，如果不传递 x_points，系统会自动生成一个 y_points 的索引列表作为 x_points，即 [0, 1, 2, …, len(y_points)-1]
• y_points：每个离散点的 y 坐标，可以是任何 array-like 对象
• formats：格式字符串 [marker][line][color]，用于一次性设置三个格式
• args：利用关键字参数自定义格式，常见的有
  • linewidth：设置线条的宽度
  • marker：设置数据点的标记样式
  • markersize：设置数据点标记的大小
  • linestyle：设置线条的样式
  • color：设置线条和标记的颜色
• label：设置图例中显示的标签

实际上，在 matplotlib 中绘制任何图形（圆、直线、方形），实际上都不是连续的，而是将一个个离散的点连线而成，下面给出一个简单的例子

x = [1,2,3,4]
y = [1,4,9,16]
plt.plot(x, y)

为了实现二次函数的连续曲线效果，我们获取更多更密的点

x = np.linspace(1, 4, 10000)
y = x ** 2
plt.plot(x, y)
plt.show()

可以利用 format 设置样式为“红色圆圈虚线”即 ro--

plt.plot(x, y, "ro--")

还可以利用参数指定样式

plt.plot(x, y, color='green', marker='x', linestyle=':', linewidth=5, markersize=20)

1.2 点的格式

常用的样式值有

标记	样式
‘.’	点
‘,’	像素点
‘o’	实心圆
‘^’	上三角
‘*’	星
‘X’	填充叉
‘x’	线条叉
‘D’	菱

常用的颜色值有

标记	颜色
‘r’	红色
‘g’	绿色
‘b’	蓝色
‘c’	青色
‘m’	品红色
‘y’	黄色
‘k’	黑色
‘w’	白色
‘none’	无色

除了指定样式，我们还可以实现更多的自定义

• markersize 或 ms：定义标记的大小
• markerfacecolor 或 mfc：定义标记的内部颜色
• markeredgecolor 或 mec：定义标记的边框颜色

plt.plot(x, y, marker='o', ms=10, mfc='g', mec='r')

如果想实现空心圆的效果，我们可以让内部颜色为空即可

plt.plot(x, y, marker='o', ms=20, mfc='none', mec='m')

1.3 线的格式

常用的样式值有

标记	简写	样式
‘solid’	‘-’	实线
‘dotted’	‘:’	点虚线
‘dashed’	‘–’	破折线
‘dashdot’	‘-.’	点划线
‘None’	‘’	不划线

linestyle 参数也可以简写为 ls

plt.plot(x, y, marker='o', ls='-.')

我们可以利用不划线来实现散点图的一种绘制方式

plt.plot(x, y, marker='o', ms=5, ls='none')

我们可以通过参数 color 来设置线的颜色，再通过 mfc 和 mgc 来设置点的颜色，从而实现区分

plt.plot(x, y, marker='o', ms=8, ls=':', color='b', markerfacecolor='r', markeredgecolor='r')

我们可以传入多个 y_points 在一个图里面画出多条线，系统会自动设置不同颜色，我们也可以手动指定每个线图的颜色

y1 = [3, 7, 5, 9]
y2 = [6, 2, 13, 10]
plt.plot(y1)
plt.plot(y2)

1.4 标签格式

• plt.legend(loc) 显示图例，标识每个线图的事先设置的标签，可以通过传入以下 loc 参数值来指定图例位置

位置代码	说明
'best'	自动选择最佳位置，默认值
'upper right'	图例位于右上角
'upper left'	图例位于左上角
'lower left'	图例位于左下角
'lower right'	图例位于右下角
'right'	图例位于右侧
'center left'	图例位于左侧中部
'center right'	图例位于右侧中部
'lower center'	图例位于底部中央
'upper center'	图例位于顶部中央
'center'	图例位于图形中央

x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, 'b-', label='sin(x)')
plt.plot(x, y2, 'r-', label='cos(x)')
plt.legend(loc='upper right')

• plt.xlabel(name, loc) 设置 x 轴的标签，loc 值可以是 left, right, center
• plt.ylabel(name, loc) 设置 y 轴的标签，loc 值可以是 top, bottom, center
• plt.title(name, loc) 设置图的标题，loc 值可以是 left, right, center

x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, 'b-', label='sin(x)')
plt.plot(x, y2, 'r-', label='cos(x)')
plt.xlabel("x")
plt.ylabel("f(x)")
plt.title("trigonometric function")
plt.legend(loc='best')

需要注意的是 matplotlib 不支持中文，需要手动导入字体

1.5 轴的格式

对 x 轴的设置和对 y 轴的设置代码是一样的，只需把 x 替换成 y 即可，这里用 x 轴为例

Matplotlib 的坐标轴刻度会自动选择“好看的”数字显示，这些刻度可能并不与 x,y 数组中的某些具体值完全一致

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
plt.plot(x, y, 'b-')

plt.xticks(values, names)：设置 x 轴刻度的位置和标签

plt.xticks([0, np.pi/2, np.pi, np.pi*3/2, np.pi*2], ['0', 'pi/2', 'pi', '3/2pi', '2pi'])

plt.xlim(min, max)：设置 x 轴的显示范围，即传入最小值和最大值

plt.xlim(np.pi/6, np.pi*4/3)

plt.xscale(type)：设置 x 轴的刻度比例，type 值如下

• linear：用于常规数据，无需特殊转换
• log：当数据跨度巨大（多数量级）且数据全为正时使用
• symlog：适合数据既有正有负，且在零附近变化较快，远离零时呈对数增长的情况
• logit：专门针对概率数据，帮助揭示在接近 0 或 1 时微小差异的重要性

x = np.linspace(1, 10000000, 100)
y = np.log(x)
plt.plot(x, y)
plt.xscale('log')

1.6 网格格式

grid() 方法来设置图表中的网格线

• axis：设置显示哪个方向的网格线，可以取 ‘both’, ‘x’ 和 ‘y’
• kwargs：设置网格样式，如颜色，样式和宽度

x = np.arange(0, 10*np.pi, np.pi / 6)
y = np.sin(x)
plt.plot(x, y, 'b-')
plt.grid(axis='x', c='g', ls='-.', lw=2)

2. 多图 subplot

plt.subplot(nrows, ncols, index) 来绘制多个子图

• nrows 和 ncols 将整个绘图区域分成 nrows 行和 ncols 列，然后从左到右，从上到下的顺序对每个子区域进行编号 1…N
• index 指定区域编号，接下来的绘图都是在这个区域进行

创建 1 行 3 列子图的图

x = np.linspace(0, 4*np.pi, 100)
y1, y2, y3 = np.sin(x), np.cos(x), np.tan(x)
plt.figure(figsize=(10, 5))
plt.subplot(1,3,1)
plt.plot(x,y1)
plt.subplot(1,3,2)
plt.plot(x,y2)
plt.subplot(1,3,3)
plt.plot(x,y3)

创建 2 行 2 列子图的图，通过 plt.suptitle() 设置整个图的标题

x = np.array([0, 6])
y = np.array([0, 100])

plt.subplot(2, 2, 1)
plt.plot(x,y)
plt.title("plot 1")

plt.subplot(2, 2, 2)
plt.plot(x,-y)
plt.title("plot 2")

plt.subplot(2, 2, 3)
plt.plot(-x,y)
plt.title("plot 3")

plt.subplot(2, 2, 4)
plt.plot(-x,-y)
plt.title("plot 4")

plt.suptitle("RUNOOB subplot Test")

3. 散点图 scatter

plt.scatter() 用于绘制散点图，展示数据点之间的分布和相关性。散点图仅显示离散数据点，不连接线条，适合用于观察变量之间的关系和数据的离散性

x = np.random.randint(1, 10, 20)
y = np.random.randint(1, 10, 20)
plt.scatter(x, y, marker='o')

s 参数可以用来指定散点的大小/面积，如果给定单个值则统一作用到每个散点，否则给定相同长度的数组作用于对应的散点

x = np.random.randint(1, 10, 20)
y = np.random.randint(1, 10, 20)
size = np.random.choice([10,100,500], 20)
plt.scatter(x, y, s=size)

c 参数可以用来指定散点的颜色，如果给定单个值则统一作用到每个散点，否则给定相同长度的数组作用于对应的散点；alpha 参数可以用来指定散点的透明度，但只能给定单个值则统一作用到每个散点

x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
sizes = (30 * np.random.rand(N))**2
plt.scatter(x, y, s=sizes, c=colors, alpha=0.5)

cmap 参数用于将标量数据映射为颜色，可以用 plt.colorbar() 来显示颜色条

• ‘viridis’（默认）：从深紫到黄色的渐变色，色彩平衡且易于区分
• ‘plasma’：较为鲜艳，从深蓝到橙色
• ‘inferno’：暖色调，从黑色到黄色
• ‘magma’：柔和色调，从深紫到白色
• ‘jet’：经典的彩虹色，但不推荐用于科学数据可视化，因为色彩非线性且容易产生误导

x = np.linspace(0, 10, 50)
y = np.sin(x)
colors = np.linspace(0, 1, 50)
plt.scatter(x, y, c=colors, cmap='jet', s=100, marker='o')
plt.colorbar()

4. 柱形图 bar/barh

plt.bar()（用于垂直柱状图）和 plt.barh()（用于水平柱状图）用于绘制柱状图，展示不同类别数据之间的比较。柱状图通过条形的长度或高度来反映各类别的数值大小，适合比较不同分类数据的差异。

在这里 x 给出的是分类标签，y 给出的是柱形的高度

x = ['label1', 'label2', 'label3']
y = [5, 15, 10]
plt.bar(x, y)

对于 plt.bar() 使用参数 width 设置柱形宽度，对于 plt.barh() 使用参数 height 设置柱形宽度，如果给定单个值则统一作用到每个柱形，否则给定相同长度的数组作用于对应的柱形

y = [5, 15, 10]
x = ['label1', 'label2', 'label3']
plt.subplot(1,2,1)
plt.bar(x, y, width=0.1)
plt.subplot(1,2,2)
plt.barh(x, y, height=[0.1,0.3,0.5])

参数 color 可以设置柱形的填充色，如果给定单个值则统一作用到每个柱形，否则给定相同长度的数组作用于对应的柱形

x = ['label1', 'label2', 'label3', 'label4']
y = [12, 22, 6, 18]
colors = ["#4CAF50","red","hotpink","#556B2F"]
plt.bar(x, y, color=colors)

5. 饼图 pie

plt.pie() 用于绘制饼图，展示各部分占整体的比例，饼图将数据按比例分割为若干扇区，适用于显示组成部分的相对大小。

这里只用给出 x 浮点数数组表示每个扇形的面积比例

x = [0.3, 0.15, 0.4, 0.15]
plt.pie(x)

以下几个基本参数，都是给出数组来表示每个扇形的属性

• colors：各个扇形的颜色
• labels：各个扇形的标签
• explode：各个扇形之间的间隔

x = [0.3, 0.15, 0.4, 0.15]
colors = ['green', 'blue', 'red', 'yellow']
labels = ['label1', 'label2', 'label3', 'label4']
explodes = [0, 0.1, 0, 0]
plt.pie(x, colors=colors, labels=labels, explode=explodes)

此外，饼图还有很多参数可以自定义

• autopct：设置饼图内各个扇形百分比显示格式，如 %d%% 整数百分比，%0.1f 一位小数，%0.1f%% 一位小数百分比，%0.2f%% 两位小数百分比
• labeldistance：设置 autopct 距离扇形的距离
• shadow：布尔值，设置饼图的阴影
• startangle：指定饼图的起始角度，默认为从 x 轴正方向逆时针画起
• counterclock：布尔值，指定是否逆时针绘制扇形
• radius：设置饼图的半径

x = [0.3, 0.15, 0.4, 0.15]
explodes = [0, 0.2, 0, 0]
plt.pie(x, explode=explodes, autopct='%0.1f', shadow=True, radius=1.3, startangle=90, counterclock=True)

6. 直方图 hist

plt.hist() 用于绘制直方图，展示数据的分布情况。直方图将数据分成若干个区间，统计每个区间内数据的个数或比例，帮助观察数据的频率分布和集中趋势

这里 x 给出的是分布数据（可以是二维的，表示多组分布数据），系统会自动根据数据的值域分成若干个区间

x = np.random.randint(0, 101, size=200)
plt.hist(x, histype='step')

直方图有很多自定义的参数，常见的有

• bins：指定直方图的柱数，如果是整数则自动将数据分成该数目的等宽区间，如果是序列则需要明确指定各个区间的边界
• range：给出最小值和最大值组成的二元组，表示直方图的值域范围
• density：布尔值，True 显示比例，False 显示个数
• culmulative：布尔值，True 显示累积和
• bottom：设置基准线位置
• rwidth：柱子占据 bin 的比例，间接设置柱子间的间隔

# 假设有这样的情景，考试满分是120分，其中有20分是附加分，现在有一组成绩数据，需要知道糟糕（40-60）、不合格（40-60）、合格（60-80）、良好（80-90）和优秀（90-100）的人数，还需要知道成绩为合格及以上每十分的累加比例
x = np.random.randint(0, 121, size=200)
plt.subplot(1,2,1)
plt.hist(x, bins=[0, 40, 60, 80, 90, 100], density=False, cumulative=False, bottom = 5, rwidth= 0.95)
plt.xticks(bins)
plt.subplot(1,2,2)
plt.hist(x, bins=4, range=(60,100), density=True, cumulative=True, bottom = 0, rwidth= 0.95)

此外，还可以通过 histtype 设置柱子的样式

• 'bar'（默认）：普通柱状图
• 'step'：只绘制边界线
• 'stepfilled'：边界线内填充颜色
• 'barstacked'：堆叠柱状图，适用于多组数据堆叠显示

data1 = np.random.randn(1000)
data2 = np.random.randn(1000) + 2

plt.figure(figsize=(12,5))
plt.subplots_adjust(wspace=0.3, hspace=0.3)
plt.suptitle('histtype')

plt.subplot(2,2,1)
plt.hist(data1, bins=30, histtype='bar', color='skyblue', edgecolor='black')
plt.title('bar')

plt.subplot(2,2,2)
plt.hist(data1, bins=30, histtype='step', color='skyblue', edgecolor='black')
plt.title('step')

plt.subplot(2,2,3)
plt.hist(data1, bins=30, histtype='stepfilled', color='skyblue', edgecolor='black')
plt.title('stepfilled')

plt.subplot(2,2,4)
plt.hist([data1, data2], bins=30, histtype='barstacked', color=['skyblue', 'salmon'], rwidth=0.9)
plt.title('barstacked')

7. 图像处理 im

• plt.imread(filename)：读取常见格式的图像文件并返回一个 NumPy 数组，数组维度通常为 (height, width, channels)，灰度图像的通道数量为 1，彩色图像的通道数量为 3 或 4
• plt.imsave(filename, arr)：将数组中的图像数据保存到指定文件，支持多种图像格式，文件格式通常由文件扩展名确定
• plt.imshow(arr)：在当前的绘图区域中显示图像

设置插值方式

n = 4
a = np.reshape(np.linspace(0,1,n**2), (n,n))

plt.subplot(121)
plt.imshow(a, cmap='viridis', interpolation='nearest')
plt.yticks(range(n))
plt.xticks(range(n))

plt.subplot(122)
plt.imshow(a, cmap='viridis', interpolation='bicubic')
plt.yticks(range(n))
plt.xticks(range(n))

设置显示范围

img_array1 = plt.imread('filename')
img_array2 = img_array1[100:400,500:800,:]
plt.subplot(1,2,1)
plt.imshow(img_array1)
plt.subplot(1,2,2)
plt.imshow(img_array2)

设置颜色

img_array = plt.imread('filename')
img_array1 = img_array.copy()
img_array1 = img_array1 / 255 * 0.3
img_array2 = img_array.copy()
img_array2[:,:,1:3] = 0
plt.subplot(1,2,1)
plt.imshow(img_array1)
plt.subplot(1,2,2)
plt.imshow(img_array2)

转变为灰度图像

img_array = plt.imread('filename')
gray = np.dot(img_array[...,:3], [0.299, 0.587, 0.114])
plt.imshow(gray, cmap='gray')