Matplotlib 教程

本文為譯文。原文載於此，譯文載於我的博客。本文歡迎轉載，但請保留本段文字，尊重作者和譯者的權益。謝謝。: )

由於知乎的編輯器實在是太糟糕了（就不能開啟 Markdown 支持嘛！），雖然已經儘力，但是文章看起來還是很醜的樣子（可能文章有些功能也沒法實現）。如果不能忍的話，可以到我博客上去看……

介紹

Matplotlib 可能是 Python 2D- 繪圖領域使用最廣泛的套件。它能讓使用者很輕鬆地將數據圖形化，並且提供多樣化的輸出格式。這裡將會探索 matplotlib 的常見用法。

IPython 以及 pylab 模式

IPython 是 Python 的一個增強版本。它在下列方面有所增強：命名輸入輸出、使用系統命令（shell commands）、排錯（debug）能力。我們在命令行終端給 IPython 加上參數 -pylab（0.12 以後的版本是 --pylab）之後，就可以像 Matlab 或者 Mathematica 那樣以交互的方式繪圖。

pylab

pylab 是 matplotlib 面向對象繪圖庫的一個介面。它的語法和 Matlab 十分相近。也就是說，它主要的繪圖命令和 Matlab 對應的命令有相似的參數。

初級繪製

這一節中，我們將從簡到繁：先嘗試用默認配置在同一張圖上繪製正弦和餘弦函數圖像，然後逐步美化它。

第一步，是取得正弦函數和預先函數的值：

from pylab import *nnX = np.linspace(-np.pi, np.pi, 256,endpoint=True)nC,S = np.cos(X), np.sin(X)n

X 是一個 numpy 數組，包含了從 ?π 到 +π 等間隔的 256 個值。C 和 S 則分別是這 256 個值對應的餘弦和正弦函數值組成的 numpy 數組。

你可以在 IPython 的交互模式下測試代碼，也可以下載代碼（下載鏈接就是這些示例圖），然後執行：

$ python exercise_1.pyn

使用默認配置

Matplotlib 的默認配置都允許用戶自定義。你可以調整大多數的默認配置：圖片大小和解析度（dpi）、線寬、顏色、風格、坐標軸、坐標軸以及網格的屬性、文字與字體屬性等。不過，matplotlib 的默認配置在大多數情況下已經做得足夠好，你可能只在很少的情況下才會想更改這些默認配置。

from pylab import *nnX = np.linspace(-np.pi, np.pi, 256,endpoint=True)nC,S = np.cos(X), np.sin(X)nnplot(X,C)nplot(X,S)nnshow()n

默認配置的具體內容

下面的代碼中，我們展現了 matplotlib 的默認配置並輔以注釋說明，這部分配置包含了有關繪圖樣式的所有配置。代碼中的配置與默認配置完全相同，你可以在交互模式中修改其中的值來觀察效果。

# 導入 matplotlib 的所有內容（nympy 可以用 np 這個名字來使用）nfrom pylab import *nn# 創建一個 8 * 6 點（point）的圖，並設置解析度為 80nfigure(figsize=(8,6), dpi=80)nn# 創建一個新的 1 * 1 的子圖，接下來的圖樣繪製在其中的第 1 塊（也是唯一的一塊）nsubplot(1,1,1)nnX = np.linspace(-np.pi, np.pi, 256,endpoint=True)nC,S = np.cos(X), np.sin(X)nn# 繪製餘弦曲線，使用藍色的、連續的、寬度為 1 （像素）的線條nplot(X, C, color="blue", linewidth_=1.0, linestylex="-")nn# 繪製正弦曲線，使用綠色的、連續的、寬度為 1 （像素）的線條nplot(X, S, color="green", linewidth_=1.0, linestylex="-")nn# 設置橫軸的上下限nxlim(-4.0,4.0)nn# 設置橫軸記號nxticks(np.linspace(-4,4,9,endpoint=True))nn# 設置縱軸的上下限nylim(-1.0,1.0)nn# 設置縱軸記號nyticks(np.linspace(-1,1,5,endpoint=True))nn# 以解析度 72 來保存圖片n# savefig("exercice_2.png",dpi=72)nn# 在屏幕上顯示nshow()n

改變線條的顏色和粗細

首先，我們以藍色和紅色分別表示餘弦和正弦函數，而後將線條變粗一點。接下來，我們在水平方向拉伸一下整個圖。

...nfigure(figsize=(10,6), dpi=80)nplot(X, C, color="blue", linewidth_=2.5, linestylex="-")nplot(X, S, color="red", linewidth_=2.5, linestylex="-")n...n

設置圖片邊界

當前的圖片邊界設置得不好，所以有些地方看得不是很清楚。

...nxlim(X.min()*1.1, X.max()*1.1)nylim(C.min()*1.1, C.max()*1.1)n...n

更好的方式是這樣：

xmin ,xmax = X.min(), X.max()nymin, ymax = Y.min(), Y.max()nndx = (xmax - xmin) * 0.2ndy = (ymax - ymin) * 0.2nnxlim(xmin - dx, xmax + dx)nylim(ymin - dy, ymax + dy)n

設置記號

我們討論正弦和餘弦函數的時候，通常希望知道函數在 ±π 和 ±π2 的值。這樣看來，當前的設置就不那麼理想了。

...nxticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])nyticks([-1, 0, +1])n...n

設置記號的標籤

記號現在沒問題了，不過標籤卻不大符合期望。我們可以把 3.142 當做是 π，但畢竟不夠精確。當我們設置記號的時候，我們可以同時設置記號的標籤。注意這裡使用了 LaTeX。

...nxticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],n [r$-pi$, r$-pi/2$, r$0$, r$+pi/2$, r$+pi$])nnyticks([-1, 0, +1],n [r$-1$, r$0$, r$+1$])n...n

移動脊柱

坐標軸線和上面的記號連在一起就形成了脊柱（Spines，一條線段上有一系列的凸起，是不是很像脊柱骨啊~），它記錄了數據區域的範圍。它們可以放在任意位置，不過至今為止，我們都把它放在圖的四邊。

實際上每幅圖有四條脊柱（上下左右），為了將脊柱放在圖的中間，我們必須將其中的兩條（上和右）設置為無色，然後調整剩下的兩條到合適的位置——數據空間的 0 點。

...nax = gca()nax.spines[right].set_color(none)nax.spines[top].set_color(none)nax.xaxis.set_ticks_position(bottom)nax.spines[bottom].set_position((data,0))nax.yaxis.set_ticks_position(left)nax.spines[left].set_position((data,0))n...n

添加圖例

我們在圖的左上角添加一個圖例。為此，我們只需要在 plot 函數里以「鍵 - 值」的形式增加一個參數。

...nplot(X, C, color="blue", linewidth_=2.5, linestylex="-", label="cosine")nplot(X, S, color="red", linewidth_=2.5, linestylex="-", label="sine")nnlegend(loc=upper left)n...n

給一些特殊點做注釋

我們希望在 2π/3 的位置給兩條函數曲線加上一個注釋。首先，我們在對應的函數圖像位置上畫一個點；然後，向橫軸引一條垂線，以虛線標記；最後，寫上標籤。

...nnt = 2*np.pi/3nplot([t,t],[0,np.cos(t)], color =blue, linewidth_=2.5, linestylex="--")nscatter([t,],[np.cos(t),], 50, color =blue)nnannotate(r$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$,n xy=(t, np.sin(t)), xycoords=data,n xytext=(+10, +30), textcoords=offset points, fontsize=16,n arrowprops=dict(arrowstylex="->", connectionstylex="arc3,rad=.2"))nnplot([t,t],[0,np.sin(t)], color =red, linewidth_=2.5, linestylex="--")nscatter([t,],[np.sin(t),], 50, color =red)nnannotate(r$cos(frac{2pi}{3})=-frac{1}{2}$,n xy=(t, np.cos(t)), xycoords=data,n xytext=(-90, -50), textcoords=offset points, fontsize=16,n arrowprops=dict(arrowstylex="->", connectionstylex="arc3,rad=.2"))n...n

精益求精

坐標軸上的記號標籤被曲線擋住了，作為強迫症患者（霧）這是不能忍的。我們可以把它們放大，然後添加一個白色的半透明底色。這樣可以保證標籤和曲線同時可見。

...nfor label in ax.get_xticklabels() + ax.get_yticklabels():n label.set_fontsize(16)n label.set_bbox(dict(facecolor=white, edgecolor=None, alpha=0.65 ))n...n

圖像、子圖、坐標軸和記號

到目前為止，我們都用隱式的方法來繪製圖像和坐標軸。快速繪圖中，這是很方便的。我們也可以顯式地控制圖像、子圖、坐標軸。Matplotlib 中的「圖像」指的是用戶界面看到的整個窗口內容。在圖像裡面有所謂「子圖」。子圖的位置是由坐標網格確定的，而「坐標軸」卻不受此限制，可以放在圖像的任意位置。我們已經隱式地使用過圖像和子圖：當我們調用 plot 函數的時候，matplotlib 調用 gca() 函數以及 gcf() 函數來獲取當前的坐標軸和圖像；如果無法獲取圖像，則會調用 figure() 函數來創建一個——嚴格地說，是用 subplot(1,1,1) 創建一個只有一個子圖的圖像。

圖像

所謂「圖像」就是 GUI 里以「Figure #」為標題的那些窗口。圖像編號從 1 開始，與 MATLAB 的風格一致，而於 Python 從 0 開始編號的風格不同。以下參數是圖像的屬性：

參數默認值描述num1圖像的數量figsizefigure.figsize圖像的長和寬（英寸）dpifigure.dpi解析度（點 / 英寸）facecolorfigure.facecolor繪圖區域的背景顏色edgecolorfigure.edgecolor繪圖區域邊緣的顏色frameonTrue是否繪製圖像邊緣

這些默認值可以在源文件中指明。不過除了圖像數量這個參數，其餘的參數都很少修改。

你在圖形界面中可以按下右上角的 X 來關閉窗口（OS X 系統是左上角）。Matplotlib 也提供了名為 close 的函數來關閉這個窗口。close 函數的具體行為取決於你提供的參數：

1. 不傳遞參數：關閉當前窗口；
2. 傳遞窗口編號或窗口實例（instance）作為參數：關閉指定的窗口；
3. all：關閉所有窗口。

和其他對象一樣，你可以使用 setp 或者是 set_something 這樣的方法來設置圖像的屬性。

子圖

你可以用子圖來將圖樣（plot）放在均勻的坐標網格中。用 subplot 函數的時候，你需要指明網格的行列數量，以及你希望將圖樣放在哪一個網格區域中。此外，gridspec 的功能更強大，你也可以選擇它來實現這個功能。

坐標軸

坐標軸和子圖功能類似，不過它可以放在圖像的任意位置。因此，如果你希望在一副圖中繪製一個小圖，就可以用這個功能。

記號

良好的記號是圖像的重要組成部分。Matplotlib 里的記號系統里的各個細節都是可以由用戶個性化配置的。你可以用 Tick Locators 來指定在那些位置放置記號，用 Tick Formatters 來調整記號的樣式。主要和次要的記號可以以不同的方式呈現。默認情況下，每一個次要的記號都是隱藏的，也就是說，默認情況下的次要記號列表是空的——NullLocator。

Tick Locators

下面有為不同需求設計的一些 Locators。

類型說明NullLocator

No ticks.

IndexLocator

Place a tick on every multiple of some base number of points plotted.

FixedLocator

Tick locations are fixed.

LinearLocator

Determine the tick locations.

MultipleLocator

Set a tick on every integer that is multiple of some base.

AutoLocator

Select no more than n intervals at nice locations.

LogLocator

Determine the tick locations for log axes.

這些 Locators 都是 matplotlib.ticker.Locator 的子類，你可以據此定義自己的 Locator。以日期為 ticks 特別複雜，因此 Matplotlib 提供了 matplotlib.dates 來實現這一功能。

其他類型的圖

接下來的內容是練習。請運用你學到的知識，從提供的代碼開始，實現配圖所示的效果。具體的答案可以點擊配圖下載。

普通圖

from pylab import *nnn = 256nX = np.linspace(-np.pi,np.pi,n,endpoint=True)nY = np.sin(2*X)nnplot (X, Y+1, color=blue, alpha=1.00)nplot (X, Y-1, color=blue, alpha=1.00)nshow()n

散點圖

from pylab import *nnn = 1024nX = np.random.normal(0,1,n)nY = np.random.normal(0,1,n)nnscatter(X,Y)nshow()n

條形圖

from pylab import *nnn = 12nX = np.arange(n)nY1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)nY2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)nnbar(X, +Y1, facecolor=#9999ff, edgecolor=white)nbar(X, -Y2, facecolor=#ff9999, edgecolor=white)nnfor x,y in zip(X,Y1):n text(x+0.4, y+0.05, %.2f % y, ha=center, va= bottom)nnylim(-1.25,+1.25)nshow()n

等高線圖

from pylab import *nndef f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)nnn = 256nx = np.linspace(-3,3,n)ny = np.linspace(-3,3,n)nX,Y = np.meshgrid(x,y)nncontourf(X, Y, f(X,Y), 8, alpha=.75, cmap=jet)nC = contour(X, Y, f(X,Y), 8, colors=black, linewidth_=.5)nshow()n

灰度圖（Imshow）

from pylab import *nndef f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)nnn = 10nx = np.linspace(-3,3,4*n)ny = np.linspace(-3,3,3*n)nX,Y = np.meshgrid(x,y)nimshow(f(X,Y)), show()n

餅狀圖

from pylab import *nnn = 20nZ = np.random.uniform(0,1,n)npie(Z), show()n

量場圖（Quiver Plots）

from pylab import *nnn = 8nX,Y = np.mgrid[0:n,0:n]nquiver(X,Y), show()n

網格

from pylab import *nnaxes = gca()naxes.set_xlim(0,4)naxes.set_ylim(0,3)naxes.set_xticklabels([])naxes.set_yticklabels([])nnshow()n

多重網格

from pylab import *nnsubplot(2,2,1)nsubplot(2,2,3)nsubplot(2,2,4)nnshow()n

極軸圖

from pylab import *nnaxes([0,0,1,1])nnN = 20ntheta = np.arange(0.0, 2*np.pi, 2*np.pi/N)nradii = 10*np.random.rand(N)nwidth = np.pi/4*np.random.rand(N)nbars = bar(theta, radii, width_=width, bottom=0.0)nnfor r,bar in zip(radii, bars):n bar.set_facecolor( cm.jet(r/10.))n bar.set_alpha(0.5)nnshow()n

3D 圖

from pylab import *nfrom mpl_toolkits.mplot3d import Axes3Dnnfig = figure()nax = Axes3D(fig)nX = np.arange(-4, 4, 0.25)nY = np.arange(-4, 4, 0.25)nX, Y = np.meshgrid(X, Y)nR = np.sqrt(X**2 + Y**2)nZ = np.sin(R)nnax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=hot)nnshow()n

手稿

結束篇

Matplotlib 能有今天這樣強大的功能和廣泛的使用得益於大量的文檔和社區開發者。這裡提供一些有益的鏈接。

入門教程

• Pyplot tutorial
• Image tutorial
• Text tutorial
• Artist tutorial
• Path tutorial
• Transforms tutorial

Matplotlib 文檔

• 用戶指南
• 常見問題及回答
• 截屏

隨代碼分發的文檔

Matplotlib 的代碼是自文檔（Self-documented）的。你可以在 Python 中快速查詢某個命令的用法。

>>> from pylab import *n>>> help(plot)nHelp on function plot in module matplotlib.pyplot:nnplot(*args, **kwargs)n Plot lines and/or markers to then :class:`~matplotlib.axes.Axes`. *args* is a variable lengthn argument, allowing for multiple *x*, *y* pairs with ann optional format string. For example, each of the following isn legal::nn plot(x, y) # plot x and y using default line style and colorn plot(x, y, bo) # plot x and y using blue circle markersn plot(y) # plot y using x as index array 0..N-1n plot(y, r+) # ditto, but with red plussesnn If *x* and/or *y* is 2-dimensional, then the corresponding columnsn will be plotted.n ...n

畫廊

Matplotlib 畫廊 也非常有用。其中的例子都有配圖和對應的代碼，當你不知道某一個效果如何實現的時候，你可以在這裡找找。

哦，這裡還有一個小一點的畫廊。

郵件列表

你可以在用戶郵件列表提問，或者在開發者郵件列表裡交流技術。

譯註：郵件列表是一個很正式的交流平台，其內的每一封郵件，列表的收聽者都會看到，所以請不要在郵件列表灌水或發表質量低劣的文章。

快速查詢

你可以在這裡找到 Matplotlib 主要的屬性表，以便按照需求個性化配置你的輸出圖樣。

推薦閱讀：