Matplotlib 是一个python 的绘图库，主要用于生成2D图表。
常用到的是matplotlib中的pyplot，导入方式import matplotlib.pyplot as plt
一、显示图表的模式
1.plt.show()
该方式每次都需要手动show()才能显示图表，由于pycharm不支持魔法函数，因此在pycharm中都需要采取这种show()的方式。
arr = np.random.rand(10) plt.plot(arr) plt.show() #每次都需要手动show()
2.魔法函数%matplotlib inline
魔法函数不需要手动show()，可直接生成图表，但是魔法函数无法在pycharm中使用，下面都是在jupyter notebook中演示。
inline方式直接在代码的下方生成一个图表。
%matplotlib inline x = np.random.rand(1000) y = np.random.rand(1000) plt.scatter(x,y) #最基本散点图 # <matplotlib.collections.PathCollection at 0x54b2048>
3.魔法函数%matplotlib notebook
%matplotlib notebook s = pd.Series(np.random.rand(100)) s.plot(style = 'k--o',figsize = (10,5))
notebook方式，代码需要运行两次，会在代码下方生成一个可交互的图表，可对图表进行放大、拖动、返回原样等操作。
4.魔法函数%matplotlib qt5
%matplotlib qt5 plt.gcf().clear() df = pd.DataFrame(np.random.rand(50,2),columns=['A','B']) df.hist(figsize=(12,5),color='g',alpha=0.8)
qt5方式会弹出一个独立于界面上的可交互图表。
由于可交互的图表比较占内存，运行起来稍显卡，因此常采用inline方式。
二、生成图表的方式
1.Seris生成
ts = pd.Series(np.random.randn(50),index=pd.date_range('2019/1/1/',periods=50)) ts = ts.cumsum() ts.plot()
2.DataFrame生成
df = pd.DataFrame(np.random.rand(20,3),columns=['A','B','C']) df.plot()
三、图表的基本元素
plot的使用方法，以下图表都在%matplotlib inline 模式下生成。
plot(kind='line',ax=None,figsize=None,use_index=True,title=None,grid=None,legend=None, style=None,logx=False,logy=False,loglog=False,xticks=None,yticks=None,xlim=None, ylim=None,rot=None,fontsize=None,colormpap=None,subplots=False,table=False,xerr=None,yerr=None, lable=None,secondary_y=False,**kwargs) # kind：图表类型，默认为line折线图，其他bar直方图、barh横向直方图 # ax：第几个子图 # figsize：图表大小，即长和宽，默认为None，指定形式为(m,n) # use_index：是否以原数据的索引作为x轴的刻度标签，默认为True，如果设置为False则x轴刻度标签为从0开始的整数 # title：图表标题，默认为None # grid：是否显示网格，默认为None，也可以直接使用plt.grid() # legend：如果图表包含多个序列，序列的注释的位置 # style：风格字符串，包含了linestyle、color、marker，默认为None，如果单独指定了color以color的颜色为准 # color：颜色，默认为None # xlim和ylim：x轴和y轴边界 # xticks和yticks：x轴和y轴刻度标签 # rot：x轴刻度标签的逆时针旋转角度，默认为None，例如rot = 45表示x轴刻度标签逆时针旋转45° # fontsize：x轴和y轴刻度标签的字体大小 # colormap：如果一个图表上显示多列的数据，选择颜色族以区分不同的列 # subplots：是否分子图显示，默认为None，如果一个图标上显示多列的数据，是否将不同的列拆分到不同的子图上显示 # label：图例标签，默认为None，DataFrame格式以列名为label # alpha：透明度
图表名称，x轴和y轴的名称、边界、刻度、标签等属性。
import numpy as np import pandas as pd import matplotlib.pyplot as plt df = pd.DataFrame(np.random.rand(10,2),columns=['A','B']) fig = df.plot(figsize=(6,4)) #figsize表示图表大小，即长和宽 plt.title('test') #图表名称 plt.xlabel('x-axis') #x轴名称 plt.ylabel('y-axis') #y轴名称 plt.legend(loc=0) #图表位置 plt.xlim([0,10]) #x轴边界 plt.ylim([0,1]) #y轴边界 plt.xticks(range(1,10)) #x轴刻度间隔 plt.yticks([0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]) #y轴刻度间隔 fig.set_xticklabels('%d'%i for i in range(1,10)) #x轴显示标签，设置显示整数 fig.set_yticklabels('%.2f'%i for i in [0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]) #y轴显示标签，设置显示2位小数 # legend的loc，位置 # 0:best # 1:upper right # 2:upper left # 3:lower left # 4:lower right # 5:right # 6:center left # 7:center right # 8:lower center # 9:upper center # 10:center
是否显示网格及网格属性、是否显示坐标轴、刻度方向等。
x = np.linspace(-np.pi,np.pi,500) c,s = np.cos(x),np.sin(x) plt.plot(x,c) plt.plot(x,s) plt.grid(linestyle = '--',color = 'gray',linewidth = '0.5',axis = 'both') #plt.grid()表示显示网格，参数分别表示网格线型、颜色、宽度、显示轴（x，y，both表示显示x轴和y轴） plt.tick_params(bottom='on',top='off',left='on',right='off') #是否显示刻度，默认left和bottom显示 import matplotlib matplotlib.rcParams['xtick.direction']='in' matplotlib.rcParams['ytick.direction']='in' #刻度的显示方向，默认为out，in表示向内，out表示向外，inout表示穿透坐标轴内外都有 frame = plt.gca() # plt.axis('off') #关闭坐标轴 # frame.axes.get_xaxis().set_visible(False) #x轴不可见 # frame.axes.get_yaxis().set_visible(False) #y轴不可见
linestyle:线型 -：实线，默认 --：虚线 -.：一个实线一个点 :：点
marker：值在x刻度上的显示方式 '.' point marker ',' pixel marker 'o' circle marker 'v' triangle_down marker '^' triangle_up marker '<' triangle_left marker '>' triangle_right marker '1' tri_down marker '2' tri_up marker '3' tri_left marker '4' tri_right marker 's' square marker 'p' pentagon marker '*' star marker 'h' hexagon1 marker 'H' hexagon2 marker '+' plus marker 'x' x marker 'D' diamond marker 'd' thin_diamond marker '|' vline marker '_' hline marker
color：颜色 r：red红色 y：yello黄色 g：green绿色 b：blue蓝色 k：black黑色 alpha：透明度，0-1之间 colormap： Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cividis, cividis_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spring, spring_r, summer, summer_r, tab10, tab10_r, tab20, tab20_r, tab20b, tab20b_r, tab20c, tab20c_r, terrain, terrain_r, twilight, twilight_r, twilight_shifted, twilight_shifted_r, viridis, viridis_r, winter, winter_r
也可在创建图表时通过style='线型颜色显示方式'
例如style = '-ro'表示设置线条为实现、颜色为红色，marker为实心圆
使用python内置的风格样式style，需导入另外一个模块import matplotlib.style as psl
import matplotlib.style as psl print(psl.available) psl.use('seaborn') plt.plot(pd.DataFrame(np.random.rand(20,2),columns=['one','two']))
设置主刻度、此刻度、刻度标签显示格式等
from matplotlib.ticker import MultipleLocator,FormatStrFormatter t = np.arange(0,100) s = np.sin(0.1*np.pi*t)*np.exp(-0.01*t) ax = plt.subplot() #不直接在plot中设置刻度 plt.plot(t,s,'-go') plt.grid(linestyle='--',color='gray',axis='both') xmajorLocator = MultipleLocator(10) #将x主刻度标签设置为10的倍数 xmajorFormatter = FormatStrFormatter('%d') #x主刻度的标签显示为整数 xminorLocator = MultipleLocator(5) #将x次刻度标签设置为5的倍数 ax.xaxis.set_major_locator(xmajorLocator) #设置x轴主刻度 ax.xaxis.set_major_formatter(xmajorFormatter) #设置x轴主刻度标签的显示格式 ax.xaxis.set_minor_locator(xminorLocator) #设置x轴次刻度 ax.xaxis.grid(which='minor') #设置x轴网格使用次刻度 ymajorLocator = MultipleLocator(0.5) ymajorFormatter = FormatStrFormatter('%.2f') yminorLocator = MultipleLocator(0.25) ax.yaxis.set_major_locator(ymajorLocator) ax.yaxis.set_major_formatter(ymajorFormatter) ax.yaxis.set_minor_locator(yminorLocator) ax.yaxis.grid(which='minor') # ax.xaxis.set_major_locator(plt.NullLocator) #删除x轴的主刻度 # ax.xaxis.set_major_formatter(plt.NullFormatter) #删除x轴的标签格式 # ax.yaxis.set_major_locator(plt.NullLocator) # ax.yaxis.set_major_formatter(plt.NullFormatter)
注释和图表保存
注释：plt.text(x轴值,y轴值,'注释内容')
水平线：plt.axhline(x值)
数值线：plt.axvline(y值)
刻度调整：plt.axis('equal')设置x轴和y轴每个单位表示的刻度相等
子图位置调整：plt.subplots_adjust(left=None, bottom=None, right=None, top=None,wspace=None, hspace=None)，子图距离画板上下左右的距离，子图之间的宽度和高度
保存：plt.savefig(保存路径及文件名称,dpi=n,bbox_inches='tight',facecolor='red',edgecolor='yellow')
dpi表示分辨率，值越大图片越清晰；bbox_inches为tight表示尝试剪去图表周围空白部分，facecolor为图表背景色，默认为白色，edgecolor为边框颜色，默认为白色。
df = pd.DataFrame({'A':[1,3,2,6,5,8,5,9],'B':[7,2,6,4,8,5,4,3]})
df.plot()
plt.text(2,6,'^_^',fontsize='12')
plt.savefig(r'C:UserspenghuanhuanDesktophaha.png',dpi=400,bbox_inches='tight',facecolor='red',edgecolor='yellow')
print('finished')
四、图表各对象
figure相当于一块画板，ax是画板中的图表，一个figure画板中可以有多个图表。
创建figure对象：
plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=Figure, clear=False, **kwargs )
如果不设置figure对象，在调用plot时会自动生成一个并且生成其中的一个子图，且所有plot生成的图表都显示在一个图表上面。
num：指定为画板中的第几个图表，在同一段代码中，相同figure对象的不同num，各自生成一个图表，相同figure对象的相同num和不同figure对象的相同num，均生成在一个图标上。
figsize：图表的大小，即长和宽，元组形式(m,n)
dpi：分辨率
1.创建子图方法1
①通过plt生成figure对象
②通过figure对象的add_subplot(m,n,p)创建子图，表示生成m*n个子图，并选择第p个子图，子图的顺序由左到右由上到下
③在子图上绘制图表
#子图 fig = plt.figure(figsize = (8,4),facecolor = 'lightgray') #创建figure对象 ax1 = fig.add_subplot(2,2,1) #创建一个2*2即4个子图，并选择第1个子图，参数也可以直接写成221 # ax1 =plt.subplot(2,2,1) 也可以使用这种方式添加子图 plt.plot(np.random.rand(20),'k--') #在子图上1绘制图表 plt.plot(np.random.rand(20),'b--') #在子图上1绘制图表 # ax1.plot(np.random.rand(20),'b--') ax2 = fig.add_subplot(2,2,3) #选择第3个子图 ax2.scatter(np.random.rand(100),np.random.rand(100)) #在子图上3绘制图表 ax3 = fig.add_subplot(2,2,2) #选择第2个子图 ax3.hist(np.random.rand(20)) ax4 = fig.add_subplot(2,2,4) #选择第4个子图 ax4.plot(pd.DataFrame(np.random.rand(10,2),columns = ['A','B']))
2.创建子图方法2
①通过plt的subplots(m,n)方法生成一个figure对象和一个表示figure对象m*n个子图的二维数组
②通过二维数组选择子图并在子图上绘制图表
fig,axes = plt.subplots(2,3,figsize = (10,6)) #生成一个figure对象，和一个2*3的二维数组，数组元素为子图对象 #subplots方法还有参数sharex和sharey，表示是否共享x轴和y轴，默认为False print(fig,type(fig)) #figure对象 print(axes,type(axes)) ax1 = axes[0][1] #表示选择第1行第2个子图 ax1.plot(np.random.rand(20)) ax2 = axes[1,0] #表示选择第2行第1个子图 ax2.plot(np.arange(10)) plt.subplots_adjust(wspace=0.2,hspace=0.3) #调整子图之间的间隔宽、间隔高占比
3.子图的创建方法3
在创建plot的时候添加参数subplot=True即可
df.plot(style='--ro',subplots=True,figsize=(10,8),layout=(2,2),sharex=False,sharey=True)
subplots：默认为False，在一张图表上显示，True则会拆分为子图
layout：子图的排列方式，即几行几列
sharex：默认为True
sharey：默认为False
df = pd.DataFrame(np.random.rand(100,4)) df.plot(style='--ro') df.plot(style='--ro',subplots=True,figsize=(10,8),layout=(2,2),sharex=False,sharey=True)
显示汉字问题请参考https://www.cnblogs.com/kuxingseng95/p/10021788.html