简介
使用指南
导入
import matplotlib.pyplot as plt
import numpy as np #matplotlib常与numpy库搭配使用
在这里举个简单的例子：
用坐标轴创建图形最简单的方法是使用pyplot.subplots。我们可以用 Axes.plot绘制坐标轴上的一些数据:
fig,ax = plt.subplots() #创建一个包含单个坐标轴的图形。
ax.plot([1,2,3,4],[1,4,2,3]) #在坐标轴上绘制一些数据
Figure的组成
Pyplot教程
pyplot简介
matplotlib.pyplot是使matplotlib像MATLAB一样工作的函数的集合。每个pyplot功能都会对图形进行一些更改：例如，创建图形，在图形中创建绘图区域，在绘图区域中绘制一些线条，用标签装饰绘图等。
使用pyplot生成可视化的效果非常快：
plt.plot([1,2,3,4])
plt.ylabel('num')
plt.show()
关于上面这个示例中，x轴范围0-3,y轴范围1-4,原因是如果你向Plot传递单个列表或数组，那么matplotlib假定它是y轴的序列，并自动为你生成从0开始的x值
plot的样式
对于每对x，y参数，都有一个可选的第三个参数，它是表示图的颜色和线型的格式字符串。格式字符串的字母和符号来自MATLAB，您将颜色字符串与线型字符串连接在一起。默认格式字符串是“ b-”，这是一条蓝色实线。
例如，要用红色圆圈绘制以上内容：
plt.plot([1,2,3,4],[1,4,9,16],'ro') #'r':red,'o':点
plt.axis([0,6,0,20]) #确定坐标轴的范围，x轴0-6，y轴0-20
plt.show()
格式字符串由颜色，标记物和线条组成
fmt = '[marker][line][color]' #其他组合也是允许的，例如[color][marker][line]
每一个参数都是可选的。
Markers(标记物)
| 字符 | 描述 |
|---|---|
'.' |
点标记 |
',' |
像素标记 |
'o' |
圆圈标记 |
'v' |
triangle_down标记 |
'^' |
三角形标记 |
'<' |
triangle_left标记 |
'>' |
triangle_right标记 |
'1' |
tri_down标记 |
'2' |
tri_up标记 |
'3' |
tri_left标记 |
'4' |
tri_right标记 |
's' |
方形标记 |
'p' |
五边形标记 |
'*' |
星标 |
'h' |
六角形标记 |
'H' |
六角标记 |
'+' |
加号 |
'x' |
X标记 |
'D' |
钻石笔 |
'd' |
thin_diamond标记 |
| `' | '` |
'_' |
标记线 |
line(线形)
| 字符 | 描述 |
|---|---|
'-' |
实线样式 |
'--' |
虚线样式 |
'-.' |
点划线样式 |
':' |
虚线样式 |
color(颜色)
| 字符 | 颜色 |
|---|---|
'b' |
蓝色 |
'g' |
绿色 |
'r' |
红 |
'c' |
青色 |
'm' |
品红 |
'y' |
黄色 |
'k' |
黑色 |
'w' |
白色 |
如何参数中只有颜色这一选择项，则可以使用任何matplotlib.colors规格，例如全名（‘green')或十六进制表示('#008000')
处理多个图形和轴
在下面这个例子中一个figure下创建了两个子图：
import matplotlib.pyplot as plt
import numpy as np
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) #211: 2行1列的第一个子图
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k') #在其一子图上绘制了两个图形
plt.subplot(212) #212: 2行1列的第二个子图
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()
同样：可以创建多个figure
plt.figure(1) # 第一个图形
plt.subplot(211) # 第一个图形中的第一个子图
plt.plot([1, 2, 3])
plt.subplot(212) # 第一个图形中的第二个子图
plt.plot([4, 5, 6])
plt.figure(2) # 第二个图形
plt.plot([4, 5, 6]) # 默认创建一个 subplot(111)
plt.figure(1) # 此时figure(1)仍然存在，并且此时subplot(212)是figure(1)当前使用
plt.subplot(211) # 使得subplot(211)是figure（1）当前使用
plt.title('Easy as 1, 2, 3') # 声明subplot(211)的标题
plt.show()
为图形添加文字说明
annotate方法提供了注释方式
参数：xy表示注释的位置，xytext是文本的位置。这两个参数都是(x,y)元组
ax = plt.subplot(111)
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) #规定y值范围(-2,2)
plt.show()
图片教程
利用matplotlib处理图片
导入
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
将图像数据导入到NumPy数组
这是我们要处理的图片：
让我们打开并输出它：
img = mpimg.imread('C:\Users\wangz\Desktop\Pic.png') #图片路径
print(img)
将NumPy数组绘制成图像
imshow()函数将numpy数组中的数据渲染成图像。
imgplot = plt.imshow(img)
伪彩色应用于图像
伪彩色是增强对比度和更轻松地可视化数据的有用工具。
伪彩色仅与单通道，灰度，发光度图像有关。我们目前有一个RGB图像。由于R，G和B都是相似的（请参见上方或数据中的内容），我们可以选择一个数据通道：
lum_img = img[:,:,0] #数组切片，更多相关切片请看个人博客关于NumPy学习
plt.imshow(lum_img)
同样，对于亮度图像，将应用默认的颜色图（又名查找表：LUT）。默认名称为viridis,也有其他可供选择:
plt.imshow(lum_img,cmap="hot") #暖色调显示
您还可以使用
set_cmap()方法更改现有打印对象上的颜色图
imgplot = plt.imshow(lum_img)
imgplot.set_cmap('nipy_spectral')
可以通过添加颜色条来了解颜色代表什么价值，可通过matplotlib.pyplot.colorbar()函数实现
imgplot = plt.imshow(lum_img)
plt.colorbar()
如果你想增强图像的对比度，或扩大特定区域的对比度，同时牺牲颜色变化不大或无关紧要的细节。直方图是个好工具。要创建图像数据的直方图，我们使用
hist()函数。
plt.hist(lum_img.ravel(),bins=256,range=(0.0,1.0),fc='k',ec='k')
在获取图像的主要的区域[0.0，0.7]后 (如直方图所示)，
我们可以通过传递clim参数或者调用set_clim()方法修改图像对比度
imgplot = plt.imshow(lum_img,clim=(0.0,0.7))
Artist教程
使用Artist对象在画布上渲染
matplotlib API有三层。
-
matplotlib.backend_bases.FigureCanvas是图形被绘制到的区域
-
matplotlib.backend_bases.Renderer是知道如何在FigureCanvas上绘制的对象
-
matplotlib.artist.Artist是知道如何使用渲染器在画布上作画的对象。
FigureCanvas和Renderer处理与用户界面工具包(如wxPython)或绘图语言(如PostScript®)对话的所有细节，而Artist处理所有高层构造，如表示和布局图形、文本和线条。
引言
有两种类型的Artist: primitives和containers。
primitives代表了我们想要在画布上绘制的标准图形对象:Line2D, Rectangle, Text, AxesImage等;
containers是放置它们的地方 (Axis, Axes and Figure)。
标准用法是创建一个Figure实例，使用Figure创建一个或多个轴或子图实例，并使用Axes实例方法创建primitives。
在下面的示例中，我们使用
matplotlib.pyplot.figure()创建一个Figure实例.
fig = plt.figure()
ax = fig.add_subplot(2,1,1)
如果要在任意位置创建Axes,只需使用add_axes()方法
参数：[left,bottom,width,height]
fig2 = plt.figure()
ax2 = fig2.add_axes([0,0,0.7,0.3])
ax3 = fig2.add_axes([1,1,0.7,0.3])
自定义对象
每个matplotlib的Artist对象具有以下属性
| 属性 | 描述 |
|---|---|
| alpha | 透明度 - 范围0-1 |
| animated | 用于促进动画绘制的布尔值 |
| axes | Artist对象存在的轴，可能没有 |
| clip_box | 剪辑Artist的边界框 |
| clip_on | 是否开启剪辑 |
| clip_path | Artist被剪辑的路径 |
| contains | 一个选择函数，用于测试Artist是否包含选择的点 |
| figure | Artist存在的figure示例，可能没有 |
| label | 文本标签（例如：用于自动标签） |
| picker | 控制对象选择的python对象 |
| transform | 转换 |
| visible | 是否应该绘制Artist的布尔值 |
| zorder | 决定绘图顺序的数字 |
| rasterized | 布尔值;将向量转换为光栅图形 (用于压缩和eps透明度) |
每个属性都可以通过老式的setter或getter访问。
例如，将当前的alpha乘以一半：
a = o.get_alpha()
o.set_alpha(0.5*a)
如果要一次设置多个属性，则还可以将set方法与关键字参数一起使用
例如：
o.set(alpha=0.5,zorder=2)
如果你是在python shell上进行交互工作，检查Artist属性的便捷方法是使用matplotlib.artist.getp()函数
该函数列出了属性及其值。
这也适用于从Artist派生的类，例如Figure和Rectangle。
对于创建的figure对象，使用上述命令：
#可以自己创建一个figure实例查看
matplotlib.artist.getp(fig.patch)
#结果
agg_filter = None
alpha = None
animated = False
antialiased or aa = False
bbox = Bbox(x0=0.0, y0=0.0, x1=1.0, y1=1.0)
capstyle = butt
children = []
clip_box = None
clip_on = True
clip_path = None
contains = None
data_transform = BboxTransformTo( TransformedBbox( Bbox...
edgecolor or ec = (1.0, 1.0, 1.0, 0.0)
extents = Bbox(x0=0.0, y0=0.0, x1=432.0, y1=288.0)
facecolor or fc = (1.0, 1.0, 1.0, 0.0)
figure = Figure(432x288)
fill = True
gid = None
hatch = None
height = 1
in_layout = False
joinstyle = miter
label =
linestyle or ls = solid
linewidth or lw = 0.0
patch_transform = CompositeGenericTransform( BboxTransformTo( ...
path = Path(array([[0., 0.], [1., 0.], [1.,...
path_effects = []
picker = None
rasterized = None
sketch_params = None
snap = None
transform = CompositeGenericTransform( CompositeGenericTra...
transformed_clip_path_and_affine = (None, None)
url = None
verts = [[ 0. 0.] [432. 0.] [432. 288.] [ 0. 288....
visible = True
width = 1
window_extent = Bbox(x0=0.0, y0=0.0, x1=432.0, y1=288.0)
x = 0
xy = (0, 0)
y = 0
zorder = 1
更多关于给定对象的属性列表可查看 matplotlib.artist
对象容器
既然我们知道了如何检查和设置要配置的给定对象的属性，那么我们需要知道如何获取该对象。
在本节中，我们将回顾各种容器对象存储您想要获取的Artist的位置。
Figure容器
顶层容器Artist是matplotlib.figure.Figure,它包含图中的所有内容。图形的背景是一个矩形，存储在figure .patch中。
当你在途中添加子图（add_subplot()）和轴（add_axes()）时，它们将被附加到Figure.axes，这些也有创建它们的方法返回
举个栗子
fig = plt.figure()
ax1 = fig.add_subplot(211) #添加一个子图
ax2 = fig.add_axes([0.1,0.1,0.7,0.3])#添加一个新轴，参数分别是[left,bottom,width,height]
ax1
print(fig.axes)
由于该图保留了“当前轴”（请参见Figure.gca和 Figure.sca）的概念 以支持pylab / pyplot状态机，66因此您不应直接从轴列表中插入或删除轴，而应使用 add_subplot()和 add_axes()方法插入，以及 delaxes()方法删除。但是，您可以自由地遍历轴列表或对其进行索引以访问Axes要自定义的实例。
这是一个打开所有轴网格的示例：
for ax in fig.axes:
ax.grid(True)
图形还有自己的文本、线条、形状和图像，您可以使用它们直接添加primitives。图形的默认坐标系统将简单地以像素为单位(这通常不是你想要的)，但是你可以通过设置你添加到图形中的Artist的transform属性来控制它。
更有用的是“图形坐标”，其中（0，0）是图形的左下角，而（1，1）是图形的右上角，可以通过将Artist变换设置为来获得fig.transFigure：
import matplotlib.lines as lines
fig = plt.figure()
l1 = lines.Line2D([0, 1], [0, 1], transform=fig.transFigure, figure=fig)
l2 = lines.Line2D([0, 1], [1, 0], transform=fig.transFigure, figure=fig)
fig.lines.extend([l1, l2])
plt.show()
下面是该图包含的Artist的摘要
| 图形属性 | 描述 |
|---|---|
| axes | 轴的实例 (包括子图) |
| patch | 矩形背景 |
| images | 图形图像形状列表-有用的原始像素显示 |
| legends | 图像图例（和Axes.legends不同） |
| lines | 图像Line2D实例(很少使用，看Axes.lines） |
| patches | 图像的形状（很少使用，看 Axes.patches) |
| texts | 图像文本 |
Axes容器
matplotlib.axes.Axes是matplotlib的中心——它包含图形中使用的绝大多数美工，以及用于创建和添加这些美工到自身的许多辅助方法，以及用于访问和定制其中包含的美工的辅助方法。
和图一样，它包含了一个 Patch，在笛卡尔坐标系中是一个矩形，在极坐标中是一个圆;这个patch决定了作图区域的形状、背景和边界:
ax = fig.add_subplot(111)
rect = ax.patch # 一个矩形实例
rect.set_facecolor('green') #设置背景颜色为绿色
当你调用绘图方法，例如规范化 plot()并且传入数组或列表的值为参数时，该方法将创建一个matplotlib.lines.Line2D()实例，使用作为关键字参数传递的所有Line2D属性更新该line，并将该line添加到Axes.lines容器，并返回给您:
x,y = np.random.rand(2,100)
line,=ax.plot(x,y,'-',color='blue',linewidth=2)
plot返回的是一个lines列表，因为你可以传入多个x,y来绘制。
例如:
print(ax.lines)
同样，创建patches的方法，像bar()创建了矩阵列表，会添加patches到Axes.patches列表中
fig = plt.figure()
ax = fig.add_subplot(111)
n,bins,rectangles = ax.hist(np.random.randn(1000),50)
print(rectangles)
print(len(ax.patches))
有很多axis辅助方法用于创建primitive Artists并将它们添加到各自的容器中。
下面的表格总结了他们的一个小样例，他们创造的Artist类型，以及把他们储存在哪里
| Helper method | Artist | Container |
|---|---|---|
| ax.annotate - text annotations | Annotate(注释) | ax.texts |
| ax.bar - bar charts | Rectangle | ax.patches |
| ax.errorbar - error bar plots | Line2D and Rectangle | ax.lines and ax.patches |
| ax.fill - shared area | Polygon(多边形) | ax.patches |
| ax.hist - histograms | Rectangle | ax.patches |
| ax.imshow - image data | AxesImage | ax.images |
| ax.legend - axes legends | Legend(图例) | ax.legends |
| ax.plot - xy plots | Line2D | ax.lines |
| ax.scatter - scatter charts | PolygonCollection （多边形集合） | ax.collections |
| ax.text - text | Text | ax.texts |
下面这个是Axes容器的Artist对象的概括：
| Axes attribute | Description |
|---|---|
| artists | Artist 实例的列表 |
| patch | Axes的背景的矩阵实例的列表 |
| collections | 集合实例的列表 |
| images | 轴图像的列表 |
| legends | 图例实例的列表 |
| lines | Line2D实例的列表 |
| patches | Patch实例列表 |
| texts | 文本实例列表 |
| xaxis | matplotlib.axis.XAxis实例 |
| yaxis | matplotlib.axis.YAxis实例 |
Axis容器
matplotlib.axis.Axis实例处理刻度线、网格线、刻度标签和axis标签的绘制。
每个Axis对象包含一个label属性(这是pyplot在调用xlabel和ylabel时修改的内容)以及一个主刻度和次要刻度列表。这些刻度是axis.XTick和axis.YTick的实例，其中包含呈现刻度和刻度标签的actual line和文本primitives。
因为刻度是根据需要动态创建的(例如，在移动和缩放时)，所以应该通过它们的accessor方法axis.Axis.get_major_ticks and axis.Axis.get_minor_ticks访问主要刻度和次要刻度的列表。尽管刻度包含了所有的primitives，并且将在下面覆盖，Axis实例有accessor方法返回刻度行，刻度标签，刻度位置等:
fig,ax = plt.subplots()
axis = ax.xaxis
axis.get_ticklocs()
axis.get_ticklabels()
请注意，刻度线是标签的两倍，因为默认情况下，顶部和底部有刻度线，但x轴下方仅是刻度线；但是，可以自定义。
axis.get_ticklines()
以下是的一些有用的Axis的accessor方法的摘要 （这些访问器有相应的setters，例如 set_major_formatter()）
| Accessor 方法 | 描述 |
|---|---|
| get_scale | axis的比例：如“对数”或“线性” |
| get_view_interval | The interval instance of the axis view limits |
| get_data_interval | The interval instance of the axis data limits |
| get_gridlines | 用于轴的网格线列表 |
| get_label | 轴的标签 -文本实例 |
| get_ticklabels | 一个文本实例列表-keyword minor=True|False |
| get_ticklines | Line2D实例列表- keyword minor=True|False |
| get_ticklocs | 刻度位置- keyword minor=True|False |
| get_major_locator | 主要刻度的 ticker.Locator 实例 |
| get_major_formatter | 主要刻度的 ticker.Formatter实例 |
| get_minor_locator | 次要刻度的 ticker.Locator 实例 |
| get_minor_formatter | 次要刻度的ticker.Formatter实例 |
| get_major_ticks | 主要刻度的实例列表 |
| get_minor_ticks | 次要刻度的实例列表 |
| grid | 为主要刻度或次要刻度打开或关闭网格 |
举个栗子
可以自定义轴和刻度属性
fig = plt.figure()
rect = fig.patch #矩形实例
rect.set_facecolor('lightgoldenrodyellow')
ax1 = fig.add_axes([0.1,0.3,0.4,0.4])
rect = ax1.patch
rect.set_facecolor('lightslategray')
for label in ax1.xaxis.get_ticklabels():
#label是一个文本实例
label.set_color('red')
label.set_rotation(45)
label.set_fontsize(16)
for line in ax1.yaxis.get_ticklines():
#line是一个Line2D实例
line.set_color('green')
line.set_markersize(25)
line.set_markeredgewidth(3)
plt.show()
Tick容器
matplotlib.axis.Tick 是从Figure 到 Axes 再到 Axis 最后到 Tick 的容器对象。
Tick包含了刻度和网格线，以及上下刻度的标签实例。
这些中的每一个都可以作为Tick的属性直接访问
| Tick属性 | 描述 |
|---|---|
| tick1line | Line2D 实例 |
| tick2line | Line2D 实例 |
| gridline | Line2D 实例 |
| label1 | 文本实例 |
| label2 | 文本实例 |
举个栗子
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
np.random.seed(19680801)
fig, ax = plt.subplots()
ax.plot(100*np.random.rand(20))
ax.yaxis.set_major_formatter(ticker.FormatStrFormatter('%0.2f'))
ax.yaxis.set_tick_params(which='major', labelcolor='green',
labelleft=False, labelright=True)
plt.show()
图例指南
在Matplotlib中灵活地生成图例
在阅读这一章节前请熟悉关于 legend()的讲解
一些常用用语：
- 图例条目
图例由一个或多个图例条目组成。一项仅由一个键和一个标签组成。
- 图例键
每个图例标签左侧的彩色/图案标记。
- 图例标签
描述键所代表的文本。
- 图例句柄
用于在图例中生成适当条目的原始对象。
（也不知道这样子翻译的对不对，先放一下英文版，等明白了再回来改）
-
legend entry
A legend is made up of one or more legend entries. An entry is made up of exactly one key and one label.
-
legend key
The colored/patterned marker to the left of each legend label.
-
legend label
The text which describes the handle represented by the key.
-
legend handle
The original object which is used to generate an appropriate entry in the legend.
控制图例条目
调用无参的legend()会自动获取图例handles和它们的关联标签
这个功能等效于：
#等效于ax.legend()
handles, labels = ax.get_legend_handles_labels()
ax.legend(handles, labels)
该get_legend_handles_labels()函数返回存在于轴上的handles或artists，可用于生成结果图例的条目——（要注意的是，并非所有的Artist都可以添加到图例中，这种情况下“proxy（代理）”就需要创建）
带有空字符串作为标签或标签以“ _”开头的artists将被忽略。
要完全控制添加到图例中的内容，通常可以将适当的handles直接传递给legend():
line_up, = plt.plot([1,2,3],label='Line 2')
line_down, = plt.plot([3,2,1],label='Line 1')
plt.legend(handles=[line_up,line_down])
在某些情况下，无法设置handles的标签，因此可以将标签列表传递给legend():
line_up, = plt.plot([1,2,3],label='Line 2')
line_down, = plt.plot([3,2,1],label='Line 1')
plt.legend([line_up,line_down],['Line Up','Line Down'])
创建专门用于添加图例的Artist(又名代理艺术家)
并不是所有的handles都能自动转换为图例条目，所以总是有必要创建一个artist。图例handles不必存在于图形或轴上才能使用。
import matplotlib.patches as mpatches
red_patch = mpatches.Patch(color='red',label='The red data')
plt.legend(handles=[red_patch])
plt.show()
有许多受支持的图例handles。除了创建颜色patch之外，我们还可以创建带有标记的线：
import matplotlib.lines as mlines
blue_line = mlines.Line2D([],[],color='blue',marker='*',markersize=15,label='Blue Star')
plt.legend(handles=[blue_line])
plt.show()
图例位置
图例的位置可以通过关键字loc来指定。请在官方文档legend()查看更多细节
bbox_to_anchor关键字为手动图例的位置提供了很大程度的控制。
例如，如果你想让坐标轴图例位于图形的右上角而不是坐标轴的角落，只需指定角落的位置和该位置的坐标系统:
plt.plot([1,2,3],[3,2,1],label='Line')
#plt.gcf().transFigure获取当前figure
plt.legend(bbox_to_anchor=(1, 1),
bbox_transform=plt.gcf().transFigure)
更多自定义图例放置的例子:
plt.subplot(211)
plt.plot([1,2,3],label="Line 1")
plt.plot([3,2,1],label="Line 2")
plt.legend(bbox_to_anchor=(0.,1.02,1.,.102),loc='lower left',ncol=2,mode="expand",borderaxespad=0.)
plt.subplot(223)
plt.plot([1,2,3],label="Line 1")
plt.plot([3,2,1],label="Line 2")
plt.legend(bbox_to_anchor=(1.05,1),loc='upper left',borderaxespad=0.)
plt.show()
同一个Axes下多个图例
手动将图例添加到当前Axes下：
line1, = plt.plot([1,2,3],label="Line 1",linestyle='--')
line2, = plt.plot([3,2,1],label="Line 2",linewidth=5)
#为第一条线创建图例
first_legend = plt.legend(handles=[line1],loc='upper right')
#将first_legend手动地添加到当前Axes
ax = plt.gca().add_artist(first_legend)
#为第二条线创建图例
plt.legend(handles=[line2],loc='lower right')
plt.show()
图例Handlers
为了创建图例条目，handles被作为参数提供给适当的HandlerBase子类。
使用自定义Handlers的最简单示例是实例化一个现有的legend_handler.HandlerBase的子类。
为了简单起见，我们选择legend_handler.HandlerLine2D，它接受numpoints参数（numpoints也是legend()函数上的一个关键字）。
然后，我们可以将实例到Handler的映射作为关键字传递给legend。
from matplotlib.legend_handler import HandlerLine2D
line1, = plt.plot([3,2,1],marker='o',label='Line 1')
line2, = plt.plot([1,2,3],marker='o',label='Line 2')
plt.legend(handler_map={line1: HandlerLine2D(numpoints=3)})
除了用于errorbar、stem plot和histograms等复杂图形类型的Handlers外,默认的handler_map还有一个特殊的元组handler(legend_handler.HandlerTuple),它简单地为给定元组中的每个项绘制一个又一个的handles。
下面的例子演示了将两个图例键组合在一起:
from numpy.random import randn
z = randn(10)
red_dot, = plt.plot(z, "ro", markersize=15)
# 白色十字图案放在前五个数据上显示
white_cross, = plt.plot(z[:5], "w+", markeredgewidth=3, markersize=15)
plt.legend([red_dot, (red_dot, white_cross)], ["Attr A", "Attr A+B"])
legend_handler.HandlerTuple 类也可以用来为同一个条目分配几个图例键:
from matplotlib.legend_handler import HandlerLine2D, HandlerTuple
p1, = plt.plot([1, 2.5, 3], 'r-d')
p2, = plt.plot([3, 2, 1], 'k-o')
l = plt.legend([(p1, p2)], ['Two keys'], numpoints=1,
handler_map={tuple: HandlerTuple(ndivide=None)})
实现自定义的图例handler
可以实现自定义handler来将任何handle转换为图例键(handles不一定需要是matplotlib artists对象)。
handler必须实现一个legend_artist方法，该方法为图例返回一个artist对象来使用。
legend_artist所需的签名，记录在legend_artist中。
import matplotlib.patches as mpatches
class AnyObject:
pass
class AnyObjectHandler:
def legend_artist(self, legend, orig_handle, fontsize, handlebox):
x0, y0 = handlebox.xdescent, handlebox.ydescent
width, height = handlebox.width, handlebox.height
patch = mpatches.Rectangle([x0, y0], width, height, facecolor='red',
edgecolor='black', hatch='xx', lw=3,
transform=handlebox.get_transform())
handlebox.add_artist(patch)
return patch
plt.legend([AnyObject()], ['My first handler'],
handler_map={AnyObject: AnyObjectHandler()})
或者，如果我们想要全局地接受AnyObject实例，而不需要一直手动设置handler_map关键字，我们可以用:
from matplotlib.legend import Legend
Legend.update_default_handler_map({AnyObject: AnyObjectHandler()})
虽然这里的功能很明显，但请记住，已经实现了许多handlers，并且您想要实现的可能已经很容易地通过现有的类实现了。
例如，产生椭圆的图例键，而不是矩形的:
from matplotlib.legend_handler import HandlerPatch
class HandlerEllipse(HandlerPatch):
def create_artists(self, legend, orig_handle,
xdescent, ydescent, width, height, fontsize, trans):
center = 0.5 * width - 0.5 * xdescent, 0.5 * height - 0.5 * ydescent
p = mpatches.Ellipse(xy=center, width=width + xdescent,
height=height + ydescent)
self.update_prop(p, orig_handle, legend)
p.set_transform(trans)
return [p]
c = mpatches.Circle((0.5, 0.5), 0.25, facecolor="green",
edgecolor="red", linewidth=3)
plt.gca().add_patch(c)
plt.legend([c], ["An ellipse, not a rectangle"],
handler_map={mpatches.Circle: HandlerEllipse()})
使用GridSpec和其他函数自定义图形布局
以下函数或方法实现创建axes上的网格的组合
或许是创建figures和axes最主要的方式，与 matplotlib.pyplot.subplot() 类似，
但是同时创建并放置图形上的所有轴。更多详情请看matplotlib.figure.Figure.subplots.
指定将放置子图的网格的几何形状。
需要设置网格的行数和列数。以及子图的布局参数可以调整
在给定的GridSpec上指定子图的位置
一个类似于subplot() 的辅助函数，但是使用基于0的索引并让subplot占用多个单元格。本文章没有介绍该函数。
导入
import matplotlib
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
快速入门指南
使用
subplots()非常简单。它返回一个Figure实例和一个Axes对象数组 。
fig1,f1_axes = plt.subplots(ncols=2,nrows=2,constrained_layout=True)
对于像上面这样的简单用例，
gridspec可能过于冗长。你必须分别创建图形和
GridSpec实例，然后将gridspec实例的元素传递给add_subplot()函数来创建axes对象。gridspec元素的访问方式通常与numpy数组相同。
fig2 = plt.figure(constrained_layout=True)
spec2 = gridspec.GridSpec(ncols=2,nrows=2,figure=fig2)
f2_ax1 = fig2.add_subplot(spec2[0,0])
f2_ax2 = fig2.add_subplot(spec2[0,1])
f2_ax3 = fig2.add_subplot(spec2[1,0])
f2_ax4 = fig2.add_subplot(spec2[1,1])
可以看出和subplots()方式结果相同
gridspec的强大之处在于能够创建跨越行和列的子图。注意，NumPy slice Syntax 用于选择每个子图将占据的gridspec部分。
请注意，我们还使用了便捷方法Figure.add_gridspec 代替gridspec.GridSpec，有可能为用户节省了导入时间，并使名称空间更整洁。
fig3 = plt.figure(constrained_layout=True)
gs = fig3.add_gridspec(3,3)
#关于切片可参考另一篇文章Numpy学习中的切片学习
f3_ax1 = fig3.add_subplot(gs[0,:])
f3_ax1.set_title('gs[0,:]')
f3_ax1 = fig3.add_subplot(gs[1,:-1])
f3_ax1.set_title('gs[1,:-1]')
f3_ax1 = fig3.add_subplot(gs[1:,-1])
f3_ax1.set_title('gs[1:,-1]')
f3_ax1 = fig3.add_subplot(gs[-1,0])
f3_ax1.set_title('gs[-1,0]')
f3_ax1 = fig3.add_subplot(gs[-1,-2])
f3_ax1.set_title('gs[-1,-2]')
接下来展示的方法与上面的方法类似，
初始化统一的网格规范，然后使用numpy索引和切片为给定的子图分配多个“单元格”。
fig4 = plt.figure(constrained_layout=True)
spec4 = fig4.add_gridspec(ncols=2,nrows=2)
anno_opts = dict(xy=(0.5,0.5),xycoords='axes fraction',va='center',ha='center')
f4_ax1 = fig4.add_subplot(spec4[0,0])
f4_ax1.annotate('GridSpec[0,0]',**anno_opts)
fig4.add_subplot(spec4[0, 1]).annotate('GridSpec[0, 1:]', **anno_opts)
fig4.add_subplot(spec4[1, 0]).annotate('GridSpec[1:, 0]', **anno_opts)
fig4.add_subplot(spec4[1, 1]).annotate('GridSpec[1:, 1:]', **anno_opts)
另一个方式是使用width_ratios和height_ratios参数。这些关键字参数是数字列表。
请注意，绝对值是没有意义的，只有它们的相对比率重要。这意味着width_ratio =[2, 4, 8]与width_ratio =[1, 2, 4]在同样宽的数字内相等。
fig5 = plt.figure(constrained_layout=True)
widths = [2,3,1.5]
heights = [1,3,2]
spec5 = fig5.add_gridspec(ncols=3,nrows=3,width_ratios=widths,height_ratios=heights)
for row in range(3):
for col in range(3):
ax = fig5.add_subplot(spec5[row,col])
label = 'Width: {}
Height: {}'.format(widths[col],heights[row])
ax.annotate(label,(0.1,0.5),xycoords='axes fraction',va='center')
学习使用width_ratio和height_ratio特别有用，因为函数
subplots()在gridspec_kw参数中接受它们。为此，
GridSpec接受的任何参数都可以通过gridspec_kw参数传递给subplots()。此示例在不直接使用gridspec实例的情况下重新创建前面的图。
gs_kw = dict(width_ratios=widths,height_ratios=heights)
fig6,f6_axes = plt.subplots(ncols=3,nrows=3,constrained_layout=True,gridspec_kw=gs_kw)
for r,row in enumerate(f6_axes):
for c,ax in enumerate(row):
label = 'Width:{}
Height:{}'.format(widths[c],heights[r])
ax.annotate(label,(0.1,0.5),xycoords='axes fraction',va='center')
subplots和get_gridspec方法可以组合使用，因为有时使用subplots创建大多数子图，然后删除其中一些并组合它们更方便。
在这里，我们将最后一列中底部的两个轴组合起来创建一个布局。
fig7,f7_axs = plt.subplots(ncols=3,nrows=3)
gs = f7_axs[1,2].get_gridspec()
#删除[1,-1],[2,-1]的axes
for ax in f7_axs[1:,-1]:
ax.remove()
axbig = fig7.add_subplot(gs[1:,-1])
axbig.annotate('Big Axes
GridSpec[1:, -1]', (0.1, 0.5),
xycoords='axes fraction', va='center')
#调整子图之间及其周围的填充。
fig7.tight_layout()
精细调整Gridspec布局
当显示地使用GridSpec时，可以通过改变gridspec的参数来调整子图的布局
请注意，此选项与constrained_layout或者 Figure.tight_layout 都不兼容，两者都通过调整子图大小以填充figure。
参数请看：matplotlib.gridspec.GridSpec
fig8 = plt.figure(constrained_layout=False)
gs1 = fig8.add_gridspec(nrows=3,ncols=3,left=0.05,right=0.48,wspace=0.05)
f8_ax1 = fig8.add_subplot(gs1[:-1,:])
f8_ax2 = fig8.add_subplot(gs1[-1,:-1])
f8_ax3 = fig8.add_subplot(gs1[-1,-1])
GridSpec之SubplotSpec
你可以通过SubplotSpec 创建GridSpec，在这种情况下，它的布局参数被设置为给定SubplotSpec的位置。
fig10 = plt.figure(constrained_layout=False)
gs0 = fig10.add_gridspec(1,2)
gs00 = gs0[0].subgridspec(2,3)
gs01 = gs0[1].subgridspec(3,2)
for i in range(2):
for j in range(3):
fig10.add_subplot(gs00[i,j])
fig10.add_subplot(gs01[j,i])
文章翻译自官方文档
如果你发现文章中出现的错误或者任何疑问欢迎在下方评论区评论
利益相关
更多资源关注公众号“北方向北”（扫描右侧二维码也可关注）
点个大拇指支持支持，感谢