python——matplotlib的用法详解

配置文件同样可以分为几个不同的级别，如果我们希望修改所有的图形使用的默认配置，则需要修改全局默认配置；而如果我们需要根据不同任务使用不同的配置，或者不同用户使用不同的配置，则需要修改局部配置文件，以能够在不同的用户和任务中使用不同图形配置。根据配置文件的作用范围，可以分为三个级别：全局配置文件、用户级配置文件和当前任务配置文件。不同系统三个级别的文件位于不同目录，可以通过使用以下代码，查看配置文件的路径：

import matplotlib as mpl
import os

# 全局配置目录
print(mpl.__path__)
# 当前用户配置目录
print(mpl.get_configdir())
# 当前任务配置目录，即当前代码运行目录
print(os.getcwd())

全局配置文件 mpl-datamatplotlibrc，位于 Matplotlib 的安装目录直线，例如在 Window 下将其安装在 D:Program FilesPython39libsite-packagesmatplotlib 目录下，则全局配置文件的完整文件名为 D:Program FilesPython39libsite-packagesmatplotlibmpl-datamatplotlibrc，默认情况下，图形使用此配置文件进行绘制。
用户级配置文件 .matplotlibmatplotlibrc，位于用户目录之下，例如，用户目录为 C:UsersBrainiac，则相应配置文件为 C:UsersBrainiac.matplotlibmatplotlibc；如果不存在此文件，也可以根据全局配置文件与用户需求自定创建和修改。
当前任务配置文件 matplotlibrc，即位于代码运行目录之下，可以用于为当前任务的代码定制 Matplotlib 配置，默认情况下不存在此文件，即默认使用全局或当前用户配置文件，我们可以根据需要创建此文件，并根据需要进行配置。

3.2 通过 r cParams[‘param _name’] 配置

如果仅仅想在当前文件中简单修改自定义配置，则可以通过 rcParams['param_name'] 更快速的修改。通过使用以下代码，可以查看能够自定义配置的属性有哪些：

print(mpl.rc_params())
print(mpl.rcParamsDefault)
print(mpl.rcParams)

mpl.rc_params(): 这个方法返回一个包含当前matplotlib运行时配置参数的字典。这些配置参数包括图形元素的默认颜色、线条样式、字体设置、坐标轴配置等等。通过查看这些参数，可以了解当前matplotlib的配置，以便更好地了解图形的绘制方式和样式设置。
mpl.rcParamsDefault: 这个属性返回matplotlib的默认运行时配置参数。这些默认配置参数是在matplotlib库安装时预先设定的值。如果想恢复 matplotlib的默认设置，可以使用这些默认参数进行重置。
mpl.rcParams: 这个属性包含当前matplotlib的运行时配置参数，代表了当前的matplotlib配置。可以在运行时通过修改这些参数来自定义图形的显示和样式。例如，可以修改图形的默认颜色、线条样式、字体设置、坐标轴配置等等，以满足特定的需求和美学要求。

使用 rcParams['param_name'] 方式修改配置的方式如下，其中 param_name 表示属性名:

示例:

mpl.rcParams['lines.linewidth'] = 2
# 修改线条颜色为红色
mpl.rcParams['lines.color'] = 'r'

在实际应用中，最常用的两种配置包括中文和中文负号的显示，如果不进行配置，默认不支持显示中文与中文负号：

#显示中文
mpl.rcParams['font.sans-serif'] = ['SimHei']
#显示负号
mpl.rcParams['axes.unicode_minus']=False

3.3 通过 matplotlib.rc() 函数配置

同样我们也可以使用 matplotlib.rc() 函数进行配置，使用方法如下：

# 修改线宽
mpl.rc('lines', linewidth=2, color='g')

其中 rc 函数的第一个参数为 group 表示属性所属的组，用于限定属性的作用域，例如在以上示例中线宽 linewidth 属于线 lines 用于限定只在线条中起作用，而对坐标轴等线宽 linewidth 不起作用，如果想要修改包括坐标轴在内的图形线宽 linewidth 则需要使用：

# 修改整个图形线宽
mpl.rc('axes', linewidth=2)

二、matplotlib绘制 简单图形

Matplotlib在图(Figure)（例如，窗口，Jup yter小部件等）上绘制数据，图可以包含一个或多个轴域(Ax es)。

2.1 利用 plt.su bplots 绘图

Ax es是一个可以根据x–y 坐标指定点的绘图区域（或极坐标图中的θ-r，3D图中的x-y-z等）。创建带有Axes的图的最简单方法是使用 pyplot.subplots。然后，可以使用Axes.plot在Axes上绘制一些数据：

例如：

x = np.arange(-10,11)
y = x**2 -2*x + 9
fig,ax = plt.subplots() # 创建一个图fig， 默认包含一个axes
ax.plot(x,y) # 绘制x-y的折线图
plt.show()  # 显示绘制的图。请注意，如果使用save保存图片，需要在show前面保存

2.2 图（Figure）的结构

一幅图有下面这些部分：标题(Title)、图例（Legend）、x、y轴标签(xlabel、ylabel)等，示意图如下：

2.2.1 图 Figure

完整的图像。该图跟踪所有子轴域（Axes）—- 一组“特殊”画作（标题，图例，彩条等），甚至嵌套的子图。

创建新图的最简单方法是使用 pyplot：

fig = plt.figure()  # 空图，没有Axes
fig, ax = plt.subplots()  #有1个Axes
fig, axs = plt.subplots(2, 2)  # 有2x2（两行两列） 个Axes

通常，将轴域（Axes）与 Figure 一起创建很方便，也可以在以后手动添加轴域。

2.2.2 轴域 Axes

轴域（Axes）是附加到图（Figure）上，包含用于绘制数据的图形。

通常包括两个轴（Axis）对象。两个轴分别提供刻度（ticks）和标签(tick label)，以便为轴中的数据提供比例。每个轴域还有一个标题（通过 set_title（））设置）、一个 x 标签（通过 set_xlabel（））设置）和一个y 标签（通过 set_ylabel（））设置）。

Axes 类及其成员函数是使用 OOP 接口的主要入口点，并且在其上定义了大多数绘图方法ax.plot()

2.2.3 轴 Axis

轴设置刻度（scale）和限制（limits）并且生成刻度（ticks，轴上的标记）和刻度标签（tick labels，标记刻度的字符串）ticks 位置由定位器（Locator）确定，tic k label 字符串由格式器（Formatter）设置。正确的定位器（Locator）和格式器（Formatter）的组合可以对刻度位置和标签进行非常精细的控制。

2.2.4 Artist

rtist这里翻译成艺术家或画家。

基本上，图形上可见的所有内容都是艺术家（甚至是图形，轴域和轴对象）。这包括文本、Line2D 、集合、Patch等。渲染图形时，所有艺术家都将被绘制到画布上。大多数艺术家都与轴域关联;这样的艺术家不能由多个轴域共享，也不能从一个轴移动到另一个轴。

2.2.5 绘图函数的输入 数据类型

绘图函数接收 numpy.array或numpy.ma.masked_array作为输入，或者是可以被传递给numpy.asarray的数据。pandas 数据或numpy.matrix可能不会正常工作。常见的约定是在绘图前将数据转换成numpy.array,示例：

b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b) # 使用np.asarray()将其转换成np.array类型

大多数方法还可以解析可寻址对象，如 dict,np.recarray或pandas.DataFrame.

Matplotlib允许使用关键字参数生成图像，传递和x,y相应的字符串：

scatter方法通常是由数据可视化库（如Matplotlib或Seaborn）提供的一个函数，用于绘制散点图：

Matplotlib中scatter方法的参数和用法：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None)

参数解释：

x：横坐标数据，是一个数组或Series，用于表示散点图中每个点的横坐标位置。
y：纵坐标数据，是一个数组或Series，用于表示散点图中每个点的纵坐标位置。
s：点的大小，可以是一个数值或数组，控制散点的大小。默认值为 None，表示使用默认点大小。
c：点的颜色，可以是一个颜色字符串、颜色列表或数组，用于控制散点的颜色。默认值为 None，表示使用默认颜色。
marker：点的标记样式，可以是一个标记字符串，例如 ‘o’ 表示圆点，’s’ 表示方块等。默认值为 None，表示使用默认标记样式。
cmap：用于指定颜色映射的Col orm ap 对象或字符串。它在指定c参数为数值时使用，将数值映射到颜色空间。默认值为 None，表示使用默认颜色映射。
norm：用于归一化数据的Norm alize对象。它在指定c参数为数值时使用。默认值为 None，表示使用默认的归一化方式。
vmin 和 vmax：用于设置颜色映射范围的最小值和最大值。它们在指定c参数为数值时使用。默认值为 None，表示使用数据的最小值和最大值作为范围。
alpha：点的透明度，取值范围为 [0, 1]，其中 0 表示完全透明，1 表示完全不透明。默认值为 None，表示使用默认透明度。
linewidths：点边界的宽度，用于控制点的边界线宽度。默认值为 None，表示使用默认线宽。
edgecolors：点边界的颜色，用于控制点的边界线颜色。默认值为 None，表示使用默认颜色。

示例：

np.random.seed(19680801)  # 伪随机数
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

fig, axes = plt.subplots(2,1) # fig 拥有2行1列个子图，存放在axes数组（np.array类型）中。
print(axes)
ax = axes[0]

ax.scatter('a', 'b', c='c', s='d', data=data)
ax.set_xlabel('entry a')
ax.set_ylabel('entry b')
# 轴域2 ，去掉颜色c，形状s参数。
ax2 = axes[1]
ax2.scatter('a', 'b', data=data)
plt.show()

ax.scatter(‘a’, ‘b’, c=’c’, s=’d’, data=data)表示如下：

‘a’, ‘b’`：这是横轴和纵轴的数据。’a’表示横轴数据，’b’表示纵轴数据。在这个例子中，’a’和’b’都是包含50个数据点的numpy 数组，用于绘制散点图的横坐标和纵坐标。
c='c'：这是设置散点的颜色参数。在这里，’c’代表颜色，意味着每个散点的颜色将由data['c']中的数据决定。data['c']是一个包含50个随机整数的numpy 数组，它将为每个数据点指定颜色。
s='d'：这是设置散点的大小参数。在这里，’d’代表大小，意味着每个散点的大小将由data['d']中的数据决定。data['d']是一个包含50个随机浮点数的numpy 数组，它将为每个数据点指定大小。
data=data：这个参数告诉scatter函数，要从data字典中获取‘x’和’y’轴的数据（即’a’和’b’），以及颜色和大小参数（’c’和’d’）。

2.2.6 编码 风格 Coding Styles，面向对象（OO）和pyplot函数接口

基本上有两种使用 Matplotlib 的方法：

显式创建“图形（Figures）”和“轴域（Axes）”，并在其上调用方法（“面向对象（OO）样式”）。
依靠 pyplot 自动创建和管理图形和轴，并使用 pyplot 函数进行绘图。

使用OO样式，觉得OO样式比较好，只需要在轴域（Axes）对象上设置就可以，非常清晰，示例：

plt.subplots() 是Matplotlib库中用于创建子图（subplot）的函数。它可以一次性创建一个包含多个子图的图形，并将这些子图存储在一个NumPy数组（np.array类型）中，使得对多个子图进行管理和操作更加方便。

plt.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)

nrows：表示子图的行数，即图中有几行子图。
ncols：表示子图的列数，即图中有几列子图。
sharex：如果设置为True，则所有子图将共享相同的x轴（即横坐标）。默认值为False，即每个子图都有独立的x轴。
sharey：如果设置为True，则所有子图将共享相同的y轴（即纵坐标）。默认值为False，即每个子图都有独立的y轴。
squeeze：如果设置为True，则当行数或列数为1时，返回的子图数组将是压缩的。如果设置为False，则无论行数和列数是多少，返回的子图数组都是二维数组。默认值为True。
subplot_kw：是一个字典，用于传递给每个子图的配置参数。例如，您可以使用该参数设置标题、轴标签等属性。
gridspec_kw：是一个字典，用于传递给GridSpec对象的配置参数。GridSpec用于更灵活地排列子图，可以用于创建非规则的子图布局。
**fig_kw：这里的fig_kw是传递给plt.figure()的其他关键字参数。plt.figure()是创建图形的函数，您可以使用fig_kw参数来设置图形的属性，例如图形大小、标题等。

x = np.linspace(0, 2, 100)  # 产生一些数据

# 使用OO风格，先产生两个对象 图和轴域 （fig, ax）
fig, ax = plt.subplots(figsize=(5, 5), layout='constrained')
# 调用ax对象的方法
ax.plot(x, x, label='linear')  # Plot some data on the axes. 绘制线性曲线，并给曲线添加标签'线性'
ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes...绘制二次方曲线，并给曲线添加标签'二次方'
ax.plot(x, x**3, label='cubic')  # ... and some more. 绘制三次方曲线，并给曲线添加标签'三次方'
ax.set_xlabel('x label')  # Add an x-label to the axes.
ax.set_ylabel('y label')  # Add a y-label to the axes.
ax.set_title("Simple Plot")  # Add a title to the axes.  添加轴域对象标题
ax.legend()  # Add a legend. 添加图例，用于显示每条曲线对应的标签
plt.show()

在这段代码中，fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained') 是用Matplotlib创建图形和子图的语句。让我来解释每个参数的含义：

figsize=(5, 2.7)：这是用于设置图形大小的参数。figsize是一个元组，包含两个元素，分别表示图形的宽度和高度（单位是英寸）。在这里，设置图形的宽度为5英寸，高度为2.7英寸。
layout='constrained'：这是一个非常特殊的参数，它在Matplotlib中没有直接定义的意义。实际上，这个参数并不是Matplotlib中的标准参数，所以在这个具体的代码片段中，layout='constrained' 可能不会被正确地解释或产生预期的效果。

在Matplotlib中，plt.subplots()函数的layout参数并不存在。plt.subplots()函数的参数中，并没有名为layout的参数。如果要控制子图的布局和排列方式，可以使用plt.subplot()或plt.GridSpec()等其他函数进行更高级的子图定位和布局设置。

使用pyplot函数风格：

x = np.linspace(0, 2, 100)  # 产生一些数据
plt.figure(figsize=(5, 5), layout='constrained')
plt.plot(x, x, label='linear')  # Plot some data on the (implicit) axes.
plt.plot(x, x**2, label='quadratic')  # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
plt.show()