python3.7对应的matplotlib版本（零基础入门到精通）

python3.7对应的matplotlib版本（零基础入门到精通）import matplotlib.pyplot as plt绘图实战引入matplotlib.pyplot或pip install matplotlib官网（matplotlib.org）在官网你可以找到matplotlib介绍和官方提供的安装教程。和一些文档链接。大部分重要的资源在gallery，在这里你能找到各种plot名称，例子，相关代码。

Matplotlib介绍matplotlib是最流行的Python绘图库，能够很好的控制图形的所有方位，它被设计成和Matlab中的plot一样的感觉。

Matplotlib对Pandas和Numpy Array的支持非常好。

安装在命令行或终端执行

conda install matplotlib

或

pip install matplotlib

官网（matplotlib.org）在官网你可以找到matplotlib介绍和官方提供的安装教程。和一些文档链接。大部分重要的资源在gallery，在这里你能找到各种plot名称，例子，相关代码。

绘图实战引入matplotlib.pyplot

import matplotlib.pyplot as plt

设置notebook使得plot绘图内容能够在jupyter notebook中显示

%matplotlib inline

定义一条曲线import numpy as np

x = np.linspace(0 5 11)

y = x ** 2

x

y

基础Matplotlib命令：

plt.plot(x y 'r') # 'r' is the color red

plt.xlabel('X Axis Title Here')

plt.ylabel('Y Axis Title Here')

plt.title('String Title Here')

plt.show()

如果你用过Matlab，这些命令你都会很熟悉。

# plt.subplot(nrows ncols plot_number)

plt.subplot(1 2 1)

plt.plot(x y 'r--') # More on color options later

plt.subplot(1 2 2)

plt.plot(y x 'g*-');

Matplotlib面向对象的用法：

# Create Figure (empty canvas)

fig = plt.figure()

# Add set of axes to figure

axes = fig.add_axes([0.1 0.1 0.8 0.8]) # left bottom width height (range 0 to 1)

# Plot on that set of axes

axes.plot(x y 'b')

axes.set_xlabel('Set X Label') # Notice the use of set_ to begin methods

axes.set_ylabel('Set y Label')

axes.set_title('Set Title')

figure画中画# Creates blank canvas

fig = plt.figure()

axes1 = fig.add_axes([0.1 0.1 0.8 0.8]) # main axes

axes2 = fig.add_axes([0.2 0.5 0.4 0.3]) # inset axes

# Larger Figure Axes 1

axes1.plot(x y 'b')

axes1.set_xlabel('X_label_axes2')

axes1.set_ylabel('Y_label_axes2')

axes1.set_title('Axes 2 Title')

# Insert Figure Axes 2

axes2.plot(y x 'r')

axes2.set_xlabel('X_label_axes2')

axes2.set_ylabel('Y_label_axes2')

axes2.set_title('Axes 2 Title');

plt.subplots()的作用像是一个坐标轴管理器

基本用法：

# Use similar to plt.figure() except use tuple unpacking to grab fig and axes

fig axes = plt.subplots()

# Now use the axes object to add stuff to plot

axes.plot(x y 'r')

axes.set_xlabel('x')

axes.set_ylabel('y')

axes.set_title('title');

你可以设置行和列：

# Empty canvas of 1 by 2 subplots

fig axes = plt.subplots(nrows=1 ncols=2)

# Axes is an array of axes to plot on

axes

我们可以遍历这个数组

for ax in axes:

ax.plot(x y 'b')

ax.set_xlabel('x')

ax.set_ylabel('y')

ax.set_title('title')

# Display the figure object

fig

函数fig.tight_layout() or plt.tight_layout()可以自动调节图形布局：

fig axes = plt.subplots(nrows=1 ncols=2)

for ax in axes:

ax.plot(x y 'g')

ax.set_xlabel('x')

ax.set_ylabel('y')

ax.set_title('title')

fig

plt.tight_layout()

Figure的大小，宽高比，DPI

Figure对象创建的时候可以设置figsize 和 dpi

figsize是包含width和height的元组

dpi是dots-per-inch的缩写，是每英寸包含多少像素点的意思。

例如：

fig = plt.figure(figsize=(8 4) dpi=100)

subplot也有同样用法：

fig axes = plt.subplots(figsize=(12 3))

axes.plot(x y 'r')

axes.set_xlabel('x')

axes.set_ylabel('y')

axes.set_title('title');

Figure对象通过savefig函数保存图形文件，支持的格式有：PNG JPG EPS SVG PGF and PDF

fig.savefig("filename.png")

同时保存的时候可以设置DPI

fig.savefig("filename.png" dpi=200)

图例，标签和标题

设置标题ax.set_title("title");

设置坐标轴标签ax.set_xlabel("x")

ax.set_ylabel("y");

设置图例fig = plt.figure()

ax = fig.add_axes([0 0 1 1])

ax.plot(x x**2 label="x**2")

ax.plot(x x**3 label="x**3")

ax.legend()

loc参数代表图例位置：

# Lots of options....

ax.legend(loc=1) # upper right corner

ax.legend(loc=2) # upper left corner

ax.legend(loc=3) # lower left corner

ax.legend(loc=4) # lower right corner

# .. many more options are available

# Most common to choose

ax.legend(loc=0) # let matplotlib decide the optimal location

fig

设置颜色，线条宽度，线条样式颜色# MATLAB style line color and style

fig ax = plt.subplots()

ax.plot(x x**2 'b.-') # blue line with dots

ax.plot(x x**3 'g--') # green dashed line

fig ax = plt.subplots()

ax.plot(x x 1 color="blue" alpha=0.5) # half-transparant

ax.plot(x x 2 color="#8B008B") # RGB hex code

ax.plot(x x 3 color="#FF8C00") # RGB hex code

线条和标记点样式

fig ax = plt.subplots(figsize=(12 6))

ax.plot(x x 1 color="red" linewidth=0.25)

ax.plot(x x 2 color="red" linewidth=0.50)

ax.plot(x x 3 color="red" linewidth=1.00)

ax.plot(x x 4 color="red" linewidth=2.00)

# possible linestype options ‘-‘ ‘–’ ‘-.’ ‘:’ ‘steps’

ax.plot(x x 5 color="green" lw=3 linestyle='-')

ax.plot(x x 6 color="green" lw=3 ls='-.')

ax.plot(x x 7 color="green" lw=3 ls=':')

# custom dash

line = ax.plot(x x 8 color="black" lw=1.50)

line.set_dashes([5 10 15 10]) # format: line length space length ...

# possible marker symbols: marker = ' ' 'o' '*' 's' ' ' '.' '1' '2' '3' '4' ...

ax.plot(x x 9 color="blue" lw=3 ls='-' marker=' ')

ax.plot(x x 10 color="blue" lw=3 ls='--' marker='o')

ax.plot(x x 11 color="blue" lw=3 ls='-' marker='s')

ax.plot(x x 12 color="blue" lw=3 ls='--' marker='1')

# marker size and color

ax.plot(x x 13 color="purple" lw=1 ls='-' marker='o' markersize=2)

ax.plot(x x 14 color="purple" lw=1 ls='-' marker='o' markersize=4)

ax.plot(x x 15 color="purple" lw=1 ls='-' marker='o' markersize=8 markerfacecolor="red")

ax.plot(x x 16 color="purple" lw=1 ls='-' marker='s' markersize=8

markerfacecolor="yellow" markeredgewidth=3 markeredgecolor="green");

控制坐标轴取值范围

fig axes = plt.subplots(1 3 figsize=(12 4))

axes[0].plot(x x**2 x x**3)

axes[0].set_title("default axes ranges")

axes[1].plot(x x**2 x x**3)

axes[1].axis('tight')

axes[1].set_title("tight axes")

axes[2].plot(x x**2 x x**3)

axes[2].set_ylim([0 60])

axes[2].set_xlim([2 5])

axes[2].set_title("custom axes range");

一些特殊的Plot样式

离散量

plt.scatter(x y)

直方图

from random import sample

data = sample(range(1 1000) 100)

plt.hist(data)

矩形

data = [np.random.normal(0 std 100) for std in range(1 4)]

# rectangular box plot

plt.boxplot(data vert=True patch_artist=True);

进度介绍

本系列文章共分为26个部分目前已经进行到了第8部分，所有内容计划如下：

1. 预热
2. 环境搭建
3. Jupyter教程
4. Python速成
5. Python数据分析，NumPy库的使用
6. Python数据分析，Pandas库的使用
7. Python数据分析，Pandas库练习
8. Python数据可视化，Matplotlib
9. Python数据可视化，Seaborn
10. Python数据可视化，Pandas内建数据可视化
11. Python数据可视化，Plotly和Cufflinks
12. Python数据可视化，Geographical Plotting
13. 数据 Capstone 项目
14. 机器学习介绍
15. 线性回归
16. 交叉验证与偏方差
17. 逻辑回归算法
18. k-近邻算法
19. 决策树与随机森林
20. 支持向量机
21. k-means聚类
22. 主成分分析
23. 推荐系统
24. 自然语言处理(NLP)
25. Python大数据与Spark
26. 神经网络（NN）与深度学习（DL）