一、认识Matplotlib

Matplotlib是一个Python 2D绘图库，能够以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形，用来绘制各种静态，动态，交互式的图表。

Matplotlib可用于Python脚本，Python和IPython Shell、Jupyter notebook，Web应用程序服务器和各种图形用户界面工具包等。

Matplotlib是Python数据可视化库中的泰斗，它已经成为python中公认的数据可视化工具，我们所熟知的pandas和seaborn的绘图接口其实也是基于matplotlib所作的高级封装。

为了对matplotlib有更好的理解，让我们从一些最基本的概念开始认识它，再逐渐过渡到一些高级技巧中。

二、一个最简单的绘图例子

Matplotlib的图像是画在figure（如windows，jupyter窗体）上的，每一个figure又包含了一个或多个axes（一个可以指定坐标系的子区域）。最简单的创建figure以及axes的方式是通过pyplot.subplots命令，创建axes以后，可以使用Axes.plot绘制最简易的折线图。

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np

fig, ax = plt.subplots()  # 创建一个包含一个axes的figure
ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) # 绘制图像,先写横坐标，再写纵坐标
plt.show()

绘图结果：
在这里插入图片描述

可以看到最后一句代码plt.show()起到让图像直接展示出来的作用，若去掉最后一句运行结果如下：

这是因为matplotlib的绘图代码默认打印出最后一个对象。如果不想显示这句话，有以下三种方法，在本章节的代码示例中你能找到这三种方法的使用。

1.在代码块最后加一个分号;

2.在代码块最后加一句plt.show()

3.在绘图时将绘图对象显式赋值给一个变量，如将plt.plot([1, 2, 3, 4]) 改成line =plt.plot([1, 2, 3, 4])
在这里插入图片描述

三、Figure的组成

现在我们来深入看一下figure的组成。通过一张figure解剖图，我们可以看到一个完整的matplotlib图像通常会包括以下四个层级，这些层级也被称为容器（container），下一节会详细介绍。在matplotlib的世界中，我们将通过各种命令方法来操纵图像中的每一个部分，从而达到数据可视化的最终效果，一副完整的图像实际上是各类子元素的集合。

Figure：顶层级，用来容纳所有绘图元素
Axes：matplotlib宇宙的核心，容纳了大量元素用来构造一幅幅子图，一个figure可以由一个或多个子图组成
Axis：axes的下属层级，用于处理所有和坐标轴，网格有关的元素
Tick：axis的下属层级，用来处理所有和刻度有关的元素

(下图中不同元素对应不同代码：
ax.set_xlabel(‘横坐标名称’)
ax.set_ylabel(‘纵坐标名称’)
ax.set_title(“图像标题”) #通常这些名称都用英文，使用中文要使用代码标志。
ax.legend() 生成图例)
在这里插入图片描述

四、两种绘图接口

matplotlib提供了两种常用的绘图接口
1.显式创建figure和axes，在上面调用绘图方法，也被称为OO模式（object-oriented style)

2.依赖pyplot自动创建figure和axes，并绘图

使用第一种绘图接口代码如下：
x = np.linspace(0, 2, 101) #从0到2间隔为2/100=0.2

fig, ax = plt.subplots()  
ax.plot(x, x, label='linear')  
ax.plot(x, x**2, label='quadratic')  
ax.plot(x, x**3, label='cubic')  
ax.set_xlabel('x label') 
ax.set_ylabel('y label') 
ax.set_title("Simple Plot")  
ax.legend() 
plt.show()

#第二种绘图接口代码如下：
x = np.linspace(0, 2, 101)

plt.plot(x, x, label='linear') 
plt.plot(x, x**2, label='quadratic')  
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
plt.show()

两种绘图接口的运行结果如下：
在这里插入图片描述

五、通用绘图模板

由于matplotlib的知识点非常繁杂，在实际使用过程中也不可能将全部API都记住，很多时候都是边用边查。因此这里提供一个通用的绘图基础模板，任何复杂的图表几乎都可以基于这个模板骨架填充内容而成。初学者刚开始学习时只需要牢记这一模板就足以应对大部分简单图表的绘制，在学习过程中可以将这个模板模块化，了解每个模块在做什么，在绘制复杂图表时如何修改，填充对应的模块。

# step1 准备数据
x = np.linspace(0, 2, 100)
y = x**2

# step2 设置绘图样式，这一模块的扩展参考第五章进一步学习，这一步不是必须的，样式也可以在绘制图像是进行设置
mpl.rc('lines', linewidth=4, linestyle='-.')

# step3 定义布局， 这一模块的扩展参考第三章进一步学习
fig, ax = plt.subplots()  

# step4 绘制图像， 这一模块的扩展参考第二章进一步学习
ax.plot(x, y, label='linear')  

# step5 添加标签，文字和图例，这一模块的扩展参考第四章进一步学习
ax.set_xlabel('x label') 
ax.set_ylabel('y label') 
ax.set_title("Simple Plot")  
ax.legend() ;

在这里插入图片描述

思考题

思考两种绘图模式的优缺点和各自的使用场景。

matplotlib有两种绘图方式，一种是依托matplotlib.pyplot模块实现类似matlab绘图指令的绘图方式，一种是面向对象式绘图，依靠FigureCanvas（画布）、 Figure (图像)、 Axes (轴域) 等对象绘图,这种倾向于能实现一块画布上有多个子区域。
这两种方式之间并不是完全独立的，而是通过某种机制进行了联结，pylot绘图模式其实隐式创建了面向对象模式的相关对象，其中的关键是matplotlib._pylab_helpers模块中的单例类Gcf，它的作用是追踪当前活动的画布及图像。
因此，可以说matplotlib绘图的基础是面向对象式绘图，pylot绘图模式只是一种简便绘图方式。

参考上述代码写出pyplot绘图模式的简单模板：

# step1 准备数据
x = np.linspace(0, 2, 100)
y = x**2

# step2 设置绘图样式，这一模块的扩展参考第五章进一步学习，这一步不是必须的，样式也可以在绘制图像是进行设置
mpl.rc('lines', linewidth=4, linestyle='-.')

#step3 绘制图像，这里的y在上面已经定义了，也可以直接在括号中将表达式写出来
plt.plot(x, y, label='linear')  
#step4 添加标签，横纵坐标和图例
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
plt.show()