2. 图形对象（图形窗口）
语法：绘制两个窗口，一起显示。
# 手动构建 matplotlib 窗口
mp.figure(
'sub-fig', #窗口标题栏文本
facecolor='' #图表背景色
)
mp.show()mp.figure方法可以构建一个新窗口。plot方法将会针对刚构建的新窗口进行绘制。如果创建多个窗口，则需要多次调用figure方法即可。figure方法中的第一个参数（标题栏文本）相当于窗口的唯一标识符， 同一个标题的窗口只能创建一次。若使用figure方法构建了已存在标题的窗口的话，matplotlib将会把该窗口置为当前操作窗口，而后进行绘制。
设置当前窗口的参数
# 设置图表标题 显示在图表上方
mp.title(title, fontsize=12)
# 设置水平轴的文本
mp.xlabel(x_label_str, fontsize=12)
# 设置垂直轴的文本
mp.ylabel(y_label_str, fontsize=12)
# 设置图表网格线 linestyle设置网格线的样式
# - or solid 粗线
# -- or dashed 虚线
# -. or dashdot 点虚线
# : or dotted 点线
mp.grid(linestyle='')
# 设置紧凑布局，把图表相关参数都显示在窗口中
mp.tight_layout()示例：绘制两个图像窗口
# 绘制两个图像窗口
import matplotlib.pyplot as mp
mp.figure("FigureA", facecolor="lightgray")
mp.grid(linestyle="-.") # 设置网格线
mp.figure("FigureB", facecolor="gray")
mp.xlabel("Date", fontsize=14)
mp.ylabel("Price", fontsize=14)
mp.grid(linestyle="--") # 设置网格线
mp.tight_layout() # 设置紧凑布局
mp.show()
1）子图
矩阵式布局
绘制矩阵式子图布局相关API：
mp.figure('Subplot Layout', facecolor='lightgray')
# 拆分矩阵
# rows: 行数
# cols: 列数
# num: 编号
mp.subplot(rows, cols, num)
# 1 2 3
# 4 5 6
# 7 8 9
mp.subplot(3, 3, 5) #操作3*3的矩阵中编号为5的子图
mp.subplot(335) #简写案例：绘制9宫格矩阵式子图，每个子图中写一个数字。
import matplotlib.pyplot as mp
mp.figure('Subplot Layout', facecolor='lightgray')
for i in range(9):
mp.subplot(3, 3, i+1)
mp.text(
0.5, 0.5, i+1,
ha='center',
va='center',
size=36,
alpha=0.5,
)
mp.xticks([])
mp.yticks([])
mp.tight_layout()
mp.show()
网格式布局
网格式布局支持单元格的合并。
绘制网格式子图布局相关API：
import matplotlib.gridspec as mg
import matplotlib.pyplot as mp
mp.figure('Grid Layout', facecolor='lightgray')
# 调用GridSpec方法拆分网格式布局
# rows: 行数
# cols: 列数
# gs = mg.GridSpec(rows, cols) 拆分成3行3列
gs = mg.GridSpec(3, 3)
# 合并0行与0、1列为一个子图表
mp.subplot(gs[0, :2])
mp.text(0.5, 0.5, '1', ha='center', va='center', size=36)
mp.tight_layout()
mp.show()
自由式布局
自由式布局相关API：
import matplotlib.gridspec as mg
import matplotlib.pyplot as mp
mp.figure('Flow Layout', facecolor='lightgray')
# 设置图标的位置，给出左下角点坐标与宽高即可
# left_bottom_x: 坐下角点x坐标
# left_bottom_x: 坐下角点y坐标
# width: 宽度
# height: 高度
# mp.axes([left_bottom_x, left_bottom_y, width, height])
mp.axes([0.3, 0.3, 0.6, 0.4])
mp.text(0.5, 0.5, '1', ha='center', va='center', size=36)
mp.show()
2）刻度定位器
刻度定位器相关API：
# 获取当前坐标轴
ax = mp.gca()
# 设置水平坐标轴的主刻度（显示字的刻度）定位器
ax.xaxis.set_major_locator(mp.NullLocator())
# 设置水平坐标轴的次刻度（不显示字的刻度）定位器为多点定位器，间隔0.1
ax.xaxis.set_minor_locator(mp.MultipleLocator(0.1))常用刻度器如下：
# 空定位器：不绘制刻度
mp.NullLocator()
# 最大值定位器：
# 最多绘制nbins+1个刻度
mp.MaxNLocator(nbins=3)
# 定点定位器：根据locs参数中的位置绘制刻度
mp.FixedLocator(locs=[0, 2.5, 5, 7.5, 10])
# 自动定位器：由系统自动选择刻度的绘制位置
mp.AutoLocator()
# 索引定位器：由offset确定起始刻度，由base确定相邻刻度的间隔
mp.IndexLocator(offset=0.5, base=1.5)
# 多点定位器：从0开始，按照参数指定的间隔(缺省1)绘制刻度
mp.MultipleLocator()
# 线性定位器：等分numticks-1份，绘制numticks个刻度
mp.LinearLocator(numticks=21)
# 对数定位器：以base为底，绘制刻度
mp.LogLocator(base=2)案例：使用for循环测试刻度器样式：
import matplotlib.pyplot as mp
import numpy as np
locators = ['mp.NullLocator()', # 空刻度定位器，不绘制刻度
'mp.MultipleLocator(1)', # 多点定位器：从0开始，按照参数指定的间隔(缺省1)绘制
'mp.MaxNLocator(nbins=4)',# 最多绘制指定个数+1个主刻度
'mp.AutoLocator()'] # 自动定位器：由系统自动选择刻度的绘制位置
for i, locator in enumerate(locators):
mp.subplot(len(locators), 1, i + 1) # 分割4行1列
mp.xlim(0, 10)
mp.ylim(-1, 1)
mp.yticks([])
# 获取当前坐标轴
ax = mp.gca()
# 隐藏除底轴以外的所有坐标轴
ax.spines['left'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['right'].set_color('none')
# 将底坐标轴调整到子图中心位置
ax.spines['bottom'].set_position(('data', 0))
# 设置水平坐标轴的主刻度定位器
ax.xaxis.set_major_locator(eval（locator))
# 设置水平坐标轴的次刻度定位器为多点定位器，间隔0.1
ax.xaxis.set_minor_locator(mp.MultipleLocator(0.1))
mp.plot(np.arange(11), np.zeros(11), c='none')
# 标记所用刻度定位器类名
mp.text(5, 0.3, locator, ha='center', size=12)
mp.show()
3）散点图
可以通过每个点的坐标、颜色、大小和形状表示不同的特征值。
绘制散点图的相关API：
mp.scatter(
x, # x轴坐标数组
y, # y轴坐标数组
marker='', # 点型
s=10, # 大小
color='', # 颜色
edgecolor='', # 边缘颜色
facecolor='', # 填充色
zorder='' # 图层序号
)numpy.random提供了normal函数用于产生符合 正态分布 的随机数
n = 100
# 172: 期望值
# 10: 标准差
# n: 数字生成数量
x = np.random.normal(172, 20, n)
y = np.random.normal(60, 10, n)案例：绘制平面散点图。
# 散点图示例
import matplotlib.pyplot as mp
import numpy as np
n = 40
# 期望值：期望值是该变量输出值的平均数
# 标准差：是反映一组数据离散程度最常用的一种量化形式，是表示精确度的重要指标
x = np.random.normal(172, 20 ,n ) # 期望值, 标准差, 生成数量
y = np.random.normal(60, 10, n) # 期望值, 标准差, 生成数量
x2 = np.random.normal(180, 20 ,n ) # 期望值, 标准差, 生成数量
y2 = np.random.normal(70, 10, n) # 期望值, 标准差, 生成数量
mp.figure("scatter", facecolor="lightgray")
mp.title("Scatter Demo")
mp.scatter(x, y, c="red", marker="D")
mp.scatter(x2, y2, c="blue", marker="v")
mp.xlim(100, 240)
mp.ylim(0, 100)
mp.show()
cmap颜色映射表参照附件：cmap颜色映射表（只是一部分）
4）填充
以某种颜色自动填充两条曲线的闭合区域。
mp.fill_between(
x, # x轴的水平坐标
sin_x, # 下边界曲线上点的垂直坐标
cos_x, # 上边界曲线上点的垂直坐标
sin_x<cos_x, # 填充条件，为True时填充
color='', # 填充颜色
alpha=0.2 # 透明度
)案例：绘制两条曲线： sin_x = sin(x) cos_x = cos(x / 2) / 2 [0-8π]
import matplotlib.pyplot as mp
import numpy as np
n = 1000
x = np.linspace(0, 8 * np.pi, n) # 返回指定间隔上的等距数字
sin_y = np.sin(x) # 计算sin函数值
cos_y = np.cos(x / 2) / 2 # 计算cos函数值
mp.figure('Fill', facecolor='lightgray')
mp.title('Fill', fontsize=20)
mp.xlabel('x', fontsize=14) # x轴标签
mp.ylabel('y', fontsize=14) # y轴
mp.tick_params(labelsize=10) # 刻度
mp.grid(linestyle=':')
mp.plot(x, sin_y, c='dodgerblue', label=r'$y=sin(x)$')
mp.plot(x, cos_y, c='orangered', label=r'$y=\frac{1}{2}cos(\frac{x}{2})$')
# 填充cos_y < sin_y的部分
mp.fill_between(x, cos_y, sin_y, cos_y < sin_y, color='dodgerblue', alpha=0.5)
# 填充cos_y > sin_y的部分
mp.fill_between(x, cos_y, sin_y, cos_y > sin_y, color='orangered', alpha=0.5)
mp.legend()
mp.show()
5）条形图（柱状图）
绘制柱状图的相关API：
mp.figure('Bar', facecolor='lightgray')
mp.bar(
x, # 水平坐标数组
y, # 柱状图高度数组
width, # 柱子的宽度
color='', # 填充颜色
label='', # 名字
alpha=0.2 # 透明度
)案例：先以柱状图绘制苹果12个月的销量，然后再绘制橘子的销量。
import matplotlib.pyplot as mp
import numpy as np
apples = np.array([30, 25, 22, 36, 21, 29, 20, 24, 33, 19, 27, 15])
oranges = np.array([24, 33, 19, 27, 35, 20, 15, 27, 20, 32, 20, 22])
mp.figure('Bar', facecolor='lightgray')
mp.title('Bar', fontsize=20)
mp.xlabel('Month', fontsize=14)
mp.ylabel('Price', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(axis='y', linestyle=':')
mp.ylim((0, 40))
x = np.arange(len(apples)) # 产生均匀数组，长度等同于apples
mp.bar(x - 0.2, # 横轴数据
apples, # 纵轴数据
0.4, # 柱体宽度
color='dodgerblue',
label='Apple')
mp.bar(x + 0.2, # 横轴数据
oranges, # 纵轴数据
0.4, # 柱体宽度
color='orangered', label='Orange', alpha=0.75)
mp.xticks(x, ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'])
mp.legend()
mp.show()
6）统计直方图
绘制直方图相关API：
mp.hist(
x, # 值列表
bins, # 直方柱数量
color, # 颜色
edgecolor, # 边缘颜色
normed=True, # 是否以密度方式显示
)案例：绘制统计直方图显示图片像素亮度分布：
"""
pip install scipy==1.2.1 #版本1.2.1有 sm.imread()方法
pip install opencv-python
"""
import numpy as np
import matplotlib.pyplot as mp
import scipy.misc as sm
import cv2 as cv
img = cv.imread('svd_lily.png', 0)
# img = sm.imread('../data/forest.jpg', True)
pixes = img.ravel()
mp.figure('Image Hist', facecolor='lightgray')
mp.title('Image Hist', fontsize=18)
mp.xticks(np.linspace(0, 255, 11))
mp.hist(x=pixes, bins=10, color='dodgerblue', range=(0, 255), edgecolor='white')
mp.show()
7）饼图
绘制饼状图的基本API：
mp.pie(
values, # 值列表
spaces, # 扇形之间的间距列表
labels, # 标签列表
colors, # 颜色列表
'%d%%', # 标签所占比例格式
shadow=True, # 是否显示阴影
startangle=90 # 逆时针绘制饼状图时的起始角度
radius=1 # 半径
)
案例：绘制饼状图显示6门编程语言的流行程度：
import matplotlib.pyplot as mp
import numpy as np
mp.figure('pie', facecolor='lightgray')
mp.title('Pie', fontsize=20)
# 整理数据
values = [15, 13.3, 8.5, 7.3, 4.62, 51.28]
spaces = [0.05, 0.01, 0.01, 0.01, 0.01, 0.01]
labels = ['Java', 'C', 'Python', 'C++', 'VB', 'Other']
colors = ['dodgerblue', 'orangered', 'limegreen', 'violet', 'gold','blue']
# 等轴比例
mp.axis('equal')
mp.pie(
values, # 值列表
spaces, # 扇形之间的间距列表
labels, # 标签列表
colors, # 颜色列表
'%d%%', # 标签所占比例格式
shadow=True, # 是否显示阴影
startangle=90, # 逆时针绘制饼状图时的起始角度
radius=1 # 半径
)
mp.legend()
mp.show()
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
