PyPror教程

使用关键字字符串打印¶

有些情况下，数据的格式允许您使用字符串访问特定变量。例如，使用 numpy.recarray 或 pandas.DataFrame .

Matplotlib允许您为此类对象提供 data 关键字参数。如果提供，则可以使用与这些变量对应的字符串生成绘图。

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

plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()

用分类变量绘图¶

也可以使用分类变量创建一个图。Matplotlib允许您将分类变量直接传递给许多绘图函数。例如：

names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]

plt.figure(1, figsize=(9, 3))

plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')
plt.show()

控制线条属性¶

线条具有许多可以设置的属性：线条宽度、虚线样式、抗锯齿等；请参见 matplotlib.lines.Line2D . 有几种方法可以设置线条属性

• 使用关键字参数：：

  plt.plot(x, y, linewidth=2.0)
  

• 使用的setter方法 Line2D 实例。 plot 返回的列表 Line2D 对象；例如 line1, line2 = plot(x1, y1, x2, y2) . 在下面的代码中，我们假设只有一行，因此返回的列表的长度为1。我们使用tuple解包 line, 要获取该列表的第一个元素：

  line, = plt.plot(x, y, '-')
  line.set_antialiased(False) # turn off antialising
  

• 使用 setp() 命令。下面的示例使用matlab样式的命令在一个行列表上设置多个属性。 setp 透明地处理对象列表或单个对象。您可以使用python关键字参数或matlab样式的字符串/值对：

  lines = plt.plot(x1, y1, x2, y2)
  # use keyword args
  plt.setp(lines, color='r', linewidth=2.0)
  # or MATLAB style string value pairs
  plt.setp(lines, 'color', 'r', 'linewidth', 2.0)
  

这有空的 Line2D 性质。

要获取可设置行属性的列表，请调用 setp() 以一行或多行作为参数的函数

In [69]: lines = plt.plot([1, 2, 3])

In [70]: plt.setp(lines)
  alpha: float
  animated: [True | False]
  antialiased or aa: [True | False]
  ...snip

使用多个图形和轴¶

MATLAB和 pyplot ，具有当前图形和当前轴的概念。所有绘图命令都应用于当前轴。函数 gca() 返回当前轴（A matplotlib.axes.Axes 实例） gcf() 返回当前数字 (matplotlib.figure.Figure 实例）。通常情况下，你不必担心这件事，因为它都是在幕后处理的。下面是创建两个子批次的脚本。

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(1)
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

这个 figure() 这里的命令是可选的，因为 figure(1) 将在默认情况下创建，就像 subplot(111) 如果不手动指定任何轴，默认情况下将创建。这个 subplot() 命令指定 numrows, numcols, plot_number 在哪里？ plot_number 范围从1到 numrows*numcols . 中的逗号 subplot 命令是可选的，如果 numrows*numcols<10 . 所以 subplot(211) 相同 subplot(2, 1, 1) .

可以创建任意数量的子批次和轴。如果要手动放置轴（即不在矩形网格上），请使用 axes() 命令，允许您将位置指定为 axes([left, bottom, width, height]) 其中所有值都是分数（0到1）坐标。见 轴演示 例如手动放置轴和 基本子批次演示 例如，有很多子批次。

可以使用多个图形创建多个图形 figure() 数字越大的呼叫。当然，每个图形可以包含尽可能多的轴和子图，如您的心所愿：

import matplotlib.pyplot as plt
plt.figure(1)                # the first figure
plt.subplot(211)             # the first subplot in the first figure
plt.plot([1, 2, 3])
plt.subplot(212)             # the second subplot in the first figure
plt.plot([4, 5, 6])


plt.figure(2)                # a second figure
plt.plot([4, 5, 6])          # creates a subplot(111) by default

plt.figure(1)                # figure 1 current; subplot(212) still current
plt.subplot(211)             # make subplot(211) in figure1 current
plt.title('Easy as 1, 2, 3') # subplot 211 title

您可以用清除当前数字 clf() 和当前的轴 cla() . 如果您觉得在幕后为您维护状态（特别是当前的图像、图形和轴）很烦人，请不要失望：这只是一个围绕面向对象API的薄的有状态包装器，您可以使用它（请参见 艺术家辅导 ）

如果要制作大量的图形，还需要注意一件事：图形所需的内存不会完全释放，直到用 close() . 删除对图形的所有引用和/或使用窗口管理器终止图形出现在屏幕上的窗口是不够的，因为pyplot在 close() 被称为。

使用文本¶

这个 text() 命令可用于在任意位置添加文本，并且 xlabel() ， ylabel() 和 title() 用于在指定位置添加文本（请参见 matplotlib图中的文本 更详细的例子）

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)


plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

所有的 text() 命令返回 matplotlib.text.Text 实例。与上面的行一样，可以通过向文本函数传递关键字参数或使用 setp() ：：

t = plt.xlabel('my data', fontsize=14, color='red')

这些特性在 文本属性和布局 .

对数轴和其他非线性轴¶

matplotlib.pyplot 不仅支持线性轴比例，还支持对数和逻辑比例。如果数据跨越多个数量级，则通常使用这种方法。更改轴的比例很容易：

plt.xscale（'log'）

下面是四个具有相同数据和不同比例的Y轴绘图的示例。

from matplotlib.ticker import NullFormatter  # useful for `logit` scale

# Fixing random state for reproducibility
np.random.seed(19680801)

# make up some data in the interval ]0, 1[
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))

# plot with various axes scales
plt.figure(1)

# linear
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt