Matplotlib可视化入门，看这一篇就够了 Matplotlib可视化入门，看这一篇

Matplotlib是 Python 最著名的2D绘图库，提供了丰富的数据绘图工具，主要用于绘制一些统计图形。Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。
matplotlib.pyplot API 官方教程
高效使用 Python 可视化工具 Matplotlib
相信初接触matplotlib肯定会有些困惑，同样一个目标有多个解决方案，有人用plt.xx，有人用ax.xx，对小白及其不友好，照葫芦画瓢搞出来了，但不明白为什么，写出来的代码很混乱。下次遇到问题依然一头雾水。我也是这样，所以，花时间读了很多文章，整理了一下知识点，入门够用了。另，涉及到的文章都贴出了链接，可以一并阅读，加深理解。
matplotlib架构 【Matplotlib可视化入门，看这一篇就够了】matplotlib的架构分为以下三层

Scripting (脚本）层
Artist (表现)层。拥有许多可视化元素，如figure、axes、axis等元素。
Backend (后端)层。包含 pyplot 和 pylab 模块（已弃用，不推荐）

它们之间的访问关系是：

Scripting 访问 Artist， Artist 访问 Backend

理论上各层都可以画出相同的图形，但越底层的操作越细节越困难，越高层越易于人机交互，越容易。也就是说上层是下层的封装，把一些不需要打交道的事情封装好，实际画图只关心效果即可。
matplotlib 架构
matplotlib两种绘图API 在Matplotlib库中提供了两种风格的API供开发者使用。这也就是为什么有人用plt.xx，有人用ax.xx的原因。好的代码应该坚持使用一种风格，否则会显得混乱，阅读起来困难，不利于维护。

Pyplot编程接口（state-based）不推荐
面向对象的编程接口（object-based）推荐

之前有三种api，还有一种pylab api，模仿matlab的工作方式，但大量导入全局命名方式导致意外行为，被认为是糟糕的风格，matplotlib最新版中已弃用此方式。理解matplotlib、pylab与pyplot之间的关系
另外，pandas自带的df.plot()方法也可以绘制简单的图形，它是使用matplotlib库的plot()方法的简单包装实现的。最好不要用，pandas作为数据分析来用，绘图就交给matplotlib等专业的绘图库来做。下文也介绍一下，下次看到这种解决方案可以心中有数，不迷惑。

Matplotlib中的两种绘图API说明
matplotlib 实际上就是提供了 3 种API
Matplotlib中的plt和ax都是啥？
matplotlib：先搞明白plt. /ax./ fig再画

matplotlib图像的结构

文章图片
matplotlib_PartsOfAFugure_2021_01_16 在matplotlib中，整个图像为一个Figure对象，相当于画板。在Figure对象中可以包含一个或者多个Axes对象（画纸）。每个Axes(ax)对象都是一个拥有自己坐标系统axis的绘图区域。
Python matplotlib结构详解
以两个例子来介绍两种方法的使用。下面两幅图分别用pyplot编程接口和面向对象编程接口实现。单子图、多子图都涉及到了，用法在代码里表达的很清楚了。
单子图柱状图

文章图片
matplotlib_两种绘图api比较示例_单子图_2021_01_18 多子图柱状图

文章图片
matplotlib_两种绘图api比较示例_多子图_2021_01_18 一些其他图形如折线图、散点图、饼图等跟示例的柱状图大同小异，各种参数自行学习。不容错过的Matplotlib常见用法小结非常全面的Matplotlib画图方法、Matplotlib 1.4W+字教程的图形绘制部分

plot 折线图
bar 柱状图
barh 条形图
hist 直方图
pie 饼图
boxplot 箱形图
scatter 散点图
polar 极坐标图

Pyplot编程接口（state-based）不推荐 Pyplot封装了底层的绘图函数提供了一种绘图环境，当使用plt.xx绘制图形的时候，默认的Figure以及Axes等对象会自动创建以支持图形的绘制。此方式屏蔽了一些底层通用的绘图对象的创建细节，书写简洁。另外，pyplot是有状态的，亦即它会保存当前图片和作图区域的状态，新的作图函数会作用在当前图片的状态基础之上，代码的位置要注意。遇到一些比较复杂的图时不方便。官方推荐使用面向对象方式绘图。

import numpy as np import matplotlib.pyplot as plt # 准备数据 dog = (20, 28, 22, 30) cat = (25, 32, 20, 27)ind = np.arange(len(dog)) # 生成0-3的数组，用于x轴刻度值 quarter = ['一季度','二季度','三季度','四季度'] width = 0.35# 图形柱的宽度################################################# # 一个子图# 绘图 # x的位置调节好，不然两个柱会重叠 plt.bar(ind - width/2, dog, width, label='Dog') plt.bar(ind + width/2, cat, width, label='Cat')# 调节组件 plt.ylabel('销售额（万）') plt.title('各季度猫狗产业销售额') plt.xticks(ind,quarter) plt.legend(loc=2)# 保存图形 plt.savefig('matplotlib_pyplot方式单子图.png') ################################################################################################## # 多个子图。有状态，细节调整需在各个subplot内调节# 绘图第一个子图 plt.subplot(121)#1行2列，占用第一个 plt.bar(ind, dog, width, color='dodgerblue', label='Dog')# 调节组件 plt.ylabel('销售额（万）') plt.title('各季度狗产业销售额') plt.xticks(ind,quarter)# 绘图第二个子图 plt.subplot(122)#1行2列，占用第二个 plt.bar(ind, cat, width, color='darkorange', label='Cat')# 调节组件 plt.ylabel('销售额（万）') plt.title('各季度猫产业销售额') plt.xticks(ind,quarter)# 保存图形 plt.savefig('matplotlib_pyplot方式多子图.png') ################################################## 交互展示 plt.show()

面向对象的编程接口（object-based）推荐 面向对象的绘图方式主要使用matplotlib的两个子类：matplotlib.figure.Figure和matplotlib.axes.Axes。我们需要自己创建figure（画板），axes（画纸）。画板（figure）为matplotlib.figure.Figure的一个实例，每个子图（画纸，axes）为matplotlib.axes.Axes的一个实例，分别可以继承父类的所有方法，也就是说你绘图时，你想设置的元素（网格线啊，坐标刻度啊等）都可以在二者的属性中找出来使用。使用面向对象编程接口有利于我们对于图形绘制的完整控制，处理复杂图形更有优势。但是相对于Pyplot接口可能需要书写更多的代码。

import numpy as np import matplotlib.pyplot as plt# 准备数据 dog = (20, 28, 22, 30) cat = (25, 32, 20, 27)ind = np.arange(len(dog)) # 生成0-3的数组，用于x轴刻度值 quarter = ['一季度','二季度','三季度','四季度'] width = 0.35# 图形柱的宽度################################################# # 一个子图# 绘图 fig, ax = plt.subplots()# 实例画板fig画纸ax # x的位置调节好，不然两个柱会重叠 ax.bar(ind - width/2, dog, width, label='Dog') ax.bar(ind + width/2, cat, width, label='Cat')# 调节组件 ax.set_ylabel('销售额（万）') ax.set_title('各季度猫狗产业销售额') ax.set_xticks(ind) ax.set_xticklabels(quarter) ax.legend(loc=2)# 保存图形 fig.savefig('matplotlib_两种绘图api比较示例_单子图.png') ################################################################################################## # 多个子图。无状态，ax[0]，ax[1]代表各子图# 绘图 fig, ax = plt.subplots(1,2) #(1,2)代表1行2列两个区域 # 设置图形对象：窗口# ax[0]代表第一个子图，ax[1]代表第二个子图 ax[0].bar(ind, dog, width, color='dodgerblue', label='Dog') ax[1].bar(ind, cat, width, color='darkorange', label='Cat')# 调节组件 ax[0].set_ylabel('销售额（万）') ax[0].set_title('各季度狗产业销售额') ax[0].set_xticks(ind) ax[0].set_xticklabels(quarter)ax[1].set_ylabel('销售额（万）') ax[1].set_title('各季度猫产业销售额') ax[1].set_xticks(ind) ax[1].set_xticklabels(quarter)# 保存图形 fig.savefig('matplotlib_两种绘图api比较示例_多子图.png') ################################################## 交互展示 plt.show()# 面向对象接口不能使用交互式的show()方法对图像直接进行显示。如果想交互显示，需要用pyplot方式

pandas自带df.plot()方法 不要用 pandas自带的df.plot()方法也可以绘制简单的图形，它是使用matplotlib库的plot()方法的简单包装实现的。最好不要用，pandas作为数据分析来用，绘图就交给matplotlib等专业的绘图库来做。

import numpy as np import pandas as pd import matplotlib.pyplot as plt# 准备数据 dog = (20, 28, 22, 30) cat = (25, 32, 20, 27) data = https://www.it610.com/article/{'Dog': dog, 'Cat': cat}ind = np.arange(len(dog)) # 生成0-3的数组，用于x轴刻度值 quarter = ['一季度','二季度','三季度','四季度'] width = 0.35# 图形柱的宽度# 生成DataFrame df = pd.DataFrame(data,index=ind)# df.plot()方法绘图。kind代表绘图类型 ax = df.plot(kind='bar')# 调节组件 ax.set_ylabel('销售额（万）') ax.set_title('各季度猫狗产业销售额') ax.set_xticks(ind) ax.set_xticklabels(quarter) ax.legend(loc=2)# 交互展示 plt.show()

文章图片
matplotlib_两种绘图api比较示例_单子图_2021_01_18 Pandas的可视化操作（利用pandas得到图表）
matplotlib组件详解在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域。
matplotlib的图的构成元素

文章图片
matplotlib_AnatomyOfAFigure_2021_01_16

坐标轴(axis)
坐标轴名称(axis label)
坐标轴刻度(tick)
坐标轴刻度标签(tick label)
坐标轴边界（lim）
网格线(grid)
图例(legend)
标题(title)
边框（spine）

建议收藏！Matplotlib常见组件设置整理
中文乱码、负号显示知乎问题-中文乱码、负号不能正常显示。看猴子的回答
设置标题 ax.set_title()

单子图用ax.，多子图用ax[].

ax.set_title('标题',fontdict={'size':16},loc = 'left')#设置16px的字体大小，将标题显示在左侧

设置边框(spine) ax.spines 默认图表中会显示上下左右四条spine，可根据需要设置为不显示

ax.spines['right'].set_visible(False)#去除右边的spines ax.spines['bottom'].set_color('r')#设置底部的spines为红色

设置坐标轴相关设置坐标轴名称

ax.set_xlabel('季度',fontsize=16) ax.set_xlabel('销售额',fontsize=16)

设置坐标轴刻度标签

# 更改刻度标签。此例将0，1，2，3更改为一季度，二季度，三季度，四季度 ax.set_xticks(ind) ax.set_xticklabels(quarter)# 设置刻度标签属性 # axis : 可选{‘x’, ‘y’, ‘both’} ，选择对哪个轴操作，默认是’both’ # labelsize设置刻度标签的大小 # direction{‘in’, ‘out’, ‘inout’}刻度线的方向 # color : 刻度线的颜色 # labelcolor : 刻度值颜色 ax.tick_params(axis = 'y', labelsize=14,direction='in',labelcolor='r')

ax.tick_params()参数详解
设置刻度间隔

#从pyplot导入MultipleLocator类，这个类用于设置刻度间隔 from matplotlib.pyplot import MultipleLocator#把x轴的刻度间隔设置为1，并存在变量里 x_major_locator=MultipleLocator(1)#把y轴的刻度间隔设置为10，并存在变量里 y_major_locator=MultipleLocator(10)#把x轴的主刻度设置为1的倍数 ax.xaxis.set_major_locator(x_major_locator)#把y轴的主刻度设置为10的倍数 ax.yaxis.set_major_locator(y_major_locator)

设置坐标轴边界

ax.set_xlim([0,12])# x轴边界 ax.set_ylim([0,50])# y轴边界

设置图例 ax.legend() 图例是对图形所展示的内容的解释，比如在一张图中画了三条线，那么这三条线都代表了什么呢？这时就需要做点注释。
两种方式设置图例

# 第一种 # 绘图的时候加上label,之后调用ax.legend() ax.bar(ind - width/2, dog, width, label='Dog') ax.bar(ind + width/2, cat, width, label='Cat') ax.legend()# 第二种 # 使用ax.legend()按顺序设置好图例 ax.bar(ind - width/2, dog, width) ax.bar(ind + width/2, cat, width) ax.legend(['Dog','Cat'])

图例位置 loc参数用来规定图例的位置
如：将图例放在左上角：ax.legend(loc=2)
图例各位置如下

0: ‘best'
1: ‘upper right'
2: ‘upper left'
3: ‘lower left'
4: ‘lower right'
5: ‘right'
6: ‘center left'
7: ‘center right'
8: ‘lower center'
9: ‘upper center'
10: ‘center'

设置网格线 ax.grid() 网格线多用于辅助查看具体的数值大小，横纵坐标都可以设置相应的网格线，视具体情况而论。

# b参数设置是否显示网格 # linestyle：线型 # color：颜色 # linewidth：宽度 # axis：x，y，both，显示x/y/两者的格网。默认both ax.grid(b = True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'y')

设置背景颜色设置整个图像背景颜色