注意

到末尾下载完整示例代码。

绘图的生命周期#

本教程旨在展示使用 Matplotlib 进行单次可视化的开始、中间和结束。我们将从原始数据开始，最终保存定制化可视化图表。在此过程中，我们会尝试强调 Matplotlib 的一些实用功能和最佳实践。

注意

本教程基于 Chris Moffitt 这篇优秀的博客文章。由 Chris Holdgraf 将其改编成本教程。

关于显式与隐式接口的说明#

Matplotlib 提供了两种接口。有关显式和隐式接口之间权衡的解释，请参阅Matplotlib 应用程序接口 (APIs)。

在显式面向对象 (OO) 接口中，我们直接使用 axes.Axes 实例来在 figure.Figure 实例中构建可视化。在受 MATLAB 启发并建模的隐式接口中，我们使用一个全局状态的接口，该接口封装在 pyplot 模块中，用于在“当前 Axes”上绘图。有关 pyplot 接口的更深入了解，请参阅 pyplot 教程。

大多数术语都很直观，但需要记住的关键点是：

  • Figure 是最终的图像，可以包含一个或多个 Axes。

  • Axes 代表一个单独的绘图（不要与

    Axis 混淆，Axis 指的是绘图的 x、y 或 z 轴）。

我们直接从 Axes 调用绘图方法，这使我们在定制绘图时拥有更大的灵活性和能力。

注意

通常，在绘图时使用显式接口而不是隐式 pyplot 接口。

我们的数据#

我们将使用本教程所源自的文章中的数据。它包含了多家公司的销售信息。

import matplotlib.pyplot as plt
import numpy as np

data = {'Barton LLC': 109438.50,
        'Frami, Hills and Schmidt': 103569.59,
        'Fritsch, Russel and Anderson': 112214.71,
        'Jerde-Hilpert': 112591.43,
        'Keeling LLC': 100934.30,
        'Koepp Ltd': 103660.54,
        'Kulas Inc': 137351.96,
        'Trantow-Barrows': 123381.38,
        'White-Trantow': 135841.99,
        'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)

开始使用#

这些数据很自然地可以可视化为条形图，每组一个条形。要使用面向对象的方法实现这一点，我们首先生成一个 figure.Figure 实例和一个 axes.Axes 实例。Figure 就像一块画布，而 Axes 则是这块画布上我们将进行特定可视化的部分。

注意

一个 Figure 可以包含多个 Axes。有关如何实现此目的的信息，请参阅 紧凑布局教程。

fig, ax = plt.subplots()
lifecycle

现在我们已经有了一个 Axes 实例，我们可以在其上进行绘图了。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
lifecycle

控制样式#

Matplotlib 提供了许多样式，以便您可以根据需求定制可视化。要查看样式列表，我们可以使用 style 模块。

print(plt.style.available)

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'petroff10', 'seaborn-v0_8', 'seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep', 'seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid', 'tableau-colorblind10']

您可以使用以下方式激活样式

plt.style.use('fivethirtyeight')

现在让我们重新制作上述图表，看看它的外观

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
lifecycle

样式控制着许多方面，例如颜色、线宽、背景等。

定制绘图#

现在我们已经得到了一个具有我们想要的一般外观的图表，接下来让我们对其进行微调，使其可以打印。首先，让我们旋转 x 轴上的标签，使其显示更清晰。我们可以通过 axes.Axes.get_xticklabels() 方法获取这些标签。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
lifecycle

如果想一次性设置多个项目的属性，使用 pyplot.setp() 函数会很有用。它将接受一个（或多个）Matplotlib 对象列表，并尝试设置每个对象的一些样式元素。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
lifecycle

看起来这会切掉底部的一些标签。我们可以告诉 Matplotlib 自动为我们创建的图表中的元素留出空间。为此，我们设置 rcParams 的 autolayout 值。有关使用样式表和 rcParams 控制绘图样式、布局和其他功能的更多信息，请参阅 使用样式表和 rcParams 定制 Matplotlib。

plt.rcParams.update({'figure.autolayout': True})

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
lifecycle

接下来，我们向绘图添加标签。要使用 OO 接口执行此操作，我们可以使用 Artist.set() 方法来设置此 Axes 对象的属性。

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
Company Revenue

我们还可以使用 pyplot.subplots() 函数调整此绘图的大小。我们可以通过 figsize 关键字参数来完成。

注意

虽然 NumPy 中的索引遵循 (行, 列) 的形式，但 figsize 关键字参数遵循 (宽度, 高度) 的形式。这符合可视化中的约定，但不幸的是，这与线性代数中的约定不同。

fig, ax = plt.subplots(figsize=(8, 4))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
Company Revenue

对于标签，我们可以以函数的形式指定自定义格式设置指南。下面我们定义一个函数，它接受一个整数作为输入，并返回一个字符串作为输出。当与 Axis.set_major_formatter 或 Axis.set_minor_formatter 一起使用时，它们将自动创建并使用 ticker.FuncFormatter 类。

对于此函数，x 参数是原始刻度标签，pos 是刻度位置。这里我们只使用 x，但两个参数都是必需的。

def currency(x, pos):
    """The two arguments are the value and tick position"""
    if x >= 1e6:
        s = f'${x*1e-6:1.1f}M'
    else:
        s = f'${x*1e-3:1.0f}K'
    return s

然后我们可以将此函数应用于图表上的标签。为此，我们使用 Axes 的 xaxis 属性。这使您可以在图表上的特定轴上执行操作。

fig, ax = plt.subplots(figsize=(6, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)
Company Revenue

组合多个可视化#

可以在同一个 axes.Axes 实例上绘制多个绘图元素。为此，我们只需在该 Axes 对象上调用另一个绘图方法即可。

fig, ax = plt.subplots(figsize=(8, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

# Add a vertical line, here we set the style in the function call
ax.axvline(group_mean, ls='--', color='r')

# Annotate new companies
for group in [3, 5, 8]:
    ax.text(145000, group, "New Company", fontsize=10,
            verticalalignment="center")

# Now we move our title up since it's getting a little cramped
ax.title.set(y=1.05)

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')
ax.xaxis.set_major_formatter(currency)
ax.set_xticks([0, 25e3, 50e3, 75e3, 100e3, 125e3])
fig.subplots_adjust(right=.1)

plt.show()
Company Revenue

保存绘图#

现在我们对绘图结果很满意，我们想将其保存到磁盘。Matplotlib 支持多种文件格式。要查看可用选项列表，请使用：

print(fig.canvas.get_supported_filetypes())

{'eps': 'Encapsulated Postscript', 'jpg': 'Joint Photographic Experts Group', 'jpeg': 'Joint Photographic Experts Group', 'pdf': 'Portable Document Format', 'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics', 'ps': 'Postscript', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap', 'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics', 'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format', 'webp': 'WebP Image Format'}

然后我们可以使用 figure.Figure.savefig() 将图表保存到磁盘。请注意，下面展示了几个有用的标志参数：

  • transparent=True：如果格式支持，则使保存的图表背景透明。

  • dpi=80：控制输出的分辨率（每平方英寸点数）。

  • bbox_inches="tight"：使图表边界与我们的绘图紧密贴合。

# Uncomment this line to save the figure.
# fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")

脚本总运行时间： (0 分 3.734 秒)

由 Sphinx-Gallery 生成的画廊

在此页