matplotlib面向對象繪圖小白終結版

0.寫在前面

鄙人覺得，在matplotlib中仍是推薦使用面向對象的方法，由於它能夠更好的控制和自定義繪圖。
先送各位一張寶貝，這是我從matplotlib官方文檔中摘下來的，拿走不謝，該圖顯示了大部分繪圖元素：

---

1.先看看Matplotlib，pyplot和pylab三者的相(ai)互(hen)關(qing)系(chou)

——該條目摘自官方文檔

• Matplotlib是整個包
• matplotlib.pyplot 是 matplotlib中的一個模塊;
• pylab是一個與 matplotlib 一塊兒安裝的模塊。

Pyplot爲底層面向對象的繪圖庫提供狀態機接口。 狀態機隱式地 自動建立圖形和軸 以實現所需的圖形，例如：

x = np.linspace(0, 2, 100)

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()

第一次調用 plt.plot 將自動建立必要的圖形和軸以實現所需的繪圖。隨後對plt.plot的調用會從新使用當前軸，而且每次都會添加另外一行。設置標題，圖例和軸標籤還會自動使用當前軸並設置標題，建立圖例並分別標記軸。

pylab是一個便利模塊，至關於在單個名稱空間中批量導入 matplotlib.pyplot（用於繪圖）和numpy同樣（用於數學和使用數組）。不過不推薦使用pylab，而且因爲命名空間污染而強烈建議不要使用它。請改用pyplot。

2.matplotlib繪圖對象感性理解

參考自：
https://finthon.com/matplotli...

2.1.簡介

• Matplotlib中大的對象主要分爲三個，FigureCanvas(畫布、畫布層)，Figure(圖、圖像層)，Axes(座標軸、繪製的區域——軸域、座標層)(概念劃分參考自：https://www.cnblogs.com/dajun...)
• 而FigureCanvas(畫布)涉及到底層操做，咱如今的水平就甭接觸了8[手動滑稽]
• 能夠說使用matplotlib繪圖，一個很是基礎的問題就是要搞清楚圖(圖像層)和座標軸(座標層)倆對象。只有真正瞭解這兩個概念，才能得到對整個繪圖過程的控制權。

2.2.Figure對象

import matplotlib.pyplot as plt

plt.figure()
plt.show()

使用 plt.figure() 建立一個Figure對象，經過 plt.show() 顯示出來：
運行下看看：

空的，啥都沒有，你懂得

2.3.axes對象

有了圖像層，接下來就在圖像層上繪圖，所以咱們首先須要建立一個座標軸，能夠調用Figure實例的 add_axes 方法：

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # [距離左邊，下邊，座標軸寬度，座標軸高度] 範圍(0, 1)
plt.show()

[0.1, 0.1, 0.8, 0.8] 表示的是在圖像層中，座標軸區域(座標層)距離畫布左邊0.1倍的位置，距離下邊0.1倍的位置，肯定了這兩個位置後，座標軸的總體寬度和高度佔0.8倍的大小，換句話說，距離右邊和上邊0.9（0.1+0.8）倍。獲得以下結果：

2.4.自動建立對象

若是你以前就接觸過一些繪圖的命令，你會發現：

plt.plot([0, 1, 2])
plt.show()

直接使用這兩個命令就能繪圖呀，居然沒有定義畫布和座標軸，獲得以下圖：

這是由於matplotlib會在最近用過的座標層上進行繪圖，若是沒有的話，默認會建立一個圖對象(圖像層)和座標軸(座標層)。可是顯示建立圖對象(圖像層)和座標軸(座標層)的好處是讓咱們對繪圖過程有了徹底的控制權（好比能夠指定在什麼地方繪圖），並且繪圖的邏輯更強。接下來咱們繪製一張圖中圖來理解這個過程：

import numpy as np
import matplotlib.pyplot  as plt
x = np.linspace(0, 10, 10)
y = np.sin(x)
 
# 建立畫布
fig = plt.figure()
# 建立座標軸
ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 第一個座標軸的範圍
ax2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) # 第二個座標軸的範圍
 
ax1.plot(x, y, 'r')
ax2.plot(x, y, 'g')
plt.show()

咱們獲得了以下圖像：

在這裏咱們建立了兩個座標軸 ax1 和 ax2 ，分別對兩個座標層指定範圍並做圖

2.5.圖片尺寸大小

在建立 Figure 對象的時候，咱們可使用 figsize 和 dpi 控制圖片尺寸。好比：

fig = plt.figure(figsize=(16,8), dpi=100)

figsize 表示畫布長寬大小，單位爲英寸； dpi 表示每英寸的像素值。所以上面的命令就建立了一張1600*800像素的畫布。

2.5.保存圖片

從上面輸出的結果來看， plt.show() 並非輸出一張圖片，而是一個交互式的繪圖界面。若是要保存圖片，還須要經過 savefig() 保存。沒有顯式指定畫布和座標軸，直接使用 plt.savefig() 保存也能夠，顯式指明瞭圖對象(繪圖層)能夠用Figure實例的方法 fig.savefig() 。matplotlib 能夠生成多種格式的高質量圖像，包括PNG，JPG，EPS，SVG，PGF 和 PDF，只要寫好後綴名便可：

fig.savefig("result.png")

2.6.小結

建議按照顯式的方法去繪圖：先建立畫布，再建立座標軸，最後在座標軸上繪圖。這種代碼方式會讓繪圖邏輯更加清晰，可以爲所欲爲的修改圖片的每一個地方。

3.matplotlib中子圖對象AxesSubplot

3.1.先上實例代碼感受一下：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,10,1)
y = np.random.randn(len(x))

fig = plt.figure()  #產生一個畫布
ax = fig.add_subplot(111) #在畫布上建立一個子圖

ax.plot(x,y)
ax.set_title("object oriented")  #設置子圖標題

plt.show()

聽中文名字感受一下，子圖？是否是也得添加座標層才能繪圖？
如今只建立子圖畫布：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,100,1)

fig = plt.figure()
ax1 = fig.add_subplot(211)

plt.show()

咱們能夠看到，咱們沒有給子圖添加座標層，可是卻顯示了座標，和咱們以前直接顯示plt.figure()不一樣。
咱們再瞅一眼子圖的「英文名字」——AxesSubplot
你是否是懂了啥？[手動滑稽]
對的，這個子圖是自帶繪圖層的，明白了這個那就ojbk啦

3.2.接下來，我們看一看AxesSubplot別的用法

在繪圖層(figure對象上)上建立兩個子圖(一行兩列)，都顯示出來

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,100,1)

fig = plt.figure()

ax1 = fig.add_subplot(121)
ax1.plot(x,x)

ax2 = fig.add_subplot(122)
ax2.plot(x,x*x)

plt.show()

---

此處能夠和pyplot繪圖方式簡單對比一下:

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,100,1)

plt.subplot(121)
plt.plot(x, x)

plt.subplot(122)
plt.plot(x, x*x)

plt.show()

我就不解釋了哈，都能看懂8

---

其實，這裏還須要解釋一下
plt.subplot()和 fig.add_subplot()參數的含義
若參數傳入231和535，顯然不匹配，若用plt.subplot()則只會顯示後者，若用 fig.add_subplot()則都會顯示出來，但有可能會重疊，顯而後者在上方

3.3.添加網格

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,10)

fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x,x*2)
ax.grid(color='g',linestyle='--')

plt.show()

你懂得，這個ax.grid()對應plt.grid()

3.4.顯示圖例

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,11)

fig = plt.figure()
ax = fig.add_subplot(111)

ax.plot(x,x,label='inline label')
ax.legend()

plt.show()

同理，ax.legend()對應plt.legend()
以上參考自(有刪改)：https://zhuanlan.zhihu.com/p/...

3.5.其餘對比

AxesSubplot方式	pyplot方式
ax.set_title()	plt.title()
ax.set_xlabel()	plt.xlabel()
ax.set_ylabel()	plt.ylabel()
ax.set_xlim()	plt.xlim()
ax.set_ylim()	plt.ylim()

就先這樣吧，困了......