本文主要是介绍Matplotlib数据可视化学习打卡-Task02，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
学习目标：
Task02 - 艺术画笔见乾坤学习目录：
一、概述
1. matplotlib的三层api
2. Artist的分类
3. matplotlib标准用法
二、自定义你的Artist对象
1. Artist属性
2. 属性调用方式
三、基本元素 - primitives
1. 2DLines
2. patches
3. collections
4. images
四、对象容器 - Object container
1. Figure容器
2. Axes容器
3. Axis容器
4. Tick容器
五、练习
1.思考题
2.绘图题
打卡内容：
一、概述
1. matplotlib的三层api
matplotlib的原理或者说基础逻辑是，用Artist对象在画布(canvas)上绘制(Render)图形。
就和人作画的步骤类似：
1. 准备一块画布或画纸
2.准备好颜料、画笔等制图工具
3.作画
所以matplotlib有三个层次的API：
1.绘图区（画布）：matplotlib.backend_bases.FigureCanvas
2.渲染器（画笔），控制其在 FigureCanvas 上画图：matplotlib.backend_bases.Renderer
3.图表组件（想画的图，比如图形、文本、线条的设定）：matplotlib.artist.Artist
2. Artist的分类
Artist有两种类型：primitives 和containers。
- primitive：是基本要素，是作图用到的标准图形对象，如曲线Line2D，文字text，矩形Rectangle，图像image等。
- containers：是容器，即用来装基本要素的地方，包括图形figure、坐标系Axes和坐标轴Axis。
3. matplotlib标准用法
matplotlib的标准使用流程为：
- 创建一个Figure实例
- 使用Figure实例创建一个或者多个Axes或Subplot实例
- 使用Axes实例的辅助方法来创建primitive
举个例子🌰：
二、自定义你的Artist对象
1. Artist属性
在图形中的每一个元素都对应着一个matplotlib Artist，且都有其对应的配置属性列表。
Figure.patch属性：是一个Rectangle，代表了图表的矩形框，它的大小就是图表的大小， 并且可以通过它设置figure的背景色和透明度。
Axes.patch属性：也是一个Rectangle，代表了绘图坐标轴内部的矩形框（白底黑边）， 通过它可以设置Axes的颜色、透明度等。
每个matplotlib Artist都有以下属性：
.alpha属性：透明度。值为0—1之间的浮点数
.axes属性：返回这个Artist所属的axes，可能为None
.figure属性：该Artist所属的Figure，可能为None
.label：一个text label
.visible：布尔值，控制Artist是否绘制
# .patch
plt.figure().patch
plt.axes().patch
2. 属性调用方式
Artist对象的所有属性都通过相应的 get_* 和 set_* 函数进行读写。
#例如下面的语句将alpha属性设置为当前值的一半：
a = o.get_alpha()
o.set_alpha(0.5*a)
#如果想一次设置多个属性，也可以用set方法：
o.set(alpha=0.5, zorder=2)
可以使用 matplotlib.artist.getp(o,“alpha”) 来获取属性，如果指定属性名，则返回对象的该属性值；如果不指定属性名，则返回对象的所有的属性和值。
import matplotlib
# Figure rectangle的属性
matplotlib.artist.getp(fig.patch)
三、基本元素 - primitives
primitives是基本要素，它包含一些我们要在绘图区作图用到的标准图形对象，如曲线Line2D，文本text，矩形Rectangle，图像image等
1. 2DLines（曲线）
在matplotlib中曲线的绘制，主要是通过类 matplotlib.lines.Line2D 来完成的。
它的构造函数：
class matplotlib.lines.Line2D(xdata, ydata, linewidth=None, linestyle=None, color=None, marker=None, markersize=None, markeredgewidth=None, markeredgecolor=None, markerfacecolor=None, markerfacecoloralt=‘none’, fillstyle=None, antialiased=None, dash_capstyle=None, solid_capstyle=None, dash_joinstyle=None, solid_joinstyle=None, pickradius=5, drawstyle=None, markevery=None, **kwargs)
- xdata:需要绘制的line中点的在x轴上的取值，若忽略，则默认为range(1,len(ydata)+1)
- ydata:需要绘制的line中点的在y轴上的取值
- linewidth:线条的宽度
- linestyle:线型
- color:线条的颜色
- marker:点的标记
- markersize:标记的size
a. 设置Line2D的属性的三种方法
1)直接在plot()函数中设置
x = range(0,5)
y = [2,3,6,9,15]
plt.plot(x,y, linewidth=3) # 设置线的粗细参数为3
2)通过获得线对象，对线对象进行设置
x = range(0,5)
y = [2,3,6,9,15]
line, = plt.plot(x, y, '-')
line.set_antialiased(False) # 关闭抗锯齿功能
3)获得线属性，使用setp()函数设置
x = range(0,5)
y = [2,3,6,9,15]
lines = plt.plot(x, y)
plt.setp(lines, color='r', linewidth=5)
b. 绘制lines的两种方法
1）pyplot方法绘制
import matplotlib.pyplot as plt
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x,y)
2）Line2D对象绘制
import matplotlib.pyplot as plt
from matplotlib.lines import Line2D fig = plt.figure()
ax = fig.add_subplot(111)
line = Line2D(x, y)
ax.add_line(line)
ax.set_xlim(min(x), max(x))
ax.set_ylim(min(y), max(y))plt.show()
pyplot里有个专门绘制误差线的功能，通过errorbar类实现，它的构造函数：
matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt=’’, ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, *, data=None, **kwargs)
其中最主要的参数是前几个:
- x：需要绘制的line中点的在x轴上的取值
- y：需要绘制的line中点的在y轴上的取值
- yerr：指定y轴水平的误差
- xerr：指定x轴水平的误差
- fmt：指定折线图中某个点的颜色，形状，线条风格，例如‘co–’
- ecolor：指定error bar的颜色
- elinewidth：指定error bar的线条宽度
绘制errorbar
import numpy as np
import matplotlib.pyplot as plt
fig = plt.figure()
x = np.arange(10)
y = 2.5 * np.sin(x / 20 * np.pi)
yerr = np.linspace(0.05, 0.2, 10)
plt.errorbar(x, y + 3, yerr=yerr, label='both limits (default)')
2. patches（二维图形）
matplotlib.patches.Patch类是二维图形类。
Patch(edgecolor=None, facecolor=None, color=None,
linewidth=None, linestyle=None, antialiased=None,
hatch=None, fill=True, capstyle=None, joinstyle=None,
**kwargs)
a. Rectangle-矩形
Rectangle矩形类在官网中的定义是： 通过锚点xy及其宽度和高度生成。
Rectangle本身的主要比较简单，即xy控制锚点，width和height分别控制宽和高。它的构造函数：
class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)
- hist-直方图
matplotlib.pyplot.hist(x,bins=None,range=None, density=None,bottom=None, histtype=‘bar’, align=‘mid’, log=False, color=None,label=None, stacked=False, normed=None)
下面是一些常用的参数：
- x: 数据集，最终的直方图将对数据集进行统计
- bins: 统计的区间分布
- range: tuple, 显示的区间，range在没有给出bins时生效
- density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
- histtype: 可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
- align: 可选{‘left’, ‘mid’, ‘right’}之一，默认为’mid’，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
- log: bool，默认False,即y坐标轴是否选择指数刻度
- stacked: bool，默认为False，是否为堆积状图
hist绘制直方图
x= np.random.randint(0,100,100)#生成[0-100)之间的100个数据,即 数据集
bins=np.arange(0,101,10)#设置连续的边界值，即直方图的分布区间[0,10),[10,20)...
plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha设置透明度，0为完全透明
plt.xlabel('scores')
plt.ylabel('count')
plt.xlim(0,100)#设置x轴分布范围 plt.show()
2) bar-柱状图
matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)
下面是一些常用的参数：
- left：x轴的位置序列，一般采用range函数产生一个序列，但是有时候可以是字符串
- height：y轴的数值序列，也就是柱形图的高度，一般就是我们需要展示的数据；
- alpha：透明度，值越小越透明
- width：为柱形图的宽度，一般这是为0.8即可
- color或facecolor：柱形图填充的颜色；
- edgecolor：图形边缘颜色
- label：解释每个图像代表的含义，这个参数是为legend()函数做铺垫的，表示该次bar的标签
bar绘制柱状图
y=np.random.randint(1,20,17)
plt.bar(np.arange(17), y, alpha=0.5, width=0.5, color='yellow', edgecolor='red', label='The First Bar', lw=3)
b. Polygon-多边形
matplotlib.patches.Polygon类是多边形类
class matplotlib.patches.Polygon(xy, closed=True, **kwargs)
xy是一个N×2的numpy array，为多边形的顶点。
closed为True则指定多边形将起点和终点重合从而显式关闭多边形。
matplotlib.patches.Polygon类中常用的是fill类，它是基于xy绘制一个填充的多边形，它的定义：
matplotlib.pyplot.fill(*args, data=None, **kwargs)
fill绘制图形
import matplotlib.pyplot as plt
x = np.linspace(0, 5 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.sin(2 * x)
plt.fill(x, y1, color = "g", alpha = 0.3)
c. Wedge-契形
matplotlib.patches.Polygon类是多边形类
一个Wedge-契形 是以坐标x,y为中心，半径为r，从θ1扫到θ2(单位是度)。
如果宽度给定，则从内半径r -宽度到外半径r画出部分楔形。wedge中比较常见的是绘制饼状图。
matplotlib.pyplot.pie语法：
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)
制作数据x的饼图，每个楔子的面积用x/sum(x)表示。
其中最主要的参数是前4个：
- x：契型的形状，一维数组。
- explode：如果不是等于None，则是一个len(x)数组，它指定用于偏移每个楔形块的半径的分数。
- labels：用于指定每个契型块的标记，取值是列表或为None。
- colors：饼图循环使用的颜色序列。如果取值为None，将使用当前活动循环中的颜色。
- startangle：饼状图开始的绘制的角度。
pie绘制饼状图
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)
fig1, ax1 = plt.subplots()
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)
ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()
3. collections
collections类是用来绘制一组对象的集合，collections有许多不同的子类，如RegularPolyCollection, CircleCollection, Pathcollection, 分别对应不同的集合子类型。其中比较常用的就是散点图，它是属于PathCollection子类，scatter方法提供了该类的封装，根据x与y绘制不同大小或颜色标记的散点图。 它的构造方法：
Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)
其中最主要的参数是前5个：
- x：数据点x轴的位置
- y：数据点y轴的位置
- s：尺寸大小
- c：可以是单个颜色格式的字符串，也可以是一系列颜色
- marker: 标记的类型
x = [0,2,4,6,8,10]
y = [10]*len(x)
s = [20*2**n for n in range(len(x))]
plt.scatter(x,y,s=s)
4. images
images是matplotlib中绘制image图像的类，其中最常用的imshow可以根据数组绘制成图像
matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=, filternorm=1, filterrad=4.0, imlim=, resample=None, url=None, *, data=None, **kwargs）
使用imshow画图时首先需要传入一个数组，数组对应的是空间内的像素位置和像素点的值，interpolation参数可以设置不同的差值方法，具体效果如下。
import matplotlib.pyplot as plt
import numpy as np
methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16','spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric','catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']grid = np.random.rand(4, 4)fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6),subplot_kw={'xticks': [], 'yticks': []})for ax, interp_method in zip(axs.flat, methods):ax.imshow(grid, interpolation=interp_method, cmap='viridis')ax.set_title(str(interp_method))plt.tight_layout()
plt.show()
四、对象容器 - Object container
1. Figure容器
matplotlib.figure.Figure是Artist最顶层的container-对象容器，它包含了图表中的所有元素。一张图表的背景就是在Figure.patch的一个矩形Rectangle。
当我们向图表添加Figure.add_subplot()或者Figure.add_axes()元素时，这些都会被添加到Figure.axes列表中。
fig = plt.figure()
ax1 = fig.add_subplot(211) # 作一幅2*1的图，选择第1个子图
ax2 = fig.add_axes([0.1, 0.1, 0.7, 0.3]) # 位置参数，四个数分别代表了(left,bottom,width,height)
print(ax1)
print(fig.axes) # fig.axes 中包含了subplot和axes两个实例, 刚刚添加的
由于Figure维持了current axes，因此你不应该手动的从Figure.axes列表中添加删除元素，而是要通过Figure.add_subplot()、Figure.add_axes()来添加元素，通过Figure.delaxes()来删除元素。但是你可以迭代或者访问Figure.axes中的Axes，然后修改这个Axes的属性。
比如下面的遍历axes里的内容，并且添加网格线：
fig = plt.figure()
ax1 = fig.add_subplot(211)for ax in fig.axes:ax.grid(True)
Figure容器的常见属性：
Figure.patch属性：Figure的背景矩形
Figure.axes属性：一个Axes实例的列表（包括Subplot)
Figure.images属性：一个FigureImages patch列表
Figure.lines属性：一个Line2D实例的列表（很少使用）
Figure.legends属性：一个Figure Legend实例列表（不同于Axes.legends)
Figure.texts属性：一个Figure Text实例列表
2. Axes容器
matplotlib.axes.Axes是matplotlib的核心。大量的用于绘图的Artist存放在它内部，并且它有许多辅助方法来创建和添加Artist给它自己，而且它也有许多赋值方法来访问和修改这些Artist。
和Figure容器类似，Axes包含了一个patch属性，对于笛卡尔坐标系而言，它是一个Rectangle；对于极坐标而言，它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。
import numpy as np
import matplotlib.pyplot as plt
import matplotlibfig = plt.figure()
ax = fig.add_subplot(111)
rect = ax.patch # axes的patch是一个Rectangle实例
rect.set_facecolor('green')
Axes有许多方法用于绘图，如.plot()、.text()、.hist()、.imshow()等方法用于创建大多数常见的primitive(如Line2D，Rectangle，Text，Image等等）。在primitives中已经涉及，不再赘述。
Subplot就是一个特殊的Axes，其实例是位于网格中某个区域的Subplot实例。其实你也可以在任意区域创建Axes，通过Figure.add_axes([left,bottom,width,height])来创建一个任意区域的Axes，其中left,bottom,width,height都是[0—1]之间的浮点数，他们代表了相对于Figure的坐标。
你不应该直接通过Axes.lines和Axes.patches列表来添加图表。因为当创建或添加一个对象到图表中时，Axes会做许多自动化的工作:
它会设置Artist中figure和axes的属性，同时默认Axes的转换；
它也会检视Artist中的数据，来更新数据结构，这样数据范围和呈现方式可以根据作图范围自动调整。
你也可以使用Axes的辅助方法.add_line()和.add_patch()方法来直接添加。
另外Axes还包含两个最重要的Artist container：
ax.xaxis：XAxis对象的实例，用于处理x轴tick以及label的绘制
ax.yaxis：YAxis对象的实例，用于处理y轴tick以及label的绘制
会在下面章节详细说明。
Axes容器的常见属性有：
artists: Artist实例列表
patch: Axes所在的矩形实例
collections: Collection实例
images: Axes图像
legends: Legend 实例
lines: Line2D 实例
patches: Patch 实例
texts: Text 实例
xaxis: matplotlib.axis.XAxis 实例
yaxis: matplotlib.axis.YAxis 实例
3. Axis容器
matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制，它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。通常你可以独立的配置y轴的左边刻度以及右边的刻度，也可以独立地配置x轴的上边刻度以及下边的刻度。
刻度包括主刻度和次刻度，它们都是Tick刻度对象。
Axis也存储了用于自适应，平移以及缩放的data_interval和view_interval。它还有Locator实例和Formatter实例用于控制刻度线的位置以及刻度label。
每个Axis都有一个label属性，也有主刻度列表和次刻度列表。这些ticks是axis.XTick和axis.YTick实例，它们包含着line primitive以及text primitive用来渲染刻度线以及刻度文本。
刻度是动态创建的，只有在需要创建的时候才创建（比如缩放的时候）。Axis也提供了一些辅助方法来获取刻度文本、刻度线位置等等：
常见的如下：
# 不用print，直接显示结果
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"fig, ax = plt.subplots()
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x, y, '-')axis = ax.xaxis # axis为X轴对象
axis.get_ticklocs() # 获取刻度线位置
axis.get_ticklabels() # 获取刻度label列表(一个Text实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick label。
axis.get_ticklines() # 获取刻度线列表(一个Line2D实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick line。
axis.get_data_interval()# 获取轴刻度间隔
axis.get_view_interval()# 获取轴视角（位置）的间隔
fig = plt.figure() # 创建一个新图表
rect = fig.patch # 矩形实例并将其设为黄色
rect.set_facecolor('lightgoldenrodyellow')ax1 = fig.add_axes([0.1, 0.3, 0.4, 0.4]) # 创一个axes对象，从(0.1,0.3)的位置开始，宽和高都为0.4，
rect = ax1.patch # ax1的矩形设为灰色
rect.set_facecolor('lightslategray')for label in ax1.xaxis.get_ticklabels(): # 调用x轴刻度标签实例，是一个text实例label.set_color('red') # 颜色label.set_rotation(45) # 旋转角度label.set_fontsize(16) # 字体大小for line in ax1.yaxis.get_ticklines():# 调用y轴刻度线条实例, 是一个Line2D实例line.set_color('green') # 颜色line.set_markersize(25) # marker大小line.set_markeredgewidth(2)# marker粗细plt.show()
4. Tick容器
matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。
Tick包含了tick、grid line实例以及对应的label。
所有的这些都可以通过Tick的属性获取，常见的tick属性有
Tick.tick1line：Line2D实例
Tick.tick2line：Line2D实例
Tick.gridline：Line2D实例
Tick.label1：Text实例
Tick.label2：Text实例
y轴分为左右两个，因此tick1对应左侧的轴；tick2对应右侧的轴。
x轴分为上下两个，因此tick1对应下侧的轴；tick2对应上侧的轴。
下面的例子展示了，如何将Y轴右边轴设为主轴，并将标签设置为美元符号且为绿色：
import numpy as np
import matplotlib.pyplot as plt
import matplotlibfig, ax = plt.subplots()
ax.plot(100*np.random.rand(20))# 设置ticker的显示格式
formatter = matplotlib.ticker.FormatStrFormatter('$%1.2f')
ax.yaxis.set_major_formatter(formatter)# 设置ticker的参数，右侧为主轴，颜色为绿色
ax.yaxis.set_tick_params(which='major', labelcolor='green',labelleft=False, labelright=True)plt.show()
五、练习
1.思考题
1.primitives 和 container的区别和联系是什么？
primitive是基本要素，是作图用到的标准图形对象，containers是容器，即用来装基本要素的地方。
2.四个容器的联系和区别是么？他们分别控制一张图表的哪些要素？
figure就是最底层的基础，axes就是坐标系，axies就是管理坐标轴上的一些具体内容，tick是最小的一个容器，对某一小部分进行管理。
- matplotlib.figure.Figure是Artist最顶层的container-对象容器，它包含了图表中的所有元素。一张图表的背景就是在Figure.patch的一个矩形Rectangle。
- Axes包含了一个patch属性，对于笛卡尔坐标系而言，它是一个Rectangle；对于极坐标而言，它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框
- matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制，它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。
- matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。Tick包含了tick、grid line实例以及对应的label。
2.绘图题
- 教程中展示的案例都是单一图，请自行创建数据，画出包含6个子图的线图，要求：
子图排布是 2 * 3 （2行 3列）；
线图可用教程中line2D方法绘制；
需要设置每个子图的横坐标和纵坐标刻度；
并设置整个图的标题，横坐标名称，以及纵坐标名称
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
fig.suptitle('matplotlib line plots', fontsize=14)
for i in range(6):ax = fig.add_subplot(2,3,i+1)plt.subplots_adjust(left=None, bottom=None, right=None, top=None,wspace=0.8, hspace=0.4)ax.set_xlabel('xdata')ax.set_ylabel('ydata')x = range(0,5)y = np.random.randint(0,5,5)plt.plot(x,y, linewidth=1)
2. 分别用一组长方形柱和填充面积的方式模仿画出下图，函数 y = -1 * (x - 2) * (x - 8) +10 在区间[2,9]的积分面积
import matplotlib.pyplot as plt
import numpy as npdef f(x):y = -1 * (x - 2) * (x - 8) +10return y fig, axs = plt.subplots(2,1,figsize=(6,8))
axs[0].plot(x,y,'r') #先画线
for i in np.arange(2,9,0.2):rect = plt.Rectangle((i,0),0.1,f(i),color='lightgray')#直方图axs[0].add_patch(rect)
axs[0].set_ylim(0,20)x = np.arange(0,11,0.1)
y = f(x)
axs[1].plot(x,y,'r')
axs[1].fill_between(x,y,where=(x>=2)&(x<=9),facecolor='lightgray')#填充
axs[1].set_ylim(0,20)
这篇关于Matplotlib数据可视化学习打卡-Task02的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
