Matplotlib是一个Python的绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出
版质量级别的图形,它能够输出的图形包括折线图、散点图、直方图等。在数据可视化方面, 
Matplotlib拥有数量众多的用户,其强大的绘图功能能够帮助我们对数据形成非常清晰直观
的认知。
5.1 初识Matplotlib 
1.Figure(图) 
Matplotlib 是一个非常优秀的Python2D 绘图库,只要给出符合格式的数据,通过
Matplotlib就可以方便地制作各种高质量的图形,在任何绘图之前,我们需要一个Figure对
象,可以理解成我们需要一张画板才能开始绘图。 
import matplotlib.pyplot as plt 
fig=plt.figure() 
2.Axes(轴) 
在拥有Figure对象之后,在作画前还需要Axes(轴),没有轴的话就没有绘图基准,所以
需要添加Axes。也可以理解成为真正可以作画的纸。 
#图像显示中文说明
plt.rcParams['font.sans-serif'] = [u'SimHei'] 
fig=plt.figure() 
fig=plt.figure() 
ax=fig.add_subplot(111) 
ax.set(xlim=[0.5,4.5],ylim=[-2,8],title='轴实例',ylabel='Y-轴',xlabel='X-轴') 
plt.show() 
以上代码实现了在一幅图上添加了一个Axes,然后设置了这个Axes的X轴以及Y轴的
取值范围,效果如图5-1所示。
上面代码中的fig.add_subplot(111)语句是用于添加Axes的,参数的解释为:在画板的
第1行第1列的第一个位置生成一个Axes对象来准备作画。也可以通过fig.add_subplot(2, 
2,1)的方式生成Axes,前面两个参数确定了面板的划分,例如2,2会将整个面板划分成2* 
2的方格,第三个参数取值范围是[1,2*2],表示第几个Axes。如下面的代码:

1 57 
图5-1 轴的设置 
fig=plt.figure() 
ax1=fig.add_subplot(221) 
ax2=fig.add_subplot(222) 
ax3=fig.add_subplot(224) 
运行程序,得到3个子图,如图5-2所示。
图5-2 创建的3个子图
3.MultipleAxes轴
从上面的代码中可以发现我们上面添加Axes似乎不够简洁,所以提供了下面的方式一
次性生成所有的Axes: 
fig,axes=plt.subplot(nrows=2,ncols=2) 
axes[0,0].set(title='左上限') 
axes[0,1].set(title='右上限') 
axes[1,0].set(title='左下限') 
axes[1,1].set(title='右下限') 
fig还是我们熟悉的画板,axes成了我们常用二维数组的形式访问,这在循环绘图时比较
好用。

1 58 
4.Axes与.pyplot 
相信不少人看过下面的代码,很简单并易懂,但是下面的作画方式只适合简单的绘图,快
速地将图绘出。在处理复杂的绘图工作时,我们还是需要使用Axes来完成作画的。 
plt.plot([1,4,7,9],[10,18,25,36],color='lightred',linewidth=3) 
plt.xlim(0.5,5.0) 
plt.show() 
5.2 基本二维绘图
5.2.1 折线图 
Matplotlib的用法非常简单,对于最简单的折线图来说,程序只需根据需要给出对应的X 
轴、Y轴数据。调用pyplot子模块下的plot()函数即可生成简单的折线图。
【例5-1】 分析某教材从2012年到2018年的销售数据,此时可考虑将年份作为X 轴数
据,将图书各年份的销量作为Y 轴数据。程序只要将2012—2018年定义成list列表作为X 
轴数据,并将对应年份的销量作为Y轴数据即可。
如使用如下简单程序来展示从2012年到2018年某教材的销售数据。 
import matplotlib.pyplot as plt 
#定义2 个列表分别作为X 轴、Y 轴数据
x_data = ['2012', '2012', '2013', '2014', '2015', '2016', '2018'] 
y_data = [ 60200, 63000, 71000, 84000, 90500, 107000,98300] 
#第一个列表代表横坐标的值,第二个代表纵坐标的值
plt.plot(x_data, y_data) 
#调用show()函数显示图形
plt.show() 
运行程序,效果如图5-3所示。
图5-3 简单折线图
如果在调用plot()函数时只传入一个list列表,该list列表的数据将作为Y 轴数据,那么
Matplotlib会自动使用0、1、2、3作为X轴数据。例如,修改以下代码: 
plt.plot(y_data) 
运行程序,效果如图5-4所示。
plot()函数除了支持创建具有单条折线的折线图外,还支持创建包含多条折线的复式折
线图———只要在调用plot()函数时传入多个分别代表X 轴和Y 轴数据的list列表即可。例

1 59 
图5-4 使用默认的X轴数据
如以下代码: 
import matplotlib.pyplot as plt 
x_data = ['2012', '2012', '2013', '2014', '2015', '2016', '2018'] 
#定义2 个列表分别作为两条折线的Y 轴数据
y_data = [ 60200, 63000, 71000, 84000, 90500, 107000,98300] 
y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700] 
#传入2 组数据分别代表X 轴、Y 轴的数据
plt.plot(x_data, y_data, x_data, y_data2) 
#调用show()函数显示图形
plt.show() 
在以上代码中,调用plot()函数时,传入了两组分别代表X轴数据、Y轴数据的list列表, 
因此该程序可以显示两条折线,效果如图5-5所示。
图5-5 包含多条折线的复式折线图
也可以通过多次调用plot()函数来生成多条折线。例如,将上面程序中的plt.plot(x_ 
data,y_data,x_data,y_data2)代码改为如下两行代码,程序同样会生成包含两条折线的复
式折线图。 
plt.plot(x_data, y_data) 
plt.plot(x_data, y_data2) 
在调用plot()函数时还可以传入额外的参数来指定折线的样式,如线宽、颜色、样式等。例如: 
import matplotlib.pyplot as plt 
x_data = ['2012', '2012', '2013', '2014', '2015', '2016', '2018']

1 60 
#定义2 个列表分别作为两条折线的Y 轴数据
y_data = [ 60200, 63000, 71000, 84000, 90500, 107000,98300] 
y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700] 
#指定折线的颜色、线宽和样式
plt.plot(x_data, y_data, color = 'red', linewidth = 2.0, linestyle = '-.') 
plt.plot(x_data, y_data2, color = 'blue', linewidth = 3.0, linestyle = '--') 
#调用show()函数显示图形
plt.show() 
代码中,用color指定折线的颜色,linewidth指定线宽,linestyle指定折线样式。
在使用linestyle指定折线样式时,该参数支持如下字符串参数值。
.-:代表实线,这是默认值。
.--:代表虚线。
. ::代表点线。
.-.:代表短线、点相间的虚线。
运行以上程序,效果如图5-6所示。
图5-6 设置了折线图的线型
5.2.2 散点图
在Matplotlib中使用函数matplotlib.pyplot.scatter()绘制散点图,matplotlib.pyplot. 
scatter的函数格式如下: 
matplotlib.pyplot.scatter(x,y,s=None,c=None,marker=None,cmap=None, 
norm=None,vmin=None,vmax=None,alpha=None,linewidths=None,verts=None, 
edgecolors=None,hold=None,data=None,**kwargs):参数x,y组成了散点的坐标;s为
散点的面积;c为散点的颜色(默认为蓝色'b');marker为散点的标记;alpha为散点的透明度(0 
与1之间的数,0为完全透明,1为完全不透明);linewidths为散点边缘的线宽;如果marker 
为None,则使用verts的值构建散点标记;edgecolors为散点边缘颜色。
其他参数如cmap为colormap;norm 为数据亮度;vmin、vmax和norm 配合使用用来归
一化亮度数据,这些都与数据亮度有关。
【例5-2】 绘制散点图。 
#绘制普通散点图,如图5-7 所示
import matplotlib 
import matplotlib.pyplot as plt 
import numpy as np

1 61 
#保证图片在浏览器内正常显示
%matplotlib inline 
#10 个点
N = 10 
x = np.random.rand(N) 
y = np.random.rand(N) 
plt.scatter(x, y) 
plt.show() 
图5-7 普通散点图
可以通过设置scatter()函数的相关属性,即可更改散点的大小,代码如下: 
#每个点随机大小,效果如图5-8 所示
s = (30*np.random.rand(N))**2 
plt.scatter(x, y, s=s) 
plt.show() 
图5-8 随机更改散点的大小
还可以通过设置参数c与alpha来更改散点颜色和透明度,代码为: 
#随机颜色,如图5-9 所示
c = np.random.rand(N) 
plt.scatter(x, y, s=s, c=c, alpha=0.5) 
plt.show() 
设置scatter()函数的' marker'参数,可更改散点形状,代码为: 
plt.scatter(x, y, s=s, c=c, marker='^', alpha=0.5) 
plt.show() %效果如图5-10 所示

1 62 
图5-9 更改散点颜色与透明度
图5-10 更改散点形状
还可以在一张图上绘制两组数据的散点,实现代码为: 
#10 个点
N = 10 
x1 = np.random.rand(N) 
y1 = np.random.rand(N) 
x2 = np.random.rand(N) 
y2 = np.random.rand(N) 
plt.scatter(x1, y1, marker='o') 
plt.scatter(x2, y2, marker='^') 
plt.show() %效果如图5-11 所示
图5-11 同一张图绘制两组散点图

1 63 
调用legend()函数,可为图像设置图例,例如: 
plt.scatter(x1, y1, marker='o', label="圆形") 
plt.scatter(x2, y2, marker='^', label="三角形") 
plt.legend(loc='best') 
plt.show() #效果如图5-12 所示
图5-12 为图像设置图例
5.2.3 条形图
条形图或柱形图是一种图表或图形,它显示带有矩形条的分类数据,其高度或长度与它们
所代表的值成比例。可以垂直或水平绘制条形。条形图显示了离散类别之间的比较。图表的
一个轴显示要比较的特定类别,另一个轴表示测量值。
MatplotlibAPI提供了bar()函数,可以在MATLAB样式中以及面向对象的API中使
用。与axis对象一起使用的bar()函数使用大小为(x-width=2;x+ width=2;bottom; 
bottom + height)来绑定矩形创建条形图,其格式如下: 
ax.bar(x,height,width,bottom,align):其中x表示条形的x坐标的标量序列。如果
x是条形中心(默认)或左边缘,则对齐控件。height是标量或标量序列,表示条的高度。
width是标量或类似数组,可选,条形的宽度默认为0.8。bottom 是标量或类似数组,可选,条
形的y坐标默认为None。align的可选值为c' enter'或e' dge',默认值为center。
【例5-3】 显示一所学院提供的各种课程的学生人数。 
import matplotlib.pyplot as plt 
import numpy as np 
import math 
fig = plt.figure() 
ax = fig.add_axes([0,0,1,1]) 
langs = ['C', 'C++', 'Java', 'Python', 'PHP'] 
students = [22,18,34,28,14] 
ax.bar(langs,students) 
plt.show() 
运行程序,效果如图5-13所示。
我们可以通过使用条形的厚度和位置来绘制多个条形图。数据变量包含三个系列的四个
值。以下代码将显示四个条形图中的三个。这些条的厚度为0.35个单位。每个条形图将从
前一个移动0.5个单位。数据对象是一个多元图,包含过去4年在工程学院的三个分支中通
过的学生数量。

1 64 
图5-13 条形图 
data = [[30, 25, 50, 20], 
[40, 23, 51, 17], 
[35, 22, 45, 19]] 
X = np.arange(4) 
fig = plt.figure() 
ax = fig.add_axes([0,0,1,1]) 
ax.bar(X + 0.00, data[0], color = 'b', width = 0.25) 
ax.bar(X + 0.35, data[1], color = 'g', width = 0.25) 
ax.bar(X + 0.50, data[2], color = 'r', width = 0.25) 
plt.show() 
运行程序,效果如图5-14所示。
图5-14 绘制多个条形图
堆积条形图是堆叠表示彼此顶部的不同组的条形图。结果为条形图的高度显示组的组合
结果。
pyplot.bar()函数的可选bottom 参数指定条的起始值。它不是从零运行到一个值,而是
图像从底部到顶的值。第一次调用pyplot.bar()绘制蓝色条形图。第二次调用pyplot.bar() 
绘制红色条形图,蓝色条形图的底部位于红色条形图的顶部。 
N = 5 
menMeans = (21, 36, 30, 36, 28) 
womenMeans = (25, 32, 34, 20, 25) 
ind = np.arange(N) #组x 的位置
width = 0.35

1 65 
fig = plt.figure() 
ax = fig.add_axes([0,0,1,1]) 
ax.bar(ind, menMeans, width, color='r') 
ax.bar(ind, womenMeans, width,bottom=menMeans, color='b') 
ax.set_ylabel('分数') 
ax.set_title('按组和性别分数') 
ax.set_xticks(ind, ('G1', 'G2', 'G3', 'G4', 'G5')) 
ax.set_yticks(np.arange(0, 81, 10)) 
ax.legend(labels=['男', '女']) 
plt.show() 
运行程序,效果如图5-15所示。
图5-15 堆积条形图
5.2.4 饼图
饼图广泛地应用于各个领域,用于表示不同分类的占比情况,通过弧度大小来对比各种分
类。饼图通过将一个圆饼按照分类的占比划分成多个区块,整个圆饼代表数据的总量,每个区
块(圆弧)表示该分类占总体的比例大小,所有区块(圆弧)的加和等于100%。
在Matplotlib中,利用pie()函数绘制饼图。函数的格式为: 
matplotlib.pyplot.pie(x,explode=None,labels=None,colors=None,autopct= 
None,labeldistance=1.1,pctdistance=0.6,shadow=False,radius=1,startangle=0, 
counterclock=True,wedgeprops=None,textprops=None,center=0,0,frame=False, 
rotatelabels=False,*,normalize=None,data=None):其中x是浮点型数组,表示每个扇
形的面积。explode是数组,表示各个扇形之间的间隔,默认值为0。labels是列表,表示各个
扇形的标签,默认值为None。colors是数组,表示各个扇形的颜色,默认值为None。autopct 
设置饼图内各个扇形的百分比显示格式,%d%% 为整数百分比,%0.1f为一位小数, 
%0.1f%%为一位小数百分比,%0.2f%%为两位小数百分比。labeldistance表示标签标记的
绘制位置相对于半径的比例,默认值为1.1,如小于1则绘制在饼图内侧。pctdistance类似于
labeldistance,指定autopct的位置刻度,默认值为0.6。shadow 的值为布尔值True或False, 
设置饼图的阴影,默认为False,不设置阴影。radius设置饼图的半径,默认为1。startangle表
示起始绘制饼图的角度,默认为从x轴正方向逆时针画起,如设定startangle=90则从y轴正
方向画起。counterclock是布尔值,设置指针方向,默认为True,即逆时针,False表示顺时针。
wedgeprops是字典类型,默认值为None,参数字典传递给wedge对象用来画一个饼图,例如