matplotlib使用指南

matplotlib使用指南

聲明

本文主要翻譯matplotlib的官方文檔，若有錯誤，歡迎批評指正。

本文包含了一些基本的使用方法以及適合快速上手的實例，幫助你快速熟悉matplotlib。

導入matplotlib模塊的方法為

import matplotlib.pyplot as plt
import numpy as np

一個簡單的例子

matplotlib將你的數據繪制在Figure上，每一個Figure能夠包含一個或多個Axes。每一個Axes相當於一個繪圖區域，並且該區域內的每一個點都可以通過x-y坐標，極坐標或x-y-z坐標（三維情況下）定位。

創建帶有一個Axes的Figure對象的最簡單方法是使用pyplot.subplots，之后，我們便可以使用Axes.plot將數據繪制在Axes上：

fig, ax = plt.subplots()  # 創建包含一個axes的figure對象
ax.plot([1,2,3], [1,2,4]) # 將數據繪制在axes上

事實上，對於Axes中的每一個繪圖函數，在matplotlib.pyplot模塊中都存在與之對應的函數。我們可以直接通過matplotlib.pyplot自動創建Axes及其對應的Figure，並在Axes上進行繪圖，並不需要顯式創建Axes。因此，上述繪圖的例子可以簡化為：

plt.plot([1,2,3], [1,2,4])

Figure示意圖

Figure

Figure負責追蹤所有的子Axes，一些特殊的artists（如title，legend）和canvas（canvas是最終呈現圖像的對象）。一個Figure可以包含多個Axes，但至少要包含一個Axes。

創建Figure的方法有以下幾種：

fig = plt.figure() # 一個空的figure,不帶有Axes
fig, ax = plt.subplots() # 帶有一個Axes的figure
fig, axs = plt.subplots(2, 2) # 帶有4個Axes的figure，且Axes的排序方式為2x2

在創建Figure的時候，同時創建與之對應的Axes是常用的方式。但也可以之后在創建Axes，然后加入到Figure當中，用於更復雜的Axes布局。

Axes

Axes就是我們進行繪圖的區域，一個Figure可以包含多個Axes，但一個Axes只能存在於一個Figure當中。一個Axes包含兩個Axis對象（三維情況下包含三個），Axis用於控制數據的顯示范圍。每個Axes還可以控制當前區域的標題、x-y坐標軸的名稱。

fig, ax = plt.subplots()
ax.set_xlim([0, 5]) 	# 控制x軸顯示范圍
ax.set_xlabel('x')		# 設置x軸名稱
ax.set_ylim([-1, 3])	# 控制y軸顯示范圍
ax.set_ylabel('y')		# 設置y軸名稱
ax.set_title('ax-title')# 設置標題

Axis

Axis是類似數軸的對象，用於設置數值的顯示范圍、刻度標記以及刻度標簽。刻度的位置由Locator對象決定，刻度標簽（字符串）由Formatter對象生成。正確設置Locator和Formatter能夠對刻度標記的位置和標簽進行精細化的控制。

Artist

幾乎所有你能夠在圖像上看到的對象都是一個artist（即使是Figure，Axes和Axis對象）。以及Text,Line2D,collections,Patch對象都是artist。當圖片被渲染的時候，所有的artist對象都將會被繪制到Canvas之上。大多數的artist對象都被綁定到一個Axes之上，因此一個artist無法被多個Axes分享或移動到另一個Axes之上。

繪圖函數的輸入

所有的繪圖函數都期望獲得numpy.array或numpy.ma.masked_array作為輸入。如果將類似數組（array-like）的對象作為輸入，例如pandas.DataFrame和numpy.matrix，則繪圖函數可能不會按照你預想的方式進行工作。因此，最好的做法是先將數據轉化成numpy.array對象。

# 將DataFrame轉換成array
a = pandas.DataFrame(np.random.rand(4, 5), columns = list('abcde'))
a_asarray = a.values

# 將matrix轉換成array
b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b)

面向對象接口與pyplot接口

正如在最開始的例子中所提到的，使用matplotlib由兩個基本的方式：

• 面向對象風格（object-oriented style，OO style）：顯式創建Figure和Axes，並調用這些對象的成員函數。
• 依賴pyplot自動創建和管理Figure和Axes對象，以及使用pyplot函數進行繪圖。

# 一個OO風格的示例
x = np.linspace(0, 2, 100)

# 注意：即使是OO風格, 我們仍然使用`.pyplot.figure`創建figure對象
fig, ax = plt.subplots()  # Create a figure and an axes.
ax.plot(x, x, label='linear')  # Plot some data on the axes.
ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes...
ax.plot(x, x**3, label='cubic')  # ... and some more.
ax.set_xlabel('x label')  # Add an x-label to the axes.
ax.set_ylabel('y label')  # Add a y-label to the axes.
ax.set_title("Simple Plot")  # Add a title to the axes.
ax.legend()  # Add a legend.

# 一個pyplot風格的示例
x = np.linspace(0, 2, 100)

plt.plot(x, x, label='linear')  # Plot some data on the (implicit) axes.
plt.plot(x, x**2, label='quadratic')  # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()

事實上，存在第三種使用matplotlib的方法，但該方法的應用場景是將matplotlib集成到一個GUI應用當中。這里只是順帶提及，詳細請參考Embedding Matplotlib in graphical user interfaces。

matplotlib的文檔和示例使用了OO和pyplot這兩種不同的風格進行演示，你可以任意選擇一種你喜歡的風格書寫代碼。但推薦的使用方式是：在交互式終端的情況下（如jupyter notebook），使用pyplot風格；在非交互式情況下（如寫python腳本的時候），使用OO風格。

后端（backends）

什么是后端？

許多網站和郵件列表的文檔都提到了“后端“一詞，許多新用戶經常對這個術語感到困惑。matplotlib針對不同的應用場景，能夠輸出不同格式的結果。一些人在交互式的python shell中使用matplotlib繪圖；一些人使用jupyter notebooks將matplotlib繪制的圖像嵌入到代碼的當中，而不是彈出單獨的圖片窗口；一些人將matplotlib集成到GUI程序中（如wxpython、pygtk）以創建富應用（rich application）；以及其它的應用場景。

為了支持不同的應用場景，matplotlib就需要有不同的功能組件（處理機制）來針對不同場景，輸出符合要求的結果。這些不同的功能組件就稱為”后端“。而前端指的是面向用戶的代碼，即繪圖的代碼。后端的作用就是根據前端用戶代碼，生成圖像，並返回給用戶。matplotlib中有兩種不同類型的后端：

• 交互式后端（user interface backends/interactive backends）：例如pygtk，wxpython，tkinter，qt4，macosx等
• 非交互式后端（hardcopy backends/non-interactive backends）：用於創建圖像文件（如PNG,SVG,PDF）

如何配置后端？

一共有三種不同的方法來配置matplotlib的后端：

1. matplotlibrc文件中的rcParams['backend']（默認是agg）參數
2. MPLBACKEND環境變量
3. matplotlib.use()函數

需要注意的是如果同時使用了上述3種方法中的多種方法對后端進行配置，那么會優先選擇序號大的方法。也就是說，如果使用函數matplotlib.use()配置了后端，那么matplotlib將無視MPLBACKEND和rcParams['backend']中的參數值。

如果沒有顯式指定后端，matplotlib將基於系統中的可用后端和GUI事件循環（event loop）是否已經正在運行，自動檢測可用的后端。在Linux系統中，如果環境變量DISPLAY未被設置，那么事件循環將會被識別為"headless"，從而導致回退到非交互式后端（agg）。

詳細的配置方法如下：

1. 配置matplotlibrc文件中的rcParams['backend']（默認是agg）參數

   backend : qt5agg   # use pyqt5 with antigrain (agg) rendering
   

2. 配置MPLBACKEND環境變量

   你可以在當前shell或針對單個腳本中設置該環境變量

   # On Unix
   > export MPLBACKEND=qt5agg
   > python simple_plot.py
   
   > MPLBACKEND=qt5agg python simple_plot.py
   
   # On Windows，只能針對當前shell設置該環境變量
   > set MPLBACKEND=qt5agg
   > python simple_plot.py
   

   設置MPLBACKEND環境變量將覆蓋掉matplotlibrc文件中的配置，即使matplotlibrc文件存在於你當前的工作目錄之下。因此，將MPLBACKEND環境變量設置為全局的環境變量（即在文件.bashrc或.profile中定義）是不妥當的，如果這樣做了，可能會導致一些反直覺的結果。

3. 如果你的腳本依賴於特定的后端，你可以使用matplotlib.use()函數

   import matplotlib
   matplotlib.use('qt5agg')
   

   應該在Figure創建之前就調用該函數，否則matplotlib可能無法轉換后端，從而導致ImportError。使用該方法指定后端，如果其它用戶想要更改使用其它的后端，那么就需要對原有的代碼進行改動。因此，你應該盡量避免顯式調用matplotlib.use()指定后端，除非不得不這么做。

內置后端及其它

matplotlib的內置后端、如何使用非內置后端等信息請參考：詳細信息

什么是交互（interactive）模式

使用交互式后端允許我們直接向屏幕輸出圖像。是否與何時向屏幕輸出圖像？向屏幕輸出圖像之后，python腳本或shell是否繼續運行？這些問題都與我們所調用的函數和方法直接相關。在matplotlib中可以通過一個狀態（布爾）變量的取值來控制當前是否處於“交互模式”。就像其它配置參數一樣，我們可以在matplotlibrc文件里修改狀態變量。我們也可以通過matplotlib.interactive()來設置該變量的值，以及通過matplotlib.is_isteractive()查看該變量的值。另一種開啟交互模式的方法是matplotlib.pyplot.ion()，與之對應的關閉方法為matplotlib.pyplot.ioff()。

注意

1. 交互功能以及show()的角色和行為，在matplotlib更新到1.0版本后，發生了重大變化。並在1.0.1版本中修復了一些bug。這里我們將描述在1.0.1版本中基本交互式后端的行為，以及macosx中的部分例外情況。
2. “交互模式”能夠在ipython和普通的python shell中正常運行，但不能在IDLE IDE中運行。如果默認的后端不支持交互功能，那么我們可以顯式配置一個支持交互的后端，就像上述“如何配置后端？”中描述的那樣。

交互模式的示例

啟動一個普通的python shell或者不帶任何選項參數的ipython，執行下述代碼：

import matplotlib.pyplot as plt
plt.ion() 
plt.plot([1.6, 2.7])

此時，將彈出一個繪圖窗口。並且，終端提示符仍然處於激活狀態。因此，我們可以追加新的命令，例如：

plt.title("interactive test")
plt.xlabel("index")

可以發現追加新的命令之后，繪圖窗口會自動更新內容。即使使用面向對象接口更新圖像，大多數的可交互后端也能夠自動更新。例如：

ax = plt.gca() # 獲取當前axes對象, gca = get current axes ?
ax.plt([3.1, 2.2])

如果你正在使用某些后端（例如macosx），或更老版本的matplotlib，在追加新的命令之后，繪圖窗口的圖形可能不會立即自動更新。在這種情況下，你需要手動調用plt.draw()來刷新圖像。

非交互模式的示例

重新啟動一個新的會話窗口，並且關閉交互模式：

import matplotlib.pyplot as plt
plt.ioff() 
plt.plot([1.6, 2.7])

執行完上述命令之后，不會像“交互模式”那樣，立馬彈出一個繪圖窗口（除非你正在使用macosx后端，但這是異常情況）。為了彈出繪圖窗口，我們需要手動輸入：

plt.show()

彈出繪圖窗口之后，你會發現此時無法像“交互模式”那樣繼續追加新的命令。這是因為plt.show()阻塞了命令的輸入，直到你手動關閉繪圖窗口。

但這樣的功能有什么用呢？被迫使用阻塞函數？

假設你需要編寫一個腳本將某個文件的內容繪制成圖，並輸出到屏幕顯示。你想要先查看繪制好的圖像，然后再結束腳本。如果沒有show()這樣的阻塞命令存在，那么運行腳本之后，繪制好的圖像將只會在屏幕上“一閃而過”，隨后腳本便停止運行。

此外，非交互模式將所有的實際繪圖工作延遲到show()調用之后。這樣更有效率，而不需要每次輸入一個命令之后，就立即更新圖像。

在1.0版本之前，通常情況下，在一個腳本內show()只能被調用一次。而在1.0.1和更新的版本中，該限制被移除了，因此，我們可以像這樣書寫腳本：

import numpy as np
import matplotlib.pyplot as plt

plt.ioff()
for i in range(3):
    plt.plot(np.random.rand(10))
    plt.show()

這段代碼將按照順序繪制三張圖，並且每次只顯示一張圖。之后圖像只會在之前的圖像關閉之后顯示。

小結

如果啟用交互模式，那么pyplot函數將自動向屏幕輸出圖像。如果使用面向對象方法而不是pyplot函數，那么當我們需要更新圖像的時候調用函數draw()。

如果我們需要在腳本結束前顯示圖像，就可以使用非交互模式。同樣地，利用show()的阻塞特性，我們可以按照順序顯示一系列圖像，新的圖像只會在舊的圖像手動關閉后才顯示。

性能（performance）

無論是在交互模式中，還是在腳本中進行繪圖，圖像的渲染時間將會是實際任務中不得不解決的性能瓶頸。matplotlib提供了一些減少圖像渲染時間的方法，代價是圖像外觀會發生一些改變（在我們所能容忍的范圍內）。圖像的類型將直接影響到我們能夠使用哪些方法來減少渲染時間。

線段簡化（line segment simplification）

對於包含線段的圖像（例如，經典的折線圖、多邊形的輪廓等），可以通過變量rcParams["path.simplify"]（默認值：True）以及rcParams["path.simplify_threshold"]（默認值：1/9）來控制圖像的渲染時間。rcParams["path.simplify"]是個布爾變量，用於控制是否啟用線段簡化功能。rcParams["path.simplify_threshold"]用於控制有多少線段會被簡化，更高的閾值（threshold）意味着更快的渲染速度。

以下腳本首先展示了未啟用線段簡化和啟用了線段簡化的結果：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.geomspace(10, 50000, 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True

mpl.rcParams['path.simplify_threshold'] = 0.0
plt.plot(y)
plt.show()

mpl.rcParams['path.simplify_threshold'] = 1.0
plt.plot(y)
plt.show()

matplotlib默認將簡化閾值設置為1/9。如果你想要更改默認設置，那么可以到matplotlibrc文件中進行設置。或者，你可能有這樣的需求：在不同的應用場景中，應用不同的繪圖風格。例如，在交互模式時，將線段簡化閾值設置為最大值1；在有印刷圖像需求時，將線段簡化閾值設置為最小值0。我們可以為不同的應用場景事先配置好不同的風格表單（style sheets），等到需要時直接應用該風格表單即可。詳細可參見Customizing Matplotlib with style sheets and rcParams。

線段簡化的原理：通過迭代的方式，依次將線段合並成單個向量，直到下一個線段與當前向量的垂直距離大於path.simplify_threshold。距離的計算在顯示坐標空間（display-coordinate space）中進行。

注意

在2.1版本中，對線段簡化如何實現進行了一些改動。對於2.1之前的版本，渲染時間仍然能通過配置這些參數提高渲染效率，但對於某些數據而言，2.1及之后的版本，渲染效率能夠獲得更大的改善。

標記簡化（marker simplification）

標記同樣能夠被簡化，盡管不如線段簡化功能強大。標記簡化只能應用於Line2D對象，通過設置markevery屬性來實現：

plt.plot(x, y, markevery=10)
# 或者
ax.plot(x, y, markevery=10)

markevery參數允許朴素下采樣（naive subsampling），或嘗試沿着x軸方向進行均勻采樣，詳細內容請查看Markevery Demo。

將折線划分成更小的塊（splitting lines into smaller chunks）

如果你正在使用Agg后端，那么你可用通過rcParams["agg.path.chunksize"]（默認值：0）參數指定一個塊大小（chunk size）。任何頂點數大於agg.path.chunksize的折線將會被划分成多個折線，划分后各個折線的頂點數不大於agg.path.chunksize。如果chunksize設置為0，意味着不對原始折線進行任何划分。對於某些類型的數據，合理設置一個chunksize能夠極大提高渲染效率。

下面的腳本，展示了chunkszie=0和10000的圖像對比。因為在圖像比較大的時候，比較容易看出二者的區別，因此請嘗試最大化繪圖窗口，進行觀察。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['path.simplify_threshold'] = 1.0

# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.geomspace(10, 50000, 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True

mpl.rcParams['agg.path.chunksize'] = 0
plt.plot(y)
plt.show()

mpl.rcParams['agg.path.chunksize'] = 10000
plt.plot(y)
plt.show()

圖例（legends）

圖例的默認行為是在圖像中找到最佳一個位置，使得被圖列覆蓋住的數據點最少（即loc='best'）。當數據點非常多的時候，這種查找行為非常消耗計算資源。在這種情況下，手動指定圖例的位置是更好的選擇。

使用fast風格

fast風格能夠自動為簡化和分塊參數設置一個較合理的值，依次來提高繪圖效率。使用方法如下：

import matplotlib.style as mplstyle
mplstyle.use('fast')

fast風格是一種非常輕量級的配置，能夠很好地與其它風格配合使用。但需要注意的是，要確保fast風格是最后一個應用生效的風格，以此保證其它風格不會覆蓋掉fast風格的配置。

mplstyle.use(['dark_background', 'ggplot', 'fast'])

關於matplotlib內置風格和如何自定義風格的詳細內容，參見Customizing Matplotlib with style sheets and rcParams。