matplotlib 显示批量图片_数据可视化工具 Matplotlib（上）

Matplotlib 是数据科学领域非常有用的可视化工具，几乎可以绘制我们想要的任何图像，数据的可视化非常重要，它能够让我们更加清楚的看到数据中的趋势和特性。本文中的代码均在 Jupyter Notebook 中运行，并且介绍的内容是 Matplotlib 中最常用的方法和技巧，更加详细的内容读者可以自行查看官方文档。主要内容如下：

• 一、notebook 和 inline
  • 1.1 Backends
  • 1.2 交互式
  • 1.3 嵌入式
• 二、Figure
  • 2.1 理解画布和子图
  • 2.2 尺寸修改
• 三、Axes
  • 3.1 参数的设置
  • 3.2 风格更改
  • 3.3 多子图操作
  • 3.4 箭头绘制
  • 3.5 图例、布局和轴范围
• 四、3D绘图

一、notebook 和 inline

在掌握 Matplotlib 之前我们首先需要熟悉下面的图片，内容展示的是使用 Matplotlib 绘制出的图像中各个部分的定义。

（图片来自官方手册）

当我们在 Jupyter Notebook 中使用 Matplotlib 进行可视化的话会有两种常用的选择，交互式和嵌入式，两种方式的不同是因为设置了不同的 Backends 导致的。

1.1 Backends

在 Matplotlib 有很多 backends ，backends 主要负责显示图形, 它跟环境与硬件有关, 可以适用各种环境，如交互式绘图、 图形的保存等等。

1.2 使用交互式的绘图方式

如果使用交互式的绘图，需使用 magic 方法添加 %matplotlib notebook ，如下：

import 

我们可以打印出当前的 backends，来确认是否设置成功：

print(matplotlib.get_backend())

需要注意的是，如果我们定义了 import matplotlib.pyplot as plt ，那么 %matplotlib notebook 必须放在 import matplotlib.pyplot as plt 的前面，如下：

import matplotlib
import numpy as np
%matplotlib notebook
import matplotlib.pyplot as plt

定义好 backends 之后，就可以看下交互式绘图的效果，运行下面的代码：

x = np.linspace(1,10,1000)
y = np.sin(x)
plt.plot(x,y)
plt.show()

得到如下的图像：

这就是一张交互式的图像，可以看到这个图像有非常多的交互按钮，不仅如此通过鼠标我们还能实现图像大小的拖拽缩放、点坐标的定位等等。

1.3 使用嵌入式的绘图方式

如果是嵌入式的绘图，需要使用 magic 方法添加 %matplotlib inline ，代码如下：

import numpy as np 
import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline

我们运行之前同样的代码：

x = np.linspace(1,10,1000)
y = np.sin(x)
plt.plot(x,y)
plt.show()

得到如下图像：

这个图像是完全静态的，不能做任何的修改。

二、Figure

figure 是 Matplotlib 中的重要概念，之前我们使用的绘图方式只能够绘制一张图像，如果我们想一次展示多个图像，那么就需要用到 figure 和它内部的子图。

2.1 理解画布和子图

figure 我们可以理解为一张画布，我们可以往这个画布中添加指定数量的子图，每一个子图可以根据数据绘制单独的一张图像。figure 和 子图生成代码如下：

fig = plt.figure()
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
plt.show()

得到下图：

fig.add_subplot(121) 中的参数 121 表示的是在 1x2 的网格中的第一张图像。

这个画布我们还能够对其设置指定的颜色，画布默认的颜色为白色，代码如下：

fig = plt.figure(facecolor="y")
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
plt.show()

得到下图：

子图还是使用的默认色，为了更加明显，代码改成如下形式：

fig = plt.figure(figsize=plt.figaspect(0.6), facecolor="y")
ax1 = fig.add_subplot(121, facecolor="b")
ax1 = fig.add_subplot(122, facecolor="r")
plt.show()

得到下图：

这时我们就能够清晰的分辨出子图和画布了。

2.2 尺寸修改

figure 中最常被修改参数还是它的尺寸，而最常用的尺寸修改方法如下。

首先是按宽高比例进行修改，代码如下：

fig = plt.figure(figsize=plt.figaspect(0.5), facecolor="y")
ax = fig.add_subplot(111)
plt.show()

得到下图：

其次是按固定的尺寸大小进行修改，代码如下：

fig = plt.figure(figsize=(12,4), facecolor="y")
ax = fig.add_subplot(111)
plt.show()

得到下图：

---

唐进民：数据可视化工具 Matplotlib（下）​zhuanlan.zhihu.com

---

---

微信公众号：PyMachine