Matplotlib是一個Python語言的2D繪圖庫，它支持各種平臺，并且功能強大，能夠輕易繪制出各種專業的圖像。本文是對它的一個入門教程。

運行環境

由于這是一個Python語言的軟件包，因此需要你的機器上首先安裝好Python語言的環境。關于這一點，請自行在網絡上搜索獲取方法。

關于如何安裝Matplotlib請參見這里：Matplotlib Installing。

筆者推薦大家通過pip的方式進行安裝，具體方法如下：

sudo pip3 installmatplotlib

本文的代碼在如下環境中測試：

Apple OS X 10.13

Python 3.6.3

matplotlib 2.1.1

numpy 1.13.3

介紹

Matplotlib適用于各種環境，包括：

Python腳本

IPython shell

Jupyternotebook

Web應用服務器

用戶圖形界面工具包

使用Matplotlib，能夠的輕易生成各種類型的圖像，例如：直方圖，波譜圖，條形圖，散點圖等。并且，可以非常輕松的實現定制。

入門代碼示例

下面我們先看一個最簡單的代碼示例，讓我們感受一下Matplotlib是什么樣的：

# test.py

importmatplotlib.pyplotasplt

import numpyasnp

data=np.arange(100,201)

plt.plot(data)

plt.show()

這段代碼的主體邏輯只有三行，但是它卻繪制出了一個非常直觀的線性圖，如下所示：

對照著這個線形圖，我們來講解一下三行代碼的邏輯：

通過np.arange(100, 201)生成一個[100, 200]之間的整數數組，它的值是：[100, 101, 102, … , 200]

通過matplotlib.pyplot將其繪制出來。很顯然，繪制出來的值對應了圖中的縱坐標（y軸）。而matplotlib本身為我們設置了圖形的橫坐標（x軸）：[0, 100]，因為我們剛好有100個數值

通過plt.show()將這個圖形顯示出來

這段代碼非常的簡單，運行起來也是一樣。如果你已經有了本文的運行環境，將上面的代碼保存到一個文本文件中（或者通過Github獲取本文的源碼），然后通過下面的命令就可以在你自己的電腦上看到上面的圖形了:

python3test.py

注1：后面的教程中，我們會逐步講解如何定制圖中的每一個細節。例如：坐標軸，圖形，著色，線條樣式，等等。

注2：如果沒有必要，下文的截圖會去掉圖形外側的邊框，只保留圖形主體。

一次繪制多個圖形

有些時候，我們可能希望一次繪制多個圖形，例如：兩組數據的對比，或者一組數據的不同展示方式等。

可以通過下面的方法創建多個圖形：

多個figure

可以簡單的理解為一個figure就是一個圖形窗口。matplotlib.pyplot會有一個默認的figure，我們也可以通過plt.figure()創建更多個。如下面的代碼所示：

# figure.py

importmatplotlib.pyplotasplt

import numpyasnp

data=np.arange(100,201)

plt.plot(data)

data2=np.arange(200,301)

plt.figure()

plt.plot(data2)

plt.show()

這段代碼繪制了兩個窗口的圖形，它們各自是一個不同區間的線形圖，如下所示：

注：初始狀態這兩個窗口是完全重合的。

多個subplot

有些情況下，我們是希望在同一個窗口顯示多個圖形。此時就這可以用多個subplot。下面是一段代碼示例：

# subplot.py

importmatplotlib.pyplotasplt

import numpyasnp

data=np.arange(100,201)

plt.subplot(2,1,1)

plt.plot(data)

data2=np.arange(200,301)

plt.subplot(2,1,2)

plt.plot(data2)

plt.show()

這段代碼中，除了subplot函數之外都是我們熟悉的內容。subplot函數的前兩個參數指定了subplot數量，即：它們是以矩陣的形式來分割當前圖形，兩個整數分別指定了矩陣的行數和列數。而第三個參數是指矩陣中的索引。

因此，下面這行代碼指的是：2行1列subplot中的第1個subplot。

plt.subplot(2,1,1)

下面這行代碼指的是：2行1列subplot中的第2個subplot。

plt.subplot(2,1,2)

所以這段代碼的結果是這個樣子：

subplot函數的參數不僅僅支持上面這種形式，還可以將三個整數（10之內的）合并一個整數。例如：2, 1, 1可以寫成211，2, 1, 2可以寫成212。

因此，下面這段代碼的結果是一樣的：

importmatplotlib.pyplotasplt

import numpyasnp

data=np.arange(100,201)

plt.subplot(211)

plt.plot(data)

data2=np.arange(200,301)

plt.subplot(212)

plt.plot(data2)

plt.show()

subplot函數的詳細說明參見這里：matplotlib.pyplot.subplot

常用圖形示例

Matplotlib可以生成非常多的圖形式樣，多到令人驚嘆的地步。大家可以在這里：Matplotlib Gallery感受一下。

本文作為第一次的入門教程，我們先來看看最常用的一些圖形的繪制。

線性圖

前面的例子中，線性圖的橫軸的點都是自動生成的，而我們很可能希望主動設置它。另外，線條我們可能也希望對其進行定制。看一下下面這個例子：

# plot.py

importmatplotlib.pyplotasplt

plt.plot([1,2,3],[3,6,9],'-r')

plt.plot([1,2,3],[2,4,9],':g')

plt.show()

這段代碼可以讓我們得到這樣的圖形：

這段代碼說明如下：

plot函數的第一個數組是橫軸的值，第二個數組是縱軸的值，所以它們一個是直線，一個是折線；

最后一個參數是由兩個字符構成的，分別是線條的樣式和顏色。前者是紅色的直線，后者是綠色的點線。關于樣式和顏色的說明請參見plot函數的API Doc：matplotlib.pyplot.plot

散點圖

scatter函數用來繪制散點圖。同樣，這個函數也需要兩組配對的數據指定x和y軸的坐標。下面是一段代碼示例：

# scatter.py

importmatplotlib.pyplotasplt

import numpyasnp

N=20

plt.scatter(np.random.rand(N)*100,

np.random.rand(N)*100,

c='r',s=100,alpha=0.5)

plt.scatter(np.random.rand(N)*100,

np.random.rand(N)*100,

c='g',s=200,alpha=0.5)

plt.scatter(np.random.rand(N)*100,

np.random.rand(N)*100,

c='b',s=300,alpha=0.5)

plt.show()

這段代碼說明如下：

這幅圖包含了三組數據，每組數據都包含了20個隨機坐標的位置

參數c表示點的顏色，s是點的大小，alpha是透明度

這段代碼繪制的圖形如下所示：

scatter函數的詳細說明參見這里：matplotlib.pyplot.scatter

餅狀圖

pie函數用來繪制餅狀圖。餅狀圖通常用來表達集合中各個部分的百分比。

# pie.py

importmatplotlib.pyplotasplt

import numpyasnp

labels=['Mon','Tue','Wed','Thu','Fri','Sat','Sun']

data=np.random.rand(7)*100

plt.pie(data,labels=labels,autopct='%1.1f%%')

plt.axis('equal')

plt.legend()

plt.show()

這段代碼說明如下：

data是一組包含7個數據的隨機數值

圖中的標簽通過labels來指定

autopct指定了數值的精度格式

plt.axis('equal')設置了坐標軸大小一致

plt.legend()指明要繪制圖例（見下圖的右上角）

這段代碼輸出的圖形如下所示：

pie函數的詳細說明參見這里：matplotlib.pyplot.pie

條形圖

bar函數用來繪制條形圖。條形圖常常用來描述一組數據的對比情況，例如：一周七天，每天的城市車流量。

下面是一個代碼示例：

# bar.py

importmatplotlib.pyplotasplt

import numpyasnp

N=7

x=np.arange(N)

data=np.random.randint(low=0,high=100,size=N)

colors=np.random.rand(N *3).reshape(N,-1)

labels=['Mon','Tue','Wed','Thu','Fri','Sat','Sun']

plt.title("Weekday Data")

plt.bar(x,data,alpha=0.8,color=colors,tick_label=labels)

plt.show()

這段代碼說明如下：

這幅圖展示了一組包含7個隨機數值的結果，每個數值是[0, 100]的隨機數

它們的顏色也是通過隨機數生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）個隨機數，然后將它們組裝成7行，那么每行就是三個數，這對應了顏色的三個組成部分。如果不理解這行代碼，請先學習一下Python 機器學習庫 NumPy 教程

title指定了圖形的標題，labels指定了標簽，alpha是透明度

這段代碼輸出的圖形如下所示：

bar函數的詳細說明參見這里：matplotlib.pyplot.bar

直方圖

hist函數用來繪制直方圖。直方圖看起來是條形圖有些類似。但它們的含義是不一樣的，直方圖描述了數據中某個范圍內數據出現的頻度。這么說有些抽象，我們通過一個代碼示例來描述就好理解了：

# hist.py

importmatplotlib.pyplotasplt

import numpyasnp

data=[np.random.randint(0,n,n)fornin[3000,4000,5000]]

labels=['3K','4K','5K']

bins=[0,100,500,1000,2000,3000,4000,5000]

plt.hist(data,bins=bins,label=labels)

plt.legend()

plt.show()

上面這段代碼中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三個數組的數組，這其中：

第一個數組包含了3000個隨機數，這些隨機數的范圍是 [0, 3000)

第二個數組包含了4000個隨機數，這些隨機數的范圍是 [0, 4000)

第三個數組包含了5000個隨機數，這些隨機數的范圍是 [0, 5000)

bins數組用來指定我們顯示的直方圖的邊界，即：[0, 100) 會有一個數據點，[100, 500)會有一個數據點，以此類推。所以最終結果一共會顯示7個數據點。同樣的，我們指定了標簽和圖例。

這段代碼的輸出如下圖所示：

在這幅圖中，我們看到，三組數據在3000以下都有數據，并且頻度是差不多的。但藍色條只有3000以下的數據，橙色條只有4000以下的數據。這與我們的隨機數組數據剛好吻合。

hist函數的詳細說明參見這里：matplotlib.pyplot.hist

結束語

通過本文，我們已經知道了Matplotlib的大致使用方法和幾種最基本的圖形的繪制方式。

需要說明的是，由于是入門教程，因此本文中我們只給出了這些函數和圖形最基本的使用方法。但實際上，它們的功能遠不止這么簡單。因此本文中我們貼出了這些函數的API地址以便讀者進一步的研究。