备注

前往结尾下载完整示例代码。

快速入门指南#

本教程涵盖了一些基本的使用模式和最佳实践，以帮助您开始使用 Matplotlib。

import matplotlib.pyplot as plt
import numpy as np

一个简单的例子#

Matplotlib 在 Figure 上绘制您的数据（例如，窗口、Jupyter 小部件等），每个 Figure 可以包含一个或多个 Axes，这是一个可以以 x-y 坐标（或在极坐标图中为 theta-r，在 3D 图中为 x-y-z 等）指定点的区域。创建带有 Axes 的 Figure 的最简单方法是使用 pyplot.subplots。然后，我们可以使用 Axes.plot 在 Axes 上绘制一些数据，并使用 show 来显示 Figure：

fig, ax = plt.subplots()             # Create a figure containing a single Axes.
ax.plot([1, 2, 3, 4], [1, 4, 2, 3])  # Plot some data on the Axes.
plt.show()                           # Show the figure.

根据您工作的环境，plt.show() 可以省略。例如，在使用 Jupyter 笔记本时，所有在代码单元中创建的图形会自动显示。

图形的部分#

以下是 Matplotlib 图形的组成部分。

`Figure`#

整个图形。图形跟踪所有子 Axes ，一组'特殊'的艺术家（标题、图形图例、颜色条等），甚至嵌套的子图形。

通常，您会通过以下函数之一创建一个新的图形:

fig = plt.figure()             # an empty figure with no Axes
fig, ax = plt.subplots()       # a figure with a single Axes
fig, axs = plt.subplots(2, 2)  # a figure with a 2x2 grid of Axes
# a figure with one Axes on the left, and two on the right:
fig, axs = plt.subplot_mosaic([['left', 'right_top'],
                               ['left', 'right_bottom']])

subplots() 和 subplot_mosaic 是方便的函数，它们在 Figure 内部创建 Axes 对象，但你也可以稍后手动添加 Axes。

更多关于图形的介绍，包括平移和缩放，请参见图表介绍。

`Axes`#

Axes 是一个附加到 Figure 上的 Artist，它包含一个用于绘制数据的区域，并且通常包括两个（或在 3D 情况下为三个）:class:Axis 对象（注意 Axes 和 Axis 的区别），这些对象提供刻度和刻度标签，为 Axes 中的数据提供尺度。每个 Axes 还有一个标题（通过 set_title() 设置）、一个 x 轴标签（通过 set_xlabel() 设置）和一个 y 轴标签（通过 set_ylabel() 设置）。

Axes 方法是配置图表大部分内容（添加数据、控制轴的比例和限制、添加标签等）的主要接口。

`Axis`#

这些对象设置比例和限制，并生成刻度（轴上的标记）和刻度标签（标记的标签字符串）。刻度的位置由 Locator 对象决定，刻度标签字符串由 Formatter 格式化。正确组合 Locator 和 Formatter 可以非常精细地控制刻度位置和标签。

`Artist`#

基本上，图表上所有可见的内容都是一个 Artist（甚至是 Figure、Axes 和 Axis 对象）。这包括 Text 对象、Line2D 对象、collections 对象、Patch 对象等。当图表被渲染时，所有的 Artists 都会被绘制到画布上。大多数 Artists 都与一个 Axes 绑定；这样的 Artist 不能被多个 Axes 共享，也不能从一个 Axes 移动到另一个 Axes。

绘图函数的输入类型#

绘图函数期望输入为 numpy.array 或 numpy.ma.masked_array，或者是可以传递给 numpy.asarray 的对象。类似于数组（'array-like'）的类，如 pandas 数据对象和 numpy.matrix，可能无法按预期工作。常见的做法是在绘图前将这些对象转换为 numpy.array 对象。例如，转换一个 numpy.matrix

b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b)

大多数方法还可以解析像 dict 这样的字符串可索引对象、结构化的 numpy 数组或 pandas.DataFrame。Matplotlib 允许你提供 data 关键字参数，并通过传递与 x 和 y 变量对应的字符串来生成图表。

np.random.seed(19680801)  # seed the random number generator.
data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
ax.scatter('a', 'b', c='c', s='d', data=data)
ax.set_xlabel('entry a')
ax.set_ylabel('entry b')

编码风格#

显式接口与隐式接口#

如上所述，使用 Matplotlib 基本上有两种方式：

显式创建图形和轴，并在其上调用方法（即“面向对象 (OO) 风格”）。
依赖于 pyplot 来隐式创建和管理 Figures 和 Axes，并使用 pyplot 函数进行绘图。

关于隐式接口和显式接口之间的权衡解释，请参见 Matplotlib 应用程序接口 (APIs)。

因此，可以使用面向对象的风格

x = np.linspace(0, 2, 100)  # Sample data.

# Note that even in the OO-style, we use `.pyplot.figure` to create the Figure.
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
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.

或使用 pyplot 风格：

x = np.linspace(0, 2, 100)  # Sample data.

plt.figure(figsize=(5, 2.7), layout='constrained')
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()

(此外，还有第三种方法，适用于在GUI应用程序中嵌入Matplotlib的情况，这种方法完全放弃使用pyplot，甚至用于创建图形。有关更多信息，请参阅图库中相应的部分：在图形用户界面中嵌入 Matplotlib。)

Matplotlib 的文档和示例同时使用了面向对象（OO）和 pyplot 风格。通常，我们建议使用 OO 风格，特别是对于复杂的图表，以及那些打算在大型项目中重复使用的函数和脚本。然而，pyplot 风格在快速交互工作中非常方便。

备注

你可能会发现一些使用 pylab 接口的旧示例，通过 from pylab import * 。这种方法强烈不推荐。

制作辅助函数#

如果你需要使用不同的数据集一遍又一遍地制作相同的图表，或者想要轻松地包装 Matplotlib 方法，请使用下面推荐的签名函数。

def my_plotter(ax, data1, data2, param_dict):
    """
    A helper function to make a graph.
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

然后你可以使用两次来填充两个子图：

data1, data2, data3, data4 = np.random.randn(4, 100)  # make 4 random data sets
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(5, 2.7))
my_plotter(ax1, data1, data2, {'marker': 'x'})
my_plotter(ax2, data3, data4, {'marker': 'o'})

请注意，如果你想将这些作为Python包安装，或者进行任何其他自定义，你可以使用网上众多的模板之一；Matplotlib在 mpl-cookiecutter 提供了一个模板。

艺术家风格#

大多数绘图方法都有样式选项用于艺术家，这些选项可以在调用绘图方法时访问，或者通过艺术家的“设置器”访问。在下面的图中，我们手动设置了由 plot 创建的艺术家的颜色、线宽和线型，并且我们使用 set_linestyle 在事后设置了第二条线的线型。

fig, ax = plt.subplots(figsize=(5, 2.7))
x = np.arange(len(data1))
ax.plot(x, np.cumsum(data1), color='blue', linewidth=3, linestyle='--')
l, = ax.plot(x, np.cumsum(data2), color='orange', linewidth=2)
l.set_linestyle(':')

颜色#

Matplotlib 接受大多数艺术家的颜色数组非常灵活；请参阅允许的颜色定义以获取规范列表。一些艺术家会接受多种颜色。例如，对于 scatter 绘图，标记的边缘颜色可以与内部颜色不同：

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.scatter(data1, data2, s=50, facecolor='C0', edgecolor='k')

线宽、线型和标记大小#

线条宽度通常以印刷点（1 pt = 1/72 英寸）为单位，适用于有描边线条的艺术家。同样，描边线条可以有线条样式。请参阅线条样式示例。

标记大小取决于所使用的方法。plot 以点为单位指定 markersize，通常是标记的“直径”或宽度。scatter 将 markersize 指定为大约与标记的视觉面积成正比。有一系列的 markerstyles 可用作字符串代码（参见 markers），或者用户可以定义自己的 MarkerStyle`（参见 :doc:/gallery/lines_bars_and_markers/marker_reference`）：

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.plot(data1, 'o', label='data1')
ax.plot(data2, 'd', label='data2')
ax.plot(data3, 'v', label='data3')
ax.plot(data4, 's', label='data4')
ax.legend()

标注图表#

坐标轴标签和文本#

set_xlabel, set_ylabel, 和 set_title 用于在指定位置添加文本（更多讨论请参见 Matplotlib 中的文本）。文本也可以使用 text 直接添加到图中：

mu, sigma = 115, 15
x = mu + sigma * np.random.randn(10000)
fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
# the histogram of the data
n, bins, patches = ax.hist(x, 50, density=True, facecolor='C0', alpha=0.75)

ax.set_xlabel('Length [cm]')
ax.set_ylabel('Probability')
ax.set_title('Aardvark lengths\n (not really)')
ax.text(75, .025, r'$\mu=115,\ \sigma=15$')
ax.axis([55, 175, 0, 0.03])
ax.grid(True)

所有 text 函数都返回一个 matplotlib.text.Text 实例。与上面的线条一样，您可以通过将关键字参数传递给文本函数来自定义属性:

t = ax.set_xlabel('my data', fontsize=14, color='red')

这些属性在文本属性和布局中有更详细的介绍。

在文本中使用数学表达式#

Matplotlib 接受任何文本表达式中的 TeX 方程表达式。例如，要在标题中写入表达式 \(\sigma_i=15\)，你可以写一个被美元符号包围的 TeX 表达式:

ax.set_title(r'$\sigma_i=15$')

其中，标题字符串前的 r 表示该字符串是原始字符串，不要将反斜杠视为 Python 转义符。Matplotlib 内置了 TeX 表达式解析器和布局引擎，并自带数学字体 —— 详情请参阅书写数学表达式。您也可以直接使用 LaTeX 来格式化文本，并将输出直接嵌入到显示图形或保存的 postscript 中 —— 请参阅使用 LaTeX 进行文本渲染。

注解#

我们也可以在图上标注点，通常是通过连接一个指向 xy 的箭头，到 xytext 处的文本：

fig, ax = plt.subplots(figsize=(5, 2.7))

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2 * np.pi * t)
line, = ax.plot(t, s, lw=2)

ax.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

ax.set_ylim(-2, 2)

在这个基本示例中，xy 和 xytext 都在数据坐标中。还有许多其他坐标系可供选择——详情请参阅注释教程和绘图指南注释。更多示例也可以在标注图表中找到。

图例#

通常我们希望用 Axes.legend 来标识线条或标记：

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.plot(np.arange(len(data1)), data1, label='data1')
ax.plot(np.arange(len(data2)), data2, label='data2')
ax.plot(np.arange(len(data3)), data3, 'd', label='data3')
ax.legend()

Matplotlib 中的图例在布局、位置以及它们可以表示的艺术家方面非常灵活。它们在图例指南中有详细讨论。

轴刻度和刻度线#

每个 Axes 有两个（或三个） Axis 对象，分别代表 x 轴和 y 轴。这些对象控制 Axes 的比例、刻度 定位器 和刻度 格式化器 。可以附加额外的 Axes 以显示更多的 Axis 对象。

刻度#

除了线性刻度外，Matplotlib 还提供了非线性刻度，例如对数刻度。由于对数刻度使用非常广泛，因此也有直接的方法，如 loglog、semilogx 和 semilogy。有多种刻度可供选择（参见刻度以获取其他示例）。这里我们手动设置刻度：

fig, axs = plt.subplots(1, 2, figsize=(5, 2.7), layout='constrained')
xdata = np.arange(len(data1))  # make an ordinal for this
data = 10**data1
axs[0].plot(xdata, data)

axs[1].set_yscale('log')
axs[1].plot(xdata, data)

比例设置数据值到轴上间距的映射。这在两个方向上都发生，并结合成一个*变换*，这是 Matplotlib 从数据坐标映射到轴、图形或屏幕坐标的方式。参见变换教程。

刻度定位器和格式化器#

每个轴都有一个刻度 定位器 和 格式化器 ，它们决定了在轴对象的哪些位置放置刻度。一个简单的接口是 set_xticks 。

fig, axs = plt.subplots(2, 1, layout='constrained')
axs[0].plot(xdata, data1)
axs[0].set_title('Automatic ticks')

axs[1].plot(xdata, data1)
axs[1].set_xticks(np.arange(0, 100, 30), ['zero', '30', 'sixty', '90'])
axs[1].set_yticks([-1.5, 0, 1.5])  # note that we don't need to specify labels
axs[1].set_title('Manual ticks')

不同的刻度可以有不同的定位器和格式化器；例如，上面的对数刻度使用 LogLocator 和 LogFormatter。请参阅刻度定位器和 Tick formatters 以获取其他格式化器和定位器以及编写自己的信息。

绘制日期和字符串#

Matplotlib 可以处理绘制日期数组、字符串数组以及浮点数。根据需要，这些数据会得到特殊的定位器和格式化器。对于日期：

from matplotlib.dates import ConciseDateFormatter

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
dates = np.arange(np.datetime64('2021-11-15'), np.datetime64('2021-12-25'),
                  np.timedelta64(1, 'h'))
data = np.cumsum(np.random.randn(len(dates)))
ax.plot(dates, data)
ax.xaxis.set_major_formatter(ConciseDateFormatter(ax.xaxis.get_major_locator()))

更多信息请参见日期示例（例如：日期刻度标签）

对于字符串，我们得到分类绘图（参见：绘制分类变量）。

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
categories = ['turnips', 'rutabaga', 'cucumber', 'pumpkins']

ax.bar(categories, np.random.rand(len(categories)))

关于分类绘图的一个注意事项是，某些解析文本文件的方法会返回一个字符串列表，即使这些字符串都表示数字或日期。如果你传递了1000个字符串，Matplotlib会认为你指的是1000个类别，并会在你的图表中添加1000个刻度！

附加轴对象#

在一张图表中绘制不同量级的数据可能需要一个额外的y轴。这样的轴可以通过使用 twinx 来创建一个新的Axes，该Axes具有不可见的x轴和一个位于右侧的y轴（类似地，对于 twiny 也是如此）。请参见不同尺度的图表以获取另一个示例。

同样地，你可以添加一个 secondary_xaxis 或 secondary_yaxis，它们的刻度与主轴不同，以不同刻度或单位表示数据。更多示例请参见次要轴。

fig, (ax1, ax3) = plt.subplots(1, 2, figsize=(7, 2.7), layout='constrained')
l1, = ax1.plot(t, s)
ax2 = ax1.twinx()
l2, = ax2.plot(t, range(len(t)), 'C1')
ax2.legend([l1, l2], ['Sine (left)', 'Straight (right)'])

ax3.plot(t, s)
ax3.set_xlabel('Angle [rad]')
ax4 = ax3.secondary_xaxis('top', (np.rad2deg, np.deg2rad))
ax4.set_xlabel('Angle [°]')

颜色映射数据#

通常我们希望在绘图中通过颜色图中的颜色来表示第三维度。Matplotlib 有多种绘图类型可以实现这一点：

from matplotlib.colors import LogNorm

X, Y = np.meshgrid(np.linspace(-3, 3, 128), np.linspace(-3, 3, 128))
Z = (1 - X/2 + X**5 + Y**3) * np.exp(-X**2 - Y**2)

fig, axs = plt.subplots(2, 2, layout='constrained')
pc = axs[0, 0].pcolormesh(X, Y, Z, vmin=-1, vmax=1, cmap='RdBu_r')
fig.colorbar(pc, ax=axs[0, 0])
axs[0, 0].set_title('pcolormesh()')

co = axs[0, 1].contourf(X, Y, Z, levels=np.linspace(-1.25, 1.25, 11))
fig.colorbar(co, ax=axs[0, 1])
axs[0, 1].set_title('contourf()')

pc = axs[1, 0].imshow(Z**2 * 100, cmap='plasma', norm=LogNorm(vmin=0.01, vmax=100))
fig.colorbar(pc, ax=axs[1, 0], extend='both')
axs[1, 0].set_title('imshow() with LogNorm()')

pc = axs[1, 1].scatter(data1, data2, c=data3, cmap='RdBu_r')
fig.colorbar(pc, ax=axs[1, 1], extend='both')
axs[1, 1].set_title('scatter()')

pcolormesh(), contourf(), imshow() with LogNorm(), scatter()

颜色映射#

这些都是从 ScalarMappable 对象派生的艺术家示例。它们都可以在 vmin 和 vmax 之间设置一个线性映射到由 cmap 指定的颜色映射。Matplotlib 有许多颜色映射可供选择（在 Matplotlib 中选择颜色表），你可以创建自己的（在 Matplotlib 中创建 Colormap）或下载为第三方包。

标准化#

有时我们希望数据到颜色映射的非线性映射，如上面的 LogNorm 示例。我们通过向 ScalarMappable 提供 norm 参数而不是 vmin 和 vmax 来实现这一点。更多归一化方法请参见颜色映射归一化。

颜色条#

添加 colorbar 会提供一个键，用于将颜色与基础数据关联起来。Colorbar 是图级别的艺术家，它们附着在一个 ScalarMappable 上（从中获取关于 norm 和 colormap 的信息），并且通常会从父 Axes 中窃取空间。Colorbar 的放置可能很复杂：详情请参见放置颜色条。你还可以使用 extend 关键字在末端添加箭头，以及使用 shrink 和 aspect 来控制大小，从而改变 colorbar 的外观。最后，colorbar 将具有适合 norm 的默认定位器和格式化器。这些可以像其他 Axis 对象一样进行更改。

使用多个图和轴#

你可以通过多次调用 fig = plt.figure() 或 fig2, ax = plt.subplots() 来打开多个图形。通过保持对象引用，你可以在任意图形中添加艺术家。

可以通过多种方式添加多个轴，但最基本的是如上所述使用 plt.subplots()。可以使用 subplot_mosaic 实现更复杂的布局，其中轴对象跨越列或行。

fig, axd = plt.subplot_mosaic([['upleft', 'right'],
                               ['lowleft', 'right']], layout='constrained')
axd['upleft'].set_title('upleft')
axd['lowleft'].set_title('lowleft')
axd['right'].set_title('right')

Matplotlib 有相当复杂的工具来安排 Axes：请参见在图形中排列多个轴和复杂且语义化的图形组合 (subplot_mosaic)。