Python笔记 #3 Matplotlib

学习 Machine Learning 的时候发现需要用许多矩阵运算和画图的库，本文将以 实用主义 的方式记录每次遇到的新用法。

2021 年贵系的暑培新增了「科学计算」内容，本文部分内容参考了清华 LZJ 同学的教程。本文将持续更新。

Matplotlib 基础

绘图时最常用的模块是 Matplotlib 中的 pyplot 模块。绘图时先调用相关绘图函数，设置图像各种细节，最后调用 plt.show() 打开新窗口显示图片，此时程序会暂停。如果使用 %matplotlib inline 方法，可以使图片在 Cell 中显示而不开新窗口（适用于 Notebook）。

这时会出现一个基于 Qt 实现的交互窗口，程序执行到 plt.show() 时阻塞。在交互窗口中可以 进一步调整图片 格式细节或 保存图片 ，关闭窗口后程序继续运行。下面以一个例子说明：

1
2
3
4
5
6
7
8

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-4, 4, 30)  # [-4, 4] 中长度为 30 的等差数列
y = np.sin(x)				# 获得 sin 值
plt.plot(x, y)				# 以 x 为自变量，y 为因变量，绘制折线图
plt.show()					# 显示图像，程序阻塞
plt.savefig('myFig.png') 	# 保存图像, 可以设置 dpi=1200/600/300 调整清晰度

格式字符串

与 Matlab 相似，Matplotlib 使用事先约定好的字符串代表 绘图格式 ，将其写入 plt.plot() 即可，如 plt.plot(x, y, 'bo') 即蓝色圆圈标记。

• color ：绘制点的颜色，支持以下常用缩写（还有更多未列出的颜色全名），还可以用十六进制代码 c='#000' 指定。

• color#xkcd ：xkdc 调色盘总结了数百种最常用的颜色，比标准色更美观，使用 c='xkcd:pink' 格式即可使用。

• marker ：绘制点的形状。

• line ：绘制线的形状。

特定类型图

下面是一些常用的绘图函数。更多官网案例：https://matplotlib.org/stable/gallery/index.html。

折线图 plot()

plt.plot() 用于绘制 折线图 ，需要一系列点作为因变量和自变量，函数接口如下：

1

matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None, **kwargs)

观察接口，可以发现有以下的用法：

• 传入 两个等长 数组或列表，前者是自变量，后者是因变量。
• 只传入 一个 数组或列表，自变量默认从 0 开始整数递增。
• 传入两个列表， 各包含两个值 ，可以绘制一条直线。

散点图 scatter()

plt.scatter() 用于绘制 散点图 ，需要 两个等长 数组或列表，函数接口如下：

1

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, **kwargs)

其中只有 x 和 y 为必填项， s 代表每个点的大小，可以是常数也可以是列表。

轮廓图 contour()

plt.contour() 用于绘制 等高线图 ，也可绘制闭合的 轮廓图 ，函数接口如下：

1

matplotlib.pyplot.contour(x, y, Z, [levels], **kwargs)

其中 x 和 y 是一维的数组，代表绘制的网格点的横纵坐标； Z 是形状为 (len(X), len(Y)) 的二维数组，代表绘制点的高度。参数 levels 是一个列表，如果空缺则默认绘制 一组等距的等高线 ，也可以传入 [0, 0.5, 1] 这样的列表，则只会 显示对应高度 的轮廓线。

网格的横纵坐标通常由 Numpy 中的 merhgrid 生成，完整代码如下：

1
2
3
4
5

u = np.linspace(-1, 1, 50)
v = np.linspace(-1, 1, 50)
U, V = np.meshgrid(u, v)  # 生成 50x50 网格点矩阵
z = (map_feature(U.flatten(), V.flatten()) @ theta).reshape((50, 50))  # 计算等高线
plt.contour(u, v, z, [0], colors='r')  # 绘制轮廓图，取高度为 0 的点

热力图 imshow()

plt.imshow() 本身是用于绘制 二维数字图像 ，但图像有更好的工具，因此主要用于绘制 热力图 （heatmap），配套使用的还有 色值柱 ，函数接口如下：

1
2

matplotlib.pyplot.imshow(X, cmap=None, interpolation=None, **kwargs)
matplotlib.pyplot.colorbar()

其中 X 是二维数组，数组元素的值就是热力值， cmap 为 色彩风格 ，可选的值有： plt.cm.hot 、 cool 、 gray 、 bone 、 white 、 spring 、 summer 、 autumn 、 winter 。

非必要的参数如， interpolation 设置为 ’nearest’ 可以将相邻的 相同的颜色连成片 。最后调用 plt.colorbar() 可以把色值柱附在图像旁边。

直方图 hist()

plt.hist() 用于绘制直方图（Histogram），一种特殊的柱状图。，函数接口如下：

1

matplotlib.pyplot.hist(x, bins=None, range=None, **kwargs)

其中 x 为一维数组，可以是浮点数， bins 为直方图的组数，会 自动量化原始数据 。非必要的参数 range 可输入一个范围元组，默认为 (x.min(), x.max()) ，如果设置了则会依据 range 来划分直方图的组宽。

子图布局

Matplotlib 有一个概念 subplot：包含在 Figure 对象中的小型 Axes 对象。这允许我们在一幅图中创建很多个子图，方便对比数据。在前面绘制单张图时，可以不声明 Figure 对象作为 所有内容的容器 ，但 绘制子图时则必须声明 。总共有三种方法。

任意位置 add_axes()

先调用 plt.figure() 创建 Figure 对象，接着调用 fig.add_axes() 在图表的任意位置添加子图，函数接口如下：

1

ax = fig.add_axes(rect, projection=None, polar=False, **kwargs)

其中只有 rect 是必要的，这是一个四个浮点数的列表 [left, bottom, width, height] ，分别代表子图 左下角 的坐标，子图的宽度和高度。这四个数字的取值范围都是 0 到 1，代表 相对位置和大小 。

最后在每个子图里用各自的类型图进行绘制即可：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

fig = plt.figure(figsize=(10, 7))

# 创建子图
ax1 = fig.add_axes([0, 0.5, 0.45, 0.45])  # 在图表的左上角创建一个子图
ax2 = fig.add_axes([0.5, 0, 0.45, 0.45])  # 在图表的右下方创建一个子图

# 左上角子图：曲线图
x1 = np.linspace(-10, 10, 100)
ax1.plot(x1, np.sin(x1), color="red")

# 右下角子图：柱状图
x2 = ["a", "b", "c", "d", "e", "f"]
y2 = [1.2, 1.3, 2.5, 0.25, 5, 1.56]
ax2.bar(x2, y2, color="blue")

对齐网格 subplot()

plt.subplot() 用于在一张图里绘制 多个子图 ，最常用，函数接口如下：

1

ax = matplotlib.pyplot.subplot(nrows=1, ncols=1, index, **kwargs)

其中只有 nrow 和 ncols 表示总共有多少子图， index 代表其中第几个。如： plt.subplot(2,2,1) ，也可以缩写为 plt.subplot(221) 。紧跟在 plt.subplot() 语句后面的语句绘制的就是 index 所指向的图，绘制完再次使用 plt.subplot() 语句切换到下一张子图。

1
2
3
4
5
6
7

fig = plt.figure(figsize=(10, 7))  # 如果对整体有标题、标签，在此处添加

ax1 = plt.subplot(1,2,1)
ax1.plot()  #　如果对子图有标题、标签，在此处添加

ax2 = plt.subplot(1,2,2)
ax2.plot()  #　如果对子图有标题、标签，在此处添加

但是，上述方法不适用于 大量子图 的绘制，如 100 张子图拼接等，因此有另一个相似的方法 plt.subplots() ：

1

fig, axes = matplotlib.pyplot.subplots(nrows=1, ncols=1, *, sharex=False, sharey=False, **fig_kw)

同时返回一个固定的 Figure 对象（设置的参数一起写即可）和一个 Axes 对象 二维列表 ，通过循环可以遍历：

1
2
3
4
5
6
7
8
9
10
11
12

# 创建一个图形对象，拆分为2*3的网格，包含6个坐标对象
fig, axes = plt.subplots(
    nrows=2,  # 定义行数
    ncols=3,  # 定义列数
    sharex=True,  # 是否共享x轴坐标
    sharey=True,  # 是否共享y轴坐标
    figsize=(10, 7)  # 图像大小
)

for i in range(2):
    for j in range(3):
        axes[i, j].plot()

自由网格 GridSpec

如果想创建 不规则的子图 ，部分子图更大，展示核心信息，有的子图较小，展现辅助信息， plt.GridSpec() 可实现这一点，工作原理是先创建一个网格状的蓝图，然后 合并部分子图 。函数接口如下：

1

grid = matplotlib.gridspec.GridSpec(nrows, ncols, figure=None, **kwargs)

使用时调用 plt.GridSpec 创建网格状的 二维数组 grid ，通过 切片和索引 按需求合并子图，最后调用 ax.plot() 将数据映射到图表：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

fig = plt.figure(figsize=(10, 7))

grid = plt.GridSpec(nrows=2, ncols=3, figure=fig)  # 创建 2*3 的网格蓝图

# 合并子图
ax1 = plt.subplot(grid[0, 0])
ax2 = plt.subplot(grid[0, 1:])  # 合并(0,1)和(0,2)位置的子图
ax3 = plt.subplot(grid[1, 0:2])  # 合并(1,0)和(1,1)位置的子图
ax4 = plt.subplot(grid[1, 2])

x = np.linspace(0, 10, 30)

ax1.plot(x, np.sin(x), "-r")
ax2.plot(x, np.cos(x), "-ob")
ax3.plot(x, np.sin(x + 10), "-oy")
ax4.plot(x, np.cos(x + 10), "-g")

装饰输出

除了上述常用的绘图函数，Matplotlib 还带有各种绘图组件，用于装饰输出。

全局配置 rcParams

Matplotlib 使用 MRC（Matplotlib Resource Configurations ）配置文件来自定义各种属性，我们称之为 rc 配置或者 rc 参数。使用 rcParams 可以控制几乎所有的默认属性：视图窗口、线条、颜色、样式、坐标轴、网格、文本、字体等属性。

通常在 Notebook 中使用，使用方法如下：

1
2
3
4
5
6

from matplotlib import pyplot as plt

%matplotlib inline
plt.rcParams['figure.figsize'] = (10.0, 8.0)
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

画板 figure()

图例 legend()

注意 label 不要拼错了

坐标轴

去掉坐标轴的 轴线 、刻度、标签： plt.axis('off')

去掉坐标轴的刻度、标签： plt.xticks([]) 和 plt.yticks([])

去掉坐标轴的刻度，但保留标签： plt.tick_params(left=False, bottom=False)

去掉坐标轴的标签，但保留刻度（适用于画 Attention 热力图）：

1
2
3

ax = plt.gca()
ax.axes.xaxis.set_ticklabels([])
ax.axes.yaxis.set_ticklabels([])

文字说明

• plt.xlabel('X Label') ：
• plt.ylabel('Y Label') ：
• plt.title('TITLE') ：