從零開始學Python畫圖（一）： 極速上手
首先，不能馬上讓人上手的教程，就是耍流氓。
我們都知道，matplotlib是Python下一個極其強大的作相簿。但是它雖然強大，卻有著陡峭的學習曲線，想要用它來靈活地作圖需要花費大量的學習時間，這也是為什麼近年來基於matplotlib封裝的Seaborn等作相簿迅速流行起來的原因。
我們希望能迅速上手一個工具並畫出美觀而有說服力、有解釋力的圖形，而不是花費大量的時間卻仍然飄在雲裡霧裡。
matplotlib有兩種語言風格，一種是沿襲自MatLab的命令式風格，一種是Python的面向物件風格。不同的作圖風格有時會讓我們感到混亂，這也在無形中增加了我們的學習難度。不過我們今天不是來討論風格優劣的，我們今天的目的是熟悉matplotlib的基本作圖函式，以達到快速上手Python視覺化的目的。
今天，我們先拋卻又臭又長的官方文件，拋卻龐大的作圖知識體系，嘗試在30分鐘內掌握基本的作圖能力。
我們先從最常用的作圖函式以及樣式調整函式學起，其他的讓它們先玩兒去吧。
歡迎大家關注我的個人部落格【數洞】（www。data-insights。cn）程式碼排版有問題的可以直接去我的部落格閱讀。
1。 plot（）
plot（）函式包含了很多基礎的繪圖功能，這裡我們用它來繪製線圖，用以展現資料的變化趨勢。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 1000）y = np。sin（x）# 使用plt。plot（）繪圖# lw ~ line width，用於設定線條寬度# ‘-r’是說線條使用正常的連續曲線，顏色使用紅色# label設定線條的標籤，我們會在圖例中看到它plt。plot（x， y， ls=‘-r’， lw=2， label=‘sin（x）’）plt。legend（）plt。show（）
2。 scatter（）
scatter（）函式用以繪製散點圖，我們常用它來觀察變數間的相關性。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。random。rand（100）# 使用plt。scatter（）繪圖# c ~ color，用於設定顏色# alpha用於控制透明度plt。scatter（x， y， c=‘g’， alpha=0。5， label=‘scatters’）plt。legend（）plt。show（）
3。 xlim（） / ylim（）
這兩個函式用於設定座標軸的數值顯示範圍。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。random。rand（100）# 使用scatter繪圖plt。scatter（x， y， label=‘scatters’）plt。legend（）# 使用xlim（）/ylim（）調整座標軸# 我們需要上下（左右）兩個邊界的數值plt。xlim（2， 10）plt。ylim（-0。2， 1。2）plt。show（）
可以看到，雖然我們資料的範圍是x ∈ ［0， 10］， y ∈ ［0， 1］，但在我們的強烈要求下，圖片上只展示出了其中的一部分。
4。 xlabel（） / ylabel（）
顧名思義，這兩個函式用於設定座標軸的標籤。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖# ls ~ line style，用於設定線條型別plt。plot（x， y， ls=‘-。’， lw=2， c=‘g’， label=‘sin（x）’）plt。legend（）# 使用xlim（）/ylim（）調整座標軸plt。xlabel（‘x-axis’）plt。ylabel（‘y-axis’）plt。show（）
5。 grid（）
就喜歡這麼直白的命名，grid（）函式正是用於設定圖形中的網格線。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）plt。legend（）# 使用grid（）調整網格線# linestyle用於設定網格的線條型別，color用於設定網格的線條顏色plt。grid（linestyle=‘：’， color=‘r’）plt。show（）
6。 axhline（） / axvline（）
ax ~ axis
h ~ horizontal，水平的
v ~ vertical，垂直的
組合起來看，我們可以猜到，這兩個函式分別用於設定水平參考線和垂直參考線。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）plt。legend（）# 這裡的引數跟之前幾個函式的引數類似，不再贅述plt。axhline（y=0， c=‘r’， ls=‘——’， lw=2）plt。axvline（x=5， c=‘g’， ls=‘-。’， lw=2）plt。show（）
7。 axhspan（） / axvspan（）
ax ~ axis
h ~ horizontal，水平的
v ~ vertical，垂直的
span ~ 跨度，區間，範圍
這兩個函式分別用於設定平行於x軸/y軸的參考區域。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）plt。legend（）# xmin/xmax/ymin/ymax用於設定區間範圍# facecolor用於設定區域顏色# alpha用於設定透明度plt。axhspan（ymin=-0。25， ymax=0。25， facecolor=‘purple’， alpha=0。3）plt。axvspan（xmin=4， xmax=6， facecolor=‘g’， alpha=0。3）plt。show（）
8。 annotate（）
這個函式就是為了在圖形中新增指向性註釋文字，為了能靈活調整註釋的位置以及指示箭頭的樣式，這個函式提供了豐富的可選引數，想要熟練使用這一函式需要我們花一些功夫去探索。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）plt。legend（）# 這裡的引數跟之前幾個函式的引數類似，不再贅述plt。axhspan（ymin=-0。25， ymax=0。25， facecolor=‘purple’， alpha=0。3）plt。axvspan（xmin=4， xmax=6， facecolor=‘g’， alpha=0。3）# 使用annotate（）添加註釋plt。annotate（‘maximum’， xy = （np。pi * 3 / 2， -1）， xytext = （np。pi * 3 / 2 - 0。6， -0。7）， weight = ‘bold’， color = ‘r’， arrowprops = { ‘arrowstyle’： ‘->’， ‘connectionstyle’： ‘arc3’， ‘color’： ‘r’， ‘alpha’： 0。3 }）plt。show（）
可以看到，我們為（π/2， -1）位置的最低點加了一個“minimum”的紅色文字註釋，這裡邊我們用到了以下的配置項，它們的含義是：
xy： 指示點的座標，即我們希望註釋箭頭指向的點的座標
xytext： 註釋文字左端的座標（不是文字中心的座標）
weight： 註釋文字的字型粗細風格，bold是粗體，正常粗細則用regular
color： 註釋文字的顏色
arrowprops： arrow + props（properties），箭頭屬性，字典格式
arrowstyle： 箭頭型別
connectionstyle： 連線型別
color： 箭頭顏色
…
更多的引數大家可以查閱文件，裡邊有詳細的介紹。至於查閱文件，為大家推薦一個軟體，在Mac下有一個叫Dash的軟體，簡直是文件查閱神器，在Linux和Windows下有一個叫Zeal的替代軟體。強烈推薦沒用過的同學體驗下。
9。 text（）
這個函式同樣是用於圖形中的註釋，但它跟annotate（）的區別是它用於新增無指向性註釋文字，也就是不帶指向性箭頭的文字註釋。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）plt。legend（）# 這裡的引數跟之前幾個函式的引數類似，不再贅述plt。axhspan（ymin=-0。25， ymax=0。25， facecolor=‘purple’， alpha=0。3）plt。axvspan（xmin=np。pi*3/2-1， xmax=np。pi*3/2+1， facecolor=‘g’， alpha=0。3）# 使用annotate（）添加註釋plt。text（np。pi * 3 / 2 - 0。7， -0。7， ‘minimum’， weight=‘regular’， color=‘r’， fontsize=12）plt。text（np。pi * 3 / 2 - 1， 0。7， ‘y=sin（x）’， weight=‘regular’， color=‘r’， fontsize=16）plt。show（）
由於沒有了箭頭，我們就不需要那個字典引數了，同時座標等引數都更直接地使用x、y等來表達。我們使用fontsize引數設定了註釋文字的大小。
10。 title（）
這個函式最簡單，就是用於設定圖形的標題。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）plt。legend（）# 設定標題plt。title（‘A Sine Curve’）plt。show（）
11。 legend（）
這個函式我們已經見過好多次了，它用於新增圖例。
10。 title（）
這個函式最簡單，就是用於設定圖形的標題。
import matplotlib。pyplot as pltimport numpy as np# 生成資料x = np。linspace（0， 10， 100）y = np。sin（x）# 使用scatter繪圖plt。plot（x， y， ls=‘-。’， lw=2， c=‘c’， label=‘sin（x）’）# 控制圖例位置plt。legend（loc=‘lower right’）# 設定標題plt。title（‘A Sine Curve’）plt。show（）
這裡我們將圖例放在了右下角，圖例的位置使用loc引數來控制：
upper left： 左上角
upper center： 中上
upper right： 右上角
lower left： 左下角
lower center： 中下
lower right： 右下角
12。 小挑戰
在最後，我們用一個小挑戰來回顧下之前的內容：
import matplotlib。pyplot as pltimport numpy as npfrom matplotlib import cm as cm# 生成資料x = np。linspace（0。5， 3。5， 100）y = np。sin（x）y1 = np。random。randn（100）# 建立圖形並設定大小plt。figure（figsize=（12， 8））# 散點圖plt。scatter（x， y1， c=‘0。5’， label=‘scatters’）# sin（x）圖plt。plot（x， y， ‘——g’， lw=2， label=‘sin（x）’）# 樣式調整# 去掉圖形上邊和右側的邊框for spine in plt。gca（）。spines。keys（）： if spine == ‘top’ or spine == ‘right’： plt。gca（）。spines［spine］。set_color（‘none’） # 設定座標軸上的刻度線位置（其實這裡的設定跟預設一樣）plt。gca（）。xaxis。set_ticks_position（‘bottom’）plt。gca（）。yaxis。set_ticks_position（‘left’）# 將刻度線放在座標軸內側plt。tick_params（direction = ‘in’）# 設定座標軸範圍plt。xlim（0， 4）plt。ylim（-3， 3）# 設定軸標籤plt。xlabel（‘X 軸’）plt。ylabel（‘Y 軸’）# 設定網格線plt。grid（True， ls=‘：’， color=‘r’， alpha=0。5）# 新增水平參考線plt。axhline（y=0， c=‘r’， ls=‘——’， lw=2）# 新增垂直參考區間plt。axvspan（xmin=1， xmax=2， facecolor=‘g’， alpha=0。1）# 新增sin（x）的最高點註釋plt。annotate（‘maximum’， xy = （np。pi/2， 1）， xytext = （np。pi/2， 1。3）， weight = ‘regular’， color = ‘r’， fontsize = 12， arrowprops = { ‘arrowstyle’： ‘->’， ‘connectionstyle’： ‘arc3’， ‘color’： ‘r’ }） # 新增y軸邊框註釋plt。annotate（‘spines’， xy = （0， -2。5）， xytext = （0。25， -2。3）， weight = ‘regular’， color = ‘c’， fontsize = 12， arrowprops = { ‘arrowstyle’： ‘->’， ‘connectionstyle’： ‘arc3’， ‘color’： ‘c’ }） # 新增x軸邊框註釋plt。annotate（‘’， xy = （0。25， -3）， xytext = （0。37， -2。4）， arrowprops = { ‘arrowstyle’： ‘->’， ‘connectionstyle’： ‘arc3’， ‘color’： ‘c’ }） # 新增一個指向tick的箭頭plt。annotate（‘’， xy = （3。5， -2。98）， xytext = （3。6， -2。7）， arrowprops = { ‘arrowstyle’： ‘->’， ‘connectionstyle’： ‘arc3’， ‘color’： ‘c’ }）# 在上邊的箭頭旁添加註釋文字plt。text（3。6， -2。7， “‘|’ is tickline”， weight=‘bold’， color=‘c’）plt。text（3。6， -2。9， “3。5 is ticklabel”， weight=‘bold’， color=‘c’）# 設定標題plt。title（‘Structure of matplotlib’）# 新增圖例plt。legend（）# 展示圖形plt。show（）
可以看到，我們配置了很多小細節，是不是很有成就感？
沒錯，matplotlib就是這麼強大，這還僅僅是它的冰山一角呢！
好了，以上就是用來作圖以及調整圖形樣式的十來個常用的函式，本文嚴重參考劉大成先生的《Python資料視覺化之matplotlib實踐》一書，這本書的組織形式是截止目前我認為講解matplotlib庫中最清晰、最適合新手的，強烈推薦。
