Matplotlib入门笔记

根据《科研论文配图绘制指南——基于Python》第二章Matplotlib部分，对章节重点进行归纳总结，主要介绍了运用Matplotlib库绘图中图形元素、图层顺序、轴比例刻度、坐标系概念以及多子图绘制方法、库中常见的图类型与图片保存方法

如果用户想要寻找一款开源且功能强大的绘图工具，那么可以尝试使用Python。Python 作为一门开源编程语言，其易学性和可扩展性使它在可视化绘图领域有不错的表现。在学术图表的绘制方面，Python 有多个第三方库，包括基础绘图库 Matplotlib、统计分析可视化库 Seaborn、科学绘图库 ProPlot 和科学绘图主题库 SciencePlots 等。

本篇笔记重点讲述Matplotlib

Matplotlib

Matplotlib是 Python 中较为常用和知名的可视化绘图工具。它提供了几十种绘图函数。用户可以根据需求定制可视化视觉样式和排版布局。

图形元素

利用 Matplotlib 绘制图形的主要图形元素包括画布（figure）、坐标图形（axes）、轴（axis）和艺术对象（aritist）。

其中坐标图形中包括大部分绘图所需的图层属性，如图名（title）、刻度（tick）、刻度标签（tick label）、轴标签（axis label）、轴脊（spine）、图例（legend）、网格（grid）、线（line）和数据标记（marker）等。

Matplotlib包含基础类（primitive）元素和容器类（container）元素。

• 基础类元素包括常见的点（point）、线（line）、文本（text）、网格（grid）、标题（title）、图例（legend）等；
• 容器类元素则是指一种或多种基础类元素的合集，主要包括图形、坐标图形、轴和刻度。了解容器类元素对灵活使用 Matplotlib 至关重要。

基础类元素和容器类元素统称为 Matplotlib 库中的艺术对象 (artist)。在通常情况下，艺术对象与坐标图形 (axes) 对象绑定且不能被其他或多个坐

标图形对象共享，也不能从一个坐标图形区域移动到另一个坐标图形区域。

1. 画布 (figure)。它既可以代表图形本身进行图的绘制（包含图例、图名、数据标记等多个图形艺术对象，又可以被划分为多个子区域，而每个子区域可用于单独图形类型的 ( 子图 ) 绘制。用户可以在画布(figure) 中设置画布大小（figsize）、分辨率（dpi）和背景颜色等其他参数。
2. 坐标图形 (axes)，也称为子图。作为 Matplotlib 的绘图核心，它主要为绘图数据提供展示区域，同时包括组成图的众多艺术对象 (artist)。在大多数情况下，一个画布 (figure) 对象中包含一个子图区域，子图区域由上、下、左、右 4 个轴脊以及其他构成子图的组成元素组成。
3. 轴 (axis) ：数据轴对象，即坐标轴线。每个轴对象都含有位置（locator）对象和格式（formatter）对象，它们分别用于控制坐标轴刻度的位置和格式
4. 刻度 (tick)，即刻度对象。每个坐标图形都有水平方向的横轴（X axis）对象和垂直方向的纵轴（Y axis）对象。每个坐标轴上含有刻度对象。刻度对象包括主刻度（Major tick）、次刻度（Minor tick）、主刻度标签（Major tick label）和次刻度标签（Minor tick label）
   利用 Matplotlib 库绘制的图形的主要构成元素示例图如下图所示：

图层顺序

Matplotlib 采用的是面向对象的绘图方式。在同一个坐标图形中绘制不同的数据图层时，

Matplotlib 可通过设置每个绘图函数中的 zorder 参数来设定不同的图层。

不同的艺术对象在坐标图形中的默认图层顺序如下表：

轴比例和刻度

坐标轴刻度的合理设置将提升图的可读性，方便读者理解所呈现的数据。Matplotlib 中的每个坐标图形对象至少包含两个轴对象，它们分别用来表示 X 轴和 Y 轴。轴对象还可以控制轴比例（axis scale）、刻度位置（tick locator）和刻度格式（tick formatter）

1．轴比例

轴比例规定了数值与给定轴之间的映射方式，即数值在轴上以何种方式进行缩放。Matplotlib 中的默认轴比例方式为线性（linear）方式，其他诸如 log、logit、symlog 和自定义函数比例（function scale）方式也是常用的轴比例方式。需要注意的是，当我们采用不同的轴比例方式时，刻度位置和刻度格式也会相应产生变动。

2．刻度位置和刻度格式

刻度位置和刻度格式分别规定了每个轴对象上刻度的位置与格式。

坐标系

常见的坐标系有直角坐标系（rectangular coordinate system）、极坐标系（polar coordinate system）和地理坐标系（geographic coordinate system），其中直角坐标系和地理坐标系在科研论文绘图中出现的频率较高。

极坐标系往往体现数据的周期性，即它可以更好地展示数据的周期性变化，这就要求数据较为完整且有明显的周期性特征。而对于常见的科研论文配图，由于数据本身的问题，因此导致很少使用极坐标系绘制它们（地理空间类图表除外）。

特别是在对变量连续时间变化趋势分析的情况下，极坐标系对数据的展示效果不如直角坐标系。

Matplotlib 地理坐标系中的地理投影方式较少，仅有 Aitoff 投影、Hammer 投影、Lambert投影和 Mollweide 投影 4 种。Matplotlib 不适合绘制地理图表，我们可使用 Python 的第三方库（如 cartopy、ProPlot 等库）绘制地理图表。

多子图的绘制

如果我们想要在一个图形中绘制多个子图，则需要使用 Matplotlib 中的多子图绘制功能。Matplotlib 中提供了多个用来绘制多子图的函数。

1. subplot() 函数

Matplotlib 提供的 subplot() 函数可以对当前画布对象添加单个子图，且每次添加子图都会规定其位置顺序。

import matplotlib.pyplot as plt
ax1 = plt.subplot(212)
ax2 = plt.subplot(221)
ax3 = plt.subplot(222)

1
2
3
4
5

括号中整数表示子图的网格位置，例如：221表示在2x2的网格中，第1个位置。也就是说，它将创建一个2x2的网格，并在第3个位置上绘制一个子图。

注意：在此处，网格的编号是从1开始的，而不是从0开始。所以，223实际上是指的第3个子图。

绘制结果如下图所示。

2. add_subplot() 函数

Matplotlib 中的 add_subplot() 函数的使用方法和 subplot() 函数类似，不同之处是，add_subplot() 函数需先产生 figure 对象，然后在该对象的基础上依次添加子图

代码示例如下

import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(212)
ax2 = fig.add_subplot(221)
ax3 = fig.add_subplot(222)
1
2
3
4
5

3. subplots() 函数

Matplotlib 提供的 subplots() 函数是常见的用于绘制子图的函数。该函数的语法格式如下:

subplots(nrows, ncols, sharex, sharey)

该函数的第 1 个参数 nrows 表示绘制子图的行数，第 2 个参数 ncols 表示绘制子图的列数，行数与列数的乘积即绘制的总子图数，第 3 个参数 sharex 可以用来设定是否共享 X 轴，第 4个参数 sharey 可以用来设定是否共享 Y 轴。该函数会返回一个坐标数组对象，该对象用于每个子图的单独绘制。

代码如下

fig, axs = plt.subplots(2, 3, sharex=True, sharey=True)
axs[0,0].text(0.2, 0.5, "subplots(0,0)")   #在(0,0)的子图上添加文本，后续代码同理
axs[0,1].text(0.2, 0.5, "subplots(0,1)")
axs[0,2].text(0.2, 0.5, "subplots(0,2)")
axs[1,0].text(0.2, 0.5, "subplots(1,0)")
axs[1,1].text(0.2, 0.5, "subplots(1,1)")
axs[1,2].text(0.2, 0.5, "subplots(1,2)")
1
2
3
4
5
6
7

代码绘制图像如下图：

4. axes()

Matplotlib 中的 axes() 函数的主要功能是为当前画布 (figure) 对象添加坐标图形 (axes) 对象，使其成为当前的坐标图形（axes）对象。

此外，还需要提供 rect 参数（一个四元组：left、 bottom、width、height）。

axes() 函数常见用法包括对当前画布 (figure) 对象中的坐标图形 (axes) 对象添加颜色和大小映射等，或者在已有的坐标图形 (axes) 对象上添加另一个坐标图形 (axes) 对象。

代码如下：

import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
plt.subplot(211)
plt.imshow(np.random.random((100, 100)))
plt.subplot(212)
plt.imshow(np.random.random((100, 100)))
plt.subplots_adjust(bottom=0.1, right=0.8, top=0.9)   #调整子图网格的位置和大小
cax = plt.axes([0.8, 0.1, 0.05, 0.8])     #创建一个颜色条对象，用于显示图像的颜色对应的数值。指定颜色条的位置和大小。
plt.colorbar(cax=cax)
1
2
3
4
5
6
7
8
9
10

5．subplot2grid() 函数

Matplotlib 中的 subplot2grid() 函数可以实现对不规则多子图的绘制，即在当前画布对象上绘制网格（grid），网格可用于在特定位置绘制布局和大小不同的子图对象。subplot2grid() 函数的语法格式如下。

subplot2grid(shape, location, rowspan/colspan)

该函数的第 1 个参数 shape 规定了的网格的行数和列数，第 2 个参数 location 决定了子图在网格内的行号和列号，第 3 个参数为 rowspan 或 colspan，它们分别规定了每个子图向下跨越的行数和向右跨越的列数，也就实现了大小不一的子图的绘制。

示例代码如下：

import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))
1
2
3
4
5
6
7

6. gridspec.GridSpec() 函数

Matplotlib 中的 gridspec.GridSpec() 函数用于指定放置子图的网格的几何形状。该函数的语法构式如下。

gridspec.GridSpec(nrows, ncols, figure, left, bottom, right, top)

其中，参数 nrows 表示网格中的行数；参数 ncols 表示网格中的列数；left、bottom、right和 top 是可选参数，用于将子图的范围定义为图形宽度或高度的一部分。

在绘制子图时，首先使用 gridspec.GridSpec() 函数中的 nrows 和 ncols 参数分别设定网格中的行数与列数；然后使用 left、bottom、right 和 top 参数设定网格在图形中的具体位置；最后针对 gridspec.GridSpec() 函数的结果，利用 subplot() 函数进行具体子图的选择和定制化操作。

示例代码如下。

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
fig = plt.figure(constrained_layout=True)
gspec = gridspec.GridSpec(ncols=3, nrows=3, figure=fig)
ax1=plt.subplot(gspec[0,:])
ax1.text(0.3, 0.5, "gspec[0,:]")

ax2=plt.subplot(gspec[1,0:2])
ax2.text(0.3, 0.5, "gspec[1,0:2]")

ax3=plt.subplot(gspec[1:,2])
ax3.text(0.3, 0.5, "gspec[1:,2]")

ax4=plt.subplot(gspec[2,0])
ax4.text(0.3, 0.5, "gspec[2,0]")

ax5=plt.subplot(gspec[-1,-2])
ax5.text(0.3, 0.5, "gspec[-1,-2]")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

示意图如下所示：

7. subplot_mosaic() 函数

Matplotlib 中的 subplot_mosaic() 函数的语法格式如下。

subplot_mosaic(mosaic,…)

subplot_mosaic() 函数绘制子图的最大特点是它可利用 mosaic 参数设置特定字符串符号（重复次数、顺序等）来进行子图的视觉布局。

示例代码如下:

def annotate_axes(ax, text, fontsize):
    ax.text(0.5, 0.5, text, transform=ax.transAxes,fontsize=fontsize, alpha=0.75, ha="center",va="center", weight="bold")
fig, axd = plt.subplot_mosaic([['upper left', 'right'], ['lower left', 'right']],figsize=(6,3),constrained_layout=True)
for k in axd:
 annotate_axes(axd[k], f'axd["{k}"]', fontsize=14)
1
2
3
4
5

示意图如下图所示：

注意：Matplotlib 绘制多子图的每一个方法都有它特定的使用环境。本文大多数子图均采用subplots() 函数绘制。子图的数量尽量控制在 4 个以内。如果多于 4 个子图，那么，不仅会增加绘制的代码量（科研论文配图的定制化绘制需求较高），而且可能导致子图的排列和显示出现问题，如字体大小显示错误，以及刻度的长短、粗细与设置不符等。

常见的图类型

Matplotlib 可用于绘制常见的图，如误差图、散点图、柱形图、饼图、直方图和箱线图等。绘制每类图的函数都提供了详细的参数，可用于设置图中的颜色、线条宽度、透明度、形状等。想要使用 Matplotlib 绘制高度定制化的图，就必须了解不同绘制函数的参数。

下表列出了Matplotlib 中常见的绘图函数及其核心参数，以及对应的图类型：

结果保存

Matplotlib 绘制的图对象可以保存为多种格式，如 PNG、JPG、TIFF、PDF 和 SVG 等。注意，结果保存函数 savefig() 必须出现在 show() 函数之前，可避免保存结果为空白等问题。另外，在使用 savefig() 的过程中，我们需要设置参数 bbox_inches=‘tight’，去除图表周围的空白部分。

将图对象保存为 PDF 文件和 PNG 文件的示例代码如下：

fig.savefig('结果.pdf',bbox_inches='tight')
fig.savefig('结果.png', bbox_inches='tight',dpi=300)
plt.show()
1
2
3

、JPG、TIFF、PDF 和 SVG 等。注意，结果保存函数 savefig() 必须出现在 show() 函数之前，可避免保存结果为空白等问题。另外，在使用 savefig() 的过程中，我们需要设置参数 bbox_inches=‘tight’，去除图表周围的空白部分。

将图对象保存为 PDF 文件和 PNG 文件的示例代码如下：

fig.savefig('结果.pdf',bbox_inches='tight')
fig.savefig('结果.png', bbox_inches='tight',dpi=300)
plt.show()
1
2
3