matplotlib基础使用

一个非常好的matplotlib教程:
https://www.cnblogs.com/duye/p/8862666.html

#1. matplotlib api 入门
matplotlib api函数都位于maptplotlib.pyplot模块中画图的各种方法：

>Figure：画图窗口,有点类似于画图需要的画布
Subplot/add_Subplot: 创建一个或多个子图,并且返回子图对象
Subplots_adjust:调整subplot周围的间距
color/linestyle/marker: 线颜色，线型，标记
drawstyle：线型选项修改
xlim: 图表范围，有两个方法get_xlim和set_xlim
xticks：刻度位置，有两个方法get_xticks和set_xticksxtick
labels: 刻度标签,有两个方法get_xticklabels和set_xticklabels
legend: 添加图例。plt.legend(loc='best')
#2.plot方法:
1、plt.plot(x,y,format_string,**kwargs)

x轴数据，y轴数据，format_string控制曲线的格式字串 
format_string 由颜色字符，风格字符，和标记字符:
```
fig=plt.figure(figsize=(8,6))
ax1  =fig.add_subplot(221)
ax1.plot(x.numpy(),y2.numpy(),'green','-',lw=1,label='square-randn')#在ax1上画图,'green'要在'-'前面,相当于'g-'
#ax1.plot(x.numpy(),y2.numpy(),'g-',lw=1,label='square-randn')
ax1.legend(loc='best')
```

![title](https://leanote.com/api/file/getImage?fileId=5bc0a089ab644125d9000961)
![title](https://leanote.com/api/file/getImage?fileId=5bc0a0b5ab644123e00008e8)

关于*kwargs，有时候，函数的参数里会有(*args, *kargs)，都是可变参数，*args表示无名参数，是一个元租，**kwargs是键值参数，相当于一个字典，比如你输入参数为：(1,2,3,4,k,a=1,b=2,c=3)，*args=(1,2,3,4,k)，**kwargs={'a':'1,'b':2,'c':3}

如果同时使用这两个参数，*args要在**kwargs之前，不能是：a=1,b=2,c=3,1,2,3,4,k，这样会出现语法错误提示：SyntaxError:non-keyword arg after keyword arg

**kwargs 还可以用来创建字典哦：

def dicmake(**kwargs):

return kwargs

（很鸡肋啦，Python本来就自带dic()来建立字典）

熟悉Matlab的人对plot不会陌生，在matplotlib中的使用方式大致和Matlab中是一致的，使用plot，可以对点的标记的样式以及线条的样式进行设置。
函数的声明为：matplotlib.pyplot.plot(*args, **kwargs)。args的参数的长度是不定
 的，可以设置很多的属性，kwargs主要是应用于设置线条的属性。对于标注和线条的样式，可以通过简单的字符来表示：

![title](https://leanote.com/api/file/getImage?fileId=5bba1d85ab64415885004630)

以及标注和线条的颜色：

![title](https://leanote.com/api/file/getImage?fileId=5bba1d9bab64415a770046d3)

例子1:
注意,plot只能绘制numpy的ndarray类型的数据,直接plt.plot(x,y)是会出错的,另外x,y的第一个维度必须相同:
```
import torch
import matplotlib.pyplot as plt

x=torch.unsqueeze(torch.linspace(-3,3,100),dim=1)      #dim=0则会出错,因为x,y的第一个维度必须相同
#x=torch.linspace(-3,3,100).unsqueeze(1)#等价
y1=x.pow(2)+torch.randn(x.size())
y2=torch.sin(x)+torch.normal(torch.linspace(-1,1,100).reshape(x.size()),1)
plt.plot(x.numpy(),y2.numpy())#plot只能绘制numpy的ndarray类型的数据,直接plt.plot(x,y)是会出错的,另外x,y的第一个维度必须相同
```
结果:
![title](https://leanote.com/api/file/getImage?fileId=5bc06e68ab644104c0000904)
例子2:
关于plt自动获取当前figure和ax子图的问题,`plt获取的是最后创建的一个子图,而不是最近刚使用了的子图`,如下:
```
import torch
import matplotlib.pyplot as plt

#x=torch.unsqueeze(torch.linspace(-3,3,100),dim=1)

x=torch.linspace(-3,3,100).unsqueeze(1)
y1=x.pow(2)+torch.randn(x.size())
y2=torch.normal(torch.linspace(-1,1,100),1)
print(torch.linspace(-1,1,100))

fig=plt.figure(figsize=(8,6))
ax1  =fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax4 = fig.add_subplot(224) #注意创建顺序,4->3
ax3 = fig.add_subplot(223)

ax1.plot(x.numpy(),y2.numpy(),'g-',lw=4)#在ax1上画图

plt.plot(x.numpy(),y1.numpy())  #画在第三个子图上,可见,plt获取子图时,获取的是`最后一个创建的子图`,而不是最近才使用了的子图,也不是最后一个位置上的子图

```
结果:

![title](https://leanote.com/api/file/getImage?fileId=5bc0955cab644125d90005fa)

当然线条的颜色可以以其他方式定制。比如16进制的字符串('#008000')或者是RGB、RGBA元组的方式RGB
 or RGBA ((0,1,0,1)) 来实现不同的颜色。
在接下来会应用到更多的属性。对于Line2D的具体细节，也就是线条的属性等，可以进一步查阅其他资料.

设置横轴、纵轴的界限以及标注
很多时候，需要设置横轴和纵轴的界面，从而得到更加清晰明了的图形：
```
plt.xlim(X.min()*1.1, X.max()*1.1)
plt.ylim(C.min()*1.1,C.max()*1.1)
```
此外为了更好的表示横轴和纵轴数据的含义，可以通过ticks对横轴和纵轴的含义进行设置和定制。

```
plt.xlim(x.min()*1.1, x.max()*1.1)
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
       [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])

plt.ylim(C.min()*1.1,C.max()*1.1)
plt.yticks([-1, 0, +1],
       [r'$-1$', r'$0$', r'$+1$'])

```
看到yticks和xticks后面一串的数字，看到就觉得可能有点不知道写的什么，熟悉LaTex的人觉得我们这种想法的人有点傻。其实就是很简单的字符串，但是是为了方便Latex去解析这段字符串。一般以r开始，中间的字符串用$字符串$包围起来。

上面的\pi代表的意义就是π。以下是有关希腊字符的表示：

![title](https://leanote.com/api/file/getImage?fileId=5bba1e81ab64415885004660)

#3.Figure和Subplot/add_Subplot方法
Figure对象：
matplotlib的图像都位于Figure对象中，可以用plt.figure创建一个新的Figure.
``
fig=plt.figure()
plt.show()``

这时会出现一个空的窗口。figure有点类似于画图需要的画布

``fig.add_subplot``:创建一个或多个子图，即在一个窗口中画好几个图形。
eg：``ax2=fig.add_subplot(2,2,1)``#这个的意思是：子图排列是应该是2X2个(即上下2个)，最后一个1是指当前选中的是4个subplot中的第一个(编号从1开始的),并且使用ax2来保存获得的子图对象,可以进行比如``ax2.set_title('name'``这样的操作)。
如果如下：由窗口中会画3个图
```
 ax1=fig.add_subplot(2,2,1)  #选中第一个画子图
 ax2=fig.add_subplot(2,2,2)  #选中第二个画子图
 ax3=fig.add_subplot(2,2,3)  #选中第三个画子图
```
``plt.subplot``:同样是创建子窗口,与``fig.add_subplot()``参数是一样的,不同之处在于,没有保存子图的对象,后面使用``plt.plot()``将默认在该子图下绘图(当然也可以通过``ax=plt.subplot(221)``这样的方式来获取子图名字,以便于进行其他的操作):
例子1:
```
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from numpy.random import randn

x=[1,2,3,4,5]
y=[2,3,6,7,8]
z=[2,5,6,7,8]

fig1=plt.figure(1,figsize=(8,5))

plt.subplot(221).plot(x,y,label="what",color='pink')

ax=plt.subplot(222)
ax.scatter(x,z,label='catter')#与plt.scatter(...)等效,这里plt.scatter(...)会默认在当前画布fig2中的plt.subplot(221)画
ax.set_title('scatter')
#ax.legend(loc='right')#可以这样单独为子图创建图例

plt.subplot(212)
plt.plot(x,z,label="345",color='green',linestyle='-')

fig1.legend(loc='best')#添加图例,loc指定位置,best代表让系统选择一个最好的位置,loc可选参数有upper right以及 center等很多
plt.show()
```
结果:

![title](https://leanote.com/api/file/getImage?fileId=5bba186fab644158850044c1)

上图中:这几个子图是怎么划分的呢?
解释:
将整个表按照 2*2 划分 
前两个简单, 分别是 (2, 2, 1) 和 (2, 2, 2)

但是第三个图呢, 他占用了 (2, 2, 3) 和 (2, 2, 4)

显示需要对其重新划分, 按照 2 * 1 划分

前两个图占用了 (2, 1, 1) 的位置

因此第三个图占用了 (2, 1, 2) 的位置

例子2:
```
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from numpy.random import randn

x=np.linspace(-np.pi,np.pi,256,endpoint=True)
C,S=np.cos(x),np.sin(x)
plt.plot(x,C,color='red',lw=2.5,linestyle='-') #lw与linewidth效果一样
plt.plot(x,S,color='blue',linewidth=2.5,linestyle='-')

```
结果:

![title](https://leanote.com/api/file/getImage?fileId=5bba1ce6ab64415a77004697)

label的位置可选参数:
![title](https://leanote.com/api/file/getImage?fileId=5bba1ecfab64415a77004743)

函数关键字参数:
![title](https://leanote.com/api/file/getImage?fileId=5bba1ed8ab64415a77004746)

#4.cla(),clf(),与close()方法

figure 的重复利用能大大节约时间，但是 matplotlib 维护的 figure 有数量上限（`RuntimeWarning: More than 20 figures have been opened.`）。并且，不断的创建新的 figure 实例，很容易造成内存泄漏，而应合理的复用，能大大的提高运行速度。此外，在某些情况下，不清理 figure 将有可能造成在第一幅中 plot 的线再次出现在第二幅图中。

在pycharm中查看源码,通过plt.cla()清除子图时,cla()会调用gca()来获取当前ax,而gca()又会调用gcf()来获取当前的figure;通过plt.clf()清除当前figure的所有子图时,直接调用gcf().clf()

主要方式包括：
(1)隐式方式调用:
``plt.cla()``   # 清除axes，即当前 figure 中的活动的axes，但其他axes保持不变,会保留当前子图的坐标轴。
``plt.clf() ``# 清除当前 figure 的所有axes，但是不关闭这个 window，所以能继续通过plt.plot()来隐式创建一个axes子图, 并绘图。
``plt.close() ``# 关闭 window，如果没有指定，则指当前 window。
(2)指定ax显示调用:
``ax1.cla()``#清除子图,保留坐标
 #ax1.clf()#错误写法,因为某个子图不能清除其他的子图,ax2.close()也不对,只能``plt.close()``
``plt.clf()``#清除当前子图所在的figure中,所有的子图,不保留坐标

比如:
```
import torch
import matplotlib.pyplot as plt

# x=torch.unsqueeze(torch.linspace(-3,3,100),dim=1)
x = torch.linspace(-3, 3, 100).unsqueeze(1)
y1 = x.pow(2) + torch.randn(x.size())
y2 = torch.normal(torch.linspace(-1, 1, 100), 1)
fig = plt.figure(figsize=(8, 6))
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax4 = fig.add_subplot(224)
ax3 = fig.add_subplot(223)
plt.cla()  # 根据前面的笔记,这两个plt.cla()都不应该影响到ax1,结果也确实是这样
ax1.plot(x.numpy(), y2.numpy(), 'g-', lw=1)  # 在ax1上画图
plt.cla()
ax2.scatter(x.numpy(), y2.numpy())
plt.plot(x.numpy(), y1.numpy())  # 可见,plt获取子图时,获取的是最后一个创建的子图,而不是最近才使用了的子图
plt.show()  #但是这里plt.show()却并不只显示最后创建的子图,而是所有的
```
结果:
![title](https://leanote.com/api/file/getImage?fileId=5bed138fab6441233f002e9c)

lee-romantic 's Blog

导航

最近发表

友情链接