文章目录

前言
一、Matplotlib架构概述
- 1.1 Backend(后端)
- 1.2 Artist(美工)
- - 1.2.1 Figure、Subplot与Axes
  - 1.2.2 Axis、ticks与label
  - 1.2.3 坐标与按指令做图
- 1.3 Scripting(脚本)
- - 1.3.1 Figure、Subplot与Axes(从脚本层回到Artist层的办法)
  - 1.3.2 ticks、label、title与legend
  - 1.3.3 设置边框与添加文本
二、面向对象编程绘图与函数式绘图对比与实例
- 2.1 OO绘图与函数式绘图的对比
- 2.2 实例：绘制各种语言流行性的条形图
总结

前言

很多人入手Matplot库的时候是从matplotlib.pyplot入手的，因为看起来操作简单，但这实际上只能快速产图，如果想要对图片进行调整，例如，调整画布尺寸、调整横轴或者纵轴刻度，或者隐藏横轴或者纵轴标签等等，就会无从下手，实际上，matplotlib架构共分为三层：Backend(后端)、Artist(美工)、Scripting(脚本)，待本文一一介绍。

一、Matplotlib架构概述

Matplotlib中包含和管理给定图形中所有元素的顶级对象称为Figure(可以理解为画板)，matplotlib 的核心架构任务之一是实现一个用于展现和操作 Figure的框架，并与将Figure呈现到用户界面窗口或硬拷贝的行为进行分离。实现这一点的架构在逻辑上分为三层，可以看作是一个堆栈。位于另一层之上的每一层都知道如何与它下面的层对话，但较低的层不知道它上面的层。从下到上三层是：Backend(后端)、Artist(美工)、Scripting(脚本)。

1.1 Backend(后端)

实际上，调用Matplotlib的方式可以大不相同：有些人从 Python shell 交互式地使用 Matplotlib，他们键入命令时会弹出绘图窗口，有些人在 Jupyter Notebook用%matplotlib inline或者%matplotlib notebook的magic code绘制内联图或者交互式图表以进行快速数据分析；还有人将 Matplotlib 嵌入到 PyQt 或 PyGObject 等图形用户界面中以构建丰富的应用程序；或者有一些人运行 Web 应用程序服务器来动态提供图形等等。

为了支持所有这些用例，Matplotlib 可以针对不同的输出，这些不同的输出每一种都称为一种后端；“前端”是面向用户的代码，即绘图代码，而“后端”则在幕后完成所有艰苦的工作来制作图形。有两种类型的后端第一种后端是用户界面后端(user interface backends):用于 PyQt/PySide、PyGObject、Tkinter、wxPython 或 macOS/Cocoa，也称为“交互式后端(interactive backends)”我们在jupyter notebook中用的%matplotlib notebook就属于这一种；另一种后端是硬拷贝后端:用以制作图像文件PNG、SVG、PDF、PS，也称为“非交互式后端(non-interactive backends)”。

后端也分为三块

FigureCanvas 封装了要绘制的表面的概念（可以理解为画纸）
Renderer 渲染器（可以理解为用来画画的画笔）
Event 处理用户输入，例如键盘的输入和鼠标的移动与悬停。

本文是在Jupyter Notebook的基础上，用%matplotlib notebook的magic code形成的交互式图像，在这里，我们查看所用的后端：

%matplotlib notebook
import matplotlib as mpl
mpl.get_backend()--Outputs：
'nbAgg'

如果需要调整后端，可以参看官方网站：matplotlib.Backends，一般情况下，使用默认的后端即可

1.2 Artist(美工)

Artist是Matplotlib的中间层，也是很多繁重的情况发生的地方，后端FigureCanvas是画纸，Artist是知道如何拿起Renderer（画笔）并将墨水涂在画布上的对象，你在Matplotlib的Figure都是Artist的实例包括title, lines, tick labels, images等等，他们都属于基类matplotlib.artist.Artist，而Artist和backend之间的关联发生在draw方法中。由于Renderer有一个指向其画布FigureCanvas的指针，并知道如何在其上绘画，因此draw方法可以将抽象的指令转换Artist为像素缓冲区中的颜色、SVG 文件中的路径或任何具体表示。
我们用两张图来理解Artist的各个实例与层次，在这张图中，我们给出了主要的实例：Figure(图)、Axes(轴域)、Text(文本)、2Dline(二维线条)、XAxis(X轴)、YAxis(Y轴)、Xlabel(X轴标签)、Xticks(X轴刻度)、Ylabel(Y轴标签)、Yticks(Y轴刻度)，注意，Axes中的ax.set_xticklabels()设置的就是plt.xticks()我们接下来将一一介绍他们的具体用法：

他们的关系如下所示：

最大的一类是Figure，其次是Axes，再其次是Axes中的一些实例，轴、文本、线条等等，Text可以包含图的标题、图注、图标等等一切的文本。
另外需要注意这些美工实例又分为原始型美工(Primitive artists)与复合型美工(Composite artists)，例如前面提到的Text、以及背景的Rectangle、Circle都是原始型美工，而Axis、Tick、labels、Axes、Figure则是复合型美工，一个复合型美工可以包含多个复合型美工或者原始型美工，例如，Figure可以包含包含一个或多个Axes并且Figure的背景是一个基元Rectangle。

接下来我们对这些实例进行一一介绍：

1.2.1 Figure、Subplot与Axes

Figure

我们可以将Figure看成是一张大的画板，可以matplotlib.figure中的fig=Figure()来创建一张画板fig，也可以在函数式绘图中用fig=plt.figure()来建立fig。

但有个画板还不够，好比你要画油画，你不能画在画板上吧，至少需要一张画纸，这里的画纸就可以理解为以横纵坐标轴为长和宽所建立起来的矩形，2D的图像都在这个矩形内。可以用canvas = FigureCanvas(fig)来产生一张画纸，或者如果你用fig=plt.figure()，那他会默认产生一张画纸。如果你觉得一张画纸不够，要在一张画板上多用几张画纸，也是可以的，可以用fig.add_subplot或plt.subplots(子图)，或者fig.add_axes(轴域)来产生多的画纸，他们会将原来大的画纸进行拆分，拆分成若干张小画纸，画纸和画纸间可以嵌套，可以并列放置，我们接下来对这两者进行介绍与区分：

Subplot

首先介绍Subplot，Subplot负责将整个画板分割成几块，用ax = fig.add_subplot(abc) 来创建子图，里面的参数abc代表是产生a行b列一共a*b个子图区域，c表示给这个区域添加子图。
例如：ax1 = fig.add_subplot(221) , ax2 = fig.add_subplot(222) , ax4 = fig.add_subplot(224)就是在2*2个区域中，在左上，右上和右下建立子图：

from matplotlib.figure import Figure
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvasfig = Figure()
canvas = FigureCanvas(fig)ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax4 = fig.add_subplot(224)canvas.print_png('test1.png')

借用%%html来在网页上查看图片,红色字迹为注释，非做在图上的。

%%html
<img src='test1.png' />

Subplot建立子图的方式比较基础而且整洁，另一种形式Axes则较为灵活：

Axes

Axes，个人翻译为轴域，可以通过fig.add_axes([left,bottom,width,height])添加子图的左边界、下边界、宽度和高度来在合适的位置上添加子图:

from matplotlib.figure import Figure
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvasfig    = Figure()
canvas = FigureCanvas(fig)ax1    = fig.add_axes([0.1, 0.1, 0.2, 0.2]) #代表左边空出10%，底部空出10%，宽度为20%，高度为20%
ax1.set_title("ax1")ax2    = fig.add_axes([0.3, 0.3, 0.4, 0.4]) #代表左边空出30%，底部空出30%，宽度为40%，高度为40%
ax2.set_title("ax2")canvas.print_figure('test3.jpg')

Axes还可以嵌套，如果设置

ax1    = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax2    = fig.add_axes([0.3, 0.3, 0.4, 0.4])

我们可以看到以下情况：

快速确定用子图还是轴域

关于Subplot和Axes本质上都是产生多张画纸，所以两者的区别并不大，如果想快速、标准的切割画板，可以用fig.add_subplot()，而如果想自定义画纸，则可以使用fig.add_axes()，这两种创建子图的方法，在脚本层都有对应的实现方式，下文我们会提到。

1.2.2 Axis、ticks与label

Axes是轴域，Axis就是轴，对应的有X轴和Y轴，每个轴都有ticks，即轴上的刻度与label，即轴标签，对于调整刻度可以用set_xlim()和set_ylim()来调整，对于设置ticks的名称，则可以使用ax.set_xticklabels()和ax.set_yticklabels()来设置。对于设置标签，则用ax.set_xlabel()和ax.set_ylabel()来实现，还可以设置title，用set_title()来实现我们可以在脚本层来更方便的控制。

示范代码如下：

ax=fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax.set_xlim(-0.5,1.5)
ax.set_ylim(-0.5,1.5)
ax.set_xticklabels(['One','Two','Three'])
ax.set_xlabel('Date')
ax.set_ylabel('Units')
ax.set_title('Exponential vs. Linear performance')

1.2.3 坐标与按指令做图

在现实生活中如果我们想要画一个多边形，我们会先想好多边形的几个顶点，并画线，在顶点出拐弯，在计算机上画图，我们则可以先固定点，再用连线的办法连起来，这时，在matplotlib中，我们可以直接调用render画笔，教它怎么确定坐标，怎么连接线，让他帮我们在画纸上画画，比如，我们可以用matplotlib中path和patches，一个用来画线，一个用来建立图形块，path.MOVETO表示指针移动到对应位置，path.LINETO表示从当前指针位置到目标指针位置连线，path.CLOSEPLOT即停止做图，如下所示：

from matplotlib.figure import Figure
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvasfig    = Figure()
canvas = FigureCanvas(fig) #添加画布
ax     = fig.add_axes([0.1, 0.1, 0.8, 0.8])#设置Axes位置from matplotlib.path import Path
import matplotlib.patches as patchesverts = [(0, 1),(0.5, 1.5),(1,1),(0.25,0),(0.75,0),(0,1)] #设置顶点位置codes = [Path.MOVETO,Path.LINETO,Path.LINETO,Path.LINETO,Path.LINETO,Path.CLOSEPOLY] #设置各个顶点之间的连接方式path = Path(verts, codes)patch = patches.PathPatch(path, facecolor='lightblue')
ax.add_patch(patch)
ax.set_xlim(-0.5,1.5)
ax.set_ylim(-0.5,1.5)canvas.print_figure('test5.jpg')

得到以下鱼形图片：

1.3 Scripting(脚本)

在这里主要介绍Python上的API，matplotlib.pyplot，通常起别名为plt。在上面的代码中，都是面向对象编程绘图(OO,object-oriented)，接下来我们可以用API来简化步骤：

1.3.1 Figure、Subplot与Axes(从脚本层回到Artist层的办法)

脚本编程和面向对象编程绘图的顺序是一样的，首先要建立一张空的画板，其次再依据需求对画板进行分割，建立画板可以用fig=plt.figure()来实现，如果不需要对画板进行分割，可以跳过fig.add_subplot()或者fig.add_axes()这一步。

在这里如果想要从脚本层直接到Artists层操作，可以使用ax=fig.add_axes()进而对ax进行操作，或者ax=plt.gca()也可以得到当前的Axes，gca即get current Axes，而可以用fig=plt.gcf()来得到当前的Figure，gcf即get current Figure。

示范代码：

import matplotlib.pyplot as plt
fig=plt.figure()
ax=fig.add_axes([0.1,0.1,0.8,0.8])
ax=plt.gca()
fig=plt.gcf()

1.3.2 ticks、label、title与legend

不同于直接对Axes进行set操作，API可以使用plt.xticks()来对x的ticks进行命名，作用等价于ax.set_xticklabels()，用plt.xlabel()和plt.ylabel()对label进行命名，作用等价于ax.set_xlabel()和ax.set_ylabel()用plt.title()对title进行命名，等价于ax.set_title()同时，如果需要添加图注，只要用plt.legend()来添加就可以了，参数为list类型，对所做的图依次添加图注。但如果要在图形上添加什么数字，还是建议用ax.text(x,hight,text_value,fontsize)用画笔直接在画纸上“写字”。

示范代码：

import numpy as nplinear_data = np.array([1,2,3,4,5,6,7,8])
exponential_data = linear_data**2plt.figure()
plt.plot(linear_data, '-o',exponential_data,'-o')
plt.xlabel('Some data')
plt.ylabel('Some other data')
plt.title('A title')
plt.xticks(linear_data,eng)
plt.legend(['Baseline', 'Competition')

1.3.3 设置边框与添加文本

设置边框不可见
可以将对应边框的spines的值设置为不可见，共四种：
plt.gca().spines['top'].set_visible(False)
plt.gca().spines['right'].set_visible(False)
plt.gca().spines['left'].set_visible(False)
plt.gca().spines['bottom'].set_visible(False)

可以适当用LC表达式来简化语言，或用迭代器的方式简化语言，例如：

for spine in plt.gca().spines.values():spine.set_visible(False)
#LC表达式
[plt.gca().spines[loc].set_visible(False) for loc in ['top','right','bottom','left']]

效果可见下2.2中的实例

在指定位置添加文本
plt.text(x,y,string,fontsize=,va="",ha="",bbox={‘fc’:’’, ‘ec’:’’})
只要设置x的值和y的值，设置文本string，设置字体大小fontsize，va代表vertical alignment,即垂直对齐，ha代表horizontal alignment，即水平对齐。这里的bbox是对文本框的配置，其中fc表示filled color，文本框内填充颜色，ec表示edge color，文本框框体颜色，效果可见下2.2中的实例

二、面向对象编程绘图与函数式绘图对比与实例

2.1 OO绘图与函数式绘图的对比

我们发现，面向对象(object-oriented,OO)绘图更加的灵活，而函数式绘图则更加快捷，现实中，在添加文本注释时，我往往会偏向于使用OO，在Axes上找到对应的位置，直接添加文字，在考虑多张表不规则排放在一张图中时，尤其是嵌套等情况，也会用Axes来规定位置；但函数式绘图明显更加方便与快速，两者结合，两种做图方式都掌握才能更好的画出想要的图。

2.2 实例：绘制各种语言流行性的条形图

我们现在要画一张各个语言及其占比的条形图（其他具体图形下一章会介绍），首先看数据：

Language	Popularity
Python	56%
SQL	39%
Java	34%
C++	34%
JavaScript	29%

我们可以用面向对象编程绘图，如下代码所示，也可以：

import matplotlib.pyplot as plt
import numpy as npfig=plt.figure()
ax=fig.add_axes([0.1,0.1,0.8,0.8])
Language=['Python','SQL','Java','C++','JavaScript']
pos=np.arange(1,6,1)
popularity=[56,39,34,34,29]# 法一：OO编程绘图
ax.bar(pos,popularity)
ax.set_xticklabels(languages)
ax.set_ylabel('% Popularity')
ax.set_title('Top 5 Languages for Math & Data \nby % popularity on Stack Overflow', alpha=0.8)#法二：函数式绘图
# plt.bar(pos,popularity)
# plt.barlabel()
# plt.xticks(pos,Language)
# plt.ylabel('% Popularity')
# plt.title('Top 5 Languages for Math & Data \nby % popularity on Stack Overflow', alpha=0.8)

如果我们想要去掉x轴和y轴的所有标签，可以用plt.tick_params(left=False,labelleft=False,right=False,top=False,bottom=False)并把y_label也注释掉。
想要去掉chart的框，可以在spines.values中把他设置为不可见：

for spine in plt.gca().spines.values():spine.set_visible(False)

如果需要调整颜色，可以在Axes上用set_color()功能：

bars = plt.bar(pos, popularity, align='center', linewidth=0, color='lightslategrey')
bars[0].set_color('#1F77B4')

如果要给bar备注数字，可以用Axes在对应的位置上直接添加要写的内容（就像画笔直接在指定位置上写字一样）：

for bar in bars:plt.gca().text(bar.get_x() + bar.get_width()/2, bar.get_height() - 5, str(int(bar.get_height())) + '%', ha='center', color='w', fontsize=11)

最后归纳我们的代码：

import matplotlib.pyplot as plt
import numpy as npplt.figure()languages =['Python', 'SQL', 'Java', 'C++', 'JavaScript']
pos = np.arange(len(languages))
popularity = [56, 39, 34, 34, 29]bars = plt.bar(pos, popularity, align='center', linewidth=0, color='lightslategrey')
bars[0].set_color('#1F77B4')plt.xticks(pos, languages, alpha=0.8)
plt.title('Top 5 Languages for Math & Data \nby % popularity on Stack Overflow', alpha=0.8)plt.tick_params(top=False, bottom=False, left=False, right=False, labelleft=False, labelbottom=True)for spine in plt.gca().spines.values():spine.set_visible(False)for bar in bars:plt.gca().text(bar.get_x() + bar.get_width()/2, bar.get_height() - 5, str(int(bar.get_height())) + '%', ha='center', color='w', fontsize=11)
plt.show()

可以得到以下图片：

总结

需要分清matplotlib的三层构架：Backend(后端)、Artist(美工)、Scripting(脚本)
注意Artist层种重要的最复合型实例Figure、Axes。分清subplot与Axes的区别，了解其他各实例之间的关系，例如区分xticks、xticklabel与xlabel
分清面向对象编程(OO)绘图与函数式绘图(pyplot即plt)对应的语句，面对对象编程中调整多用set，而函数则直接调用class plt的函数即可，明白面对对象编程较函数式编程的灵活性与直观性。
巧妙运用ax=plt.gca()，从函数式编程中直接获得Axes，进而可以直接从Artist层处理图像。

【DS with Python】Matplotlib入门(一)：架构概述、面向对象编程绘图与函数式绘图基础相关推荐

python快速入门【五】---- 面向对象编程、python类
python入门合集: python快速入门[一]-----基础语法 python快速入门[二]----常见的数据结构 python快速入门[三]-----For 循环.While 循环 python ...
Python快速入门（八）面向对象1：类、对象和封装
Python快速入门(八)面向对象1:类.对象和封装 1.类和对象 1)类的定义 2)对象的定义 3)类和对象的关系 4)类的设计 2.第一个面向对象案列代码1 代码2 3.设置对象属性 4.ini ...
python入门：正则表达式，面向对象编程，零基础视频教程分享
正则表达式 import re #首先必须import re模块,re=Regular Expression,就是正则表达式的意思. pattern=re.compile(r'hello') #指明你 ...
Python爬虫入门实战2：获取CSDN个人博客文章基础信息
☞ ░ 老猿Python博文目录:https://blog.csdn.net/LaoYuanPython/article/details/98245036 ░ 一.引言当爬取博文内容时,有时需要进行 ...
Python从入门到实践：面向对象之封装（二）
目录一.引言二.隐藏属性三.开放接口 3.1隐藏数据属性 3.2隐藏函数属性四.装饰器-property 一.引言面向对象编程的三大特性:封装.继承.多态.封装就是把"数据&quo ...
python的类和实例_Python 面向对象编程——类和实例
1面向对象编程面向对象编程: 面向对象编程--Object OrientedProgramming OOP把对象作为程序的基本单元,一个对象包含了数据和操作数据的函数. 面向过程的程序设计把计算机程 ...
Python 使用 attrs 和 cattrs 实现面向对象编程
Python 是支持面向对象的,很多情况下使用面向对象编程会使得代码更加容易扩展,并且可维护性更高,但是如果你写的多了或者某一对象非常复杂了,其中的一些写法会相当相当繁琐,而且我们会经常碰到对象和 J ...
python面向对象编程72讲_2020-07-22 Python学习笔记27类和面向对象编程
一些关于自己学习Python的经历的内容,遇到的问题和思考等,方便以后查询和复习. 声明:本人学习是在扇贝编程通过网络学习的,相关的知识.案例来源于扇贝编程.如果使用请说明来源. 第27关类与面向对 ...
python004 二 Python开发入门、数据类型概述、判断吧语句、while循环
python _day02 一,目录: 5种数据类型 1,数字数据类型 1.数字 (1)简单理解为整数和小数即可 (2)布尔可以理解为是特殊的整数,使用True和False表示,值为1和0 (3)p ...

【DS with Python】Matplotlib入门(一)：架构概述、面向对象编程绘图与函数式绘图基础