在网上看见许多matplotlib的安装教程都是比较复杂，需要配置许多环境，对于电脑基础不好的人来说可是一件头疼的事情，今天我介绍一个简单的安装方法。
 
1.Win+R输入cmd进入到CMD窗口下，执行python -m pip install -U pip setuptools进行升级。
 
 
2.输入python -m pip install matplotlib进行自动的安装，系统会自动下载安装包
 
 
 
 
3.进入到python idle中，运行import matplotlib，如下图所示，如果没有报错，就证明安装成果。
 
 
输入以下代码运行成果证明安装没问题
 
import matplotlib.pyplot as plt
labels='frogs','hogs','dogs','logs'
sizes=15,20,45,10
colors='yellowgreen','gold','lightskyblue','lightcoral'
explode=0,0.1,0,0
plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)
plt.axis('equal')
plt.show()
 
 
谢谢打赏 
 
 
 
 
 
 
 

很多时候为了可视化效果的美观，就不得不从细节上下手，这里我们就介绍一下这些细节之一的网格线。
 
首先导入需要用到的库，matplotlib.pyplot是必须的，Numpy是为了生成画布用的。
 
import numpy as np
import matplotlib.pyplot as plt
 
生成网格
 
plt.gcf().set_facecolor(np.ones(3)* 240 / 255)   # 生成画布的大小
plt.grid()  # 生成网格
plt.show()
 
 
参数
 
matplotlin.pyplot.grid(b, which, axis, color, linestyle, linewidth， **kwargs)
 
grid()参数有很多，这里只列举了我此次工作中用到的几个：
 
    b : 布尔值。就是是否显示网格线的意思。官网说如果b设置为None， 且kwargs长度为0，则切换网格状态。但是没弄明白什            么意思。如果b设置为None，但是又给了其它参数，则默认None值失效。
 
    which : 取值为'major', 'minor'， 'both'。 默认为'major'。看别人说是显示的，我的是Windows7下，用Sublime跑的，minor只是一个白画板，没有网格，major和both也没看出什么效果，不知道为什么。
 
    axis : 取值为‘both’， ‘x’，‘y’。就是以什么轴为刻度生成网格。例如我输入参数x就会在x轴方向上生成纵向的网格刻度。没有输入的方向则不会显示网格刻度。这里多谢 @湖尘 指正。
 
    color : 这就不用多说了，就是设置网格线的颜色。或者直接用c来代替color也可以。
 
    linestyle :也可以用ls来代替linestyle， 设置网格线的风格，是连续实线，虚线或者其它不同的线条。 | '-' | '--'                        | '-.' | ':' | 'None' | ' ' | '']
 
    linewidth : 设置网格线的宽度
 
设置axis='y'
 
plt.grid(axis="y")
plt.show()
 
 
 
 
设置axis='x'
 
 
 
 
设置color='r'
 
plt.grid(c='r')
plt.show()
 
红色
 
 
plt.grid(c='g')
plt.show()
 
绿色
 
 
设置linestyle
 
plt.grid(linestyle='-.')
plt.show()
 
 
 
 
 
 
 
 
plt.grid(ls='--')
plt.show()
 
 
因为b和which没有显示效果。所以这里就不上图了。
 
 
 
--------------------------更******新--------------------------
 
今天又试了下，当which='major'的时候，是可以显示网格线的。同时感谢机器不学习o_o的指导，在which="minor"时，需要设置次刻度线。
 
plt.grid(axis='y', which='major')
plt.show()
 
 
plt.grid(axis="x", which="major")
plt.show()
 
 
which='minor'
 
ax = plt.gca()
ax.set_xlim(0, 10)
miloc = plt.MultipleLocator(1)
ax.xaxis.set_minor_locator(miloc)
ax.grid(axis='x', which='minor')
plt.show()
 

http://blog.csdn.net/pipisorry/article/details/40005163
 
Matplotlib.pyplot绘图实例
 
Gallery页面中有上百幅缩略图，打开之后都有源程序。
 
[如何在论文中画出漂亮的插图]
 
{使用pyplot模块}
 
matplotlib绘制直线、条形/矩形区域
 
import numpy as np
import matplotlib.pyplot as plt
t = np.arange(-1, 2, .01)
s = np.sin(2 * np.pi * t)

plt.plot(t,s)
# draw a thick red hline at y=0 that spans the xrange
l = plt.axhline(linewidth=4, color='r')
plt.axis([-1, 2, -1, 2])
plt.show()
plt.close()

# draw a default hline at y=1 that spans the xrange
plt.plot(t,s)
l = plt.axhline(y=1, color='b')
plt.axis([-1, 2, -1, 2])
plt.show()
plt.close()

# draw a thick blue vline at x=0 that spans the upper quadrant of the yrange
plt.plot(t,s)
l = plt.axvline(x=0, ymin=0, linewidth=4, color='b')
plt.axis([-1, 2, -1, 2])
plt.show()
plt.close()

# draw a default hline at y=.5 that spans the the middle half of the axes
plt.plot(t,s)
l = plt.axhline(y=.5, xmin=0.25, xmax=0.75)
plt.axis([-1, 2, -1, 2])
plt.show()
plt.close()

plt.plot(t,s)
p = plt.axhspan(0.25, 0.75, facecolor='0.5', alpha=0.5)
p = plt.axvspan(1.25, 1.55, facecolor='g', alpha=0.5)
plt.axis([-1, 2, -1, 2])
plt.show()
 
效果图展示
 
 
Note: 设置直线对应位置的值显示：plt.text(max_x, 0, str(round(max_x, 2)))，也就是直接在指定坐标写文字，不知道有没有其它方法？
 
[matplotlib.pyplot.axhline]
 
另一种绘制直线的方式
 
plt.hlines(hline, xmin=plt.gca().get_xlim()[0], xmax=plt.gca().get_xlim()[1], linestyles=line_style, colors=color)
 
直方图
 
plt.hist(songs_plays, bins=50,range=(0, 50000), color='lightblue',density=True)
 
Note: density是将y坐标按比例绘图，而不是数目。
 
 
 
hist转换成plot折线图
 
plt.hist直接绘制数据是hist图
 
plt.hist(z, bins=500, normed=True)
 
hist图转换成折线图
 
cnts, bins = np.histogram(z, bins=500, normed=True)
bins = (bins[:-1] + bins[1:]) / 2
plt.plot(bins, cnts)
 
[numpy教程 - 统计函数:histogram]
 
散点图、梯形图、柱状图、填充图
 
柱状图bar()
 
用每根柱子的长度表示值的大小，它们通常用来比较两组或多组值。
 bar()的第一个参数为每根柱子左边缘的横坐标;第二个参数为每根柱子的高度;第三个参数指定所有柱子的宽度,当第三个参数为序列时，可以为每根柱子指定宽度。bar()不自动修改颜色。
 
n = np.array([0,1,2,3,4,5])
x = np.linspace(-0.75, 1., 100)

fig, axes = plt.subplots(1, 4, figsize=(12,3))

axes[0].scatter(x, x + 0.25*np.random.randn(len(x)))

axes[1].step(n, n**2, lw=2)

axes[2].bar(n, n**2, align="center", width=0.5, alpha=0.5)

axes[3].fill_between(x, x**2, x**3, color="green", alpha=0.5);
 
 
Note: axes子图设置title: axes.set_title("bar plot")
 
分组条形图
 
import matplotlib.pyplot as plt
import numpy as np
# 构建数据
Y2016 = [15600,12700,11300,4270,3620]
Y2017 = [17400,14800,12000,5200,4020]
labels = ['北京','上海','香港','深圳','广州']
bar_width = 0.45

# 中文乱码的处理
plt.rcParams['font.sans-serif'] =['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# 绘图
plt.bar(np.arange(5), Y2016, label = '2016', color = 'steelblue', alpha = 0.8, width = bar_width)
plt.bar(np.arange(5)+bar_width, Y2017, label = '2017', color = 'indianred', alpha = 0.8, width = bar_width)

plt.xlabel('Top5城市')
plt.ylabel('家庭数量')
plt.title('亿万财富家庭数Top5城市分布')
plt.xticks(np.arange(5)+bar_width,labels)
plt.ylim([2500, 19000])

# 为每个条形图添加数值标签
for x2016,y2016 in enumerate(Y2016):
    plt.text(x2016, y2016+100, '%s' %y2016)

for x2017,y2017 in enumerate(Y2017):
    plt.text(x2017+bar_width, y2017+100, '%s' %y2017)

plt.legend()
plt.show()
 
 
垂直堆叠条形图
 
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

data = pd.read_excel('C:\\Users\\Administrator\\Desktop\\货运.xls')

# 绘图
plt.bar(np.arange(8), data.loc[0,:][1:], color = 'red', alpha = 0.8, label = '铁路', align = 'center')
plt.bar(np.arange(8), data.loc[1,:][1:],  bottom = data.loc[0,:][1:], color = 'green', alpha = 0.8, label = '公路', align = 'center')
plt.bar(np.arange(8), data.loc[2,:][1:],  bottom = data.loc[0,:][1:]+data.loc[1,:][1:], color = 'm', alpha = 0.8, label = '水运', align = 'center')
plt.bar(np.arange(8), data.loc[3,:][1:],  bottom = data.loc[0,:][1:]+data.loc[1,:][1:]+data.loc[2,:][1:], color = 'black', alpha = 0.8, label = '民航', align = 'center')

plt.xlabel('月份')
plt.ylabel('货物量(万吨)')
plt.title('2017年各月份物流运输量')
plt.xticks(np.arange(8),data.columns[1:])
plt.ylim([0,500000])

# 为每个条形图添加数值标签
for x_t,y_t in enumerate(data.loc[0,:][1:]):
    plt.text(x_t,y_t/2,'%sW' %(round(y_t/10000,2)),ha='center', color = 'white')

for x_g,y_g in enumerate(data.loc[0,:][1:]+data.loc[1,:][1:]):
    plt.text(x_g,y_g/2,'%sW' %(round(y_g/10000,2)),ha='center', color = 'white') 

for x_s,y_s in enumerate(data.loc[0,:][1:]+data.loc[1,:][1:]+data.loc[2,:][1:]):
    plt.text(x_s,y_s-20000,'%sW' %(round(y_s/10000,2)),ha='center', color = 'white')    

plt.legend(loc='upper center', ncol=4)
plt.show()
 
 
[matplotlib(条形图)]
 
[Matplotlib数据可视化方法]
 
matplotlib绘制饼图
 
plt.figure(figsize=(6,9)) #调节图形大小
 labels = [u'大型',u'中型',u'小型',u'微型'] #定义标签
 sizes = [46,253,321,66] #每块值
 colors = ['red','yellowgreen','lightskyblue','yellow'] #每块颜色定义
 explode = (0,0,0.02,0) #将某一块分割出来，值越大分割出的间隙越大
 patches,text1,text2 = plt.pie(sizes,
                       explode=explode,
                       labels=labels,
                       colors=colors,
                       autopct = '%3.2f%%', #数值保留固定小数位
                       shadow = True, #阴影设置
                       startangle =90, #逆时针起始角度设置
                       pctdistance = 0.6) #数值距圆心半径倍数的距离
 #patches饼图的返回值，texts1饼图外label的文本，texts2饼图内部的文本
 # x，y轴刻度设置一致，保证饼图为圆形
 plt.axis('equal')
 plt.show()
 
 
[Basic pie chart¶]
 
matplotlib 绘制盒状图（Boxplots）和小提琴图（Violinplots）
 
盒状图
 
import matplotlib.pyplot as plt
 
import numpy as np

 all_data = [np.random.normal(0, std, 100) for std in range(1, 4)]

 fig = plt.figure(figsize=(8,6))

 plt.boxplot(all_data,
             notch=False, # box instead of notch shape
             sym='rs',    # red squares for outliers
             vert=True)   # vertical box aligmnent

 plt.xticks([y+1 for y in range(len(all_data))], ['x1', 'x2', 'x3'])
 plt.xlabel('measurement x')
 t = plt.title('Box plot')
 plt.show()
 
小提琴图
 
plt.violinplot(all_data,
                showmeans=False,
                showmedians=True
                )
 
 
[matplotlib 绘制盒状图（Boxplots）和小提琴图（Violinplots）]
 
散列图scatter()
 
使用plot()绘图时，如果指定样式参数为仅绘制数据点，那么所绘制的就是一幅散列图。但是这种方法所绘制的点无法单独指定颜色和大小。
 scatter()所绘制的散列图却可以指定每个点的颜色和大小。
 scatter()的前两个参数是数组，分别指定每个点的X轴和Y轴的坐标。
 s参数指定点的大 小，值和点的面积成正比。它可以是一个数，指定所有点的大小；也可以是数组，分别对每个点指定大小。
 c参数指定每个点的颜色，可以是数值或数组。这里使用一维数组为每个点指定了一个数值。通过颜色映射表，每个数值都会与一个颜色相对应。默认的颜色映射表中蓝色与最小值对应，红色与最大值对应。当c参数是形状为(N,3)或(N,4)的二维数组时，则直接表示每个点的RGB颜色。
 marker参数设置点的形状，可以是个表示形状的字符串，也可以是表示多边形的两个元素的元组，第一个元素表示多边形的边数，第二个元素表示多边形的样式，取值范围为0、1、2、3。0表示多边形，1表示星形，2表示放射形，3表示忽略边数而显示为圆形。
 alpha参数设置点的透明度。
 lw参数设置线宽，lw是line width的缩写。
 facecolors参数为“none”时，表示散列点没有填充色。
 
散点图（改变颜色，大小）
 
import numpy as np import matplotlib.pyplot as plt
 
N = 50
 x = np.random.rand(N)
 y = np.random.rand(N)
 area = np.pi * (15 * np.random.rand(N))**2 # 0 to 15 point radiuses
 color = 2 * np.pi * np.random.rand(N)
 plt.scatter(x, y, s=area, c=color, alpha=0.5, cmap=plt.cm.hsv)
 plt.show()
 
 
matplotlib绘制散点图给点加上注释
 
plt.scatter(data_arr[:, 0], data_arr[:, 1], c=class_labels)
for i, class_label in enumerate(class_labels):
    plt.annotate(class_label, (data_arr[:, 0][i], data_arr[:, 1][i]))
 
[matplotlib scatter plot with different text at each data point]
 
[matplotlib.pyplot.scatter]
 
对数坐标图
 
plot()所绘制图表的X-Y轴坐标都是算术坐标。
 绘制对数坐标图的函数有三个：semilogx()、semilogy()和loglog(),它们分别绘制X轴为对数坐标、Y轴为对数坐标以及两个轴都为对数坐标时的图表。
 下面的程序使用4种不同的坐标系绘制低通滤波器的频率响应曲线。
 其中，左上图为plot()绘制的算术坐标系，右上图为semilogx()绘制的X轴对数坐标系，左下图 为semilogy()绘制的Y轴对数坐标系，右下图为loglog()绘制的双对数坐标系。使用双对数坐标系表示的频率响应曲线通常被称为波特图。
 import numpy as np
 import matplotlib.pyplot as plt

 w = np.linspace(0.1, 1000, 1000)
 p = np.abs(1/(1+0.1j*w)) # 计算低通滤波器的频率响应
 plt.subplot(221)
 plt.plot(w, p, linewidth=2)
 plt.ylim(0,1.5)

 plt.subplot(222)
 plt.semilogx(w, p, linewidth=2)
 plt.ylim(0,1.5)

 plt.subplot(223)
 plt.semilogy(w, p, linewidth=2)
 plt.ylim(0,1.5)

 plt.subplot(224)
 plt.loglog(w, p, linewidth=2)
 plt.ylim(0,1.5)

 plt.show()
 
极坐标图
 
极坐标系是和笛卡尔(X-Y)坐标系完全不同的坐标系，极坐标系中的点由一个夹角和一段相对中心点的距离来表示。polar(theta, r, **kwargs)
 可以polar()直接创建极坐标子图并在其中绘制曲线。也可以使用程序中调用subplot()创建子图时通过设 polar参数为True,创建一个极坐标子图，然后调用plot()在极坐标子图中绘图。
 
示例1
 
fig = plt.figure()
 ax = fig.add_axes([0.0, 0.0, .6, .6], polar=True)
 t = linspace(0, 2 * pi, 100)
 ax.plot(t, t, color='blue', lw=3);
 
 
 
示例2
 
import numpy as np
 import matplotlib.pyplot as plt

 theta = np.arange(0, 2*np.pi, 0.02)
 plt.subplot(121, polar=True)
 plt.plot(theta, 1.6*np.ones_like(theta), linewidth=2) #绘制同心圆
 plt.plot(3*theta, theta/3, "--", linewidth=2)

 plt.subplot(122, polar=True)
 plt.plot(theta, 1.4*np.cos(5*theta), "--", linewidth=2)
 plt.plot(theta, 1.8*np.cos(4*theta), linewidth=2)
 plt.rgrids(np.arange(0.5, 2, 0.5), angle=45)
 plt.thetagrids([0, 45])

 plt.show()
 Note:rgrids()设置同心圆栅格的半径大小和文字标注的角度。因此右图中的虚线圆圈有三个， 半径分别为0.5、1.0和1.5,这些文字沿着45°线排列。
 Thetagrids()设置放射线栅格的角度， 因此右图中只有两条放射线，角度分别为0°和45°。
  
 
 
[matplotlib.pyplot.polar(*args, **kwargs)]
 
等值线图
 
使用等值线图表示二元函数z=f(x,y)
 
所谓等值线，是指由函数值相等的各点连成的平滑曲线。等值线可以直观地表示二元函数值的变化趋势，例如等值线密集的地方表示函数值在此处的变化较大。
 matplotlib中可以使用contour()和contourf()描绘等值线，它们的区别是：contourf()所得到的是带填充效果的等值线。
 import numpy as np
 import matplotlib.pyplot as plt

 y, x = np.ogrid[-2:2:200j, -3:3:300j]
 z = x * np.exp( - x**2 - y**2)

 extent = [np.min(x), np.max(x), np.min(y), np.max(y)]

 plt.figure(figsize=(10,4))
 plt.subplot(121)
 cs = plt.contour(z, 10, extent=extent)
 plt.clabel(cs)
 plt.subplot(122)
 plt.contourf(x.reshape(-1), y.reshape(-1), z, 20)
 plt.show()
 为了更淸楚地区分X轴和Y轴，这里让它们的取值范围和等分次数均不相同.这样得 到的数组z的形状为(200, 300),它的第0轴对应Y轴、第1轴对应X轴。
 调用contour()绘制数组z的等值线图，第二个参数为10,表示将整个函数的取值范围等分为10个区间,即显示的等值线图中将有9条等值线。可以使用extent参数指定等值线图的X轴和Y轴的数据范围。
 contour()所返回的是一个QuadContourSet对象， 将它传递给clabel(),为其中的等值线标上对应的值。
 调用contourf(),绘制将取值范围等分为20份、带填充效果的等值线图。这里演示了另外一种设置X、Y轴取值范围的方法，它的前两个参数分别是计算数组z时所使用的X轴和Y轴上的取样点,这两个数组必须是一维的。
 
使用等值线绘制隐函数f(x,y)=0曲线
 
显然，无法像绘制一般函数那样，先创建一个等差数组表示变量的取值点，然后计算出数组中每个x所对应的y值。
 
可以使用等值线解决这个问题，显然隐函数的曲线就是值等于0的那条等值线。
 程序绘制函数在f(x,y)=0和 f(x,y)-0.1 = 0时的曲线。
 import numpy as np
 import matplotlib.pyplot as plt

 y, x = np.ogrid[-1.5:1.5:200j, -1.5:1.5:200j]
 f = (x**2 + y**2)**4 - (x**2 - y**2)**2
 plt.figure(figsize=(9,4))
 plt.subplot(121)
 extent = [np.min(x), np.max(x), np.min(y), np.max(y)]
 cs = plt.contour(f, extent=extent, levels=[0, 0.1], colors=["b", "r"], linestyles=["solid", "dashed"], linewidths=[2, 2])
 plt.subplot(122)
 for c in cs.collections:
     data = c.get_paths()[0].vertices
     plt.plot(data[:,0], data[:,1], color=c.get_color()[0], linewidth=c.get_linewidth()[0])

 plt.show()
 
 
contour() levels参数指定所绘制等值线对应的函数值，这里设置levels参数为[0，0.1],因此最终将绘制两条等值线。
 观察图会发现，表示隐函数f(x)=0蓝色实线并不是完全连续的，在图的中间部分它由许多孤立的小段构成。因为等值线在原点附近无限靠近，因此无论对函数f的取值空间如何进行细分，总是会有无法分开的地方，最终造成了图中的那些孤立的细小区域。
 
而表示隐函数f(x,y)=0的红色虚线则是闭合且连续的。
 
contour()返回对象QuadContourSet
 
可以通过contour()返回对象获得等值线上每点的数据，下面我们在IPython中观察变量cs,它是一个 QuadContourSet 对象：
 cs对象的collections属性是一个等值线列表，每条等值线用一个LineCollection对象表示：
 >>> cs.collections
 <a list of 2 collections.LineCollection objects>
 每个LineCollection对象都有它自己的颜色、线型、线宽等属性，注意这些属性所获得的结果外面还有一层封装，要获得其第0个元素才是真正的配置：
 >>> c0.get_color()[0]
 array([ 0., 0., 1., 1.])
 >>> c0.get_linewidth()[0]
 2
 由类名可知，LineCollection对象是一组曲线的集合，因此它可以表示像蓝色实线那样由多条线构成的等值线。它的get_paths()方法获得构成等值线的所有路径，本例中蓝色实线
 所表示的等值线由42条路径构成：
 >>> len(cs.collections[0].get_paths())
 42
 路径是一个Path对象，通过它的vertices属性可以获得路径上所有点的坐标:
 >>> path = cs.collections[0].get_paths()[0]
 >>> type(path)
 <class 'matplotlib.path.Path'>
 >>> path.vertices
 array([[-0.08291457, -0.98938936],
 [-0.09039269, -0.98743719],
 …,
 [-0.08291457, -0.98938936]])
 上面的程序plt.subplot(122)就是从等值线集合cs中找到表示等值线的路径，并使用plot()将其绘制出来。
 
皮皮blog
 
 
 
Matplotlib.pylab绘图实例
 
{使用pylab模块}
 
matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。这里使用下面的方式载入pylab模块：
 
>>> import pylab as pl
 
Note:import pyplot as plt也同样可以
两种常用图类型
 Line and scatter plots(使用plot()命令), histogram(使用hist()命令)
 
1 折线图&散点图 Line and scatter plots
 
折线图 Line plots(关联一组x和y值的直线)
 
import pylab as pl

x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value

pl.plot(x, y)# use pylab to plot x and y
pl.show()# show the plot on the screen
 
 
 
plot(x, y)        # plot x and y using default line style and color
plot(x, y, 'bo')  # plot x and y using blue circle markers
plot(y)           # plot y using x as index array 0..N-1
plot(y, 'r+')     # ditto, but with red plusses
 
 
plt.plot(ks, wssses, marker='*', markerfacecolor='r', linestyle='-', color='b')
 
 
 散点图 Scatter plots
 
把pl.plot(x, y)改成pl.plot(x, y, 'o')
 
 
美化 Making things look pretty
 
线条颜色 Changing the line color
 
红色：把pl.plot(x, y, 'o')改成pl.plot(x, y, ’or’)
 
线条样式 Changing the line style
 
虚线:plot(x,y, '--')
 
marker样式 Changing the marker style
 
蓝色星型markers：plot(x,y, ’b*’)
 
具体见附录 - matplotlib中的作图参数
 
 
图和轴标题以及轴坐标限度 Plot and axis titles and limits
 
import numpy as np
 import pylab as pl
 
x = [1, 2, 3, 4, 5]# Make an array of x values
 y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
 pl.plot(x, y)# use pylab to plot x and y
 pl.title(’Plot of y vs. x’)# give plot a title
 pl.xlabel(’x axis’)# make axis labels
 pl.ylabel(’y axis’)
 pl.xlim(0.0, 7.0)# set axis limits
 pl.ylim(0.0, 30.)
 pl.show()# show the plot on the screen
 
 
 一个坐标系上绘制多个图 Plotting more than one plot on the same set of axes
 
依次作图即可
 
import numpy as np
 import pylab as pl 
 x1 = [1, 2, 3, 4, 5]
 y1 = [1, 4, 9, 16, 25]
 x2 = [1, 2, 4, 6, 8]
 y2 = [2, 4, 8, 12, 16]
 
pl.plot(x1, y1, ’r’)
 pl.plot(x2, y2, ’g’)
  
 pl.title(’Plot of y vs. x’)
 pl.xlabel(’x axis’)
 pl.ylabel(’y axis’) 
  
 pl.xlim(0.0, 9.0)# set axis limits
 pl.ylim(0.0, 30.) 
  
 pl.show()
 
 
图例 Figure legends
 
pl.legend((plot1, plot2), (’label1, label2’),loc='best’, numpoints=1)
 
第三个参数loc=表示图例放置的位置:'best’‘upper right’, ‘upper left’, ‘center’, ‘lower left’, ‘lower right’.如果在当前figure里plot的时候已经指定了label，如plt.plot(x,z,label="cos(x2)")，直接调用plt.legend()就可以了。
 
import pylab as pl

x1 = [1, 2, 3, 4, 5]  # Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]

plot1 = pl.plot(x1, y1, 'r')  # use pylab to plot x and y : Give your plots names
plot2 = pl.plot(x2, y2, 'go')

pl.title('Plot of y vs. x')  # give plot a title
pl.xlabel('x axis')  # make axis labels
pl.ylabel('y axis')

pl.xlim(0.0, 9.0)  # set axis limits
pl.ylim(0.0, 30.)

pl.legend([plot1, plot2], ('red line', 'green circles'), 'best', numpoints=1)  # make legend
pl.show()  # show the plot on the screen
 
 
2 直方图 Histograms
 
import numpy as np
import pylab as pl

# make an array of random numbers with a gaussian distribution with
# mean = 5.0
# rms = 3.0
# number of points = 1000
data = np.random.normal(5.0, 3.0, 1000)

# make a histogram of the data array
pl.hist(data)

# make plot labels
pl.xlabel('data')
pl.show()
 
如果不想要黑色轮廓可以改为pl.hist(data, histtype=’stepfilled’)
 
 
自定义直方图bin宽度 Setting the width of the histogram bins manually
 
增加两行
 
bins = np.arange(-5., 16., 1.) #浮点数版本的range
 pl.hist(data, bins, histtype=’stepfilled’)
 
 
绘制
 
 
同一画板上绘制多幅子图 Plotting more than one axis per canvas
 
如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定
 序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。
 
fig1 = pl.figure(1)
 pl.subplot(211)
 subplot(211)把绘图区域等分为2行*1列共两个区域, 然后在区域1(上区域)中创建一个轴对象. pl.subplot(212)在区域2(下区域)创建一个轴对象。
 
 
You can play around with plotting a variety of layouts. For example, Fig. 11 is created using the following commands:
 
f1 = pl.figure(1)
 pl.subplot(221)
 pl.subplot(222)
 pl.subplot(212)
 
 
当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。
 
pl.subplots_adjust(left=0.08, right=0.95, wspace=0.25, hspace=0.45)
 
给一些特殊点做注释
 
        我们希望在 2π/3的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
 
 
...

t = 2*np.pi/3
plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")
scatter([t,],[np.cos(t),], 50, color ='blue')

annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
         xy=(t, np.sin(t)), xycoords='data',
         xytext=(+10, +30), textcoords='offset points', fontsize=16,
         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")
scatter([t,],[np.sin(t),], 50, color ='red')

annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
         xy=(t, np.cos(t)), xycoords='data',
         xytext=(-90, -50), textcoords='offset points', fontsize=16,
         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
...
 
精益求精
 
坐标轴上的记号标签被曲线挡住了，作为强迫症患者（雾）这是不能忍的。我们可以把它们放大，然后添加一个白色的半透明底色。这样可以保证标签和曲线同时可见。
 
 
1
2
3
4
5
 
 
...
for label in ax.get_xticklabels() + ax.get_yticklabels():
    label.set_fontsize(16)
    label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 ))
...
 
[Matplotlib 教程*]
 
plt.text(0.5,0.8,'subplot words',color='blue',ha='center',transform=ax.trans    Axes)  
 
plt.figtext(0.1,0.92,'figure words',color='green') 
 
plt.annotate('buttom',xy=(0,0),xytext=(0.2,0.2),arrowprops=dict(facecolor='blue', shrink=0.05)) 
 
 
[matplotlib绘图，图标注释（2） ] 
 
皮皮blog
 
 
 
绘制圆形Circle和椭圆Ellipse
 
1. 调用包函数
 
###################################
#   coding=utf-8
#   !/usr/bin/env python
#   __author__ = 'pipi'
#   ctime 2014.10.11
#   绘制椭圆和圆形
###################################
from matplotlib.patches import Ellipse, Circle
import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot(111)

ell1 = Ellipse(xy = (0.0, 0.0), width = 4, height = 8, angle = 30.0, facecolor= 'yellow', alpha=0.3)
cir1 = Circle(xy = (0.0, 0.0), radius=2, alpha=0.5)
ax.add_patch(ell1)
ax.add_patch(cir1)

x, y = 0, 0
ax.plot(x, y, 'ro')

plt.axis('scaled')
# ax.set_xlim(-4, 4)
# ax.set_ylim(-4, 4)
plt.axis('equal')   #changes limits of x or y axis so that equal increments of x and y have the same length

plt.show()
 
参见Matplotlib.pdf Release 1.3.1文档
 
p187
 
18.7 Ellipses (see arc)
 
p631class matplotlib.patches.Ellipse(xy, width, height, angle=0.0, **kwargs)Bases: matplotlib.patches.PatchA scale-free ellipse.xy center of ellipsewidth total length (diameter) of horizontal axisheight total length (diameter) of vertical axisangle rotation in degrees (anti-clockwise)p626class matplotlib.patches.Circle(xy, radius=5, **kwargs)
 
或者参见Matplotlib.pdf Release 1.3.1文档contour绘制圆
 
#coding=utf-8
import numpy as np
import matplotlib.pyplot as plt

x = y = np.arange(-4, 4, 0.1)
x, y = np.meshgrid(x,y)
plt.contour(x, y, x**2 + y**2, [9])     #x**2 + y**2 = 9 的圆形

plt.axis('scaled')
plt.show()
 
p478
 Axes3D.contour(X, Y, Z, *args, **kwargs)
 Create a 3D contour plot.
 Argument Description
 X, Y, Data values as numpy.arrays
 Z
 extend3d
 stride
 zdir
 offset
 Whether to extend contour in 3D (default: False)
 Stride (step size) for extending contour
 The direction to use: x, y or z (default)
 If specified plot a projection of the contour lines on this position in plane normal to zdir
 The positional and other
 
p1025
 
matplotlib.pyplot.axis(*v, **kwargs)
 Convenience method to get or set axis properties.
 
或者参见demo【pylab_examples example code: ellipse_demo.py】
 
2. 直接绘制
 
#coding=utf-8
'''
Created on Jul 14, 2014
@author: pipi
'''
from math import pi
from numpy import cos, sin
from matplotlib import pyplot as plt

if __name__ == '__main__':    
    '''plot data margin'''
    angles_circle = [i*pi/180 for i in range(0,360)]                 #i先转换成double
    #angles_circle = [i/np.pi for i in np.arange(0,360)]             # <=> 
    # angles_circle = [i/180*pi for i in np.arange(0,360)]    X
    x = cos(angles_circle)
    y = sin(angles_circle)
    plt.plot(x, y, 'r')
    
    plt.axis('equal')
    plt.axis('scaled')
    plt.show()
 
[Python 如何绘制椭圆？ - 知乎]
 
 
绘制不同x区间的log(x)的幂次近似
 
import matplotlib.pyplot as plt
 import numpy as np
 min_ = 0.04
 max_ = 0.06
 power_list = [-0.33, -0.335, -0.34]
 beishu = -1.1
 
# min_ = 0.043
 # max_ = 0.073
 # power_list = [-0.35, -0.36, -0.37]
 # beishu = -1.02
 
# min_ = 1200
 # max_ = 4200
 # power_list = [0.12, 0.13, 0.14]
 # beishu = 2.8
 
slice_num = (max_ - min_) / 10000
 x = np.arange(min_, max_, slice_num)
 y = np.log(x)
 y_list = [np.power(x, i) * beishu for i in power_list]
 
for yi, power_i in zip(y_list, power_list):
     min_max_ratia = np.round(np.power(max_, power_i) / np.power(min_, power_i), 3)
     plt.plot(x, yi, label='pow_' + str(power_i) + '_' + str(min_max_ratia))
 
min_max_ratia = np.round((np.log(max_) / np.log(min_)), 3)
 plt.plot(x, y, label='log' + '_' + str(min_max_ratia))
 
plt.legend()
 plt.show()
 
 
 from:matplotlib绘图实例：pyplot、pylab模块及作图参数_皮皮blog-CSDN博客_matplotlib案例
 
ref:matplotlib Plotting commands summary*
 
matplotlib下载及API手册地址
 
Screenshots:example figures
 
Gallery:Click on any image to see full size image and source code
 
用Python做科学计算-基础篇——matplotlib-绘制精美的图表
 
Matplotlib 教程
 
matplotlib绘图手册  /subplot
 
matplotlib画等高线的问题
 
matplotlib - 2D and 3D plotting in Python
 
matplotlib绘图库入门
绘制精美的图表
使用 python Matplotlib 库绘图
 barChart:http://www.cnblogs.com/qianlifeng/archive/2012/02/13/2350086.html
matplotlib--python绘制图表 | PIL--python图像处理
魔法(Magic)命令%magic -%matplotlibinline
 
Gnuplot的介绍
 
Gnuplot简介
IBM:gnuplot 让您的数据可视化,Linux 上的数据可视化工具
利用Python绘制论文图片: Gnuplot,pylab
IBM:基于 Python Matplotlib 模块的高质量图形输出(2005年的文章有点旧)
 
matplotlib技巧集(绘制不连续函数的不连续点；参数曲线上绘制方向箭头；修改缺省刻度数目；Y轴不同区间使用不同颜色填充的曲线区域。)
 
Python:使用matp绘制不连续函数的不连续点；参数曲线上绘制方向箭头；修改缺省刻度数目；Y轴不同区间使用不同颜色填充的曲线区域。lotlib绘制图表
 
matplotlib图表中图例大小及字体相关问题
 

 
文章目录
 
matplotlib介绍
matplotlib绘制折线图
matplotlib绘制柱状图
matplotlib绘制柱线混合图
 

 
matplotlib介绍
 
Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案。 它也可以和图形工具包一起使用，如 PyQt 和 wxPython。
安装Matplotlib库命令：在cmd命令窗口输入pip install matplotlib。
 
matplotlib绘制折线图
 
绘制一条折线的折线图
 
# -*- coding:utf-8 -*-
import matplotlib
import matplotlib.pyplot as plt
# 处理乱码
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
x = [1, 2, 3, 4]
y = [10, 50, 20, 100]
# "r" 表示红色，ms用来设置*的大小
plt.plot(x, y, "r", marker='*', ms=10, label="a")
# plt.plot([1, 2, 3, 4], [20, 30, 80, 40], label="b")
plt.xticks(rotation=45)
plt.xlabel("发布日期")
plt.ylabel("小说数量")
plt.title("80小说网活跃度")
# upper left 将图例a显示到左上角
plt.legend(loc="upper left")
# 在折线图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x1, y1 in zip(x, y):
    plt.text(x1, y1 + 1, str(y1), ha='center', va='bottom', fontsize=20, rotation=0)
plt.savefig("a.jpg")
plt.show()
 
图形效果展示：
 
 
注意：savefig()是图形存储成图片，show()是将图形显示出来。
 
绘制多条折线
 
# -*- coding:utf-8 -*-
import matplotlib
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
x = [1, 2, 3, 4]
y1 = [45, 50, 20, 100]
y2 = [26, 10, 76, 25]
y3 = [11, 66, 55, 88]
y4 = [69, 50, 35, 100]
plt.plot(x, y1, marker='*', ms=10, label="a")
plt.plot(x, y2, marker='*', ms=10, label="b")
plt.plot(x, y3, marker='*', ms=10, label="c")
plt.plot(x, y4, marker='*', ms=10, label="d")
plt.xticks(rotation=45)
plt.xlabel("发布日期")
plt.ylabel("小说数量")
plt.title("80小说网活跃度")
plt.legend(loc="upper left")
# 在折线图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for y in [y1, y2, y3, y4]:
    for x1, yy in zip(x, y):
        plt.text(x1, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
plt.savefig("a.jpg")
plt.show()
 
图形效果展示：
 
 
matplotlib绘制柱状图
 
绘制普通柱状图
 
# -*- coding:utf-8 -*-
import matplotlib
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
# 构建数据
x = [1, 2, 3, 4]
y = [450, 500, 200, 1000]
# 绘图
plt.bar(x=x, height=y, label='书库大全', color='steelblue', alpha=0.8)
# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x1, yy in zip(x, y):
    plt.text(x1, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
# 设置标题
plt.title("80小说网活跃度")
# 为两条坐标轴设置名称
plt.xlabel("发布日期")
plt.ylabel("小说数量")
# 显示图例
plt.legend()
plt.savefig("a.jpg")
plt.show()
 
图形效果展示：
 
 
绘制多组柱状图
 
# -*- coding:utf-8 -*-
import matplotlib
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
# 构建数据
x = ['2015', '2016', '2017', '2018', '2019']
y1 = [4500, 5000, 2000, 7000, 10000]
y2 = [5200, 7000, 5000, 9000, 11000]
# 绘图
plt.bar(x=x, height=y1, label='python', color='steelblue', alpha=0.8)
plt.bar(x=x, height=y2, label='java', color='indianred', alpha=0.8)
# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x1, yy in zip(x, y1):
    plt.text(x1, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
for x1, yy in zip(x, y2):
    plt.text(x1, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
# 设置标题
plt.title("python与java图书对比")
# 为两条坐标轴设置名称
plt.xlabel("年份")
plt.ylabel("销量")
# 显示图例
plt.legend()
plt.savefig("a.jpg")
plt.show()
 
图形效果展示：
 
 
绘制柱状图的条柱并列显示
 
# -*- coding:utf-8 -*-
import numpy as np
import matplotlib
import matplotlib.pyplot as plt

matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
# 构建数据
x = ['2015', '2016', '2017', '2018', '2019']
y1 = [4500, 5000, 2000, 7000, 10000]
y2 = [5200, 7000, 5000, 9000, 11000]
bar_width = 0.3
# 将X轴数据改为使用range(len(x_data), 就是0、1、2...
plt.bar(x=range(len(x)), height=y1, label='python', color='steelblue', alpha=0.8, width=bar_width)
# 将X轴数据改为使用np.arange(len(x_data))+bar_width,
# 就是bar_width、1+bar_width、2+bar_width...这样就和第一个柱状图并列了
plt.bar(x=np.arange(len(x)) + bar_width, height=y2, label='java', color='indianred', alpha=0.8, width=bar_width)
# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x1, yy in enumerate(y1):
    plt.text(x1, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
for x1, yy in enumerate(y2):
    plt.text(x1 + bar_width, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
# 设置标题
plt.title("python与java对比")
# 为两条坐标轴设置名称
plt.xlabel("年份")
plt.ylabel("销量")
# 显示图例
plt.legend()
plt.savefig("a.jpg")
plt.show()
 
图形效果展示：
 
 
matplotlib绘制柱线混合图
 
绘制柱线混合图
 
# -*- coding:utf-8 -*-
import matplotlib
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
# 构建数据
x = [2, 4, 6, 8]
y = [450, 500, 200, 1000]
# 绘图
plt.bar(x=x, height=y, label='书库大全', color='steelblue', alpha=0.8)
# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x1, yy in zip(x, y):
    plt.text(x1, yy + 1, str(yy), ha='center', va='bottom', fontsize=20, rotation=0)
# 设置标题
plt.title("80小说网活跃度")
# 为两条坐标轴设置名称
plt.xlabel("发布日期")
plt.ylabel("小说数量")
# 显示图例
plt.legend()
# 画折线图
plt.plot(x, y, "r", marker='*', ms=10, label="a")
plt.xticks(rotation=45)
plt.legend(loc="upper left")
plt.savefig("a.jpg")
plt.show()
 
图形效果展示：