来源：Python开发者

ID： PythonCoder

Matplotlib是一个Python语言的2D绘图库，它支持各种平台，并且功能强大，能够轻易绘制出各种专业的图像。本文是对它的一个入门教程。

运行环境

由于这是一个Python语言的软件包，因此需要你的机器上首先安装好Python语言的环境。关于这一点，请自行在网络上搜索获取方法。

关于如何安装Matplotlib请参见这里：Matplotlib Installing。

笔者推荐大家通过pip的方式进行安装，具体方法如下：

sudo pip3 install matplotlib

本文的代码在如下环境中测试：

• Apple OS X 10.13

• Python 3.6.3

• matplotlib 2.1.1

• numpy 1.13.3

介绍

Matplotlib适用于各种环境，包括：

• Python脚本

• IPython shell

• Jupyter notebook

• Web应用服务器

• 用户图形界面工具包

使用Matplotlib，能够的轻易生成各种类型的图像，例如：直方图，波谱图，条形图，散点图等。并且，可以非常轻松的实现定制。

入门代码示例

下面我们先看一个最简单的代码示例，让我们感受一下Matplotlib是什么样的：

# test.py

import matplotlib . pyplot as plt

import numpy as np

data = np . arange ( 100 , 201 )

plt . plot ( data )

plt . show ()

这段代码的主体逻辑只有三行，但是它却绘制出了一个非常直观的线性图，如下所示：

对照着这个线形图，我们来讲解一下三行代码的逻辑：

1. 通过np.arange(100, 201)生成一个[100, 200]之间的整数数组，它的值是：[100, 101, 102, … , 200]

2. 通过matplotlib.pyplot将其绘制出来。很显然，绘制出来的值对应了图中的纵坐标（y轴）。而matplotlib本身为我们设置了图形的横坐标（x轴）：[0, 100]，因为我们刚好有100个数值

3. 通过plt.show()将这个图形显示出来

这段代码非常的简单，运行起来也是一样。如果你已经有了本文的运行环境，将上面的代码保存到一个文本文件中（或者通过 Github 获取本文的源码），然后通过下面的命令就可以在你自己的电脑上看到上面的图形了:

python3 test . py

注1：后面的教程中，我们会逐步讲解如何定制图中的每一个细节。例如：坐标轴，图形，着色，线条样式，等等。

注2：如果没有必要，下文的截图会去掉图形外侧的边框，只保留图形主体。

一次绘制多个图形

有些时候，我们可能希望一次绘制多个图形，例如：两组数据的对比，或者一组数据的不同展示方式等。

可以通过下面的方法创建多个图形：

多个figure

可以简单的理解为一个figure就是一个图形窗口。matplotlib.pyplot会有一个默认的figure，我们也可以通过plt.figure()创建更多个。如下面的代码所示：

# figure.py

import matplotlib . pyplot as plt

import numpy as np

data = np . arange ( 100 , 201 )

plt . plot ( data )

data2 = np . arange ( 200 , 301 )

plt . figure ()

plt . plot ( data2 )

plt . show ()

这段代码绘制了两个窗口的图形，它们各自是一个不同区间的线形图，如下所示：

注：初始状态这两个窗口是完全重合的。

多个subplot

有些情况下，我们是希望在同一个窗口显示多个图形。此时就这可以用多个subplot。下面是一段代码示例：

# subplot.py

import matplotlib . pyplot as plt

import numpy as np

data = np . arange ( 100 , 201 )

plt . subplot ( 2 , 1 , 1 )

plt . plot ( data )

data2 = np . arange ( 200 , 301 )

plt . subplot ( 2 , 1 , 2 )

plt . plot ( data2 )

plt . show ()

这段代码中，除了subplot函数之外都是我们熟悉的内容。subplot函数的前两个参数指定了subplot数量，即：它们是以矩阵的形式来分割当前图形，两个整数分别指定了矩阵的行数和列数。而第三个参数是指矩阵中的索引。

因此，下面这行代码指的是：2行1列subplot中的第1个subplot。

plt . subplot ( 2 , 1 , 1 )

下面这行代码指的是：2行1列subplot中的第2个subplot。

plt . subplot ( 2 , 1 , 2 )

所以这段代码的结果是这个样子：

subplot函数的参数不仅仅支持上面这种形式，还可以将三个整数（10之内的）合并一个整数。例如：2, 1, 1可以写成211，2, 1, 2可以写成212。

因此，下面这段代码的结果是一样的：

import matplotlib . pyplot as plt

import numpy as np

data = np . arange ( 100 , 201 )

plt . subplot ( 211 )

plt . plot ( data )

data2 = np . arange ( 200 , 301 )

plt . subplot ( 212 )

plt . plot ( data2 )

plt . show ()

subplot函数的详细说明参见这里： matplotlib.pyplot.subplot

常用图形示例

Matplotlib可以生成非常多的图形式样，多到令人惊叹的地步。大家可以在这里： Matplotlib Gallery 感受一下。

本文作为第一次的入门教程，我们先来看看最常用的一些图形的绘制。

线性图

前面的例子中，线性图的横轴的点都是自动生成的，而我们很可能希望主动设置它。另外，线条我们可能也希望对其进行定制。看一下下面这个例子：

# plot.py

import matplotlib . pyplot as plt

plt . plot ([ 1 , 2 , 3 ], [ 3 , 6 , 9 ], '-r' )

plt . plot ([ 1 , 2 , 3 ], [ 2 , 4 , 9 ], ':g' )

plt . show ()

这段代码可以让我们得到这样的图形：

这段代码说明如下：

1. plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线；

2. 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线。关于样式和颜色的说明请参见plot函数的API Doc： matplotlib.pyplot.plot

散点图

scatter函数用来绘制散点图。同样，这个函数也需要两组配对的数据指定x和y轴的坐标。下面是一段代码示例：

# scatter.py

import matplotlib . pyplot as plt

import numpy as np

N = 20

plt . scatter ( np . random . rand ( N ) * 100 ,

np . random . rand ( N ) * 100 ,

c = 'r' , s = 100 , alpha = 0.5 )

plt . scatter ( np . random . rand ( N ) * 100 ,

np . random . rand ( N ) * 100 ,

c = 'g' , s = 200 , alpha = 0.5 )

plt . scatter ( np . random . rand ( N ) * 100 ,

np . random . rand ( N ) * 100 ,

c = 'b' , s = 300 , alpha = 0.5 )

plt . show ()

这段代码说明如下：

1. 这幅图包含了三组数据，每组数据都包含了20个随机坐标的位置

2. 参数c表示点的颜色，s是点的大小，alpha是透明度

这段代码绘制的图形如下所示：

scatter函数的详细说明参见这里： matplotlib.pyplot.scatter

饼状图

pie函数用来绘制饼状图。饼状图通常用来表达集合中各个部分的百分比。

# pie.py

import matplotlib . pyplot as plt

import numpy as np

labels = [ 'Mon' , 'Tue' , 'Wed' , 'Thu' , 'Fri' , 'Sat' , 'Sun' ]

data = np . random . rand ( 7 ) * 100

plt . pie ( data , labels = labels , autopct = '%1.1f%%' )

plt . axis ( 'equal' )

plt . legend ()

plt . show ()

这段代码说明如下：

1. data是一组包含7个数据的随机数值

2. 图中的标签通过labels来指定

3. autopct指定了数值的精度格式

4. plt.axis('equal')设置了坐标轴大小一致

5. plt.legend()指明要绘制图例（见下图的右上角）

这段代码输出的图形如下所示：

pie函数的详细说明参见这里： matplotlib.pyplot.pie

条形图

bar函数用来绘制条形图。条形图常常用来描述一组数据的对比情况，例如：一周七天，每天的城市车流量。

下面是一个代码示例：

# bar.py

import matplotlib . pyplot as plt

import numpy as np

N = 7

x = np . arange ( N )

data = np .