盘一盘 Python 系列 5 - Matplotlib

本文是 Python 系列的第八篇

• Python 入门篇 (上)

• Python 入门篇 (上)

• Python 入门篇 (下)

• 数组计算之 NumPy (上)

• 数组计算之 NumPy (下)

• 科学计算之 SciPy

• 数据结构之 Pandas (上)

• 数据结构之 Pandas (下 )
  

• 基本可视化之 Matplotlib

• 统计可视化之 Seaborn

• 交互可视化之 Bokeh

• 炫酷可视化之 PyEcharts
  

• 机器学习之 Sklearn

• 深度学习之 TensorFlow

• 深度学习之 Keras

• 深度学习之 PyTorch

• 深度学习之 MXnet

Matplotlib 是 Python 中最基本的可视化工具，官网里 ( ( https://matplotlib.org/ ) 有无数好资料，但这不是重点，本文肯定和市面上的所有讲解都不一样。

和 NumPy, SciPy, Pandas 一样，要用 Matplotlib，首先引用其库。

import matplotlib

先来类比一下人类和 Matplotlib 画图过程。

想想平时我们怎么画图，是不是分三步

• 找画板
  

• 用调色板

• 画画

Matplotlib 模拟了类似过程，也分三步

• FigureCanvas

• Renderer

• Artist

上面是 Matplotlib 里的三层 API：

1. FigureCanvas 帮你确定画图的地方

2. Renderer 帮你把想画的东西展示在屏幕上

3. Artist 帮你用 Renderer 在 Canvas 上画图

95% 的用户 (我们这些凡人) 只需用 Artist 就能自由的在电脑上画图了。

下面代码就是给 matplotlib 起了个别名 mpl，由于用 matplotlib.plot 比较多，也给它起了个别名 plt。

import matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inline

而 %matplotlib inline 就是在 Jupyter notebook 里面内嵌画图的，

在画图中，个人偏好百度 Echarts 里面的一组颜色，因此将其 hex 颜色代码定义出来留在后面用。其中 红色的 r_hex 和 深青色的 dt_hex 是大爱。

r_hex = '#dc2624'     # red,       RGB = 220,38,36dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80tl_hex = '#45a0a2'    # teal,      RGB = 69,160,162r1_hex = '#e87a59'    # red,       RGB = 232,122,89tl1_hex = '#7dcaa9'   # teal,      RGB = 125,202,169g_hex = '#649E7D'     # green,     RGB = 100,158,125o_hex = '#dc8018'     # orange,    RGB = 220,128,24tn_hex = '#C89F91'    # tan,       RGB = 200,159,145g50_hex = '#6c6d6c'   # grey-50,   RGB = 108,109,108bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104




    
g25_hex = '#c7cccf'   # grey-25,   RGB = 199,204,207

本章我们用以下思路来讲解：

• 第一章介绍 matplotlib 中的绘图逻辑，图包含的重要元素和他们之间的层级 (hierarchy)

  
  

• 第二章只关注折线图 (line chart)，但是一步步从最初的烂图完善到最终的美图。 这样可以把一种类型的图中的性质吃透，类比到其他类型的图一点也不难 。

  
  

• 第三章从画图的四大目的出发，即 分布 、 联系 、 比较 和 构 成 ，介绍了相对应的直方图 (historgram chart)，散点图 (scatter chart)，折线图 (line chart) 和饼状图 (pie chart)。 这章偏向于用合适的图来实现不同的目的，没有在如何完善图的方面上下功夫， 但在最后一节提到了如何画出使信息更有效的表达的图 。

本帖目录如下：

目录

第一章 - Matplotlib 101

1.1 概览

1.2 图

1.3 坐标系 & 子图

1.4 坐标轴

1.5 刻度

1.6 基础元素

第二章 - 画美感图

2.1 画第一幅图

2.2 图的默认设置

2.3 设置尺寸和 DPI

2.4 设置颜色-风格-宽度

2.5 设置边界

2.6 设置刻度 标签

2.7 添加图例

2.8 添加第二幅图

2.9 两个 坐标系 & 两幅子图

2.10 设置标注

2.11 设置透明度

2.12 完善细节

第三章 - 画有效图

3.1 概览

3.2 直方图

3.3 散点图

3.4 折线图

3.5 饼状图

3.6 同理心

总结

Matplotlib 是一个巨无霸，咋一看无从下手，只能分解之后各点击破。总体来说，它包含两类元素：

• 基础 (primitives) 类 ：线 (line), 点 (marker), 文字 (text), 图例 (legend), 网格 (grid), 标题 (title), 图片 (image) 等。

  
  

• 容器 (containers) 类 ：图 (figure), 坐标系 (axes), 坐标轴 (axis) 和刻度 (tick)

基础类元素是我们想画出的标准对象，而 容器类元素是基础类元素的寄居出，它们也有层级结构。

图 → 坐标系 → 坐标轴 → 刻度

由上图看出：

• 图 包含着 坐标系 (多个)

• 坐标系 由 坐标轴 组成 (横轴 xAxis 和纵轴 yAxis)

• 坐标轴 上面有 刻度 (主刻度 MajorTicks 和副刻度 MinorTicks)

Python 中万物皆对象，Matplotlib 里这些元素也都是对象。下面代码打印出 坐标系 、 坐标轴 和 刻度 。

fig = plt.figure()




    
ax = fig.add_subplot(1,1,1)plt.show()
xax = ax.xaxisyax = ax.yaxis
print( 'fig.axes:', fig.axes, '\n')print( 'ax.xaxis:', xax )print( 'ax.yaxis:', yax, '\n' )print( 'ax.xaxis.majorTicks:', xax.majorTicks, '\n' )print( 'ax.yaxis.majorTicks:', yax.majorTicks, '\n')print( 'ax.xaxis.minorTicks:', xax.minorTicks )print( 'ax.yaxis.minorTicks:', yax.minorTicks )

从打印结果可看出 坐标系 、 坐标轴 和 刻度 都是对象。细看一下发现 xaxis 和 yaxis 上面都有 6 个主刻度 (majorTicks)。

此外，由 坐标系 和 坐标轴 指向同一个图 (侧面验证了 图 、 坐标系 和 坐标轴 的层级性)。

print( 'axes.figure:', ax.figure )print( 'xaxis.figure:', xax.figure )print( 'yaxis.figure:', yax.figure )

axes.figure: Figure(432x288)
xaxis.figure: Figure(432x288)
yaxis.figure: Figure(432x288)

创造完以上四个容器元素后，我们可在上面添加各种基础元素，比如：

• 在 坐标轴 和 刻度 上添加标签

• 在 坐标系 中添加线、点、网格、图例和文字

• 在 图 中添加图例

如下图所示：

接下来四节分别介绍四大容器，让我们先从「图」开始。

图是整个层级的顶部。

在图中可以添加基本元素「文字」。

plt.figure()plt.text( 0.5, 0.5, 'Figure', ha='center',           va='center', size=20, alpha=.5 )plt.xticks([]), plt.yticks([])plt.show()

用 plt.text() 函数，其参数解释如下：

• 第一、二个参数是指横轴和纵轴坐标

• 第三个参数字符是指要显示的内容

• ha, va 是横向和纵向位置

• size 设置字体大小

• alpha 设置字体透明度 (0.5 是半透明)

在图 中 可以添加基本元素「图片」。

from PIL import Imageplt.figure()plt.xticks([]), plt.yticks([])im = np.array(Image.open('Houston Rockets.png'))plt.imshow(im)plt.show()

用 Image.open() 将图片转成像素存在 ndarray 中，再用 plt.imshow() 展示。

在图 中 可以添加基本元素「折线」。

plt.figure()plt.plot( [0,1],[0,1] )plt.show()

plt.plot() 函数是用来画折线图的，前两个参数分别是 x 和 y，该函数会在第二节细讲。

当我们每次说画东西，看起来是在图 (Figure) 里面进行的，实际上是在坐标系 (Axes) 里面进行的。一幅图中可以有多个坐标系，因此在坐标系里画东西更方便 (有些设置使用起来也更灵活)。

下面来看看层级中排名第二的「坐标系」。

一幅图 (Figure) 中可以有多个坐标系 (Axes)，那不是说一幅图中有多幅子图 (Subplot)，因此坐标系和子图是不是同样的概念？

在绝大多数情况下是的，两者有一点细微差别：

• 子图在母图中的网格结构一定是规则的

• 坐标系在母图中的网格结构可以是不规则的

由此可见，子图是坐标系的一个特例，来我们先研究特例。

把图想成矩阵，那么子图就是矩阵中的元素，因此可像定义矩阵那样定义子图 - (行数、列数、第几个子图)。

subplot(rows, columns, i-th plots)

文字解释起来有些晦涩，看代码和图就好懂了。

这两个子图类似于一个列向量

• subplot(2,1,1) 是第一幅

• subplot(2,1,2) 是第二幅

声明完子图后，下面所有代码就只在这幅子图上生效，直到声明下一幅子图。

这两个子图类似于一个行向量

• subplot(1,2,1) 是第一幅

• subplot(1,2,2) 是第二幅

这次我们用过坐标系来生成子图 (子图是坐标系的特例嘛)，第 1 行

fig, axes = plt.subplots(nrows=2, ncols=2)

得到的 axes 是一个 2×2 的对象。在第 3 行的 for 循环中用 axes.flat 将其打平，然后在每个 ax 上生成子图。

坐标系比子图更通用，有两种生成方式

• 用 gridspec 包加上 subplot()

• 用 plt.axes()

第 2 行将整幅图分成 3×3 份赋值给 G，第 4, 8, 12, 16, 20 行分别用

plt.subplot(G[])

生成五个坐标系。G[] 里面的切片和 Numpy 数组用法一样：

• G[0, :] = 图的第一行 (Axes 1)

• G[1, :-1] = 图的第二行，第二三列 (Axes 2)

• G[1:, -1] = 图的第二三行，第三列 (Axes 3)

• G[-1, 0] = 图的第三行，第一列 (Axes 4)

• G[-1, -2] = 图的第三行，第二列 (Axes 5)

第 1 和 5 行分别用

plt.axes([l,b,w,h])

其中 [l, b, w, h] 可以定义坐标系

• l 代表坐标系左边到 Figure 左边的水平距离

• b 代表坐标系底边到 Figure 底边的垂直距离

• w 代表坐标系的宽度

• h 代表坐标系的高度

如果 l, b, w, h 都小于 1，那它们是标准化 (normalized) 后的距离。比如 Figure 底边长度为 10， 坐标系底边到它的垂直距离是 2，那么 b = 2/10 = 0.2。

不解释，懂了 [l, b, w, h] 的意思这幅重叠图应该知道怎么生成了。

在本小节最后，总结一下两种生成单个坐标系的方法 (生成多个坐标系可以类推)。

超级细心的读者可能会发现，上面所有的图都看不到坐标轴和刻度啊，是的，我是故意这样做的，在深度研究坐标系和子图时，剔除不必要的信息，用的是以下代码 (将刻度设为空集 [])：

plt.xticks([]), plt.yticks([])

或

ax.set( xticks=[], yticks=[] )

现在是时候来看看层级中排名第三的「坐标轴」。

一个坐标系 (Axes)，通常是二维，有两条坐标轴 (Axis)：

• 横轴：XAxis

• 纵轴：YAxis

每个坐标轴都包含两个元素

• 容器类元素「刻度」，该对象里还包含 刻度本身 和 刻度标签

• 基础类元素「标签」，该对象包含的是 坐标轴标签

「刻度」和「标签」都是对象，下面代码通过改变它们一些属性值来进行可视化。

第 2 和 3 行打印出 x 轴和 y 轴的标签。

第 5 到 9 行处理「刻度」对象里的刻度标签，将它颜色设定为 深青色 ，字体大小为 20，旋转度 45 度。

第 11 到 15 行处理「标签」对象的刻度本身 (即一条短线)，将它颜色设定为 红色 ，标记长度和宽度为 500 和 30 (夸张了些，但就为大家看清楚这条代表刻度的短线！)。

万物皆对象，坐标轴也不例外，下面代码打印出 x 轴的标签、刻度位置点、 刻度标签、刻度线，刻度标签位置、主刻度。

print( ax.xaxis.get_label() )print( ax.xaxis.get_ticklocs() )print( ax.xaxis.get_ticklabels() )print( ax.xaxis.get_ticklines() )print( ax.xaxis.get_ticks_position() )print( ax.xaxis.get_major_ticks() )

Text(0.5, 17.200000000000003, 'Label on x-axis')
[0. 0.2 0.4 0.6 0.8 1. ]
<a list of 6 Text major ticklabel objects>
<a list of 12 Line2D ticklines objects>
bottom

[<matplotlib.axis.XTick object at 0x000001ED438A95C0>,
 <matplotlib.axis.XTick object at 0x000001ED438A1F28>,
 <matplotlib.axis.XTick object at 0x000001ED43886940>,
 <matplotlib.axis.XTick object at 0x000001ED438C92E8>,
 <matplotlib.axis.XTick object at 0x000001ED438C98D0>,
 <matplotlib.axis.XTick object at 0x000001ED438C9DA0>]

下面来看看层级中排名第四也是最后的「刻度」。

刻度 (Tick) 其实在坐标轴那节已经讲过了，它核心内容就是

• 一条短线 (刻度本身)

• 一串字符 (刻度标签)

本节想继续深挖刻度，即看看不同类型的刻度，需要用到各种各样的 Tick Locators。

为了显示不同类型的刻度，首先定义一个 setup(ax) 函数，主要功能有

• 去除左纵轴 (y 轴)、右纵轴和上横轴

• 去除 y 轴上的刻度

• 将 x 轴上的刻度位置定在轴底

• 设置主刻度和副刻度的长度和宽度

• 设置 x 轴和 y 轴的边界

• 将图中 patch 设成完全透明

注：这些操作都是为了下面显示刻度用，往下看就知道为什么这么做的。

为了感受一下上面每个操作对原图产生的效果，我们画出 6 个子图，其中

• 第一幅是原图

• 第二幅处理左、右、上轴

• 第三幅处理刻度标签

• 第四幅处理刻度尺寸

• 第五幅处理坐标轴边界

• 第六幅处理颜色和透明度

代码如下：

将上面效果全部合并，这个 setup(ax) 就是把坐标系里所有元素都去掉，只留 x 轴来添加各种刻度。

不同的 locator() 可以生成不同的刻度对象，我们来研究以下 8 种：

1. NullLocator() : 空刻度

2. MultipleLocator(a) : 刻度间隔 = 标量 a

3. FixedLocator(a) : 刻度位置由数组 a 决定

4. LinearLocator(a) : 刻度数目 = a, a 是标量

5. IndexLocator(b, o) : 刻度间隔 = 标量 b，偏移量 = 标量 o

6. AutoLocator() : 根据默认设置决定

7. MaxNLocator(a) : 最大刻度数目 = 标量 a

8. LogLocator(b, n) : 基数 = 标量 b，刻度数目 = 标量 n

代码如下：

上图其实包含 8 个子图，但只含有 x 轴，这也是为什么要先定一个 setup(ax) 函数来只保留 x 轴。另外将 patch 的 alpha 设为 0 使其完全透明，就是为了有些标签在子图交界处还能显示出来。感兴趣的同学可以把 alpha 设成 1 看看上图变成什么样子了。

目前，我们已经介绍四个最重要的容器以及它们之间的层级

Figure → Axes → Axis → Ticks

图 → 坐标系 → 坐标轴 → 刻度

但要画出一幅有内容的图，还需要在容器里添加基础元素比如线 (line), 点 (marker), 文字 (text), 图例 (legend), 网格 (grid), 标题 (title), 图片 (image) 等，具体来说

• 画一条线，用 plt.plot() 或 ax.plot()

• 画个记号，用 plt.scatter() 或 ax.scatter()

• 添加文字，用 plt.text() 或 ax.text()

• 添加图例，用 plt.legend() 或 ax.legend()

• 添加图片，用 plt.imshow() 或 ax.imshow()

最后用 Matplotlib 官网的图来总结所有元素。

现在你基本理解了 Matplotlib 里面的绘图逻辑和元素，下两节分别从不同维度 (深度和广度) 研究如何画图：

• 第二节只研究一种类型的图「折线图」，但从头到尾不断根据需求添加元素完善它。深度研究做到完美！

• 第三节研究四种类型的图 (展示数据的分布、联系、对比和组成)，却没在美感上下功夫，广度研究满足目的！

但读完后两节后，你应该可以在各种类型的图上做到完美。

本节记录着老板让斯蒂文绘图不断提需求直到把他逼疯的一段对话。

我是老板，我要求很高。

我是斯蒂文，我能力很强。

画一幅标准普尔 500 指数在 2007-2010 的走势图。

小菜一碟， 用 Pandas 读取 数据存成 DataFrame，再用 Matplotlib 里的 plt.plot() 画图。

首先用 pd.read_csv 函数从存好的 S&P500.csv，截屏如下：

该函数中三个参数代表：

• index_col = 0 是说把第一列 Date 当成行标签 (index)

• parse_dates = True 是说把行标签转成 date 对象

• dayFirst = True 是说日期是 DD/MM/YYYY 这样的格式

data = pd.read_csv( 'S&P500.csv',                     index_col=0,                     parse_dates=True,                    dayfirst=True )data.head(3).append(data.tail(3))

S&P 500 的数据从 1950 年 1 月 3 号开始，老板只需要 2007 年 1 月 1 日到 2010 年 1 月 1 日的数据。做个切片即可，存储成 spx。

spx = data[['Adj Close']]      .loc['2007-01-01':'2010-01-01']spx.head(3).append(spx.tail(3))

spx 是个 DataFrame，将它的值一个个画出折线图只需用 plt.plot() 函数，展示在屏幕需用 plt.show() 。

plt.plot( spx.values )plt.show()

此图虽丑，但也满足了老板的需求，即标准普尔 500 指数在 2007-2010 的走势图。斯蒂文提交给了老板。

这图也太丑了，而且横轴不是日期，我怎么知道金融危机发生在什么时候？再改一次！

要求合理，没问题。

要修改图就必须知道它的属性，用 plt.rcParams 可查看上图的所有默认属性 (非常多的属性值)。

plt.rcParams

看完上面的属性值后，斯蒂文决定在图表尺寸 (figsize)，每英寸像素点 (dpi)，线条颜色 (color)，线条风格 (linestyle)，线条宽度 (linewidth)，横纵轴刻度 (xticks, yticks)，横纵轴边界 (xlim, ylim) 做改进。那就先看看它们的默认属性值是多少。

print( 'figure size:', plt.rcParams['figure.figsize'] )print( 'figure dpi:',plt.rcParams['figure.dpi'] )print( 'line color:',plt.rcParams['lines.color'] )print( 'line style:',plt.rcParams['lines.linestyle'] )print( 'line width:',plt.rcParams['lines.linewidth'] )
fig = plt.figure()ax = fig.add_subplot(1, 1, 1)ax.plot( spx['Adj Close'].values )
print( 'xticks:', ax.get_xticks() )print( 'yticks:', ax.get_yticks() )print( 'xlim:', ax.get_xlim() )print( 'ylim:', ax.get_ylim() )

将属性值打印结果和图一起看一目了然。现在我们知道这张图大小是 6×4，每英寸像素有 72 个，线颜色 C0 代表是蓝色，风格 - 是连续线，宽度 1.5，等等。

斯蒂文现在有个“大胆”的想法，把这些默认属性值显性的在代码出写出来，画出来的跟什么设置都不写生成的图应该是一样的。来验证一下：

一模一样！

。。。你这不是瞎耽误时间吗？

不这样把默认属性值的显性写出来，我怎么知道如何改进？

老板将信将疑。。。

图的尺寸差，3 年数据这么长图宽点比较好。

属性名称在手，改 figsize 就行了。

用 figsize 和 dpi 一起可以控制图的大小和像素。

函数 figsize(w,h) 决定图的宽和高 (单位是英寸)，而属性 dpi 全称 dots per inches，测量每英寸多少像素。两个属性一起用，那么得到的图的像素为

(w*dpi, h*dpi)

套用在下面代码中，我们其实将图的大小设置成 16×6 平方英寸，而像素设置成 (1600, 600)，因为 dpi = 100。

plt.figure( figsize=(16,6), dpi=100 )plt.plot( spx.values )plt.show()

运行代码生成大宽屏图！

线条有点纤细，这种蓝也不高雅。

纤细？不高雅？Excuse me？

在 plt.plot() 用 color ， linewidth 和 linestyle 属性一起可以控制折线的颜色 (上面定义的 深 青色 )、宽度 (2 像素) 和风格 (连续线)。

plt.figure( figsize=(16,6), dpi=100 )plt.plot( spx.values, color=dt_hex,           linewidth=2, linestyle='-' )plt.show()

现在线条更明显了，而 深青色 看起来也比较有品位。

横轴怎么是数字，不应该是日期么？另外这条线快碰到天花板了。

这个需求合理，设置下横轴和纵轴的边界就可以了。

下面代码第 2 行在图中 (fig) 添加了一个坐标系 (ax)，然后所有操作都在 ax 里面完成，比如用

• ax.plot() 来画折线

• ax.set_xlim() , ax_set_ylim() 来设置横轴和纵轴的边界

现在横轴的刻度标签都是日期，比数字刻度带来的信息多；而 spx 图离顶部也有空间，看起来没那么挤。

横轴日期隔得有点开，而且只有年月，没有日。

没有日？Interesting

上图横轴的刻度个数 (老板说日期隔得有点开) 和标签显示 (老板说只有年月) 都是默认设置。为了满足老板的要求，斯蒂文只能手动设置，用以下两个函数：

• 先用 ax.set_ticks() 设置出数值刻度

• 再用 ax.set_xticklabels() 在对应的数值刻度上写标签

现在横轴的刻度标签是带「年-月-日」的日期，而且标签的间隔刚刚好。

怎么没有图例？能不能专业一点。

这不是 S&P 500 吗？一条时间序列要啥图例？难道接下来要画两条序列？

添加图例 (legend) 非常简单，只需要在 ax.plot() 里多设定一个参数 label，然后用

ax.legend()

其中 loc = 0 表示 matplotlib 自动安排一个最好位置显示图例，而 frameon = True 给图例加了外框。

注意图的右上角多了图例 S&P500 。

对，就是要画两条序列，把恐慌指数 VIX 也加进去。

不扶墙就服你，但这个需求太简单。

在改进代码之前，先介绍一下 VIX 指数。

由其定义可知，S&P500 指数涨时，VIX 跌，而 S&P500 指数暴跌时，VIX 暴涨。

和之前一样，首先用 pd.read_csv 函数从存好的 VIX.csv 读取数据存成 DataFrame。

data = pd.read_csv( 'VIX.csv', index_col=0,                                parse_dates=True,                               dayfirst=True )vix = data[['Adj Close']]     .loc['2007-01-01':'2010-01-01']vix.head(3).append(vix.tail(3))

添加第二幅图也很简单，用两次 plt.plot() 或者 ax.plot() 即可。这里面用的是 plt 没用 ax ，没有特殊原因，在本例中两者可以随意使用，但两者在使用「 .methods 」时有个小细节不知道大家注意到没有，

• plt.xlim

• plt.ylim

• plt.xticks

• ax.set_xlim

• ax.set_ylim

• ax_set_xticks

这图怎么成这样？？？VIX 怎么是一条平线？

图画成这个鬼样子还好意思给我看？

我知道问题出哪儿了，两个序列的量纲不一样，有两种解决方案：1. 用两个坐标系；2. 用两幅子图。

S&P500 的量纲都是千位数，而 VIX 的量刚是两位数，两者放在一起，那可不是 VIX 就像一条水平线一样。两种改进方式：

1. 用两个坐标系 (two axes)

2. 用两幅子图 (two subplots)

这两种方法都可用，但在本例中，S&P500 和 VIX 放在一起 (用两个坐标系) 更能看出它们之间的关系，比如 2008 年 9 月到 2009 年 3 月的金融危机期间，S&P 500 在狂泻和 VIX 在飙升 。

在金融危机时期，市场发生了 5 件大事，分别是

• 2017-10-11: 牛市顶点

• 2008-03-12: 贝尔斯登倒闭

• 2008-09-15: 雷曼兄弟倒闭

• 2009-01-20: 苏格兰皇家银行股票抛售

• 2009-04-02: G20 峰会

我想看到这五个事件标注在 S&P 500 的走势图上。

你想，你想，你想的美，哎，还是要做，谁叫你是老板。

加标注的代码略长，新内容为

• 第 3-7 行的定义危机事件，以元组的列表存储

• 第 26-34 行的事件标注，用到 annotate() 函数

事件的确标注在图上了，但是效果像一坨 。

S&P 500 和 VIX 两条线画在一起太混乱了，而且事件标注也看不清楚。再信息不能少的情况下务必改进！

S&P 500 是主线，VIX 是副线，把副线的透明度调高点不就行了。

为了把 VIX 折线弄得透明些，只用设置 ax2.plot() 里的 alpha 参数为 0.3，具体设什么值看你想要多透明，alpha 在 0 和 1 之间，0 是完全透明，1 是完全不透明。

ax2.plot( y2, color=r_hex,               linewidth=2,               linestyle='-',               label='VIX',               alpha=0.3 )

美如画！雷曼兄弟倒闭 (事件 3) 后 S&P 暴跌最厉害，而同期的 VIX 也飙到天际。在 G20 峰会 (事件 5) 过后，大国领导者一起解决金融危机问题，从那个点开始，S&P500 上涨 VIX 下跌。

经济总体平稳！风险总体可控！

基本满意，你自由发挥看看还有什么可以改进的地方。

别介，我最怕这种开放式要求。。。

既然老板关注这五个事件，而它们发生的日期可能没有落在横轴标签上，那老板不是在图上还是找不到他们发生的具体时间么？把它们加上去怎么样？

现在才像话嘛，晚上下面可以加个蛋。

X@#$@*&&@!