（點擊上方公眾號，可快速關注）
來源：強波的技術博客
qiangbo.space/2018-04-06/matplotlib_l1/
Matplotlib是一個Python語言的2D繪圖庫，它支持各種平臺，並且功能強大，能夠輕易繪製出各種專業的圖像。本文是對它的一個入門教程。
運行環境
由於這是一個Python語言的軟體包，因此需要你的機器上首先安裝好Python語言的環境。關於這一點，請自行在網絡上搜索獲取方法。
關於如何安裝Matplotlib請參見這裡：Matplotlib Installing。
筆者推薦大家通過pip的方式進行安裝，具體方法如下：
sudo pip3 install matplotlib
本文的代碼在如下環境中測試：
Apple OS X 10.13
Python 3.6.3
matplotlib 2.1.1
numpy 1.13.3
Matplotlib適用於各種環境，包括：
Python腳本
IPython shell
Jupyter notebook
Web應用伺服器
用戶圖形界面工具包
使用Matplotlib，能夠的輕易生成各種類型的圖像，例如：直方圖，波譜圖，條形圖，散點圖等。並且，可以非常輕鬆的實現定製。
下面我們先看一個最簡單的代碼示例，讓我們感受一下Matplotlib是什麼樣的：
# test.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
plt.show()
這段代碼的主體邏輯只有三行，但是它卻繪製出了一個非常直觀的線性圖，如下所示：
對照著這個線形圖，我們來講解一下三行代碼的邏輯：
通過np.arange(100, 201)生成一個[100, 200]之間的整數數組，它的值是：[100, 101, 102, … , 200]
通過matplotlib.pyplot將其繪製出來。很顯然，繪製出來的值對應了圖中的縱坐標（y軸）。而matplotlib本身為我們設置了圖形的橫坐標（x軸）：[0, 100]，因為我們剛好有100個數值
通過plt.show()將這個圖形顯示出來
這段代碼非常的簡單，運行起來也是一樣。如果你已經有了本文的運行環境，將上面的代碼保存到一個文本文件中（或者通過Github獲取本文的源碼），然後通過下面的命令就可以在你自己的電腦上看到上面的圖形了:
python3 test.py
注1：後面的教程中，我們會逐步講解如何定製圖中的每一個細節。例如：坐標軸，圖形，著色，線條樣式，等等。
注2：如果沒有必要，下文的截圖會去掉圖形外側的邊框，只保留圖形主體。
有些時候，我們可能希望一次繪製多個圖形，例如：兩組數據的對比，或者一組數據的不同展示方式等。
可以通過下面的方法創建多個圖形：
可以簡單的理解為一個figure就是一個圖形窗口。matplotlib.pyplot會有一個默認的figure，我們也可以通過plt.figure()創建更多個。如下面的代碼所示：
# 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()
這段代碼繪製了兩個窗口的圖形，它們各自是一個不同區間的線形圖，如下所示：
註：初始狀態這兩個窗口是完全重合的。
有些情況下，我們是希望在同一個窗口顯示多個圖形。此時就這可以用多個subplot。下面是一段代碼示例：
# 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()
這段代碼中，除了subplot函數之外都是我們熟悉的內容。subplot函數的前兩個參數指定了subplot數量，即：它們是以矩陣的形式來分割當前圖形，兩個整數分別指定了矩陣的行數和列數。而第三個參數是指矩陣中的索引。
因此，下面這行代碼指的是：2行1列subplot中的第1個subplot。
plt.subplot(2, 1, 1)
下面這行代碼指的是：2行1列subplot中的第2個subplot。
plt.subplot(2, 1, 2)
所以這段代碼的結果是這個樣子：
subplot函數的參數不僅僅支持上面這種形式，還可以將三個整數（10之內的）合併一個整數。例如：2, 1, 1可以寫成211，2, 1, 2可以寫成212。
因此，下面這段代碼的結果是一樣的：
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函數的詳細說明參見這裡：matplotlib.pyplot.subplot
Matplotlib可以生成非常多的圖形式樣，多到令人驚嘆的地步。大家可以在這裡：Matplotlib Gallery 感受一下。
本文作為第一次的入門教程，我們先來看看最常用的一些圖形的繪製。
前面的例子中，線性圖的橫軸的點都是自動生成的，而我們很可能希望主動設置它。另外，線條我們可能也希望對其進行定製。看一下下面這個例子：
# 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()
這段代碼可以讓我們得到這樣的圖形：
這段代碼說明如下：
plot函數的第一個數組是橫軸的值，第二個數組是縱軸的值，所以它們一個是直線，一個是折線；
最後一個參數是由兩個字符構成的，分別是線條的樣式和顏色。前者是紅色的直線，後者是綠色的點線。關於樣式和顏色的說明請參見plot函數的API Doc：matplotlib.pyplot.plot
scatter函數用來繪製散點圖。同樣，這個函數也需要兩組配對的數據指定x和y軸的坐標。下面是一段代碼示例：
# 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()
這段代碼說明如下：
這幅圖包含了三組數據，每組數據都包含了20個隨機坐標的位置
參數c表示點的顏色，s是點的大小，alpha是透明度
這段代碼繪製的圖形如下所示：
scatter函數的詳細說明參見這裡：matplotlib.pyplot.scatter
pie函數用來繪製餅狀圖。餅狀圖通常用來表達集合中各個部分的百分比。
# 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()
這段代碼說明如下：
data是一組包含7個數據的隨機數值
圖中的標籤通過labels來指定
autopct指定了數值的精度格式
plt.axis('equal')設置了坐標軸大小一致
plt.legend()指明要繪製圖例（見下圖的右上角）
這段代碼輸出的圖形如下所示：
pie函數的詳細說明參見這裡：matplotlib.pyplot.pie
bar函數用來繪製條形圖。條形圖常常用來描述一組數據的對比情況，例如：一周七天，每天的城市車流量。
下面是一個代碼示例：
# bar.py
import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()
這段代碼說明如下：
這幅圖展示了一組包含7個隨機數值的結果，每個數值是[0, 100]的隨機數
它們的顏色也是通過隨機數生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）個隨機數，然後將它們組裝成7行，那麼每行就是三個數，這對應了顏色的三個組成部分。如果不理解這行代碼，請先學習一下Python 機器學習庫 NumPy 教程
title指定了圖形的標題，labels指定了標籤，alpha是透明度
這段代碼輸出的圖形如下所示：
bar函數的詳細說明參見這裡：matplotlib.pyplot.bar
hist函數用來繪製直方圖。直方圖看起來是條形圖有些類似。但它們的含義是不一樣的，直方圖描述了數據中某個範圍內數據出現的頻度。這麼說有些抽象，我們通過一個代碼示例來描述就好理解了：
# hist.py
import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]
plt.hist(data, bins=bins, label=labels)
plt.legend()
plt.show()
上面這段代碼中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三個數組的數組，這其中：
第一個數組包含了3000個隨機數，這些隨機數的範圍是 [0, 3000)
第二個數組包含了4000個隨機數，這些隨機數的範圍是 [0, 4000)
第三個數組包含了5000個隨機數，這些隨機數的範圍是 [0, 5000)
bins數組用來指定我們顯示的直方圖的邊界，即：[0, 100) 會有一個數據點，[100, 500)會有一個數據點，以此類推。所以最終結果一共會顯示7個數據點。同樣的，我們指定了標籤和圖例。
這段代碼的輸出如下圖所示：
在這幅圖中，我們看到，三組數據在3000以下都有數據，並且頻度是差不多的。但藍色條只有3000以下的數據，橙色條只有4000以下的數據。這與我們的隨機數組數據剛好吻合。
hist函數的詳細說明參見這裡：matplotlib.pyplot.hist
通過本文，我們已經知道了Matplotlib的大致使用方法和幾種最基本的圖形的繪製方式。
需要說明的是，由於是入門教程，因此本文中我們只給出了這些函數和圖形最基本的使用方法。但實際上，它們的功能遠不止這麼簡單。因此本文中我們貼出了這些函數的API地址以便讀者進一步的研究。
看完本文有收穫？請轉發分享給更多人
關注「Python開發者」，提升Python技能