matplotlib面向对象绘图小白终结版

0.写在前面

鄙人以为，在matplotlib中还是推荐使用面向对象的方法，因为它可以更好的控制和自定义绘图。
先送各位一张宝贝，这是我从matplotlib官方文档中摘下来的，拿走不谢，该图显示了大部分绘图元素：

1.先看看Matplotlib，pyplot和pylab三者的相(ai)互(hen)关(qing)系(chou)

——该条目摘自官方文档

• Matplotlib是整个包
• matplotlib.pyplot 是 matplotlib中的一个模块;
• pylab是一个与 matplotlib 一起安装的模块。

Pyplot为底层面向对象的绘图库提供状态机接口。 状态机隐式地 自动创建图形和轴 以实现所需的图形，例如：

x = np.linspace(0, 2, 100)

plt.plot(x, x, label='linear')
plt.plot(x, x**2, label='quadratic')
plt.plot(x, x**3, label='cubic')

plt.xlabel('x label')
plt.ylabel('y label')

plt.title("Simple Plot")

plt.legend()

plt.show()

第一次调用 plt.plot 将自动创建必要的图形和轴以实现所需的绘图。随后对plt.plot的调用会重新使用当前轴，并且每次都会添加另一行。设置标题，图例和轴标签还会自动使用当前轴并设置标题，创建图例并分别标记轴。

pylab是一个便利模块，相当于在单个名称空间中批量导入 matplotlib.pyplot（用于绘图）和numpy一样（用于数学和使用数组）。不过不推荐使用pylab，并且由于命名空间污染而强烈建议不要使用它。请改用pyplot。

2.matplotlib绘图对象感性理解

参考自：
https://finthon.com/matplotlib-figure-axes/

2.1.简介

• Matplotlib中大的对象主要分为三个，FigureCanvas(画布、画布层)，Figure(图、图像层)，Axes(坐标轴、绘制的区域——轴域、坐标层)(概念划分参考自：https://www.cnblogs.com/dajunma21/p/9001145.html)
• 而FigureCanvas(画布)涉及到底层操作，咱现在的水平就甭接触了8**[手动滑稽]**
• 可以说使用matplotlib绘图，一个非常基础的问题就是要搞清楚图(图像层)和坐标轴(坐标层)俩对象。只有真正了解这两个概念，才能获得对整个绘图过程的控制权。

2.2.Figure对象

import matplotlib.pyplot as plt

plt.figure()
plt.show()

使用 plt.figure() 创建一个Figure对象，通过 plt.show() 显示出来：
运行下看看：

空的，啥都没有，你懂得

2.3.axes对象

有了图像层，接下来就在图像层上绘图，因此我们首先需要创建一个坐标轴，可以调用Figure实例的 add_axes 方法：

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # [距离左边，下边，坐标轴宽度，坐标轴高度] 范围(0, 1)
plt.show()

[0.1, 0.1, 0.8, 0.8]表示的是在图像层中，坐标轴区域(坐标层)距离画布左边0.1倍的位置，距离下边0.1倍的位置，确定了这两个位置后，坐标轴的整体宽度和高度占0.8倍的大小，换句话说，距离右边和上边**0.9（0.1+0.8）**倍。得到如下结果：

2.4.自动创建对象

如果你之前就接触过一些绘图的命令，你会发现：

plt.plot([0, 1, 2])
plt.show()

直接使用这两个命令就能绘图呀，竟然没有定义画布和坐标轴，得到如下图：

这是因为matplotlib会在最近用过的坐标层上进行绘图，如果没有的话，默认会创建一个图对象(图像层)和坐标轴(坐标层)。但是显示创建图对象(图像层)和坐标轴(坐标层)的好处是让我们对绘图过程有了完全的控制权（比如可以指定在什么地方绘图），而且绘图的逻辑更强。接下来我们绘制一张图中图来理解这个过程：

import numpy as np
import matplotlib.pyplot  as plt
x = np.linspace(0, 10, 10)
y = np.sin(x)
 
# 创建画布
fig = plt.figure()
# 创建坐标轴
ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 第一个坐标轴的范围
ax2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) # 第二个坐标轴的范围
 
ax1.plot(x, y, 'r')
ax2.plot(x, y, 'g')
plt.show()

我们得到了如下图像：

在这里我们创建了两个坐标轴 ax1 和 ax2 ，分别对两个坐标层指定范围并作图

2.5.图片尺寸大小

在创建 Figure 对象的时候，我们可以使用 figsize 和 dpi 控制图片尺寸。比如：

fig = plt.figure(figsize=(16,8), dpi=100)

figsize 表示画布长宽大小，单位为英寸； dpi 表示每英寸的像素值。因此上面的命令就创建了一张1600*800像素的画布。

2.5.保存图片

从上面输出的结果来看， plt.show() 并不是输出一张图片，而是一个交互式的绘图界面。如果要保存图片，还需要通过 savefig() 保存。没有显式指定画布和坐标轴，直接使用 plt.savefig() 保存也可以，显式指明了图对象(绘图层)可以用Figure实例的方法 fig.savefig() 。matplotlib 可以生成多种格式的高质量图像，包括PNG，JPG，EPS，SVG，PGF 和 PDF，只要写好后缀名即可：

fig.savefig("result.png")

2.6.小结

建议按照显式的方法去绘图：先创建画布，再创建坐标轴，最后在坐标轴上绘图。这种代码方式会让绘图逻辑更加清晰，能够随心所欲的修改图片的每个地方。

3.matplotlib中子图对象AxesSubplot

3.1.先上实例代码感觉一下：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,10,1)
y = np.random.randn(len(x))

fig = plt.figure()  #产生一个画布
ax = fig.add_subplot(111) #在画布上创建一个子图

ax.plot(x,y)
ax.set_title("object oriented")  #设置子图标题

plt.show()

听中文名字感觉一下，子图？是不是也得添加坐标层才能绘图？
现在只创建子图画布：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,100,1)

fig = plt.figure()
ax1 = fig.add_subplot(211)

plt.show()

我们可以看到，我们没有给子图添加坐标层，但是却显示了坐标，和我们之前直接显示plt.figure()不同。
我们再瞅一眼子图的**“英文名字”——AxesSubplot**
你是不是懂了啥？[手动滑稽]
对的，这个子图是自带绘图层的，明白了这个那就ojbk啦

3.2.接下来，咱们看一看AxesSubplot别的用法

在绘图层(figure对象上)上创建两个子图(一行两列)，都显示出来

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,100,1)

fig = plt.figure()

ax1 = fig.add_subplot(121)
ax1.plot(x,x)

ax2 = fig.add_subplot(122)
ax2.plot(x,x*x)

plt.show()

---

此处可以和pyplot绘图方式简单对比一下:

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,100,1)

plt.subplot(121)
plt.plot(x, x)

plt.subplot(122)
plt.plot(x, x*x)

plt.show()

我就不解释了哈，都能看懂8

---

其实，这里还需要解释一下
plt.subplot()和fig.add_subplot()参数的含义
若参数传入231和535，显然不匹配，若用plt.subplot()则只会显示后者，若用fig.add_subplot()则都会显示出来，但有可能会重叠，显然后者在上方

3.3.添加网格

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,10)

fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x,x*2)
ax.grid(color='g',linestyle='--')

plt.show()

你懂得，这个ax.grid()对应plt.grid()

3.4.显示图例

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,11)

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

ax.plot(x,x,label='inline label')
ax.legend()

plt.show()

同理，ax.legend()对应plt.legend()
以上参考自(有删改)：https://zhuanlan.zhihu.com/p/37551786

3.5.其他对比

AxesSubplot方式	pyplot方式
ax.set_title()	plt.title()
ax.set_xlabel()	plt.xlabel()
ax.set_ylabel()	plt.ylabel()
ax.set_xlim()	plt.xlim()
ax.set_ylim()	plt.ylim()

就先这样吧，困了…