「这是我参与11月更文挑战的第19天，活动详情查看：2021最后一次更文挑战」
电子书地址：github.com/rougier/sci…
推荐开源技术详解matplotlib的书籍：《scientific-visualization-book》。 主要讲解 Matplotlib 库的介绍与基本原理、图形设计、图形布局与组织、3D 图形与动画等内容。
目录
anatomy of figure
如上图所示，matplotlib图形由多个元素的层次结构组成，这些元素组合在一起形成实际图形，了解图形的不同元素很重要。
元素
figure最重要的元素是figure本身。它是在调用figure方法时创建的，我们已经看到您可以指定其大小，也可以指定背景色（facecolor）和标题（suptitle）。重要的是要知道，在保存figure时不会使用背景色，因为savefig函数还有一个facecolor参数（默认为白色），该参数将覆盖figure的背景色。如果不需要任何背景，可以在保存figure时指定transparent=True。
Axes是第二个最重要的元素，对应数据实际的呈现区域。它也被称为subplot。每个图形可以有一到多个轴，每个轴通常由称为spines的四条边（左、上、右和下）包围。这些spines中的每一根都可以用major ticks和minor ticks（分别指向内部或外部）、tick labels和label来装饰。
这些装饰过的spines被称为轴(axis)。水平方向是X轴，垂直方向是Y轴。每一个都由spine、major ticks和minor ticks、主刻度标签和次刻度标签以及轴标签组成。
spines是连接轴刻度线并标注数据区域边界的线。它们可以放置在任意位置，可以是可见的，也可以是不可见的。
图形上的一切，包括图形、轴和轴对象，都是artist。包括文字对象、Line2D对象、集合对象、面片对象。渲染人物时，所有artist都被绘制到画布上。给定的artist只能在一个轴上。
渲染
作者对matplotlib的渲染也给出了详细的设置方式
import matplotlib
matplotlib.use("xxx")
复制代码维度和分辨率
fig = plt.figure(figsize=(6,6))
plt.savefig("output.png")
复制代码matplotlib的默认dpi为100，该尺寸对应于6英寸乘以6英寸的分辨率。对于一篇 scientific article，出版商通常会要求figures dpi在300到600之间。为了让dpi设置变得正确，我们需要知道在文档中插入图形的物理尺寸是多少。
作者提供了一个更具体的例子，让我们考虑一下这本书的格式是A5（148×210毫米）。左右边距各为20毫米，图像通常使用全文宽度显示。这意味着图像的物理宽度正好为108毫米，或大约为4.25英寸。如果我们使用推荐的600 dpi，我们最终会得到2550 pixels的宽度，这可能超出屏幕分辨率，因此不太方便。相反，当我们在屏幕上显示图形时，我们可以使用默认的 matplotlib dpi（100），只有在保存图形时，我们才使用不同且更高的dpi：
def figure(dpi):
fig = plt.figure(figsize=(4.25,.2))
ax = plt.subplot(1,1,1)
text = "Text rendered at 10pt using %d dpi" % dpi
ax.text(0.5, 0.5, text, ha="center", va="center",
fontname="Source Serif Pro",
fontsize=10, fontweight="light")
plt.savefig("figure-dpi-%03d.png" % dpi, dpi=dpi)
figure(50), figure(100), figure(300), figure(600)
复制代码作者提供了许多有用的科研作图练习
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
def curve():
n = np.random.randint(1,5)
centers = np.random.normal(0.0,1.0,n)
widths = np.random.uniform(5.0,50.0,n)
widths = 10*widths/widths.sum()
scales = np.random.uniform(0.1,1.0,n)
scales /= scales.sum()
X = np.zeros(500)
x = np.linspace(-3,3,len(X))
for center, width, scale in zip(centers, widths, scales):
X = X + scale*np.exp(- (x-center)*(x-center)*width)
return X
np.random.seed(123)
cmap = mpl.cm.get_cmap("Spectral")
fig = plt.figure(figsize=(8, 8))
ax = None
for n in range(3):
ax = plt.subplot(1, 3, n + 1, frameon=False, sharex=ax)
for i in range(50):
Y = curve()
X = np.linspace(-3, 3, len(Y))
ax.plot(X, 3 * Y + i, color="k", linewidth=0.75, zorder=100 - i)
color = cmap(i / 50)
ax.fill_between(X, 3 * Y + i, i, color=color, zorder=100 - i)
# Some random text on the right of the curve
v = np.random.uniform(0, 1)
if v < 0.4:
text = "*"
if v < 0.05:
text = "***"
elif v < 0.2:
text = "**"
ax.text(
3.0,
i,
text,
ha="right",
va="baseline",
size=8,
transform=ax.transData,
zorder=300,
)
ax.yaxis.set_tick_params(tick1On=False)
ax.set_xlim(-3, 3)
ax.set_ylim(-1, 53)
ax.axvline(0.0, ls="--", lw=0.75, color="black", zorder=250)
ax.text(
0.0,
1.0,
"Value %d" % (n + 1),
ha="left",
va="top",
weight="bold",
transform=ax.transAxes,
)
if n == 0:
ax.yaxis.set_tick_params(labelleft=True)
ax.set_yticks(np.arange(50))
ax.set_yticklabels(["Serie %d" % i for i in range(1, 51)])
for tick in ax.yaxis.get_major_ticks():
tick.label.set_fontsize(6)
tick.label.set_verticalalignment("bottom")
else:
ax.yaxis.set_tick_params(labelleft=False)
plt.tight_layout()
plt.savefig("./zorder-plots.png", dpi=600)
plt.savefig("./zorder-plots.pdf")
plt.show()
复制代码参考资料：
[1] Nicolas Rougier. Scientific Visualization: Python + Matplotlib. Nicolas P. Rougier. 2021, 978-2- 9579901-0-8. hal-03427242