本文作为学习过程中对matplotlib一些常用知识点的整理，方便查找。
强烈推荐ipython 无论你工作在什么项目上，IPython都是值得推荐的。利用ipython --pylab，可以进入PyLab模式，已经导入了matplotlib库与相关软件包（例如Numpy和Scipy)，额可以直接使用相关库的功能。
这样IPython配置为使用你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。
为了在图表中能够显示中文和负号等，需要下面一段设置：
import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号 1 2 3 import matplotlib . pyplot as plt plt . rcParams [ 'font.sans-serif' ] = [ 'SimHei' ] #用来正常显示中文标签 plt . rcParams [ 'axes.unicode_minus' ] = False #用来正常显示负号可以使用ipython --pylab打开ipython命名窗口。
%matplotlib inline #notebook模式下 %pylab inline #ipython模式下 1 2 3 % matplotlib inline #notebook模式下 % pylab inline #ipython模式下这两个命令都可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，但是，有一个缺陷：除非将代码一次执行，否则，无法叠加绘图，因为在这两种模式下，是要有plt出现，图片会立马show出来，因此：
推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。
在代码执行过程中，有两种方式更改参数：
使用参数字典(rcParams)调用matplotlib.rc()命令 通过传入关键字元祖，修改参数如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用matplot.get_config()命令来找到当前用户的配置文件目录。
配置文件包括以下配置项：
axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示 backend: 设置目标暑促TkAgg和GTKAgg figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置 font: 字体集（font family）、字体大小和样式设置 grid: 设置网格颜色和线性 legend: 设置图例和其中的文本的显示 line: 设置线条（颜色、线型、宽度等）和标记 patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。 savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。 verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。 xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。
可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。
别名颜色别名颜色b蓝色g绿色r红色y黄色c青色k黑色m洋红色w白色如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：
使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字（’red’,’chartreuse’等）。也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)很多方法可以介绍颜色参数，如title()。 plt.tilte('Title in a custom color',color='#123456'）
通过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数，可以指定坐标这的背景色。
subplot(111,axisbg=(0.1843,0.3098,0.3098)
如果你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度，因此x的数据是[0,1,2,3].
图片来自:绘图: matplotlib核心剖析
用一条指令画多条不同格式的线。
import numpy as np import matplotlib.pyplot as plt # evenly sampled time at 200ms intervals t = np.arange(0., 5., 0.2) # red dashes, blue squares and green triangles plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^') plt.show() 1 2 3 4 5 6 7 8 9 import numpy as np import matplotlib . pyplot as plt # evenly sampled time at 200ms intervals t = np . arange ( 0. , 5. , 0.2 ) # red dashes, blue squares and green triangles plt . plot ( t , t , 'r--' , t , t* * 2 , 'bs' , t , t* * 3 , 'g^' ) plt . show ( )你可以多次使用figure命令来产生多个图，其中，图片号按顺序增加。这里，要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常，你并不需要考虑这些事，下面的这个例子为大家演示这一细节。
import matplotlib.pyplot as plt plt.figure(1) # 第一张图 plt.subplot(211) # 第一张图中的第一张子图 plt.plot([1,2,3]) plt.subplot(212) # 第一张图中的第二张子图 plt.plot([4,5,6]) plt.figure(2) # 第二张图 plt.plot([4,5,6]) # 默认创建子图subplot(111) plt.figure(1) # 切换到figure 1 ; 子图subplot(212)仍旧是当前图 plt.subplot(211) # 令子图subplot(211)成为figure1的当前图 plt.title('Easy as 1,2,3') # 添加subplot 211 的标题 1 2 3 4 5 6 7 8 9 10 11 12 13 14 import matplotlib . pyplot as plt plt . figure ( 1 ) # 第一张图 plt . subplot ( 211 ) # 第一张图中的第一张子图 plt . plot ( [ 1 , 2 , 3 ] ) plt . subplot ( 212 ) # 第一张图中的第二张子图 plt . plot ( [ 4 , 5 , 6 ] ) plt . figure ( 2 ) # 第二张图 plt . plot ( [ 4 , 5 , 6 ] ) # 默认创建子图subplot(111) plt . figure ( 1 ) # 切换到figure 1 ; 子图subplot(212)仍旧是当前图 plt . subplot ( 211 ) # 令子图subplot(211)成为figure1的当前图 plt . title ( 'Easy as 1,2,3' ) # 添加subplot 211 的标题figure感觉就是给图像ID，之后可以索引定位到它。
text中前两个参数感觉应该是文本出现的坐标位置。
在数据可视化的过程中，图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。1
import numpy as np import matplotlib.pyplot as plt ax = plt.subplot(111) t = np.arange(0.0, 5.0, 0.01) s = np.cos(2*np.pi*t) line, = plt.plot(t, s, lw=2) plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5), arrowprops=dict(facecolor='black', shrink=0.05), ) plt.ylim(-2,2) plt.show() 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 import numpy as np import matplotlib . pyplot as plt ax = plt . subplot ( 111 ) t = np . arange ( 0.0 , 5.0 , 0.01 ) s = np . cos ( 2 * np . pi* t ) line , = plt . plot ( t , s , lw = 2 ) plt . annotate ( 'local max' , xy = ( 2 , 1 ) , xytext = ( 3 , 1.5 ) , arrowprops = dict ( facecolor = 'black' , shrink = 0.05 ) , ) plt . ylim ( - 2 , 2 ) plt . show ( )现在是明白干嘛用的了，就是人为设置坐标轴的刻度显示的值。
# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用） from pylab import * # 创建一个 8 * 6 点（point）的图，并设置分辨率为 80 figure(figsize=(8,6), dpi=80) # 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块） subplot(1,1,1) X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) # 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条 plot(X, C, color="blue", linewidth=1.0, linestyle="-") # 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条 plot(X, S, color="r", lw=4.0, linestyle="-") plt.axis([-4,4,-1.2,1.2]) # 设置轴记号 xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-pi$', r'$-pi/2$', r'$0$', r'$+pi/2$', r'$+pi$']) yticks([-1, 0, +1], [r'$-1$', r'$0$', r'$+1$']) # 在屏幕上显示 show() 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 # 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用） from pylab import * # 创建一个 8 * 6 点（point）的图，并设置分辨率为 80 figure ( figsize = ( 8 , 6 ) , dpi = 80 ) # 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块） subplot ( 1 , 1 , 1 ) X = np . linspace ( - np . pi , np . pi , 256 , endpoint = True ) C , S = np . cos ( X ) , np . sin ( X ) # 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条 plot ( X , C , color = "blue" , linewidth = 1.0 , linestyle = "-" ) # 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条 plot ( X , S , color = "r" , lw = 4.0 , linestyle = "-" ) plt . axis ( [ - 4 , 4 , - 1.2 , 1.2 ] ) # 设置轴记号 xticks ( [ - np . pi , - np . pi / 2 , 0 , np . pi / 2 , np . pi ] , [ r '$-pi$' , r '$-pi/2$' , r '$0$' , r '$+pi/2$' , r '$+pi$' ] ) yticks ( [ - 1 , 0 , + 1 ] , [ r '$-1$' , r '$0$' , r '$+1$' ] ) # 在屏幕上显示 show ( )当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。2
这个地方确实没看懂，囧，以后再说吧，感觉就是移动了坐标轴的位置。
使用plt.style.use('ggplot')命令，可以作出ggplot风格的图片。
# Import necessary packages import pandas as pd %matplotlib inline import matplotlib.pyplot as plt plt.style.use('ggplot') from sklearn import datasets from sklearn import linear_model import numpy as np # Load data boston = datasets.load_boston() yb = boston.target.reshape(-1, 1) Xb = boston['data'][:,5].reshape(-1, 1) # Plot data plt.scatter(Xb,yb) plt.ylabel('value of house /1000 ($)') plt.xlabel('number of rooms') # Create linear regression object regr = linear_model.LinearRegression() # Train the model using the training sets regr.fit( Xb, yb) # Plot outputs plt.scatter(Xb, yb, color='black') plt.plot(Xb, regr.predict(Xb), color='blue', linewidth=3) plt.show() 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 # Import necessary packages import pandas as pd % matplotlib inline import matplotlib . pyplot as plt plt . style . use ( 'ggplot' ) from sklearn import datasets from sklearn import linear_model import numpy as np # Load data boston = datasets . load_boston ( ) yb = boston . target . reshape ( - 1 , 1 ) Xb = boston [ 'data' ] [ : , 5 ] . reshape ( - 1 , 1 ) # Plot data plt . scatter ( Xb , yb ) plt . ylabel ( 'value of house /1000 ($)' ) plt . xlabel ( 'number of rooms' ) # Create linear regression object regr = linear_model . LinearRegression ( ) # Train the model using the training sets regr . fit ( Xb , yb ) # Plot outputs plt . scatter ( Xb , yb , color = 'black' ) plt . plot ( Xb , regr . predict ( Xb ) , color = 'blue' , linewidth = 3 ) plt . show ( )好吧，又是注释，多个例子参考一下！
我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。
t = 2*np.pi/3 # 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。 plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--") scatter([t,],[np.cos(t),], 50, color ='blue') annotate(r'$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$', xy=(t, np.sin(t)), xycoords='data', xytext=(+10, +30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--") scatter([t,],[np.sin(t),], 50, color ='red') annotate(r'$cos(frac{2pi}{3})=-frac{1}{2}$', xy=(t, np.cos(t)), xycoords='data', xytext=(-90, -50), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 t = 2 * np . pi / 3 # 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。 plot ( [ t , t ] , [ 0 , np . cos ( t ) ] , color = 'blue' , linewidth = 2.5 , linestyle = "--" ) scatter ( [ t , ] , [ np . cos ( t ) , ] , 50 , color = 'blue' ) annotate ( r '$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$' , xy = ( t , np . sin ( t ) ) , xycoords = 'data' , xytext = ( + 10 , + 30 ) , textcoords = 'offset points' , fontsize = 16 , arrowprops = dict ( arrowstyle = "->" , connectionstyle = "arc3,rad=.2" ) ) plot ( [ t , t ] , [ 0 , np . sin ( t ) ] , color = 'red' , linewidth = 2.5 , linestyle = "--" ) scatter ( [ t , ] , [ np . sin ( t ) , ] , 50 , color = 'red' ) annotate ( r '$cos(frac{2pi}{3})=-frac{1}{2}$' , xy = ( t , np . cos ( t ) ) , xycoords = 'data' , xytext = ( - 90 , - 50 ) , textcoords = 'offset points' , fontsize = 16 , arrowprops = dict ( arrowstyle = "->" , connectionstyle = "arc3,rad=.2" ) )plt.subplot(2,3,1)表示把图标分割成2*3的网格。也可以简写plt.subplot(231)。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。
我们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下34：
plt.axes-官方文档
axes() by itself creates a default full subplot(111) window axis.axes(rect, axisbg=’w’) where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，因此，若是要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。
show code:
http://matplotlib.org/examples/pylab_examples/axes_demo.html import matplotlib.pyplot as plt import numpy as np # create some data to use for the plot dt = 0.001 t = np.arange(0.0, 10.0, dt) r = np.exp(-t[:1000]/0.05) # impulse response x = np.random.randn(len(t)) s = np.convolve(x, r)[:len(x)]*dt # colored noise # the main axes is subplot(111) by default plt.plot(t, s) plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)]) plt.xlabel('time (s)') plt.ylabel('current (nA)') plt.title('Gaussian colored noise') # this is an inset axes over the main axes a = plt.axes([.65, .6, .2, .2], axisbg='y') n, bins, patches = plt.hist(s, 400, normed=1) plt.title('Probability') plt.xticks([]) plt.yticks([]) # this is another inset axes over the main axes a = plt.axes([0.2, 0.6, .2, .2], axisbg='y') plt.plot(t[:len(r)], r) plt.title('Impulse response') plt.xlim(0, 0.2) plt.xticks([]) plt.yticks([]) plt.show() 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 http : //matplotlib.org/examples/pylab_examples/axes_demo.html import matplotlib . pyplot as plt import numpy as np # create some data to use for the plot dt = 0.001 t = np . arange ( 0.0 , 10.0 , dt ) r = np . exp ( - t [ : 1000 ] / 0.05 ) # impulse response x = np . random . randn ( len ( t ) ) s = np . convolve ( x , r ) [ : len ( x ) ] * dt # colored noise # the main axes is subplot(111) by default plt . plot ( t , s ) plt . axis ( [ 0 , 1 , 1.1 * np . amin ( s ) , 2 * np . amax ( s ) ] ) plt . xlabel ( 'time (s)' ) plt . ylabel ( 'current (nA)' ) plt . title ( 'Gaussian colored noise' ) # this is an inset axes over the main axes a = plt . axes ( [ . 65 , . 6 , . 2 , . 2 ] , axisbg = 'y' ) n , bins , patches = plt . hist ( s , 400 , normed = 1 ) plt . title ( 'Probability' ) plt . xticks ( [ ] ) plt . yticks ( [ ] ) # this is another inset axes over the main axes a = plt . axes ( [ 0.2 , 0.6 , . 2 , . 2 ] , axisbg = 'y' ) plt . plot ( t [ : len ( r ) ] , r ) plt . title ( 'Impulse response' ) plt . xlim ( 0 , 0.2 ) plt . xticks ( [ ] ) plt . yticks ( [ ] ) plt . show ( )找出matpltlib.pyplot.plot中的colors可以取哪些值？
so-Named colors in matplotlib-matplotlib学习之（四）设置线条颜色、形状 for name,hex in matplotlib.colors.cnames.iteritems(): print name,hex 1 2 for name , hex in matplotlib . colors . cnames . iteritems ( ) : print name , hex打印颜色值和对应的RGB值。
plt.axis('equal')避免比例压缩为椭圆