從一個小例子開始
繪制一條直線（折線圖）
import matplotlib.pyplot as plt
import numpy as np
data=np.arange(10)
plt.plot(data)
plt.show()
Figure和Subplot
matplotlib的圖像都位于Figure對象中。你可以用plt.figure建立一個新的Figure：
plt.figure有一些選項，特别是figsize，它用于確定當圖檔儲存到磁盤時具有一定的大小和縱橫比。
不能通過空 Figure 繪圖。必須用 add_subplot 建立一個或多個 subplot 才行：
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
圖9-2 帶有三個subplot的Figure
提示：使用Jupyter notebook有一點不同，即每個小窗重新執行後，圖形會被重置。是以，對于複雜的圖形，你必須将所有的繪圖指令存在一個小窗裡。
如果這時執行一條繪圖指令 plt.plot()，matplotlib就會在最後一個用過的subplot（如果沒有則建立一個）上進行繪制，隐藏建立figure和subplot的過程。是以，如果我們執行下列指令，你就會得到如圖9-3所示的結果：
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
plt.plot(np.random.randn(50).cumsum(), 'k--')
圖9-3 繪制一次之後的圖像
上面那些由 fig.add_subplot 所傳回的對象是 AxesSubplot 對象，直接調用它們的執行個體方法就可以在其空着的格子裡面畫圖了，如圖9-4所示：
# 直方圖
# randn(2，3)表示2行3列的标準正态分布（期望為0，方差為1，也稱高斯分布）
# alpha 是透明度
ax1.hist(np.random.randn(100), bins=20, color='k', alpha=0.3)
# 散點圖
# arange(3,7,2) 表示從3開始，再到下一個相差2的數，一直到6（前包後不包）
# 傳回array([3,5])
ax2.scatter(np.arange(30), np.arange(30) + 3 * np.random.randn(30))
圖9-4 繼續繪制兩次之後的圖像
建立包含subplot網格的figure是一個非常常見的任務，matplotlib有一個更為友善的方法plt.subplots，它可以建立一個新的Figure，并傳回一個含有已建立的subplot對象的NumPy數組：
fig, axes = plt.subplots(2,3)
axes
array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000001CCD6617048>,
<matplotlib.axes._subplots.AxesSubplot object at 0x000001CCD66434A8>],
[<matplotlib.axes._subplots.AxesSubplot object at 0x000001CCD6669A90>,
<matplotlib.axes._subplots.AxesSubplot object at 0x000001CCD6699160>]],
dtype=object)
這是非常實用的，因為可以輕松地對axes數組進行索引，就好像是一個二維數組一樣，例如axes[0,1]。
你還可以通過sharex和sharey指定subplot應該具有相同的X軸或Y軸。在比較相同範圍的資料時，這也是非常實用的，否則，matplotlib會自動縮放各圖表的界限。
# sharex=True： 4個subplot共享x軸
fig, axes = plt.subplots(2,2, sharex=True)
有關該方法的更多資訊，請參見表9-1。
調整subplot周圍的間距
利用Figure的subplots_adjust方法可以輕而易舉地修改間距，此外，它也是個頂級函數：
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)
for i in range(2):
for j in range(2):
axes[i, j].hist(np.random.randn(500), bins=50, color='k', alpha=0.5)
# wspace和hspace用于控制寬度和高度的百分比
plt.subplots_adjust(wspace=0, hspace=0)
圖9-5 各subplot之間沒有間距
不難看出，其中的軸标簽重疊了。matplotlib不會檢查标簽是否重疊，是以對于這種情況，你隻能自己設定刻度位置和刻度标簽。後面幾節将會詳細介紹該内容。
顔色、标記和線型
matplotlib的plot函數接受一組X和Y坐标，還可以接受一個表示顔色和線型的字元串縮寫。例如，要根據x和y繪制綠色虛線，你可以執行如下代碼：
這種在一個字元串中指定顔色和線型的方式非常友善。在實際中，如果你是用代碼繪圖，你可能不想通過處理字元串來獲得想要的格式。通過下面這種更為明确的方式也能得到同樣的效果：
常用的顔色可以使用顔色縮寫，你也可以指定顔色碼（例如，’#CECECE’）。你可以通過檢視plot的文檔字元串檢視所有線型的合集（在IPython和Jupyter中使用plot?）。
線圖可以使用标記強調資料點。因為matplotlib可以建立連續線圖，在點之間進行插值，是以有時可能不太容易看出真實資料點的位置。标記也可以放到格式字元串中，但标記類型和線型必須放在顔色後面（見圖9-6）：
from numpy.random import randn
# y表示黃色，o表示資料點為實心圓點，-- 表示虛線。
plt.plot(randn(30).cumsum(), 'yo--')
圖9-6 帶有标記的線型圖示例
線上型圖中，非實際資料點預設是按線性方式插值的。可以通過drawstyle選項修改（見圖9-7）：
data = np.random.randn(30).cumsum()
# 非資料點預設為線性插值方式繪制
plt.plot(data, 'k--', label='Default')
# 非資料點使用 drawstyle='steps-post'方式繪制
plt.plot(data, 'k-', drawstyle='steps-post', label='steps-post')
plt.legend(loc='best')
圖9-7 不同drawstyle選項的線型圖
刻度、标簽和圖例
對于大多數的圖表裝飾項，其主要實作方式有二：
- 使用過程型的pyplot接口（例如，matplotlib.pyplot）
- 以及更為面向對象的原生matplotlib API。
pyplot接口的設計目的就是互動式使用，含有諸如xlim、xticks和xticklabels之類的方法。它們分别控制圖表的範圍、刻度位置、刻度标簽等。其使用方式有以下兩種：
- 調用時不帶參數，則傳回目前的參數值（例如，plt.xlim() 傳回目前的X軸繪圖範圍）。
- 調用時帶參數，則設定參數值（例如，plt.xlim([0,10]) 會将X軸的範圍設定為0到10）。
所有這些方法都是對目前或最近建立的AxesSubplot起作用的。它們各自對應subplot對象上的兩個方法，以xlim為例，就是ax.get_xlim和ax.set_xlim。我更喜歡使用subplot的執行個體方法（因為我喜歡明确的事情，而且在處理多個subplot時這樣也更清楚一些）。當然你完全可以選擇自己覺得友善的那個。
設定标題、軸标簽、刻度以及刻度标簽
為了說明自定義軸，我将建立一個簡單的圖像并繪制一段随機漫步（如圖9-8所示）：
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.plot(np.random.randn(1000).cumsum())
圖9-8 用于示範xticks的簡單線型圖（帶有标簽）
要改變x軸刻度，最簡單的辦法是使用 set_xticks 和 set_xticklabels。前者告訴matplotlib要将刻度放在資料範圍中的哪些位置，預設情況下，這些位置也就是刻度标簽。但我們可以通過set_xticklabels将任何其他的值用作标簽：
ticks = ax.set_xticks([0, 250, 500, 750, 1000])
labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],
rotation=30, fontsize='small')
# rotation選項設定x刻度标簽傾斜30度
最後，再用 set_xlabel 為X軸設定一個名稱，并用 set_title 設定一個标題（見圖9-9的結果）：
ax.set_title('My first matplotlib plot')
ax.set_xlabel('Stages')
圖9-9 用于示範xticks的簡單線型圖
Y軸的修改方式與此類似，隻需将上述代碼中的x替換為y即可。
軸的類有集合方法，可以批量設定繪圖選項。前面的例子，也可以寫為：
props = {'title': 'My first matplotlib plot', 'xlabel': 'Stages'}
ax.set(**props)
添加圖例
圖例（legend）是另一種用于辨別圖表元素的重要工具。添加圖例的方式有多種。最簡單的是在添加subplot的時候傳入label參數：
from numpy.random import randn
fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)
ax.plot(randn(1000).cumsum(), 'k', label='one')
ax.plot(randn(1000).cumsum(), 'k--', label='two')
ax.plot(randn(1000).cumsum(), 'k.', label='three')
ax.legend(loc='best')
在此之後，你可以調用ax.legend()或plt.legend()來自動建立圖例（結果見圖9-10）：
圖9-10 帶有三條線以及圖例的簡單線型圖
legend方法有幾個其它的loc位置參數選項。
loc告訴matplotlib要将圖例放在哪。如果你不是吹毛求疵的話，"best"是不錯的選擇，因為它會選擇最不礙事的位置。要從圖例中去除一個或多個元素，不傳入label或傳入label='nolegend’即可。
注解以及在Subplot上繪圖
除标準的繪圖元素，你可能還希望繪制一些注解，可能是文本、箭頭或其他圖形等。注解和文字可以通過text、arrow和annotate函數進行添加。text可以将文本繪制在圖表的指定坐标(x,y)，還可以加上一些自定義格式：
注解中可以既含有文本也含有箭頭。例如，我們根據最近的标準普爾500指數價格繪制一張曲線圖，并标出2008年到2009年金融危機期間的一些重要日期。你可以在Jupyter notebook的一個小窗中試驗這段代碼（圖9-11是結果）：
from datetime import datetime
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
# parse_dates 解析為日期格式
data = pd.read_csv('examples/spx.csv', index_col=0, parse_dates=True)
spx = data['SPX']
spx.plot(ax=ax, style='k-')
crisis_data = [
(datetime(2007, 10, 11), 'Peak of bull market'),
(datetime(2008, 3, 12), 'Bear Stearns Fails'),
(datetime(2008, 9, 15), 'Lehman Bankruptcy')]
for date, label in crisis_data:
# asof(date) 将date 作為索引，傳回這個索引對應的行值
ax.annotate(label, xy=(date, spx.asof(date) + 75),
xytext=(date, spx.asof(date) + 225),
arrowprops=dict(facecolor='black',headwidth=4,width=2,headlength=4),
horizontalalignment='left', verticalalignment='top')
# Zoom in on 2007-2010
ax.set_xlim(['1/1/2007', '1/1/2011'])
ax.set_ylim([600, 1800])
ax.set_title('Important dates in the 2008-2009 financial crisis')
圖9-11 2008-2009年金融危機期間的重要日期
這張圖中有幾個重要的點要強調：ax.annotate方法可以在指定的x和y坐标軸繪制标簽。我們使用set_xlim和set_ylim人工設定起始和結束邊界，而不使用matplotlib的預設方法。最後，用ax.set_title添加圖示标題。
更多有關注解的示例，請通路matplotlib的線上示例庫。
圖形的繪制要麻煩一些。matplotlib有一些表示常見圖形的對象。這些對象被稱為塊（patch）。其中有些（如Rectangle和Circle），可以在matplotlib.pyplot中找到，但完整集合位于matplotlib.patches。
要在圖表中添加一個圖形，你需要建立一個塊對象shp，然後通過ax.add_patch(shp)将其添加到subplot中（如圖9-12所示）：
圖9-12 由三個塊圖形組成的圖
将圖表儲存到檔案
利用plt.savefig可以将目前圖表儲存到檔案。該方法相當于Figure對象的執行個體方法savefig。例如，要将圖表儲存為SVG檔案，你隻需輸入：
檔案類型是通過檔案擴充名推斷出來的。是以，如果你使用的是.pdf，就會得到一個PDF檔案。我在釋出圖檔時最常用到兩個重要的選項是dpi（控制“每英寸點數”分辨率）和bbox_inches（可以剪除目前圖表周圍的空白部分）。要得到一張帶有最小白邊且分辨率為400DPI的PNG圖檔，你可以：
savefig并非一定要寫入磁盤，也可以寫入任何檔案型的對象，比如BytesIO：
from io import BytesIO
buffer = BytesIO()
plt.savefig(buffer)
plot_data = buffer.getvalue()
表9-2列出了savefig的其它選項。
表9-2 Figure.savefig的選項
matplotlib配置
matplotlib自帶一些配色方案，以及為生成出版品質的圖檔而設定的預設配置資訊。幸運的是，幾乎所有預設行為都能通過一組全局參數進行自定義，它們可以管理圖像大小、subplot邊距、配色方案、字型大小、網格類型等。一種Python程式設計方式配置系統的方法是使用rc方法。例如，要将全局的圖像預設大小設定為10×10，你可以執行：
rc的第一個參數是希望自定義的對象，如’figure’、‘axes’、‘xtick’、‘ytick’、‘grid’、'legend’等。其後可以跟上一系列的關鍵字參數。一個簡單的辦法是将這些選項寫成一個字典：
font_options = {'family':'monospace','weight':'bold','size':'small'}
plt.rc('font', **font_options)
要了解全部的自定義選項，請查閱matplotlib的配置檔案matplotlibrc（位于matplotlib/mpl-data目錄中）。如果對該檔案進行了自定義，并将其放在你自己的.matplotlibrc目錄中，則每次使用matplotlib時就會加載該檔案。
下一節，我們會看到，seaborn包有若幹内置的繪圖主題或類型，它們使用了matplotlib的内部配置。
.
.
參考：《利用Python進行資料分析·第2版》