初级绘制
这一节中，我们将从简到繁：先尝试用默认配置在同一张图上绘制正弦和余弦函数图像，然后逐步美化它。
第一步，是取得正弦函数和余弦函数的值：
| 1 2 3 4 | from pylab import * X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) |
复制
X 是一个 numpy 数组，包含了从 −π−π 到 +π+π 等间隔的 256 个值。C 和 S 则分别是这 256 个值对应的余弦和正弦函数值组成的 numpy 数组。
你可以在 IPython 的交互模式下测试代码，也可以下载代码（下载链接就是这些示例图），然后执行：
| 1 | python exercise_1.py |
复制
使用默认配置
Matplotlib 的默认配置都允许用户自定义。你可以调整大多数的默认配置：图片大小和分辨率（dpi）、线宽、颜色、风格、坐标轴、坐标轴以及网格的属性、文字与字体属性等。不过，matplotlib 的默认配置在大多数情况下已经做得足够好，你可能只在很少的情况下才会想更改这些默认配置。
| 1 2 3 4 5 6 7 8 9 | from pylab import * X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) plot(X,C) plot(X,S) show() |
复制
默认配置的具体内容
下面的代码中，我们展现了 matplotlib 的默认配置并辅以注释说明，这部分配置包含了有关绘图样式的所有配置。代码中的配置与默认配置完全相同，你可以在交互模式中修改其中的值来观察效果。
| 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 | # 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=”green”, linewidth=1.0, linestyle=”-“) # 设置横轴的上下限 xlim(-4.0,4.0) # 设置横轴记号 xticks(np.linspace(-4,4,9,endpoint=True)) # 设置纵轴的上下限 ylim(-1.0,1.0) # 设置纵轴记号 yticks(np.linspace(-1,1,5,endpoint=True)) # 以分辨率 72 来保存图片 # savefig(“exercice_2.png”,dpi=72) # 在屏幕上显示 show() |
复制
改变线条的颜色和粗细
首先，我们以蓝色和红色分别表示余弦和正弦函数，而后将线条变粗一点。接下来，我们在水平方向拉伸一下整个图。
| 1 2 3 4 5 | … figure(figsize=(10,6), dpi=80) plot(X, C, color=”blue”, linewidth=2.5, linestyle=”-“) plot(X, S, color=”red”, linewidth=2.5, linestyle=”-“) … |
复制
设置图片边界
当前的图片边界设置得不好，所以有些地方看得不是很清楚。
| 1 2 3 4 | … xlim(X.min()*1.1, X.max()*1.1) ylim(C.min()*1.1, C.max()*1.1) … |
复制
更好的方式是这样：
| 1 2 3 4 5 6 7 8 | xmin ,xmax = X.min(), X.max() ymin, ymax = Y.min(), Y.max() dx = (xmax – xmin) * 0.2 dy = (ymax – ymin) * 0.2 xlim(xmin – dx, xmax + dx) ylim(ymin – dy, ymax + dy) |
复制
设置记号
我们讨论正弦和余弦函数的时候，通常希望知道函数在 ±π±π 和 ±π2±π2 的值。这样看来，当前的设置就不那么理想了。
| 1 2 3 4 | … xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]) yticks([-1, 0, +1]) … |
复制
设置记号的标签
记号现在没问题了，不过标签却不大符合期望。我们可以把 3.1423.142 当做是 ππ，但毕竟不够精确。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。
| 1 2 3 4 5 6 7 | … 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’$+1$’]) … |
复制
移动脊柱
坐标轴线和上面的记号连在一起就形成了脊柱（Spines，一条线段上有一系列的凸起，是不是很像脊柱骨啊~），它记录了数据区域的范围。它们可以放在任意位置，不过至今为止，我们都把它放在图的四边。
实际上每幅图有四条脊柱（上下左右），为了将脊柱放在图的中间，我们必须将其中的两条（上和右）设置为无色，然后调整剩下的两条到合适的位置——数据空间的 0 点。
| 1 2 3 4 5 6 7 8 9 | … ax = gca() ax.spines[‘right’].set_color(‘none’) ax.spines[‘top’].set_color(‘none’) ax.xaxis.set_ticks_position(‘bottom’) ax.spines[‘bottom’].set_position((‘data’,0)) ax.yaxis.set_ticks_position(‘left’) ax.spines[‘left’].set_position((‘data’,0)) … |
复制
添加图例
我们在图的左上角添加一个图例。为此，我们只需要在 plot 函数里以「键 – 值」的形式增加一个参数。
| 1 2 3 4 5 6 | … plot(X, C, color=”blue”, linewidth=2.5, linestyle=”-“, label=”cosine”) plot(X, S, color=”red”, linewidth=2.5, linestyle=”-“, label=”sine”) legend(loc=’upper left’) … |
复制
给一些特殊点做注释
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。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | … t = 2*np.pi/3 plot([t,t],[0,np.cos(t)], color =’blue’, linewidth=2.5, linestyle=”–“) scatter([t,],[np.cos(t),], 50, color =’blue’) annotate(r’$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$’, 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’$\cos(\frac{2\pi}{3})=-\frac{1}{2}$’, xy=(t, np.cos(t)), xycoords=’data’, xytext=(-90, -50), textcoords=’offset points’, fontsize=16, arrowprops=dict(arrowstyle=”->”, connectionstyle=”arc3,rad=.2″)) … |
复制
精益求精
坐标轴上的记号标签被曲线挡住了，作为强迫症患者（雾）这是不能忍的。我们可以把它们放大，然后添加一个白色的半透明底色。这样可以保证标签和曲线同时可见。
| 1 2 3 4 5 | … for label in ax.get_xticklabels() + ax.get_yticklabels(): label.set_fontsize(16) label.set_bbox(dict(facecolor=’white’, edgecolor=’None’, alpha=0.65 )) … |
复制
图像、子图、坐标轴和记号
到目前为止，我们都用隐式的方法来绘制图像和坐标轴。快速绘图中，这是很方便的。我们也可以显式地控制图像、子图、坐标轴。Matplotlib 中的「图像」指的是用户界面看到的整个窗口内容。在图像里面有所谓「子图」。子图的位置是由坐标网格确定的，而「坐标轴」却不受此限制，可以放在图像的任意位置。我们已经隐式地使用过图像和子图：当我们调用 plot 函数的时候，matplotlib 调用 gca() 函数以及 gcf() 函数来获取当前的坐标轴和图像；如果无法获取图像，则会调用 figure() 函数来创建一个——严格地说，是用 subplot(1,1,1) 创建一个只有一个子图的图像。