玩转Matplotlib的10个高级技巧
数据STUDIO约 9 分钟11种 Matplotlib 科研论文图表教程(附代码)
Matplotlib 可视化进阶之动画
Matplotlib 可视化之路径效果高级应用
Matplotlib 可视化之图例与标签高级应用
Matplotlib 可视化之注释与文本高级应用
Matplotlib 可视化进阶之PCA主成分分布图
Matplotlib 可视化进阶之旋转浮动轴
Matplotlib 图像可视化之 inshow 函数详解
Matplotlib 可视化之图表坐标系统
Matplotlib 可视化之箭头与标注的高级应用
Matplotlib 可视化之多图层叠加
Matplotlib 可视化之图表层次结构
4W字，最强 Matplotlib 实操指南！
数据分析最有用的25个Matplotlib图
1、rcParams
rcParams字典。它包含了用于创建图形的默认样式的所有Matplotlib设置。你可以直接从matplotlib命名空间导入它:
from matplotlib import rcParams
>>> rcParams
...
'axes.grid': False,
'axes.grid.axis': 'both',
'axes.grid.which': 'major',
'axes.labelcolor': 'black',
'axes.labelpad': 4.0,
'axes.labelsize': 'medium',
'axes.labelweight': 'normal',
'axes.linewidth': 0.8,
... rcParams['figure.figsize'] = 8, 6
rcParams['legend.fontsize'] = "large"
rcParams['xtick.major.size'] = 4
rcParams['xtick.minor.size'] = 1
这时所有的Matplotlib设置，如果你想修改任何的Matplotlib参数，直接修改这个字典就可以了，你甚至可以将他序列化到本地，然后在其他项目中直接加载，这样你的每一个Matplotlib实例使用的都是相同的配置了。还可以调用PyPlot的rcdefaults函数，它会将所有参数重置成默认值。
plt.rcdefaults()
2、get_* functions
在底层，Matplotlib是完全面向对象的。
上图中看到的每个单独的组件都是作为一个单独的类实现的。它们都继承自基类Matplotlib Artist。但是类太多，并且每个类的参数都不一样这会给使用带来很大的不方便，所以Matplotlib定制了有许多以get_前缀开头的函数，可以直接创建图形中的组件。下面是一个例子:
fig, ax = plt.subplots() >>> [func for func in dir(ax) if func.startswith("get")]
['get_adjustable',
'get_label',
'get_legend',
'get_legend_handles_labels',
'get_lines',
'get_navigate',
'get_title',
'get_transform',
'get_xmajorticklabels',
'get_xminorticklabels',
'get_xscale',
'get_xticklabels',
'get_zorder']
假设我们想自定义一个图形的坐标:
x = np.linspace(0, 2, 100) fig, ax = plt.subplots() # Create a figure and an axes.
l1 = ax.plot(x, x, label="linear")
l2 = ax.plot(x, x ** 2, label="quadratic")
l3 = ax.plot(x, x ** 3, label="cubic")
ax.set_title("Simple Plot")
plt.show()
这很简单，只需在axes对象上调用get_xticklabels，就可以得到Matplotlib Text实例的列表:
>>> ax.get_xticklabels() [Text(0, 0, 'Ideal'),
Text(1, 0, 'Premium'),
Text(2, 0, 'Very Good'),
Text(3, 0, 'Good'),
Text(4, 0, 'Fair')]
还可以使用get_xticklines调整刻度线，或者使用get_xticks调整刻度的位置。已经获得了对象，下面就可以进行调整了。
3、get / setp
调用plt.getp函数，可以查看它当前具有的参数。例如，假设我们想要样式化下面图的l2:
x = np.linspace(0, 2, 100) fig, ax = plt.subplots() # Create a figure and an axes.
l1 = ax.plot(x, x, label="linear")
l2 = ax.plot(x, x ** 2, label="quadratic")
l3 = ax.plot(x, x ** 3, label="cubic")
ax.set_title("Simple Plot")
plt.show()
这个方法返回了图表的所有属性
>>> plt.getp(l2)
...
drawstyle or ds = default
figure = Figure(640x480)
linestyle or ls = -
linewidth or lw = 1.5
marker = None
markeredgecolor or mec = #ff7f0e
markeredgewidth or mew = 1.0
markerfacecolor or mfc = #ff7f0e
markerfacecoloralt or mfcalt = none
zorder = 2
...
而plt.setp可以更改属性在没有任何参数的对象上调用this会打印出该对象可以接受的属性值:
>>> plt.setp(l2)
...
linestyle or ls: {'-', '--', '-.', ':', '', (offset, on-off-seq), ...}
linewidth or lw: float
sketch_params: (scale: float, length: float, randomness: float)
snap: bool or None
zorder: float
...
要打印单个属性的可能值，可以将属性的名称作为字符串输入setp:
>>> plt.setp(l2, "linestyle")
linestyle: {'-', '--', '-.', ':', '', (offset, on-off-seq), ...}
修改属性的方法如下:
>>> plt.setp(l2, linestyle="-.", lw=5, color="red", alpha=0.5)
[None, None, None, None]
要查看更改后的当前图形，只需在图形对象上调用get_figure:
fig.get_figure()
第二行的样式已经变了
4、Legends
Legends可以方便的告诉我们图中每个组件的含义,默认是这样显示的：
x = np.linspace(0, 2, 100) fig, ax = plt.subplots() # Create a figure and an axes.
l1 = ax.plot(x, x, label="linear")
l2 = ax.plot(x, x ** 2, label="quadratic")
l3 = ax.plot(x, x ** 3, label="cubic")
ax.set_title("Simple Plot")
ax.legend()
plt.show()
我们可以调整他的参数，例如：图例的位置、字体属性、大小，颜色，样式、图例中的列数，等等可以在创建前设置，也可以在创建后使用get_legend提取，并使用getp、setp函数。
5、cycler
你有没有想过Matplotlib是如何自己改变颜色或循环不同风格的?在底层，Matplotlib使用名为Cyclers的Python内置对象:
from cycler import cycler c1 = cycler(arg1=[1, 2, 3, 4])
>>> c1
这个循环函数接受任何键值参数并创建一个字典列表:
c2 = cycler(arg2=list("rgba")) for i in c2:
print(i)
------------------------------ {'arg2': 'r'}
{'arg2': 'g'}
{'arg2': 'b'}
{'arg2': 'a'}
还可以将多个循环器与“plus”和“multiply”操作符组合起来，这样可以获得索引到索引或穷举的参数组合:
for i in c1 + c2:
print(i)
```
-------------------------------- {'arg1': 1, 'arg2': 'r'}
{'arg1': 2, 'arg2': 'g'}
{'arg1': 3, 'arg2': 'b'}
{'arg1': 4, 'arg2': 'a'}
将这个自定义循环器并将其传递给Matplotlib，就可以定制样式。下面，我们创建四种不同的线条样式，允许Matplotlib循环使用不同的线条颜色，样式和大小:
```python
line_prop_cycler = (
cycler(color=list("rgcy"))
+ cycler(ls=["-", "--", "-.", ":"])
+ cycler(lw=[3, 6, 9, 12])
)
可以使用axes对象的 set_prop_cycle 函数将这个自定义循环器传递给绘图:
x = np.linspace(0, 2 * np.pi, 50)
offsets = np.linspace(0, 2 * np.pi, 4, endpoint=False)
yy = np.transpose([np.sin(x + phi) for phi in offsets]) fig, ax = plt.subplots(figsize=(8, 4))
ax.set_prop_cycle(line_prop_cycler) # Set propcycle before plotting
ax.plot(x, yy)
plt.show();
rcParams字典中默认设置如下:
rcParams["axes.prop_cycle"]
我们可以直接修改
6、tick_params
轴刻度应该准确地传达数据点及其单位的最小值和最大值，并显示几个关键的检查点，以便在不同的绘图部分之间进行比较。大多数tick属性可以使用axes对象的tick_params函数来控制。以下是文档中的例子:
>>> ax.tick_params() Parameters
----------
axis : {'x', 'y', 'both'}, default: 'both'
The axis to which the parameters are applied.
which : {'major', 'minor', 'both'}, default: 'major'
The group of ticks to which the parameters are applied.
reset : bool, default: False
Whether to reset the ticks to defaults before updating them.
Other Parameters
----------------
direction : {'in', 'out', 'inout'}
Puts ticks inside the axes, outside the axes, or both.
length : float
Tick length in points.
width : float
Tick width in points.
color : color
Tick color.
首先应该指定的两个参数是axis和which。这些参数将应用于X或Y轴刻度，以及最小和最大刻度。大多数时候，在Matplotlib中不会看到小刻度。如果需要可以使用axes对象上的minortics_on函数:
fig, ax = plt.subplots(figsize=(3, 2)) >>> ax.minorticks_on()
7、Tickers
如果不像自定义tick参数（因为很麻烦）。可以使用许多内置的Matplotlib的“主题”集合(称为tickers)。
from matplotlib import ticker
dir(ticker)
['AutoLocator',
'AutoMinorLocator',
'EngFormatter',
'FixedFormatter',
'FixedLocator',
'FormatStrFormatter',
'Formatter',
'FuncFormatter',
'IndexFormatter',
'IndexLocator',
'Integral',
'LinearLocator',
]
在ticker模块下有许多这样的子模块。一般情况下标题中带有Locator的控件控制刻度的位置。而Formatters 则表示标签的样式。选择好后可以使用下面的方式进行设置：
from matplotlib.ticker import EngFormatter ax.xaxis.set_major_formatter(EngFormatter())
使用axes对象的xaxis或yaxis属性，调用set_major(minor)_formatter(locator)函数，并传入类名。
8、grid
自定义网格线可以突出数据范围。在Matplotlib中，可以使用轴线对象的网格函数创建和自定义网格。下面是一个垂直网格的例子:
fig, ax = plt.subplots() ax.grid(axis="x", linestyle=":", lw=3, color="r")
9、bar_label
条形图在数据分析中很常见。它们最重要的地方就是每个条的高度，条形标签可以突出每个条的显示。bar_label函数接受一个BarContainer对象作为参数，并自动标注每个bar的高度。下面是Seaborn的一个简单的计数图:
import seaborn as sns diamonds = sns.load_dataset("diamonds")
ax = sns.countplot(diamonds["cut"])
每次使用Seaborn或ax.bar等函数创建barplot时，BarContainer对象都会被添加到图中。可以使用axes对象的containers属性来检索这个容器对象:
ax.containers
[<BarContainer object of 5 artists>]
在上面的列表中有一个BarContainer对象有5个bar。我们只需在创建了plot之后将这个对象传递给bar_label:
ax = sns.countplot(diamonds["cut"])
ax.bar_label(ax.containers[0], padding=1)
ax.set_ylim(0, 25000)
plt.show();
10、zorder
当有很多图的时候，显示顺序是非常重要的。你需要确保在画布上以适当的顺序绘制每个图形，就需要zorder参数。下面，我们用不同的zorders创建了三行:
x = np.linspace(0, 7.5, 100) plt.plot(x, np.sin(x), label="zorder=2", zorder=2) # bottom
plt.plot(x, np.sin(x + 0.5), label="zorder=3", zorder=3)
plt.axhline(0, label="zorder=2.5", color="lightgrey", zorder=2.5)
plt.title("Custom order of elements")
l = plt.legend(loc="upper right")
l.set_zorder(2.5) # legend between blue and orange line
plt.show()
可以看到zorder越大，就会在最上方显示,覆盖掉小的组件。
总结
Matplotlib在2023年6月的下载量超过3000万，几乎是其最大竞争对手Plotly的4倍。Matplotlib的成功不仅仅在于它的简单（只需要几行代码就能生成简单的图形），还在于他的功能强大，但是要使用这些强大的功能就需要使用他的高级功能，但是这些高级功能往往需要比较复杂的配置或者参数，需要我们浏览官方的文档。所以才出现了seaborn，他将Matplotlib进行了整合不仅简单而且好看。但是有时我们需要更深入的定制功能,seaborn也许还达不到我们的目标，我们只能自己定义的参数，本文总结的是个高级技巧可以轻松的帮你完整自定义Matplotlib的任务。
作者:Bex T
🏴☠️宝藏级🏴☠️ 原创公众号『数据STUDIO』内容超级硬核。公众号以Python为核心语言，垂直于数据科学领域，包括可戳👉Python｜MySQL｜数据分析｜数据可视化｜机器学习与数据挖掘｜爬虫 等，从入门到进阶！
长按👇关注- 数据STUDIO -设为星标，干货速递