查看“Matplotlib”的源代码

* ''' ipython中事先执行 %matplotlib '''
:交互式模式：plt.ion()
:关闭交互式:plt.ioff()
 
* 参见 [https://matplotlib.org/index.html] [http://www.cnblogs.com/wei-li/archive/2012/05/23/2506940.html]

==配置==

===pyplot的style配置===
*使用内置的style
 plt.style.use('ggplot')
 print(plt.style.available) （当前使用的style）
*可以自定义style
For example, you might want to create mpl_configdir/stylelib/presentation.mplstyle with the following: 
 axes.titlesize : 24
 axes.labelsize : 20
 lines.linewidth : 3
 lines.markersize : 10
 xtick.labelsize : 16
 ytick.labelsize : 16
Then, when you want to adapt a plot designed for a paper to one that looks good in a presentation, you can just add:
 >>> import matplotlib.pyplot as plt
 >>> plt.style.use('presentation')

===matplotlib的配置===

*使用matplotlib.rcParams
 mpl.rcParams['lines.linewidth'] = 2
 mpl.rcParams['lines.color'] = 'r'

* matplotlib.rcdefaults() 恢复默认配置

* matplotlibrc file
 matplotlib.matplotlib_fname()

==两种不同的画图模式==
===pylab风格===

* 简单的例子
 plt.figure(1,figsize=(9, 3))
 plt.plot(x, y，label='sin') 
 plt.errorbar(x, y, xerr=0.1 * x, yerr=5.0 + 0.75 * y, ls='None', marker='s',uplims=True) #误差棒，ls='None' 表示不连线 
 plt.xlim(0,3)  #调整坐标范围 或者用 plt.axis([40, 160, 0, 0.03])同时设定x和y轴的范围
 plt.xscale('log') # 设置对数坐标格式,，
 plt.xlabel('x label')
 plt.title("Simple Plot")
 plt.legend(loc='upper left') #图例  显示前面plot中的label
 plt.axis('tight'); #坐标范围自动压缩
 plt.show()

* use keyword args
  lines = plt.plot(x, y)
  plt.setp(lines, color='r', linewidth=2.0) #[https://matplotlib.org/api/_as_gen/matplotlib.lines.Line2D.html#matplotlib.lines.Line2D]
* plt.plot() 中的颜色，线型等
:* options for the color characters are: 'r' , 'g' , 'b' = blue, 'c' = cyan, 'm' = magenta, 'y' = yellow, 'k' = black, 'w' = white
:* Options for line styles are:  '-' = solid, '--' = dashed, ':' = dotted, '-.' = dot-dashed, '.' = points,  'o' = filled circles,  '^' = filled triangles
:* marker style [https://matplotlib.org/api/markers_api.html]

===面向对象风格 ===
*通过关键词来配置图的要素，功能更强大，但是直观性稍弱
 fig, ax = plt.subplots()
 ax.plot(x, y)
 plt.show()

*'''ax也可以在互动模式中通过 plt.gca()获取'''
 ax=plt.gca()

*axes的配置
:ax.semilogx  : 对数坐标
:ax. Grid :添加grid
:ax.xaxis.tick_top() #坐标轴的tick显示在图的上方
:ax.xaxis.set_label_position('top') #x坐标轴的label显示在图的上方，这一点似乎无法在交互式命令中简单实现

===坑===
虽然大多数的plt函数都可以直接转换为ax的方法进行调用（例如plt.plot() → ax.plot()，plt.legend() → ax.legend()等），但是并不是所有的命令都能应用这种情况。特别是用于设置极值、标签和标题的函数都有一定的改变。下表列出了将 MATLAB 风格的函数转换为面向对象的方法的区别：

 plt.xlabel() → ax.set_xlabel()
 plt.ylabel() → ax.set_ylabel()
 plt.xlim() → ax.set_xlim()
 plt.ylim() → ax.set_ylim()
 plt.title() → ax.set_title()
 plt.subplot()等价的面向对象接口方法fig.add_subplot()
在面向对象接口中，与其逐个调用上面的方法来设置属性，更常见的使用ax.set()方法来一次性设置所有的属性：
 ax = plt.axes()
 ax. Plot(x, np.sin(x))
 ax.set(xlim=(0, 10), ylim=(-2, 2),
       xlabel='x', ylabel='sin(x)',
       title='A Simple Plot');

==专题==
===直方图===
'''plt.hist()'''

*关键词有 bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None
** bins=np.arange(2,3,0.1)
** density=Ture #默认是False，如果是Trure相当于归一化
** histtype: 可选{'bar', 'barstacked', 'step', 'stepfilled'}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似,联合使用histtype='stepfilled'和alpha参数设置透明度在对不同分布的数据集进行比较展示时很有用：
** log: bool，默认False,即y坐标轴是否选择指数刻度
** ls(linestyle),这是个通用参数
 linestyle	description
 '-' or 'solid'	solid line
 '--' or 'dashed'	dashed line
 '-.' or 'dashdot'	dash-dotted line
 ':' or 'dotted'	dotted line
** color，通用参数

*输出三个列表，前两个分别是直方图的数值和bin的取值，第三个patches啥意思不清楚
 Freq, bins, patches = plt.hist(x, 50, normed=1)

====二维直方图====
*绘制二维直方图最直接的方法是使用 Matplotlib 的plt.hist2d或者hexbin：
 plt.hist2d(x, y, bins=30, cmap='Blues')
 plt.hexbin(x, y, gridsize=30, cmap='Blues')

* 二维密度计算
#counts, xedges, yedges = np.histogram2d(x, y, bins=30)
# 核密度估计
#  zdens=densxy(Spax_Ms[Lsel],Spax_RtoRe[Lsel],.10,0.05,xmin=7.,ymin=0.,nx=50,ny=60) # my own pro
 from scipy.stats import gaussian_kde
 data = np.vstack([x, y])
 kde = gaussian_kde(data) # 产生和处理数据，初始化KDE
 xgrid = np.linspace(-3.5, 3.5, 40)
 ygrid = np.linspace(-6, 6, 40)
 Xgrid, Ygrid = np.meshgrid(xgrid, ygrid)
 Z = kde.evaluate(np.vstack([Xgrid.ravel(), Ygrid.ravel()])) # 在通用的网格中计算得到Z的值

===误差棒===
* plt.errorbar(x, y, yerr=dy, fmt='o', color='black',
             ecolor='lightgray', elinewidth=3, capsize=0);
*连续误差范围
 plt.fill_between(xfit, yfit - dyfit, yfit + dyfit,
                 color='gray', alpha=0.2)
===图像===
*imshow()
 delta = 0.025
 x = y = np.arange(-3.0, 3.0, delta)
 X, Y = np.meshgrid(x, y)
 Z = np.exp(-X**2 - Y**2)
 fig, ax = plt.subplots()
 im = ax.imshow(Z, interpolation='bilinear', cmap=cm.RdYlGn,
               origin='lower', extent=[-3, 3, -3, 3],
               vmax=abs(Z).max(), vmin=-abs(Z).max())     #lower 就是把index[0,0]放在左下，extent是数轴上标志的范围
 Zm = np.ma.masked_where(Z > 1.2, Z) #mask image
 plt.imshow(Zm)

#plt.imshow()不接受 x 和 y 网格值作为参数，因此你需要手动指定_extent_参数[xmin, xmax, ymin, ymax]来设置图表的数据范围。
#plt.imshow()使用的是默认的图像坐标，即左上角坐标点是原点，而不是通常图表的左下角坐标点。这可以通过设置origin参数来设置。
#plt.imshow()会自动根据输入数据调整坐标轴的比例；这可以通过参数来设置，例如，plt.axis(aspect='image')能让 x 和 y 轴的单位一致。

===contour===
 X,Y=np.meshgrid(xx,yy)
 plt.contour(X,Y,zdens,[50,200,500],color='blue')
 plt.annotate('blue: high $\mu$ spaxels',(7.2,2.6),color='blue',size=20)
 plt.contourf(X, Y, Z, 20, cmap='RdGy') #用颜色填充轮廓范围

contour不直接支持label和legend，要用legend，参见 [https://stackoverflow.com/questions/10490302/how-do-you-create-a-legend-for-a-contour-plot-in-matplotlib]

有时可能需要将轮廓图和图像结合起来。例如，下例中我们使用了半透明的背景图像（通过alpha参数设置透明度），然后在背景图层之上绘制了轮廓图，并带有每个轮廓的数值标签（使用plt.clabel()函数绘制标签）：
 contours = plt.contour(X, Y, Z, 3, colors='black')
 plt.clabel(contours, inline=True, fontsize=8)
 plt.imshow(Z, extent=[0, 5, 0, 5], origin='lower',
           cmap='RdGy', alpha=0.5)
 plt.colorbar();

===colorbar===
*自己定制的一个colorbar的实际例子，两个panel，共用一个colorbar
 fig, axes=plt.subplots(2,1)
 fig.subplots_adjust(right=0.9)
 #fig.subplots_adjust(hspace=0.)
 Mbin=np.range(5)+4
 MR50=np.range(5)***2
 SR50=np.ones(1)
 age=np.log10(np.array([0.01,0.05,0.5,2.,8.])) #这个是颜色的取值
 plt.subplot(2,1,1)#panel 1
 plt.scatter(Mbin,MR50, c=age,cmap="rainbow")
 plt.ylabel('Mean ln(R50) (log Age)')
 plt.subplot(2,1,2)#panel 2
 ax=plt.scatter(Mbin,SR50,c=age,cmap="rainbow")    
 plt.xlabel('log(M*)')
 plt.ylabel('$\sigma$ ln(R50) (log Age)')
 position = fig.add_axes([0.92, 0.12, 0.015, .78 ])#位置[左,下,右,上]  
 cb = fig.colorbar(ax,cax=position)  #color bar
 cb.set_ticks(age) #设置colorbar 的ticks的位置
 str=['{:.2f}'.format(v) for i,v in enumerate(10**age)] #设置colorbar的ticks的数值
 cb.set_ticklabels(str)

===patch===
matplotlib.patches.Ellipse
*[[ellipse]]  matplotlib.patches.Ellipse(xy, width, height, angle=0, **kwargs)[https://matplotlib.org/3.1.0/api/_as_gen/matplotlib.patches.Ellipse.html]
===多个panel===
* fig, ax = plt.subplots(2, 3, sharex='col', sharey='row')

*可以通过plt.gca()获得当前(subplot)坐标轴的属性，通过plt.gcf()获得当前图形的属性。 同样地，plt.cla()和plt.clf()将分别清除当前的轴和图形。

  plt.subplot(211) # panels
  plt.subplots_adjust(hspace=0.3) #调整多个panel的间隔
  plt.subplot(212)
  plt.scatter(x, y) 
  plt.subtitle('Categorical Plotting')
  plt.tight_layout() #这个是重新排列的神器
  fig=plt.gcf()
  fig.suptitle('Title',fontsize=16) #给图一个总标题


*高级用法plt.subplot2grid()参见[https://zhuanlan.zhihu.com/p/401110048]

===字体大小设置===
*plt.tick_params(labelsize=23) #设置图的坐标轴的字体大小
* label的字体大小，直接添加  ‘size=18’这样的关键词

====latex字符====
 plt.rc(usetex = True)
 plt.xlabel('\\alpha') #转义 参见[https://docs.python.org/2.0/ref/strings.html]
 plt.xlabel(r'\alpha') #r'代表raw string

=== 保存图片文件 ===
*plt.savefig("filename.png")
*plt.savefig('SFH_LMC_miles.pdf',format='pdf')
*保存文件一片空白
:在 plt.show() 后调用了 plt.savefig() ，在 plt.show() 后实际上已经创建了一个新的空白的图片（坐标轴），这时候你再 plt.savefig() 就会保存这个新生成的空白图片。
::plt.show() 放在最后，或者
     # gcf: Get Current Figure
    fig = plt.gcf()
    plt.show()
    fig1.savefig('tessstttyyy.png', dpi=100)
*matplotlib.use('PS')   # generate postscript output by default #在importing matplotlib.pyplot之前用压倒一切设置

*按照原始图片分辨率保存图片
  if you want to save a image with 3841 x 7195 pixels, you could do the following:
 plt.figure(figsize=(3.841, 7.195), dpi=100)
 ( your code ...)
 plt.savefig('myfig.png', dpi=1000)

===坐标变换===
* https://matplotlib.org/stable/tutorials/advanced/transforms_tutorial.html