Matplotlib 是支持 Python 语言的开源绘图库，因为其支持丰富的绘图类型、简单的绘图方式以及完善的接口文档，深受 Python 工程师、科研学者、数据工程师等各类人士的喜欢。Matplotlib 拥有着十分活跃的社区以及稳定的版本迭代，当我们使用 Python 进行数据分析并执行可视化时，Matplotlib 无疑是得心应手的工具之一。
接下来很多内容都是在代码中，说明也在代码里面
import matplotlib.pyplot as plt
#pyplot 模块是 Matplotlib 最核心的模块，几乎所有样式的 2D 图形都是经过该模块绘制出来的，这里简称为 plt 是约定俗成的import matplotlib
matplotlib.use('TkAgg')
#新版本的matplotilb必须要写一个框架plt.rcParams["font.sans-serif"]=['SimHei']
#让中文可以显示的操作pyplot的一些常用图像
- 折线图 (Line plot): 用于展示数据随时间或有序类别变化的趋势。
- 散点图 (Scatter plot): 展示两个变量之间的关系，适用于观察数据点的分布。
- 条形图 (Bar chart): 用于比较不同类别的数据。
- 直方图 (Histogram): 显示数据的频率分布。
- 饼图 (Pie chart): 展示数据的比例或占比。
- 箱形图 (Box plot): 用于显示数据的分布情况，包括中位数、四分位数等。
- 热图 (Heatmap): 通过颜色变化显示数据矩阵的大小。
- 极坐标图 (Polar chart): 在极坐标系中显示数据。
- 3D图形: 用于在三维空间中显示数据。
- 子图 (Subplots): 在同一画布上创建多个图表。
plt.plot() 折线图
是 pyplot 模块下面的**直线绘制（折线类）**方法类。代码中，它取出 x 数据集中的内容，将其按大小打印到图中，并以直线连接每个点。
通常，plot() 接受两个参数。一个代表横坐标的数值，另一个代表纵坐标的数值。但是，当你只传入一个参数 y 的时候，它会默认代表纵坐标的值，而横坐标的值会从 0 到 n-1，n 为 y 数据长度。
y = [1, 2, 3, 2, 1, 2, 3, 4, 5, 6, 5, 4, 3, 2, 1]
plt.plot(y)
plt.show()import numpy as np# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 X 坐标
X = np.linspace(-2*np.pi, 2*np.pi, 1000)
# 计算 y 坐标
y = np.sin(X)plt.plot(X, y)
当你学会线型图绘制之后，可能想到改变图形的属性。例如，更改图形的尺寸、添加图例等。Matplotlib 提供的面向对象 API 使用起来非常简单，但是下面不再直接使用 plt.plot，而是定义一个绘图对象 fig, axes = plt.subplots()。
# 生成示例数据
x = np.linspace(0, 10, 20)
y = x * x + 2fig, axes = plt.subplots() #这个subplots可以一次创建画板和画布两个对象很方便
axes.plot(x, y, 'r')
上面的绘图代码中，你可能会对 fig 和 axes 产生疑问。Matplotlib 的 API 设计的非常符合常理，在这里，fig 相当于绘画用的画板，而 axes 则相当于铺在画板上的画布。我们将图像绘制在画布上，于是就有了 plot，set_xlabel 等操作。
- Figure (画板):
figure是绘制所有图形的外部容器。可以想象成一个画板或画框，它为图像提供了一个物理空间。在一个程序中可以有多个figure对象。在fig, axes = plt.subplots()这行代码中，fig是指创建的Figure对象。在 Matplotlib 中，Figure对象代表整个图形窗口，它是一个容器，可以包含一个或多个Axes对象（即图表）。每个Axes对象代表图形窗口中的一个绘图区域，您可以在其中绘制各种图形。 - Axes (画布):
axes是figure内的具体图形空间，可以理解为画布。在axes上，我们可以绘制具体的图形、设置图表标题、坐标轴标签等。一个figure可以包含多个axes。
我们再来看看代码就比较直观
# 创建一个 figure（画板）
fig = plt.figure()# 向 figure 添加一个 axes（画布），这里的 [0.1, 0.1, 0.8, 0.8] 是 axes 在 figure 中的位置和大小 [left, bottom, width, height]
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
#这里的数字都是对于画板相差多少来的# 在 axes 上绘制图形
ax.plot([1, 2, 3], [3, 2, 1])# 显示图形
plt.show()我们不是说了一个画板上可以有多个画布吗？
#fig, axes = plt.subplots(nrows=x, ncols=y) 子图为x 行，y 列
fig, axes = plt.subplots(nrows=1, ncols=2) #这就是一行两列
axes[0][0].plot(x, y, 'r')
axes[0][1].plot(x, y, 'b')
这就是效果图，很直观吧，一个画板上有2*2
下面是关于调整这个多个画板的操作
关于标题和xy轴
# 绘制包含图标题、坐标轴标题以及图例的图形
fig, axes = plt.subplots()axes.set_xlabel('x label')
axes.set_ylabel('y label')
axes.set_title('title')axes.plot(x, x**2)
axes.plot(x, x**3)
axes.legend(["y = x**2", "y = x**3"], loc=2)
别的图像
在使用 Matplotlib 绘制不同类型的图表时，基本的设置步骤通常是相似的。关键在于调用相应的绘图函数（如 scatter, step, bar, fill_between 等）来生成特定类型的图像。每种图表类型的函数都有自己的参数和设置，但通常情况下，布局和标题设置的方式是类似的。我们暂且先讲相似的
代码在这里
# 绘制散点图、梯步图、条形图、面积图
import matplotlib.pyplot as plt
import numpy as np# 示例数据
x = np.linspace(0, 5, 10)
y = x ** 2# 散点图
plt.figure(figsize=(5, 4))
plt.scatter(x, y, c='blue', marker='o', s=50, alpha=0.5, label='Scatter plot')
plt.title("Scatter Plot Example")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.legend()
plt.show()# 梯步图
plt.figure(figsize=(5, 4))
plt.step(x, y, where='mid', lw=2, label='Step plot')
# where='mid'
plt.title("Step Plot Example")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.legend()
plt.show()# 条形图
n = np.arange(len(x))
plt.figure(figsize=(5, 4))
plt.bar(n, y, align="center", width=0.5, alpha=0.5, label='Bar plot')
plt.xticks(n, x) # 设置x轴刻度标签为x的值
plt.title("Bar Plot Example")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.legend()
plt.show()# 面积图
plt.figure(figsize=(5, 4))
plt.fill_between(x, y, y2=0, color="green", alpha=0.5, label='Area plot')
plt.title("Fill Between Plot Example")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.legend()
plt.show()我们可以看到一个plt.legend() ，这个是 Matplotlib 图形库中的一个函数，用于给图表添加图例。图例用于解释图中的每个数据系列代表什么，它会显示数据系列的标签和对应的颜色或形状。
当你在图表中绘制多个数据系列时，通过在 plot()、scatter()、bar() 等函数中使用 label 参数为每个数据系列添加标签，然后调用 plt.legend()，Matplotlib 会自动创建图例。
例如：
plt.plot(x, y1, label='Series 1')
plt.plot(x, y2, label='Series 2')
plt.legend()
在这个例子中，将会在图表中显示两个数据系列的图例，分别标记为 “Series 1” 和 “Series 2”。如果不指定位置，Matplotlib 将尝试找到最不碍事的位置放置图例（通常是图表的角落）。你也可以通过传递参数给 plt.legend() 来指定图例的位置，例如 plt.legend(loc='upper right') 会将图例放在图表的右上角。
- 散点图 (
scatter):x,y: x和y轴上的数据点。s: 数据点的大小（可选）。c: 数据点的颜色（可选）。alpha: 图表的透明度（可选）。marker: 表示数据点样式的字符串（可选）。marker参数用于指定每个数据点的形状。这个参数可以是多种预定义形状的字符串代码，例如：'o': 圆圈's': 正方形'^': 上三角形'>': 右三角形'+': 加号'x': 叉号'D': 菱形
- 梯步图 (
step):x,y: x和y轴上的数据点。where: 指定步进发生的位置（‘pre’、‘post’、‘mid’），默认是’pre’。where='pre': 每个阶梯的开始处对齐于 x 轴上的对应点。where='post': 每个阶梯的结束处对齐于 x 轴上的对应点。where='mid': 每个阶梯的中间对齐于 x 轴上的对应点。
linewidth或lw: 线宽（可选）。
- 条形图 (
bar):x,y: x轴上的坐标和每个条形的高度。width: 条形的宽度（可选）。align: 条形的对齐方式（‘center’ 或 ‘edge’）。alpha: 条形的透明度（可选）。
- 面积图 (
fill_between):x: x轴上的数据点。y1,y2: 在x轴上填充区域的两个y轴数据序列，通常y2是x的函数。color: 填充的颜色（可选）。alpha: 填充的透明度（可选）。
直方图
n = np.random.randn(100000)
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
#figsize=(12, 4)说明了画板的长和宽
axes[0].hist(n)
axes[0].set_title("Default histogram")
axes[0].set_xlim((min(n), max(n)))axes[1].hist(n, cumulative=True, bins=50)
axes[1].set_title("Cumulative detailed histogram")
axes[1].set_xlim((min(n), max(n)))
这段代码是用 Matplotlib 库绘制直方图的示例。这里首先生成了一个包含 100000 个服从标准正态分布的随机数的数组 n，然后创建了一个包含两个画布的画板，用于绘制两种不同类型的直方图。
- 第一个画布（
axes[0]）显示的是标准直方图，它展示了数据的分布情况。hist(n)函数用于绘制n的直方图，set_title设置标题，set_xlim设置 x 轴的范围，使其从n的最小值到最大值。 - 第二个画布（
axes[1]）显示的是累积直方图，通过设置cumulative=True实现。累积直方图展示了小于或等于每个 x 值的观测值的累积频率。这里同样使用hist函数绘制直方图，设置了 50 个桶（bins），以便更详细地展示数据的累积分布。标题和 x 轴范围的设置与第一个画布相同。
雷达图
fig = plt.figure(figsize=(6, 6))ax = fig.add_axes([0.0, 0.0, .6, .6], polar=True)
t = np.linspace(0, 2 * np.pi, 100)ax.plot(t, t, color='blue', lw=3)
`等高线图
alpha = 0.7
phi_ext = 2 * np.pi * 0.5def flux_qubit_potential(phi_m, phi_p):return 2 + alpha - 2 * np.cos(phi_p) * np.cos(phi_m) - alpha * np.cos(phi_ext - 2*phi_p)phi_m = np.linspace(0, 2*np.pi, 100)
phi_p = np.linspace(0, 2*np.pi, 100)
X, Y = np.meshgrid(phi_p, phi_m)
Z = flux_qubit_potential(X, Y).Tfig, ax = plt.subplots()cnt = ax.contour(Z, cmap=plt.cm.RdBu, vmin=abs(Z).min(),vmax=abs(Z).max(), extent=[0, 1, 0, 1])
