Matplotlib 是 Python 中最强大的数据可视化库之一，但其默认样式较为基础。 通过定制化设计，可以创建专业、精美的图表。
本节作为 matplotlib 的入门介绍，将较为深入地挖掘几个例子，
从中理解和学习 matplotlib 绘图的一些基本概念。
matplotlib 的 pyplot 子库提供了和 matlab 类似的绘图API，方便用户快速绘制2D图表。
让我们先来看一个简单的例子：
调用 pyplot 库快速将数据绘制成曲线图，
matplotlib 中的快速绘图的函数库可以通过如下语句载入：
%matplotlib inline
import matplotlib.pyplot as plt
生成示例数据：
import numpy as np
x = np.linspace(0, 10, 1000)
y = np.sin(x)
z = np.cos(x**2)
开始绘图：
接下来调用 figure 创建一个绘图对象，并且使它成为当前的绘图对象。
plt.figure(figsize=(8,4))
<Figure size 800x400 with 0 Axes>
<Figure size 800x400 with 0 Axes>
plt.plot(x,y,label="$sin(x)$",color="red",linewidth=2)
plt.plot(x,z,"b--",label="$cos(x^2)$")
plt.xlabel("Time(s)")
plt.ylabel("Volt")
plt.title("PyPlot First Example")
plt.ylim(-1.2,1.2)
plt.legend()
plt.show()
Matplotlib 会自动创建一个绘图对象。如果需要同时绘制多幅图表的话，
可以是给 figure 传递一个整数参数指定图标的序号，如果所指定序号的绘图对象已经存在的话，
将不创建新的对象，而只是让它成为当前绘图对象。
通过 figsize 参数可以指定绘图对象的宽度和高度，单位为英寸；
dpi 参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80。
因此本例中所创建的图表窗口的宽度为 8*80 = 640 像素。
但是用工具栏中的保存按钮保存下来的 png 图像的大小是 800*400 像素。
这是因为保存图表用的函数 savefig 使用不同的DPI配置，savefig 函数也有一个 dpi 参数，
如果不设置的话，将使用 matplotlib 配置文件中的配置，此配置可以通过如下语句进行查看，
关于配置文件将在后面的章节进行介绍：
import matplotlib
matplotlib.rcParams["savefig.dpi"]
'figure'
下面的两行程序通过调用 plot 函数在当前的绘图对象中进行绘图：
plt.plot(x,y,label="$sin(x)$",color="red",linewidth=2)
plt.plot(x,z,"b--",label="$cos(x^2)$")
plt.show()
plot 函数的调用方式很灵活，第一句将x,y数组传递给 plot 之后，用关键字参数指定各种属性：
label: 给所绘制的曲线一个名字，此名字在图示(legend)中显示。 只要在字符串前后添加$符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。color: 指定曲线的颜色linewidth: 指定曲线的宽度
第二句直接通过第三个参数 b-- 指定曲线的颜色和线型，这个参数称为格式化参数，它能够通过一些易记的符号快速指定曲线的样式。
其中 b 表示蓝色，-- 表示线型为虚线。在IPython中输入 plt.plot ? 可以查看格式化字符串的详细配置。
接下来通过一系列函数设置绘图对象的各个属性。在此之前要注意， 在交互环境下， 绘图函数除了绘图，还有清空内存画板的作用。 所以为了使用前面的数据，需要重新进行绘制，如下：
plt.plot(x,y,label="$sin(x)$",color="red",linewidth=2)
plt.plot(x,z,"b--",label="$cos(x^2)$")
plt.xlabel("Time(s)")
plt.ylabel("Volt")
plt.title("PyPlot First Example")
plt.ylim(-1.2,1.2)
plt.legend()
<matplotlib.legend.Legend at 0x7f1b1e1816a0>
xlabel: 设置X轴的文字ylabel: 设置Y轴的文字title: 设置图表的标题ylim: 设置Y轴的范围legend: 显示图示
最后调用 plt.show() 显示出我们创建的所有绘图对象。
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(0, 5, 0.1)
plot 返回一个列表，通过 line ，获取其第一个元素
line, = plt.plot(x, x*x)
# 调用Line2D对象的set_*方法设置属性值
line.set_antialiased(False)
# 同时绘制sin和cos两条曲线，lines是一个有两个Line2D对象的列表
lines = plt.plot(x, np.sin(x), x, np.cos(x)) #
# 调用setp函数同时配置多个Line2D对象的多个属性值
plt.setp(lines, color="r", linewidth=2.0)
plt.setp(line,linewidth=1.0)
plt.show()
这段例子中，通过调用 Line2D 对象 line 的 set_antialiased 方法，
关闭对象的反锯齿效果。或者通过调用 plt.setp 函数配置多个 Line2D 对象的颜色和线宽属性。
同样可以通过调用 Line2D 对象的 get_* 方法，或者 plt.getp 函数获取对象的属性值：
line.get_linewidth()
1.0
返回 color 属性
plt.getp(lines[0], "color")
'r'
输出全部属性
plt.getp(lines)
agg_filter = None
alpha = None
animated = False
antialiased or aa = True
bbox = Bbox(x0=0.0, y0=-0.9999232575641008, x1=4.9, y1=0....
children = []
clip_box = TransformedBbox( Bbox(x0=0.0, y0=0.0, x1=1.0, ...
clip_on = True
clip_path = None
color or c = r
dash_capstyle = butt
dash_joinstyle = round
data = (array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0....
drawstyle or ds = default
figure = Figure(640x480)
fillstyle = full
gapcolor = None
gid = None
in_layout = True
label = _child1
linestyle or ls = -
linewidth or lw = 2.0
marker = None
markeredgecolor or mec = r
markeredgewidth or mew = 1.0
markerfacecolor or mfc = r
markerfacecoloralt or mfcalt = none
markersize or ms = 6.0
markevery = None
mouseover = False
path = Path(array([[ 0. , 0. ], [ 0...
path_effects = []
picker = None
pickradius = 5
rasterized = False
sketch_params = None
snap = None
solid_capstyle = projecting
solid_joinstyle = round
tightbbox = Bbox(x0=102.54545454545455, y0=69.6, x1=553.454545...
transform = CompositeGenericTransform( TransformWrapper( ...
transformed_clip_path_and_affine = (None, None)
url = None
visible = True
window_extent = Bbox(x0=102.54545454545455, y0=69.6, x1=553.454545...
xdata = [0. 0.1 0.2 0.3 0.4 0.5]...
xydata = [[0. 0. ] [0.1 0.09983342] ...
ydata = [0. 0.09983342 0.19866933 0.29552021 0.389...
zorder = 2
注意 getp 函数只能对一个对象进行操作，它有两种用法：
- 指定属性名：返回对象的指定属性的值
- 不指定属性名：打印出对象的所有属性和其值
matplotlib 的整个图表为一个 Figure 对象，此对象在调用 plt.figure 函数时返回，
也可以通过 plt.gcf 函数获取当前的绘图对象：
f = plt.gcf()
plt.getp(f)
agg_filter = None
alpha = None
animated = False
axes = []
children = [<matplotlib.patches.Rectangle object at 0x7fdfc53...
clip_box = None
clip_on = True
clip_path = None
constrained_layout = False
constrained_layout_pads = (None, None, None, None)
default_bbox_extra_artists = []
dpi = 100.0
edgecolor = (1.0, 1.0, 1.0, 1.0)
facecolor = (1.0, 1.0, 1.0, 1.0)
figheight = 4.8
figure = Figure(640x480)
figwidth = 6.4
frameon = True
gid = None
in_layout = True
label =
layout_engine = None
linewidth = 0.0
mouseover = False
path_effects = []
picker = None
rasterized = False
size_inches = [6.4 4.8]
sketch_params = None
snap = None
suptitle =
supxlabel =
supylabel =
tight_layout = False
tightbbox = Bbox(x0=0.0, y0=0.0, x1=6.4, y1=4.8)
transform = IdentityTransform()
transformed_clip_path_and_affine = (None, None)
url = None
visible = True
window_extent = TransformedBbox( Bbox(x0=0.0, y0=0.0, x1=6.4, ...
zorder = 0
<Figure size 640x480 with 0 Axes>
Figure 对象有一个 axes 属性，其值为 AxesSubplot 对象的列表，
每个 AxesSubplot 对象代表图表中的一个子图，前面所绘制的图表只包含一个子图，
当前子图也可以通过 plt.gca 获得：
plt.getp(f, "axes")
[]
plt.gca()
<Axes: >
用 plt.getp 可以发现 AxesSubplot 对象有很多属性，
例如它的 lines 属性为此子图所包括的 Line2D 对象列表：
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(0, 5, 0.1)
plot 函数返回一个 matplotlib.lines.Line2D 对象的列表，
plot 返回一个列表，通过 line ，获取其第一个元素
line, = plt.plot(x, x*x)
line.set_antialiased(False) # 调用Line2D对象的set_*方法设置属性值
# 同时绘制sin和cos两条曲线，lines是一个有两个Line2D对象的列表
lines = plt.plot(x, np.sin(x), x, np.cos(x))
# 调用setp函数同时配置多个Line2D对象的多个属性值
alllines = plt.getp(plt.gca(), "lines")
alllines
<a list of 3 Line2D objects>
alllines[0] == line
True
其中的第一条曲线就是最开始绘制的那条曲线。
通过这种方法可以很容易地查看对象的属性和它们之间的包含关系，找到需要配置的属性。
matplotlib 还提供了名为 pylab 的模块，其中包括了许多 numpy 和 pyplot 中常用的函数，
方便用户快速进行计算和绘图，可以用于IPython中的快速交互式使用。
(pylab combines pyplot with numpy into a single namespace. This is convenient for interactive work, but for programming it is recommended that the namespaces be kept separate)
意思就是说 pylab 结合了 pyplot和 numpy ，对交互式使用来说比较方便，
既可以画图又可以进行简单的计算。但是，对于一个项目来说，建议分别导入使用。