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
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
|
# Python 作图过程问题小结-1
## 宏观作图思想
1. 首先做到准确高效的传达信息，以此为前提下再力求美观
2. 折线图、柱状图等的基线最好要从零开始
3. 尽量使用常见的、可读性强的字体，最好不要使用艺术字
4. 通常来讲，柱状图的间隔应为柱状图宽度的1/2，间距不能过小或过大
5. 饼图的分类要适中，分类数不宜过多，过多分类无法聚焦
6. 一副图中，不同颜色种类不宜过多
7. 考虑打印出来之后的效果进行作图，当颜色信息消失，只剩黑灰白的时候，是否还能够准确识别信息。
参考：[专题第18篇：Python 绘图入门](https://mp.weixin.qq.com/s?__biz=MzI3NTkyMjA4NA==&mid=2247497802&idx=1&sn=c6415b40546ca3f1a5ccbe94035cbd35&chksm=eb7fd581dc085c97143b80c73a7672b99881dc5c27e9a524a75c46b17917e632670f4b3eda76&mpshare=1&scene=24&srcid=1109jOTrf38L0fhxeWVodJ0B&sharer_sharetime=1604881782403&sharer_shareid=5b9bdd8cc7c063922f0b84441b8cdc3e&key=d3655e169ae94d6b57378c3f1de2f07104e584ab904661f94c71388d630e7caa3d142636f2d7a66ae7a9a60ba9e86a5e33757478fe218a47e8101570f1875edd289c935f2b5fa3ad44967c9da7cf1907a1bd64bb928b581b94b2a28329fc56f2acd661ed294a16af9cd22d1d2d5370a9f8e523bf2240374cd511069b4cef725b&ascene=14&uin=NzM5MTc3ODA5&devicetype=Windows+10+x64&version=6300002f&lang=zh_CN&exportkey=A7bfL6cYVfoaLIowZKKFCaU%3D&pass_ticket=hbHljTQ6mdy4rAgjZMz%2F9ZCrqGW%2FUKtbJTAOUXXVeIjh5QwK7p0PeJManaWWMGeM&wx_header=0)
## Matplotlib 作图原理
Python是一种高级编程语言，在Python中，一切皆为对象。因此Matplotlib继承了这一特点。画图的过程，提倡使用面向对象的写法。
- figure(画布)：
+ 隐式创建：当第一次执行plt.xxx()这句绘图代码时，系统会去判断是否已经有了figure对象，如果没有，系统会自动创建一个figure对象，并且在这个figure之上，自动创建一个axes坐标系(注意：默认创建一个figure对象，一个axes坐标系)。也就是说，如果我们不设置figure对象，那么一个figure对象上，只能有一个axes坐标系，即我们只能绘制一个图形。
+ 显示创建：`figure = plt.figure()`
- axes(坐标系)：子图对象。可以这样理解，每一个子图都有x和y轴，axes则用于代表这两个数据轴所对应的一个子图对象。
- axis(坐标轴)：Axis是数据轴对象，主要用于控制数据轴上刻度位置和显示数值。Axis有Locator和Formatter两个子对象，分别用于控制刻度位置和显示数值。
- Artist：基本上所有的对象都是一个Artist对象，包括Figure对象、Axes对象和Axis对象，可以将Artist理解为一个基本类。当提交代码，图像最终呈现时，所有的artist对象都会绘制于canvas画布上
### 作图基本步骤
1. 产生一幅图：`fig=figure()`
2. 建立坐标系：`ax=fig.add_axes()`
3. 画图：`ax.plot()`
4. 显示：`show()`
```python
# 1. 导库
import matplotlib as mpl
import matplotlib.pyplot as plt
# 2. 创建 figure 画布对象：手动创建一个figure对象
figure = plt.figure()
# 3. 根据 figure 对象进行布局设置：1*1、1*2、2*1、2*2……
# 4. 获取对应位置的 axes 坐标系对象
axes1 = figure.add_subplot(2,1,1)
axes2 = figure.add_subplot(2,1,2)
# 5. 调用axes对象，进行对应位置的图形绘制：在不同位置进行作图，是传入数据、进行绘图的一步。对于图形的一些细节设置，都可以在这一步进行。
axes1.plot([1,3,5,7],[4,9,6,8])
axes2.plot([1,2,4,5],[8,4,6,2])
# 6. 显示图形：如果在pycharm中绘图的话，必须要加这句代码，才能显示。如果在notebook中进行绘图，可以不用加这句代码，而是自动显示。
plt.show() 或 figure.show()
```
### 作图亿点细节
* figure 画布
* axes 坐标系，一个画布上可以有多个坐标系
* axis 坐标轴，一个坐标系中可以有多个坐标轴，一般都是二维平面坐标系，或者三维立体坐标系
* title 标题
* legend 图例
* grid 背景网格
* tick 刻度
* axis label 坐标轴名称
* tick label 刻度名称
* major tick label 主刻度标签
* minor tick label 副刻度标签
* line 线
* style 线条样式
* marker 点标记
* font 字体相关
参考：
- [Python 绘图，我只用 Matplotlib（二）](https://www.jianshu.com/p/78ba36dddad8)：举例详细，参考这个，可以画出基本的折线图，以及在折线图上对标签、刻度、图例、注释特殊点位进行基本操作，推荐。
- [Python数据处理 matplotlib绘图原理分析](https://blog.csdn.net/wills798/article/details/89322920) ：介绍函数式绘图和面向对象式绘图，推荐使用面向对象式，且列举了基本的对象。
- [matplotlib绘图的核心原理讲解(超详细)](https://blog.csdn.net/weixin_41261833/article/details/104299701)：接上一个参考，更为详细的介绍了 figure axes axis 以及基本作图步骤，推荐。
- [Matplotlib设计的基本逻辑](https://zhuanlan.zhihu.com/p/32693665)：与前述参考类似，但引入了更详细的 Artist 对象图，有点复杂，还看不太懂。
- [深度讲解Python四大常用绘图库的“绘图原理”](https://developer.51cto.com/art/202007/622162.htm) ：matplotlib、seaborn（是matplotlib的更高级的封装、兼容numpy、pandas数据结构）、plotly（基于javascript的绘图库，易于保存与分享，可以与Web无缝集成，默认的绘图结果，是一个HTML网页文件，通过浏览器可以直接查看）、pyecharts（python+Echarts，Echarts是一个由百度开源的数据可视化工具）——虽然可以考虑直接用 seaborn ，但感觉可能还是需要了解一下 matplotlib 这种基本的绘图原理，有助于 seaborn 的使用。
- [4.7Python数据处理篇之Matplotlib系列(七)---matplotlib原理分析](https://www.cnblogs.com/zyg123/p/10512513.html)：部分内容同前述参考一样，但后续对 figure axes axis artist 的解释还不错。
## 作图细节调整
### 配色方案
参考：
- [COLORbrewer2.0](https://colorbrewer2.org/#type=qualitative&scheme=Pastel1&n=6) ：给了几个不错的配色组合，需要注意的是“print friendly”，考虑到打印出来之后的效果进行作图。
- [Python数据分析之Seaborn（配色方案）](https://cloud.tencent.com/developer/article/1670419)：seaborn 的配色方案比 matplotlib 的默认配色是要好看许多的，这里介绍了图形画板的使用，可参考。
- [让matplotlib配色方案更加美观的三种方式](https://medium.com/ken-m-lai/%E8%AE%A9matplotlib%E9%85%8D%E8%89%B2%E6%96%B9%E6%A1%88%E6%9B%B4%E5%8A%A0%E7%BE%8E%E8%A7%82%E7%9A%84%E4%B8%89%E7%A7%8D%E6%96%B9%E5%BC%8F-3f5a91783aba)：这里有一些配色方案链接，可参考。
- [Matplotlib官方配色](https://matplotlib.org/examples/color/colormaps_reference.html)：官方配色及代码，感觉不错的是 Qualitative colormaps ，比较小清新。
### 字体标记刻度
```python
# 调整字体大小：代码中的“...”代表省略的其他参数
ax = plt.subplot(111)
# 设置刻度字体大小
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
# 设置坐标标签字体大小
ax.set_xlabel(..., fontsize=20)
ax.set_ylabel(..., fontsize=20)
# 设置图例字体大小
ax.legend(..., fontsize=20)
# 一个比较完整的例子
import matplotlib.pyplot as plt
import numpy as np
list1=[1,2,3,4,5,6,2,3,4,6,7,5,7]
list2=[2,3,4,5,8,9,2,1,3,4,5,2,4]
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.title('显示中文标题')
plt.xlabel("横坐标")
plt.ylabel("纵坐标")
x=np.arange(0,len(list1))+1
x[0]=1
my_x_ticks = np.arange(1, 14, 1)
plt.xticks(my_x_ticks)
plt.plot(x,list1,label='list1',marker = "o",markersize=10)#marker设置标记形状 markersize设置标记大小
plt.plot(x,list2,label='list2',marker = "x",markersize=8)
plt.legend()
plt.grid()#添加网格
plt.show()
# 修改 y 轴刻度标签格式：从小数变为百分数
import matplotlib.ticker as mtick
fmt='%.2f%%'
yticks = mtick.FormatStrFormatter(fmt)
ax2.yaxis.set_major_formatter(yticks)
```
- [Matplotlib画图之调整字体大小](https://blog.csdn.net/u011008379/article/details/60478927)：代码简单易懂，好使。
- [python画图（标记、marker、设置标记大小、marker符号大全）（图文详细入门教程五）](https://zhuanlan.zhihu.com/p/137828873)：给了一个相对比较完整的例子，可参考进行扩展。
- [添加网格](https://blog.csdn.net/weixin_41789707/article/details/81035997)：对网格的详细格式进行扩展。
- [matplotlib命令与格式：坐标轴数值格式(日期格式,百分比,科学记数)](https://blog.csdn.net/helunqu2017/article/details/78650782)：刻度展现格式从小数变为百分数
- [【Python】matplotlib画图设置标题、轴标签、刻度、刻度标签（系列1）](https://blog.csdn.net/Asher117/article/details/85128463)：参考这个设置了x轴刻度标签
- [Matplotlib 教程](https://www.runoob.com/w3cnote/matplotlib-tutorial.html)：比较全面，非常细致，对基本绘制、相对细节的修饰都有说到，把一些很小的问题，都分别写了出来；但可能一下子内容太多，有点难以理解。
- [官方文档中文翻译-标注](https://wizardforcel.gitbooks.io/matplotlib-user-guide/content/4.5.html)：感觉写得有点复杂，不是很懂很多参数的效果，先收藏。
- [代码示例库](https://www.matplotlib.org.cn/gallery/#text-labels-and-annotations)：有些示例代码写得过于复杂，但整体还是很不错的，先收藏。
- [注释图中文详解](https://www.matplotlib.org.cn/gallery/text_labels_and_annotations/annotation_demo.html)：还是要针对自己的需求，对示例代码进行对照微调，可使，但比较耗时间。
- [详解 matplotlib 中的两种标注方法](https://cloud.tencent.com/developer/article/1685079)：这里有对一些注释相关的参数进行解释，以及举例说明，很不错，可结合上面的进行理解。
### 图片保存
```python
plt.savefig('hah.png',bbox_inches='tight',dpi=200,pad_inches=0.0)
# 其中 bbox_inches = 'tight' 可以去除坐标轴占用的空间（如果只是set_visiable = False，只能不显示，但空间还占用）
# dpi指定为原图的dpi，控制保存图片的质量/分辨率
# pad_inches = 0 这句是重点，去除所有白边
#figsize(12.5, 4) # 设置 figsize
plt.rcParams['savefig.dpi'] = 300 #图片像素
plt.rcParams['figure.dpi'] = 300 #分辨率
# 默认的像素：[6.0,4.0]，分辨率为100，图片尺寸为 600&400
# 指定dpi=200，图片尺寸为 1200*800
# 指定dpi=300，图片尺寸为 1800*1200
# 设置figsize可以在不改变分辨率情况下改变比例
```
参考：
- [图片保存，删除白边](https://blog.csdn.net/cuotiaowei2543/article/details/83623655) ：删除图片白边之后，插入到论文中时，图片可以更大，更清晰的展示内容。
- [dpi选择](https://blog.csdn.net/weixin_34613450/article/details/80678522) ：一般选择 dpi=300 就已经很高了
|
