2，title设置标题。
3，xlim,ylim设置x,y轴显示范围。
plt.show()显示绘图窗口，通常情况下，show（）会阻碍程序运行，带-wthread等参数的环境下，窗口不会关闭。
plt.saveFig（）保存图像。
面向对象绘图
1，当前图表和子图可以用gcf(),gca()获得。
subplot()绘制包含多个图表的子图。
configure subplots,可调节子图与图表边框距离。
可以通过修改配置文件更改对象属性。
图标显示中文
1，在程序中直接指定字体。
2， 在程序开始修改配置字典reParams.
3，修改配置文件。
Artist对象
1，图标的绘制领域。
2，如何在FigureCanvas对象上绘图。
3，如何使用Renderer在FigureCanvas对象上绘图。
FigureCanvas和Render处理底层图像操作，Artist处理高层结构。
分为简单对象和容器对象，简单的Aritist是标准的绘图元件，例如Line 2D,Rectangle,Text,AxesImage等，而容器类型包含许多简单的的 Aritist对象，使他们构成一个整体，例如Axis,Axes,Figure等。
直接创建Artist对象进项绘图操作步奏：
1，创建Figure对象（通过figure（）函数，会进行许多初始化操作，不建议直接创建。）
2，为Figure对象创建一个或多个Axes对象。
3，调用Axes对象的方法创建各类简单的Artist对象。
Figure容器
如何找到指定的Artist对象。
1，可调用add_subplot()和add_axes()方法向图表添加子图。
2，可使用for循环添加栅格。
3，可通过transform修改坐标原点。
Axes容器
1，patch修改背景。
2，包含坐标轴，坐标网格，刻度标签，坐标轴标题等内容。
3，get_ticklabels(),,get-ticklines获得刻度标签和刻度线。
1，可对曲线进行插值。
2，fill_between()绘制交点。
3，坐标变换。
4，绘制阴影。
5，添加注释。
1，绘制直方图的函数是
2，箱线图（Boxplot）也称箱须图（Box-whisker Plot），是利用数据中的五个统计量：最小值、第一四分位
数、中位数、第三四分位数与最大值来描述数据的一种方法，它可以粗略地看出数据是否具有对称性以及分
布的分散程度等信息，特别可以用于对几个样本的比较。
3，饼图就是把一个圆盘按所需表达变量的观察数划分为若干份，每一份的角度（即面积）等价于每个观察
值的大小。
4,散点图
5,QQ图
低层绘图函数
类似于barplot()，dotchart()和plot()这样的函数采用低层的绘图函数来画线和点，来表达它们在页面上放置的位置以及其他各种特征。
在这一节中，我们会描述一些低层的绘图函数，用户也可以调用这些函数用于绘图。首先我们先讲一下R怎么描述一个页面；然后我们讲怎么在页面上添加点，线和文字；最后讲一下怎么修改一些基本的图形。
绘图区域与边界
R在绘图时，将显示区域划分为几个部分。绘制区域显示了根据数据描绘出来的图像，在此区域内R根据数据选择一个坐标系，通过显示出来的坐标轴可以看到R使用的坐标系。在绘制区域之外是边沿区，从底部开始按顺时针方向分别用数字1到4表示。文字和标签通常显示在边沿区域内，按照从内到外的行数先后显示。
添加对象
在绘制的图像上还可以继续添加若干对象，下面是几个有用的函数，以及对其功能的说明。
•points(x, y, ...)，添加点
•lines(x, y, ...)，添加线段
•text(x, y, labels, ...)，添加文字
•abline(a, b, ...)，添加直线y=a+bx
•abline(h=y, ...)，添加水平线
•abline(v=x, ...)，添加垂直线
•polygon(x, y, ...)，添加一个闭合的多边形
•segments(x0, y0, x1, y1, ...)，画线段
•arrows(x0, y0, x1, y1, ...)，画箭头
•symbols(x, y, ...)，添加各种符号
•legend(x, y, legend, ...)，添加图列说明
pre{overflow-x: auto}技巧1: plt.subplots()
技巧2: plt.subplot()
技巧3: plt.tight_layout()
技巧4: plt.suptitle()
数据集：
让我们导入包并更新图表的默认设置，为图表添加一点个人风格。 我们将在提示上使用 Seaborn 的内置数据集：
import seaborn as sns # v0.11.2 import matplotlib.pyplot as plt # v3.4.2 sns.set(style='darkgrid', context='talk', palette='rainbow')df = sns.load\_dataset('tips') df.head()技巧1: plt.subplots()
绘制多个子图的一种简单方法是使用 plt.subplots() 。
这是绘制 2 个并排子图的示例语法：
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(10,4)) sns.histplot(data=df, x='tip', ax=ax[0]) sns.boxplot(data=df, x='tip', ax=ax[1])
在这里，我们在一个图中绘制了两个子图。 我们可以进一步自定义每个子图。
例如，我们可以像这样为每个子图添加标题：
fig, ax = plt.subplots(1, 2, figsize=(10,4)) sns.histplot(data=df, x='tip', ax=ax[0]) ax[0].set\_title("Histogram") sns.boxplot(data=df, x='tip', ax=ax[1]) ax[1].set\_title("Boxplot")
在循环中将所有数值变量用同一组图表示：
numerical = df.select\_dtypes('number').columnsfor col in numerical: fig, ax = plt.subplots(1, 2, figsize=(10,4)) sns.histplot(data=df, x=col, ax=ax[0]) sns.boxplot(data=df, x=col, ax=ax[1]) 技巧2: plt.subplot()
另一种可视化多个图形的方法是使用 plt.subplot()， 末尾没有 s
语法与之前略有不同：
plt.figure(figsize=(10,4)) ax1 = plt.subplot(1,2,1) sns.histplot(data=df, x='tip', ax=ax1) ax2 = plt.subplot(1,2,2) sns.boxplot(data=df, x='tip', ax=ax2)
当我们想为多个图绘制相同类型的图形并在单个图中查看所有图形，该方法特别有用：
plt.figure(figsize=(14,4)) for i, col in enumerate(numerical): ax = plt.subplot(1, len(numerical), i+1) sns.boxplot(data=df, x=col, ax=ax)
我们同样能定制子图形。例如加个 title
plt.figure(figsize=(14,4)) for i, col in enumerate(numerical): ax = plt.subplot(1, len(numerical), i+1) sns.boxplot(data=df, x=col, ax=ax) ax.set\_title(f"Boxplot of {col}")
通过下面的比较，我们能更好的理解它们的相似处与不同处熟悉这两种方法很有用，因为它们可以在不同情况下派上用场。
技巧3: plt.tight_layout()
在绘制多个图形时，经常会看到一些子图的标签在它们的相邻子图上重叠，
如下所示：
categorical = df.select\_dtypes('category').columnsplt.figure(figsize=(8, 8)) for i, col in enumerate(categorical): ax = plt.subplot(2, 2, i+1) sns.countplot(data=df, x=col, ax=ax)
顶部两个图表的 x 轴上的变量名称被剪掉，右侧图的 y 轴标签与左侧子图重叠.使用 plt.tight_layout 很方便
plt.figure(figsize=(8, 8)) for i, col in enumerate(categorical): ax = plt.subplot(2, 2, i+1) sns.countplot(data=df, x=col, ax=ax) plt.tight\_layout()
专业 看起来更好了。
技巧4: plt.suptitle()
真个图形添加标题：
plt.figure(figsize=(8, 8)) for i, col in enumerate(categorical): ax = plt.subplot(2, 2, i+1) sns.countplot(data=df, x=col, ax=ax) plt.suptitle('Category counts for all categorical variables') plt.tight\_layout()此外，您可以根据自己的喜好自定义各个图。 例如，您仍然可以为每个子图添加标题。
到此这篇关于python绘图 四个绘图技巧的文章就介绍到这了，希望大家以后多多支持！
作者：迈克尔·贝耶勒（Michael Beyeler）
如需转载请联系华章 科技
如果已安装Anaconda Python版本，就已经安装好了可以使用的 Matplotlib。否则，可能要访问官网并从中获取安装说明：
http://matplotlib.org
正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：
在本书中，plt接口会被频繁使用。
让我们创建第一个绘图。
假设想要画出正弦函数sin(x)的线性图。得到函数在x坐标轴上0≤x＜10内所有点的值。我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：
可以使用 NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：
你亲自尝试了吗？发生了什么吗？有没有什么东西出现？
实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。有下面几种可能性：
1. 从.py脚本中绘图
如果从一个脚本中运行 Matplotlib，需要加上下面的这行调用：
在脚本末尾调用这个函数，你的绘图就会出现！
2. 从 IPython shell 中绘图
这实际上是交互式地执行Matplotlib最方便的方式。为了让绘图出现，需要在启动 IPython 后使用所谓的%matplotlib魔法命令。
接下来，无须每次调用plt.show()函数，所有的绘图将会自动出现。
3. 从 Jupyter Notebook 中绘图
如果你是从基于浏览器的 Jupyter Notebook 中看这段代码，需要使用同样的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入图形，这会有两种输出选项：
在本书中，将会使用inline选项：
现在再次尝试一下：
上面的命令会得到下面的绘图输出结果：
如果想要把绘图保存下来留作以后使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：
仅需要确保你使用了支持的文件后缀，比如.jpg、.png、.tif、.svg、.eps或者.pdf。
作为本章最后一个测试，让我们对外部数据集进行可视化，比如scikit-learn中的数字数据集。
为此，需要三个可视化工具：
那么开始引入这些包吧：
第一步是载入实际数据：
如果没记错的话，digits应该有两个不同的数据域：data域包含了真正的图像数据，target域包含了图像的标签。相对于相信我们的记忆，我们还是应该对digits稍加 探索 。输入它的名字，添加一个点号，然后按Tab键：digits.<TAB>，这个操作将向我们展示digits也包含了一些其他的域，比如一个名为images的域。images和data这两个域，似乎简单从形状上就可以区分。
两种情况中，第一维对应的都是数据集中的图像数量。然而，data中所有像素都在一个大的向量中排列，而images保留了各个图像8×8的空间排列。
因此，如果想要绘制出一副单独的图像，使用images将更加合适。首先，使用NumPy的数组切片从数据集中获取一幅图像：
这里是从1797个元素的数组中获取了它的第一行数据，这行数据对应的是8×8=64个像素。下面就可以使用plt中的imshow函数来绘制这幅图像：
上面的命令得到下面的输出：
此外，这里也使用cmap参数指定了一个颜色映射。默认情况下，Matplotlib 使用MATLAB默认的颜色映射jet。然而，在灰度图像的情况下，gray颜色映射更有效。
最后，可以使用plt的subplot函数绘制全部数字的样例。subplot函数与MATLAB中的函数一样，需要指定行数、列数以及当前的子绘图索引（从1开始计算）。我们将使用for 循环在数据集中迭代出前十张图像，每张图像都分配到一个单独的子绘图中。
这会得到下面的输出结果：
关于作者：Michael Beyeler，华盛顿大学神经工程和数据科学专业的博士后，主攻仿生视觉计算模型，用以为盲人植入人工视网膜（仿生眼睛），改善盲人的视觉体验。 他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。同时他也是多个开源项目的积极贡献者。
本文摘编自《机器学习：使用OpenCV和Python进行智能图像处理》，经出版方授权发布。
