扩展：绘图模块 Matplotlib
=========================

Matplotlib 基于数值计算模块 Numpy，克隆了许多 Matlab 中的函数，能够帮助使用者轻松地获得高质量的二维图像。
一些参考资料：

- `Matplotlib home page <https://matplotlib.org>`__
- `Matplotlib manual <https://matplotlib.org/stable/contents.html>`__
- `Matplotlib gallary <https://matplotlib.org/stable/gallery/index.html>`__
- `Matplotlib cheatsheet <https://matplotlib.org/cheatsheets/cheatsheets.pdf>`__

当我们导入 Matplotlib 之后，有下面两种作图方式

.. code:: python

   import matplotlib.pyplot as plt

   # 第一种作图方式
   plt.figure() # 创建画布
   plt.plot(x, y)
   plt.xlabel('x', label='xxx')
   plt.ylabel('y')
   plt.set_title('title')
   plt.savefig('plot.png')

   # 第二种作图方式
   fig, ax = plt.subplots() # 创建画布以及获取 axes
   ax.plot(x,y)
   ax.set_xlabel('x')
   ax.set_ylabel('y')
   ax.set_title('title')
   fig.savefig('plot.png')

一些针对初学者的 Python 作图教程中，往往会大量使用 ``plt.xxx`` 这样的作图方式，这其实是 Matplotlib 提供的一个作图的捷径。
虽然能够非常迅速的画出一些简单的图像，简单易懂，但对于一些更复杂的作图要求往往无能为力，尤其是当我们需要面临复杂的科学作图的时候，会被 ``plt.xxx`` 的作图方式误导。
第二种作图方式，虽然看起来更加复杂，但是更适合个性化定制所需的图像。

**Pylab 和 Pyplot 的关系**

    Pylab 和 Pyplot 都是 Matplotlib 提供的模块，不同的是 Pyplot 只是单纯的作图模块，但是 Pylab 还包括了 Numpy 中的部分模块和函数，
    使得 Pylab 和 Matlab 更加相似。在使用交互界面时用 Pylab，比如 ``ipython --pylab`` 会顺便导入 Matplotlib.pyplot 和 Numpy，更加方便。

首先我们快速浏览一遍 Matplotlib 所能创作的不同的图表类型。

图表类型
--------
对于不同的数据，选取合适的图表类型来表达数据的内涵非常重要。
为了方便科学计算和数据分析的初学者，这里给出一个简单的示意图来告诉大家如何选取合适的图表类型。

|image0|


折线图
~~~~~~
折线图绘制，只要采样点足够多，就能画曲线图。

.. code:: python
    
    import numpy as np
    import matplotlib.pyplot as plt

    x = np.linspace(0, 10, 1000)
    y = np.sin(x)
    z = np.cos(x ** 2)

    plt.figure()
    plt.plot(x, y, label="$sin(x)$")
    plt.plot(x, z, label="$cos(x^2)$")
    plt.legend(loc=3)
    plt.show()
    plt.close()

运行结果如下

|image1|

直方图
~~~~~~

.. code:: python

    import numpy as np
    from scipy.stats import norm
    import matplotlib.pyplot as plt

    mu = 100 # mean of distribution
    sigma = 15 # standard deviation of distribution
    x = mu + sigma * np.random.randn(10000)
    num_bins = 50

    # the histogram of the data
    plt.figure()
    n, bins, patches = plt.hist(x, num_bins, density=True, facecolor='green', alpha=0.5)
    y = norm.pdf(bins, mu, sigma)
    plt.plot(bins, y, 'r--')
    plt.show()

运行结果如下

|image2|


柱状图
~~~~~~
.. code:: python

    from matplotlib.ticker import FuncFormatter
    import matplotlib.pyplot as plt
    import numpy as np

    x = np.arange(4)
    money = [1.5e5, 2.5e6, 5.5e6, 2.0e7]

    def millions(x, pos):
        'The two args are the value and tick position'
        return '$%1.1fM' % (x * 1e-6)

    formatter = FuncFormatter(millions)

    fig, ax = plt.subplots()
    ax.yaxis.set_major_formatter(formatter)
    plt.bar(x, money)
    plt.xticks(x, ('Bill', 'Fred', 'Mary', 'Sue'))
    plt.show()

运行结果如下

|image3|





散点图
~~~~~~
.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt

    n = 150
    x = np.random.rand(n,3)
    c = np.random.rand(n,3)
    plt.scatter(x[:,0], x[:,1], s=x[:,2]*500, alpha=0.5, color=c)
    plt.show()

运行结果如下

|image4|

热力图
~~~~~~
.. code:: python

    import numpy as np
    import matplotlib.pyplot as  plt

    # Planck's law
    def bbfunc(lam, T):
        h = 6.626e-34
        c = 2.99792e+8
        k = 1.3806e-23
        lam = lam * 1e-9
        ddd = 2 * h * c**2 / lam**5 / (np.exp(h*c/(lam*k*T)) - 1)
        return ddd

    lam = np.linspace(0, 2000, 100)
    T = np.linspace(4000, 6000, 100)
    X, Y = np.meshgrid(lam, T)
    Z = bbfunc(X, Y)

    plt.imshow(Z, cmap=plt.get_cmap('jet'))
    plt.colorbar()
    plt.show()

    plt.imshow(Z[::-1],  cmap=plt.get_cmap('jet'), extent=[0, 2000, 4000, 6000])

运行结果如下

|image5|


等高线图
~~~~~~~~
.. code:: python

    import matplotlib.pyplot as plt
    import numpy as np

    x = np.arange(-5, 5, 0.05)
    y = np.arange(-5, 5, 0.05)
    x, y = np.meshgrid(x, y)
    z = np.sin(np.sqrt(x ** 2 + y ** 2))

    plt.figure()
    levels = np.arange(-1, 1, 0.25)
    cs = plt.contour(x, y, z, levels)
    plt.clabel(cs, inline=1, fontsize=8)
    plt.axis('equal')
    plt.xlim([-5, 5])
    plt.show()

运行结果如下

|image6|

三维散点图
~~~~~~~~~~
.. code:: python

    import numpy as np
    from matplotlib import pyplot as plt
    from mpl_toolkits.mplot3d import Axes3D

    fig = plt.figure()
    ax = Axes3D(fig)
    data = np.random.random([100, 3])
    np.random.shuffle(data)
    ax.scatter(data[:,0], data[:,1], data[:,2], marker='o')
    plt.show()

运行结果如下

|image7|


三维曲面
~~~~~~~~
.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt
    from mpl_toolkits.mplot3d import Axes3D

    x = np.arange(-5, 5, 0.1)
    y = np.arange(-5, 5, 0.1)
    x, y = np.meshgrid(x, y)
    z = np.sin(np.sqrt(x**2 + y**2))

    fig = plt.figure()
    ax = Axes3D(fig)
    ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap='jet' )
    ax.set_zlim(-1.01, 1.01)
    plt.show()

运行结果如下

|image8|


三维投影
~~~~~~~~
.. code:: python

    import matplotlib.pyplot as plt
    from mpl_toolkits.mplot3d import Axes3D
    from mpl_toolkits.mplot3d import axes3d

    fig = plt.figure()
    ax = Axes3D(fig)
    x, y, z = axes3d.get_test_data(0.1)
    ax.plot_surface(x, y, z, rstride=8,cstride=8, alpha=0.3)
    cset = ax.contour(x, y, z, zdir='z', offset=-100)
    cset = ax.contour(x, y, z, zdir='x', offset=-40)
    cset = ax.contour(x, y, z, zdir='y', offset=40)
    plt.show()

运行结果如下

|image9|

Matplotlib 中常见的三维绘图函数有

- plot3D：三维控件绘图
- plot_surface：三维网格曲面
- plot_trisurf：三维三角曲面
- plot_wireframe：三维线图
- quiver3D：三维矢量图
- scatter：散点图（可三维）


三维球面
~~~~~~~~
有两种方法。第一种方法是

.. code:: python

    from mpl_toolkits.mplot3d import Axes3D
    import matplotlib.pyplot as plt
    import numpy as np

    fig = plt.figure()
    ax = Axes3D(fig)
    u = np.linspace(0, 2 * np.pi, 100)
    v = np.linspace(0, np.pi, 100)
    x = 10 * np.outer(np.cos(u), np.sin(v))
    y = 10 * np.outer(np.sin(u), np.sin(v))
    z = 10 * np.outer(np.ones(np.size(u)), np.cos(v))

    ax.plot_surface(x, y, z, rstride=2, cstride=2, color='b')
    plt.show()

|image10|

第二种方法是

.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt
    from mpl_toolkits.mplot3d import Axes3D

    fig = plt.figure()
    ax = Axes3D(fig)
    u, v = np.ogrid[0:2*np.pi:20j, 0:np.pi:20j]
    x = np.cos(u) * np.sin(v)
    y = np.sin(u) * np.sin(v)
    z = np.cos(v)
    ax.plot_surface(x, y, z, rstride=1, cstride=1, alpha=0.3)
    plt.show()

|image11|


动画绘制
~~~~~~~~

Matplotlib 中包含生成动画的子模块 animation，我们通过下面的例子来看一下它的用法。

.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib.animation as ani

    fig, ax = plt.subplots()
    x = np.arange(0, 2*np.pi, 0.01) # x-array
    line, = plt.plot(x, np.sin(x))

    def animate(i):
        line.set_ydata(np.sin(x + i / 100))
        return line,

    def init():
        line.set_ydata(np.sin(x))
        return line,

    ani = ani.FuncAnimation(fig=fig, func=animate, frames=100,
            init_func=init, interval=20, blit=False)
    plt.show()

另外可以用 ``plt.ion()`` 来进行实时绘图

.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt

    plt.ion() # 开始实时绘图
    plt.show()

    x = np.arange(0,2*np.pi,0.01)
    line, = plt.plot(x,np.sin(x))
    for i in np.arange(1,200):
        line.set_ydata(np.sin(x+i/10.0))
        plt.pause(0.05)
    plt.ioff() # 关闭实时绘图

上面两个脚本运行的结果一样。如果能将得到的动画保存下来是最好的，生成可以播放的动画通常需要额外的视频编码器。这里我们先保存制作动画所需的单帧图像。

.. code:: python

    # 图片保存
    import pylab as pl
    import numpy as np
    x = np.arange(0,2*np.pi,0.01)
    for i in np.arange(200):
        pl.figure()
        pl.plot(x,np.sin (x+i /10.0))
        pl.savefig("YOUR_PREFERRED_DIR/{:0>3d}.png".format(i))
        # 换成你想保存的路径，注意不同操作系统下斜杠与反斜杠区别


接下来使用 imageio 进行动画文件制作

.. code:: python

    # 注意先运行上一个程序生成完图片再运行该程序生成动画
    import imageio
    import os

    img_folder = "YOUR_PREFERRED_DIR"
    # 排序
    files = os.listdir(img_folder)
    files.sort(key=lambda x: int(x[:3]))

    frames = []
    for file in files:
        img_path = os.path.join(img_folder, file)
        frames.append(imageio.imread(img_path))

    imageio.mimsave("ani.gif", frames, 'GIF', duration=0.1)

最后得到的 GIF 是这样的

|image12|


极坐标
~~~~~~

.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt

    r = np.arange(0, 2, 0.01)
    theta = 2 * np.pi * r

    ax = plt.subplot(polar=True)
    ax.plot(theta, r, c='r', lw=3)
    ax.set_rmax(2)
    ax.set_rticks([0.5, 1, 1.5, 2])  # Less radial ticks
    ax.set_rlabel_position(-22.5)
    ax.grid(True)

    ax.set_title("A line plot on a polar axis", va='bottom')
    plt.show()

运行结果如下

|image13|


作图详解
--------

这一部分详细讲解作图的具体属性配置，下面这个图是 Matplotlib 一张图像的结构。

|image14|

画布和绘图区域
~~~~~~~~~~~~~~

只要用到 Matplotlib 作图，必须首先创建一张画布（Figure），它包含组成图表的所有元素。
然后再在这个画布上创建一个绘图区域（Axes），Axes 是整个 Matplotlib 的核心，图表的精细调节都是基于 Axes 实现的。我们可以通过下面这些方式创建画布和绘图区域。

.. code:: python
    
    # 方式一
    # 创建画布，并在画布上添加 Axes
    fig = plt.figure()
    ax = fig.add_subplot(111)

    # 方式二
    # 同时创建画布和 Axes
    fig, ax = plt.subplots()

上面都是只有一个绘图区域的情形，两种方法等效。

多子图
~~~~~~

多子图就是同一张画布上有多个绘图区域，比如
 
.. code:: python

    import numpy as np
    import matplotlib.pyplot as plt
    x = np.linspace(0, 10, 1000)
    y1 = np.sin(x)
    y2 = np.cos(x**2)
    y3 = np.tan(x)

    fig = plt.figure()
    ax1 = fig.add_subplot(211) # 第一行
    ax1.plot(x, y1)
    ax2 = fig.add_subplot(223) # 第二行左图
    ax2.plot(x, y2)
    ax3 = fig.add_subplot(224) # 第二行右图
    ax3.plot(x, y3)
    plt.show()

就能得到

|image18|
    

作图
~~~~

创建好画布和 Axes 之后，就要进行画图，这里以 ``ax.plot`` 为例，``ax.plot`` 中常用的作图参数有

- color or c：曲线的颜色
- alpha：曲线的透明度
- linewidth or lw：曲线的宽度
- linestyle or ls：曲线的样式
- zorder：曲线叠放顺序
- label：图注名称

举个例子

.. code:: python
    
    import matplotlib.pyplot as plt
    import numpy as np

    x = np.arange(0, 5, 0.1)

    fig, ax = plt.subplots()
    ax.plot(x, 0.05*x**2, color='black')
    ax.plot(x, np.sin(x), color='red', linewidth=4, linestyle=':')
    line = ax.plot(x, np.cos(x), color='magenta', linewidth=10)[0]
    # 可以通过调用 Line2D 对象的 set_* 的方法来设置属性值
    line.set_alpha(0.3)

    # 保存图像并设置图像分辨率
    fig.savefig('ax.plot.png', dpi=300)
    plt.show()

可以得到

|image15|

颜色控制
~~~~~~~~

在 Matplotlib 中有很多种方式可以表示颜色，下面列出几种常用的方式（参考 `Matplotlib - Specifying Colors <https://matplotlib.org/stable/tutorials/colors/colors.html#:~:text=Matplotlib%20indexes%20color%20at%20draw%20time%20and%20defaults,Matplotlib%20draws%20Artists%20based%20on%20the%20zorder%20parameter.>`__）

**Named Color**

    有一些颜色是有名字的，在使用这些颜色的时候可以直接指定它们的名字来获取。
    
    |image16|

    |image17|


**RGB/RGBA**
    
    通过指定 RGB 或者 RGBA 的元组来表示颜色，取值归一到 [0,1] ，比如 (0.1, 0.2, 0.5) 或 (0.1, 0.2, 0.5, 0.3)。
    或者也可以用十六进制的颜色表示方式来代替元组，比如 '#0F0F0F' 或 '#0F0F0F80'。

坐标轴
~~~~~~

坐标轴（Axis）是构成图像的最重要的部分之一，它包括坐标轴上的刻度线、刻度文本、坐标网格以及坐标轴标题等内容。我们经常需要对坐标轴进行定制。

**对数坐标轴**

    在科学研究中经常需要用到对数坐标，比如天文学中绝对星等和亮度的关系等。

    .. code:: python
        
        import numpy as  np
        import matplotlib.pyplot as plt

        lmn = np.linspace(1.e-1, 100, 1000)
        mag = -2.5 * np.log10(lmn)

        fig = plt.figure()
        ax = fig.add_subplot(121)
        ax.plot(lmn, mag)

        ax = fig.add_subplot(122)
        ax.plot(lmn, mag)
        ax.set_xscale('log')
        plt.show()
    
    我们可以得到下图，可以发现虽然在普通坐标轴下两个变量关系是非线性的，但在对数的 X 坐标轴下，两者关系是线性的。

    |image19|



    
    







.. |image0| image:: ../pic/matplotlib/choosing-a-good-chart.png
.. |image1| image:: ../pic/matplotlib/plt.plot.png
.. |image2| image:: ../pic/matplotlib/plt.hist.png
.. |image3| image:: ../pic/matplotlib/plt.bar.png
.. |image4| image:: ../pic/matplotlib/plt.scatter.png
.. |image5| image:: ../pic/matplotlib/plt.imshow.png
.. |image6| image:: ../pic/matplotlib/plt.contour.png
.. |image7| image:: ../pic/matplotlib/plt.scatter3D.png
.. |image8| image:: ../pic/matplotlib/plt.plot_surface.png
.. |image9| image:: ../pic/matplotlib/plt.plot_surface_and_contour.png
.. |image10| image:: ../pic/matplotlib/ball_1.png
.. |image11| image:: ../pic/matplotlib/ball_2.png
.. |image12| image:: ../pic/matplotlib/ani.gif
.. |image13| image:: ../pic/matplotlib/polar.png
.. |image14| image:: ../pic/matplotlib/anatomy.png
.. |image15| image:: ../pic/matplotlib/ax.plot.png
.. |image16| image:: ../pic/matplotlib/Base_colors.png
.. |image17| image:: ../pic/matplotlib/CSS_colors.png
.. |image18| image:: ../pic/matplotlib/subplots.png
.. |image19| image:: ../pic/matplotlib/logxscale.png