添加圖例與注釋

給圖形添加圖例

代碼

import numpy as np
import matplotlib.pyplot as plt
nbSamples = 128

x = np.linspace(-np.pi, np.pi, nbSamples)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, color='g', linewidth=4, linestyle='--', label=r'$y = sin(x)$')
plt.plot(x, y2, '*', markersize=8, markerfacecolor='r',
         markeredgecolor='k', label=r'$y = cos(x)$')

plt.legend(loc='best')
plt.show()

運行結果

代碼分析

首先，在第09和第11行為曲線添加了標簽屬性，然后在第16行，通過設定plt.legend(loc=‘best’)使圖例能夠在畫布的“最佳”位置顯示，這里的“最佳”是由系統自動判別的，通常哪里留白較多，系統就將圖例放到哪里，loc引數是location（位置）的簡寫，表示圖例所在位置，通常默認為最佳位置，

當然，我們也可以自行指定圖例位置，可供選擇的引數有：

• upper right（右上）
• upper left（左上）
• lower left（左下）
• lower right（右下）
• right（右邊）
• center left（左中）
• center right（右中）
• lowercenter（中下）
• upper center（中上）
• center（中）等，

Matplotlib在繪圖的程序中，可以為各個軸的標題（Label）、影像的標題（Title）、圖形的圖例（Legend）等元素添加LaTeX風格的公式，添加公式并不復雜，只要在LaTeX公式的文本前后各增加一個$符號，Matplotlib就可以自動進行決議，如代碼第9行和第11行所示，公式前面通常添加字母r，它是raw（原始的）的首字母，表示后面的字串（即LaTeX公式）以原始字符形式存在，不需要進行轉義決議，例如，字串r’\n’就表示兩個字符，一個是“\”另一個是“n”，如果去掉字串前面的標識r，’\n’就被決議為一個字符，即換行符，

顯示坐標點

代碼

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 10, 1)  # 構造X軸坐標向量
y = 2 * x  # 構造Y軸坐標向量

for a, b in zip(x, y):
    plt.text(a, b, (a, b), ha='center', va='bottom', fontsize=10)

plt.plot(x, y, 'bo-')
plt.show()

運行結果

代碼分析

在本例中，我們使用plt.text()函式給圖形添加了文本注釋，借此把點的坐標逐個標注到了圖形當中，
在第08行代碼中，plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)的前兩個引數表示要標注的X軸和Y軸的坐標位置，第三個引數表示標注的文本內容，我們在這里打算顯示的是坐標點，
在圖中，我們可以看到，坐標點文本壓在所繪制的曲線上，如果想優化顯示文本的位置，我們可以調整前兩個引數的位置，例如，plt.text(a- 0.5,b,(a,b))就表示把文本的X坐標左移0.5個單位，ha、va分別是horizontal alignment（水平對齊）、vertical alignment（垂直對齊）的簡寫，ha可選的引數有’center’、‘right’、‘left’，va可選的引數有’center’、‘top’、‘bottom’、‘baseline’、‘center_baseline’，

設定圖形標題及坐標軸

在某些情況下，我們需要給圖形設定一個標題，修改坐標軸的刻度值，或關閉坐標軸顯示等，這時，我們可以使用plt.title()函式來給圖形設定標題，使用plt.xticks()函式設定X軸的刻度值，使用plt.yticks()函式設定Y軸刻度值，使用plt.xlim()函式、plt.ylim()函式分別設定X軸和Y軸的區間范圍，使用plt.xlabel()函式、plt.ylabel()函式設定X軸和Y軸的名稱，

設定圖形標題及坐標軸

代碼

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(-5, 5, 0.05)
y1 = np.sin(x)
y2 = np.cos(x)

# 為在Matplotlib中顯示中文，設定特殊字體
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.title("雙曲線")

plt.ylim(-1.2, 1.2)
plt.xlim(-6, 6)
plt.xticks(ticks=np.arange(-1.5 * np.pi, 2 * np.pi, 0.5 * np.pi),
           labels=['$-\\frac{3}{2}\pi$', '$-\pi$', '$-\\frac{1}{2}\pi$',
                   '0', '$\\frac{1}{2}\pi$', '$\pi$', '$\\frac{3}{2}\pi$'])
plt.yticks(ticks=[-1, 0, 1])
plt.xlabel("X軸")
plt.ylabel("Y軸")

plt.plot(x, y1, 'r-', label='$y_1 = sin(x)$')
plt.plot(x, y2, 'b:', label='$y_2 = cos(x)$')

plt.legend(loc='best')
plt.show()

運行結果

代碼分析

在代碼第12行，我們使用plt.xlim()設定X軸的坐標范圍為(-6, 6)，這里xlim表示X軸的限度（limit），類似地，ylim表示Y軸的限度（limit），代碼第13行使用plt.ylim()設定Y坐標軸范圍為(-1.2, 1.2)，接著，使用plt.xlabel()設定X坐標軸名稱’X軸’，使用plt.ylabel設定Y坐標軸名稱’Y軸’，
我們使用plt.xticks()（代碼第14行～16行）設定X軸的刻度，使用plt.yticks()（代碼17行）設定Y軸的刻度，xticks()、yticks()函式分別用于設定X軸和Y軸的刻度與標簽，這兩個函式都有相同的引數ticks和labels，其中ticks用于設定坐標軸的刻度值，labels用于設定坐標軸的標簽值，標簽中可以添加LaTeX公式，

一次性繪制多條曲線

代碼

import matplotlib.pyplot as plt
import numpy as np

# 在（0,4）區間，以間隔0.2均勻分隔
data = np.arange(0, 4, 0.2)

# 分別使用紅色的點劃線、藍色的方塊和綠色的三角形來區分這三條曲線
plt.plot(data, data, 'r-.', data, data ** 2, 'bs', data, data ** 3, 'g^')
plt.savefig('mult_lines.png', dpi=600)

運行結果

代碼分析

第一個小技巧就是前面所說的，我們可以一次性地繪制多條曲線，如代碼第08代碼按照順序先后提供了三條線段的X軸資料、Y軸資料和線條樣式，實際上實作了 y = x y=x y=x、 y = x 2 y=x^2 y=x2和 y = x 3 y=x^3 y=x3這三條曲線的繪制，
為了區分這三條曲線，要讓它們在樣式上有所不同，

• 例如第一條曲線的引數是“r-.”，其中“r”表示紅色（red），“-.”是非常形象的點畫線，顯而易見的是，“--”表現虛線，讀者可自行測驗一下，
• 第二條曲線的樣式是“bs”，其中“b”表示的是顏色blue（藍色），“s”表示圖形為方形（square），
• 第三條曲線的原始設定是“g^”，其中“g”表示的是顏色green（綠色），第二個字符“^”表示圖形是“三角形”.

第二個值得關注的小技巧是，如果我們不想在螢屏顯示圖形，而是想將顯示結果另存為一張圖片以備后用，就可以使用savefig()方法，在該方法中填寫對應的存盤路徑和檔案名（包括擴展名）即可，這個方法神奇的地方在于，它會根據檔案名的擴展名不同，自動識別圖片并將其存盤為對應的格式，

在第09行代碼中，引數dpi=600并不是必需的，只有當你覺得生成圖片的解析度“慘不目睹”時，設定這個引數才有必要，可以提高解析度，這里dpi表示的含義是Dots Per Inch（每英寸點數，簡稱DPI），它是一個量度單位，用于衡量生成圖片的每英寸像素數量，通常，DPI越大，圖片的清晰度也就越高，但占據的位元數也越高，不利于網路傳輸，所以有時候我們為了網路傳輸質量和傳輸速度，會對DPI的大小做一個合理的權衡，

添加網格線

代碼

import matplotlib.pyplot as plt
import numpy as np
data = np.arange(0, 4, 0.2)

plt.plot(data, data, 'r-.', data, data ** 2, 'bs', data, data ** 3, 'g^')

plt.grid(b=True)
plt.savefig('mult_lines-grid.png', dpi=600)

運行結果

代碼分析

本例中的核心代碼是第07行中的grid()方法，其原型如下，

grid(b = None, which = u'major', axis = u'both', **kwargs)

grid()方法的引數解釋如下，

• b：布爾型別變數，取值為[True | False]，表示是否為圖形添加網格，默認為False，即不添加，
• which：取值為[‘major’ | ‘minor’ | ‘both’]，表示使用大網格（‘major’）或小網格（‘minor’），或大網格里套小網格（‘both’），默認為’major’，
• axis：取值為[‘both’ | ‘x’ | ‘y’]，表示在哪個軸添加網格線，可以是X軸、Y軸，或X軸和Y軸均添加，默認為’both’，即X軸和Y軸均添加網格線，

繪制多個子圖

在前面的討論中，每次我們都繪制一張圖片，實際上，有時候我們需要將多個子圖繪制在一起進行比較，這時需要利用繪制子圖的方法subplot()，其函式原型大致如下，

subplot(nrows, ncols, plot_number)

上述方法的功能為，繪制nrows行ncols列第plot_number個子圖，顯然，在這種布局下，我們一共有nrows×ncols個子圖，引數plot_number指明是第幾個子圖，

繪制兩個子圖

代碼

import matplotlib.pyplot as plt
import numpy as np

def f(t):
    return np.exp(-t) * np.cos(2 * np.pi * t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

# 第一種繪制子圖的方法
fig = plt.figure()  # 創建一個畫布
sub_fig1 = fig.add_subplot(211)  # 創建一個子圖
sub_fig1.grid(True)  # 添加網格線
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

# 第二種繪制子圖的方法
plt.subplot(2, 1, 2)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
plt.show()

運行結果

代碼分析

在本例中，我們提供了兩種繪制子圖的方法，二者是等價的，
第一種方法的思路是，我們先構建一個畫布（第11行），然后在該畫布上利用add_subplot()方法添加一個子圖，其引數的含義同subplot()方法，這里的“211”，表示的就是兩行一列第一個子圖，構造子圖時，我們可以添加網格線，
需要特別注意的是第14行代碼，實際上，第14行中的plot()繪制了兩個圖形，第一個是由藍色（標記為b）的實心圓（標記為o）標記的，X軸的資料為t1（第07行），Y軸的資料由第04～05行的函式f(t1)構造，第二個圖形為黑色（標記符號為k）的曲線，其中，X軸的資料為t2（第08行），Y軸資料由第04～05行的函式f(t2)構造，兩個圖形疊加在一起構成了點畫線，

第二種方法就是利用subplot()方法，它是子模塊pyplot下屬的方法，用起來更加簡單明了，此處繪制的是紅色虛線，繪制函式是cos2πx，這里的π是用NumPy模塊中的np.pi表示的，

Axes與Subplot的區別

在繪圖時，Figure（畫布）最大，它有點像繪制物體畫所用的畫板，例如代碼fig=plt.figure()的意思就是創建一個慷訓布，
在畫布里，我們可以創建各種子圖，子圖主要有兩類：一類是規規矩矩、排列整齊的子圖，叫作Subplot；另一類是可以不那么規則擺放的子圖，叫作Axes，
把Figure想象成Windows作業系統的桌面，在桌面上會有各種圖示（icon），如果圖示是自動對齊到網格的，就稱之為Subplot；如果圖示是自由擺放的，甚至可以相互重疊的那種，就稱之為Axes，但不管怎么擺放，Subplot和Axex本質上都是Figure內的子圖，
但讓我們比較困惑的是，在繪圖時axis會出來搗亂，其實axis是地地道道的坐標軸，每個子圖都有坐標軸，為了獲得更好的可讀性，每個坐標軸都可以配上標簽（label），例如，X軸有xlabel這個屬性，Y軸有ylabel屬性等，
可能Matplotlib的設計者認為，任何一個子圖都要通過多個軸（axis）來呈現（二維圖有兩個軸，三維圖有三個軸），眾軸成圖，所以就用“axis”的復數形式“Axes”表示子圖，但切不可認為Axes是多個軸（axis）的意思，而應該在整體上把它視為一個在畫布中可任意擺放的子圖，下面，我們舉例說明，

import matplotlib.pyplot as plt

# 生成一個沒有子圖（Axes）的畫布
fig = plt.figure()
plt.show()

這樣會沒有圖片顯示出來，
如果沒有子圖，光有一個畫布，是無法構成一個圖形顯示物件的，但是，如果我們有意識地添加子圖，哪怕是一個空子圖，它也構成了可顯示的圖形物件，

# 生成一個畫布，其中有2*2分布均勻的子圖
fig, axes_lst = plt.subplots(2, 2)
plt.show()

值得注意的是，plt.subplots()回傳兩個值，一個是Figure（畫布），另一個就是Axes物件，此處命名為axes_lst，如前文所述，在這種場景下，Axes就是Subplot，

現在，我們有四個子圖（Axes），那該如何區分它們呢？這個區分并不復雜，類似于NumPy的多維陣列訪問，ax_lst[0,0]就表示第0行第0列的子圖（下標從0開始計數，下同），即左上角的圖，類似地，ax_lst[0,1]就表示第0行第1列的子圖，即右上角的圖，以此類推，

如果我們知道這個區分方式，就可以“指哪打哪”了，比如說，我們僅僅想在右下角的子圖上繪制特定圖形，就可以如下操作，

# 構造x軸和y軸資料
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)
# 在第一行第一列的子圖中繪圖
axes_lst[1, 1].plot(x, y)
plt.show()

上述代碼中的axes_lst[1, 1].plot(x, y)完全等價于pyplot模型下的如下兩行代碼，

我們想繪制一個大圖中套小圖的圖形，即“圖中圖”，使用Axes就相對容易操控一些，代碼如下，

# 創建慷訓布
fig = plt.figure()

left1, bottom1, width1, height1 = 0.1, 0.1, 0.8, 0.8
# 在畫布上添加一個子圖
axes_1 = fig.add_axes([left1, bottom1, width1, height1])
axes_1.scatter(x, y)
axes_1.set_xlabel('x')
axes_1.set_ylabel('y')
axes_1.set_title('title')

left2, bottom2, width2, height2 = 0.6, 0.6, 0.25, 0.25
# 在畫布上添加另外一個子圖
axes_2 = fig.add_axes([left2, bottom2, width2, height2])
axes_2.plot(x, y)
axes_2.set_title('title inside')

plt.show()

在以上代碼中，我們使用fig.add_axes([left, bottom, width, height])添加子圖時，要事先確定子圖在畫布的位置，這時需要四個引數來定位：圖左下角（即原點的左邊坐標和底部坐標）的位置和圖形大小（寬和高），但需要注意的是，這四個值都用占整個Figure坐標系的百分比來表示，即都是小于1的小數

假設Figure的大小是10×10，對于上述代碼的配置，我們繪制的大圖起點（原點）就是坐標(1, 1)，因為left=10*0.1=1，bottom=10 * 0.1=1，類似地，我們也很容易獲知大圖的width=8，height=8，對小圖的計算也是類似的，不再贅述，從圖中可以看出，我們同樣可以對小圖設定X軸和Y軸的標簽及圖形標題，

由上面的分析可知，用add_axes()方法生成子圖靈活性更強，它完全可以實作add_subplot()方法的功能，且更容易控制子圖的顯示位置，甚至實作相互重疊的效果（參見以下代碼），

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)

fig = plt.figure()
axes_1 = fig.add_axes([0.1, 0.1, 0.5, 0.5])
axes_2 = fig.add_axes([0.2, 0.2, 0.5, 0.5])
axes_3 = fig.add_axes([0.3, 0.3, 0.5, 0.5])
axes_4 = fig.add_axes([0.4, 0.4, 0.5, 0.5])
axes_4.plot(x, y)

plt.show()