颜色和样式
八种内建默认颜色缩写
b:blue g:green r:red c:cyan m:magenta y:yellow k:black w:white
其它颜色表示方法可以参照百度给的值
https://baike.baidu.com/item/%E5%8D%81%E5%85%AD%E8%BF%9B%E5%88%B6%E9
%A2%9C%E8%89%B2%E7%A0%81/10894232?fromtitle=%E9%A2%9C%E8%89%B2%E5%8D
%81%E5%85%AD%E8%BF%9B%E5%88%B6&fromid=15455510&fr=aladdin
灰色阴影
html 十六进制
RGB元组
import numpy as np
import matplotlib.pyplot as plt y=np.arange(1,5)
# plt.plot(y,'--',marker='o',color='g')
# '--',marker='o',color='g'，分别表示线型，点型，颜色 # plt.plot(y+1,'-.',marker='D',color='0.5')
# plt.plot(y+2,':',marker='^',color='#FF00FF')
# plt.plot(y+3,'-',marker='p',color=(0.1,0.2,0.3)) # 可以将颜色，点型，线型写成一个字符串
plt.plot(y,'cx--') plt.show()
面向对象 VS Matlab Style
pyplot:经典高层封装，到目前为止，我们所用的都是pyplotpylab：将Matplotlib和NumPy合并的模块，模拟Matlab的编程环境面向对象的方式：Matplotlib的精髓，更基础和底层的方式
pyplot：简单易用。交互使用方便，可以根据命令实时作图。但底层定制能力不足
pylab：完全封装，环境最接近Matlab。不推荐使用
面向对象（Object-Oriented）的方式：接近Matplotlib基础和底层的方式。难度稍大。
但定制能力强而且是Matplotlib的精髓
总结：实战中推荐，根据需求，总和使用pyplot和面向对象的方式，显示导入numpy
常用模块导入代码：
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.pyplot as plt
import numpy as np x = np.arange(0, 10, 1)
y = np.random.randn(len(x)) fig = plt.figure()
# 面向对象方法，要先建立一个画布 ax = fig.add_subplot(111)
# 相当于将要在画布上建立一个一行一列的图，最后数字1表示要画的图在第一个位置
# ax = fig.add_subplot(221) f1 = plt.plot(x, y) t = ax.set_title('object oriented') # 为图命名 # plt.plot(x, y)
plt.show()
多图
要创建多个画布即应该在代码中每画一个图就需要插入fig=plt.figure()如下代码
import matplotlib.pyplot as plt
# import numpy as np figl=plt.figure()
ax1=figl.add_subplot(111)
ax1.plot([1,2,3],[3,2,1]) fig2=plt.figure()
ax2=fig2.add_subplot(111)
ax2.plot([1,2,3],[3,2,5]) plt.show()
网格
在画图的时候可以添加背景网格的形式增加图的可读性
import matplotlib.pyplot as plt
import numpy as np x = np.arange(0,10,1)
fig = plt.figure()
ax = fig.add_subplot(111)
plt.plot(x,x*2) ax.grid(color='g')
# 这是要给所画的图添加网格的代码行 plt.show()
图例
图例是图表中一种很重要的说明方式，在matplotlib中也可以添加图例
import matplotlib.pyplot as plt
import numpy as np x=np.arange(1,11,1) # 添加图例的第一种方式
# plt.plot(x, x*2, label='Normal')
# plt.plot(x, x*3, label='Fast')
# plt.plot(x, x*4, label='Faster') plt.plot(x, x*2)
plt.plot(x, x*3)
plt.plot(x, x*4)
plt.legend(['Normal','Fast','Faster'])
plt.legend(loc=0) # 图例放置最优位置，官网上有更多的相关解释
plt.legend(ncol=3) # 图例分三列放 plt.show()
坐标轴范围
import matplotlib.pyplot as plt
import numpy as np x = np.arange(-10,11,1) plt.plot(x,x*x) # plt.axis([-5,5,20,60]) # 前两个数字表示x轴范围，后两个数字表示y轴范围
plt.axis([-10,10,0,100])
# plt.xlim([-5,5]) # 可以只改变x轴范围y轴不变
# plt.ylim([0,60])
# plt.xlim(xmin=-5,xmax=5) # 与plt.xlim([-5,5]) 效果一样
plt.xlim(xmin=-5) # 只改变x轴一端的范围
plt.show()
坐标轴刻度
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
import datetime
x = np.arange(1,11,1)
plt.plot(x,x)
ax=plt.gca() # 表示获取当前的坐标轴，对坐标轴操作需要添加此行 # ax.locator_params('x',nbins=5)
# 给x轴添加刻度 ax.locator_params('y', nbins=5)
# 给y轴添加刻度 # 下面是x轴的日期刻度标注方法
fig=plt.figure()
start=datetime.datetime(2015,1,1)
stop=datetime.datetime(2016,1,1)
delta=datetime.timedelta(days=1) dates = mpl.dates.drange(start,stop,delta)
y=np.random.rand(len(dates))
ax=plt.gca()
ax.plot_date(dates,y,linestyle='-',marker='') date_format=mpl.dates.DateFormatter('%Y-%m')
ax.xaxis.set_major_formatter(date_format) # xaxis表示在x轴添加日期刻度
fig.autofmt_xdate() # 由于日期的数字过长，所以需要matplotlib自动优化摆放方式 plt.show()
添加坐标轴
import matplotlib.pyplot as plt
import numpy as np x=np.arange(2,20,1)
y1=x*x
y2=np.log(x) # 这是添加y轴
# plt.plot(x,y1)
# plt.twinx() #创建一个双胞胎ｘ轴
# plt.plot(x,y2,'r') # 这是添加ｘ轴
plt.plot(y1, x)
plt.twiny() #创建一个双胞胎ｙ轴
plt.plot(y2, x, color='r') ＃ 这是用面向对象的方式添加坐标轴
# fig = plt.figure()
# ax1 = fig.add_subplot(111)
# ax1.plot(x,y1)
# ax1.set_ylabel('Y1')
# ax2=ax1.twinx()
# ax2.plot(x,y2,'r')
# ax2.set_ylabel('y2')
# ax1.set_xlabel('Compare Y1 and Y2') plt.show()