Matplotlib 快速入门指南

本教程涵盖了 Matplotlib 的一些基本用法和最佳实践，帮助你快速上手。

import matplotlib.pyplot as plt
import numpy as np

一个简单的例子

Matplotlib 将你的数据绘制在 Figure（图形）上（例如窗口、Jupyter 组件等），每个 Figure 可以包含一个或多个 Axes（轴域/子图），Axes 是一个可以在其中指定 x-y 坐标（或在极坐标图中用 theta-r，在 3D 图中用 x-y-z）的区域。创建包含一个 Axes 的 Figure 最简单的方法是使用 pyplot.subplots。然后我们可以使用 Axes.plot 在 Axes 上绘制一些数据，并用 show 显示图形：

fig, ax = plt.subplots()              # 创建一个包含单个 Axes 的 Figure
ax.plot([1, 2, 3, 4], [1, 4, 2, 3])   # 在 Axes 上绘制一些数据
plt.show()                             # 显示图形

解释：

• plt.subplots() 返回两个对象：fig 是整个图形画板，ax 是图形中的一个子图（坐标系）。初学者可以先记住这个固定用法。
• ax.plot(x, y) 将 x 和 y 数据画成折线图。
• plt.show() 在脚本中需要显式调用才能显示图形；在 Jupyter Notebook 中通常可以省略，因为会自动显示。

图形的组成部分

下图展示了 Matplotlib 图形的各个组成部分：

Figure（图形）

整个图形。Figure 跟踪所有子 Axes、一组“特殊”的 Artist（标题、图例、颜色条等），甚至嵌套的子图形。

通常，你会通过以下函数之一创建一个新的 Figure：

fig = plt.figure()             # 一个空的 Figure，没有 Axes
fig, ax = plt.subplots()       # 一个 Figure，包含一个 Axes
fig, axs = plt.subplots(2, 2)  # 一个 Figure，包含 2x2 的 Axes 网格
# 一个 Figure，左边一个 Axes，右边上下两个 Axes：
fig, axs = plt.subplot_mosaic([['left', 'right_top'],
                               ['left', 'right_bottom']])

subplots() 和 subplot_mosaic 是创建 Figure 并同时生成其中 Axes 对象的便捷函数，但你也可以稍后手动添加 Axes。

初学者注意：

• plt.figure() 只创建画板，不创建坐标系，通常需要再手动添加 Axes。
• plt.subplots() 是最常用的，因为它直接给你画板和子图对象。
• subplot_mosaic 可以创建复杂的布局，用字符串矩阵定义每个子图的位置和名称。

Axes（轴域/子图）

Axes 是附加到 Figure 上的一个 Artist（绘图元素），它包含一个用于绘制数据的区域，通常包括两个（或 3D 情况下三个）Axis（轴）对象（注意 Axes 和 Axis 的区别），这些轴提供刻度（ticks）和刻度标签（tick labels），为 Axes 中的数据提供尺度。每个 Axes 还有一个标题（通过 set_title() 设置）、一个 x 轴标签（通过 set_xlabel()）和一个 y 轴标签（通过 set_ylabel()）。

Axes 的方法是配置绘图大部分内容的主要接口（添加数据、控制轴刻度和范围、添加标签等）。

Axis（轴）

这些对象设置尺度和范围，并生成刻度（轴上的标记）和刻度标签（标记的字符串标签）。刻度的位置由 Locator 对象决定，刻度标签的格式由 Formatter 对象决定。合适的 Locator 和 Formatter 组合可以非常精细地控制刻度的位置和标签。

Artist（绘图元素）

基本上，Figure 上可见的一切都是 Artist（甚至 Figure、Axes 和 Axis 对象本身）。这包括 Text 对象、Line2D 对象、collections 对象、Patch 对象等。当渲染 Figure 时，所有 Artist 都会被绘制到画布上。大多数 Artist 都与一个 Axes 相关联；这样的 Artist 不能由多个 Axes 共享，也不能从一个 Axes 移动到另一个。

绘图函数的输入类型

绘图函数期望输入为 numpy.array 或 numpy.ma.masked_array，或者可以传递给 numpy.asarray 的对象。类似于数组的类（例如 pandas 数据对象和 numpy.matrix）可能无法按预期工作。通常的约定是在绘图前将这些对象转换为 numpy.array 对象。例如，转换 numpy.matrix：

b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b)

大多数方法也会解析类似字典、结构化 NumPy 数组或 pandas.DataFrame 这样的可字符串索引对象。Matplotlib 允许你提供 data 关键字参数，并传递对应于 x 和 y 变量的字符串来生成绘图。

np.random.seed(19680801)  # 设置随机种子，使结果可重复
data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
ax.scatter('a', 'b', c='c', s='d', data=data)  # 从 data 字典中按变量名取数据
ax.set_xlabel('entry a')
ax.set_ylabel('entry b')

解释：

• figsize=(5, 2.7) 指定图形大小（英寸）。
• layout='constrained' 自动调整布局，防止标签重叠。
• ax.scatter 绘制散点图，c 参数控制颜色，s 控制点的大小，它们可以引用数据字典中的键。
• 这种方式让代码更简洁，尤其当数据在 DataFrame 中时非常方便。

编码风格

显式接口与隐式接口

如前所述，使用 Matplotlib 主要有两种方式：

1. 显式创建 Figure 和 Axes，并调用它们的方法（面向对象风格，简称 OO 风格）。
2. 依赖 pyplot 隐式创建和管理 Figure 与 Axes，并使用 pyplot 函数进行绘图。

两种方式各有优劣，详见 Matplotlib 应用接口（APIs）。官方建议对于复杂的绘图和打算重用的脚本，使用 OO 风格；对于快速交互式工作，pyplot 风格更方便。

OO 风格示例：

x = np.linspace(0, 2, 100)  # 生成 0 到 2 之间的 100 个点

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
ax.plot(x, x, label='linear')      # 在 Axes 上绘制线性函数
ax.plot(x, x**2, label='quadratic') # 二次函数
ax.plot(x, x**3, label='cubic')     # 三次函数
ax.set_xlabel('x label')
ax.set_ylabel('y label')
ax.set_title("Simple Plot")
ax.legend()  # 显示图例

pyplot 风格示例：

x = np.linspace(0, 2, 100)

plt.figure(figsize=(5, 2.7), layout='constrained')
plt.plot(x, x, label='linear')
plt.plot(x, x**2, label='quadratic')
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()

初学者注意：

• OO 风格中，我们通过 ax 对象调用绘图方法，所有设置都针对这个特定的子图。
• pyplot 风格中，plt.plot 等函数会自动在“当前”子图上绘图，适合快速探索。
• 建议初学者先掌握 OO 风格，因为它更清晰，尤其在处理多个子图时不易混乱。

编写辅助函数

如果你需要反复绘制同一种图形，或者想轻松地封装 Matplotlib 方法，可以使用下面推荐的函数签名：

def my_plotter(ax, data1, data2, param_dict):
    """
    一个辅助函数，用于绘制图形。
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

然后你可以用这个函数填充两个子图：

data1, data2, data3, data4 = np.random.randn(4, 100)  # 生成 4 组随机数据
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(5, 2.7))
my_plotter(ax1, data1, data2, {'marker': 'x'})   # 左子图画点用 'x' 标记
my_plotter(ax2, data3, data4, {'marker': 'o'})   # 右子图画点用 'o' 标记

样式化 Artist（绘图元素）

大多数绘图方法都有针对 Artist 的样式选项，可以在调用绘图方法时设置，也可以之后通过 Artist 的“setter”方法设置。在下面的例子中，我们手动设置了由 plot 创建的 Artist 的颜色、线宽和线型，并在绘制后通过 set_linestyle 设置了第二条线的线型。

fig, ax = plt.subplots(figsize=(5, 2.7))
x = np.arange(len(data1))
ax.plot(x, np.cumsum(data1), color='blue', linewidth=3, linestyle='--')
l, = ax.plot(x, np.cumsum(data2), color='orange', linewidth=2)
l.set_linestyle(':')

解释：

• color：颜色，可以是颜色名称（如 ‘blue’）、缩写（如 ‘b’）或十六进制码。
• linewidth：线宽（点数）。
• linestyle：线型，'--' 虚线，':' 点线，'-' 实线等。
• l, = ax.plot(...) 中的逗号是因为 plot 返回一个包含一个 Line2D 对象的列表，我们通过解包取出该对象，以便后续修改。

颜色

Matplotlib 有非常灵活的颜色指定方式，大多数 Artist 都接受多种颜色定义（参见允许的颜色定义）。有些 Artist 可以接受多个颜色，例如散点图，标记的边缘颜色可以与内部颜色不同：

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.scatter(data1, data2, s=50, facecolor='C0', edgecolor='k')

解释：

• facecolor：标记内部颜色，'C0' 是默认颜色循环的第一个颜色。
• edgecolor：标记边缘颜色，'k' 表示黑色（black）。

线宽、线型和标记大小

线宽通常以印刷点（1 pt = 1/72 英寸）为单位，适用于有描边的 Artist。同样，描边线可以设置线型，参见线型示例。

标记大小取决于所用的方法。plot 中标记大小以点为单位，通常是标记的“直径”或宽度。scatter 中标记大小大致与标记的可视面积成比例。有多种标记样式可作为字符串代码使用（参见标记列表），用户也可以定义自己的 MarkerStyle（参见标记参考）。

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.plot(data1, 'o', label='data1')   # 'o' 圆圈
ax.plot(data2, 'd', label='data2')   # 'd' 菱形
ax.plot(data3, 'v', label='data3')   # 'v' 下三角
ax.plot(data4, 's', label='data4')   # 's' 正方形
ax.legend()

给图形添加标签

坐标轴标签和文本

set_xlabel、set_ylabel 和 set_title 用于在指定位置添加文本（更多讨论见 Matplotlib 中的文本）。文本也可以直接通过 text 添加到图上：

mu, sigma = 115, 15
x = mu + sigma * np.random.randn(10000)

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
# 绘制直方图
n, bins, patches = ax.hist(x, 50, density=True, facecolor='C0', alpha=0.75)

ax.set_xlabel('Length [cm]')
ax.set_ylabel('Probability')
ax.set_title('Aardvark lengths\n (not really)')
ax.text(75, .025, r'$\mu=115,\ \sigma=15$')  # 在坐标 (75, 0.025) 处添加文本
ax.axis([55, 175, 0, 0.03])  # 设置坐标轴范围
ax.grid(True)  # 显示网格

解释：

• ax.hist 绘制直方图，bins=50 表示 50 个柱子，density=True 归一化，alpha 透明度。
• ax.text(x, y, s) 在数据坐标 (x, y) 处添加字符串 s。
• ax.axis([xmin, xmax, ymin, ymax]) 设置坐标轴范围。
• 字符串前的 r 表示原始字符串，防止反斜杠被转义。

所有文本函数都返回一个 matplotlib.text.Text 实例。和前面的线条一样，你可以通过在文本函数中传入关键字参数来自定义属性：

t = ax.set_xlabel('my data', fontsize=14, color='red')

这些属性在 文本属性和布局 中有更详细的介绍。

在文本中使用数学表达式

Matplotlib 接受在任何文本表达式中使用 TeX 方程表达式。例如，要在标题中写入表达式 (\sigma_i=15)，你可以将 TeX 表达式放在美元符号之间：

ax.set_title(r'$\sigma_i=15$')

这里的 r 表示原始字符串，避免 Python 将反斜杠当作转义字符。Matplotlib 内置了 TeX 表达式解析和布局引擎，并自带数学字体——详情参见编写数学表达式。你也可以直接使用 LaTeX 格式化文本，并将输出合并到显示的图形或保存的 postscript 中——参见使用 LaTeX 渲染文本。

注释

我们还可以在图上对点进行注释，通常是用箭头将指向点 xy 的箭头与位于 xytext 的文本连接起来：

fig, ax = plt.subplots(figsize=(5, 2.7))

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2 * np.pi * t)
line, = ax.plot(t, s, lw=2)

ax.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

ax.set_ylim(-2, 2)

解释：

• xy 箭头指向的点（数据坐标）。
• xytext 文本放置的位置（数据坐标）。
• arrowprops 字典设置箭头属性，这里设置面颜色为黑色，并稍微收缩箭头。
• 更多坐标系统和高级用法参见基础注释和高级注释。

图例

通常我们想通过图例标识线条或标记，使用 Axes.legend：

fig, ax = plt.subplots(figsize=(5, 2.7))
ax.plot(np.arange(len(data1)), data1, label='data1')
ax.plot(np.arange(len(data2)), data2, label='data2')
ax.plot(np.arange(len(data3)), data3, 'd', label='data3')
ax.legend()

Matplotlib 的图例在布局、放置位置以及能代表哪些 Artist 方面非常灵活。详细讨论见图例指南。

坐标轴刻度和尺度

每个 Axes 有两个（或三个）Axis 对象，分别代表 x 轴和 y 轴。它们控制坐标轴的尺度、刻度定位器和刻度格式化器。可以附加额外的 Axes 来显示更多的 Axis 对象。

尺度

除了线性尺度，Matplotlib 还提供非线性尺度，例如对数尺度。由于对数尺度非常常用，也有直接的方法如 loglog、semilogx 和 semilogy。这里我们手动设置尺度：

fig, axs = plt.subplots(1, 2, figsize=(5, 2.7), layout='constrained')
xdata = np.arange(len(data1))  # 生成一个顺序索引
data = 10**data1
axs[0].plot(xdata, data)       # 左子图线性尺度

axs[1].set_yscale('log')       # 右子图设置 y 轴为对数尺度
axs[1].plot(xdata, data)

尺度定义了从数据值到轴上间距的映射。这个映射是双向的，并组合成一个变换（transform），这是 Matplotlib 将数据坐标映射到 Axes、Figure 或屏幕坐标的方式。参见变换教程。

刻度定位器和格式化器

每个 Axis 都有一个刻度定位器（locator）和格式化器（formatter），它们决定在轴上哪些位置放置刻度标记。简单的接口是 set_xticks：

fig, axs = plt.subplots(2, 1, layout='constrained')
axs[0].plot(xdata, data1)
axs[0].set_title('Automatic ticks')

axs[1].plot(xdata, data1)
axs[1].set_xticks(np.arange(0, 100, 30), ['zero', '30', 'sixty', '90'])
axs[1].set_yticks([-1.5, 0, 1.5])  # 注意不需要指定标签
axs[1].set_title('Manual ticks')

不同的尺度可能有不同的定位器和格式化器；例如上面的对数尺度使用 LogLocator 和 LogFormatter。其他格式化器和定位器以及如何编写自己的定位器/格式化器，参见刻度定位器和刻度格式化器。

绘制日期和字符串

Matplotlib 可以处理日期数组和字符串数组的绘图，以及浮点数。它们会使用适当的特殊定位器和格式化器。对于日期：

from matplotlib.dates import ConciseDateFormatter

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
dates = np.arange(np.datetime64('2021-11-15'), np.datetime64('2021-12-25'),
                  np.timedelta64(1, 'h'))  # 从 11 月 15 日到 12 月 25 日，每小时一个点
data = np.cumsum(np.random.randn(len(dates)))
ax.plot(dates, data)
ax.xaxis.set_major_formatter(ConciseDateFormatter(ax.xaxis.get_major_locator()))

更多信息参见日期示例（例如日期刻度标签）。

对于字符串，可以进行分类绘图（参见绘制分类变量）：

fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained')
categories = ['turnips', 'rutabaga', 'cucumber', 'pumpkins']

ax.bar(categories, np.random.rand(len(categories)))

注意：分类绘图时需注意，某些解析文本文件的方法会返回字符串列表，即使这些字符串都表示数字或日期。如果你传递 1000 个字符串，Matplotlib 会认为你想要 1000 个类别，并会在图上添加 1000 个刻度！这会导致图形拥挤。通常需要转换为数值类型。

额外的坐标轴对象

在一个图表中绘制不同量级的数据可能需要另一个 y 轴。可以通过 twinx 创建一个新的 Axes，它具有不可见的 x 轴和一个位于右侧的 y 轴（类似地，twiny 用于 x 轴）。参见具有不同尺度的绘图另一个示例。

类似地，你可以添加一个与主坐标轴具有不同尺度的 secondary_xaxis 或 secondary_yaxis，以不同尺度或单位表示数据。参见次坐标轴更多示例。

fig, (ax1, ax3) = plt.subplots(1, 2, figsize=(7, 2.7), layout='constrained')
l1, = ax1.plot(t, s)
ax2 = ax1.twinx()  # 创建共享 x 轴的第二个 y 轴
l2, = ax2.plot(t, range(len(t)), 'C1')
ax2.legend([l1, l2], ['Sine (left)', 'Straight (right)'])

ax3.plot(t, s)
ax3.set_xlabel('Angle [rad]')
ax4 = ax3.secondary_xaxis('top', functions=(np.rad2deg, np.deg2rad))
ax4.set_xlabel('Angle [°]')

颜色映射数据

我们经常希望用颜色映射（colormap）中的颜色来表示图中的第三维数据。Matplotlib 有许多支持这种功能的绘图类型：

from matplotlib.colors import LogNorm

X, Y = np.meshgrid(np.linspace(-3, 3, 128), np.linspace(-3, 3, 128))
Z = (1 - X/2 + X**5 + Y**3) * np.exp(-X**2 - Y**2)

fig, axs = plt.subplots(2, 2, layout='constrained')
pc = axs[0, 0].pcolormesh(X, Y, Z, vmin=-1, vmax=1, cmap='RdBu_r')
fig.colorbar(pc, ax=axs[0, 0])
axs[0, 0].set_title('pcolormesh()')

co = axs[0, 1].contourf(X, Y, Z, levels=np.linspace(-1.25, 1.25, 11))
fig.colorbar(co, ax=axs[0, 1])
axs[0, 1].set_title('contourf()')

pc = axs[1, 0].imshow(Z**2 * 100, cmap='plasma', norm=LogNorm(vmin=0.01, vmax=100))
fig.colorbar(pc, ax=axs[1, 0], extend='both')
axs[1, 0].set_title('imshow() with LogNorm()')

pc = axs[1, 1].scatter(data1, data2, c=data3, cmap='RdBu_r')
fig.colorbar(pc, ax=axs[1, 1], extend='both')
axs[1, 1].set_title('scatter()')

解释：

• pcolormesh 创建伪彩色网格图。
• contourf 填充等高线图。
• imshow 显示图像数据。
• scatter 中可以用 c 参数指定颜色映射的数据。

颜色映射

这些都是派生自 ScalarMappable 对象的 Artist。它们都可以设置 vmin 和 vmax 之间的线性映射到由 cmap 指定的颜色映射。Matplotlib 有许多颜色映射可供选择（选择颜色映射），你也可以创建自己的颜色映射（创建颜色映射）或下载第三方包。

归一化

有时我们希望数据到颜色映射的映射是非线性的，例如上面的 LogNorm 示例。我们通过向 ScalarMappable 提供 norm 参数而不是 vmin 和 vmax 来实现。更多归一化方法参见颜色映射归一化。

颜色条

添加颜色条可以为颜色与底层数据的关系提供图例。颜色条是图形级别的 Artist，附加到一个 ScalarMappable（从中获取关于归一化和颜色映射的信息），通常占用父 Axes 的空间。颜色条的放置可能复杂：详见放置颜色条。你还可以使用 extend 关键字在颜色条两端添加箭头，用 shrink 和 aspect 控制大小。最后，颜色条会具有适合该归一化的默认定位器和格式化器，可以像其他 Axis 对象一样修改。

使用多个图形和轴域

你可以多次调用 fig = plt.figure() 或 fig2, ax = plt.subplots() 来打开多个图形。通过保留对象引用，你可以向任一图形添加 Artist。

添加多个 Axes 有多种方式，最基本的是上面使用的 plt.subplots()。可以使用 subplot_mosaic 实现更复杂的布局，其中 Axes 对象可以跨越多行或多列。

fig, axd = plt.subplot_mosaic([['upleft', 'right'],
                               ['lowleft', 'right']], layout='constrained')
axd['upleft'].set_title('upleft')
axd['lowleft'].set_title('lowleft')
axd['right'].set_title('right')

Matplotlib 有相当复杂的工具来安排 Axes：参见在 Figure 中排列多个 Axes 和 复杂且语义化的图形组合（subplot_mosaic）。

---

Matplotlib 常用函数速查表

这里整理了 Matplotlib 最常用的函数，按功能分类，方便你绘图时快速查找。假设你习惯使用面向对象风格（OO style），即通过 fig, ax = plt.subplots() 创建图形和坐标系后，使用 ax.xxx() 方法进行绘图和设置。部分函数也列出了对应的 pyplot 接口（plt.xxx()）供参考。

---

1. 图形与子图创建

函数	说明	示例
plt.subplots()	创建一个 Figure 和一个或多个 Axes（子图）。最常用的启动函数。	fig, ax = plt.subplots() fig, axs = plt.subplots(2, 2, figsize=(8,6))
plt.figure()	创建一个空 Figure，之后需要手动添加 Axes。	fig = plt.figure() ax = fig.add_subplot(111)
fig.add_subplot()	向 Figure 添加一个 Axes。	ax = fig.add_subplot(2, 2, 1) # 2x2 网格中第一个
plt.subplot_mosaic()	创建复杂布局的 Axes，使用字符串矩阵定义位置。	fig, axd = plt.subplot_mosaic([['top', 'top'], ['left', 'right']])

---

2. 常用绘图函数（Axes 方法）

函数	说明	示例
ax.plot(x, y)	折线图	ax.plot(x, y, color='red', linestyle='--', marker='o')
ax.scatter(x, y)	散点图	ax.scatter(x, y, c=colors, s=sizes, alpha=0.5)
ax.bar(x, height)	垂直柱状图	ax.bar(categories, values, color='skyblue')
ax.barh(y, width)	水平柱状图	ax.barh(categories, values)
ax.hist(x, bins)	直方图	ax.hist(data, bins=20, density=True, alpha=0.7)
ax.boxplot(x)	箱线图	ax.boxplot([group1, group2], labels=['A','B'])
ax.violinplot(x)	小提琴图	ax.violinplot(data, positions=[1,2,3])
ax.pie(x, labels)	饼图（通常在 ax 上调用，但注意饼图需要 ax.axis('equal')）	ax.pie(sizes, labels=labels, autopct='%1.1f%%')
ax.imshow(X)	显示图像或矩阵数据	ax.imshow(image, cmap='gray', aspect='auto')
ax.contour(X, Y, Z)	等高线图	ax.contour(X, Y, Z, levels=10, colors='black')
ax.contourf(X, Y, Z)	填充等高线图	ax.contourf(X, Y, Z, cmap='viridis')
ax.pcolormesh(X, Y, Z)	伪彩色网格图（类似 imshow 但坐标可不等距）	ax.pcolormesh(X, Y, Z, cmap='RdBu_r', shading='auto')
ax.fill_between(x, y1, y2)	填充两条曲线之间的区域	ax.fill_between(x, y1, y2, where=(y1>y2), color='gray', alpha=0.3)
ax.stackplot(x, y)	堆叠面积图	ax.stackplot(x, y1, y2, y3, labels=['A','B','C'])
ax.errorbar(x, y, yerr)	带误差棒的折线图	ax.errorbar(x, y, yerr=error, fmt='o', capsize=3)
ax.axhline(y)	添加水平线	ax.axhline(y=0, color='black', linestyle='--')
ax.axvline(x)	添加垂直线	ax.axvline(x=3, color='red')
ax.axhspan(ymin, ymax)	添加水平带	ax.axhspan(0.2, 0.5, alpha=0.3)
ax.axvspan(xmin, xmax)	添加垂直带	ax.axvspan(2, 4, alpha=0.3)

---

3. 坐标轴与刻度设置

函数	说明	示例
ax.set_xlim(left, right)	设置 x 轴范围	ax.set_xlim(0, 100)
ax.set_ylim(bottom, top)	设置 y 轴范围	ax.set_ylim(-1, 1)
ax.set_xscale(scale)	设置 x 轴尺度（‘linear’, ‘log’, ‘symlog’, ‘logit’）	ax.set_xscale('log')
ax.set_yscale(scale)	设置 y 轴尺度	ax.set_yscale('log')
ax.set_xticks(ticks)	设置 x 轴刻度位置	ax.set_xticks([0, 2, 4, 6])
ax.set_yticks(ticks)	设置 y 轴刻度位置	ax.set_yticks(np.arange(0, 1.1, 0.2))
ax.set_xticklabels(labels)	设置 x 轴刻度标签，常与 set_xticks 配合	ax.set_xticklabels(['Jan','Feb','Mar'], rotation=45)
ax.set_yticklabels(labels)	设置 y 轴刻度标签	ax.set_yticklabels(['low','medium','high'])
ax.tick_params(axis, direction, length, width, colors, labelsize, rotation, ...)	控制刻度线、标签的外观	ax.tick_params(axis='x', rotation=45, labelsize=10)
ax.xaxis.set_major_locator(locator)	设置 x 轴主刻度定位器（如 MultipleLocator, AutoLocator）	ax.xaxis.set_major_locator(plt.MultipleLocator(5))
ax.xaxis.set_major_formatter(formatter)	设置 x 轴主刻度格式化器（如 FormatStrFormatter, DateFormatter）	ax.xaxis.set_major_formatter('{x:.0f}°C')
ax.secondary_xaxis(location)	创建次 x 轴	ax2 = ax.secondary_xaxis('top', functions=(np.deg2rad, np.rad2deg))
ax.secondary_yaxis(location)	创建次 y 轴	ax2 = ax.secondary_yaxis('right')

---

4. 文本与标签

函数	说明	示例
ax.set_title(label)	设置图形标题	ax.set_title('My Plot', fontsize=16, color='blue')
ax.set_xlabel(xlabel)	设置 x 轴标签	ax.set_xlabel('Time (s)')
ax.set_ylabel(ylabel)	设置 y 轴标签	ax.set_ylabel('Amplitude')
ax.text(x, y, s)	在数据坐标 (x,y) 处添加文本	ax.text(0.5, 0.8, 'Important point', transform=ax.transAxes) （使用轴坐标）
ax.annotate(s, xy, xytext, arrowprops)	添加带箭头的注释	ax.annotate('Max', xy=(2,1), xytext=(3,1.5), arrowprops=dict(arrowstyle='->'))

---

5. 图例、颜色条与注释

函数	说明	示例
ax.legend()	显示图例（需在绘图时指定 label 参数）	ax.legend(loc='upper left', fontsize=10)
fig.colorbar(mappable, ax)	添加颜色条（用于散点图、图像、等值线等）	sc = ax.scatter(x, y, c=z) fig.colorbar(sc, ax=ax, label='Temperature')
ax.legend(handles, labels)	手动创建图例	from matplotlib.patches import Patch ax.legend(handles=[Patch(color='red')], labels=['Red'])

---

6. 图形外观与布局

函数	说明	示例
fig.set_size_inches(w, h)	设置图形尺寸（英寸）	fig.set_size_inches(8, 6)
fig.tight_layout()	自动调整子图间距，防止标签重叠	fig.tight_layout(pad=1.5)
fig.subplots_adjust(left, bottom, right, top, wspace, hspace)	手动调整子图边距和间距	fig.subplots_adjust(wspace=0.3, hspace=0.2)
ax.grid(visible)	显示或隐藏网格	ax.grid(True, linestyle='--', alpha=0.5)
ax.set_facecolor(color)	设置 Axes 背景颜色	ax.set_facecolor('lightgray')
fig.patch.set_facecolor(color)	设置 Figure 背景颜色	fig.patch.set_facecolor('white')
ax.axison(flag)	显示或隐藏坐标轴	ax.axis('off') # 隐藏坐标轴

---

7. 样式与颜色

函数/属性	说明	示例
plt.style.use(style)	应用预设样式	plt.style.use('ggplot') plt.style.use(['dark_background', 'seaborn-v0_8'])
plt.rcParams.update(params)	全局修改默认参数	plt.rcParams.update({'font.size': 12, 'lines.linewidth': 2})
颜色指定	颜色可以用名称、缩写、十六进制、RGB元组等	color='red' color='#FF5733' color=(0.2, 0.4, 0.6)
颜色映射（cmap）	用于散点图、图像、等值线等	cmap='viridis'（可选 'plasma', 'coolwarm', 'gray' 等）

---

8. 图形保存与显示

函数	说明	示例
fig.savefig(fname)	保存图形到文件	fig.savefig('plot.png', dpi=300, bbox_inches='tight')
plt.show()	显示图形（脚本中必须调用，Jupyter 中可省略）	plt.show()
plt.close(fig)	关闭图形窗口，释放内存	plt.close(fig)
plt.close('all')	关闭所有图形	plt.close('all')

---

9. 高级子图布局

函数	说明	示例
fig.add_gridspec(nrows, ncols)	创建网格规格，实现更复杂的子图排列	gs = fig.add_gridspec(3, 3) ax1 = fig.add_subplot(gs[0, :]) ax2 = fig.add_subplot(gs[1, :-1])
plt.subplot_mosaic()	见第 1 部分	同上
ax.inset_axes(rect)	在 Axes 内部嵌入一个小坐标系	axins = ax.inset_axes([0.6, 0.6, 0.3, 0.3])
ax.indicate_inset_zoom(inset_ax)	指示嵌入放大的区域	ax.indicate_inset_zoom(axins, edgecolor='black')

---

常用辅助函数

函数	说明	示例
np.linspace(start, stop, num)	生成等差数列，常用于生成 x 轴数据	x = np.linspace(0, 10, 100)
np.meshgrid(x, y)	生成网格坐标矩阵，用于等高线、pcolormesh 等	X, Y = np.meshgrid(x, y)
plt.get_cmap(name)	获取颜色映射对象	cmap = plt.get_cmap('viridis')

---

提示

• 如果不确定某个函数的具体参数，在 Jupyter 中输入函数名后加 ? 查看文档，例如 ax.plot?。
• 许多函数都有对应的 pyplot 版本（如 plt.plot()），它会作用于“当前”坐标系。但推荐使用 OO 风格以避免混淆。
• 官方文档的示例库是极好的学习资源，遇到想画的图可以直接搜示例代码修改。