精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

matplotlib| 2021-04-03

大家好，我是早起。

在使用 Python 进行数据可视化时，相信不论是什么工具，你都会发现有些操作/代码段会频繁的用到，这一点在matplotlib上尤为突出。

本文就向大家分享十个我常用的一些小技巧，大多一行代码，短小精悍，威力无穷。

一、快速且正确的显示中文

在matplotlib中，默认是没法显示中文的，原因很简单，默认使用的字体文件中不含中文。

当你搜索如何设置中文时，会有很多教程，我曾经也详细的介绍过3种方法，但是在有的电脑上折腾很久也搞不定，所以当你浪费了太多时间也没法解决，或者在一台陌生的设备上使用，需要快速的让matplotlib显示中文可以使用下面的代码。

import matplotlib as mpl

WRYH = mpl.font_manager.FontProperties(
    fname='/Users/liuzaoqi/Desktop/可视化图鉴/font/WeiRuanYaHei-1.ttf')  
# 微软雅黑字体

plt.title('可视化图鉴', fontproperties=WRYH)

很简单，既然修改默认的字体搞不定，那么就准备一个中文字体的路径，并在每次需要显示中文的组件（标题、注释、图例等）时，就强制指定使用这个字体。

这个办法一定可以让你图中的中文快速且正确显示出来，但是如果涉及中文的地方过多，还是需要在以后尝试一劳永逸的将中文字体添加到默认字体集中。

二、提高分辨率

如果感觉默认生成的图形分辨率不够高，可以尝试修改 dpi 来提高分辨率，在matplotlib中可以一次性通过plt.rcParams修改，也可以在创建画布时为这一次的绘制修改，例如将分辨率调整至100

plt.figure(figsize = (7,6),dpi =100)

如果你的设备是配备Retina屏幕的mac，可以在jupyter notebook中，使用下面一行代码有效提高图像画质

%config InlineBackend.figure_format = 'retina'

三、添加数学公式

有时我们在绘图时需要添加带有数学符号、公式的文字，如果直接使用默认的方法添加，虽然可以实现，但是不够美观，其实在matplotlib中也支持输出数学公式，就像下面的文字注释一样图5: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

只用在需要出现公式的位置使用r’你的公式’即可，比如plt.text(11000,0.45,r'拟合的曲线为$f(x) = 1.3x^2-6.54x+0.5$')注意$$中是latex格式的表达方式，如果不熟悉的话需要自行搜索。

当然，也可以使用plt.rcParams['text.usetex'] = True设置默认tex输出，异曲同工，此处不多介绍。

四、一行代码提高颜值

有时我们会觉得matplotlib默认制作出来的图片太朴素了，不够高级，其实开发者也内置了几十种主题让我们自己选择，只要使用plt.style.use('主题名')指定主题即可，具体的支持主题我也整理出来的在这篇文章中，大家可以点击本文字查看

例如使用R语言中经典的ggplot主题

plt.style.use('ggplot')

图7: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

另外一种提高图形颜值的代码是借用seaborn调色板修改配色，也是一行代码，通过sns.set_palette(xxxx)就能直接调整全局配色方案，下面是我比较喜欢的一种配色

import seaborn as sns
sns.set_palette("pastel", 8)

图4: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

五、调整图例位置

虽然matplotlib在生成图例时，默认会选择一个最合适的位置，但是有时依旧不能让人满意。

相信你知道我们可以使用loc = xxxx自己设置图例位置，但是对于xxxx每次都要查，看文字说明左上右下不如一张图来的快，下面是我们可以选择的9个位置，可以根据自己的需要进行选择。图6: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

六、获得当前绘图区域

在原理篇文章中，我曾经说到如果想要获得更精细的调整，就需要使用ax.xxxx进行调整，但有时我们开始没有使用fig,ax=plt.subplots(figsize = (6,4),dpi=100)来定义ax，在需要使用时重新开始并定义是不推荐的，这时可以使用

ax = plt.gca()

获得当前Figure中的Axes，并继续正常使用ax.xxxx调整

七、隐藏坐标轴

对于有些图形我们希望通过隐藏坐标轴来显得更加美观，这时可以ax.spines获取对应位置的的Spine对象，之后便可以任意修改是否显示与显示颜色，比如让右边和上面的线消失或者修改颜色

ax.spines['right'].set_color('None')
ax.spines['top'].set_color('None')

图2: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

ax.spines['right'].set_color('deeppink')
ax.spines['top'].set_color('blue')
ax.spines['bottom'].set_color('green')
ax.spines['left'].set_color('red')

图8: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

八、指定坐标轴刻度

如果对于默认生成的坐标轴刻度不满意，我们可以使用plt.yticks([])来自定义刻度，注意需要传入一个你想要的刻度list，并且长度需要和刻度对应，例如下方代码

label = ['2月7日','3月25日','5月13日','7月2日','8月21日','10月10日','11月29日','12月31日']

plt.yticks(range(0,400,50), labels=label,rotation = 40,color = 'black')

图9: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

当然如果label是空的话，可以结合上一个技巧把对应的坐标轴干掉，彻底消失

plt.yticks([])

九、添加自定义图片

有时我们希望在对数据可视化后添加一些图片来丰富元素，虽然可以使用ps添加，但其实matplotlib也可以独立完成，总共分两步：打开图片——添加图片

首先导入相关的包并根据图片路径导入

from matplotlib.offsetbox import (OffsetImage,AnnotationBbox)
import matplotlib.image as mpimg
arr_img = mpimg.imread('你的图片位置')

接着就可以根据坐标将图片添加到指定位置，详细的设置可以参考官方文档，下面的代码可以拿走就用，根据效果调整坐标即可

imagebox = OffsetImage(arr_img, zoom=0.2)
ab = AnnotationBbox(imagebox, [0.15,0.5],
                    xybox=(170., -50.),
                    xycoords='data',
                    boxcoords="offset points",
                    pad=0.5
                    )
ax.add_artist(ab)

比如添加我的公众号logo，再辅以一些指示性的文字，都是非常简单的👇 图1: matplotlib精心总结了10个matplotlib绘图技巧，短小精悍，威力无穷！

十、添加表格

有时只用图片很难传递更多的信息，幸运的是，在matplotlib中也可以使用plt.table来为图片添加一张与之对应的表格，只需要将你的数据按照指定格式传入即可。

下面是我在官方文档示例的基础上，添加渐变效果的表格

data = [[ 66386, 174296,  75131, 577908,  32015],
        [ 58230, 381139,  78045,  99308, 160454],
        [ 89135,  80552, 152558, 497981, 603535],
        [ 78415,  81858, 150656, 193263,  69638],
        [139361, 331509, 343164, 781380,  52269]]

columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail')
rows = ['%d year' % x for x in (100, 50, 20, 10, 5)]
values = np.arange(0, 2500, 500)
value_increment = 1000
colors = plt.cm.BuPu(np.linspace(0, 0.5, len(rows)))
n_rows = len(data)

index = np.arange(len(columns)) + 0.3
bar_width = 0.4

plt.figure(figsize = (8,5),dpi =100)
y_offset = np.zeros(len(columns))
cell_text = []
for row in range(n_rows):
    plt.bar(index, data[row], bar_width, bottom=y_offset, color=colors[row])
    y_offset = y_offset + data[row]
    cell_text.append(['%1.1f' % (x / 1000.0) for x in y_offset])
colors = colors[::-1]
cell_text.reverse()

the_table = plt.table(cellText=cell_text,
                      rowLabels=rows,
                      rowColours=colors,
                      colLabels=columns,
                      loc='bottom'
                     ,cellColours=plt.cm.Blues(x))

plt.subplots_adjust(left=0.2, bottom=0.2)

plt.ylabel("Loss in ${0}'s".format(value_increment))
plt.yticks(values * value_increment, ['%d' % val for val in values])
plt.xticks([])
plt.title('Loss by Disaster')

plt.show()