Matplotlib 优雅作图笔记

转载 Python

---

本篇文章转自“可乐学人”微信公众号，原文地址在下贴出
https://mp.weixin.qq.com/s/2ZLcqqpDLkPDkg5suESYyw

---

Matplotlib 是 Python 中最基本也最重要的可视化工具，可以画出拥有出版质量（Publication-Quality）的图表。如今 Matplotlib 已经衍生出了很多高层库，但如果需要对图表进行更加精细的个性化设置，就必须深入学习 Matplotlib，官网的教程和案例就是最好的学习资源。

---

高效性：永远永远面向对象

高效的前提是充分理解。这部分首先简单介绍一下 Matplotlib 的两种接口，在理解 Matplotlib 逻辑的基础上，实现高效作图就是顺理成章的事了。

一、Matplot的两种接口

Matplotlib 有两种接口：基于 Matlab 的和基于面向对象的。基于 Matlab 的是 pyplot 提供的，比较简单，但容易混乱；基于面向对象的方法结构清晰，是 Matplotlib 的精髓。

1. 基于 Matlab 的：自动创建和管理图和坐标系，用 pyplot 函数作图；
2. 基于面向对象的：显示创建图和坐标系，再调用对象的方法来作图。

网上好多资料都是把两种接口混合使用的，这对理解 Maplotlib 的作图逻辑很不友好。Python 中，万物皆对象，为了高效作图，我们首先需要做的就是学习使用面向对象的接口。

• Matplotlib 的所有对象都叫“Artist”，Artist可以分为两大类别：“容器类Containers”和“基础类Primitives”。

  1. 容器类：图(figure)、坐标系(axes)、坐标轴(axis)、刻度(tick)。
  2. 基础类：线(line)、点(marker)、文字(text)、图例(legend)、网格(grid)、标题(title)。

简单来说，Figure 是画布，Axes 是画布上一个个区域，所有线(line)、点(marker)、文字(text)等基础类元素都是寄生在容器类元素上的。官网也贴心地给出了这些对象的关系，一目了然：

使用面向对象接口时，正确的作图流程应该是：

1. 创建 figure 实例；
2. 在 figure 上创建 axes ；
3. 在 axes 上添加基础类对象。

或者简化为：

1. 创建 figure 对象和 axes 对象；
2. 为每个容器类元素添加基础类元素。

再浓缩成指导思想就是：

1. 先找对象；
2. 再解决问题。

二、高效作图第一步：创建容器类对象

容器类对象有四类:Figure, Axes, Axis, Tick。这四个是由层级顺序的，一个Figure包含多个Axes，一个Axes包含多个Axis，一个Axis包含多个Tick。

具体而言，Figure 就是整个画布，包含了所有坐标系和各种基础类对象；Axes 就是我们正常理解中的“图像”，每个 Axes 都有标题、横轴、纵轴等，Axes 是 Matplotlib 作图逻辑中最最重要的对象；Axis 是坐标轴，用来限制图像范围、生成刻度和刻度标签，刻度的位置由 Locator 对象决定，刻度标签的格式由 Formatter 控制。

Figure和Axes是作图必备，Axis 和 tick 则是精细调整时才需要考虑的。因此高效作图第一步就是，先把 Figure 和 Axes 创建出来。

创建图和坐标系的方法有两种，要么先画图再画坐标系，要么一起画，我个人倾向于一起画，为啥？因为快呗，符合我优雅的人设。

I.优雅地创建图和坐标系

layout = (3, 2) 
# 坐标系的布局
fig, axes = plt.subplots(*layout) 
# 添加图和坐标系

II. 坐标系索引的两种方式

1. 矩阵索引

ax1 = axes[0][0] 
#第一个坐标系
ax2 = axes[0][1] 
#第二个坐标系

2. 遍历

for ax in axes.flat:
    pass

三、高效作图第二步：添加基础类对象

基础类对象就是图中所有的点、线、图例、标题这些。需要注意的是，基础类是寄生于容器类的。因此，添加基础类对象时，要先声明容器类对象，也就是说，画画时必须先说清楚在哪里画，这也是基于 Matlab 的接口和基于面向对象的接口最明显的区别。

各容器类可以添加的基础类总结如下：

I. 图

fig.legend() 
# 图-图例

II. 坐标系

ax.plot() 
# 坐标系-线
ax.scatter() 
# 坐标系-点
ax.grid() 
#坐标系-网格
ax.legend() 
# 坐标系-图例
ax.text() 
# 坐标系-文字
ax.set_title('Title') 
# 坐标系-标题

III. 坐标轴

ax.set_xlabel('xlabel')  
# 坐标系-坐标轴-标签

IV. 刻度

ax.set_xticklabels(['one', 'two', 'three', 'four', 'five']) 
# 坐标系-坐标轴-刻度-标签

可以看到，大部分对象都是捆绑在 Axes 上的，这也验证了之前说的，Axes 是 Matplotlib 作图的核心元素。

优雅地添加基础类对象

另外，作为一个优雅的人，如果需要设置很多属性值（property），写一堆 ax. 就太不优雅了，这时候可以使用 ax.set() 来统一设置，简化代码：

props = {'title': 'Title', 
         'xlabel': 'xlabel', 
         'xticklabels': xticklabels_list} 
# 坐标系-标题
# 坐标系-坐标轴-标签
# 坐标系-坐标轴-刻度-标签
ax.set(**props)

四、我是例子

光说不练假把式，接下来用个实例来说明一下。数据就不介绍了。

在导入包和数据后，通过如下一段简单的代码，就可以生成一个五脏俱全的图像：

I. 创建 figure 和 axes

fig, ax = plt.subplots() 
# 添加图和坐标系

II. 添加基础类对象

ax.plot(df.index, df['MC_Price']) 
# 坐标系-线
ax.plot(df.index, df['DT_Price']) 
# 坐标系-线
ax.plot(df.index, df['TT_Price']) 
# 坐标系-线
ax.plot(df.index, df['WT_Price']) 
# 坐标系-线
props = {'title': 'Title', #坐标系-标题
        'xlabel': 'xlabel', # 坐标系-坐标轴-标签
        'ylabel': 'ylabel'} # 坐标系-坐标轴-标签
ax.set(**props)

---

美观性：先全局，再局部

美是很主观的，但也有一些统一的欣赏标准，比如在数据可视化领域十分有影响力的书《The visual display of quantitative information》中，作者提出了最大化 “data/ink ratio” 的原则，即，用最少的油墨表示最多的信息。说白了就是大道至简，就是奥卡姆剃刀；说黑了就是AIC准则，就是正则化。

网上的很多教程都是用很繁琐的语句来对图像进行美化，这样写出的代码又臭又长，而且把画图的代码和美化图像的代码混杂到了一起。

其实，几乎所有的配置都可以通过全局参数进行统一声明，因此，先对大局进行统一设置，再在细节上进行微调，这样写出的代码才更加清晰直观，画出的图像也很好看。

一、全局美化格式

美化格式，无非就是美化元素的属性值，包括字体、字号、子图边距、网格类型等。全局美化有两种方式，一是通过 plt.style.use() 使用官方预定义的样式，二是通过 mpl.rcParams 自定义样式。

官方预定义的样式有很多，用 plt.style.available 可以查看所有可用样式，时间紧迫时可以用这种方法。

我更喜欢用第二种方法，因为可以把自己想要的格式显示地声明出来，每个细节都是自己掌控的。用 mpl.rcParams.keys() 可以查看所有可以全局定义的属性，用 mpl.rcParams.update() 可以实现一行代码更新参数。

我摘录了几个常用的属性，一般情况下设置这些就够了：

params = {
        "font.size": 12,             # 全局字号
        "font.family": "STIXGeneral", # 全局字体
        "figure.subplot.wspace": 0.2, # 图-子图-宽度百分比
        "figure.subplot.hspace": 0.4, # 图-子图-高度百分比
        "axes.spines.right": False,   # 坐标系-右侧线
        "axes.spines.top": False,     # 坐标系-上侧线
        "axes.titlesize": 12,         # 坐标系-标题-字号
        "axes.labelsize": 12,        # 坐标系-标签-字号
        "legend.fontsize": 12,       # 图例-字号
        "xtick.labelsize": 10,       # 刻度-标签-字号
        "ytick.labelsize": 10,       # 刻度-标签-字号
        "xtick.direction": "in",      # 刻度-方向
        "ytick.direction": 'in'       # 刻度-方向 
        }

另外，也可以提前对画图时的参数进行预定义。比如我要画四条线，就可以统一定义如下：

style_dict = {
    'MC_Price':dict(linestyle=':', marker='o',markersize=6,color='#fdae61'),
    'WT_Price':dict(linestyle='-',marker='*',markersize=6,color='#d7191c'),
    'DT_Price':dict(linestyle='--',marker='s',markersize=6,color='#abdda4'),
    'TT_Price':dict(linestyle='-.',marker='v',markersize=6,color='#2b83ba')
    }

这样一来，画图的时候，直接用如下代码就可以方便地完成作图，实现了作图代码和美化代码的分离。

ax.plot(x,y,**style_dict[key])

我这里的配色方案是通过 http://colorbrewer2.org/ 这个网站生成的，当然，也可以用 Matplotlib 自带的配色方案或者其他包提供的方案。另外，关于全局参数的设置，高端玩家也可以自己写 matplotlibrc 文件，我就不再展开了，因为我也不会。

二、局部美化格式

在全局设置好格式以后，就可以肆无忌惮地画图了，而且一般不需要再进行调整，画出的图就可以很好看很好看了。

但有时候在画出图后，仍需对子图间距、坐标轴范围、图例位置、网格透明度等进行局部微调。这部分不需要过分操心，碰到问题随用随查就可以了，或者可以常备一份cheatsheet，也可以快捷地找到解决问题的方法。

有一点需要提醒一下，无论什么时候，都要记住，先找对象，再解决问题，这样才可以对画出的图像心中有数。比如下面的几个例子，都要基于 fig 或者 ax，而不是不分红橙黄绿地使用 plt。

fig.subplots_adjust(left = 0.09, bottom = 0.1, right = 0.99, top = 0.99, wspace = 0.1)    
# 调整子图的位置和间距
ax.set_xlim(min_value, max_value) 
# 调整坐标轴范围
ax.legend(loc = 'upper right') 
#调整图例位置
ax.grid(linestyle = "--", alpha = 0.2) 
# 调整网格的线型和透明度

三、我也是例子

光练一遍假把式，接下来对我们之前做出的图进行美化。通过全局设置部分的代码以及如下局部设置的代码，就可以生成一幅比较优雅的图片了。

优雅地创建Figure和Axes

fig, ax = plt.subplots()

优雅地添加基础类对象

ax.plot(df.index, df['MC_Price'], **style_dict['MC_Price'])
ax.plot(df.index, df['DT_Price'], **style_dict['DT_Price'])
ax.plot(df.index, df['TT_Price'], **style_dict['TT_Price'])
ax.plot(df.index, df['WT_Price'], **style_dict['WT_Price'])
props = {'xlabel': 'xlabel', # 坐标轴-标签
         'ylabel': 'ylabel'}  # 坐标轴-标签
ax.set(**props)

优雅地局部美化格式

fig.legend(('MC','DT','TT','WT'), frameon = False,
            loc = 'upper center', ncol = 4, 
            handlelength = 4) 
# 图例
ax.fill_between(df.index, df['MC_up'], df['MC_down'],
                alpha = 0.15, linewidth = 0, color = '#fdae61') 
# 阴影
ax.grid(linestyle = "--", alpha = 0.2) 
# 网格线

交互性：无缝融合LaTex

使用Matplotlib作图有两个目的，要么是要插入到论文里的，要么是其他目的。这部分就介绍一下如何优雅地使用Matplotlib和LaTex来为论文作图。

一、确定图片的长和宽

为了确保作出的图可以无缝插入到LaTex 中，必须避免对Matplotlib生成的图像进行二次缩放，因为已经生成图像后再进行缩放，不仅会缩放长宽，而且字号也会跟着缩放，这是很麻求烦的。

因此，在Matplotlib中作图时就要考虑到最终生成的图的大小，写作时不加修改地直接导入就行了。

先在LaTex 文档中插入\showthe\textwidth命令来获得最终需要的图片的宽度：

\documentclass{article}
\begin{document}
    \showthe\textwidth
    \end{document}

编译结束后，在.log文件中就可以找到这样的字眼，这个443.86319pt就是最终导入时图片的宽度。

> 443.86319pt.
l.204     \showthe\textwidth

但是，还有两个问题没解决：

Matplotlib中图片的宽度是用inch做单位的，这里用的是pt；
图片的高度还没确定。
我参考了Embed-Publication-Matplotlib-Latex这篇文章给出的解决方案：先进行单位换算，再用黄金比例0.618来确定图片的高度。

核心代码如下，完整代码还需要在公众号后台回复一下，因为有点小长。

fig_width_pt = 443.86319pt
inches_per_pt = 1 / 72.27
golden_ratio = (5**.5 - 1) / 2

fig_width_in = fig_width_pt * inches_per_pt
fig_height_in = fig_width_in * golden_ratio

按格式导出图片

Matplotlib导出的图可以有很多格式，论文作图时，一定要导出矢量图，也就是以.svg或者.pdf为后缀的，这类图片放大时不会失真。一般而言，SVG格式用于Word，PDF格式用于LaTeX。

还需要注意的是，为了去掉Matplotlib作图时多余的空白部分，导出图片时要传入bbox_inches='tight'参数。导出图片的代码如下：

fig.savefig('example.pdf', format='pdf', bbox_inches='tight')
将导出的图片保存在LaTex的项目文件夹中，然后只要在LaTex中使用下面的命令，就可以优雅地插入图片了。

$$\begin{figure} \centering \includegraphics{example.pdf} \end{figure}$$