乌审旗建设局网站网站首页结构布局
Python的matplotlib提供了pyplot隐式方法和显式Axes方法，这让很多人在选择时感到困惑。本文用9000字彻底解析两种方法的区别与适用场景，节选自👉Python matplotlib保姆级教程
matplotlib隐式绘图方法（pyplot）
matplotlib隐式绘图方法（请结合上文章节“4.3.1.1 Python隐式”学习），类似MATLAB，是一种基于函数调用的方法，这类方法的工具都位于matplotlib的pyplot中（下文以pyplot代指matplotlib隐式方法），pyplot中代码有4000+行（matplotlib/lib/matplotlib/pyplot.py at v3.9.2 · matplotlib/matplotlib · GitHub），代码里面有大量def定义的函数方法，绘图时就是调用pyplot中的函数方法，
如果使用 pyplot方法，它帮你自动创建Figure、准备好你需要的Axes，你只需要告诉pyplot你要画什么，它就会自动完成其他一切。
举个绘制两个子图的代码例子，
## 4.3.2.1_01
import matplotlib.pyplot as plt
import numpy as npplt.figure(figsize=(10, 5)) # 隐式创建一个Figure
# 在隐式接口中，虽然没有返回具体的Figure对象，但pyplot会自动管理当前Figureplt.subplot(1, 2, 1) # 激活第1个子图，隐式创建子图（axes），准备在此子图上绘制heatmap图
# 每个subplot调用会创建一个新的axes（子图）对象，但该对象是隐式管理的data = np.random.random((10, 10))
plt.imshow(data, cmap='viridis')
plt.colorbar()
plt.title('Heatmap')plt.subplot(1, 2, 2) # 激活第2个子图，隐式创建一个新的axes，并在其中绘制Pie图
plt.pie([30, 40, 30], labels=['A', 'B', 'C'], autopct='%1.1f%%')
plt.title('Pie Chart')plt.show()
该类方法中，通过plt.figure和plt.subplot自动隐式的创建Figure和axes子图，绘图函数直接作用于当前激活的Figure和axes子图，持续跟踪“当前的”Figure和axes，Figure和axes具有“实效性”，见下图文字。
再通过一个复杂例子介绍matplotlib pyplot方法中如何设置常用的绘图元素，
# 添加画布Figure，图中红框包围的部分为一个Figure
fig = plt.figure(figsize=(9, 8), facecolor='1', dpi=150)# 为Figure添加标题
fig.suptitle('Matplotlib-pyplot法', x=0.46, fontsize=20, ha='right')# 设置子图Axes背景色等
plt.axes([marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg],aspect=1,facecolor='0.9')# 同一个axes上绘图
plt.plot(X, Y1, c='orange', lw=1, label="Orange signal", zorder=10)
plt.plot(X[::3],Y3[::3],linewidth=0,markersize=6,marker='*',markerfacecolor='none',markeredgecolor='black',markeredgewidth=1)# 设置子图标题
plt.title("Matplotlib图形元素", fontsize=15, verticalalignment='bottom')# 设置图例
plt.legend(loc="upper right", fontsize=10)# 设置坐标轴标题
plt.xlabel("x轴标题", fontsize=12)
plt.ylabel("y轴标题", fontsize=12)# 设置x，y轴刻度间隔
plt.gca().xaxis.set_major_locator(MultipleLocator(1.000)) # x轴主刻度间隔
plt.gca().xaxis.set_minor_locator(AutoMinorLocator(4)) # x轴副刻度间隔plt.gca().yaxis.set_major_locator(MultipleLocator(1.000))
plt.gca().yaxis.set_minor_locator(AutoMinorLocator(4))# 设置x轴副刻度格式，小数点后位数
plt.gca().xaxis.set_minor_formatter(minor_tick)# 设置x，y轴刻度范围
plt.xlim(0, 4)
plt.ylim(0, 4)# 设置x，y轴刻度字号、颜色等
plt.tick_params(which='major', width=1.0, labelsize=12)
plt.tick_params(which='major', length=10, labelsize=12)
plt.tick_params(which='minor', width=1.0, labelsize=10)
plt.tick_params(which='minor', length=5, labelsize=6, labelcolor='0.5')# 设置网格线
plt.grid(linestyle="--", linewidth=0.5, color='.25', zorder=-10)# 文本、箭头
plt.annotate("",xy=(4, 4),xytext=(4.2, 2.2),color=(0.25, 0.25, 1.00),weight="regular",arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)plt.annotate("",xy=(4, 0),xytext=(4.2, 1.8),color=(0.25, 0.25, 1.00),weight="regular",arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)
plt.show()
上图中蓝色字体部分展示如何利用matplotlib pyplot中的方法设置绘图元素：
Figure部分：
- 通过plt.figure添加Figure，通过figsize设置Figure的长宽，通过facecolor设置背景色，通过dpi设置分辨率；
- 通过plt.figure.suptitle添加Figure的标题为“Matplotlib-pyplot法”，通过x设置标题与y轴的距离，通过fontsize设置标题字号；
- 通过plt.figure.add_artist添加Figure的红色外框；
Axes部分：
- 通过plt.axes设置子图的属性，[marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg]四个值依次为[坐标轴离图形左边的距离，坐标轴离图形底部的距离，x坐标轴的长度，y坐标轴的长度]，aspect设置xy坐标轴的长度比例，facecolor设置子图背景色；
- 通过第一个plt.plot在子图上绘制折线图；
- 通过第二个plt.plot在子图上绘制折线图，linewidth=0隐藏折线，marker='*'添加标记；
- 通过plt.title设置子图标题；
Axis部分：
- 通过plt.gca().xaxis取出x坐标轴并进一步设置；
- 通过plt.xlabel设置x坐标轴标题；
- 通过plt.xlim设置x坐标轴范围；
- 通过plt.gca().xaxis.set_major_locator(MultipleLocator(1.000)) 设置x坐标轴主刻度间隔；
- 通过plt.gca().xaxis.set_minor_locator(AutoMinorLocator(4)) 设置x坐标轴副刻度间隔；
- 通过plt.gca().yaxis取出y坐标轴并进一步设置；
- 通过plt.ylabel设置y轴标题；
- 通过plt.ylim设置y坐标轴范围；
- 通过plt.gca().yaxis.set_major_locator(MultipleLocator(1.000))设置y坐标轴主刻度间隔；
- 通过plt.gca().yaxis.set_minor_locator(AutoMinorLocator(4))设置y坐标轴副刻度间隔；
其它Aritst部分
- 通过plt.legend设置图例；
- 通过plt.grid设置网格线；
- 通过plt.annotate设置标记，如图中箭头，常用于标注数据点；
- 通过plt.text设置文本标签，如图中的蓝色文字说明；
在python社区默认通过“import matplotlib.pyplot as plt”将matplotlib.pyplot简写为plt，这种方法通过plt.+对应元素名称调用方法（例如，plt.title设置子图标题）。
这么多元素方法名称，记不住怎么办，没关系，因为matplotlib设计之初，大部分都设置了默认值，不用一个个设定，比如，你绘制一个line图，
## 4.3.2.1_03
import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.show()
当然，你也可以通过python dir函数查看元素的所有方法名称，例如查看x坐标轴中的元素方法，
## 4.3.2.1_04
print(dir(plt.gca().xaxis)) #查看x坐标轴中所有元素方法展示部分结果
['get_major_ticks', 'get_majorticklabels', 'get_majorticklines', 'get_majorticklocs', 'get_minorticklocs', 'get_minpos', 'get_mouseover', 'get_offset_text', 'get_path_effects', .......'get_units', 'get_url', 'get_view_interval', 'get_visible', 'get_window_extent', 'get_zorder', 'grid', 'have_units']
这里简单介绍，后续章节详细介绍主要元素方法的使用。
matplotlib显式绘图方法（axes ）
matplotlib显式方法（请结合上文章节“4.3.1.2 Python显式”学习），是一种基于面向对象的方法（object-oriented），这类方法的工具都位于matplotlib的Figure和Axes接口中（下文以axes代指matplotlib显式方法）。
如果使用 axes方法，你需要自己创建Figure，然后创建子图axes，并且每一步都需要明确指定。
举个绘制两个子图的代码例子，
##4.3.2.2_01
import matplotlib.pyplot as plt
import numpy as np# 显式创建一个figure对象fig；
# 显式创建两个子图（axes）对象，ax1和ax2
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))# 在子图ax1上创建Heatmap图
data = np.random.random((10, 10))
im = ax1.imshow(data, cmap='viridis') # 在ax1子图上绘制heatmap，并使用'viridis'颜色映射
ax1.set_title('Heatmap')# 为heatmap添加颜色条，指定fig管理该颜色条，并将其与ax1关联
fig.colorbar(im, ax=ax1)# 在子图ax2上创建Pie图
ax2.pie([30, 40, 30], labels=['A', 'B', 'C'], autopct='%1.1f%%')
ax2.set_title('Pie Chart')plt.show()
该方法中，通过 fig, (ax1, ax2) 的形式直接创建Figure和axes子图，代码结构化，易于管理和扩展手动管理，ax1 和 ax2 分别代表两个子图（heatmap 和 pie）。
该方法中，画图函数不再受到当前“活动”的Figure和axes的限制，而变成了显式的 Figure 和 Axes 的方法，你可以直接随处对它们进行操作，Figure和axes不具有“实效性”，见下图文字。
这里也再通过一个复杂例子介绍matplotlib axes方法中如何设置常用的绘图元素，
# 为Figure添加标题
fig.suptitle('Matplotlib面向对象法', x=0.46, fontsize=20, ha='right')# 在Figure上添加子图Axes
marg = 0.15
ax = fig.add_axes([marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg],aspect=1,facecolor='0.9')# 同一个axes上绘图
ax.plot(X, Y1, c='orange', lw=1, label="Orange signal", zorder=10)
ax.plot(X[::3],Y3[::3],linewidth=0,markersize=6,marker='*',markerfacecolor='none',markeredgecolor='black',markeredgewidth=1)# 设置子图标题
ax.set_title("Matplotlib图形元素", fontsize=15, verticalalignment='bottom')# 设置图例
ax.legend(loc="upper right", fontsize=10)# 设置坐标轴标题
ax.set_xlabel("x轴标题", fontsize=12)
ax.set_ylabel("y轴标题", fontsize=12)# 设置x，y轴刻度间隔
ax.xaxis.set_major_locator(MultipleLocator(1.000)) # x轴主刻度间隔
ax.xaxis.set_minor_locator(AutoMinorLocator(4)) # x轴副刻度间隔ax.yaxis.set_major_locator(MultipleLocator(1.000))
ax.yaxis.set_minor_locator(AutoMinorLocator(4))# 设置x轴副刻度格式
ax.xaxis.set_minor_formatter(minor_tick)# 设置x，y轴刻度范围
ax.set_xlim(0, 4)
ax.set_ylim(0, 4)# 设置x，y轴刻度字号、颜色等
ax.tick_params(which='major', width=1.0, labelsize=12)
ax.tick_params(which='major', length=10, labelsize=12)
ax.tick_params(which='minor', width=1.0, labelsize=10)
ax.tick_params(which='minor', length=5, labelsize=6, labelcolor='0.5')# 设置网格线
ax.grid(linestyle="--", linewidth=0.5, color='.25', zorder=-10)# 文本、箭头
ax.annotate("",xy=(4, 4),xytext=(4.2, 2.2),color=(0.25, 0.25, 1.00),weight="regular",arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)ax.annotate("",xy=(4, 0),xytext=(4.2, 1.8),color=(0.25, 0.25, 1.00),weight="regular",arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="black"),
)# 矩形外框
fig.add_artist(Rectangle((0, 0),width=1,height=1,facecolor='none',edgecolor='red',linewidth=1.0))
上图中蓝色字体部分展示如何利用matplotlib axes中的方法设置绘图元素：
Figure部分：
- 通过plt.figure添加Figure，通过figsize设置Figure的长宽，通过facecolor设置背景色，通过dpi设置分辨率；
- 通过plt.figure.suptitle添加Figure的标题为“Matplotlib面向对象法”，通过x设置标题与y轴的距离，通过fontsize设置标题字号；
- 通过plt.figure.add_artist添加Figure的红色外框；
在Figure部分两种方法类似。
Axes部分：
- 通过plt.figure.add_axes添加子图ax，并设置子图的属性，[marg, marg, 1 - 1.8 * marg, 1 - 1.8 * marg]四个值依次为[坐标轴离图形左边的距离，坐标轴离图形底部的距离，x坐标轴的长度，y坐标轴的长度]，aspect设置xy坐标轴的长度比例，facecolor设置子图背景色；
- 通过第一个ax.plot在子图上绘制折线图；
- 通过第二个ax.plot在子图上绘制折线图，linewidth=0隐藏折线，marker='*'添加标记；
- 通过ax.set_title设置子图标题；
Axis部分：
- 通过ax.xaxis取出x坐标轴并进一步设置；
- 通过ax.set_xlabel设置x坐标轴标题；
- 通过ax.set_xlim设置x坐标轴范围；
- 通过ax.xaxis.set_major_locator(MultipleLocator(1.000))设置x坐标轴主刻度间隔；
- 通过ax.xaxis.set_minor_locator(AutoMinorLocator(4))设置x坐标轴副刻度间隔；
- 通过ax.yaxis取出y坐标轴并进一步设置；
- 通过ax.set_ylabel设置y轴标题；
- 通过ax.set_ylim设置y坐标轴范围；
- 通过ax.yaxis.set_major_locator(MultipleLocator(1.000))设置y坐标轴主刻度间隔；
- 通过ax.yaxis.set_minor_locator(AutoMinorLocator(4))设置y坐标轴副刻度间隔；
其它Aritst部分
- 通过ax.legend设置图例；
- 通过ax.grid设置网格线；
- 通过ax.annotate设置标记，如图中箭头，常用于标注数据点；
- 通过ax.text设置文本标签，如图中的蓝色文字说明；
一般将matplotlib面向对象方法中子图简写为ax，这种方法通过ax.+对应元素名称调用方法（例如，ax.title设置子图标题）。
这么多元素方法名称，记不住怎么办，没关系，因为matplotlib设计之初，大部分都设置了默认值，不用一个个设定，比如，你绘制一个line图，
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.show()
以上使用默认设置作图。
当然，你也可以通过python dir函数查看元素的所有方法名称，例如查看子图中的元素方法，
##4.3.2.2_04
print(dir(ax)) #输出子图axes中的所有元素方法名称结果为一个python列表，以下展示部分 ，
['set_facecolor', 'set_fc', 'set_figure', 'set_frame_on', 'set_gid', 'set_in_layout', .......'xcorr', 'yaxis', 'yaxis_date', 'yaxis_inverted', 'zorder']
这里简单介绍，后续章节详细介绍主要元素方法的使用。
matplotlib隐式 VS 显式方法
简单总结两种绘图方法异同，便于取舍。
绘制简单图形时，两种方法类似，复杂图形中后者优势明显。
- matplotlib隐式方法（pyplot）
适用于快速绘制简单图形，代码简洁易懂，但在需要精细控制和复杂布局时可能不够灵活。
- matplotlib显式方法（axes）
适用于需要精确控制和复杂布局图形的场景，提供更高的灵活性和可维护性。
两种方法优缺点比较
| 特性 | matplotlib显式方法（axes） | matplotlib隐式方法（pyplot） |
|---|---|---|
| 优点 | ||
| 控制和灵活性 | 1. 提供精确的控制和灵活性，适用于复杂布局和定制 | 1. 代码简洁，适合快速绘图 |
| 代码结构 | 2. 代码结构清晰，易于维护和扩展 | 2. 易于上手，初学者友好 |
| 兼容性 | 3. 更好地与其他库（如seaborn、pandas）兼容 | 3. 适用于简单情境 |
| 支持复杂布局 | 4. 支持复杂的图形布局，如gridspec和subplots | |
| 缺点 | ||
| 代码复杂度 | 1. 代码较为繁琐，尤其是在简单图形中 | 1. 控制和灵活性较差，难以进行复杂自定义 |
| 学习曲线 | 2. 学习曲线较陡，需要理解和掌握 Axes 对象的使用 | 2. 难以管理多个图形和子图对象 |
| 管理多个图形 | 3. 对于复杂图形和多个图形的管理较为复杂 | 3. 代码在复杂任务中可能难以维护快速上手，一个案例 |
两种方法使用层面比较
详细见章节“4.3.2.1 matplotlib隐式绘图方法（pyplot）”和章节“4.3.2.2 matplotlib显式绘图方法（axes ）”。也可以通过比较下图中蓝色字体部分，了解两种方法的使用差异。
根据上一章节的介绍，后续重点通过matplotlib显式方法介绍matplotlib的使用。