详解matplotlib隐式pyplot法和显式axes法

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 np

plt.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Figure


plt.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。