Matplotlib是Python中流行的数据可视化库，仅使用简单的几行代码就可以生成图表。但是默认的方法是生成的图表很简单，如果想增强数据演示的影响和清晰度，可以试试本文总结的10个高级技巧，这些技巧可以将可视化提升到一个新的水平:
rcParams字典。它包含了用于创建图形的默认样式的所有Matplotlib设置。你可以直接从matplotlib命名空间导入它:
from matplotlibimportrcParams>>>rcParams...'axes.grid':False,'axes.grid.axis':'both','axes.grid.which':'major','axes.labelcolor':'black','axes.labelpad':4.0,'axes.labelsize':'medium','axes.labelweight':'normal','axes.linewidth':0.8,...rcParams['figure.figsize']=8,6rcParams['legend.fontsize']="large"rcParams['xtick.major.size']=4rcParams['xtick.minor.size']=1
这时所有的Matplotlib设置，如果你想修改任何的Matplotlib参数，直接修改这个字典就可以了，你甚至可以将他序列化到本地，然后在其他项目中直接加载，这样你的每一个Matplotlib实例使用的都是相同的配置了。
还可以调用PyPlot的rcdefaults函数，它会将所有参数重置成默认值。
plt.rcdefaults()
在底层，Matplotlib是完全面向对象的。
图片
上图中看到的每个单独的组件都是作为一个单独的类实现的。它们都继承自基类Matplotlib Artist。
但是类太多，并且每个类的参数都不一样这会给使用带来很大的不方便，所以Matplotlib定制了有许多以get_前缀开头的函数，可以直接创建图形中的组件。下面是一个例子:
fig,ax=plt.subplots()>>>[funcforfuncindir(ax)iffunc.startswith("get")]['get_adjustable','get_label','get_legend','get_legend_handles_labels','get_lines','get_navigate','get_title','get_transform','get_xmajorticklabels','get_xminorticklabels','get_xscale','get_xticklabels','get_zorder']
假设我们想自定义一个图形的坐标:
x=np.linspace(0,2,100)fig,ax=plt.subplots()# Create a figure and an axes.l1=ax.plot(x,x,label="linear")l2=ax.plot(x,x**2,label="quadratic")l3=ax.plot(x,x**3,label="cubic")ax.set_title("Simple Plot")plt.show()
å¾ç
这很简单，只需在axes对象上调用get_xticklabels，就可以得到Matplotlib Text实例的列表:
>>>ax.get_xticklabels()[Text(0,0,'Ideal'),Text(1,0,'Premium'),Text(2,0,'Very Good'),Text(3,0,'Good'),Text(4,0,'Fair')]
还可以使用get_xticklines调整刻度线，或者使用get_xticks调整刻度的位置。
已经获得了对象，下面就可以进行调整了
调用plt.getp函数，可以查看它当前具有的参数。例如，假设我们想要样式化下面图的l2:
x=np.linspace(0,2,100)fig,ax=plt.subplots()# Create a figure and an axes.l1=ax.plot(x,x,label="linear")l2=ax.plot(x,x**2,label="quadratic")l3=ax.plot(x,x**3,label="cubic")ax.set_title("Simple Plot")plt.show()
图片
这个方法返回了图表的所有属性
>>>plt.getp(l2)...drawstyle or ds=defaultfigure=Figure(640x480)linestyle or ls=-linewidth or lw=1.5marker=None markeredgecolor or mec=#ff7f0e markeredgewidth or mew=1.0markerfacecolor or mfc=#ff7f0e markerfacecoloralt or mfcalt=none zorder=2...
而plt.setp可以更改属性在没有任何参数的对象上调用this会打印出该对象可以接受的属性值:
>>>plt.setp(l2)...linestyle or ls:{'-','--','-.',':','',(offset,on-off-seq),...}linewidth or lw:floatsketch_params:(scale:float,length:float,randomness:float)snap:bool or Nonezorder:float...
要打印单个属性的可能值，可以将属性的名称作为字符串输入setp:
>>>plt.setp(l2,"linestyle")linestyle:{'-','--','-.',':','',(offset,on-off-seq),...}
修改属性的方法如下:
>>>plt.setp(l2,linestyle="-.",lw=5,color="red",alpha=0.5)[None,None,None,None]
要查看更改后的当前图形，只需在图形对象上调用get_figure:
fig.get_figure()
å¾ç
第二行的样式已经变了
Legends可以方便的告诉我们图中每个组件的含义,默认是这样显示的：
x=np.linspace(0,2,100)fig,ax=plt.subplots()# Create a figure and an axes.l1=ax.plot(x,x,label="linear")l2=ax.plot(x,x**2,label="quadratic")l3=ax.plot(x,x**3,label="cubic")ax.set_title("Simple Plot")ax.legend()plt.show()
图片
我们可以调整他的参数，例如：
图例的位置、字体属性、大小，颜色，样式、图例中的列数，等等
可以在创建前设置，也可以在创建后使用get_legend提取，并使用getp、setp函数。
你有没有想过Matplotlib是如何自己改变颜色或循环不同风格的?
在底层，Matplotlib使用名为Cyclers的Python内置对象:
from cyclerimportcycler c1=cycler(arg1=[1,2,3,4])>>>c1
å¾ç
这个循环函数接受任何键值参数并创建一个字典列表:
c2=cycler(arg2=list("rgba"))foriinc2:print(i)------------------------------{'arg2':'r'}{'arg2':'g'}{'arg2':'b'}{'arg2':'a'}
还可以将多个循环器与“plus”和“multiply”操作符组合起来，这样可以获得索引到索引或穷举的参数组合:
foriinc1+c2:print(i)--------------------------------{'arg1':1,'arg2':'r'}{'arg1':2,'arg2':'g'}{'arg1':3,'arg2':'b'}{'arg1':4,'arg2':'a'}
将这个自定义循环器并将其传递给Matplotlib，就可以定制样式。下面，我们创建四种不同的线条样式，允许Matplotlib循环使用不同的线条颜色，样式和大小:
line_prop_cycler=(cycler(color=list("rgcy"))+cycler(ls=["-","--","-.",":"])+cycler(lw=[3,6,9,12]))
可以使用axes对象的set_prop_cycle函数将这个自定义循环器传递给绘图:
x=np.linspace(0,2*np.pi,50)offsets=np.linspace(0,2*np.pi,4,endpoint=False)yy=np.transpose([np.sin(x+phi)forphiinoffsets])fig,ax=plt.subplots(figsize=(8,4))ax.set_prop_cycle(line_prop_cycler)# Set propcycle before plotting ax.plot(x,yy)plt.show();
图片
rcParams字典中默认设置如下:
rcParams["axes.prop_cycle"]
图片
我们可以直接修改
轴刻度应该准确地传达数据点及其单位的最小值和最大值，并显示几个关键的检查点，以便在不同的绘图部分之间进行比较。
大多数tick属性可以使用axes对象的tick_params函数来控制。以下是文档中的例子:
>>>ax.tick_params()Parameters----------axis:{'x','y','both'},default:'both'The axis to which the parameters are applied.which:{'major','minor','both'},default:'major'The groupofticks to which the parameters are applied.reset:bool,default:False
Whether to reset the ticks to defaults before updating them.Other Parameters----------------direction:{'in','out','inout'}Puts ticks inside the axes,outside the axes,or both.length:float
Tick lengthinpoints.width:float
Tick widthinpoints.color:color
Tick color.
首先应该指定的两个参数是axis和which。这些参数将应用于X或Y轴刻度，以及最小和最大刻度。
大多数时候，在Matplotlib中不会看到小刻度。如果需要可以使用axes对象上的minortics_on函数:
fig,ax=plt.subplots(figsize=(3,2))>>>ax.minorticks_on()
如果不像自定义tick参数（因为很麻烦）。可以使用许多内置的Matplotlib的“主题”集合(称为tickers)。
from matplotlibimporttickerdir(ticker)['AutoLocator','AutoMinorLocator','EngFormatter','FixedFormatter','FixedLocator','FormatStrFormatter','Formatter','FuncFormatter','IndexFormatter','IndexLocator','Integral','LinearLocator',]
在ticker模块下有许多这样的子模块。一般情况下标题中带有Locator的控件控制刻度的位置。而Formatters 则表示标签的样式。选择好后可以使用下面的方式进行设置：
from matplotlib.tickerimportEngFormatter ax.xaxis.set_major_formatter(EngFormatter())
使用axes对象的xaxis或yaxis属性，调用set_major(minor)_formatter(locator)函数，并传入类名。
自定义网格线可以突出数据范围。在Matplotlib中，可以使用轴线对象的网格函数创建和自定义网格。下面是一个垂直网格的例子:
fig,ax=plt.subplots()ax.grid(axis="x",linestyle=":",lw=3,color="r")
条形图在数据分析中很常见。它们最重要的地方就是每个条的高度，条形标签可以突出每个条的显示。
bar_label函数接受一个BarContainer对象作为参数，并自动标注每个bar的高度。
下面是Seaborn的一个简单的计数图:
importseabornassns
diamonds=sns.load_dataset("diamonds")ax=sns.countplot(diamonds["cut"])
每次使用Seaborn或ax.bar等函数创建barplot时，BarContainer对象都会被添加到图中。可以使用axes对象的containers属性来检索这个容器对象:
ax.containers[<BarContainer objectof5artists>]
在上面的列表中有一个BarContainer对象有5个bar。我们只需在创建了plot之后将这个对象传递给bar_label:
ax=sns.countplot(diamonds["cut"])ax.bar_label(ax.containers[0],padding=1)ax.set_ylim(0,25000)plt.show();
当有很多图的时候，显示顺序是非常重要的。你需要确保在画布上以适当的顺序绘制每个图形，就需要zorder参数。
下面，我们用不同的zorders创建了三行:
x=np.linspace(0,7.5,100)plt.plot(x,np.sin(x),label="zorder=2",zorder=2)# bottom
plt.plot(x,np.sin(x+0.5),label="zorder=3",zorder=3)plt.axhline(0,label="zorder=2.5",color="lightgrey",zorder=2.5)plt.title("Custom order of elements")l=plt.legend(loc="upper right")l.set_zorder(2.5)# legend between blue and orange line
plt.show()
可以看到zorder越大，就会在最上方显示,覆盖掉小的组件。
Matplotlib在2023年6月的下载量超过3000万，几乎是其最大竞争对手Plotly的4倍。Matplotlib的成功不仅仅在于它的简单（只需要几行代码就能生成简单的图形），还在于他的功能强大，但是要使用这些强大的功能就需要使用他的高级功能，但是这些高级功能往往需要比较复杂的配置或者参数，需要我们浏览官方的文档。所以才出现了seaborn，他将Matplotlib进行了整合不仅简单而且好看。
但是有时我们需要更深入的定制功能,seaborn也许还达不到我们的目标，我们只能自己定义的参数，本文总结的是个高级技巧可以轻松的帮你完整自定义Matplotlib的任务。