第二章：Matplotlib 进阶绘图

第二章：Matplotlib 进阶绘图

在Matplotlib的世界中，基础绘图只是冰山一角。掌握了折线图、散点图和柱状图等基本图表之后，你会发现Matplotlib拥有更强大的功能，能够创建更复杂、更具表现力的数据可视化作品。本章将深入探讨Matplotlib的进阶绘图技巧，帮助你提升数据可视化的水平，让你的图表更专业、更具洞察力。

本章将涵盖以下主要内容：

1. 更精细的图表定制： 超越默认设置，深入定制图表的各个方面，包括样式、颜色、文本、注解和图例，让图表更符合你的需求和审美。

2. 多子图与复杂布局： 学习如何在同一画布上绘制多个子图，以及如何使用GridSpec等工具创建更复杂的图表布局，高效展示多维度数据。

3. 三维绘图： 探索Matplotlib的三维绘图能力，创建散点图、曲面图和线框图等三维图表，展现数据的空间分布。

4. 高级图表类型： 介绍一些超出常规图表类型的进阶图表，例如等高线图、热力图和流场图，用于可视化特定类型的数据和关系。

5. 交互式绘图： 初步了解Matplotlib的交互式绘图功能，使用户能够与图表进行互动，探索数据细节。

6. 性能优化技巧： 针对大数据量绘图，学习一些性能优化技巧，提升绘图效率。

通过本章的学习，你将能够充分利用Matplotlib的强大功能，绘制出更专业、更具洞察力、更令人印象深刻的数据可视化图表。

1. 更精细的图表定制

Matplotlib的默认设置虽然方便，但往往无法满足所有需求。为了创建更精美的图表，我们需要深入了解如何定制图表的各个元素。

1.1 样式（Styles）：快速改变图表外观

Matplotlib提供了多种预定义的样式，可以一键改变图表的整体外观。使用样式可以快速统一图表风格，提升效率。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 使用不同的样式
plt.style.use('ggplot') # 使用 ggplot 样式
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')
plt.title('使用 ggplot 样式')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
plt.style.use('seaborn-v0_8-darkgrid') # 使用 seaborn-darkgrid 样式
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')
plt.title('使用 seaborn-darkgrid 样式')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
plt.style.use('fivethirtyeight') # 使用 fivethirtyeight 样式
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')
plt.title('使用 fivethirtyeight 样式')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
​

内容详解：

• plt.style.use('样式名称')： 使用指定的样式。Matplotlib内置了多种样式，例如 'default', 'ggplot', 'seaborn', 'fivethirtyeight' 等。你可以尝试不同的样式，找到最适合你的图表风格。

• 不同的样式会影响图表的颜色、线条样式、背景、网格等各个方面，从而改变图表的整体视觉效果。

• 你可以使用 plt.style.available 查看所有可用的样式名称。

• 样式可以全局应用，也可以在代码块中临时应用。

1.2 颜色映射（Colormaps）：用色彩表达数据维度

颜色映射（Colormap）是将数据值映射到颜色的方案。在可视化中，颜色映射常用于表示数据的密度、强度或类别。Matplotlib提供了丰富的内置颜色映射，可以根据数据特点选择合适的颜色映射，增强图表的信息表达能力。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据 (二维高斯分布)
delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-3.0, 3.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
Z = (Z1 - Z2) * 2
# 使用不同的颜色映射绘制热力图
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(Z, cmap='viridis', extent=[-3, 3, -3, 3]) # 使用 'viridis' 颜色映射
plt.colorbar(label='Value')
plt.title('Colormap: viridis')
plt.subplot(1, 2, 2)
plt.imshow(Z, cmap='coolwarm', extent=[-3, 3, -3, 3]) # 使用 'coolwarm' 颜色映射
plt.colorbar(label='Value')
plt.title('Colormap: coolwarm')
plt.tight_layout()
plt.show()
​

内容详解：

• plt.imshow(Z, cmap='颜色映射名称', extent=[xmin, xmax, ymin, ymax])： 使用 imshow 函数绘制热力图，cmap 参数指定颜色映射。

• plt.colorbar(label='标签')： 添加颜色条，显示颜色与数据值的对应关系。

• 'viridis', 'coolwarm', 'plasma', 'magma', 'Greys', 'Blues', 'Reds', 'Greens' 等都是常用的颜色映射。

• 选择颜色映射时，需要考虑数据的类型和想要表达的信息。例如，'viridis' 适合表示连续数据，'coolwarm' 适合表示正负数据，'Greys' 适合表示灰度图像。

• Matplotlib颜色映射可以分为顺序型（Sequential）、发散型（Diverging）和定性型（Qualitative）等类型，根据数据特点选择合适的类型。

1.3 文本与注解（Text and Annotations）：提升图表可读性

在图表中添加文本和注解可以有效地提升图表的可读性，突出重点信息，解释数据含义。Matplotlib提供了丰富的文本和注解功能，可以灵活地在图表上添加标题、标签、文字说明、箭头指示等。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 绘制折线图并添加文本和注解
plt.plot(x, y)
plt.title('正弦波', fontsize=16, fontweight='bold') # 添加标题，设置字体大小和粗细
plt.xlabel('时间 (秒)', fontsize=12) # 添加 x 轴标签，设置字体大小
plt.ylabel('幅度', fontsize=12) # 添加 y 轴标签，设置字体大小
plt.text(2, 0.5, '峰值区域', fontsize=10, color='blue') # 在指定位置添加文本
plt.annotate('最大值', xy=(np.pi/2, 1), xytext=(2, 1.5), # 添加注解，箭头指向最大值点
             arrowprops=dict(facecolor='red', shrink=0.05),
             fontsize=10, color='red')
plt.grid(True) # 添加网格线
plt.show()
​

内容详解：

• plt.title('标题文本', fontsize=字号, fontweight='字体粗细')： 添加图表标题，可以设置字体大小、粗细等属性。

• plt.xlabel('x轴标签文本', fontsize=字号) 和 plt.ylabel('y轴标签文本', fontsize=字号)： 添加 x 轴和 y 轴标签，可以设置字体大小。

• plt.text(x坐标, y坐标, '文本内容', fontsize=字号, color='颜色')： 在图表指定位置添加文本。

• plt.annotate('注解文本', xy=(箭头指向点x, 箭头指向点y), xytext=(文本起始点x, 文本起始点y), arrowprops=字典, fontsize=字号, color='颜色')： 添加注解，包括箭头和文本。arrowprops 参数用于设置箭头的样式。

• plt.grid(True)： 添加网格线，辅助阅读数据。

1.4 图例（Legends）：清晰标识数据系列

当图表包含多个数据系列时，图例（Legend）是必不可少的。图例可以清晰地标识每个数据系列代表的含义，帮助读者理解图表内容。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 绘制折线图并添加图例
plt.plot(x, y1, label='sin(x)', linestyle='-', marker='o') # 为第一个数据系列添加标签
plt.plot(x, y2, label='cos(x)', linestyle='--', marker='x') # 为第二个数据系列添加标签
plt.title('正弦波与余弦波')
plt.xlabel('x')
plt.ylabel('y')
plt.legend() # 显示图例
plt.show()
​

内容详解：

• 在 plt.plot() 等绘图函数中，使用 label='标签文本' 参数为每个数据系列添加标签。

• plt.legend()： 显示图例。Matplotlib会自动根据数据系列的标签生成图例。

• 图例的位置、字体、边框等样式可以进行定制，例如 plt.legend(loc='upper right', fontsize=10, frameon=False)。 loc 参数控制图例位置（例如 'upper right', 'lower left', 'best' 等），frameon=False 去除图例边框。

• 可以使用 plt.legend() 的返回值对象，进一步定制图例的细节，例如修改图例中线条的样式和颜色。

2. 多子图与复杂布局

当需要展示多个相关图表时，将它们放在同一个画布上，以子图的形式呈现，可以更有效地进行比较和分析。Matplotlib提供了多种方式创建子图，并支持灵活的布局定制。

2.1 plt.subplot()： 简单子图布局

plt.subplot() 函数是最基本的创建子图的方式。它通过指定子图的行数、列数和当前子图的索引来创建子图。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
# 创建 2x2 的子图布局
plt.figure(figsize=(8, 6)) # 创建画布，设置画布大小
plt.subplot(2, 2, 1) # 第一个子图 (2行2列，索引为1)
plt.plot(x, y1)
plt.title('sin(x)')
plt.subplot(2, 2, 2) # 第二个子图 (2行2列，索引为2)
plt.plot(x, y2)
plt.title('cos(x)')
plt.subplot(2, 2, 3) # 第三个子图 (2行2列，索引为3)
plt.plot(x, y3)
plt.title('tan(x)')
plt.ylim(-5, 5) # 调整 y 轴范围，避免 tan(x) 值过大导致图表难以阅读
plt.subplot(2, 2, 4) # 第四个子图 (2行2列，索引为4)
plt.plot(x, y1 + y2)
plt.title('sin(x) + cos(x)')
plt.tight_layout() # 自动调整子图布局，避免重叠
plt.show()
​

内容详解：

• plt.figure(figsize=(宽度, 高度))： 创建画布，figsize 参数设置画布大小（英寸）。

• plt.subplot(行数, 列数, 子图索引)： 创建子图。子图索引 从 1 开始，按行优先顺序排列。

• 每个 plt.subplot() 调用都会创建一个新的子图，后续的绘图命令将作用于当前子图。

• plt.tight_layout()： 自动调整子图布局，避免子图之间或子图与画布边缘重叠，使图表更美观。

2.2 plt.subplots()： 更简洁的子图创建

plt.subplots() 函数是创建子图的更简洁、更推荐的方式。它一次性创建所有子图，并返回一个包含所有子图轴对象的 NumPy 数组。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建 1x2 的子图布局
fig, axes = plt.subplots(1, 2, figsize=(10, 4)) # 创建 1行2列 的子图，返回 figure 对象和 axes 数组
# axes 是一个包含两个 AxesSubplot 对象的数组
axes[0].plot(x, y1) # 使用 axes[0] 访问第一个子图轴对象
axes[0].set_title('sin(x)')
axes[1].plot(x, y2) # 使用 axes[1] 访问第二个子图轴对象
axes[1].set_title('cos(x)')
axes[1].set_xlabel('x') # 为第二个子图添加 x 轴标签
fig.suptitle('子图示例', fontsize=16) # 为整个 figure 添加总标题
plt.tight_layout()
plt.show()
​

内容详解：

• fig, axes = plt.subplots(行数, 列数, figsize=(宽度, 高度))： 创建子图布局。

  • fig 是 Figure 对象，代表整个画布。

  • axes 是一个 NumPy 数组，包含了所有子图的 AxesSubplot 对象。

• 如果创建的是单行或单列的子图，axes 是一个一维数组；如果创建的是多行多列的子图，axes 是一个二维数组。

• 通过 axes[索引] 或 axes[行索引, 列索引] 可以访问到具体的子图轴对象，然后使用轴对象的方法（例如 axes[0].plot(), axes[1].set_title()）在对应的子图上绘图和设置属性。

• fig.suptitle('总标题文本', fontsize=字号)： 为整个 figure 添加总标题。

2.3 GridSpec： 更灵活的复杂布局

GridSpec 提供了更强大的子图布局控制能力，可以创建更复杂的、非均匀的子图布局。例如，可以创建子图跨越多行或多列，或者创建不规则形状的子图布局。

代码实践：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np
# 生成示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
# 创建 GridSpec 对象，定义布局
gs = gridspec.GridSpec(3, 3) # 创建 3x3 的网格布局
# 创建 figure 和 axes
fig = plt.figure(figsize=(10, 8))
# 使用 GridSpec 创建子图并指定位置
ax1 = fig.add_subplot(gs[0, :]) # 第 1 行，跨越所有列
ax1.plot(x, y1)
ax1.set_title('gs[0, :]')
ax2 = fig.add_subplot(gs[1, :-1]) # 第 2 行，跨越除最后一列外的所有列
ax2.plot(x, y2)
ax2.set_title('gs[1, :-1]')
ax3 = fig.add_subplot(gs[1:, -1]) # 跨越从第 2 行到最后一行，最后一列
ax3.plot(y3, x) # 注意 x 和 y 轴数据互换，让 tan(x) 图形竖直显示
ax3.set_title('gs[1:, -1]')
ax3.set_ylim(-5, 5) # 调整 y 轴范围
ax4 = fig.add_subplot(gs[2, 0]) # 第 3 行，第 1 列
ax4.plot(x, y1 + y2)
ax4.set_title('gs[2, 0]')
ax5 = fig.add_subplot(gs[2, 1]) # 第 3 行，第 2 列
ax5.plot(x, y1 * y2)
ax5.set_title('gs[2, 1]')
plt.tight_layout()
plt.show()
​

内容详解：

• import matplotlib.gridspec as gridspec： 导入 gridspec 模块。

• gs = gridspec.GridSpec(行数, 列数)： 创建 GridSpec 对象，定义网格布局。

• fig.add_subplot(gs[行索引, 列索引])： 使用 GridSpec 对象创建子图。

  • gs[行索引, 列索引] 可以使用切片（slice）来指定子图跨越的行和列范围。例如：

    • gs[0, :] 表示第一行所有列。

    • gs[:, 0] 表示第一列所有行。

    • gs[1:, :-1] 表示从第二行到最后一行，除了最后一列的所有列。

• GridSpec 提供了更灵活的子图布局控制，可以创建各种复杂的图表布局。

mermaid graph TD 图示 GridSpec 布局：

3. 三维绘图

Matplotlib 可以进行三维绘图，通过 mpl_toolkits.mplot3d 工具包，可以创建三维散点图、曲面图、线框图等，可视化三维数据。

代码实践：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D  # 导入 3D 绘图工具
import numpy as np
# 创建 figure 和 3D axes
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(projection='3d') # 指定 projection='3d' 创建 3D 轴
# 三维散点图
z = np.linspace(0, 1, 100)
x = np.sin(z * 2 * np.pi)
y = np.cos(z * 2 * np.pi)
ax.scatter(x, y, z, c=z, cmap='viridis') # c=z 使用 z 值作为颜色，cmap 指定颜色映射
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.set_title('3D Scatter Plot')
plt.show()
​

内容详解：

• from mpl_toolkits.mplot3d import Axes3D： 导入 Axes3D 类，用于创建 3D 轴对象。

• ax = fig.add_subplot(projection='3d')： 在 figure 中添加一个 3D 子图，通过 projection='3d' 参数指定创建 3D 轴。

• ax.scatter(x, y, z, c=颜色数据, cmap='颜色映射')： 绘制三维散点图。

  • x, y, z 分别是数据点的 x, y, z 坐标。

  • c 参数可以指定每个点的颜色，可以使用一维数组，例如 c=z，表示使用 z 值作为颜色。

  • cmap 参数指定颜色映射。

• ax.set_xlabel('X'), ax.set_ylabel('Y'), ax.set_zlabel('Z')： 设置三维坐标轴标签。

• 除了 scatter()，mpl_toolkits.mplot3d 还提供了 plot_surface() (曲面图), plot_wireframe() (线框图), contour3D() (三维等高线图) 等函数，用于绘制不同类型的三维图表。

三维曲面图示例：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 创建 figure 和 3D axes
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(projection='3d')
# 生成网格数据
num1 = np.arange(-3, 3, 0.1)
num2 = np.arange(-3, 3, 0.1)
X, Y = np.meshgrid(num1, num2)
# 定义 Z 轴数据 (例如，高斯函数)
Z = np.exp(-(X**2 + Y**2) / 2)
# 绘制三维曲面图
ax.plot_surface(X, Y, Z, cmap='viridis') # 绘制曲面图
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.set_title('3D Surface Plot')
plt.show()
​

4. 高级图表类型

除了常见的折线图、散点图和柱状图，Matplotlib 还支持一些更高级的图表类型，用于可视化特定类型的数据和关系。

4.1 等高线图（Contour Plots）：可视化三维表面的二维投影

等高线图是将三维表面投影到二维平面上，用等高线表示表面高度的图表。常用于地理数据、地形图、气象图等领域。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成网格数据 (与三维曲面图示例相同)
delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
Z = (Z1 - Z2) * 2
# 绘制等高线图
plt.figure(figsize=(8, 6))
CS = plt.contour(X, Y, Z, 20, cmap='RdBu') # 绘制等高线，20 表示等高线数量，cmap 指定颜色映射
plt.clabel(CS, inline=True, fontsize=8) # 添加等高线标签，inline=True 表示标签在线条内部
plt.title('Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
​

内容详解：

• plt.contour(X, Y, Z, levels=等高线数量, cmap='颜色映射')： 绘制等高线图。

  • X, Y 是网格点的 x, y 坐标。

  • Z 是网格点的高度值。

  • levels 参数指定等高线数量或具体的等高线高度值列表。

  • cmap 参数指定颜色映射，用于填充等高线之间的区域，或者给等高线本身着色。

• plt.clabel(CS, inline=True, fontsize=字号)： 添加等高线标签，显示等高线的高度值。 CS 是 plt.contour() 函数的返回值。

4.2 热力图（Heatmaps）：可视化矩阵数据的密度或强度

热力图使用颜色来表示矩阵数据的值，颜色深浅程度与数据值大小成正比。常用于可视化相关性矩阵、基因表达数据、网页点击热度等。

代码实践：

import matplotlib.pyplot as plt
import numpy as np
# 生成随机矩阵数据
data = np.random.rand(10, 10)
# 绘制热力图
plt.figure(figsize=(8, 6))
heatmap = plt.imshow(data, cmap='plasma', interpolation='nearest') # 绘制热力图，cmap 指定颜色映射，interpolation 指定插值方式
plt.colorbar(heatmap, label='Value') # 添加颜色条
plt.title('Heatmap')
plt.xlabel('Columns')
plt.ylabel('Rows')
plt.xticks(np.arange(10)) # 设置 x 轴刻度
plt.yticks(np.arange(10)) # 设置 y 轴刻度
plt.show()
​

内容详解：

• plt.imshow(data, cmap='颜色映射', interpolation='插值方式')： 绘制热力图。

  • data 是二维矩阵数据。

  • cmap 参数指定颜色映射。

  • interpolation 参数指定插值方式，影响热力图的平滑程度。 'nearest' 表示最近邻插值，'bilinear' 表示双线性插值等。

• plt.colorbar(heatmap, label='标签')： 添加颜色条，显示颜色与数据值的对应关系。 heatmap 是 plt.imshow() 函数的返回值。

• plt.xticks(刻度位置列表) 和 plt.yticks(刻度位置列表)： 设置 x 轴和 y 轴刻度。

4.3 流场图/矢量场图（Stream Plots/Quiver Plots）：可视化矢量场

流场图（Stream Plot）和矢量场图（Quiver Plot）用于可视化矢量场数据，例如流体流动、电场、磁场等。流场图用流线表示矢量场的方向和强度，矢量场图用箭头表示矢量场的方向和强度。

代码实践 (流场图)：

import matplotlib.pyplot as plt
import numpy as np
# 生成矢量场数据 (例如，一个简单的旋转矢量场)
x = np.linspace(-3, 3, 50)
y = np.linspace(-3, 3, 50)
X, Y = np.meshgrid(x, y)
U = -Y  # x 方向分量
V = X   # y 方向分量
# 绘制流场图
plt.figure(figsize=(8, 6))
plt.streamplot(X, Y, U, V, density=1.5, linewidth=0.8, cmap='viridis') # 绘制流场图
plt.title('Stream Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
​