Matplotlib是Python中风行的数据可视化库，仅应用简略的几行代码就能够生成图表。然而默认的办法是生成的图表很简略，如果想加强数据演示的影响和清晰度，能够试试本文总结的10个高级技巧，这些技巧能够将可视化晋升到一个新的程度:
1、rcParams
rcParams字典。它蕴含了用于创立图形的默认款式的所有Matplotlib设置。你能够间接从matplotlib命名空间导入它:
from matplotlib import rcParams >>> 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, 6 rcParams['legend.fontsize'] = "large" rcParams['xtick.major.size'] = 4 rcParams['xtick.minor.size'] = 1这时所有的Matplotlib设置，如果你想批改任何的Matplotlib参数，间接批改这个字典就能够了，你甚至能够将他序列化到本地，而后在其余我的项目中间接加载，这样你的每一个Matplotlib实例应用的都是雷同的配置了。
还能够调用PyPlot的rcdefaults函数，它会将所有参数重置成默认值。
plt.rcdefaults()2、get_* functions
在底层，Matplotlib是齐全面向对象的。
上图中看到的每个独自的组件都是作为一个独自的类实现的。它们都继承自基类Matplotlib Artist。
然而类太多，并且每个类的参数都不一样这会给应用带来很大的不不便，所以Matplotlib定制了有许多以get_前缀结尾的函数，能够间接创立图形中的组件。上面是一个例子:
fig, ax = plt.subplots() >>> [func for func in dir(ax) if func.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']假如咱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()这很简略，只需在axes对象上调用get_xticklabels，就能够失去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')]还能够应用get_xticklines调整刻度线，或者应用get_xticks调整刻度的地位。
曾经取得了对象，上面就能够进行调整了
3、get / setp
调用plt.getp函数，能够查看它以后具备的参数。例如，假如咱们想要款式化上面图的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()这个办法返回了图表的所有属性
>>> plt.getp(l2) ... drawstyle or ds = default figure = Figure(640x480) linestyle or ls = - linewidth or lw = 1.5 marker = None markeredgecolor or mec = #ff7f0e markeredgewidth or mew = 1.0 markerfacecolor or mfc = #ff7f0e markerfacecoloralt or mfcalt = none zorder = 2 ...而plt.setp能够更改属性在没有任何参数的对象上调用this会打印出该对象能够承受的属性值:
>>> plt.setp(l2) ... linestyle or ls: {'-', '--', '-.', ':', '', (offset, on-off-seq), ...} linewidth or lw: float sketch_params: (scale: float, length: float, randomness: float) snap: bool or None zorder: float ...要打印单个属性的可能值，能够将属性的名称作为字符串输出setp:
>>> plt.setp(l2, "linestyle") linestyle: {'-', '--', '-.', ':', '', (offset, on-off-seq), ...}批改属性的办法如下:
>>> plt.setp(l2, linestyle="-.", lw=5, color="red", alpha=0.5) [None, None, None, None]要查看更改后的以后图形，只需在图形对象上调用get_figure:
fig.get_figure()第二行的款式曾经变了
4、Legends
Legends能够不便的通知咱们图中每个组件的含意,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()咱们能够调整他的参数，例如：
图例的地位、字体属性、大小，色彩，款式、图例中的列数，等等
能够在创立前设置，也能够在创立后应用get_legend提取，并应用getp、setp函数。
5、cycler
你有没有想过Matplotlib是如何本人扭转色彩或循环不同格调的?
在底层，Matplotlib应用名为Cyclers的Python内置对象:
from cycler import cycler c1 = cycler(arg1=[1, 2, 3, 4]) >>> c1这个循环函数承受任何键值参数并创立一个字典列表:
c2 = cycler(arg2=list("rgba")) for i in c2: print(i) ------------------------------ {'arg2': 'r'} {'arg2': 'g'} {'arg2': 'b'} {'arg2': 'a'}还能够将多个循环器与“plus”和“multiply”操作符组合起来，这样能够取得索引到索引或穷举的参数组合:
for i in c1 + 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，就能够定制款式。上面，咱们创立四种不同的线条款式，容许Matplotlib循环应用不同的线条色彩，款式和大小:
line_prop_cycler = ( cycler(color=list("rgcy")) + cycler(ls=["-", "--", "-.", ":"]) + cycler(lw=[3, 6, 9, 12]) )能够应用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) for phi in offsets]) fig, ax = plt.subplots(figsize=(8, 4)) ax.set_prop_cycle(line_prop_cycler) # Set propcycle before plotting ax.plot(x, yy) plt.show();rcParams字典中默认设置如下:
rcParams["axes.prop_cycle"]咱们能够间接批改
6、tick_params
轴刻度应该精确地传播数据点及其单位的最小值和最大值，并显示几个要害的检查点，以便在不同的绘图局部之间进行比拟。
大多数tick属性能够应用axes对象的tick_params函数来管制。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 group of ticks 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 length in points. width : float Tick width in points. color : color Tick color.首先应该指定的两个参数是axis和which。这些参数将利用于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。如果须要能够应用axes对象上的minortics_on函数:
fig, ax = plt.subplots(figsize=(3, 2)) >>> ax.minorticks_on()7、Tickers
如果不像自定义tick参数（因为很麻烦）。能够应用许多内置的Matplotlib的“主题”汇合(称为tickers)。
from matplotlib import ticker dir(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。个别状况下题目中带有Locator的控件管制刻度的地位。而Formatters 则示意标签的款式。抉择好后能够应用上面的形式进行设置：
from matplotlib.ticker import EngFormatter ax.xaxis.set_major_formatter(EngFormatter())应用axes对象的xaxis或yaxis属性，调用set_major(minor)_formatter(locator)函数，并传入类名。
8、grid
自定义网格线能够突出数据范畴。在Matplotlib中，能够应用轴线对象的网格函数创立和自定义网格。上面是一个垂直网格的例子:
fig, ax = plt.subplots() ax.grid(axis="x", linestyle=":", lw=3, color="r")9、bar_label
条形图在数据分析中很常见。它们最重要的中央就是每个条的高度，条形标签能够突出每个条的显示。
bar_label函数承受一个BarContainer对象作为参数，并主动标注每个bar的高度。
上面是Seaborn的一个简略的计数图:
import seaborn as sns diamonds = sns.load_dataset("diamonds") ax = sns.countplot(diamonds["cut"])每次应用Seaborn或ax.bar等函数创立barplot时，BarContainer对象都会被增加到图中。能够应用axes对象的containers属性来检索这个容器对象:
ax.containers [<BarContainer object of 5 artists>]在下面的列表中有一个BarContainer对象有5个bar。咱们只需在创立了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();10、zorder
当有很多图的时候，显示程序是十分重要的。你须要确保在画布上以适当的程序绘制每个图形，就须要zorder参数。
上面，咱们用不同的zorders创立了三行:
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()能够看到zorder越大，就会在最上方显示,笼罩掉小的组件。
总结
Matplotlib在2023年6月的下载量超过3000万，简直是其最大竞争对手Plotly的4倍。Matplotlib的胜利不仅仅在于它的简略（只须要几行代码就能生成简略的图形），还在于他的功能强大，然而要应用这些弱小的性能就须要应用他的高级性能，然而这些高级性能往往须要比较复杂的配置或者参数，须要咱们浏览官网的文档。所以才呈现了seaborn，他将Matplotlib进行了整合不仅简略而且难看。
然而有时咱们须要更深刻的定制性能,seaborn兴许还达不到咱们的指标，咱们只能本人定义的参数，本文总结的是个高级技巧能够轻松的帮你残缺自定义Matplotlib的工作。
https://avoid.overfit.cn/post/fece2cde8dbd4f899de00f5509385c6c
作者:Bex T