运行环境
由于这是一个Python语言的软件包，因此需要你的机器上首先安装好Python语言的环境。关于这一点，请自行在网络上搜索获取方法。
关于如何安装Matplotlib请参见这里：Matplotlib Installing。
笔者推荐大家通过pip的方式进行安装，具体方法如下：
sudo pip3 install matplotlib
本文中的源码和测试数据可以在这里获取：matplotlib_tutorial
本文的代码示例会用到另外一个Python库：NumPy。建议读者先对NumPy有一定的熟悉，我之前也写过一个NumPy的基础教程，参见这里：Python 机器学习库 NumPy 教程。
本文的代码在如下环境中测试：
- Apple OS X 10.13
- Python 3.6.3 matplotlib 2.1.1
- numpy 1.13.3
介绍
Matplotlib适用于各种环境，包括：
- Python脚本
- IPython shell Jupyter notebook
- Web应用服务器
- 用户图形界面工具包
使用Matplotlib，能够的轻易生成各种类型的图像，例如：直方图，波谱图，条形图，散点图等。并且，可以非常轻松的实现定制。
入门代码示例
下面我们先看一个最简单的代码示例，让我们感受一下Matplotlib是什么样的：
# test.py import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.plot(data) plt.show()
这段代码的主体逻辑只有三行，但是它却绘制出了一个非常直观的线性图，如下所示：
对照着这个线形图，我们来讲解一下三行代码的逻辑：
- 通过
np.arange(100, 201)生成一个[100, 200]之间的整数数组，它的值是：[100, 101, 102, … , 200] - 通过
matplotlib.pyplot将其绘制出来。很显然，绘制出来的值对应了图中的纵坐标（y轴）。而matplotlib本身为我们设置了图形的横坐标（x轴）：[0, 100]，因为我们刚好有100个数值 - 通过
plt.show()将这个图形显示出来
这段代码非常的简单，运行起来也是一样。如果你已经有了本文的运行环境，将上面的代码保存到一个文本文件中（或者通过Github获取本文的源码），然后通过下面的命令就可以在你自己的电脑上看到上面的图形了:
python3 test.py
注1：后面的教程中，我们会逐步讲解如何定制图中的每一个细节。例如：坐标轴，图形，着色，线条样式，等等。
注2：如果没有必要，下文的截图会去掉图形外侧的边框，只保留图形主体。
一次绘制多个图形
有些时候，我们可能希望一次绘制多个图形，例如：两组数据的对比，或者一组数据的不同展示方式等。
可以通过下面的方法创建多个图形：
多个figure
可以简单的理解为一个figure就是一个图形窗口。matplotlib.pyplot会有一个默认的figure，我们也可以通过plt.figure()创建更多个。如下面的代码所示：
# figure.py import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.plot(data) data2 = np.arange(200, 301) plt.figure() plt.plot(data2) plt.show()
这段代码绘制了两个窗口的图形，它们各自是一个不同区间的线形图，如下所示：
注：初始状态这两个窗口是完全重合的。
多个subplot
有些情况下，我们是希望在同一个窗口显示多个图形。此时就这可以用多个subplot。下面是一段代码示例：
# subplot.py import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.subplot(2, 1, 1) plt.plot(data) data2 = np.arange(200, 301) plt.subplot(2, 1, 2) plt.plot(data2) plt.show()
这段代码中，除了subplot函数之外都是我们熟悉的内容。subplot函数的前两个参数指定了subplot数量，即：它们是以矩阵的形式来分割当前图形，两个整数分别指定了矩阵的行数和列数。而第三个参数是指矩阵中的索引。
因此，下面这行代码指的是：2行1列subplot中的第1个subplot。
plt.subplot(2, 1, 1)
下面这行代码指的是：2行1列subplot中的第2个subplot。
plt.subplot(2, 1, 2)
所以这段代码的结果是这个样子：
subplot函数的参数不仅仅支持上面这种形式，还可以将三个整数（10之内的）合并一个整数。例如：2, 1, 1可以写成211，2, 1, 2可以写成212。
因此，下面这段代码的结果是一样的：
import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.subplot(211) plt.plot(data) data2 = np.arange(200, 301) plt.subplot(212) plt.plot(data2) plt.show()
subplot函数的详细说明参见这里：matplotlib.pyplot.subplot
常用图形示例
Matplotlib可以生成非常多的图形式样，多到令人惊叹的地步。大家可以在这里：Matplotlib Gallery 感受一下。
本文作为第一次的入门教程，我们先来看看最常用的一些图形的绘制。
线性图
前面的例子中，线性图的横轴的点都是自动生成的，而我们很可能希望主动设置它。另外，线条我们可能也希望对其进行定制。看一下下面这个例子：
# plot.py import matplotlib.pyplot as plt plt.plot([1, 2, 3], [3, 6, 9], '-r') plt.plot([1, 2, 3], [2, 4, 9], ':g') plt.show()
这段代码可以让我们得到这样的图形：
这段代码说明如下：
plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线； 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线。关于样式和颜色的说明请参见plot函数的API Doc：matplotlib.pyplot.plot
散点图
scatter函数用来绘制散点图。同样，这个函数也需要两组配对的数据指定x和y轴的坐标。下面是一段代码示例：
# scatter.py import matplotlib.pyplot as plt import numpy as np N = 20 plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c='r', s=100, alpha=0.5) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c='g', s=200, alpha=0.5) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c='b', s=300, alpha=0.5) plt.show()
这段代码说明如下：
这幅图包含了三组数据，每组数据都包含了20个随机坐标的位置 参数c表示点的颜色，s是点的大小，alpha是透明度
这段代码绘制的图形如下所示：
scatter函数的详细说明参见这里：matplotlib.pyplot.scatter
饼状图
pie函数用来绘制饼状图。饼状图通常用来表达集合中各个部分的百分比。
# pie.py
import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = np.random.rand(7) * 100
plt.pie(data, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.legend()
plt.show()
这段代码说明如下：
data是一组包含7个数据的随机数值 图中的标签通过labels来指定 autopct指定了数值的精度格式 plt.axis('equal')设置了坐标轴大小一致 plt.legend()指明要绘制图例（见下图的右上角）
这段代码输出的图形如下所示：
pie函数的详细说明参见这里：matplotlib.pyplot.pie
条形图
bar函数用来绘制条形图。条形图常常用来描述一组数据的对比情况，例如：一周七天，每天的城市车流量。
下面是一个代码示例：
# bar.py
import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()
这段代码说明如下：
这幅图展示了一组包含7个随机数值的结果，每个数值是[0, 100]的随机数 它们的颜色也是通过随机数生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）个随机数，然后将它们组装成7行，那么每行就是三个数，这对应了颜色的三个组成部分。如果不理解这行代码，请先学习一下Python 机器学习库 NumPy 教程 title指定了图形的标题，labels指定了标签，alpha是透明度
这段代码输出的图形如下所示：
bar函数的详细说明参见这里：matplotlib.pyplot.bar
直方图
hist函数用来绘制直方图。直方图看起来是条形图有些类似。但它们的含义是不一样的，直方图描述了数据中某个范围内数据出现的频度。这么说有些抽象，我们通过一个代码示例来描述就好理解了：
# hist.py import matplotlib.pyplot as plt import numpy as np data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]] labels = ['3K', '4K', '5K'] bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000] plt.hist(data, bins=bins, label=labels) plt.legend() plt.show()
上面这段代码中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三个数组的数组，这其中：
第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000) 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000) 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)
bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。同样的，我们指定了标签和图例。
这段代码的输出如下图所示：
在这幅图中，我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。
hist函数的详细说明参见这里：matplotlib.pyplot.hist
结束语
通过本文，我们已经知道了Matplotlib的大致使用方法和几种最基本的图形的绘制方式。
需要说明的是，由于是入门教程，因此本文中我们只给出了这些函数和图形最基本的使用方法。但实际上，它们的功能远不止这么简单。因此本文中我们贴出了这些函数的API地址以便读者进一步的研究。