PythonGuides-博客中文翻译-五-

PythonGuides 博客中文翻译（五）

原文：PythonGuides Blog

协议：CC BY-NC-SA 4.0

Matplotlib 绘制一条线(详细指南)

原文：https://pythonguides.com/matplotlib-plot-a-line/

在本 Python 教程中，我们将讨论如何使用不同特性的 Python 中的 matplotlib绘制折线图，我们还将涉及以下主题:

• Matplotlib 绘制折线图
• Matplotlib plot line style
• Matplotlib 绘图线粗细
• Matplotlib plot line color
• Matplotlib 在两点之间画一条线
• Matplotlib 绘制一条水平线
• Matplotlib 绘制一条垂直线
• Matplotlib 绘制带标签的水平线
• Matplotlib 在条形图上绘制水平线
• Matplotlib 在日期绘制垂直线
• Matplotlib 用文本绘制垂直线
• Matplotlib 在直方图上绘制垂直线
• Matplotlib 绘制线性函数
• Matplotlib 在线图上绘制点
• Matplotlib 散点图直线
• Matplotlib 从数据帧绘制线图
• Matplotlib 在 3D 中绘制直线

目录

• Matplotlib 绘制折线图
• Matplotlib 地块线样式
• Matplotlib 绘图线的粗细
• Matplotlib 绘图线颜色
• Matplotlib 在两点之间画一条线
• Matplotlib 绘制一条水平线
• Matplotlib 绘制一条垂直线
• Matplotlib 绘制带标签的水平线
• Matplotlib 在条形图上绘制水平线
• Matplotlib 在日期绘制垂直线
• Matplotlib 用文本绘制垂直线
• Matplotlib 在直方图上绘制垂直线
• Matplotlib 绘制一个线性函数
• Matplotlib 绘制线图上的点
• Matplotlib 散点图直线
• Matplotlib 从数据帧中绘制线图
• Matplotlib 在 3D 中绘制一条线

Matplotlib 绘制折线图

Matplotlib 是 Python 中广泛使用的数据可视化库。它提供了各种绘图和数据可视化工具，可根据 python 中列表或数组中的数据创建 2D 图。Matplotlib 是一个构建在 NumPy 数组上的跨平台库。

您可以使用 matplotlib 库中的 pyplot 子模块在 python 中创建折线图。 Pyplot 为各种绘图提供相关函数的集合。折线图展示了 X-Y 笛卡尔平面上 X 轴和 Y 轴上两个量之间的关系。

您可以按照以下步骤创建折线图:

• 导入所需的库(来自 matplotlib 的 pyplot 用于可视化，numpy 用于数据创建和操作)。
• 定义必须可视化的数据值(定义 x 和 y)。
• 通过在绘图中添加所需的特征(绘图颜色、厚度、标签、注释等)来绘制数据。
• 显示曲线图(图形/图表)。

让我们用 python 画一条简单的线。因此，打开您的笔记本，而不是物理笔记本，打开 jupyter 笔记本，并遵循以下代码:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 14, 21, 28, 35, 42, 49]
y = [8, 13, 21, 30, 31, 44, 50]

# Plot a simple line chart without any feature
plt.plot(x, y)
plt.show()

Matplotlib plot a line chart

Matplotlib 地块线样式

您可以使用 matplotlib 在 python 中更改折线图的线条样式。需要在 matplotlib 的 plot() 函数中指定参数 linestyle 。

python 中有几种可用的线条样式。你可以选择其中任何一个。您可以指定线条样式的名称或用引号括起来的符号。你可以搜索可用的线条样式，我已经给出了一些常用的线条样式的例子。

例子:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 14, 21, 28, 35, 42, 49]
y = [8, 13, 21, 30, 31, 44, 50]

# Plot a simple line chart with 'solid' linestyle
plt.plot(x, y, linestyle='-')
plt.show()

# Plot a simple line chart with 'dashed' linestyle
plt.plot(x, y, linestyle='dashed')  
# Or you can use: plt.plot(x, y, linestyle='--')
plt.show()

# Plot a simple line chart with 'dotted' linestyle
plt.plot(x, y, ':')
plt.show()

# Plot a simple line chart with 'dash_dot' linestyle
plt.plot(x, y, '-.')
plt.show()

Matplotlib plot line style

阅读:如何安装 matplotlib

Matplotlib 绘图线的粗细

您可以使用 matplotlib 在 python 中更改折线图的线条粗细。需要在 matplotlib 的 plot()函数中指定参数线宽。

例子:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 14, 21, 28, 35, 42, 49]
y = [8, 13, 21, 30, 31, 44, 50]

# Plot a simple line chart with linewidth 7
plt.plot(x, y, linewidth=7)
plt.show()

# Plot a simple line chart with 'dash_dot' linestyle and linewidth 3
plt.plot(x, y, '-.',linewidth=3)
plt.show()

Matplotlib plot line thickness

Matplotlib 绘图线颜色

您可以使用 matplotlib 在 python 中更改折线图的线条颜色。需要在 matplotlib 的 plot()函数中指定参数 color 。

python 中有几种颜色可供选择。你可以选择其中任何一个。您可以指定颜色的名称或符号，也可以用引号将颜色的十六进制代码括起来。您可以搜索可用的颜色。

例子:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 14, 21, 28, 35, 42, 49]
y = [8, 13, 21, 30, 31, 44, 50]

# Plot a simple line chart with green as line color
plt.plot(x, y, ':', linewidth=7, color='green')
plt.show()

# Plot a simple line chart with red as line color
plt.plot(x, y, 'r', linestyle='--', linewidth=5)
plt.show()

# Plot a simple line chart with yellow as line color
plt.plot(x, y, 'y-.', linewidth=3)
plt.show()

# Plot a simple line chart with neon purple (Hexcode='#B026FF') as line color
plt.plot(x, y, color='#B026FF', linewidth=1)
plt.show()

Matplotlib plot line color

阅读:什么是 Python Django

Matplotlib 在两点之间画一条线

通过在 x 轴和 y 轴值列表中指定给定的两点，可以使用 matplotlib 在这两点之间绘制一条线。

举例:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 42]
y = [8, 44]

# Plot a simple line chart between two points (7, 8) and (42, 44)
plt.plot(x, y, linewidth=7, color='green')
plt.show()

# OR

# Plot a simple line chart between two points (2, 5) and (6, 10)
plt.plot([2, 6], [5, 10], 'r', linewidth=5)
plt.show()

Matplotlib plot a line between two points

Matplotlib 绘制一条水平线

您可以在 matplotlib python 中绘制水平线，方法是使用 plot() 函数并给出与 y 轴值列表相同值的向量，或者使用 matplotlib.pyplot 的 axhline() 函数，该函数仅接受常量 y 值。

axhline()函数绘制的直线的范围仅从 0 到 1，而在 plot()函数中，您可以给出一个两个值的向量，将范围指定为 x 值列表。

举例:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 49]
y = [8, 8]

# Plot a horizontal line
plt.plot(x, y, 'y', linewidth=3)
plt.show()

# OR

# Plot a horizontal line using axhline() in pyplot
plt.axhline(y=8, xmin=0.1, xmax=0.8, color='r', linestyle='-.', linewidth=3)
plt.show()

Matplotlib plot a horizontal line

Matplotlib 绘制一条垂直线

您可以在 matplotlib python 中绘制一条垂直线，方法是使用 plot() 函数并给出一个与 y 轴值列表相同值的向量，或者使用 matplotlib.pyplot 的 axvline() 函数，该函数只接受常量 x 值。

也可以使用 matplotlib 的 vlines() 函数。pyplot，我们将在后面讨论。由 axvline()函数绘制的直线的范围仅从 0 到 1，而在 plot()函数中，您可以给出一个两个值的向量，将范围指定为 y 轴值列表。

举例:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [8, 8]
y = [7, 49]

# Plot a vertical line
plt.plot(x, y, 'b', linewidth=3)
plt.show()

# OR

# Plot a vertical line using axvline() in pyplot
plt.axvline(x=8, ymin=0.1, ymax=0.8, color='g', linestyle=':', linewidth=3)
plt.show()

Matplotlib plot a vertical line

使用 Tkinter 阅读 Python 中的注册表

Matplotlib 绘制带标签的水平线

通过在 plot()函数中添加一个 label 参数，可以为 matplotlib python 中的任何绘图指定标签，在该函数中可以指定任何用引号括起来的字符串。

举例:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 49]
y1 = [3, 3]
y2 = [8, 8]

# Plot a horizontal line
plt.plot(x, y1, '-r', linewidth=3, label='red line')
plt.plot(x, y2, '-b', linewidth=3, label='blue line')
plt.legend()
plt.show()

# OR

# Plot a horizontal line using axhline() in pyplot
plt.axhline(y=3, xmin=0.1, xmax=0.8, color='r', linestyle='-.', linewidth=3, label='red line')
plt.axhline(y=8, xmin=0.1, xmax=0.8, color='b', linestyle='-.', linewidth=3, label='blue line')
plt.legend()
plt.show()

Matplotlib plot horizontal line with a label

Matplotlib 在条形图上绘制水平线

通过在保存/显示图形之前指定多个绘图语句，可以在 matplotlib python 中的另一个绘图上绘制任何类型的绘图。同样，你可以在条形图上画一条水平线。我们来做一个有趣的例子。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np

# Define x values and heights for the bar chart
heights = np.array([7.0, 28.0, 14.0, 35.0, 42.0, 21.0, 49.0])
x = range(len(heights))

# y value from where the horizontal line has to be drawn
y_val = 24.0

# we are splitting the heights to create a stacked bar graph by the y_val
upper_bars = np.maximum(heights - y_val, 0)
lower_bars = np.minimum(heights, y_val)

# Plotting the stacked bar graph
plt.bar(x, lower_bars, width=0.5, color='y')
plt.bar(x, upper_bars, width=0.5, color='r', bottom=lower_bars)

# Plotting the horizontal line to divide through the y_val
plt.axhline(y=y_val, color='b', linestyle=':', label='red line')

plt.show()

Matplotlib plot horizontal line on the bar graph

阅读:从 PDF Python 中提取文本

Matplotlib 在日期绘制垂直线

您可以添加日期作为标签，并可以在 matplotlib python 中绘制日期的垂直线。您需要从 python 中的 datetime 模块导入datetime函数来创建日期格式的值。

您需要来自 matplotlib.dates 的 mdates 子模块来格式化绘图的日期。你可以按照下面给出的简单例子来理解做这件事的方法。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.dates as mdates
from datetime import datetime

fig, ax = plt.subplots()
dates = np.array([datetime(2020,1,1), datetime(2020,6,30), datetime(2021,1,1)])
dates = mdates.date2num(dates)

ax.xaxis.set_major_formatter(mdates.DateFormatter('%d.%m.%y'))
ax.xaxis.set_major_locator(mdates.YearLocator())

plt.vlines(x=dates, ymin=0, ymax=10, color = 'g')

plt.show()

Matplotlib plot vertical line at the date

Matplotlib 用文本绘制垂直线

您也可以将文本添加到图中的任何给定位置。您需要使用来自 matplotlib.pyplot 的 text() 函数，在这里您必须指定要添加的文本，以及绘图的 X-Y 平面上的 X 和 Y 位置。

在下面的例子中，我使用了一个循环，将文本反复添加到上一个主题的例子中绘制的所有垂直线中。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.dates as mdates
from datetime import datetime

fig, ax = plt.subplots()
dates = np.array([datetime(2020,1,1), datetime(2020,6,30), datetime(2021,1,1)])
dates = mdates.date2num(dates)

ax.xaxis.set_major_formatter(mdates.DateFormatter('%d.%m.%y'))
ax.xaxis.set_major_locator(mdates.YearLocator())

plt.vlines(x=dates, ymin=0, ymax=10, color = 'r', linewidth=2)

for i, x in enumerate(dates):
    text((x+5), 5, "Interval %d" % (i+1), rotation=90, verticalalignment='center')

plt.show()

Matplotlib plot vertical line with text

Matplotlib 在直方图上绘制垂直线

通过在保存/显示图形之前指定多个绘图语句，可以在 matplotlib python 中的直方图上绘制垂直线。同样，我们在以前的主题中已经讨论过。让我们做一个有趣的例子来理解对这类图形的需求。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np

# Generating a random seed
np.random.seed(1)

# A sample is drawn from a Gamma distribution with shape 3, scale 0.7 and size 500
x = np.random.gamma(3, 0.7, 500)

# Plot a histogram for the sample data created
plt.hist(x, bins=30, color='y', edgecolor='r', alpha=0.70)

# Plot a vertical line at the mean of the sample data
plt.axvline(x.mean(), color='b', linestyle=':', linewidth=2)

plt.show()

Matplotlib plot vertical line on the histogram

阅读: Python Tkinter 标题

Matplotlib 绘制一个线性函数

线性函数代表图上的一条直线。你可以使用直线的斜率截距形式，即 y = m * x+c；这里，X 和 Y 分别是 X 轴和 Y 轴变量，m 是直线的斜率，c 是直线的 X 截距。

您可以通过填充其中一个变量列表(x 或 y)的数据，使用线性函数公式计算另一个变量，并绘制生成的数据点来可视化该函数。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np

# Creating a sample data for x-values
x = np.arange(2, 300, 4)

# Provide parameters of the linear function
m, c = 0.4, 1.6

# Calculating the y-values for all the x'-values
y = (m * x) + c

# Plotting the line created by the linear function
plt.plot(x, y, 'c', linewidth=2, label='y=m*x+c')
plt.title('Linear Function (y=m*x+c) plot')
plt.xlabel('x-values')
plt.ylabel('y-values')
plt.legend()
plt.show()

Matplotlib plot a linear function

Matplotlib 绘制线图上的点

通过在 plot() 函数中添加标记器参数，可以在 matplotlib python 中标记线图上的点。您可以指定 python 中可用的任何标记类型。

举例:

# Importing packages
import matplotlib.pyplot as plt

# Define x and y values
x = [7, 14, 21, 28, 35, 42, 49]
y = [8, 13, 21, 30, 31, 44, 50]

# Plot points on the line chart
plt.plot(x, y, 'o--y', linewidth=2)
# Or plt.plot(x, y, marker='o', linestyle='--', color='y', linewidth=2)
plt.show()

Matplotlib plot point on a line graph

Matplotlib 散点图直线

您可以在散点图上绘制一条直线，或者使用 python 的 numpy 模块中的函数 polyfit() 在 matplotlib python 中绘制一条与给定的分散数据点很好拟合的直线(线性回归线)，该函数是一个接受数据点(x 轴和 y 轴数据)的通用最小二乘多项式拟合函数和一个任意次的多项式函数，在我们的示例中，次数为 1(线性)。

它返回给定数据的最佳拟合线的参数(斜率和截距)数组。然后，您可以用得到的参数绘制这条线。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np

# Define x and y values
x = np.array([7, 11, 24, 28, 35, 34, 41])
y = np.array([8, 20, 13, 30, 31, 48, 50])

# Drawn a simple scatter plot for the data given
plt.scatter(x, y, marker='*', color='k')

# Generating the parameters of the best fit line
m, c = np.polyfit(x, y, 1)

# Plotting the straight line by using the generated parameters
plt.plot(x, m*x+c)

plt.show()

Matplotlib scatter plot straight line

阅读: Matplotlib 绘图条形图

Matplotlib 从数据帧中绘制线图

您可以使用 python 中的 matplotlib.pyplot.plot() 函数或 dataframe.plot() 函数从数据帧中绘制图形。我们已经讨论了第一个函数。

后一个函数与第一个类似，只是有一点不同，您需要在函数中将列指定为 x 轴值和 y 轴值。

import pandas as pd

# Let's create a Dataframe using lists
countries = ['Monaco', 'Singapore', 'Gibraltar', 'Bahrain', 'Malta',
             'Maldives', 'Bermuda', 'Sint Maarten', 'Bangladesh', 
             'Guernsey', 'Vatican City', 'Jersey', 'Palestine', 
           'Mayotte', 'Lebnon',
             'Barbados', 'Saint Martin', 'Taiwan', 'Mauritius', 'San Marino']
pop_density = ['19341', '8041', '5620', '2046', '1390',
               '1719', '1181', '1261', '1094', '2706',
               '924.5', '929', '808', '686', '656',
               '667', '654', '652', '644', '554']

# Now, create a pandas dataframe using above lists
df_pop_density = pd.DataFrame(
    {'Country' : countries, 'Population Density(/kmsq)' : pop_density})

df_pop_density

Matplotlib create dataframe

import matplotlib.pyplot as plt

# Plotting the data from the dataframe created using matplotlib
plt.figure(figsize=(9, 5))
plt.title('Countries with higher population density (per km sq)')
plt.plot(df_pop_density['Country'], df_pop_density['Population Density(/kmsq)'], '-b', linewidth=2)
# OR : df_pop_density(x='Country', y='Population Density(/kmsq)', '-b', linewidth=2)
plt.xticks(rotation=60)
plt.xlabel('Countries')
plt.ylabel('Population Density')
plt.show()

Matplotlib plot line graph from dataframe

阅读:什么是 matplotlib 内联

Matplotlib 在 3D 中绘制一条线

通过从模块 mpl_toolkits 导入 mplot3d ，可以在 matplotlib python 中绘制 3D 线，该模块是 python 中 matplotlib 的外部工具包，用于绘制几何代数的多向量。我们做一个简单的例子来理解一下。

举例:

# Importing packages
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits import mplot3d

# Setting 3 axes for the graph
plt.axes(projection='3d')

# Define the z, y, x data
z = np.linspace(0, 1, 100)
x = 3.7 * z
y = 0.6 * x + 3

# Plotting the line
plt.plot(x, y, z, 'r', linewidth=2)
plt.title('Plot a line in 3D')
plt.show()

Matplotlib plot a line in 3D

您可能还想阅读以下文章:

• Python 绘制多条线
• Matplotlib 改变背景颜色
• Matplotlib 旋转刻度标签
• Matplotlib 移除刻度标签

在本 Python 教程中，我们讨论了如何在 Python 中使用具有不同功能的 matplotlib 来绘制折线图，我们还讨论了以下主题:

• Matplotlib plot line style
• Matplotlib 绘图线粗细
• Matplotlib plot line color
• Matplotlib 在两点之间画一条线
• Matplotlib 绘制一条水平线
• Matplotlib 绘制一条垂直线
• Matplotlib 绘制带标签的水平线
• Matplotlib 在条形图上绘制水平线
• Matplotlib 在日期绘制垂直线
• Matplotlib 用文本绘制垂直线
• Matplotlib 在直方图上绘制垂直线
• Matplotlib 绘制线性函数
• Matplotlib 在线图上绘制点
• Matplotlib 散点图直线
• Matplotlib 从数据帧绘制线图
• Matplotlib 在 3D 中绘制直线

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib plot bar chart

原文：https://pythonguides.com/matplotlib-plot-bar-chart/

在本 Python 教程中，我们将讨论如何使用 Python 中的 matplotlib绘制条形图，我们还将涉及以下主题:

• Matplotlib plot bar chart
• Matplotlib 绘图条形图大小
• 不同颜色的 Matplotlib 绘图条形图
• 来自字典的 Matplotlib 绘制条形图
• Matplotlib 从数据帧绘制条形图
• 带值的 Matplotlib 绘图条形图
• 带日期的 Matplotlib 绘图条形图
• 带误差线的 Matplotlib 绘图条形图
• Matplotlib 绘制多个条形图
• Matplotlib 绘图堆积条形图
• Matplotlib 绘图水平条形图

目录

• Matplotlib 绘图条形图
• Matplotlib 绘图条形图尺寸
• Matplotlib 绘制不同颜色的条形图
• 来自字典的 Matplotlib 绘制条形图
• Matplotlib 从数据帧中绘制条形图
• Matplotlib 用数值绘制条形图
• 带日期的 Matplotlib 绘制条形图
• Matplotlib 绘制带误差线的条形图
• Matplotlib 绘制多个条形图
• Matplotlib 绘图堆积条形图
• Matplotlib 绘制水平条形图

Matplotlib 绘图条形图

Matplotlib 是 python 中最常用的数据可视化工具——丰富库。它支持多种数据可视化工具，可以根据不同来源或不同类型(如列表、数组、字典、数据帧、JSON 文件、CSV 文件等)提供的数据制作 2D 图。这个库建立在 python 中的 Numpy 数组之上。

使用 matplotlib 库提供的 API pyplot 作为 matplotlib 中的子模块，可以在 python 中创建条形图或条形图或条形图。 Pyplot 提供了各种各样的剧情以及与之相关的功能。

条形图是一种将数据中的不同类别显示为矩形条的图形，其高度或长度与这些类别分别代表的值成比例。这意味着条形图用于可视化分类数据(比较数据中的类别)。

您可以根据需要垂直或水平绘制条形图。其中一个轴显示要比较的类别，另一个轴显示这些类别的值。

您可以使用模块(库) matplotlib 的子模块 pyplot 的函数 bar() 在 python 中创建条形图/图表/图形。 bar() 函数的语法如下:

matplotlib.pyplot.bar(categories, heights [, width, bottom, align, ...])

在上面的语法中，

• 类别指定要比较的类别的值或列表/数组。
• 高度指定每个相应类别的值或值列表/数组。
• 您可以在宽度中指定条形的宽度。默认值为 0.8。
• 您可以在底部指定条形的底部(条形底部的 y 坐标)。默认值为 0。
• 您可以指定条形与类别轴刻度的对齐方式。默认为“中心”:
  • 将它设置为“中心”来对齐条形，以便刻度位置到达条形底部的中心。
  • 将它设置为“edge”来对齐条形，以便条形的左边缘到达刻度位置。
  • 将宽度的负值设置为“edge ”,以对齐条形，使条形的右边缘到达刻度位置。
• 您还可以根据需要指定其他参数，例如:
  • 颜色指定条形的颜色。您可以设置一种颜色或颜色列表。
  • edgecolor 指定条形边缘的颜色。您可以设置一种颜色或颜色列表。
  • linewidth 指定条形边缘的宽度，如果为 0，则不绘制边缘。
  • tick_label 指定条形的刻度标签。
  • yerr/xerr 指定棒顶端的误差棒。
  • ecolor 指定误差线的线条颜色，默认为“黑色”。
  • 倾覆以磅为单位指定误差线帽的长度，默认为 0.0。
  • log 如果设置为 True，将高度轴的刻度设置为 log。

您可以按照下面提到的一般步骤来创建条形图:

• 导入绘制图形所需的库(numpy 或/和 pandas，用于数据包含或创建或操作，从 matplotlib 导入 pyplot，用于数据可视化等。).
• 定义要可视化的数据(定义 x 和 y 轴值)。
• Plot 命令，使用想要添加到图中的特征(命令的参数)定义图(使用不同颜色条、标签、标题、图例等进行绘制)
• 显示上面定义的图形/曲线图/图表。

举例:

# Importing the required libraries
from matplotlib import pyplot as plt

# Preparing the data to plot
blogs = ['python', 'sqlserver', 'postgresql', 'mongodb', 'sharepoint']
posts = [257, 213, 112, 101, 456]

# Creating a simple bar chart
plt.bar(blogs, posts)

plt.title('The posts in different blogs')
plt.xlabel('blogs', fontsize=15)
plt.ylabel('posts', fontsize=15)
plt.show()

# Creating a bar chart with the parameters
plt.bar(blogs, posts, width=0.7, bottom=50, align='edge')

plt.title('The posts in different blogs')
plt.xlabel('blogs', fontsize=15)
plt.ylabel('posts', fontsize=15)
plt.show()

Matplotlib plot bar chart

阅读:如何安装 matplotlib python

Matplotlib 绘图条形图尺寸

您可以在 python 中使用 matplotlib 指定图表的大小，方法是使用带有参数 figsize 的matplotlib . py plot . figure()函数，该函数可以接受表示图形/图表的宽度和高度的两个值的列表。

举例:

# Importing the required libraries
from matplotlib import pyplot as plt

# Preparing the data to plot
players = ['Cristiano Ronaldo', 'Pele', 'Romario', 'Lionel Messi', 
           'Ferenc Puskas', 'Josef Bican', 'Jimmy Jones', 
           'Gerd Muller', 'Eusebio', 'Joe Bambrick'] 
goals = [783, 765, 753, 748, 729, 720, 647, 634, 622, 616]

# Creating a simple bar chart
plt.bar(players, goals)

plt.title('Top 10 football goal scorers of all time')
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

# Increase the size of the figure (chart)
plt.figure(figsize=[15, 7])

# Creating a bar chart with the parameters
plt.bar(players, goals, width=0.7)

plt.title('Top 10 football goal scorers of all time')
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

Matplotlib plot bar chart size

阅读: Matplotlib 绘制一条线

Matplotlib 绘制不同颜色的条形图

您可以为条形图中的不同条形指定不同的颜色。您可以通过在 matplotlib.pyplot.bar() 函数中指定参数 color 的值来实现，该函数可以接受颜色名称或颜色代码或颜色哈希代码的列表。

您可以手动输入颜色名称列表，也可以使用颜色图使用 matplotlib 中可用的调色板。您可以使用带有位置参数的函数matplotlib . py plot . get _ cmap()来指定 matplotlib 中可用的色彩映射表的名称。

举例:

# Importing the required libraries
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd

# Preparing the data to plot
players = ['Cristiano Ronaldo', 'Pele', 'Romario', 'Lionel Messi', 
           'Ferenc Puskas', 'Josef Bican', 'Jimmy Jones', 
           'Gerd Muller', 'Eusebio', 'Joe Bambrick'] 
goals = [783, 765, 753, 748, 729, 720, 647, 634, 622, 616]

plt.figure(figsize=[15, 7])

# Creating a bar chart with bars of different color
plt.bar(players, goals, width=0.7, edgecolor='blueviolet',
        color=['r', 'y', 'g', 'b', 'c', 'k', 
               'olive', 'gray', 'pink', 'maroon'], linewidth=2)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

# Set colors to the bars using colormaps available in matplotlib

plt.figure(figsize=[15, 7])
col_map = plt.get_cmap('Paired')

# Creating a bar chart with bars of different color using colormap
plt.bar(players, goals, width=0.7, color=col_map.colors, edgecolor='k', 
        linewidth=2)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

Matplotlib plot bar chart with different colors

阅读: Python 情节多行

来自字典的 Matplotlib 绘制条形图

您可以通过从 python 字典中指定类别和高度值来绘制条形图。

举例:

# Preparing the data to plot
data_dict = {'Cristiano Ronaldo': 783, 'Pele': 765, 'Romario': 753,
             'Lionel Messi': 748, 'Ferenc Puskas': 729, 
             'Josef Bican': 720, 'Jimmy Jones': 647, 
             'Gerd Muller': 634, 'Eusebio': 622, 'Joe Bambrick': 616}

print('type: '+str(type(data_dict)), 'size: '+str(len(data_dict)), data_dict, sep='\n')

Python create dictionary

# Importing the required libraries
from matplotlib import pyplot as plt

# Visualizing the data

plt.figure(figsize=[15, 7])
col_map = plt.get_cmap('tab20c')

# Creating a bar chart from a dictionary
plt.bar(data_dict.keys(), data_dict.values(), width=0.7, 
        color=col_map.colors, edgecolor='maroon', linewidth=2)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

Matplotlib plot bar chart from dict

读取 Matplotlib savefig 空白图像

Matplotlib 从数据帧中绘制条形图

您可以通过从数据框的列中指定类别和高度值，从熊猫数据框中绘制条形图。

举例:

在以下示例中，创建了两个数据帧，第一个是普通数据帧，条形图的类别和值作为数据帧的列，第二个是数据帧，索引作为条形图的类别。

# Importing the required libraries
import numpy as np
import pandas as pd

# Preparing the data to plot
players = ['Cristiano Ronaldo', 'Pele', 'Romario', 'Lionel Messi', 
           'Ferenc Puskas', 'Josef Bican', 'Jimmy Jones', 
           'Gerd Muller', 'Eusebio', 'Joe Bambrick'] 
goals = [783, 765, 753, 748, 729, 720, 647, 634, 622, 616]

# Creating a DataFrame from a dictionary
df = pd.DataFrame({'Players': players, 'Goals': goals})
print('type: '+str(type(df)), 'size: '+str(np.shape(df)), df, sep='\n', end='\n\n')

# Another dataframe where index is changed
df2 = df.set_index('Players')
print('type: '+str(type(df2)), 'size: '+str(np.shape(df2)), df2, sep='\n')

Python create DataFrame

# Importing the required libraries
from matplotlib import pyplot as plt

# Visualizing the data in DataFrame df

plt.figure(figsize=[14, 7])
col_map = plt.get_cmap('tab20')

# Creating a bar chart from the DataFrame df
plt.bar(df.Players, df.Goals, width=0.5, color=col_map.colors, 
        edgecolor='maroon', linewidth=2)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

# Visualizing the data in DataFrame df2 where category data is set as index

plt.figure(figsize=[14, 7])
col_map = plt.get_cmap('Paired')

# Creating a bar chart from the DataFrame df2
plt.bar(df2.index, df2.Goals, width=0.5, color=col_map.colors, 
        edgecolor='olive', linewidth=3)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

Matplotlib plot bar chart from dataframe

阅读:什么是 matplotlib 内联

Matplotlib 用数值绘制条形图

您可以通过使用带有两个强制参数(文本和文本在图形上的 x-y 位置)的matplotlib . py plot . annotate()函数，将文本(值)注释到图表/图形中，从而将值添加到条形聊天中。

举例:

# Importing the required libraries

import numpy as np
import pandas as pd

# Preparing the data to plot
players = ['Cristiano Ronaldo', 'Pele', 'Romario', 'Lionel Messi', 
           'Ferenc Puskas', 'Josef Bican', 'Jimmy Jones', 
           'Gerd Muller', 'Eusebio', 'Joe Bambrick'] 
goals = [783, 765, 753, 748, 729, 720, 647, 634, 622, 616]

# Creating a DataFrame from a dictionary
df = pd.DataFrame({'Players': players, 'Goals': goals})
print('type: '+str(type(df)), 'size: '+str(np.shape(df)), df, sep='\n')

Python create dataframe from a dictionary

# Importing the required libraries
from matplotlib import pyplot as plt

# Visualizing the data in DataFrame df with values on the bars

plt.figure(figsize=[14, 7])
col_map = plt.get_cmap('tab20')

# Creating a bar chart from the DataFrame df
pl = plt.bar(df.Players, df.Goals, width=0.5, color=col_map.colors, 
        edgecolor='maroon', linewidth=3)

for bar in pl:
    plt.annotate(bar.get_height(), 
                 xy=(bar.get_x()+0.07, bar.get_height()+10), 
                     fontsize=15)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show()

Matplotlib plot bar chart with values

读取: Matplotlib 日志日志图

带日期的 Matplotlib 绘制条形图

您可以使用 python 中的 matplotlib 从时间序列数据绘制条形图。

首先，您必须通过将日期列转换成日期戳类型来准备时间序列数据。然后将日期列设置为数据帧索引。现在，选择要可视化的数据，然后绘制该数据随时间变化的条形图。

举例:

# Importing the required libraries
import pandas as pd

# Importing the dataset using the pandas into Dataframe
sales_df = pd.read_csv('./Data/Sales_records.csv')
print(sales_df.head(), end='\n\n')

# Converting the Date column into the datestamp type
sales_df['Date'] = pd.to_datetime(sales_df['Date'])

# Sorting the data in ascending order by the date
sales_df = sales_df.sort_values(by='Date')

# Now, setting the Date column as the index of the dataframe
sales_df.set_index('Date', inplace=True)

# Print the new dataframe and its summary
print(sales_df.head(), sales_df.describe(), sep='\n\n')

# Subset dataframe by year 2017
sales2017 = sales_df['2017']
print(sales2017)

Python prepare time series dataframe

# Importing the required libraries
from matplotlib import pyplot as plt

# Visualizing the Total Revenue in Time series DataFrame sales2017
plt.figure(figsize=[15, 9])
col_map = plt.get_cmap('Paired')

# Plotting total revenue throughout 2017 sales in bar chart
pl = plt.bar(sales2017.index, sales2017['Total Revenue'], width=5, 
             color=col_map.colors, edgecolor='maroon', linewidth=2)

# Annotating the heights of the bars at the top of the bars
for bar in pl:
    plt.annotate(bar.get_height(), 
                 xy=(bar.get_x()-4, bar.get_height()+100000), 
                     fontsize=15)

plt.title('Total Revenue generated in 2017', fontsize=20)
plt.xlabel('Date', fontsize=20)
plt.ylabel('Total Revenue', fontsize=20)
plt.xticks(fontsize=14)
plt.yticks(fontsize=18)

plt.show()

Matplotlib plot bar chart with dates

Read: modulenotfounderror:没有名为“matplotlib”的模块

Matplotlib 绘制带误差线的条形图

通过在 matplotlib.pyplot.bar() 函数中指定参数 yerr/xerr 的值，可以使用 python 中的 matplotlib 绘制带有误差线的条形图。

您还可以通过将颜色名称作为参数 ecolor 的值来指定误差线的颜色，以及误差线的翻转。

举例:

# Importing the required libraries

import pandas as pd

# Importing the dataset using the pandas into Dataframe
sales_df = pd.read_csv('./Data/Sales_records.csv')
print(sales_df.head(), end='\n\n')

# Converting the Date column into the datestamp type
sales_df['Date'] = pd.to_datetime(sales_df['Date'])

# Sorting the data in ascending order by the date
sales_df = sales_df.sort_values(by='Date')

# Now, setting the Date column as the index of the dataframe
sales_df.set_index('Date', inplace=True)

# Subset dataframe by year 2017
sales2017 = sales_df['2017']
print(sales2017, end='\n\n')

x = sales2017.columns.values
heights = sales2017.mean().values
errors = sales2017.std().values

print('categories: '+str(x), 'heights: '+str(heights), 'errors: '+str(errors), sep='\n')

Python prepare data from a time series dataframe

# Importing the required libraries
from matplotlib import pyplot as plt

# Visualizing the Total Revenue in DataFrame sales2017 with error bars
plt.figure(figsize=[15, 9])
plt.grid(axis='y', color = 'olive', linestyle = '--')
col_map = plt.get_cmap('tab20b')

# Plotting total revenue throughout 2017 sales in bar chart with error bars
plt.bar(x, heights, width=0.5, color=col_map.colors, edgecolor='y', 
        linewidth=3, yerr=errors, ecolor='k', capsize=10)

plt.title('Total sales description of 2017', fontsize=20)
plt.ylabel('Amount', fontsize=20)
plt.xticks(fontsize=18)
plt.yticks(fontsize=18)

plt.show()

Matplotlib plot bar chart with error bars

读取 Matplotlib 另存为 png

Matplotlib 绘制多个条形图

当您有每个类别的一些子类别的数据时，您可以通过在同一个图表/图形中绘制多个条形图来可视化该数据，其中您可以为所有类别并排绘制同一类别的条形图(代表不同的子类别)。

举例:

# Importing the required libraries

import numpy as np
import pandas as pd

# Preparing the data to plot
authors = ['Millisent Danielut', 'Deborah Tinn', 'Brendin Bracer',
           'Aurel Newvell']
python = [15, 21, 9, 25]
postgreSQL = [7, 5, 24, 11]
mongodb = [23, 17, 21, 15]

# Creating a DataFrame from a dictionary
blogs = pd.DataFrame({'Authors': authors, 'Python': python, 
                      'PostgreSQL': postgreSQL, 'Mongodb': mongodb})
print('type: '+str(type(blogs)), 'size: '+str(np.shape(blogs)), blogs, sep='\n')

Python create dataframe from lists

# Importing the required libraries
from matplotlib import pyplot as plt
import numpy as np

# Visualizing the data with multiple bar chart
plt.figure(figsize=[15, 9])

# Set the width of the bars
wd = 0.3
x_pos = np.arange(1, 2*len(blogs), 2)

# Plotting the multiple bar graphs on the same figure
plt.bar(x_pos, blogs.Python, color='r', width=wd, edgecolor='k',
        label='Python')
plt.bar(x_pos+wd, blogs.PostgreSQL, color='y', width=wd, edgecolor='k', 
        label='PostgeSQL')
plt.bar(x_pos+(wd*2), blogs.Mongodb, color='c', width=wd, 
        edgecolor='k', label='Mongodb')

# Add xticks
plt.xticks(x_pos+wd, blogs.Authors.values, fontsize=15)
plt.yticks(fontsize=15)
plt.title('The blogs posted by Authors', fontsize=20)
plt.xlabel('Authors', fontsize=17)
plt.ylabel('Blogs', fontsize=17)

plt.legend(loc='upper center', fontsize=15)
plt.show()

Matplotlib plot multiple bar graphs

阅读: Matplotlib 最佳拟合线

Matplotlib 绘图堆积条形图

当您有每个类别的一些子类别的数据时，您也可以通过在同一图表/图形中绘制多个条形图来可视化该数据，其中您可以为所有类别一个接一个地绘制同一类别的条形图(代表不同的子类别)。这被称为堆积条形图，因为它就像是堆积每个类别的子类别。

# Importing the required libraries

import numpy as np
import pandas as pd

# Preparing the data to plot
authors = ['Millisent Danielut', 'Deborah Tinn', 'Brendin Bracer',
           'Aurel Newvell']
python = [15, 21, 9, 25]
postgreSQL = [7, 5, 24, 11]
mongodb = [23, 17, 21, 15]

# Creating a DataFrame from a dictionary
blogs = pd.DataFrame({'Authors': authors, 'Python': python, 
                      'PostgreSQL': postgreSQL, 'Mongodb': mongodb})
print('type: '+str(type(blogs)), 'size: '+str(np.shape(blogs)), blogs, sep='\n')

Python prepare dataframe for the stacked bar chart

# Importing the required libraries
from matplotlib import pyplot as plt
import numpy as np

# Visualizing the data with stacked bar chart
plt.figure(figsize=[15, 9])

# Set the width of the bars
wd = 0.4
x_pos = np.arange(len(blogs))

# Plotting the multiple bar graphs on top on other
plt.bar(x_pos, blogs.Python, color='r', width=wd, label='Python')
plt.bar(x_pos, blogs.PostgreSQL, color='y', width=wd, label='PostgeSQL', 
       bottom=blogs.Python)
plt.bar(x_pos, blogs.Mongodb, color='c', width=wd, label='Mongodb', 
       bottom=blogs.Python+blogs.PostgreSQL)

# Add xticks
plt.xticks(x_pos, blogs.Authors.values, fontsize=15)
plt.yticks(fontsize=15)
plt.title('The blogs posted by Authors', fontsize=20)
plt.xlabel('Authors', fontsize=17)
plt.ylabel('Blogs', fontsize=17)

plt.legend(loc='upper left', fontsize=15)
plt.show()

Matplotlib plot stacked bar chart

阅读: Matplotlib 支线剧情教程

Matplotlib 绘制水平条形图

还可以使用 matplotlib python 中的 matplotlib.pyplot.barh() 函数绘制水平条形图。除了高度和宽度之外，其中所有参数与 matplotlib.pyplot.bar() 函数中的参数相同。

这里，位置参数宽度表示类别(条)的值，高度表示条形图中水平条的粗细。

在类别(条形)数量很大的情况下，可以使用水平条形图，垂直条形图无法方便地显示类别。

举例:

# Importing the required libraries
from matplotlib import pyplot as plt

# Preparing the data to plot
players = ['Cristiano Ronaldo', 'Pele', 'Romario', 'Lionel Messi', 
           'Ferenc Puskas', 'Josef Bican', 'Jimmy Jones', 'Gerd Muller',
           'Eusebio', 'Joe Bambrick'] 
goals = [783, 765, 753, 748, 729, 720, 647, 634, 622, 616]

plt.figure(figsize=[7, 7])
col_map = plt.get_cmap('Paired')

# Plotting a simple horizontal bar chart
plt.barh(players, goals, height=0.6, color=col_map.colors, 
         edgecolor='k', linewidth=2)

plt.title('Top 10 football goal scorers of all time', fontsize=15)
plt.xlabel('Players', fontsize=15)
plt.ylabel('Goals', fontsize=15)
plt.show() simple

Matplotlib plot horizontal bar chart

您可能会喜欢以下 Matplotlib 教程:

• Matplotlib 条形图标签
• 在 Python 中添加文本到绘图 matplotlib
• Matplotlib 绘图误差线
• 堆积条形图 Matplotlib

在本 Python 教程中，我们讨论了如何使用 Python 中的 matplotlib 来 绘制条形图，并且我们还讨论了以下主题:

• Matplotlib plot bar chart
• Matplotlib 绘图条形图大小
• 不同颜色的 Matplotlib 绘图条形图
• 来自字典的 Matplotlib 绘制条形图
• Matplotlib 从数据帧绘制条形图
• 带值的 Matplotlib 绘图条形图
• 带日期的 Matplotlib 绘图条形图
• 带误差线的 Matplotlib 绘图条形图
• Matplotlib 绘制多个条形图
• Matplotlib 绘图堆积条形图
• Matplotlib 绘图水平条形图

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

matplotlib plot _ date–完整教程

原文：https://pythonguides.com/matplotlib-plot-date/

在本 Python 教程中，我们将讨论如何在 python 中的 matplotlib 中绘制由日期组成的数据，我们还将涵盖以下主题:

• Matplotlib plot_date
• Matplotlib plot_date line
• Matplotlib plot_date 散点图
• Matplotlib plot_date 多行
• Matplotlib plot_date linestyle
• Matplotlib plot_date color
• Matplotlib plot_date 日期格式
• Matplotlib plot_date 日期转换
• Matplotlib plot _ date 轴上的日期
• Matplotlib plot_date 指定日期的垂直线
• Matplotlib plot_date xticks

目录

• Matplotlib plot_date
• Matplotlib plot_date line
• Matplotlib plot_date 散点图
• Matplotlib plot_date 多行
• Matplotlib plot_date linestyle
  • 绘图 _ 日期线型–实线
  • plot_date 线条样式–虚线点
  • plot_date 线条样式–虚线
  • plot_date 线条样式–虚线
• Matplotlib 绘图 _ 日期颜色
• Matplotlib plot_date 日期格式
  • 日期格式库
  • 数据格式化模块
• Matplotlib plot_date()日期转换
• Matplotlib plot _ date x 轴上的日期
• Matplotlib plot_date 指定日期的垂直线
• matplotlib plot _ date xts

Matplotlib plot_date

matplotlib 库的 pyplot 模块中的 plot_date() 是一个函数。 plot_date() 方法基本用于绘制由日期组成的数据。

语法如下:

matplotlib.pyplot.plot_date(x ,y, fmt='o', tz=None, xdate=True, ydate=False, data=None, **kwargs)

在上面的语法中，使用了下面概述的参数:

• x: 数据点的横坐标。一个类似数组的结构被用来表示这个坐标。如果 xdate 为 True，x 坐标的值将转换为 matplotlib 日期。
• y: 数据点的纵坐标。一个类似数组的结构被用来表示这个坐标。如果 ydate 为 True，x 坐标值将转换为 matplotlib 日期。
• fmt: fmt 是一个最优参数。它有一个字符串结构，即包含字符串值。基本上，它用于定义颜色、线型、标记大小等。
• tz: tz 代表时区。它包含一个时区字符串。基本上是用来标注日期的。默认情况下:“UTC”。
• xdate: xdate 包含布尔值，可选参数。如果 xdate 为 True，x 轴将被描述为 Matplotlib 日期。默认情况下:是。
• ydate: ydate 包含一个布尔值，也是一个可选参数。如果 ydate 为 True，y 轴将显示为 Matplotlib 日期。默认情况下:是。
• kwargs: kwargs 代表关键字参数。它基本上控制了回流线的性质。例如，animated、clip_bx、color 等都是属性的例子。

Return: plot_date() 方法返回一条 2D 线。

让我们做一个例子来理解这个概念:

# Import Libraries

import datetime
import matplotlib.pyplot as plt
from matplotlib.dates import drange
import numpy as np

d1 = datetime.datetime(2021, 7, 2)
d2 = datetime.datetime(2021, 7, 12)
delta = datetime.timedelta(hours = 48)
dates = drange(d1, d2, delta)

y = np.arange(len(dates))

plt.plot_date(dates, y**3)

plt.tick_params(axis='x', which='major', labelsize=6)

plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，首先我们导入了一些重要的库，比如用于日期和时间模块的 datetime 、用于生成图形的 matplotlib 、用于调整初始和最终日期之间的范围的 drange 以及用于数组的 NumPy 。

我们使用 datetime.datetime() 模块设置日期，使用 datetime.timedelta() 模块设置小时，最后使用 drange() 模块设置等距日期。

plot_date() 函数用来绘制包含日期的图形， tick_params() 用来设置 x 轴间距， tight_layout() 模块用来调整绘图。最后。我们使用最后一个方法 show() 来显示绘制的图形。

阅读如何安装 matplotlib python

Matplotlib plot_date line

我们将通过使用 matplotlib 库 pyplot 模块创建一个日期折线图，该模块具有 plot_date() 函数。

其语法如下:

matplotlib.pyplot.plot_date(x, y, linestyle='None')

让我们借助下面的例子来理解创建日期折线图的概念:

# Import Libraries

import matplotlib.pyplot as plt
from datetime import datetime, timedelta

dates = [
    datetime(2021, 10, 21),
    datetime(2021, 10, 22),
    datetime(2021, 7, 24),
    datetime(2021, 10, 25),
    datetime(2021, 10, 26),
]

y = [2, 4, 4.5, 6, 5]

plt.plot_date(dates, y, linestyle = 'dotted')
plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，我们将使用虚线样式来创建一个绘制日期的线图。

然后我们使用 datetime() 模块来输入日期。最后，我们将 y 的日期和值传递给 plot_date() 。

在最后一步中，我们调用一个 show() 方法来显示绘制的日期折线图。

读取 Matplotlib 绘制一条线

Matplotlib plot_date 散点图

我们将使用 matplotlib 库 pyplot 模块创建一个日期散点图，该模块具有 plot_date() 函数。

其语法如下:

matplotlib.pyplot.plot_date(x, y)

注意:如果你没有提到线条样式，默认情况下它总是给出一个散点图。

让我们借助下面的例子来理解创建日期散点图的概念:

# Import Libraries

import matplotlib.pyplot as plt
from datetime import datetime, timedelta
plt.style.use('dark_background')

dates = [
    datetime(2021, 10, 21),
    datetime(2021, 7, 24),
    datetime(2021, 8, 25),
    datetime(2021, 10, 26),
]

y = [2, 4, 4.5, 6]

plt.plot_date(dates, y)
plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，我们将绘制一个散点图来绘制日期。

然后我们使用 datetime() 模块来输入日期。最后，我们将 y 的日期和值传递给 plot_date() 。

在最后一步中，我们调用一个 show() 方法来显示绘制的日期折线图。

阅读 Python 使用 Matplotlib 绘制多行

Matplotlib plot_date 多行

我们将使用 matplotlib 库 pyplot 模块在同一个图中创建多条线来绘制日期，该模块具有 plot_date() 函数。

其语法如下:

matplotlib.pyplot.plot_date(x, y)

让我们借助下面的例子来理解创建日期散点图的概念:

# Import Libraries
import datetime
import matplotlib.pyplot as plt
from matplotlib.dates import drange
import numpy as np

plt.style.use('seaborn')

d1 = datetime.datetime(2021, 7, 2)
d2 = datetime.datetime(2021, 7, 12)
delta = datetime.timedelta(hours = 48)
dates = drange(d1, d2, delta)

y = np.arange(len(dates))

plt.plot_date(dates, y**3, linestyle='dashed')
plt.plot_date(dates, y**5, linestyle='dashed')

plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，我们使用 datetime.datetime() 模块设置日期，使用 datetime.timedelta() 模块设置小时，最后使用 drange() 模块设置等距离日期。

最后，我们将 y 的日期和值传递给 plot_date() 和 show() 方法来显示绘制的日期折线图。

阅读什么是 matplotlib 内联

Matplotlib plot_date linestyle

plot_date() 方法基本上是用来绘制由日期和线条组成的数据，样式指定了所有你可以用来绘制的各种线条。

以下是线型:

• 固体
• 虚线圆点
• 有点的
• 虚线

我们来讨论一些常见的线条样式:

绘图 _ 日期线型–实线

我们来看一个例子，试着理解这个概念:

# Import Libraries

import matplotlib.pyplot as plt
from datetime import datetime, timedelta

dates = [ 
          datetime(2021, 8, 21),
          datetime(2022, 8, 22),
          datetime(2023, 8, 23), 
        ]

y = [0, 1, 2]

plt.plot_date(dates, y, linestyle='solid')

plt.tick_params(axis='x', which='major', labelsize=8)
plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，在 plot_date() 方法中，我们添加了一个参数 linestyle，并将它们的值设置为 solid 或'-' 。

阅读 Matplotlib 绘图条形图

plot_date 线条样式–虚线点

我们来看一个例子，试着理解这个概念:

# Import Libraries

import datetime
import matplotlib.pyplot as plt
from matplotlib.dates import drange
import numpy as np

plt.style.use('seaborn')

d1 = datetime.datetime(2021, 7, 2)
d2 = datetime.datetime(2021, 7, 12)
delta = datetime.timedelta(hours = 48)
dates = drange(d1, d2, delta)

y = np.arange(len(dates))

plt.plot_date(dates, y**3, linestyle='dashdot')

plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，在 plot_date() 方法中，我们添加了一个参数 linestyle，并将它们的值设置为 dashdot 或'-. '。

plot_date 线条样式–虚线

我们来看一个例子，试着理解这个概念:

# Import Libraries
import datetime
import matplotlib.pyplot as plt
from matplotlib.dates import drange
import numpy as np

plt.style.use('seaborn')

d1 = datetime.datetime(2021, 7, 2)
d2 = datetime.datetime(2021, 7, 12)
delta = datetime.timedelta(hours = 48)
dates = drange(d1, d2, delta)

y = np.arange(len(dates))

plt.plot_date(dates, y**3, linestyle=':')

plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，在 plot_date() 方法中，我们添加了一个参数 linestyle，并将它们的值设置为 dotted 或':'。

plot_date 线条样式–虚线

我们来看一个例子，试着理解这个概念:

# Import Libraries

# Import Libraries

import matplotlib.pyplot as plt
from datetime import datetime, timedelta
plt.style.use('dark_background')

dates = [
    datetime(2021, 10, 21),
    datetime(2021, 7, 24),
    datetime(2021, 8, 25),
    datetime(2021, 10, 26),
]

y = [2, 4, 4.5, 6]

plt.plot_date(dates, y, linestyle= 'dashed')
plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，在 plot_date() 方法中，我们添加了一个参数 linestyle，并将其值设置为虚线或'–'。

阅读 Matplotlib 支线剧情教程

Matplotlib 绘图 _ 日期颜色

plot_date() 方法主要用于绘制由日期和参数 color 组成的数据，该参数指定了不同的颜色，我们使用这些颜色来突出显示不同的日期绘制线。

其语法如下:

matplotlib.pyplot.plot_date(x, y, color=None)

matplotlib 中可用的不同颜色如下所示，通过使用这些颜色，您可以轻松区分线条:

• 蓝色:写为‘蓝色’或‘b’。
• 红色:写为‘红色’或‘r’。
• 绿色:写为‘绿色’或‘g’。
• 青色:写为‘青色’或‘c’。
• 洋红色:写为‘洋红色’或‘m’。
• 黄色:写为‘黄色’或‘y’。
• 黑色:写为‘黑色’或‘k’。
• 白色:写为‘白色’或‘w’。

让我们借助下面的例子来理解改变地块线颜色的概念:

# Import Libraries

import matplotlib.pyplot as plt
from datetime import datetime, timedelta
plt.style.use('dark_background')

dates = [
    datetime(2021, 10, 21),
    datetime(2021, 7, 24),
    datetime(2021, 8, 25),
    datetime(2021, 10, 26),
]

y = [0, 1, 2, 3]
y1= [2.5, 3.6, 2.8, 6.4]
y2= [3.6, 5.5, 9.7, 9.6]

plt.plot_date(dates, y, linestyle='dotted', color='red')
plt.plot_date(dates, y1, linestyle='solid', color='green')
plt.plot_date(dates, y2, linestyle='dashed', color='blue')

plt.tick_params(axis='x', which='major', labelsize=8)
plt.tight_layout()
plt.show()

plot_date()

在上面的例子中，我们使用 plot_date() 方法来绘制由日期组成的数据。为了容易区分绘制的线，我们使用颜色参数。

这里我们用三条不同的数据线来绘制日期，我们用三种不同的颜色来代表它们。

读取 Matplotlib 最佳拟合线

Matplotlib plot_date 日期格式

plot_date() 方法用于绘制日期。有时程序员想要定制刻度线的外观，我们称之为标签。因此，matplotlib 提供了更改日期格式的功能。

日期格式库

为了格式化 plot_date() 中的日期，您必须从 matplotlib 导入库日期。

导入库的语法:

from matplotlib import dates as mpl_dates

数据格式化模块

Matplotlib 提供了一个 DateFormatter 模块，通过该模块，您可以根据自己的选择自定义日期的格式。

其语法如下:

DateFormatter('%x %x')

在上面的语法中，每个%x 表示日期的各个部分，如月、日、年。

日期的部分或%x 代表的内容:

• %Y: 大写 Y 代表 4 位数中的年份。
• %y: 小写 y 代表 2 位数中的年份。
• %m: 小写 m 表示月份为数字。
• %b: 小写 b 表示月份作为名称。
• %d: 小写 d 用数字表示日子。

如何在日期:中分离日、月、年

**通常，我们使用分隔符来分隔日期的各个部分，以避免混淆。所以，我们也可以在日期之间添加一个字符作为分隔符。

我们通常使用两种分离器，如下所示:

• 连字符:-
• 斜线 : \

使用分隔符的语法如下:

DateFormatter('%x-%x')

让我们借助一个例子来理解这个概念:

# Import Libraries

import pandas as pd
from datetime import datetime, timedelta
from matplotlib import pyplot as plt
from matplotlib import dates as mpl_dates

dates = [
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
]

y = [ 0, 1, 2, 3]

plt.plot_date(dates, y,)

date_format = mpl_dates.DateFormatter('%m/%d/%Y')
plt.gca().xaxis.set_major_formatter(date_format)

plt.tick_params(axis='x', which='major', labelsize = 7)
plt.show()

plot_date()

在上面的例子中，我们改变了日期的格式:月为一个数字，日为一个数字，年为 4 个数字，并使用斜线分隔符将它们分开。

plt.gca() 方法用于获取当前轴参考。

xaxis . set _ major _ formatter()方法用于设置主要跑马灯格式。

然后我们最终将 date_format 传递给PLT . GCA(). xa six . set _ major _ formatter()方法来对日期进行自定义格式化。

让我们再举一个例子来更清楚地理解这一点:

# Import Libraries

import pandas as pd
from datetime import datetime, timedelta
from matplotlib import pyplot as plt
from matplotlib import dates as mpl_dates

dates = [
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
]

y = [ 0, 1, 2, 3]

plt.plot_date(dates, y,)

date_format = mpl_dates.DateFormatter('%b - %d - %y')
plt.gca().xaxis.set_major_formatter(date_format)

plt.tick_params(axis='x', which='major', labelsize = 6)
plt.show()

plot_date()

在上面的例子中，我们改变了日期的格式:月作为名称，日作为数字，年作为两位数，并使用连字符分隔符将它们分开。

plt.gca() 方法用于获取当前轴参考。

xaxis . set _ major _ formatter()方法用于设置主要跑马灯格式。

然后我们最终将 date_format 传递给PLT . GCA(). xa six . set _ major _ formatter()方法来对日期进行自定义格式化。

读取 Python 字符串以列出

Matplotlib plot_date()日期转换

由于 Matplotlib 将日期表示为浮点值，因此需要进行日期转换。

在 Python 中，日期通常表示为 datetime 对象。所以我们需要将数据转换成日期时间对象

创建日期时间对象的语法如下:

import datetime
date = datetime.datetime(year, month, date, hour, minute, seconds, microseconds)

在上面的语法中，我们首先导入库 datetime ，然后使用方法 datetime.datetime() 并传递参数。

现在您有了一个 datetime 对象，所以是时候将该对象转换成格式为 0001-01-01- 00:00:00 UTC 的浮点数了。

转换功能:

下面列出的函数用于转换，我们在 matplotlib.date() 模块中有这些函数。

• date2num(): date2num()函数将 datetime 对象转换为表示天数的浮点值。此方法使用的格式是小时、分钟和秒。
• num2date(): num2date()函数将表示天数的浮点值转换为 datetime 对象。
• drange(dstart，dend，delta): drange()函数以日期格式返回浮点值的日期范围。其中 start 表示开始日期，send 表示结束日期，delt 表示开始日期和结束日期之间的间隔或时间间隔。

让我们借助一个例子来理解这个概念:

# Import Libraries

import datetime
import matplotlib.pyplot as plt
from matplotlib.dates import drange
import numpy as np

d1 = datetime.datetime(2021, 7, 2)
d2 = datetime.datetime(2021, 7, 12)
delta = datetime.timedelta(hours = 48)
dates = drange(d1, d2, delta)

y = np.arange(len(dates))

plt.plot_date(dates, y**3)

plt.tick_params(axis='x', which='major', labelsize=6)

plt.tight_layout()
plt.show()

plot_date()

在上面的示例中，我们使用 datetime.datetime() 方法创建对象，然后使用 drange() 方法以日期格式获取时间间隔为 48 小时的日期范围。

读取Matplotlib subplots _ adjust

Matplotlib plot _ date x 轴上的日期

在这一节中，我们将讨论如何在 x 轴上绘制日期，以及如何设置它们的格式，以便绘图看起来清晰。

让我们看看下面的例子:

# Import Libraries

import pandas as pd
from datetime import datetime, timedelta
from matplotlib import pyplot as plt
from matplotlib import dates as mpl_dates

dates = [
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
]

y = [ 0, 1, 2, 3]

plt.plot_date(dates, y, linestyle='solid')
plt.show()

plot_date()

在上面的输出中，x 轴代表日期，但是它们看起来很乱，而且相互重叠。

现在，看看克服这个问题的解决方案:

在 matplotlib 中，我们有一个函数 autofmt_xdate()，用于自动格式化 x 轴上的日期。基本上，这种方法是用来旋转日期，并对齐他们的权利。

auto fmt _ xdate()方法的语法如下:

autofmt_xdate(self, bottom=0.2, rotation=30, ha=right, which=None)

在上面的语法中，使用了下面概述的参数:

• 底部:底部调整支线剧情的底部。
• 旋转:旋转旋转 xtick 标签。
• ha: 指定 xtick 标签的水平对齐方式。
• which: 指定要旋转的标签。

让我们借助一个例子来理解这个概念:

# Import Libraries

import pandas as pd
from datetime import datetime, timedelta
from matplotlib import pyplot as plt
from matplotlib import dates as mpl_dates

dates = [
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
]

y = [ 0, 1, 2, 3]

plt.plot_date(dates, y, linestyle='solid')
plt.gcf().autofmt_xdate()
plt.show()

autofmt_xdate()

在上面的例子中，我们在 x 轴上绘制日期，并使用自动格式化日期的方法。

plt.gcf() 方法代表获取当前图形，用于获取当前图形的引用。

autofmt_xdate() 方法用于 x 轴刻度的对齐。

结论！autofmt_xdate() 清晰显示标注日期的图，没有重叠问题，日期清晰可见。

读取 Matplotlib 日志日志图

Matplotlib plot_date 指定日期的垂直线

程序员一生中有一次需要绘制一些由日期组成的数据。绘制天气图、特定时期的出生或死亡人数、年或月的资产负债表等。在所有这些情况下，我们都需要绘制日期。

这些类型的数据大多以 CSV 文件或简单格式存储在 pandas 数据框中。

在指定日期绘制垂直线的语法:

matplotlib.pyplot,axvline(x=0, ymin=0, ymax=1, **kwargs)

在上面的语法中，使用了下面概述的参数:

• x: 在数据坐标中放置垂直线。
• ymin:y 轴上的垂直线起始位置。它取 0 到 1 之间的值。0 代表轴的底部，1 代表轴的顶部。
• ymax:y 轴上的垂直线结束位置。它取 0 到 1 之间的值。0 代表轴的底部，1 代表轴的顶部。
• kwargs: 指定属性来改变线条的样式、颜色、线宽。

让我们借助一个例子来理解这个概念:

# Import Libraries

import pandas as pd
from datetime import datetime, timedelta
from matplotlib import pyplot as plt
from matplotlib import dates as mpl_dates

dates = [
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
]

y = [ 0, 1, 2, 3]

plt.plot_date(dates, y, linestyle='solid')
plt.axvline(x='2019-09-21',color='m', linestyle="--")
plt.gcf().autofmt_xdate()
plt.show()

plot_date()

在上面的例子中，我们使用 axvline() 方法在特定日期画垂直线。

matplotlib plot _ date xts

在本节中，我们将讨论 xticks()函数。首先理解刻度是什么意思，刻度只是用来表示坐标轴上特定点的标记。

基本上，我们有两种分笔成交点主要分笔成交点和次要分笔成交点。

每当我们绘制图形时，plot 采用默认的刻度位置和刻度标签，刻度位置是我们想要放置刻度的位置，标签是给予该刻度的名称。

默认情况下，次要刻度处于关闭状态，因此我们在图中看不到次要刻度。但是我们可以看到主要的记号，它可以采用位置和标签的默认值。

什么是 xticks()方法:

xticks()方法有助于更改 x 轴的刻度位置和刻度标签。

其语法如下:

matplotlib.pyplot.xticks(ticks=None,labels=None, **kwargs)

在上面的语法中，使用了下面概述的参数:

• ticks: 指定 xtick 位置的数组列表。
• 标签:指定放置在给定刻度位置的标签的数组列表。
• kwargs: 指定额外的属性来控制 x 轴上标签的外观。

返回:

• 地点:地点列表
• 标签:列表中的文本对象

让我们借助一个例子来理解这个概念:

# Import Libraries

import pandas as pd
from datetime import datetime, timedelta
from matplotlib import pyplot as plt
from matplotlib import dates as mpl_dates

dates = [
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
          datetime(2021, 10, 21),
          datetime(2021, 7, 24),
          datetime(2021, 8, 25),
          datetime(2021, 10, 26),
]

y = [ 0, 1, 2, 3, 5, 4, 3, 6]

plt.plot_date(dates, y, linestyle='solid')
plt.gcf().autofmt_xdate()
plt.xticks(x=['2021-08-15','2021-10-26'], color='r') 

plot_date() without xticks()

上面的输出没有 xticks()方法。

plot_date()

上面的输出是用 xticks()方法得到的。

在上面的示例中，我们使用 xticks() 方法来更改 x 轴的刻度位置和刻度标签，并将其颜色更改为红色。

相关帖子:

• Python Tkinter 事件
• Django for loop
• Matplotlib 散点图标记
• Matplotlib 虚线
• Python 字典复制示例
• Python Tkinter 动画
• Python Django group by

在本 Python 教程中，我们已经讨论了 "Matplotlib plot_date" ，并且我们还介绍了一些与之相关的例子。我们在本教程中讨论了以下主题。

• Matplotlib plot_date
• Matplotlib plot_date line
• Matplotlib plot_date 散点图
• Matplotlib plot_date 多行
• Matplotlib plot_date linestyle
• Matplotlib plot_date color
• Matplotlib plot_date 日期格式
• Matplotlib plot_date 日期转换
• Matplotlib plot _ date 轴上的日期
• Matplotlib plot_date 指定日期的垂直线
• Matplotlib plot_date xticks

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/**

Matplotlib 绘图误差线

原文：https://pythonguides.com/matplotlib-plot-error-bars/

在本 python 教程中，我们将讨论 Python 中的 Matplotlib 绘图误差条。在这里，我们将介绍使用 matplotlib 与误差线相关的不同示例。我们还将讨论以下主题:

• Matplotlib 绘图误差线
• Matplotlib 绘图误差线示例
• Matplotlib 交互式绘图误差线
• Matplotlib 图表误差线
• Matplotlib 散点图误差线
• Matplotlib plot_date 误差线
• Matplotlib 仅绘制误差线
• Matplotlib 图误差线对称
• Matplotlib 图误差线不对称
• Matplotlib 极坐标图误差线

目录

• Matplotlib 绘图误差线
• Matplotlib 绘图误差线示例
• Matplotlib 绘制交互误差线
• Matplotlib 图表误差线
  • Matplotlib 图表中 x 值的误差线
  • Matplotlib 图表中 y 值的误差线
  • Matplotlib 图表中 x 和 y 值的误差线
• Matplotlib 散点图误差线
  • Matplotlib 散点图 x 值误差线
  • Matplotlib 散点图 y 值误差线
  • Matplotlib 散点图 x 和 y 值的误差线
• Matplotlib plot_date 误差线
  • Matplotlib plot _ date x 值误差线
  • Matplotlib plot _ date y 值误差线
  • Matplotlib plot _ date x 和 y 值的误差线
• Matplotlib 仅绘制误差线
• Matplotlib 绘图误差条对称
• Matplotlib 绘图误差线不对称
• Matplotlib 极坐标图误差线

Matplotlib 绘图误差线

在本节中，我们将了解误差线。在开始误差线之前，我们首先了解误差意味着什么。

误差是一个错误，或者我们可以说是计算值和实际值之间差异。

当我们用图形表示数据时，有些数据具有不规则性。为了表示这些不规则性或不确定性，我们使用误差棒。

基本上，误差线用于表示图形中的误差。

以下步骤用于在 matplotlib 中绘制误差线，概述如下:

• 定义库:导入绘制误差线所需的库(用于数据创建和操作:Numpy，用于数据可视化:来自 matplotlib 的 pyplot)。
• 定义 X 和 Y: 定义用于绘图的数据值。x 轴和 y 轴的数据值。
• 绘制误差线:通过使用 errorbar() 方法，我们可以绘制误差线。
• 显示:最后我们要使用 show() 方法来显示剧情。

绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt='', ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplimes=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, * , data=None, **kwargs)

上述使用的参数概述如下:

• x: 指定数据点的水平坐标。
• y: 指定数据点的垂直坐标。
• xerr: 定义水平误差线尺寸。必须具有浮点或类似数组的形状。
• yerr: 定义垂直误差线尺寸。必须具有浮点或类似数组的形状。
• fmt: 包含字符串值。默认情况下，这将使用标记绘制误差线。使用“无”绘制不带标记的误差线。
• ecolor: 指定误差线的颜色。
• elinewidth: 指定误差线的线宽。
• 翻转:指定误差线的长度，以点或浮点为单位。
• capthick: 指定以浮点或磅为单位的误差线宽度。
• barsabove: 包含 bool 值。默认情况下，值为 False，如果值为 True，则在绘图符号上方绘制误差线。
• lolims，uplims，xlolims，xuplims: 指定值仅给出上限和下限。它包含布尔值。
• errorevery: 包含整数值，用于在数据子集上绘制误差线。

先学习“如何安装 matplotlib python ”。

Matplotlib 绘图误差线示例

在上面几节中，我们讨论了误差和误差线的含义。我们还讨论了绘制误差线的各个步骤。

下面我们通过一个例子来理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [1, 2, 3, 5]
y= [9, 15, 20, 25]

**# Plot error bar** 
plt.errorbar(x, y, xerr = 0.9)

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 然后我们定义 x 轴和 y 轴数据点。
• plt.errorbar() 方法用于绘制误差线，我们传递参数 x，y，和 xerr ，并设置 xerr 的值= 0.9 。
• 然后我们使用 plt.show() 方法显示误差棒图。

plt.errorbar()

阅读: Matplotlib 绘制一条线

Matplotlib 绘制交互误差线

这里我们格式化误差线，或者我们可以说根据我们的选择定制误差线，使我们的误差线更具交互性。

让我们更改误差栏中的以下内容，使其更具交互性:

• fmt: 改变标记的样式。设置为圆形。
• 颜色:改变标记的颜色。设置为橙色。
• ecolor: 改变误差线的颜色。设置为浅绿色。
• elinewidth: 改变误差线的线宽。设置为 5。
• 倾覆:改变误差棒的倾覆。设置为 10。

借助例子理解概念:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data**

x= [1, 2, 3, 5]
y= [9, 15, 20, 25]

**# Plot error bar**

plt.errorbar(x, y, xerr = 0.9, fmt = 'o',color = 'orange', 
            ecolor = 'lightgreen', elinewidth = 5, capsize=10)

**# Display graph**

plt.show()

• 在上面的例子中，我们绘制了误差线，并根据上面提到的列表对它们进行了格式化。
• 我们使用 plt.errorbar() 方法绘制误差线，使其更具交互性。

plt.errorbar()

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib 图表误差线

在本节中，我们将使用 Matplotlib 创建一个带有误差线的图表。我们使用 plt.errorbar() 方法在条形图中绘制误差线。

下面是我们在条形图中绘制误差线的情况:

• x 值的误差
• y 值的误差
• x 和 y 值都有误差

Matplotlib 图表中 x 值的误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 xerr 来绘制 x 值上的误差。

其语法为:

matplotlib.pyplot.errorbar(x, y, xerr=None)

让我们借助一个例子来理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [6, 15, 2.3, 9]
y= [9, 15, 20, 25]

**# Define Error**

x_error = [2.3, 5.1, 1, 3.1]

**# Plot Bar chart**

plt.bar(x,y)

**# Plot error bar**

plt.errorbar(x, y, xerr = x_error,fmt='o',ecolor = 'red',color='yellow')

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库，并定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，使用 plt.bar() 方法绘制条形图。
• plt.errorbar() 方法用于绘制误差线，我们将 xerr 作为参数传递，并将其值设置为我们定义的 x_error 值。

plt.errorbar(xerr=None)

Matplotlib 图表中 y 值的误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 yerr 来绘制 y 值上的误差。

在 y 值上绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, yerr=None)

为了更好的理解，我们举个例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 
x= [6, 15, 2.3, 9]
y= [9, 15, 20, 25]

**# Define Error**

y_error = [2.3, 5.1, 1, 3.1]

**# Plot Bar chart**

plt.bar(x,y)

**# Plot error bar**

plt.errorbar(x, y, yerr = y_error,fmt='o',ecolor = 'red',color='yellow')

**# Display graph** 
plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库
• 这之后定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，并使用 plt.bar() 方法绘制条形图，并使用 plt.errorbar() 方法绘制误差条。
• 将 yerr 作为参数传递，并将其值设置为等于我们定义的 y_error 值。

plt.errorbar(yerr=None)

Matplotlib 图表中 x 和 y 值的误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 xeer 和 yerr 来分别绘制 x 和 y 值上的误差。

在两个值上绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, xerr=None, yerr=None)

让我们举一个例子来了解如何在两个值上绘制误差线:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 
x= [6, 15, 2.3, 9]
y= [9, 15, 20, 25]

**# Define Error**

x_error = [4.2, 6, 10, 8.6]
y_error = [2.3, 5.1, 1, 3.1]

**# Plot Bar chart**

plt.bar(x,y)

**# Plot error bar**

plt.errorbar(x, y, xerr = x_error, yerr = y_error,
             fmt='o', ecolor = 'red',color='yellow')

**# Display graph** 

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库
• 这之后定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，并使用 plt.bar() 方法绘制条形图，并使用 plt.errorbar() 方法绘制误差条。
• 传递 xeer ， yerr 作为参数，并将其值分别设置为等于我们定义的 x_error ， y_error 值。

plt.errorbar(xerr=None,yerr=None)

阅读:什么是 matplotlib 内联

Matplotlib 散点图误差线

在本节中，我们将使用 Matplotlib 创建一个带有误差线的散点图。我们使用 plt.errorbar() 方法在散点图中绘制误差线。

以下是我们在散点图中绘制误差线的情况:

• x 值的误差
• y 值的误差
• x 和 y 值都有误差

Matplotlib 散点图 x 值误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 xerr 来绘制散点图中 x 值的误差。

其语法为:

matplotlib.pyplot.errorbar(x, y, xerr=None)

让我们借助一个例子来理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [10, 20, 30, 40]
y= [4, 8, 12, 16]

**# Define Error**

x_error = [2, 4, 6, 8]

**# Plot scatter plot**

plt.scatter(x,y)

**# Plot error bar**

plt.errorbar(x, y, xerr = x_error,fmt='o',ecolor = 'cyan',color='black')

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库，并定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，用 plt.scatter() 方法画散点图。
• plt.errorbar() 方法用于绘制误差线，我们将 xerr 作为参数传递，并将其值设置为我们定义的 x_error 值。

plt.errorbar(xerr=None)

Matplotlib 散点图 y 值误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 yerr 来绘制散点图中 y 值的误差。

在 y 值上绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, yerr=None)

为了更好的理解，我们举个例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [10, 20, 30, 40]
y= [4, 8, 12, 16]

**# Define Error**
y_error = [2, 4, 6, 8]

**# Plot Scatter Plot**

plt.scatter(x,y)

**# Plot error bar**

plt.errorbar(x, y, yerr = y_error,fmt='o',ecolor = 'cyan',color='black')

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库
• 这之后定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，并使用 plt.scatter() 方法绘制散点图，并使用 plt.errorbar() 方法绘制误差线。
• 将 yerr 作为参数传递，并将其值设置为等于我们定义的 y_error 值。

plt.errorbar(yerr=None)

Matplotlib 散点图 x 和 y 值的误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 xeer 和 yerr 来分别绘制 x 和 y 值上的误差。

在两个值上绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, xerr=None, yerr=None)

让我们举一个例子来了解如何在两个值上绘制误差线:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 

x= [10, 20, 30, 40]
y= [4, 8, 12, 16]

**# Define Error**

x_error= [3, 6, 9, 12]
y_error = [2, 4, 6, 8]

**# Plot Scatter Plot**

plt.scatter(x,y)

**#Plot error bar**

plt.errorbar(x, y, xerr= x_error, yerr = y_error,fmt='o',ecolor = 'cyan',color='black')

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库
• 这之后定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，并使用 plt.scatter() 方法绘制散点图，并使用 plt.errorbar() 方法绘制误差线。
• 传递 xeer ， yerr 作为参数，并将其值设置为等于我们定义的 x_error ， y_error 值。

plt.errorbar(xerr=None, yerr=None)

阅读: Matplotlib 绘图条形图

Matplotlib plot_date 误差线

在本节中，我们将使用 Matplotlib 创建一个带有误差线的日期图。我们使用 plt.errorbar() 方法来绘制误差线。

以下是我们在日期图中绘制误差线的情况:

• x 值的误差
• y 值的误差
• x 和 y 值都有误差

Matplotlib plot _ date x 值误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 xerr 来绘制日期图中 x 值的误差。

其语法为:

matplotlib.pyplot.errorbar(x, y, xerr=None)

让我们借助一个例子来理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [1, 2, 3]
y= [1.5, 2, 2.5]

**# Define Error**

x_error= 1.5

**# Plot Date**

plt.plot_date(x,y)

**#Plot error bar**

plt.errorbar(x, y, xerr= x_error, fmt='o',
             ecolor = 'lightblue',color='m')

**# Display graph** 
plt.tight_layout()

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库，并定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，并使用 plt.plot_date() 方法绘制一个包含日期的图。
• plt.errorbar() 方法用于绘制误差线，我们将 xerr 作为参数传递，并将其值设置为我们定义的 x_error 值。

plt.errorbar(xerr=None)

阅读: Matplotlib 支线剧情教程

Matplotlib plot _ date y 值误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 yerr 来绘制日期图中 y 值的误差。

在 y 值上绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, yerr=None)

为了更好的理解，我们举个例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 

x= [1, 2, 3]
y= [0.5, 0.8, 1]

**# Define Error** 

y_error= 0.1

**# Plot Date**

plt.plot_date(x,y)

**# Plot error bar**

plt.errorbar(x, y, yerr= y_error, fmt='o',
             ecolor = 'lightblue',color='m')

**# Display graph**

plt.tick_params(axis='x', which='major', labelsize=8)

plt.tight_layout()

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库
• 这之后定义了 x 轴和 y 轴上的数据点。
• 然后，我们定义误差值，并使用 plt.plot_date() 方法绘制由日期组成的图形，并使用 plt.errorbar() 方法绘制误差线。
• 将 yerr 作为参数传递，并将其值设置为等于我们定义的 y_error 值。

plt.errorbar(yerr=None)

Matplotlib plot _ date x 和 y 值的误差线

通过使用 plt.errorbar() 方法，我们绘制误差线，并传递参数 xeer 和 yerr 来分别绘制日期图中 x 和 y 值的误差。

在两个值上绘制误差线的语法如下:

matplotlib.pyplot.errorbar(x, y, xerr=None, yerr=None)

让我们举一个例子来了解如何在日期图中绘制两个数值的误差线:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [1,2,3]
y= [1.5, 2, 2.5]

**# Define Error** 

x_error= 1.5
y_error = 2.3

**# Plot Date**

plt.plot_date(x,y)

**# Plot error bar** 

plt.errorbar(x, y, xerr= x_error, yerr = y_error,fmt='o',ecolor = 'lightblue',color='m')

**# Display graph**

plt.tight_layout()

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库
• 这之后定义了 x 轴和 y 轴上的数据点。
• 然后我们定义误差值，并使用 plt.plot_date() 方法绘制日期，使用 plt.errorbar() 方法绘制误差线。
• 传递 xeer ， yerr 作为参数，并将其值设置为等于我们定义的 x_error ， y_error 值。

plt.errorbar(xerr=None,yerr=None)

阅读: Matplotlib 最佳拟合线

Matplotlib 仅绘制误差线

在这里，我们学习如何只绘制误差线。

绘制误差线的语法是:

matplotlib.pyplot.errorbar(x,y,xerr=None,yerr=None)

上面使用的参数是:

• x: 数据点的横坐标。
• y: 数据点的纵坐标。
• xerr: 定义水平误差线尺寸。必须具有浮点或类似数组的形状。
• yerr: 定义垂直误差线尺寸。必须具有浮点或类似数组的形状。

让我们以仅创建误差线为例:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [1, 2, 3]
y= [1.5, 2, 2.5]

**# Define Error**

x_error = 0.2
y_error = 0.5

**#Plot error bar**

plt.errorbar(x, y, xerr= x_error, yerr = y_error,fmt='o',
             ecolor = 'pink',color='blue')

**# Display graph**

plt.show()

在上面的例子中，我们定义了数据和误差值，并通过使用 errorbar() 方法绘制了唯一的误差条形图。

plt.errorbar()

阅读: Matplotlib 支线剧情 _adjust

Matplotlib 绘图误差条对称

这里我们了解什么是对称误差线。误差是常数值，我们以数组的形式表示误差值。

有时，我们会遇到这样的情况，每个点的误差不同，但误差的上下限值相等。这种情况被称为对称误差线。

在对称情况下，数组的**形状为: (N，)**

让我们看看对称误差线的例子:

**# Import library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 
x = np.arange(2, 16, 1.5)
y = np.exp(x*2)

**# Define Data**

error = 0.1 * x

**# Plot error**

plt.errorbar(x, y, yerr=error, fmt='-o')

**# Display Graph**

plt.show()

• 在上面的例子中，我们使用 NumPy arrange() 方法和 exp() 方法定义数据。之后，我们以 (N，)的形式定义误差值。
• 通过使用 plt.errorbar() 方法，我们绘制了对称误差线。

Shape(N,) Symmetric in Nature

读取: Matplotlib 日志日志图

Matplotlib 绘图误差线不对称

这里我们了解了什么是不对称误差线。误差是常数值，它们以数组的形式表示。

有时，我们会遇到这样的情况，每个点的误差都不同，但误差的下限和上限不相等，或者在性质上不同。这种情况被称为不对称误差棒。

在非对称情况下，数组的形状为: (2，N) 。

让我们看看不对称误差线的例子:

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(2, 16, 1.5)
y = np.exp(x*2)

**# Define errors**

error = 0.1 * x

**# Lower limit of error**

lower_error = 0.6 * error

**# Upper limit of error** 
upper_error = error

**# plot error bars**

asymmetric_error = [lower_error, upper_error]
plt.errorbar(x, y, xerr=asymmetric_error, fmt='o')

**# Display Graph**

plt.show()

在上面的例子中，我们定义了下限和上限的不同误差值。通过使用 plt.errorbar() 方法，我们绘制了非对称性质的误差线。

Shape(2,N) Asymmetric in Nature

阅读: Matplotlib plot_date

Matplotlib 极坐标图误差线

使用极坐标绘制笛卡尔坐标系。 plt.polar() 方法用于绘制极坐标。

绘制极坐标图的语法如下:

matplotlib.pyplot.polar(r, theta)

上面使用的参数是:

• r: 指定离原点的距离。
• θ:指定从原点开始测量距离的角度。

让我们来看一个在极坐标中绘制误差线的例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

r= np.arange(0, 4, 0.5)
theta= 2*np.pi*r

**# Define Error**

x_error = 0.2
y_error = 5

**# Plot polar coordinates**

plt.polar(r,theta,"ro")

**# Plot error bar**

plt.errorbar(r, theta, xerr = x_error, yerr= y_error,                           color='black')    

**# Display graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib 和 numpy 库。
• 之后，我们定义了' r' 和'θ，即距离和角度。
• 然后，我们使用 plt.polar() 方法绘制极坐标，并使用 plt.errorbar() 方法在极坐标图中绘制误差线。
• 最后，我们显示 plt.show() 方法来显示极坐标图。

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 虚线
• Matplotlib 散点图标记
• Matplotlib 改变背景颜色
• Matplotlib 旋转刻度标签
• Matplotlib 移除刻度标签

在本 Python 教程中，我们已经讨论了“ Matplotlib 绘图误差线”，并且我们还介绍了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 绘图误差线
• Matplotlib 绘图误差线示例
• Matplotlib 交互式绘图误差线
• Matplotlib 图表误差线
• Matplotlib 散点图误差线
• Matplotlib plot_date 误差线
• Matplotlib 仅绘制误差线
• Matplotlib 图误差线对称
• Matplotlib 图误差线不对称
• Matplotlib 极坐标图误差线

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib Plot NumPy Array

原文：https://pythonguides.com/matplotlib-plot-numpy-array/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 中的 Matplotlib plot numpy 数组。在这里，我们将涵盖与使用 matplotlib 绘制 numpy 数组相关的不同示例。我们还将讨论以下主题:

• Matplotlib plot numpy array
• 将 numpy 数组绘制成直线
• Matplotlib 散点图数字数组
• Matplotlib 从 numpy 数组中绘制多行
• Python 将 numpy 数组绘制为热图
• Matplotlib 将 numpy 数组绘制为图像
• Matplotlib 保存绘图到 numpy 数组
• Matplotlib plot numpy 数组 2d
• Matplotlib plot numpy 数组 3d
• Matplotlib 绘图数字矩阵
• Matplotlib 绘图 numpy 数组列

目录

• Matplotlib plot numpy 数组
• Matplotlib 将 numpy 数组绘制为线
• Matplotlib 散点图 numpy 数组
• Matplotlib 从 numpy 数组中绘制多行
• Python 将 numpy 数组绘制为热图
  • 使用 matplotlib imshow()函数
  • 使用 matplotlib pcolormesh()函数
  • 使用 seaborn heatmap()函数
• Matplotlib 将 numpy 数组绘制为图像
• Matplotlib 将绘图保存到 numpy 数组
• Matplotlib plot numpy 数组 2d
• Matplotlib plot numpy 数组 3d
• Matplotlib 打印数字矩阵
• Matplotlibb plot numpy 数组列

Matplotlib plot numpy 数组

在 Python 中， matplotlib 是一个绘图库。我们可以将它与 Python 的库一起使用。NumPy 代表数字 Python ，用于处理数组。

**以下是绘制 numpy 数组的步骤:**

• 定义库:导入所需的库，如用于数据可视化的 matplotlib.pyplot 和用于创建 numpy 数组的 numpy 。
• 定义数据:定义用于绘图的 x 轴和 y 轴数据坐标。
• 绘制图表:通过使用 matplotlib 库的 plot() ， scatter() 方法我们可以绘制图表。
• 可视化绘图:通过使用 show() 方法，用户可以在他们的屏幕上生成一个绘图。

我们来看一个例子:

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt

**# Data Cooedinates**

x = np.arange(5, 10) 
y = np.arange(12, 17)

**# PLot**

plt.plot(x,y) 

**# Add Title**

plt.title("Matplotlib PLot NumPy Array") 

**# Add Axes Labels** 
plt.xlabel("x axis") 
plt.ylabel("y axis") 

**# Display**

plt.show()

说明:

• 导入所需的库，如 matplotlib.pyplot 和 numpy 。
• 之后，我们使用 numpy 的 np.arange() 函数定义数据坐标。
• 要绘制图形，请使用 matplotlib 的 plot() 函数。
• 然后我们使用 title() 、 xlabel() 和 ylabel() 方法，在绘图的轴上添加 title 和标签。

输出:

np.arange()

另外，检查: Matplotlib set_xticks

Matplotlib 将 numpy 数组绘制为线

我们将学习使用 numpy 函数创建一个线图。为此，我们使用 np.arange() 函数，该函数从区间中返回等距值。

我们来看一个例子:

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt

**# Data Coordinates**

x = np.arange(2, 8) 
y = np.array([5, 8, 6, 20, 18, 30])

**# PLot**

plt.plot(x, y, linestyle='--') 

**# Add Title**

plt.title("Matplotlib Plot NumPy Array As Line") 

**# Add Axes Labels** 
plt.xlabel("x axis") 
plt.ylabel("y axis") 

**# Display**

plt.show()

• 在这个例子中，为了定义数据坐标，我们使用 numpy 的 arange() 和 array() 方法。
• 为了绘制线图，使用 plot() 方法，我们还将 linestyle 参数传递给该方法，以更改线条的样式。
• 要给绘图添加标题，使用 title() 函数。
• 要在绘图的 x 轴和 y 轴上添加标签，请使用 xlabel() 和 ylabel() 方法。

plt.plot(linestyle=’–‘)

Read: Matplotlib set_xticklabels

Matplotlib 散点图 numpy 数组

我们将学习使用 numpy 函数创建散点图。

我们来看一个例子:

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt

**# Data Coordinates** 
x = np.arange(2, 8) 
y = x * 2 + 6

**# Plot**

plt.scatter(x, y) 

**# Add Title**

plt.title("Matplotlib Scatter Plot NumPy Array") 

**# Add Axes Labels** 
plt.xlabel("x axis") 
plt.ylabel("y axis") 

**# Display**

plt.show()

• 在上面的例子中，我们使用 np.arange() 函数在 x 轴上创建一个 n array，在 y 轴上，我们使用等式创建一个 n array。
• 要绘制散点图，请使用 scatter() 方法。

plt.scatter()

读取: Matplotlib fill_between

Matplotlib 从 numpy 数组中绘制多行

我们将学习从 numpy 数组中绘制多条线。

举例:

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt

**# Data Coordinates**

x = np.arange(2, 8) 
y1 = x * 3
y2 = np.array([5, 2.6, 4, 15, 20, 6])

**# PLot**

plt.plot(x, y1) 
plt.plot(x, y2)

**# Add Title**

plt.title("Matplotlib Multiple Line Plot From NumPy Array") 

**# Add Axes Labels**

plt.xlabel("x axis") 
plt.ylabel("y axis") 

**# Display** 
plt.show()

输出:

Multiple Line

• 在上面的例子中，我们定义了 x 、 y1 和 y2 数据坐标。
• 在此之后，我们使用 matplotlib 的 plot() 方法绘制了 (x，y1) 和 (x，y2) 之间的图形。

阅读:Matplotlib set _ yticklabels

Python 将 numpy 数组绘制为热图

热图是一种数据可视化图形技术，在这种技术中，我们使用颜色来表示数据，以可视化矩阵的值。热图也称为阴影矩阵。

将热图绘制成 numpy 数组有多种方式:

• 使用 matplotlib imshow()函数
• 使用 matplotlib pcolormesh()函数
• 使用 seaborn heatmap()函数

使用 matplotlib imshow()函数

matplotlib 的 imshow() 函数用于将数据显示为图像。

以下是语法:

matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None,
                         interpolation=None, alpha=None,  
                         vmin=None, vmax=None, origin=None, 
                         extent=None, shape=, filternorm=1, 
                         filterrad=4.0, imlim=, resample=None,
                         url=None, \* , data=None, \*\*kwargs) 

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(100).reshape((10,10)) 

**# Heat map**

plt.imshow( x, cmap = 'rainbow' , interpolation = 'bilinear')

**# Add Title**

plt.title( "Heat Map" )

**# Display**

plt.show()

• 这里我们使用 numpy 的 arange() 方法来定义数据坐标。
• 之后，我们使用 imshow() 函数来绘制热图。我们通过 x 参数来表示图像的数据， cmap 参数是 colormap 实例，插值参数用于显示图像。

plt.imshow()

使用 matplotlib pcolormesh()函数

pcolormesh() 函数用于创建带有不规则矩形网格的伪彩色图。

以下是语法:

matplotlib.pyplot.pcolormesh(*args, alpha=None, norm=None,
                             cmap=None, vmin=None, vmax=None,
                             shading='flat', antialiased=False,
                             data=None, **kwargs)

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 
x = np.arange(10000).reshape((100,100)) 

**# Heat map**

plt.pcolormesh( x, cmap = 'coolwarm')

**# Add Title**

plt.title( "Heat Map" )

**# Display** 
plt.show()

plt.pcolormesh()

使用 seaborn heatmap()函数

heatmap() 函数用于将矩形数据绘制成颜色矩阵。

以下是语法:

seaborn.heatmap(data, *, vmin=None, vmax=None, cmap=None, 
                center=None, annot_kws=None, linewidths=0, 
                linecolor='white', cbar=True, **kwargs)

举例:

**# Import Library** 
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

**# Define Data Coordinates** 
x = np.arange(15**2).reshape((15, 15))

**# HeatMap** 
sns.heatmap( x , linewidth = 0.5 , cmap = 'Dark2' )

**# Add Title** 
plt.title( "Heat Map" )

**# Display**

plt.show()

• 在上面的例子中，我们导入了 numpy 、 matplotlib.pyplot 和 seaborn 库。
• 之后，我们使用 numpy 的 arange() 方法定义数据坐标，并使用shape()方法对其进行整形。
• 然后我们使用 seaborn 的 heatmap() 函数。
• 要给绘图添加标题，使用 title() 函数。

sns.heatmap()

阅读: Matplotlib tight_layout

Matplotlib 将 numpy 数组绘制为图像

我们将学习把 numpy 数组绘制成图像。我们使用matplotlib . py plot . im show()函数将 numpy 数组转换为图像。

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.array([[[0, 0, 128], [255, 255, 0], [128, 0, 0]],
             [[0, 255, 0], [0, 0, 255], [255, 0, 255]]])

**# Image**

plt.imshow(x)

**# Display**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 接下来，我们定义一个 RGB 颜色代码数组。
• 然后我们使用 imshow() 函数将数组保存为图像。

plt.imshow()

阅读:Python Matplotlib tick _ params

Matplotlib 将绘图保存到 numpy 数组

我们将学习绘制 numpy 数组。使用 matplotlib pyplot 模块的 savefig() 函数保存图形。

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.array([1, 2.5, 8, 4.3, 6])

**# Plot**

plt.plot(x)

**# Save** 

plt.savefig('NumPy Array.png')

**# Display**

plt.show()

• 这里我们使用 numpy 的 array() 方法定义数据坐标，并使用 plot() 方法绘制数据 we。
• 为了将绘图保存为 png 图像，我们使用了 savefig() 方法。

savefig()

读取: Matplotlib x 轴标签

Matplotlib plot numpy 数组 2d

我们将学习使用 matplotlib 的 pyplot 模块的 plot() 方法绘制 2d numpy 数组。

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.array([[2, 4, 6], [6, 8, 10]])
y = np.array([[8, 10, 12], [14, 16, 18]])

**# Plot**

plt.plot(x, y)

**# Display**

plt.show()

• 这里我们创建 2d 数组来定义数据坐标 x 和 y。
• 要绘制 2D 数字数组，请使用 plot() 方法。

2D NumPy Array

阅读: Matplotlib 多条形图

Matplotlib plot numpy 数组 3d

我们将学习使用 matplotlib 的轴模块的散点图方法绘制 3d numpy 数组。我们还使用 3d 投影来创建 3d 绘图。

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplot**

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

**# Define Data**

x = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
y = np.array([[[1, 2, 3], [4, 5, 6]], [[8, 10, 12], [4, 5, 6]]])
z = np.array([[[5, 6, 9], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])

**# Plot**

ax.scatter(x, y, z, color='red')

**# Display**

plt.show()

以下是从 3D numpy 数组建立 3D 出图的步骤:

• 先导入库，比如 numpy 和 matplotlib.pyplot
• 使用图()方法创建一个新的。
• 使用 add_subplot() 方法给图形添加一个轴。
• 使用 numpy 的 array() 方法创建一个 3D numpy 数组。
• 使用散点()方法绘制 3D 图。
• 要显示绘图，使用 show() 方法。

3D NumPy Array

阅读: Matplotlib 散点图图例

Matplotlib 打印数字矩阵

我们将学习绘制一个 numpy 矩阵。Numpy 矩阵是严格的二维矩阵。为了将数组显示为矩阵，我们使用 matplotlib 的 pyplot 模块的 matshow() 方法。

例#1

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Function**

def mat (dim):
    x = np.zeros(dim)
    for i in range(max(dim)):
        x[i, i] = -i 
    return x

**# Display matrix**

plt.matshow(mat((20,20)))

**# Display**

plt.show()

• 首先，我们导入 matplotlib.pyplot 和 numpy 库。
• 接下来，我们创建一个函数来生成一个带有零点的矩阵，并减少它的对角元素。
• 然后我们使用 matshow() 方法，将一个数组显示为一个矩阵。

plt.matshow()

例 2

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

a = np.mat('4 3; 2 1')
b = np.mat('1 2; 3 4')
c= a + b

**# Plot**

plt.plot(a, b, color='red')
plt.plot(a, c, color='m')

**# Display**

plt.show()

• 这里我们使用 mat() 函数将给定的输入解释为一个矩阵。
• 我们还执行两个矩阵的加法运算。
• 然后我们使用 plot() 方法创建一个图形。

np.mat()

阅读: Matplotlib 3D 散点图

Matplotlibb plot numpy 数组列

我们将学习从 numpy 数组中获取列，并使用 matplotlib 的 pyplot 模块的 plot() 方法进行绘制。

例#1

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create numpy array**

data = np.array([1, 2, 3, 4, 5, 6, 7, 8])

**# First two columns'** 
print("First two columns")
print(data[0:2])

**# Define data**

x= data[0:2]

**# Plot**

plt.plot(x)

**# Display**

plt.show()

• 这里我们使用 numpy 的 array 方法创建一个 numpy 数组。
• 然后我们从数组中取出前两列。
• 为了绘制图表，我们使用了 plot() 方法。

plt.plot()

例 2

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create numpy array**

data = np.array([1, 2, 3, 4, 5, 6, 7, 8])

**# Length of an array**

length = len(data)

**# Last three columns**

print("Last 3 Columns")
print(data[length-3:length])

x= data[length-3:length]

**# PLot**

plt.plot(x)

**# Display**

plt.show()

• 这里我们使用 numpy 的 array() 方法创建一个数组。
• 然后我们使用 len() 方法找到数组的长度。
• 然后我们使用 plot() 方法打印并绘制数组的最后三列。

matplotlib plot numpy array with columns

你可能也喜欢阅读下面的 Matplotlib 教程。

• 堆积条形图 Matplotlib
• Matplotlib 散点图颜色
• Matplotlib 更新循环中的绘图
• Matplotlib 两个 y 轴
• 画垂直线 matplotlib
• Matplotlib 标题字体大小

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib plot numpy 数组”，并且我们也涵盖了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib plot numpy array
• 将 numpy 数组绘制成直线
• Matplotlib 散点图数字数组
• Matplotlib 从 numpy 数组中绘制多行
• Python 将 numpy 数组绘制为热图
• Matplotlib 将 numpy 数组绘制为图像
• Matplotlib 保存绘图到 numpy 数组
• Matplotlib plot numpy 数组 2d
• Matplotlib plot numpy 数组 3d
• Matplotlib 绘图数字矩阵
• Matplotlib 绘图 numpy 数组列

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/****

Matplotlib 移除刻度标签

原文：https://pythonguides.com/matplotlib-remove-tick-labels/

在这个 python 教程中，我们将学习如何使用 Python 中的 matplotlib 来移除刻度标签。我们还将讨论以下主题:

• 如何移除刻度标签
• Matplotlib 移除刻度标签
• Matplotlib 删除刻度
• Matplotlib 删除刻度标签和刻度线
• Matplotlib 删除轴标签
• Matplotlib 移除标签保留记号
• Matplotlib 删除记号保留标签
• Matplotlib 从子绘图中删除刻度标签
• Matplotlib 删除次要刻度标签
• Matplotlib 删除彩条刻度标签
• Matplotlib 删除特定的刻度标签

目录

• Matplotlib 如何移除刻度标签
• Matplotlib 移除刻度标签
  • Matplotlib 通过设置颜色移除刻度标签
  • Matplotlib 通过将刻度标签设置为空来移除刻度标签
  • Matplotlib 通过将刻度标签参数设置为空来移除刻度标签
• Matplotlib 移除刻度线
  • Matplotlib 移除 x 轴上的记号
  • Matplotlib 移除 y 轴上的刻度
  • Matplotlib 从两个轴上移除记号
• Matplotlib 移除刻度标签和刻度线
  • Matplotlib 通过使用 xaxis.set_visible() 移除标签和刻度
  • Matplotlib 通过使用 set_ticks([]) 移除标签和记号
  • Matplotlib 通过使用 xticks([])和 yticks([]) 删除标签和刻度
  • Matplotlib 通过使用 NullLocator()移除刻度和刻度标签
  • Matplotlib 通过使用 tick_params() 移除记号和标签
• Matplotlib 移除轴标签
• Matplotlib 移除标签保留记号
• Matplotlib 移除刻度保留标签
• Matplotlib 从子图中移除刻度标签
• Matplotlib 移除次要刻度标签
• Matplotlib 移除彩条刻度标签
  • Matplotlib 仅移除列条记号
  • Matplotlib 删除滚动条和标签标签
• Matplotlib 移除特定的刻度标签

Matplotlib 如何移除刻度标签

在开始这个话题之前，先了解一下 tick 和 labels 是什么意思。

• 记号是用来表示轴上的点的标记，或者我们可以说是小的几何刻度线。
• 刻度标签是刻度的名称。或者我们可以说记号标签是包含称为文本记号的文本的记号。
• 轴标签是 X 轴、Y 轴等轴的名称。

有时程序员想要隐藏或删除刻度线和刻度标签。我们在 matpolotlib 中使用了不可见的特性，利用它我们可以使标记和标签不可见。

以下步骤用于移除 matplotlib 记号和标签，概述如下:

• 定义库:导入删除记号和标签所需的重要库(对于可视化:来自 matplotlib 的 pyplot，对于数据创建和操作:Numpy 或 Pandas)。
• 定义 X 和 Y: 定义 X 轴和 Y 轴上的数据值。我们可以创建数组或数据框来定义值。
• 去除或隐藏刻度/标签:通过使用 yticks() 和 xticks() 的方法我们可以很容易地去除刻度和标签。
• 显示:最后使用 show() 的方法显示剧情。

阅读:如何安装 matplotlib python

Matplotlib 移除刻度标签

在本节中，我们将研究如何移除刻度标签。刻度标签是图中刻度的名称。

隐藏刻度标签有不同的方法:

• 通过将刻度标签的颜色设置为白色
• 通过将刻度标签设置为空
• 通过将标签参数设置为空

Matplotlib 通过设置颜色移除刻度标签

如果图的背景色是白色。通过将刻度标签的颜色设置为白色，我们可以轻松隐藏刻度标签。

基本上，它使刻度标签不可见，但将标签颜色设置为白色。如果背景色不是白色，那么这个方法就不行。

使用 xticks() 和 yticks() 方法，并将颜色参数作为‘w’传递。

通过设置颜色移除刻度标签的语法如下:

**# X-axis tick label**
matplotlib.pyplot.xticks(color='w')
**# Y-axis tick label**
matplotlib.pyplot.yticks(color='w')

上述使用的参数定义如下:

• 颜色:指定一种颜色为白色。

让我们借助一个例子来更清楚地理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x = [1,2,3,4]
y = [6,12,18,24]

**# Plot Graph**

plt.plot(x,y) 
plt.xlabel("X Label")
plt.ylabel("Y Label")

**# xticks color white**

plt.xticks(color='w')

                      **# OR**

**# yticks color white**

plt.yticks(color='w')

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。之后，我们定义 x 轴和 y 轴的数据点。
• plt.plot() 方法用于图形的创建。
• plt.xticks() 方法用于移除 x 轴上的刻度标签。这里我们传递颜色参数，并将颜色设置为白色。
• plt.yticks() 方法用于移除 y 轴上的刻度标签。这里我们传递颜色参数，并将颜色设置为白色。
• 最后，我们使用 show() 方法来显示图形。

plt.xticks(color=’w’)

plt.yticks(color=’w’)

读取 Matplotlib set_xticks

Matplotlib 通过将刻度标签设置为空来移除刻度标签

通过使用 xaxis.set_ticklabels([]) 和 yaxis.set_ticklabels([]) 将刻度标签设置为空。

此方法通过将刻度标签设置为空来使刻度标签不可见，但保持刻度可见。

其语法如下:

**# For X-axis**
matplotlib.axes.xaxis.set_ticklabels([])
**# For Y-axis**
matplotlib.axes.yaxis.set_ticklabels([])

让我们看看例子，更清楚地理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x = [1,2,3,4]
y = [6,12,18,24]

**# Plot Graph**

plt.plot(x,y) 
plt.xlabel("X Label")
plt.ylabel("Y Label")
ax = plt.gca()

**# xticks setting to be empty**

ax.axes.xaxis.set_ticklabels([])

            **# OR**

**# yticks setting to be empty** 
ax.axes.yaxis.set_ticklabels([])

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点。
• plt.plot() 方法用于图形的创建。
• ax . axes . xaxis . set _ tick labels([])方法用于去除 x 轴的刻度标签。
• ax . axes . ya xis . set _ tick labels([])方法用于去除 y 轴的刻度标签。
• 最后，我们使用 show() 方法来显示图形。

ax.axes.xaxis.set_ticklabels([])

ax.axes.yaxis.set_ticklabels([])

Read Matplotlib set_xticklabels

Matplotlib 通过将刻度标签参数设置为空来移除刻度标签

通过使用 plt.xticks() 和 plt.yticks() 方法并传递带有空标签的参数。

将分笔成交点标签设置为下注空的语法如下:

`For x-asis`
matplotlib.pyplot.xticks(x, label='')
`For y-axis`
matplotlib.pyplot.yticks(y, label='')

上述使用的参数为，如下:

• x: 指定 x 轴
• y: 指定 y 轴
• 标签:指定标签。设置为空。

让我们看看将标签设置为空的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define data**

x = [1,2,3,4]
y = [8,9,10,11]

**# plot graph**

plt.plot(x, y, color='r', linewidth=5)

**# set x label to be empty**

plt.xticks(x, labels=" ")

           **# OR**

**# set y label to be empty**

plt.yticks(y, labels=" ")

**# display the graph**  

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点。
• plt.plot() 方法用于图形的创建。
• plt.xticks() 方法用于移除 x 轴上的刻度标签。这里我们传递参数标签，并将它们设置为空。
• plt.yticks() 方法用于移除 y 轴上的刻度标签。这里我们传递参数标签，并将它们设置为空。
• 最后，我们使用 show() 方法来显示图形。

plt.xticks(x, labels=”)

plt.yticks(y,labels=”)

阅读: Matplotlib 绘制一条线

Matplotlib 移除刻度线

默认情况下，当我们在 matplotlib 中绘制图形时，我们会在 x 轴和 y 轴的两侧绘制记号。

但有时我们不想在图中显示刻度线。因此，在这种情况下，我们必须让这些蜱看不见，或者我们可以说，我们必须删除它们。

通过使用 tick_params() 方法，我们可以轻松地删除这些记号。

在下面的例子中，我们去除了刻度:

• 当我们想要删除 x 轴上的刻度时
• 当我们想要删除 y 轴上的刻度时
• 当我们想从两个轴上删除刻度时

Matplotlib 移除 x 轴上的记号

使用 tick_params() 方法移除 x 轴上的。在这个方法中传递参数底部并设置其值为假。

它仅删除记号，保留记号标签不变。

去除 x 轴上刻度的语法如下:

`For x-axis`
matplotlib.pyplot.tick_params(bottom=False)

让我们借助一个例子来更清楚地理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Remove ticks on x-axis**

plt.tick_params(bottom = False)

**# Plot Graph**

plt.plot(x,y)

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点。
• plt.tick_params() 方法用于移除 x 轴上的刻度线。这里我们传递参数底部并设置它的值假。
• plt.plot() 方法用于图形的创建。
• 最后，我们使用 show() 方法来显示图形。

plt.tick_params(bottom=False)

读取 Matplotlib fill_between

Matplotlib 移除 y 轴上的刻度

使用 tick_params() 方法移除 y 轴上的。在这个方法传递中，参数离开，并设置其值为假。

它仅删除记号，保留记号标签不变。

删除 y 轴刻度的语法如下:

`For y-axis`
matplotlib.pyplot.tick_params(left=False)

让我们借助一个例子来更清楚地理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Remove ticks on y-axis**

plt.tick_params(left = False)

**# Plot Graph**

plt.plot(x,y)

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点。
• plt.tick_params() 方法用于移除 y 轴上的刻度线。这里我们传递参数 left 并设置它的值 False 。
• plt.plot() 方法用于图形的创建。
• 最后，我们使用 show() 方法来显示图形。

plt.tick_params(left=False)

读取Matplotlib set _ yticklabels

Matplotlib 从两个轴上移除记号

使用 tick_params() 方法删除两个轴上的记号。在这个方法传递中，自变量底部和左侧将其值设为假。

它去除了两个轴上的刻度标记，分别称为 x 轴和 y 轴。

删除两个轴上的记号的语法如下:

`For both the axes`
matplotlib.pyplot.tick_params(left=False,bottom=False)

让我们借助一个例子来更清楚地理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data** 
x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Remove ticks on x-axis and y-axis both**

plt.tick_params(left = False, bottom = False)

**# Plot Graph** 
plt.plot(x,y)

**# Display Graph** 
plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点。
• plt.tick_params() 方法用于去除两个轴上的刻度线。这里我们通过自变量的左和的底并设置其值 假 。
• plt.plot() 方法用于图形的创建。
• 最后，我们使用 show() 方法来显示图形。

plt.tick_params(left=False, bottom=False)

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib 移除刻度标签和刻度线

当我们在 matplotlib 中绘制图形时，图形同时具有刻度标签和刻度线。有时候，我们需要去掉标签和标记。

有以下几种方法可以同时去除记号和标签:

• 通过使用 set_visible()方法
• 通过使用 set_ticks([])方法
• 通过使用 xticks([])或 yticks([])方法
• 通过使用 NullLocator()方法
• 通过使用 tick_params()方法

Matplotlib 通过使用 xaxis.set_visible() 移除标签和刻度

set_visible() 方法删除坐标轴刻度、坐标轴刻度标签以及坐标轴标签。它使轴心完全不可见。

在这个方法中传递参数 False 来设置不可见性。

删除记号和标签的语法如下:

`For x-axis`
ax.axes.xaxis.set_visible(False)
`For y-axis`
ax.axes.yaxis.set_visible(False)

让我们看例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [5, 6, 7, 8]
y = [1, 2, 3, 6]

**# Remove ticks and labels on x-axis and y-axis both**

ax = plt.gca()
ax.axes.xaxis.set_visible(False)
ax.axes.yaxis.set_visible(False)

**# Plot Graph**

plt.plot(x,y)

**# Display Graph**

plt.show()

• 在上面的例子中，我们使用ax . axes . xaxis . set _ visible()方法来隐藏 x 轴上的刻度和标签，并设置值 False 。
• ax . axes . ya xis . set _ visible()方法隐藏 y 轴上的刻度和标签，并设置值 False 。
• 最后，我们使用 show() 方法来显示图形

ax.axes.xaxis / yaxis.set_visible(False)

读取 Matplotlib tight_layout

Matplotlib 通过使用 set_ticks([]) 移除标签和记号

set_ticks([]) 方法删除坐标轴刻度，坐标轴刻度标签。但是它不会删除轴标签。将记号设置为空并使其不可见。

set _ ticks([])的语法如下:

`For x-axis`
ax.axes.xaxis.set_ticks([])
`For y-axis`
ax.axes.yaxis.set_ticks([]) 

让我们借助下面给出的例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data** 
x = [5, 6, 7, 8]
y = [1, 2, 3, 6]

**# Remove ticks and labels on x-axis and y-axis both**

ax = plt.gca()
ax.axes.xaxis.set_ticks([])
ax.axes.yaxis.set_ticks([])

**# Plot Graph**

plt.plot(x,y, color= 'red', linewidth=3)

**# Display Graph**

plt.show()

• 在上面的例子中，我们使用了一个ax . axes . xaxis . set _ ticks()方法来隐藏 x 轴上的刻度和标签，并将刻度设置为空。
• ax . axes . ya xis . set _ ticks()方法隐藏 y 轴上的刻度和标签，并将刻度设置为空。
• 最后，我们使用 show() 方法来显示图形。

ax.axes.xaxis / yaxis .set_ticks([])

阅读Python Matplotlib tick _ params+29 示例

Matplotlib 通过使用 xticks([])和 yticks([]) 删除标签和刻度

通过使用 xticks()和 yticks()方法，可以禁用 x 轴和 y 轴上的刻度和刻度标签。

禁用记号和标签的语法如下:

`For x-axis`
plt.xticks([])
`For y-axis`
plt.yticks([])

让我们借助一个例子来理解如何禁用记号和标签:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [5, 6, 7, 8]
y = [1, 2, 3, 6]

**# Plot Graph**

plt.plot(x,y, color= 'orange', linewidth=3)

**# Remove ticks and labels on x-axis and y-axis both**

plt.xticks([])
plt.yticks([])

**# Display Graph**

plt.show()

• 在上面的例子中，我们使用 plt.xticks([]) 方法来隐藏 x 轴上的刻度和标签，并将刻度设置为空。
• plt.yticks() 方法来隐藏 y 轴上的刻度和标签，并将刻度设置为空。
• 最后，我们使用 show() 方法来显示图形。

plt.xticks / yticks ([])

读取 Matplotlib x 轴标签

Matplotlib 通过使用 NullLocator()移除刻度和刻度标签

为了定位蜱，我们使用零定位器。因此，通过使用 NullLocator()方法，我们隐藏了轴刻度和轴标签。

删除记号和记号标签的语法如下:

**# For x-axis**
ax.xaxis.set_major_locator(ticker.NullLocator())
**# For y-axis**
ax.yaxis.set_major_locator(ticker.NullLocator())

让我们看一个与 NullLocator()相关的例子如下:

**# Import Libraries**

import matplotlib.ticker as ticker

**# Define data** 
x = [6, 8.3, 9, 2]
y = [1, 2, 3, 6]

**# Define axes**

ax = plt.axes()

**# Plot Graph** 
ax.plot(x,y, color= 'cyan', linewidth=10)

**# Remove ticks and labels on x-axis and y-axis**

ax.xaxis.set_major_locator(ticker.NullLocator())
ax.yaxis.set_major_locator(ticker.NullLocator())

**# Display Graph**

plt.show()

• 在上面的例子中，首先我们必须导入库 matplotlib.ticker 。在此之后，我们必须以 X 轴和 y 轴的形式定义数据，以便绘图。
• plt.axes() 方法用于定义轴， ax.plt() 方法用于绘制图形。
• 接下来，我们必须使用 NullLocator() 函数作为 set_major_locator() 方法中的参数，用于 x 轴和 y 轴。
• 最后，我们调用 show() 方法来显示图形。

NullLocator()

读取 Matplotlib 多条形图

Matplotlib 通过使用 tick_params() 移除记号和标签

要隐藏或删除两个轴(x 轴和 y 轴)上的刻度线和刻度标签，我们必须使用 tick_parmas() 函数。

将以下内容作为参数传递( left、bottom、labelleft 和 labelbottom ，并将它们的值设置为 False ，以隐藏刻度和标签。

tick _ params()方法的语法如下:

matplotlib.pyplot.tick_params(left = False,labelleft = False ,
                           labelbottom = False, bottom = False)

让我们来看一个例子:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data** 

x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Remove ticks and labels on x-axis and y-axis both**

plt.tick_params(left = False, labelleft = False , labelbottom = False, bottom = False)

**# Plot Graph** 

plt.plot(x,y)

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点。
• plt.tick_params() 方法用于清除两个轴上的刻度线和刻度标签。这里我们传递参数 left 、 bottom、labelleft、labelbottom ，并设置它们的值为 False 。
• plt.plot() 方法用于图形的创建。
• 最后，我们使用 show() 方法来显示图形。

tick_params()

阅读:什么是 matplotlib 内联

Matplotlib 移除轴标签

在 matplotlib 中，默认情况下，绘图显示刻度和刻度标签。我们还可以在轴(x 轴和 y 轴)的两侧显示轴标签。

首先让我们理解轴标签是什么意思:

• 基本上，轴标签告诉我们 x 轴和 y 轴代表什么。
• 例如:x 轴代表学生人数，y 轴代表学生的分数。

现在在这一节中，我们学习如何删除或隐藏轴标签。

通过使用 set_visible() 方法，我们可以隐藏轴标签。它使整个轴不可见，包括刻度线、刻度标签以及轴标签。

删除轴标签的语法:

`For x-axis`
ax.axes.xaxis.set_visible(False)
`For y-axis`
ax.axes.yaxis.set_visible(False)

让我们看一个有轴标签的图形或图表的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 
student = [5, 10, 12, 16, 18]
marks= [99, 90, 80, 85, 75]

**# Define axes label**

plt.xlabel("No.Of students")
plt.ylabel("Marks of students")

**# Plot Graph**

plt.scatter(student,marks, color='r')

**# Display Graph**

plt.show()

• 在上面的例子中，首先我们导入了 matplotlib.pyplot 库。
• 之后，我们定义数据，即 x 轴上的学生的号和 y 轴上的学生的分数。
• 接下来，我们定义轴标签，它告诉我们 x 轴代表学生的编号，y 轴代表学生的分数。我们使用 plt.xlabel() 和 plt.ylabel() 的方法
• plt.scatter() 方法用于绘制图形。
• 最后，我们使用 show() 方法来显示我们绘制的内容。

Plot having axis labels

现在让我们借助一个例子来看看如何移除轴标签:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

student = [5, 10, 12, 16, 18]
marks= [99, 90, 80, 85, 75]

**# Define axes label**

plt.xlabel("No.Of students")
plt.ylabel("Marks of students")

**# Remove axis labels**

ax = plt.gca()
ax.axes.xaxis.set_visible(False)
ax.axes.yaxis.set_visible(False)

**# Plot Graph**

plt.scatter(student,marks, color='r')

**# Display Graph**

plt.show()

• 在上面的例子中，我们使用了一个ax . axes . xaxis . set _ visible()方法和ax . axes . ya xis . set _ visible()方法，并将它们的值 False 设置为不可见的轴标签。
• 此方法还隐藏轴刻度和刻度标签。

Plot without axis labels

阅读: Matplotlib 绘图条形图

Matplotlib 移除标签保留记号

通过将记号标签设置为空来隐藏记号标签，但保持记号可见的方法。

我们使用 xaxis.set_ticklabels([]) 和 yaxis.set_ticklabels([]) 将 tick 标签设置为空。

其语法如下:

**# For X-axis**
matplotlib.axes.xaxis.set_ticklabels([])
**# For Y-axis**
matplotlib.axes.yaxis.set_ticklabels([])

让我们看看例子，更清楚地理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

student = [5, 10, 12, 16, 18]
marks= [99, 90, 80, 85, 75]

**# Plot Graph**

plt.plot(student,marks) 
plt.xlabel("No.Of students")
plt.ylabel("Marks of students")
ax = plt.gca()

**# xticks setting to be empty**

ax.axes.xaxis.set_ticklabels([])

            **# OR**

**# yticks setting to be empty** 
ax.axes.yaxis.set_ticklabels([])

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点，即学生人数和学生分数。
• plt.plot() 方法用于图形的创建。
• ax . axes . xaxis . set _ tick labels([])方法用于去除 x 轴的刻度标签。
• ax . axes . ya xis . set _ tick labels([])方法用于去除 y 轴的刻度标签。
• 最后，我们使用 show() 方法来显示图形。

set_ticklabels([])

阅读: Matplotlib 支线剧情教程

Matplotlib 移除刻度保留标签

tick_params() 方法用于删除两个轴上的刻度。

在我们传递的这个方法中，自变量底和左设置其值假。

它去除了两个轴上的刻度标记，这两个轴分别称为 x 轴和 y 轴。

删除记号并保留标签的语法如下:

`For both the axes`
matplotlib.pyplot.tick_params(left=False,bottom=False)

让我们借助一个例子来更清楚地理解这个概念:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data**

student = [5, 10, 12, 16, 18]
marks= [99, 90, 80, 85, 75]

**# Define axes label**

plt.xlabel("No.Of students")
plt.ylabel("Marks of students")

**# Remove ticks keep labels**

plt.tick_params(left = False, bottom = False)

**# Plot Graph**

plt.scatter(student,marks, color='r')

**# Display Graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 库。
• 之后，我们定义 x 轴和 y 轴的数据点，即。学生和学生的口袋。
• plt.tick_params() 方法用于去除两个轴上的刻度线。这里我们通过自变量的左和的底并设置其值 假 。
• plt.plot() 方法用于图形的创建。
• 最后，我们使用 show() 方法来显示图形。

tick_params()

阅读: Matplotlib 最佳拟合线

Matplotlib 从子图中移除刻度标签

这里我们将讨论如何从特定的子情节中移除记号和标签。

我们使用 set_xticks() 和 set_yticks() 函数来分别隐藏 x 轴和 y 轴上的刻度和标签。

这里我们必须将 ticks 值设置为空。

让我们借助一个例子来理解这个概念:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x1= [2, 6, 9, 5]
y1= [1, 3, 9, 15]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

**# Remove tick labels**

ax[0, 0].set_xticks([])
ax[0, 0].set_yticks([])

**# Plot graph**

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

**# Display Graph**

fig.tight_layout()
plt.show()

• 在上面的例子中，我们在一个图形区域中绘制了多个图。我们希望删除特定地块的记号和标签。
• 这里我们使用 set_xticks()和 set_yticks() 方法来改变绘图的背景。
• 我们对第一个子情节使用 set_xticks()和 set_yticks() 方法，并将 tick 值设置为空。

set_xticks([]) and set_yticks([])

阅读: Matplotlib 支线剧情 _adjust

Matplotlib 移除次要刻度标签

次要刻度是主要刻度之间的刻度。或者我们可以说小分笔成交点将大分笔成交点分成几个部分。

默认情况下，次要刻度标签处于关闭状态。

在本节中，我们将研究如果次要刻度打开，如何移除或关闭次要刻度。

删除次要刻度的语法:

matplotlib.pyplot.minorticks_off()

让我们看看如何关闭次要刻度的示例:

代码#1 (带小勾号)

默认情况下，对数刻度有较小的刻度，因此为了便于理解，我们采用这个刻度。

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.random.randint(-5, 5, 10)
y = np.exp(x)

**# Plot Graph**

plt.plot(y, x)
plt.xscale('log')

**# Display Graph**

plt.show() 

在上面的例子中，我们用对数标度绘制了一个图表，以便我们了解次要分笔成交点的样子。

The graph with minor tick labels

代码#2 (无小勾号)

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 

x = np.random.randint(-5, 5, 10)
y = np.exp(x)

**# Plot Graph**

plt.plot(y, x)
plt.xscale('log')

**# Remove minor ticks**

plt.minorticks_off()

**# Display Graph**

plt.show()

在上面的例子中，现在我们使用 minorticks_off() 方法关闭次要刻度。

The graph without minor tick labels

读取: Matplotlib 日志日志图

Matplotlib 移除彩条刻度标签

彩条是颜色数据值的映射。 colorbar() 方法用于向图表添加一个颜色条。

我们可以从颜色栏中删除以下内容:

• 仅勾选
• 刻度和刻度标签

让我们逐一讨论每个案例:

Matplotlib 仅移除列条记号

如果我们想从列栏中删除刻度，我们必须将刻度的大小设置为 0。

其语法如下:

cbar.ax.tick_params(size=0)

上面使用的参数是:

• 大小:色带条中刻度线的大小

我们举个例子来了解一下如何去除蜱虫:

**# Import libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Plot image** 
a = np.random.random((5, 5))
plt.imshow(a, cmap='summer')

**# Plot colorbar**

cbar = plt.colorbar()

**# Set ticklabels**

labels = [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
          0.7, 0.8, 0.9, 1]
cbar.set_ticks(labels)

**# Remove ticks**

cbar.ax.tick_params(size=0)

**# Plot graph** 

plt.show()

在上面的例子中，我们使用 tick_params()方法，传递参数 size，并将值设置为 0。

Colorbar without ticks

阅读 Matplotlib 散点图图例

Matplotlib 删除滚动条和标签标签

如果我们想删除彩条的 tick 和 ticklabels，我们必须使用函数 set_ticks([])并传递空列表。

其语法如下:

cbar.set_ticks([])

让我们举一个例子来理解 如何删除勾选和勾选标签

 **# Import libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Plot image** 
a = np.random.random((5, 5))
plt.imshow(a, cmap='summer')

**# Plot colorbar**

cbar = plt.colorbar()

**# Set ticklabels**

labels = [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
          0.7, 0.8, 0.9, 1]

**# Remove both ticks and ticklabels**

cbar.set_ticks(labels)

**# Plot graph** 

plt.show() 

在上面的例子中，我们在 set_ticks() 方法中传递空列表。

Colorbar with tick and ticklabels

阅读: Matplotlib plot_date

Matplotlib 移除特定的刻度标签

在这里，我们将学习如何从图中隐藏一些特定的刻度标签。

使用方法 set_visible(False) 处理一些特定的记号。

其语法为:

xticks = ax.xaxis.get_major_ticks()
xticks[0].label1.set_visible(False)

**# Here 0 is axis position which we want to hide** 
yticks = ax.yaxis.get_major_ticks()
yticks[4].label1.set_visible(False)

**# Here 4 is axis position which we want to hide from y-axis** 

为了更好地理解，我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 

student = [5, 10, 12, 16, 18]
marks= [99, 90, 80, 85, 75]

**# Plot Graph**

plt.plot(student,marks) 
plt.xlabel("No.Of students")
plt.ylabel("Marks of students")
ax = plt.gca()

**# remove specfic ticks**

xticks = ax.xaxis.get_major_ticks()
xticks[0].label1.set_visible(False)
yticks = ax.yaxis.get_major_ticks()
yticks[4].label1.set_visible(False)

**# Display Graph** 

plt.show()

• 在上面的例子中，我们隐藏了 x 轴和 y 轴上的特定刻度。
• 使用 set_visible() 方法，将您想要删除的特定记号和值设为 False。

Remove some specific tick labels

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 虚线
• Matplotlib 散点图标记
• Matplotlib 绘图误差线
• Matplotlib 改变背景颜色
• Matplotlib 旋转刻度标签

在本 Python 教程中，我们已经讨论了“ Matplotlib 移除记号标签”，并且我们还介绍了一些与之相关的例子。我们在本教程中讨论了以下主题。

• 如何移除刻度标签
• Matplotlib 移除刻度标签
• Matplotlib 删除刻度
• Matplotlib 删除刻度标签和刻度线
• Matplotlib 删除轴标签
• Matplotlib 移除标签保留记号
• Matplotlib 删除记号保留标签
• Matplotlib 从子绘图中删除刻度标签
• Matplotlib 删除次要刻度标签
• Matplotlib 删除彩条刻度标签
• Matplotlib 删除特定的刻度标签

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 旋转刻度标签

原文：https://pythonguides.com/matplotlib-rotate-tick-labels/

在本 Python 教程中，我们将讨论 Python 中的 matplotlib 旋转刻度标签。我们还将讨论以下主题:

• Matplotlib 旋转刻度标签
• Matplotlib 旋转刻度标签示例
• Matplotlib 旋转刻度标签 x 轴
• Matplotlib 旋转刻度标签 y 轴
• Matplotlib 旋转刻度标签日期
• Matplotlib 旋转刻度标签色带
• Matplotlib 将刻度标签旋转 45 度
• Matplotlib 将刻度标签旋转 90 度
• 旋转刻度标签对齐

目录

• Matplotlib 旋转刻度标签
• Matplotlib 旋转刻度标签示例
• Matplotlib 旋转 x 轴刻度标签
  • Matplotlib 在图形级别旋转 x 轴刻度标签
  • Matplotlib 在轴级别旋转 x 轴刻度标签
  • Matplotlib 使用 ax.set_xticklabels()方法旋转 x 轴刻度标签
  • Matplotlib 使用 ax.tick_parmas() 旋转 x 轴刻度标签
• Matplotlib 旋转 Y 轴刻度标签
  • Matplotlib 在图形级别旋转 y 轴刻度标签
  • Matplotlib 在轴级别旋转 y 轴刻度标签
  • Matplotlib 使用 ax.set_yticklabels()方法旋转 Y 轴刻度标签
  • Matplotlib 使用 ax.tick_parmas() 旋转 Y 轴刻度标签
• Matplotlib 旋转刻度标签日期
• Matplotlib 旋转刻度标签子图
• Matplotlib 旋转刻度标签颜色条
  • Matplotlib 水平旋转刻度标签柱状图
  • Matplotlib 垂直旋转刻度标签柱状图
• Matplotlib 将刻度标签旋转 45 度
• Matplotlib 将刻度标签旋转 90 度
• Matplotlib 旋转刻度标签对齐
  • Matplotlib 向右旋转刻度标签对齐
  • Matplotlib 旋转刻度标签对齐中心
  • Matplotlib 向左旋转刻度标签对齐

Matplotlib 旋转刻度标签

• 在 python 中， matplotlib 是用于数据可视化的最好的库之一。
• Matplotlib 库提供了根据我们的选择定制刻度标签的功能。
• 它提供了旋转刻度标签的功能。

首先，让我们了解 ticks 标签是什么意思:

• 代表轴上数据点的标记称为“记号”。
• 而给标记赋予的名称叫做“记号标签”。

默认情况下，Matplotlib 在轴上标记数据点，但它也为我们提供了根据我们的选择设置刻度和刻度标签的功能。

在本节中，我们将学习刻度标签的旋转。

以下步骤用于旋转 matplotlib 中的刻度标签，概述如下:

• 定义库:导入旋转刻度标签所需的重要库(用于可视化:来自 matplotlib 的 pyplot，用于数据创建和操作:NumPy 和 Pandas)。
• 定义 X 和 Y: 定义 X 轴和 Y 轴上的数据值。
• 绘制图表:通过使用 plot() 方法或任何其他可用于绘制的方法，您可以绘制图表。
• 旋转刻度标签:通过使用 x.ticks() 和 y.ticks() 的方法我们可以旋转刻度标签。
• 显示:最后使用 show() 的方法显示剧情。

旋转刻度标签的语法如下:

`For X-axis labels` 
matplotlib.pyplot.xticks(ticks=None, labels=None, rotation=None, ......)

`For Y-axis labels`

matplotlib.pyplot.yticks(ticks=None, labels=None, rotation=None, ......) 

上述使用的参数概述如下:

• 蜱:是一种阵列状结构。它指定 xtick 或 ytick 位置的列表。
• 标签:指定放置在给定刻度位置的标签。它是一个类似数组的结构。
• 旋转:指定旋转的角度。

另外，学习:如何安装 matplotlib python

Matplotlib 旋转刻度标签示例

在上面的部分中，我们讨论了刻度标签的含义以及刻度标签旋转的语法。

下面我们通过一个例子来理解刻度标签旋转的概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**

plt.plot(x, y, color='red')

**# Rotate tick labels**

plt.xticks(rotation=30)

**# Display graph**

plt.show()

• 在上面的例子中，我们导入 matplotlib。pyplot 库。之后，我们定义 x 轴和 y 轴的数据点。
• plt.plot() 方法用于图形的创建。
• plt.xticks() 方法用于 x 轴刻度标签的旋转。这里我们通过旋转参数，设置旋转角度 30 度。

plt.xticks()

结论！ x 标签旋转 30 度角。

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib 旋转 x 轴刻度标签

在本节中，我们将学习如何旋转 X 轴刻度标签。

旋转 x 轴有两种方式:

• plt.xticks(): 在图形级别上旋转。
• tick.set_rotation(): 轴级旋转。
• ax.set_xticklabels(): 在轴级别上旋转。
• ax.tick_params()

Matplotlib 在图形级别旋转 x 轴刻度标签

对于图形级别的刻度标签的旋转，首先我们必须使用 plt.plot() 方法绘制图形。

在这之后，我们必须调用 plt.xticks() 方法并传递旋转参数，并根据您的选择设置它们的值。

改变图形级 x 轴刻度旋转的语法如下:

matplotlib.pyplot.xticks(rotation=)

上述使用的参数描述如下:

• 旋转:设置旋转角度。

让我们用一个例子来看看图形级的旋转是如何工作的:

**# Import Libraries**
import matplotlib.pyplot as plt

**# Define data**
x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**
plt.plot(x, y, color='red')

**# Rotate tick labels**
plt.xticks(rotation=175)

**# Display graph**
plt.show()

在上面的例子中，我们使用 plt 来绘制图表。plot() 方法之后，我们调用 plt.xticks() 方法，将旋转角度设置为 175 度。

plt.xticks()

Matplotlib 在轴级别旋转 x 轴刻度标签

对于图形级别的刻度标签的旋转，首先我们必须使用 plt.draw() 方法绘制图形。

在此之后，您必须调用 tick.set_rotation() 方法，并将旋转角度值作为参数传递。

在轴级别改变 x 轴刻度旋转的语法如下:

matplotlib.pyplot.set_ticks(rotation angle)

上述使用的参数描述如下:

• 旋转角度:设置旋转移动 x 轴标签的角度。

让我们用一个例子来看看轴级旋转是如何工作的:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**

plt.plot(x, y, color = 'm')

ax = plt.gca()

**# Call draw function**

plt.draw()

**# Tick rotation on axes**

for tick in ax.get_xticklabels():
    tick.set_rotation(63)

**# Display graph**

plt.show()

在上面的例子中，首先我们调用 draw() 方法，然后使用 for loop 和 tick.set_rotation() 方法并设置旋转角度 63 度。

tick.set_rotation()

读取 Matplotlib 反转 y 轴

Matplotlib 使用 ax.set_xticklabels()方法旋转 x 轴刻度标签

旋转 X 轴刻度标签的另一种方法是使用 ax.set_xticklabels() 方法。在此之前，你必须获得对象的当前轴。

记住在调用这个方法之前，你必须调用 plt.draw() 方法。

上述方法的语法如下:

ax.set_xticklabels(ax.get_xticks(), rotation =)

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**

plt.plot(x, y, color = 'orange')

ax = plt.gca()

**# Call draw function**

plt.draw()

**# Tick rotation on axes**

ax.set_xticklabels(ax.get_xticks(), rotation = 10)

**# Display graph**

plt.show()

在上面的例子中，我们首先调用 plt.draw() 方法，然后我们 ax.set_xticklabels() 方法，并将旋转角度设置为 10 度。

ax.set_xticklabels()

Matplotlib 使用 ax.tick_parmas() 旋转 x 轴刻度标签

旋转 x 轴刻度标签的另一种方法是使用 ax.tick_parmas() 方法。在此之前，你必须获得对象的当前轴。

该方法的语法如下:

ax.tick_params(axis=None, labelrotation= None)

上面使用的参数概述如下:

• 轴:指定要旋转的轴。
• 标签旋转:具体的旋转角度。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Crate Plot**

plt.plot(x, y, color = 'orange')

ax = plt.gca()

**# Rotate x-axis labels** 

ax.tick_params(axis='x', labelrotation = 45)

**# Display graph**

plt.show() 

在上面的例子中，我们使用了 ax.tick_params() 方法，并将“轴”作为参数传递，并将它们的值设置为“x”，还将“标签旋转”作为参数传递，并将它们的值设置为 45 。

阅读: Matplotlib 绘制一条线

Matplotlib 旋转 Y 轴刻度标签

在本节中，我们将学习如何旋转 Y 轴刻度标签。

旋转 y 轴有两种方式:

• plt.yticks(): 在图形级别上旋转。
• tick.set_rotation(): 轴级旋转。
• ax.set_yticklabels(): 在轴级别上旋转。
• ax.tick_params()

Matplotlib 在图形级别旋转 y 轴刻度标签

对于图形级别的刻度标签的旋转，首先我们必须使用 plt.plot() 方法绘制图形。

在这之后，我们必须调用 plt.yticks() 方法并传递旋转参数，并根据您的选择设置它们的值。

改变图形级 y 轴刻度旋转的语法如下:

matplotlib.pyplot.yticks(rotation=)

上述使用的参数描述如下:

• 旋转:设置旋转角度。

让我们用一个例子来看看图形级的旋转是如何工作的:

**# Import Libraries**
import matplotlib.pyplot as plt

**# Define data**
x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**
plt.plot(x, y)

**# Rotate tick labels**
plt.yticks(rotation=63)

**# Display graph**
plt.show()

在上面的例子中，我们使用 plt 来绘制图表。plot() 方法，之后我们调用 plt.yticks() 方法，设置旋转角度为 63 度。

plt.yticks()

结论！ Y 轴刻度标签旋转 63 度。

阅读:什么是 matplotlib 内联

Matplotlib 在轴级别旋转 y 轴刻度标签

要在图形级别旋转刻度标签，首先必须使用 plt.draw() 方法绘制图形。

在此之后，您必须调用 tick.set_rotation() 方法，并将旋转角度值作为参数传递。

在轴级别改变 y 轴刻度旋转的语法如下:

matplotlib.pyplot.set_ticks(rotation angle)

上述使用的参数描述如下:

• 旋转角度:设置旋转移动 y 轴标签的角度。

让我们用一个例子来看看轴级旋转是如何工作的:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**

plt.plot(x, y, color = 'm')

ax = plt.gca()

**# Call draw function**

plt.draw()

**# Tick rotation on axes**

for tick in ax.get_yticklabels():
    tick.set_rotation(63)

**# Display graph**

plt.show()

在上面的例子中，首先我们调用 draw() 方法，然后使用 for loop 和 tick.set_rotation() 方法，并设置旋转角度 23 度。

tick.set_rotation()

结论！ Y 轴标签旋转 23 度。

Matplotlib 使用 ax.set_yticklabels()方法旋转 Y 轴刻度标签

旋转 Y 轴刻度标签的另一种方法是使用 ax.set_yticklabels() 方法。在此之前，你必须获得对象的当前轴。

记住在调用这个方法之前，你必须调用 plt.draw() 方法。

上述方法的语法如下:

ax.set_yticklabels(ax.get_yticks(), rotation =)

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Create Plot**

plt.plot(x, y, color = 'orange')

ax = plt.gca()

**# Call draw function**

plt.draw()

**# Tick rotation on axes**

ax.set_yticklabels(ax.get_yticks(), rotation = 10)

**# Display graph**

plt.show()

在上面的例子中，我们首先调用 plt.draw() 方法，然后我们 ax.set_yticklabels() 方法，并将旋转角度设置为 10 度。

set_yticklabels()

Matplotlib 使用 ax.tick_parmas() 旋转 Y 轴刻度标签

旋转 Y 轴刻度标签的另一种方法是使用 ax.tick_parmas() 方法。在此之前，你必须获得对象的当前轴。

该方法的语法如下:

ax.tick_params(axis=None, labelrotation= None)

上面使用的参数概述如下:

• 轴:指定要旋转的轴。
• 标签旋转:具体的旋转角度。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [7, 14, 21, 28]

**# Crate Plot**

plt.plot(x, y, color = 'orange')

ax = plt.gca()

**# Rotate y-axis labels** 
ax.tick_params(axis='y', labelrotation = 45)

**# Display graph**

plt.show() 

在上面的例子中，我们使用了 ax.tick_params() 方法，并将“轴”作为参数传递，并将它们的值设置为“y”，还将“标签旋转作为参数传递，并将它们的值设置为 45 。

ax.tick_params()

阅读: Matplotlib 绘图条形图

Matplotlib 旋转刻度标签日期

刻度标签旋转背后的原因是重叠。大多数情况下，日期刻度很长，并开始重叠。为了避免这种情况，我们旋转日期刻度标签。

• 为了避免 x 轴上的日期重叠，我们使用了 fig.autofmt_xdate() 方法。
• 这种方法自动设置日期的旋转和调整 x 轴，或者你也可以设置你选择的旋转角度。

x 轴日期旋转的语法:

matplotlib.figure.Figure.autofmt_xdate(bottom=0.2,roation=10,ha='left',which=None)

以下参数用于上述 功能，概述如下****:

• 底部:指定绘图的底部。
• 旋转:指定旋转角度。
• ha: 具体横向对齐。
• 哪个:指定旋转哪个 ticket。

让我们借助一个例子来理解这个概念:

代码#1

下面是没有使用 autofmt_xdate() 方法的代码。

**# Import Libraries**

import matplotlib.pyplot as plt
from datetime import datetime, timedelta

**# Define Dates**

dates = [
    datetime(2021, 10, 21),
    datetime(2021, 7, 24),
    datetime(2021, 8, 25),
    datetime(2021, 10, 26),
]

y = [2, 4, 4.5, 6]

**# Plot Dates**

fig = plt.figure()
plt.plot_date(dates, y, linestyle= 'dashed')

**# Display Graph**

plt.show()

在上面的代码中，我们简单地创建由 x 轴上的日期组成的数据，并绘制它们。

The output of Code#1

结论！重叠造成的问题。要删除这个代码#2

代码#2

 **# Import Libraries**

import matplotlib.pyplot as plt
from datetime import datetime, timedelta

**# Define Dates**

dates = [
    datetime(2021, 10, 21),
    datetime(2021, 7, 24),
    datetime(2021, 8, 25),
    datetime(2021, 10, 26),
]

y = [2, 4, 4.5, 6]

**# Plot Dates**

fig = plt.figure()
plt.plot_date(dates, y, linestyle= 'dashed')

**# Rotate dates on x-xis**

fig.autofmt_xdate()

**# Display Graph**

plt.show() 

在上面的代码中，我们创建由 x 轴上的日期组成的数据，然后我们使用 autofmt_xdate() 方法来避免重叠或旋转 x 轴上的日期。

The output of Code#2

结论！通过旋转 x 轴解决重叠问题。

阅读: Matplotlib 支线剧情教程

Matplotlib 旋转刻度标签子图

有时我们在一个图形区域有多个支线剧情。我们只想自定义一个子图轴或旋转特定子图的轴。

在这种情况下，我们使用方法 set_xticklabels() 来旋转轴。

其语法如下:

matplotlib.axis.Axis.set_xticlabels(labels=, rotation=)

上述使用的参数描述如下:

• 标签:为旋转设置标签。
• 旋转:指定旋转的角度。

我们举个例子明确一下概念:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 
x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

**# Plot graph**

fig, ax = plt.subplots(2, 2)

ax[0, 0].set_facecolor('cyan')

**# Set axis for rotation**

ax[0,0].set_xticklabels([0.2, 0.4, 0.6, 0.8, 1], rotation = 30)
ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

**# Display graph**

fig.tight_layout()
plt.show()

在上面的例子中，我们使用 set_xticklabels() 方法将第一个子图的 x 轴旋转 30 度角度。

set_xticklabels()

阅读: Matplotlib 最佳拟合线

Matplotlib 旋转刻度标签颜色条

彩条是颜色数据值的映射。 colorbar() 方法用于向图表添加一个颜色条。

如果我们想要旋转颜色条的轴以获得更好的可视化效果，我们有以下两种方法:

• cbar.ax.set_xticklabels: 如果彩条的方向是水平的。
• cbar.ax.set_yticklabels: 如果彩条的方向是垂直的。

Matplotlib 水平旋转刻度标签柱状图

在这里，我们将学习如何旋转水平放置的彩条轴。

其语法如下:

cbar.ax.set_xticklabels(labels, rotation)

上面使用的参数是:

• 标签:指定彩条的标签
• 旋转:指定旋转的角度

我们举个例子来了解一下怎么做旋转:

**# Import libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Plot image**

a = np.random.random((5, 5))
plt.imshow(a, cmap='summer')

**# Plot horizontal colorbar**

cbar = plt.colorbar(
    orientation="horizontal")

**# Set ticklabels**

labels = [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
          0.7, 0.8, 0.9, 1]
cbar.set_ticks(labels)

**# Rotate x tick labels**

cbar.ax.set_xticklabels(labels, rotation=40)

**#Plot graph**  

plt.show()

• 在上面的例子中，我们导入库 matplotlib 和 numpy。然后我们使用 numpy 绘制数据。
• 之后，我们将方位设置为“水平”，并使用 set_xticklabels() 方法将旋转角度设置为 40 度。

cbar.ax.set_xticklabels ()

Matplotlib 垂直旋转刻度标签柱状图

在这里，我们将学习如何旋转垂直放置的彩条轴。

其语法如下:

cbar.ax.set_yticklabels(labels, rotation)

上面使用的参数是:

• 标签:指定彩条的标签
• 旋转:指定旋转的角度

我们举个例子来了解一下怎么做旋转:

**# Import libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Plot image**

a = np.random.random((5, 5))
plt.imshow(a, cmap='summer')

**# Plot vertical colorbar**

cbar = plt.colorbar(
    orientation="vertical")

**# Set ticklabels**

labels = [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6,
          0.7, 0.8, 0.9, 1]
cbar.set_ticks(labels)

**# Rotate y tick labels**

cbar.ax.set_yticklabels(labels, rotation=40)

**# Plot graph** 

plt.show()

• 在上面的例子中，我们导入库 matplotlib 和 numpy。然后我们使用 numpy 绘制数据。
• 之后，我们将方位设置为“垂直”，并使用 set_yticklabels() 方法将旋转角度设置为 40 度。

cbar.ax.set_yticklabels()

阅读: Matplotlib 支线剧情 _adjust

Matplotlib 将刻度标签旋转 45 度

在本节中，我们将学习如何旋转以 45 度的特定角度绘制的中的 X 轴和 Y 轴。

旋转刻度的主要原因是为了避免重叠，并获得图表轴的清晰视图。

这里我们将研究刻度标签旋转 45 度的三种情况。

• 1st: 我们研究如何将 X 轴刻度标签旋转 45 度。
• 2nd: 我们研究如何将 Y 轴刻度标签旋转 45 度。
• 3 日:我们研究如何一次旋转 X 轴和 Y 轴刻度标签 45 度。

旋转刻度标签 45 度的语法如下:

Matplotlib.pyplot.xticks(rotation = 45)

让我们借助一个例子来更清楚地理解这个概念:

情况#1 (旋转 X 刻度标签)

**# Import Libraries** 

import matplotlib.pyplot as plt

**# Define data** 

x = [1, 2, 3, 4]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y, color='orange')

**# Rotate X-axis tick labels**

plt.xticks(rotation=45)

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用 plt.xticks() 方法将 xticks 标签旋转设置为 45 度，并将旋转= 45 设置为该方法中的参数。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks()

情况#2 (旋转 Y 刻度标签)

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [1, 2, 3, 4]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y, color='orange')

**# Rotate Y-axis tick labels**

plt.yticks(rotation=45)

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用 plt.yticks() 方法将 xticks 标签旋转设置为 45 度，并将旋转= 45 设置为该方法中的参数。
• 最后，使用 plt.show() 方法显示图形。

plt.yticks()

情况#3 (旋转两个刻度标签)

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data** 

x = [1, 2, 3, 4]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y, color='orange')

**# Rotate X-axis and Y-axis tick labels**

plt.xticks(rotation=45)
plt.yticks(rotation=45)

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 分别对 x 轴和 y 轴使用 plt.xticks() 和 plt.yticks() 方法，将 xticks 和 yticks 标签旋转设置为 45 度，并将旋转= 45 度设置为方法中的参数。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks() and plt.yticks()

读取: Matplotlib 日志日志图

Matplotlib 将刻度标签旋转 90 度

在本节中，我们将学习如何旋转以特定角度 90 度绘制的中的 X 轴和 Y 轴。

旋转刻度的主要原因是为了避免重叠，并获得图表轴的清晰视图。

这里我们研究了刻度标签旋转 90 度的三种情况。

• 1st: 我们研究如何将 X 轴刻度标签旋转 90 度。
• 2nd: 我们研究如何将 Y 轴刻度标签旋转 90 度。
• 3 日:我们研究如何将 X 轴和 Y 轴刻度标签一次旋转 90 度。

将刻度标签旋转 90 度的语法如下:

Matplotlib.pyplot.xticks(rotation = 90)

让我们借助一个例子来更清楚地理解这个概念:

情况#1 (旋转 X 刻度标签)

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data** 

x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y)

**# Rotate X-axis tick labels**

plt.xticks(rotation=90)

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用 plt.xticks() 方法将 xticks 标签旋转设置为 90 度，并将旋转= 90 度设置为该方法中的参数。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks()

情况#2 (旋转 Y 刻度标签)

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y)

**# Rotate Y-axis tick labels**

plt.yticks(rotation=90)

**# Display the Graph** 
plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用 plt.yticks() 方法将 xticks 标签旋转设置为 90 度，并将旋转= 90 度设置为该方法中的参数。
• 最后，使用 plt.show() 方法显示图形。

plt.yticks()

情况#3 (旋转两个刻度标签)

**# Import Libraries** 
import matplotlib.pyplot as plt

**# Define data** 
x = [5, 6, 7, 8]
y = [8, 16, 20, 12]

**# Create plot** 
plt.plot(x, y)

**# Rotate X-axis and Y-axis tick labels** 
plt.xticks(rotation=90)
plt.yticks(rotation=90)

**# Display the Graph** 
plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 分别对 x 轴和 y 轴使用 plt.xticks() 和 plt.yticks() 方法将 xticks 和 yticks 标签旋转设置为 90 度，并将旋转= 90 度设置为该方法中的参数。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks() and plt.yticks()

阅读:Matplotlibplot _ date

Matplotlib 旋转刻度标签对齐

在本节中，我们将学习如何对齐刻度标签。我们可以说我们将如何在不同的位置排列刻度标签。

对于刻度标签的对齐，我们使用‘ha’参数，它意味着“水平对齐，我们将这个参数传递给 xticks() 和 yticks() 方法。

我们可以在以下位置对齐刻度标签，如下所示:

• ha='right': 指定刻度标签在右端对齐。
• ha='center': 指定刻度标签居中对齐。
• ha='left': 指定刻度标签在左端对齐。

让我们正确理解每一种对齐情况:

Matplotlib 向右旋转刻度标签对齐

我们将研究如何在右端对齐刻度标签。

右对齐的语法如下:

**# For x-axis**
matplotlib.pyplot.xticks(ha='right')
**# For y-axis**
matplotlib.pyplot.yticks(ha='right')

让我们看一个与右对齐相关的例子:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y)

**# Right align X-axis tick labels** 
plt.xticks(ha='right')

                  **# OR**

**# Right align Y-axis tick labels**

plt.yticks(ha='right')

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用带有参数 ha='right' 的 plt.xticks() 设置右端 xticks 标签旋转对齐。
• 如果你想对齐 y 轴刻度标签，使用方法 plt.yticks() 并传递参数 ha='right' 。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks(ha=’right’)

plt.yticks(ha=’right’)

Matplotlib 旋转刻度标签对齐中心

我们将研究如何在中心对齐刻度标签。

中心对齐的语法如下:

**# For x-axis label**
matplotlib.pyplot.xticks(ha='center')
**# For y-axis label**
matplotlib.pyplot.yticks(ha='center') 

让我们看一个与中心对齐相关的例子:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y)

**# Center align X-axis tick labels** plt.xticks(ha='center')

                  **# OR**

**# Center align Y-axis tick labels**

plt.yticks(ha='center')

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用带有参数ha =‘中心’的 plt.xticks() 设置 xticks 标签旋转对齐中心。
• 如果您想要对齐 y 轴刻度标签，请使用方法 plt.yticks() 并传递参数 ha='center' 。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks(ha=’center’)

plt.yticks(ha=’center’)

Matplotlib 向左旋转刻度标签对齐

我们将研究如何在左端对齐刻度标签。

左对齐的语法如下:

**# For x-axis label**
matplotlib.pyplot.xticks(ha='left')
**# For y-axis label**
matplotlib.pyplot.yticks(ha='left') 

让我们看一个与左对齐相关的例子:

**# Import Libraries**

import matplotlib.pyplot as plt

**# Define data**

x = [2, 4, 6, 8]
y = [8, 16, 20, 12]

**# Create plot**

plt.plot(x, y)

**# Left align X-axis tick labels** plt.xticks(ha='left')

                  **# OR**

**# Left align Y-axis tick labels**

plt.yticks(ha='left')

**# Display the Graph**

plt.show()

• 导入库 matplotlib.pyplot 进行数据可视化。
• 定义 X 轴和 Y 轴的数据，并使用 plt.plot() 方法创建一个图。
• 使用带有参数 ha='left' 的 plt.xticks() 设置左端 xticks 标签旋转对齐。
• 如果你想对齐 y 轴刻度标签，使用方法 plt.yticks() 并传递参数 ha='left' 。
• 最后，使用 plt.show() 方法显示图形。

plt.xticks(ha=’left’)

plt.yticks(ha=’left’)

您可能喜欢阅读更多关于 Matplotlib 的内容。

• Matplotlib 虚线
• Matplotlib 散点图标记
• Matplotlib 改变背景颜色

在本 Python 教程中，我们已经讨论了" Matplotlib 旋转刻度标签"并且我们还介绍了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 旋转刻度标签
• Matplotlib 旋转刻度标签示例
• Matplotlib 旋转刻度标签 x 轴
• Matplotlib 旋转刻度标签 y 轴
• Matplotlib 旋转刻度标签日期
• Matplotlib 旋转刻度标签色带
• Matplotlib 将刻度标签旋转 45 度
• Matplotlib 将刻度标签旋转 90 度
• 旋转刻度标签对齐

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 另存为 pdf + 13 示例

原文：https://pythonguides.com/matplotlib-save-as-pdf/

在本 Python 教程中，我们将讨论 Python 中的 Matplotlib 另存为 pdf 。这里我们将介绍与使用 matplotlib 将图保存为 pdf 的相关的不同示例。我们还将讨论以下主题:

• Matplotlib 另存为 pdf
• Matplotlib 将 fig 另存为 pdf
• Matplotlib savefig pdf 示例
• Matplotlib 保存图 pdf dpi
• Matplotlib 保存 pdf 透明背景
• Matplotlib 将图形保存为 pdf
• Matplotlib 将子图保存到 pdf
• Matplotlib savefig pdf 截断
• Matplotlib save pdf file
• Matplotlib 保存图 pdf 多页
• Matplotlib 将表格另存为 pdf
• Matplotlib savefig pdf a4
• Matplotlib savefig pdf empty

目录

• Matplotlib 另存为 pdf
• Matplotlib 将 fig 另存为 pdf
• Matplotlib savefig pdf 示例
• Matplotlib savefig pdf dpi
• Matplotlib 保存 pdf 透明背景
• Matplotlib 将图形保存为 pdf
• Matplotlib 将子图保存为 pdf
• Matplotlib savefig pdf 切断
• Matplotlib 保存 pdf 文件
• Matplotlib savefig pdf 多页
• Matplotlib 将表格另存为 pdf
• Matplotlib 将矢量保存为 pdf
• Matplotlib savefig pdf a4
• Matplotlib save fig pdf empty

Matplotlib 另存为 pdf

在本节中，我们将学习如何使用 matplotlib 库将绘图或图表保存为 pdf 文件。首先，我们讨论一下【pdf】是什么意思:

PDF 代表可移植文档格式

PDF 格式用于保存不可修改的文件。PDF 文件的最大优点是可以方便地共享和打印。

以下步骤用于将图形或图表保存为 pdf 格式，概述如下:

• 定义库:导入将文件保存为 pdf 和定义数据所需的重要库(用于数据创建和操作:Numpy 和 Pandas，用于数据可视化:来自 matplotlib 的 pyplot)。
• 定义 X 和 Y: 定义用于 X 轴和 Y 轴的数据值。
• 创建一个图:使用 plot() ， scatter() ， bar() ，你可以创建一个图，也可以使用任何你喜欢的方法。
• 另存为 pdf: 通过使用 savefig() 方法，您可以将文件保存到您的系统中。将文件的扩展名设置为“pdf”，因为你的主要目的是保存为 pdf。
• 生成图:通过使用 show() 函数，生成一个图给用户。

Matplotlib 将 fig 另存为 pdf

要使用 matplotlib 将图形导出为 pdf 文件，我们必须调用 savefig() 方法。此方法的主要目的是将图形保存到本地系统内存中。

save fig()方法的语法如下:

matplotlib.pyplot.savefig(fname, dpi=None, 
                          facecolor='w',                                                
                          edgecolor='w',
                          orientation='portrait', 
                          papertype=None,                                  
                          format=None,                                
                          transparent=False,     
                          bbox_inches=None,                
                          pad_inches=0.1,                         
                          frameon=None,               
                          metadata=None)

使用的参数讨论如下:

• fname: 指定文件名或文件位置。
• dpi: 指定每英寸点数或图像质量。
• 表面颜色:指定绘图的表面颜色。默认情况下，是【白色】。
• 边缘颜色:指定绘图的边缘颜色。默认情况下，是【白色】。
• 方向:指定绘图方向为横向或纵向。
• papertype: 指定纸张的类型，如“信函”、“法律”、“a0 到 a10”等。
• 格式:指定文件的扩展名，如。 pdf 。
• 透明:使图像的背景透明。
• bbox_inches: 指定要保存的绘图部分。对于一个合适的安装套件，它需要【拧紧】。
• pad_inches: 指定绘图周围的空间。
• 元数据:指定存储在绘图元数据中的键/值对。取字典格式的数据。

读取 Matplotlib 绘制一条线

Matplotlib savefig pdf 示例

让我们来看一个例子，以便更清楚地理解在 matplotlib 中将绘图保存为 pdf 文件的概念。

举例:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [0, 1, 2, 3, 4, 5]
y= [1.5, 2, 3.6, 14, 2.5, 3.9]

**# Plot** 

plt.plot(x,y)

**# Save as pdf**

plt.savefig('save as pdf.pdf')

**# Show image**

plt.show() 

• 在上面的例子中，我们首先导入 matplotlib.pyplot 库。之后，我们在 x 和 y 坐标中定义数据用于绘图。
• plot() 方法用于绘制图表。
• 之后，我们使用 savefig() 方法将绘图保存在我们的项目目录中，作为一个 pdf 文件。
• 最后，我们使用 show() 方法在一个窗口中为用户生成一个绘图。

” Output of Plot save as a PDF file “

阅读 Python 使用 Matplotlib 绘制多行

Matplotlib savefig pdf dpi

“dpi”参数决定每英寸的点数。点的值以像素为单位定义。

语法如下:

matplotlib.pyplot.savefig(fname, dpi=None)

使用的参数定义如下:

• fname: 文件名或位置。
• dpi: 指定绘图的质量。

让我们看一个用 dpi 保存绘图的例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 12, 0.2)
y = np.sin(x)

**# Plot figure**

plt.plot(x, y)

**# Save as pdf**

plt.savefig('save as dpi .pdf', dpi=120, format='pdf', bbox_inches='tight')

**# Generate Plot**

plt.show()

这里，我们将 dpi 参数传递给 savefig() 方法，并将其值设置为 120。

” Output of PDF with dpi “

阅读什么是 matplotlib 内联

Matplotlib 保存 pdf 透明背景

在这里，您将学习如何将文件保存为具有透明背景的 pdf。你必须使用一个 savefig() 方法将一个绘图保存为 pdf 文件，并传递一个参数透明并将其值设置为真。

举例:

绘图有绿色背景，你必须把它保存为一个没有透明参数的 pdf 文件(T2)。

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

student = [10, 5, 3, 2, 4]
weight = [35, 25, 20, 50, 43]

**# Define background color**

ax = plt.figure()
ax.set_facecolor('green')

**# Plot Graph**

plt.bar(weight,student) 

**# Define axes label** 
plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# Save as pdf** 
plt.savefig('save pdf without transparent argument.pdf')

**# Display Graph** 
plt.show() 

在上面的例子中，我们绘制了一个条形图，并通过使用 savefig() 方法将其保存在系统本地内存中。

为了向您展示不同之处，我们将背景颜色设置为绿色。

” Pdf without Transparent argument “

举例:

绘图有绿色背景，你必须保存带有透明 T2 参数的 pdf 文件。

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

student = [10, 5, 3, 2, 4]
weight = [35, 25, 20, 50, 43]

**# Define background color**

ax = plt.figure()
ax.set_facecolor('green')

**# Plot Graph**

plt.bar(weight,student) 

**# Define axes label**

plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# Save as pdf** 
plt.savefig('save pdf with transparent argument.pdf',transparent = True)

**# Display Graph**

plt.show() 

这里我们将透明作为参数传递给 savefig() 方法，并将其值设置为 True 。

” Output on user screen “

” Output as PDF file with transparent background “

阅读 Matplotlib 绘图条形图

Matplotlib 将图形保存为 pdf

在这里，我们将学习如何将条形图保存为 pdf 文件。为此，首先，你必须绘制条形图，然后将其保存为 pdf 格式。

语法如下:

**# Plot graph**

matplotlib.pyplot.bar(x,y)

**# Save as pdf**

matplotlib.pyplot.savefig(fname)

让我们看一个与保存为 pdf 文件的条形图相关的例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

subjects = ['MATHS', 'SCIENCE', 'ENGLISH', 'USA ENGLISH', 'SOCIAL-SCIENCE']

data = [20, 7, 31, 25, 12]

**# Creating plot**

plt.bar(subjects, data)

**# save as pdf**

plt.savefig('save graph as pdf.pdf')

**# show plot** 
plt.show()

在上面的例子中，我们使用 plt.bar() 方法绘制条形图，然后使用 plt.savefig() 方法将条形图保存为 pdf 文件。所以我们将扩展设置为。pdf 。

” Output of graph save as PDF file “

阅读 Matplotlib 支线剧情教程

Matplotlib 将子图保存为 pdf

这里我们将讨论如何将支线剧情保存到 pdf 文件中。只需使用 savefig() 方法，就可以将它保存在一个文件中。注意一件事，你必须通过。pdf 作为文件名的扩展名。

我们来看一个例子:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x1= [0, 1, 2, 3, 4, 5]
y1= [0, 1.5, 2.3, 6.5, 15, 2.6]

x2= [2, 4, 6, 8]
y2= [3, 6, 9, 12]

x3= [2.3, 5.6, 4.6, 9.36, 5.6]
y3= [10, 5, 4, 6, 2]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

**# Set title**

ax[0, 0].set_title("Plot 1")
ax[0, 1].set_title("Plot 2")
ax[1, 0].set_title("Plot 3")
ax[1, 1].set_title("Plot 4")

**# Plot graph**

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

**# Save as pdf**

plt.savefig('save subplot as pdf.pdf')

**# Display Subplot**

fig.tight_layout()
plt.show()

• 在上面的例子中，我们导入了重要的库，如 matplotlib.pyplot 和 numpy 。
• 之后，我们定义在图形区域绘制支线图的数据。
• 然后我们使用 set_title() 方法为每个子情节设置不同的标题。
• 通过使用 savefig() 方法，我们通过传递扩展名将支线剧情保存在 pdf 文件中。pdf 到文件名。
• 最后，我们使用 tight_layout() 方法自动调整支线剧情，使用 show() 方法在用户界面上生成支线剧情。

” Subplots in Pdf File “

读取 Matplotlib 最佳拟合线

Matplotlib savefig pdf 切断

当我们将绘图保存到 pdf 文件中时，我们会得到一个额外的边框或空间。

如果你想去掉多余的空格，在 savefig() 方法中传递 bbox_inches 参数，并将其值设置为‘紧’。

让我们来看看例子:

举例:当我们正常保存一个图形到 pdf 文件

代码:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

subjects = ['MATHS', 'SCIENCE', 'ENGLISH', 'HINDI', 'SOCIAL-SCIENCE']

data = [20, 7, 31, 25, 12]

**# Creating plot**

plt.pie(data, labels = subjects)

**# save as pdf**

plt.savefig('save as pdf without cutoff.pdf')

**# show plot**

plt.show()

在上面的例子中，我们通过使用 plt.pie() 方法绘制饼图，然后通过使用 plt.savefig() 方法将该图保存为 pdf 文件。

输出:

” With extra spacing around the plot “

示例:当我们将绘图保存为 pdf 并删除多余的间距时

代码:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
subjects = ['MATHS', 'SCIENCE', 'ENGLISH', 'HINDI', 'SOCIAL-SCIENCE']

data = [20, 7, 31, 25, 12]

**# Creating plot**

plt.pie(data, labels = subjects)

**# save as pdf**

plt.savefig('save as pdf with cutoff.pdf', bbox_inches='tight')

**# show plot** 
plt.show()

在上面的例子中，我们通过使用 plt.pie() 方法绘制饼图，然后通过使用 plt.savefig() 方法将该图保存为 pdf 文件。

我们将 bbox_inches 作为参数传递，并将它的值设置为‘紧’以切断绘图。

输出:

” Cut off of plot “

结论:当我们在 savefig()方法中使用 bbox_inches 作为参数时，我们就脱离了绘图。

读取Matplotlib subplots _ adjust

Matplotlib 保存 pdf 文件

在 matplotlib 中，可以使用 PdfPages 类的 savefig() 方法将生成的绘图保存为 PDF 文件。

首先，您必须导入 matplotlib 库。

语法如下:

from matplotlib.backends.backend_pdf import PdfPages 

接下来，您必须实现 PdfPages

语法如下:

PdfPages(filename = None, keep_empty = True, metadata = None)

上述使用的参数如下:

• 文件名:指定要保存的文件的名称和位置。
• keep_empty: 取布尔值。如果为 false，则自动删除空的 PDF 文件。
• 元数据:以字典的形式取数据。它包含标题、作者、主题、关键词等信息。

最后，PdfPages 创建一个类的对象。

以下是类对象使用的主要函数:

• get_pagecount(): 该方法返回 pdf 文件的页数。
• close(): 该方法用于关闭对象。
• savefig(): 该方法用于将图形保存到 pdf 文件中。

注:指定格式。因为你的主要目标是 pdf，所以使用。pdf 作为扩展。

让我们看一个例子来更好地理解:

**# Import Libraries**

from matplotlib.backends.backend_pdf import PdfPages
import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

X = np.arange(20)
Y = X**2

**# PdfPages method** 
pp = PdfPages('save as pdf file in matplotlib.pdf')

**# Plot graph**

plt.plot(X,Y)

**# Object of class** 
pp.savefig()  

**# Close object**

pp.close()

• 在上面的例子中，我们首先导入 PdfPages 库。
• PdfPages() 方法用于将绘图保存为 pdf。
• 接下来，我们定义用于绘图的数据，并使用 plt.plot() 方法来绘制图形。
• 然后我们定义 savefig() 和 close() 作为类的对象

” PdfPages() “

读取 Matplotlib 日志日志图

Matplotlib savefig pdf 多页

如果你想在一个文件中保存多个图，你必须使用 PdfPages 类的 savefig() 方法。

让我们看一个多页 pdf 的例子:

**# Import Library**

from matplotlib.backends.backend_pdf import PdfPages
import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(10)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

**# PdfPages()**

pdf = PdfPages('hi.pdf')

**# Create function**

def multiple_plot(X,Y):
    plt.figure()
    plt.clf()
    plt.plot(X,Y)
    plt.xlabel('x axis')
    plt.ylabel('y axis')
    pdf.savefig()

**# call function**

multiple_plot(x,y1)
multiple_plot(x,y2)
multiple_plot(x,y3)

**# class function**

pdf.close()

• 在上面的例子中，首先我们导入重要的库 PdfPages 、 numpy 和 matplotlib.pyplot 。
• 之后，我们定义用于绘图的数据，并通过使用 PdfPages() 方法定义文件名并设置。pdf 作为文件的扩展名。
• 我们创建用户定义函数名为 multiple_plot() ，在这里我们定义了类对象的 plot() 方法 xlabel() ， ylabel() 方法和 savefig() 方法。
• 然后我们调用用户自定义函数来绘制多幅图以及类对象的 close() 方法。

” Output of Page 1 out of Page 3 “

” Output of Page 2 out Page 3 “

” Output of Page 3 Out of Page 3 “

这里，我们将三个不同的图保存在一个 pdf 文件中，而不是三个单独的文件中。

读取 Matplotlib plot_date

Matplotlib 将表格另存为 pdf

如果你想在 matplotlib 中创建一个表格并保存为 pdf 文件。您必须执行以下步骤:

• 导入 PdfPages 、 matplotlib.pyplot、和 numpy 库。
• 定义列名和数据。
• 然后使用 plt.subplot() 方法设置 figsize，并将轴设置为 off 使轴不可见。
• 接下来使用 plt.table() 方法绘制表格并传递 cellText 、 colLabels 、 loc 和 colLoc 作为参数，并分别设置其值为 data、 col_names 、 center 和 right 。
• 然后使用 PdfPages() 方法，传递文件的位置，保存为 Pdf。
• 然后在最后调用类对象的 savefig() 和 close() 方法。

举例:

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.backends.backend_pdf import PdfPages

**# Define Data**

col_names = ["Col-1", "Col-2", "Col-3", "Col-4", "Col-5", "Col-6"]
data = np.random.randint(100, size=(30,6))

**# Plot table**

fig, ax = plt.subplots(1, figsize=(10,10))
ax.axis('off')
table = plt.table(cellText=data, colLabels=col_names,loc='center',colLoc='right')

**# save as Pdf**

pdf = PdfPages('save table as pdf.pdf')
pdf.savefig()
pdf.close()

plt.table()

读取 Matplotlib 虚线

Matplotlib 将矢量保存为 pdf

首先，我们必须了解向量的含义，以及如何在 matplotlib 中绘制向量。

一个矢量是一个既有大小又有方向的物体。

从图形上看，我们可以用线段来表示矢量，线段的长度表示矢量的大小，箭头表示矢量的方向。

在 matplotlib 中，绘制向量场有两种方法，描述如下:

通过使用颤()方法我们可以绘制矢量:

matplotlib.pyplot.quiver(X,Y,U,V,**kw)

上面使用的参数如下:

• X 和 Y: 指定矢量的位置。
• U 和 V: 指定矢量的方向。

通过使用 streamplot() 方法我们可以绘制矢量:

matplotlib.pyplot.streamplot(X,Y,U,V,density=1,linewidth=none,color=None,**kw)

上面使用的参数如下:

• X 和 Y: 指定 1D 阵列间隔网格。
• U 和 V: 指定每个点的速度。
• 密度:指定图形每一区域的矢量数量。
• 线宽:代表厚度。

让我们看一个 pdf 格式的矢量例子:

**# Import libraries** 
import numpy as np
import matplotlib.pyplot as plt

**# Vector location**

X = [7]
Y = [1]

**# Directional vectors**

U = [5] 
V = [3] 
 **
# Creating plot**

plt.quiver(X, Y, U, V)

**# Save as pdf**

plt.savefig('vector as pdf.pdf')

**# Show plot**

plt.show() 

• 在上面的例子中，我们首先导入 matplotlib.pyplot 和 numpy 库。
• 然后我们定义向量的位置和方向。
• 通过使用 plt .颤()我们绘制了一个矢量图，并使用 plt.savefig() 方法将生成的图形保存到一个 pdf 文件中。

” Save vector as Pdf “

读取 Matplotlib 散点标记

Matplotlib savefig pdf a4

如果你想在 a4 大小的纸上保存绘图，你必须将 papertype 设置为 a4 大小，并将其传递给 savefig() 方法。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 12, 0.2)
y = np.sin(x)

**# Plot figure**

plt.plot(x, y)

**# Save image** 

plt.savefig('save as pdf on a4 size paper.pdf', papertype='a4')

**# Generate Plot**

plt.show()

这里我们将 papertype 参数传递给 savefig() 方法，并将其值设置为 a4 。

注意:此 papertype 参数仅适用于版本早于 3.3 的编辑器，否则，您将看到如下警告:

Warning

读取 Matplotlib 标题字体大小

Matplotlib save fig pdf empty

在这里，我们将讨论许多 matplotlib 初学者面临的一个非常普遍的问题。

问题是当用户在 matplotlib 中绘制图形并试图在本地系统中将其保存为 PDF 文件时，他们得到的是一个空文件。

让我们看一个你发现这个问题的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [0, 1, 2, 3, 4, 5]
y= [1.5, 2, 3.6, 14, 2.5, 3.9]

**# Plot** 

plt.scatter(x,y)

**# Show plot**

plt.show() 

**# Save as pdf**

plt.savefig('save as pdf.pdf')

• 在上面的例子中，我们首先导入 matplotlib.pyplot 库。
• 在此之后，我们定义数据坐标并使用 plt.scatter() 方法绘制散点图。
• 在此之后，我们使用 plt.show() 方法在屏幕上可视化绘图。
• 最后，我们使用 plt.savefig() 方法将您的绘图保存为图像。

” Output on user screen “

” Output In Pdf File “

我们得到的不是 pdf 文件中的图，而是一个空的 Pdf。

解决方案:

现在我告诉你解决这个问题的方法。解决方法是，你得在 plt.savefig() 方法之后调用 plt.show() 方法。

让我们来看一个解决方案代码:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [0, 1, 2, 3, 4, 5]
y= [1.5, 2, 3.6, 14, 2.5, 3.9]

**# Plot** 

plt.scatter(x,y)

**# Save as pdf**

plt.savefig('Pdf file consist plot.pdf')

**# Show plot**

plt.show() 

Solution

您可能会喜欢以下教程:

• Matplotlib 默认图形尺寸
• Matplotlib savefig 空白图像
• Matplotlib 另存为 png
• Matplotlib 两个 y 轴

在本 Python 教程中，我们已经讨论了“Matplotlib 另存为 pdf”，并且我们还介绍了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 另存为 pdf
• Matplotlib 将 fig 另存为 pdf
• Matplotlib savefig pdf 示例
• Matplotlib 保存图 pdf dpi
• Matplotlib 保存 pdf 透明背景
• Matplotlib 将图形保存为 pdf
• Matplotlib 将子图保存到 pdf
• Matplotlib savefig pdf 截断
• Matplotlib save pdf file
• Matplotlib 保存图 pdf 多页
• Matplotlib 将表格另存为 pdf
• Matplotlib savefig pdf a4
• Matplotlib savefig pdf empty

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 另存为 png

原文：https://pythonguides.com/matplotlib-save-as-png/

在本 Python 教程中，我们将讨论 Matplotlib 在 Python 中另存为 png 。这里我们将介绍使用 matplotlib 将图像保存为 png 的不同例子。我们还将讨论以下主题:

• Matplotlib 如何另存为 png
• Matplotlib 另存为 png
• Matplotlib 另存为 png dpi
• Matplotlib 图形为 png
• Matplotlib 保存 png 透明背景
• Matplotlib 保存 png 更改背景
• Matplotlib 保存不带边框的 png
• Matplotlib 将数组另存为 png
• Matplotlib 将轴另存为 png
• Matplotlib 将图形另存为 png 大小
• Matplotlib 将图表另存为 png
• Matplotlib 将图形保存为高分辨率的 png
• Matplotlib 另存为 png edgecolor

如果您是 Matplotlib 的新手，请查看什么是 Matplotlib 以及如何在 Python 中使用它以及如何安装 matplotlib python

目录

• Matplotlib 如何另存为 png
• Matplotlib 另存为 png
• Matplotlib 另存为 png dpi
• Matplotlib 图形为 png
• Matplotlib 保存 png 透明背景
• Matplotlib 保存 png 更改背景
• Matplotlib 保存不带边框的 png
• Matplotlib 将数组保存为 png
• Matplotlib 将轴另存为 png
• Matplotlib 将图形保存为 png 大小
• Matplotlib 将图表另存为 png
• Matplotlib 将图形保存为高分辨率 png
• Matplotlib 另存为 png edgecolor

Matplotlib 如何另存为 png

在本节中，我们将学习如何使用 matplotlib 库将绘图或图形保存为图像文件。首先，我们讨论一下“png”是什么意思:

PNG 代表便携式网络图形

PNG 是一种压缩器，用于在不丢失图像细节的情况下将图像压缩成较小的尺寸。

以下步骤用于将绘图或图形保存为 png，概述如下:

• 定义库:导入将图像保存为 png 和定义数据所需的重要库(用于数据创建和操作:Numpy，用于数据可视化:来自 matplotlib 的 pyplot)。
• 定义 X 和 Y: 定义用于 X 轴和 Y 轴的数据值。
• 创建一个情节:通过使用情节()方法创建一个情节或者你可以使用任何你喜欢的方法。
• 另存为 png: 使用 savefig() 方法可以将图像保存到系统中。将文件的扩展名设置为“png”，因为你的主要目的是保存为 png。
• 生成剧情:通过调用 show() 函数，生成一个剧情给用户。

注意:在 show()方法之前使用 savefig()方法。

Matplotlib 另存为 png

为了将一个绘图或图表或图形保存为 png，我们使用了 savefig() 方法。此方法的目的是将图像保存到您的本地系统内存中。

save fig()方法的语法如下:

matplotlib.pyplot.savefig(fname, dpi=None, facecolor='w', edgecolor='w', orientation='portrait', papertype=None, format=None, transparent=False, bbox_inches=None, pad_inches=0.1, frameon=None, metadata=None)

使用的参数讨论如下:

• fname: 指定文件名或文件位置。
• dpi: 指定图像质量(每英寸点数)。
• facecolor: 根据您的选择指定图像的面颜色。默认情况下，是【白色】。
• 边缘颜色:根据您的选择指定绘图的边缘颜色。默认情况下，是【白色】。
• 方向:您可以将图像的方向设置为横向或纵向。
• papertype: 指定纸张的类型，如“信件”、“法律”、“a0 到 a10”等。
• 格式:指定文件的扩展名，如。png 。
• 透明:使图像的背景透明。
• bbox_inches: 指定要保存的图像部分。对于一个合适的安装套件，它需要【拧紧】。
• pand_inches: 当 bbox_inches 为“紧”时，指定图像周围的填充。
• 元数据:指定要存储在图像元数据中的键/值对。获取字典数据类型中的数据。

我们来看一个另存为 png 的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x= [1, 2, 3, 4, 5]
y= [2.5, 6.3, 12, 14, 2]

**# Plot** 

plt.plot(x,y,color='r')

**# Save image as png** 
plt.savefig('save as png.png')

**# Show image**

plt.show() 

• 在上面的例子中，首先我们导入 matplotlib.pyplot 库。之后，我们在 x 和 y 坐标中定义数据。
• plot() 函数用于绘制图形。
• 一旦生成了绘图，我们使用 savefig() 方法将图形保存在我们的项目目录中。
• 之后使用 show() 方法来为用户生成一个绘图窗口。

” Project Directory Where Image Save”

“The output of savefig() method”

阅读: Matplotlib 绘制一条线

Matplotlib 另存为 png dpi

“dpi”参数决定点数。点的值以像素为单位定义。

语法如下:

matplotlib.pyplot.savefig(fname, dpi=None)

让我们看一个没有 dpi 的例子，这样我们就得到差异:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 
student = [3,2,0,5,9,1]
weight = [30,35,40,45,50,55]

**# Plot Graph**

plt.scatter(weight,student) 

**# Define axes label** 
plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# Save image**

plt.savefig('save as png without dpi.png')

**# Display Graph**

plt.show() 

” Project Directory”

” Image Without DPI”

让我们看一个用 dpi 保存图像的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 
student = [3,2,0,5,9,1]
weight = [30,35,40,45,50,55]

**# Plot Graph**

plt.scatter(weight,student) 

**# Define axes label** 
plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# Save image** 
plt.savefig('save as png dpi.png', dpi = 150)

**# Display Graph**

plt.show() 

” Directory of Image”

” Image with DPI”

阅读:什么是 matplotlib 内联

Matplotlib 图形为 png

在本节中，我们将学习如何将条形图保存为 png。为此，首先，你必须绘制条形图，然后将其保存为 png 格式。

语法如下:

**# Plot graph**
matplotlib.pyplot.bar(x,y)

**# Save as png**
matplotlib.pyplot.savefig(fname)

我们来看一个与此相关的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

students = [5, 6, 2, 3]
activities= ["Joging", "Gyming", "Swimming", "Shopping"]

**# Plot bar chart**

plt.bar( activities, students, color= 'm')

**# Save image** 
plt.savefig('save graph as png.png', dpi =100)

**# Display chart**

plt.show()

在上面，我们使用 plt.bar() 方法绘制条形图，然后使用 plt.savefig() 方法将图像保存为 png，我们还将其 dpi 值设置为 100 。

“Directory where image save”

“Save bar chart as a png with DPI 100”

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib 保存 png 透明背景

在这里，我们将学习如何保存透明背景的图像。我们将使用一个 savefig() 函数将绘图保存为图像，并将透明作为参数传递，将其值设置为真。

示例:图有粉色背景色，我们保存的图像没有透明参数。

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np
 **# Define Data** 
x = np.arange(0, 5, 0.2)
y = np.cos(x)

**# Plot figure and set background to pink**

ax = plt.figure()
ax.set_facecolor('pink')
plt.plot(x, y)

**# Save image** 

plt.savefig('save png without transparent background.png')

**# Generate Plot**

plt.show()

• 在上面的例子中，我们绘制了一个图形，并使用 savefig() 方法保存它。
• 我们也设置背景颜色为粉色。

“Directory”

“Image without Transparent argument or savefig(transparent = False)”

示例:绘图有粉色背景色，我们保存图像有透明参数。

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 5, 0.2)
y = np.cos(x)

**# Plot figure and set background to pink**

ax = plt.figure()
ax.set_facecolor('pink')
plt.plot(x, y)

**# Save image** 
plt.savefig('save png transparent background.png', transparent = True)

**# Generate Plot**

plt.show()

“Directory”

” Image with Transparent argument or savefig(Transparent=True)”

阅读: Matplotlib 绘图条形图

Matplotlib 保存 png 更改背景

这里我们学习如何改变图面的颜色。默认情况下，脸部颜色为【白色】。

我们可以通过将的 facecolor 参数传递给的 savefig() 方法来改变它。

改变 facecolor 的语法如下:

matplotlib.pyplot.savefig(fname, facecolor = None)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = [1, 2, 3, 4, 5]
y = [1, 2, 3, 4, 5]

**# Plot**

plt.plot(x, y)

**# Save image** 

plt.savefig('save png change background.png', facecolor ='orange')

**# Generate Plot**

plt.show() 

在上面的例子中，我们使用 savefig() 方法将一个图形保存为图像，并将 facecolor 参数传递给它，并将其值设置为“橙色”。

“Directory where Image save”

” Change facecolor or background color”

阅读: Matplotlib 支线剧情教程

Matplotlib 保存不带边框的 png

当我们将 bbox_inches 参数传递给 savefig() 方法并将其值设置为“tight”时，它会移除其边框。

基本上，它尽可能地从图形中裁剪出额外的边框。

去除多余边框的语法:

matplotlib.pyplot.savefig(fname, bbox_inches='tight')

我们来看一个无边框另存为 png 的例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** x = [1, 2, 3, 4, 5]
y = [1, 2, 3, 4, 5]

**# Plot**

plt.scatter(x, y)

**# Save image** 

plt.savefig('save png without border.png', facecolor ='green', bbox_inches='tight')

**# Generate Plot**

plt.show() 

在上面的例子中，我们将 facecolor 设置为绿色，并且我们还使用了 bbox_inches 参数来剪切其额外的边框。

“Directory”

plt.savefig(bbox_inches=’tight’)

阅读: Matplotlib 最佳拟合线

Matplotlib 将数组保存为 png

为了将数组保存为 png 图像，我们使用了 imsave() 方法。

语法如下:

mtplotlib.pyplot.imsave(fname, array)

举例:

**# Import Library** import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 737280, 1, np.uint8)
array = np.reshape(array, (1024, 720))

**# Save image** 
plt.imsave('save array as png.png', array)

**# Show plot**

plt.show()

在上面的例子中，我们使用 imsave() 方法将数组保存为图像。

“save array as png”

阅读: Matplotlib 支线剧情 _adjust

Matplotlib 将轴另存为 png

在这里，我们可以看到如何将轴保存为 png。

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data**

x = [1, 2, 3, 4, 5]
y = [1, 2, 15, 4, 5]

**# Define axes**

plt.xlabel('x-axis')
plt.ylabel('y-axis')

**# Save image** 

plt.savefig('matplotlib save axis as png.png', bbox_inches='tight')

**# Generate Plot**

plt.show() 

在上面的例子中，我们只画了图表的轴。

“Save axis as png”

阅读: Matplotlib plot_date

Matplotlib 将图形保存为 png 大小

通过使用 dpi 参数，我们可以根据您的选择增加和减少图形的大小。

语法如下:

matplotlib.pyplot.savefig(fname, dpi=None)

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 5, 0.2)
y = np.sin(x)

**# Plot figure** 
plt.plot(x, y)

**# Save image** 

plt.savefig('save figure as png size.png', dpi=30)

**# Generate Plot**

plt.show()

这里我们将 dpi 参数的大小设置为 30，并将其传递给 savefig() 方法。

“The size of the image decreased”

阅读: Matplotlib 虚线

Matplotlib 将图表另存为 png

在这里，我们学习如何将饼图保存为图像。首先，你必须知道如何创建一个饼图。

绘制饼图并保存为图像的语法如下:

**# Pie chart**
matplotlib.pyplot.pie(data, explode=None, labels=None, colors=None, autopct=None, shadow=False)

**# Save Image**
matplotlib.pyplot.savefig(fname)

上面使用的参数定义为:

• 数据:指定要绘制的数据值数组。
• 标签:指定每个楔形的标签。
• 颜色:指定楔形的颜色。
• autopct: 用于给楔形标注数值。
• 阴影:用于创建阴影。
• 文件名:文件名或路径

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

subjects = ['MATHS', 'SCIENCE', 'ENGLISH', 'HINDI', 'SOCIAL-SCIENCE']

data = [20, 7, 31, 25, 12]

**# Creating plot**

plt.pie(data, labels = subjects)

**# save as an image** 
plt.savefig('save chart as png.png')

**# show plot**

plt.show()

• 在上面的例子中，我们首先导入了 matplotlib.pyplot 和 numpy 库。
• 之后，我们定义数据和标签，并使用 pie() 方法绘制一个饼图。
• 然后我们使用 plt.savefig() 方法将饼状图保存为 png 格式的图像。
• 最后，我们使用 show() 方法来可视化图表。

“Directory”

“Save Pie Chart as an image”

阅读: Matplotlib 散点图标记

Matplotlib 将图形保存为高分辨率 png

为了保存高分辨率的图片，你必须在 savefig() 方法中传递一个 dpi 参数，然后增加它的值。

让我们来看一个高分辨率图形的例子:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data** 

student = [15, 12, 10, 5, 2]
marks = [50, 45, 30, 22, 15]

**# Plot Graph**

plt.bar(marks,student) 

**# Define axes label**

plt.xlabel("Marks of the students")
plt.ylabel("Number of students")

**# Save image**

plt.savefig('save figure as png with high resolution.png', dpi=200)

**# Display Graph** 
plt.show() 

“High-Resolution Figure with DPI = 200″

阅读: Matplotlib 旋转刻度标签

Matplotlib 另存为 png edgecolor

这里我们学习如何在 matplotlib 中用 edgecolor 保存图形。

程序员有时会发现很难保存带有边缘颜色的图像，因为默认情况下线宽被设置为 0.0 。

所以，首先要保存一个带边缘颜色的图像，你必须改变线宽或者我们可以说你必须增加线宽大小。

改变线宽并保存带有边缘颜色的图像的语法如下:

**# Linewidth** 
matplotlib.pyplot.figure(linewidth= 0.0)

**# Save iamge**
matplotlib.pyplot.savefig(fname, edgecolor=Name) 

让我们看一个例子来更好地理解这个概念:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data` **and linewidth`

plt.figure(linewidth=15)

x = np.arange(0, 15, 0.2)
y = np.sin(x)

**# Plot figure**

plt.plot(x, y)

**# Save image** 

plt.savefig('save as png edgecolor.png', edgecolor='blue', facecolor='yellow')

**# Generate Plot**

plt.show()

• 在上面的例子中，我们首先将图形的线宽设置为 15 ，然后定义数据坐标。
• 然后，我们使用， plt.plot() 方法绘制图表，之后，我们使用 plt.savefig() 方法将绘图保存为图像。
• 这里我们传递参数 edgecolor 和 facecolor ，并将它们的值分别设置为蓝色和黄色。

“Save image with edgecolor”

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 条形图标签
• Matplotlib 绘图误差线
• Matplotlib fill_between

在本 Python 教程中，我们已经讨论了“Matplotlib 另存为 png”，并且我们还讨论了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 如何另存为 png
• Matplotlib 另存为 png
• Matplotlib 另存为 png dpi
• Matplotlib 图形为 png
• Matplotlib 保存 png 透明背景
• Matplotlib 保存 png 更改背景
• Matplotlib 保存不带边框的 png
• Matplotlib 将数组另存为 png
• Matplotlib 将轴另存为 png
• Matplotlib 将图形另存为 png 大小
• Matplotlib 将图表另存为 png
• Matplotlib 将图形保存为高分辨率的 png
• Matplotlib 另存为 png edgecolor

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 保存空白图像

原文：https://pythonguides.com/matplotlib-savefig-blank-image/

在这里，我们将讨论许多 matplotlib 初学者或程序员面临的一个非常普遍的问题。我们将尝试涵盖一些解决方案来克服这个问题“matplotlib save fig blank image”。

看看，什么是 Matplotlib，如何在 Python 中使用它

目录

• matplotlib savefig 空白图像
  • 解决方案#1:通过使用 plt.savefig()
  • 解决方案#2:通过使用 plt.figure()

matplotlib savefig 空白图像

问题:当程序员在 matplotlib 中绘制图形或图表，并试图将其保存为本地系统中的图像，但图形无法显示。

首先我应该向你澄清这不是一个错误。有时，当用户使用 "savefig()" 方法保存图形时，会得到一个黑页。

让我们来看一个上述问题的例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

student = [3,2,0,5,9,1]
weight = [30,35,40,45,50,55]

**# Plot Graph**

plt.scatter(weight,student) 

**# Define axes label**

plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# show plot** 
plt.show()

**# Save image**

plt.savefig('figure not shown', dpi = 150)

• 在上面的例子中，我们首先导入 matplotlib.pyplot 库。
• 在此之后，我们定义数据坐标并使用 plt.scatter() 方法绘制散点图。
• 我们使用 plt.xlabel() 和 plt.ylabel() 方法分别定义 x 轴标签和 y 轴标签。
• 在此之后，我们使用 plt.show() 方法在屏幕上可视化绘图。
• 最后，我们使用 plt.savefig() 方法将您的绘图保存为图像。

” Figure show in jupyter notebook or on your screen”

“Directory where the figure is shown in your local system”

” Output when you open saved figure from your system”

上面你可以看到，当我们打开保存图时，我们得到的是一个空白页，而不是一个图。

退房， Matplotlib 支线剧情教程

方案一: 利用 plt.savefig()

这个问题的解决方案是，你必须在 plt.savefig() 方法之后调用 plt.show() 方法。

我们来看一个代码:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

student = [3,2,0,5,9,1]
weight = [30,35,40,45,50,55]

**# Plot Graph**

plt.scatter(weight,student) 

**# Define axes label** 
plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# Save image** 
plt.savefig('figure shown', dpi = 150)

**# show plot** 
plt.show() 

在上面的例子中，我们在使用 show() 方法之前使用了 savefig() 方法。

” Output on your screen”

“Directory where image saved”

“Output when you open saved image from your system”

结论！当我们在 matplotlib 中 show()方法之前调用 savefig()方法时，得到的是一个图而不是空白页。

另外，请阅读: modulenotfounderror:没有名为“matplotlib”的模块

方案二: 利用 plt.figure()

这个问题的下一个解决方案是使用 figure() 方法将图形保存为图像。在这里，我们在使用 savefig() 方法之前使用了 show() 方法。

让我们看看代码:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data** 
student = [3,2,0,5,9,1]
weight = [30,35,40,45,50,55]

**# Plot Graph** fig = plt.figure()

plt.scatter(weight,student) 

**# Define axes label** 
plt.xlabel("Weight of the students")
plt.ylabel("Number of students")

**# show plot**

plt.show()

**# Save image**

fig.savefig('figure', dpi = 150) 

• 在上面的例子中，我们导入 matplotlib.pyplot 库并定义数据坐标。
• 之后我们使用 plt.figure() 方法和 plt.scatter() 方法绘制散点图。
• 然后我们使用 plt.xlabel() 和 plt.ylabel() 方法定义轴标签。
• plt.show() 方法用于可视化绘图。
• 最后，我们使用 fig.savefig() 方法将图形保存为图像。

plt.figure()

结论！这里我们使用 plt.figure()方法和 fig.savefig()方法将 figure 保存为图像。

因此，在本教程中，我们了解了关于 Matplotlib savefig() "figure "不显示错误或 Matplotlib savefig 空白图像的问题。

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 另存为 png
• Matplotlib set _ yticklabels
• Matplotlib 绘图误差线
• Matplotlib 散点图标记
• Matplotlib 虚线
• Matplotlib plot_date
• Matplotlib 测井记录图
• Matplotlib 条形图标签
• Matplotlib 默认图形尺寸
• Matplotlib tight_layout

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 散点标记

原文：https://pythonguides.com/matplotlib-scatter-marker/

在本 python 教程中，我们将使用 Python 中的 matplotlib 讨论带有标记的散点图。我们还将讨论以下主题:

• Matplotlib 散点标记
• 如何绘制散点图
• Matplotlib 散点图标记示例
• Matplotlib 散点标记多重绘图
• Matplotlib 散点图标记颜色
• Matplotlib 散点图标记每个标记有不同的颜色
• Matplotlib 散点图生成器大小
• Matplotlib 散点图标记每个标记的大小不同
• Matplotlib 散点图标记样式
• Matplotlib 散点图标记每个标记有不同的样式
• Matplotlib 散点标记色图
• Matplotlib 散点图标记轮廓
• Matplotlib 散点图标记文本
• 按值或类别排列的 Matplotlib 散点图标记颜色
• Matplotlib 散点图标记透明

目录

• Matplotlib 散点图标记
• Matplotlib 散点图如何绘制
• Matplotlib 散点图标记示例
• Matplotlib 散点图标记多重图
• Matplotlib 散点图标记颜色
• Matplotlib 散点图标记每个标记不同的颜色
• Matplotlib 散点图标记大小
• Matplotlib 散点图标记每个标记的大小不同
• Mtplotlib 散点标记样式
• Matplotlib 散点图标记每个标记的不同样式
• Matplotlib 散点标记色图
• Matplotlib 散点图标记轮廓
• Matplotlib 散点图标记文本
  • Matplotlib 散点标记文本–单点注释
  • Matplotlib 散点标记文本–所有点注释
• Matplotlib 散点图颜色按数值或类别
• Matplotlib 散点标记透明

Matplotlib 散点图标记

• Matplotlib 为数据可视化提供了一个 pyplot 模块。
• 在 pyplot 模块下，我们有一个 scatter() 函数来绘制散点图。
• 基本上， scatter() 方法为每次观察画一个点。
• 在 matplotlib 中，绘制的点称为“标记”。
• 这就是为什么它被称为散射标记的原因。

Matplotlib 散点图如何绘制

• 散点图()方法用于绘制散点图。
• 它以数组的形式接收数据。
• 它接受相同长度的两个数组中的值，一个用于 x 轴的，另一个用于 y 轴的。

以下步骤用于创建 matplotlib 散点图标记，概述如下:

• 定义库:导入创建散点标记所需的重要库(可视化:来自 matplotlib 的 pyplot，数据创建和操作:NumPy)。
• 定义 X 和 Y: 定义 X 轴和 Y 轴上的数据值。它接受数组形式的数据值。两个区域的大小必须相同。
• 绘制散点图:通过使用散点图()方法，我们可以绘制一个图形。
• 显示:最后使用 show() 函数显示出图形。

创建 matplotlib 散点图的语法如下:

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, ....)

上述使用的参数概述如下:

• x: 指定 x 轴上的数据位置。
• y: 指定 y 轴上的数据位置。
• s: 指定标记尺寸。
• c: 指定点的颜色。
• 标记:指定标记的种类。

Matplotlib 散点图标记示例

在上面的章节中，我们讨论了散点图的确切含义。我们还讨论了用于创建或绘制 matplotlib 散点图的各个步骤。现在，让我们看看如何使用 matplotlib 绘制散点图。

下面我们通过一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([5,7,8,7,2])
y = np.array([99,103,87,94,78])

**# Plot a scatter marker**

plt.scatter(x, y)

**# Display a graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们定义数组形式的 X 轴和 Y 轴点。
• plt.scatter() 方法用于为每个数据点绘制一个点。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

Matplotlib scatter marker

阅读:如何安装 matplotlib python

Matplotlib 散点图标记多重图

如果我们想在同一个图中绘制多个散点图会发生什么。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Plot data** 

x = np.array([5,7,8,7])
y = np.array([78,77,85,86])
plt.scatter(x, y)

**# Plot data** 
x = np.array([4,7,14,12])
y = np.array([100,105,84,105])
plt.scatter(x, y)

**# Display Graph**

plt.show()

• 在上面的例子中，我们得出结论，当我们绘制两个不同的数据时，这些图是用两种不同的颜色绘制的。
• 默认情况下，散射标记为蓝色和橙色。

plt.scatter()

Matplotlib 散点图标记颜色

我们可以为每个散点图设置我们选择的颜色。

改变颜色的语法如下:

matplotlib.pyplot.scatter(x, y, color=None)

给定语法的参数概述如下:

• x: 指定 x 轴上的数据位置。
• y: 指定 y 轴上的数据位置。
• 颜色:设置您选择的颜色。颜色的简写是“ c ”。

结果:所有标记颜色相同。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([5,7,8,7,2])
y = np.array([99,103,87,94,78])

**# Plot a scatter marker**

plt.scatter(x, y, color='red')

                       **#OR**

plt.scatter(x, y, c='cyan')

**# Display a graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们定义数组形式的 X 轴和 Y 轴点。
• plt.scatter() 方法用于为每个数据点绘制点，我们传递一个参数 color 来设置绘图的颜色。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

plt.scatter() “Output of case1”

plt.scatter() “Output of case2”

阅读: Matplotlib 绘制一条线

Matplotlib 散点图标记每个标记不同的颜色

• 如果我们想为每个点或标记设置不同的颜色，我们必须定义一个由颜色值组成的数组。
• 两个数组的大小必须相同，即颜色或值。

为每个标记设置不同颜色的语法如下:

matplotlib.pyplot.scatter(x,y,c=None)

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• c :为每个点设置不同的颜色。

结果:所有标记颜色不同。

注: 用于为每个点设置不同的颜色通过' c '作为自变量或颜色自变量。

让我们借助一个例子来理解这个概念:

**# Import Libraries** 

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([5, 7, 8, 7, 2, 6, 12, 3, 5, 63, 22, 69])
y = np.array([10, 15, 12, 11, 63, 45, 56, 36, 56, 99, 21, 23])
colors_set = np.array(["orange","purple","beige","brown","gray","cyan","magenta","red","green","blue","yellow","pink"])

**# Plot a scatter marker**

plt.scatter(x, y, c=colors_set)

**# Display a graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。然后我们以数组的形式定义了 X 轴和 Y 轴点。
• plt.scatter() 方法用于为每个数据点绘制点，我们通过一个参数‘c’为每个点设置不同的颜色。然后我们最终使用方法 plt.show() 来显示绘制的图形

plt.scatter()

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib 散点图标记大小

如果我们想根据自己的选择设置标记的大小。我们必须传递参数' s '。

我们可以根据需要轻松增加或减少标记的大小。

改变标记大小的语法如下:

matplotlib.pyplot.scatter(x, y, s=None)

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• s :设置标记的大小。

结果:所有标记大小相同。

让我们借助下面给出的例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

**# Define scatter() function**

plt.scatter(x, y, s=115)

# Display the graph

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们定义数组形式的 X 轴和 Y 轴点。
• plt.scatter() 方法用于为每个数据点绘制点，我们通过一个参数【T2 的】来设置标记的大小。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

Matplotlib scatter marker size

阅读:什么是 matplotlib 内联

Matplotlib 散点图标记每个标记的大小不同

当我们想要修改每个标记的大小时。我们必须将参数' s '传递给该方法。

此功能增加或减少每个标记的大小。

设置每个标记大小的语法如下:

matplotlib.pyplot.scatter(x, y, s=None)

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• s :设定每个标记的不同尺寸。默认大小为 RC params[' lines . marker size ']* * 2

结果:每个标记大小不同。

让我们借助下面给出的例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

**# Define scatter() function**

sizes = (np.random.sample(size=x.size) * 75) ** 2
plt.scatter(x, y, s=sizes)

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们定义数组形式的 x 轴和 y 轴点。
• plt.scatter() 方法用于为每个数据点绘制一个标记。要改变每个标记的大小，我们必须将参数【T2 的】传递给函数。
• 然后，我们最后使用方法 plt.show() 来显示绘制的图形。

plt.scatter()

阅读: Matplotlib 绘图条形图

Mtplotlib 散点标记样式

程序员可以定制标记的样式或形状。Matplotlib 提供了更改标记样式的功能。

通过使用参数'标记，我们可以随时改变标记的样式或形状。

标记样式的一些常见类型:

| 标记 | 描述 |
| '.' | 要点 |
| 的 | 圆 |
| '+' | 加 |
| '>' | 三角形右 |
| ' | 向左三角形 |
| “s” | 平方 |
| x ' | X |

Different Markers

改变标记样式的语法如下:

matplotlib.pyplot.scatter(x, y, marker=None)

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• 标记:设置标记的不同风格。默认情况下，样式为圆形。

结果:不同风格的标记。

我们借助一个例子来讨论一下上面的概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

**# Define scatter() function**

plt.scatter(x, y, marker='>', s = 65)

                     **#OR**

plt.scatter(x, y, marker='s', s = 165)

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们以数组的形式定义 x 轴和 y 轴点。
• plt.scatter() 方法用于为每个数据点绘制标记，我们通过参数‘标记’来设置标记的样式。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

plt.scatter() “Output of Case1”

plt.scatter() “Output of Case2”

阅读: Matplotlib 支线剧情教程

Matplotlib 散点图标记每个标记的不同样式

为了区分不同的数据组，我们必须使用不同风格的标记。无法在对 scatter() 方法的一次调用中定义多个标记样式。

因此，要对不同组的数据使用不同的标记样式，我们每次都必须使用 scatter() 方法。

改变每个标记样式的语法:

matplotlib.pyplot.scatter(x, y, marker=None) // Call each time

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• 标记:设置每个标记的不同风格。每次都调用函数。

Result: 返回不同样式的标记，便于区分不同的数据组。

让我们借助一个例子来理解这个概念:

**# Import Libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([10, 20, 30, 15, 25, 13, 8, 2])
y1 = np.array([1, 6, 8, 12, 25, 15, 10, 7.5])
y2= np.array([6.5, 3.2, 16, 15, 19, 23, 18.6, 29])

**# Define scatter() function**

plt.scatter(x, y1, marker='s', s = 265)
plt.scatter(x, y2, marker='d', s = 265)

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和 numpy 库。
• 然后我们将 x 轴的和 y 轴的点以数组的形式排列。****
• plt.scatter() 方法用于为每个数据点绘制标记，我们通过参数‘marker’来设置标记的样式。要设置不同风格的每个标记，每次都必须调用 scatter() 方法。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****

plt.scatter()

阅读: Matplotlib 支线剧情 _adjust

Matplotlib 散点标记色图

有时，我们必须绘制依赖于其他数据的数据。在这种情况下，我们使用彩色地图。

如果您想在图形区域中包含一个颜色图条，使用函数 plt.colorbar()

其语法如下:

matplotlib.pyplot.scatter(x, y, c=None, cmap=None) 
matplotlib.pyplot.colorbar()

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• c :指定颜色的数组。范围从 0 到 100。
• cmap: 指定彩色地图。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([99,86,88,111,103,87,94,78,77,85,86,23,15])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800,65,12])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

**# Define scatter() function** 
plt.scatter(x, y, c=colors, cmap= 'PiYG')

                   **#Or**

plt.scatter(x, y, c=colors, cmap= 'Dark2')

plt.colorbar()

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和 numpy 库。
• 然后我们将 x 轴的和 y 轴的点以数组的形式排列。****
• plt.scatter() 方法用于为每个数据点绘制标记，我们通过参数【cmap】来设置颜色图。
• plt.colorbar() 方法用于显示绘图中的色带。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****

plt.scatter() “Output of case1”

plt.colorbar() “Output of case2”

读取: Matplotlib 日志日志图

Matplotlib 散点图标记轮廓

我们可以通过改变其边缘颜色来改变每个标记的轮廓。基本上，它用特定的颜色在标记周围创建轮廓。

其语法如下:

matplotlib.pyplot.scatter(x, y, c=None, s=None, edgecolors=None, cmap=None)

给定语法的参数概述如下:

• x: 指定数据在 x 轴上的位置。
• y: 指定数据在 y 轴上的位置。
• c :指定颜色的数组。范围从 0 到 100。
• s: 指定标记的大小
• 边缘颜色:设置标记的边缘颜色
• cmap: 指定彩色地图。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.array([99,86,88,111,103,87,94,78,77,85,86,23,15])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800,65,12])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

**# Define scatter() function**

plt.scatter(x, y, c=colors, edgecolors= 'k', s= 120, cmap= 'Dark2')
plt.colorbar()

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和 numpy 库。
• 然后我们将 x 轴的和 y 轴的点以数组的形式排列。****
• plt.scatter() 方法用于为每个数据点绘制标记，我们通过参数【edge colors】来设置标记边缘的颜色。这里我们将颜色设置为黑色。
• plt.colorbar() 方法用于显示绘图中的色带。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****

plt.scatter()

阅读: Matplotlib plot_date

Matplotlib 散点图标记文本

当我们想要在 matplotlib 中的散点图旁边放置一个文本时，这个过程被称为注释。

根据我们想要注释的分散点的数量，有两种类型的注释。

注释的类型如下:

• 单点注释
• 多点注释

Matplotlib 散点标记文本–单点注释

在单点注释中，我们可以将文本放置在特定的点上。

当可以使用 plt.text() 方法来提及文本时。

单点标注的语法如下:

matplotlib.plot.text(x, y, s)

给定语法的参数概述如下:

• x: 指定放置文本的 x 轴点。
• y: 指定放置文本的 y 轴点。
• s: 指定文本。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

**# Define scatter() function**

plt.scatter(x, y)

**# Annotate the point**

plt.text(99,20, 'Point 1')

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和 numpy 库。
• 然后我们将 x 轴的和 y 轴的点以数组的形式排列。****
• plt.scatter() 方法用于为每个数据点绘制标记。
• plt.text() 方法用于标注单点。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****

plt.text()

Matplotlib 散点标记文本–所有点注释

如果我们想要注释散点图中的所有点，我们在 matplotlib 中有 annotate() 方法。

其语法如下:

matplotlib.pyplot.annotate(text, (xy))

给定语法的参数概述如下:

• 文本:指定注释的文本。
• xy: 指定要注释的点。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [x for x in range(5)]
y = np.array([20,50,200,500,1000])
text = ["first", "second", "third", "fourth", "fifth"]

**# Define scatter() function**

plt.scatter(x, y)

**# Annotate the point**

for i in range(len(x)):
    plt.annotate(text[i], (x[i], y[i] + 0.2))

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和 numpy 库。
• 然后我们将 x 轴和 y 轴点以数组的形式排列。****
• plt.scatter() 方法用于为每个数据点绘制标记。
• plt.annotate() 方法用于标注单点。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****

plt.annotate()

阅读: Matplotlib 虚线

Matplotlib 散点图颜色按数值或类别

在本节中，我们将学习如何根据数值或类别给数据点或散点图标记着色。

对于分组，使用' groupby '子句。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import pandas as pd
import matplotlib.pyplot as plt

**#create DataFrame**

df = pd.DataFrame({'x': [10, 12, 13, 14, 19, 23, 25, 30],
                   'y': [5, 7, 7, 9, 12, 9, 9, 4],
                   'z': ['A', 'A', 'A', 'B', 'B', 'C', 'C', 'C']})

**#view DataFrame**

df

**#groupby category**

groups = df.groupby('z')
for name, group in groups:
    plt.scatter(group.x, group.y, label=name)

**# Display the graph**

plt.legend()
plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和熊猫库。
• 然后我们创建一个数据帧，以数组的形式定义 x 轴和 y 轴点。****
• plt.scatter() 方法用于为每个数据点绘制标记。
• groupby 用于分组的子句
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****读取: Matplotlib 绘图误差线

Matplotlib 散点标记透明

当我们想要检查绘制的数据密度时，由于大量的重叠我们无法看到，这时我们需要透明度。

alpha 参数用于使散点标记透明。

alpha 参数移除散点的轮廓。

透明的语法如下:

matplotlib.pyplot.scatter(x, y, alpha=None)

给定语法的参数概述如下:

• x: 指定 x 轴上的数据点。
• y: 指定 y 轴上的数据点。
• alpha: 设置透明度值。默认值为 1，即无透明度。

让我们借助一个例子来理解这个概念:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

**# Define scatter() function**

sizes = (np.random.sample(size=x.size) * 75) ** 2
plt.scatter(x, y, s=sizes, alpha=0.3, c='red')

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了matplotlib . py plot和熊猫库。
• 然后我们将 x 轴的和 y 轴的点以数组的形式排列。****
• plt.scatter() 方法用于为每个数据点 t 绘制标记，并通过参数' alpha '设置透明度。我们设定α= 0.3
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

****

plt.scatter()

另外，看看更多的文章:

• Matplotlib 另存为 png
• 画垂直线 matplotlib
• 将图例放在绘图 matplotlib 之外

在本 Python 教程中，我们已经讨论了" Matplotlib 散点标记"并且我们还介绍了一些与之相关的例子。我们在本教程中讨论了以下主题。

• Matplotlib 散点标记
• 如何绘制散点图
• Matplotlib 散点图标记示例
• Matplotlib 散点标记多重绘图
• Matplotlib 散点图标记颜色
• Matplotlib 散点图标记每个标记有不同的颜色
• Matplotlib 散点图生成器大小
• Matplotlib 散点图标记每个标记的大小不同
• Matplotlib 散点图标记样式
• Matplotlib 散点图标记每个标记有不同的样式
• Matplotlib 散点标记色图
• Matplotlib 散点图标记轮廓
• Matplotlib 散点图标记文本
• 按值或类别排列的 Matplotlib 散点图标记颜色
• Matplotlib 散点图标记透明

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/********************

Matplotlib 散点图颜色

原文：https://pythonguides.com/matplotlib-scatter-plot-color/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 中的 Matplotlib 散点图颜色。这里我们将介绍使用 matplotlib 与散点图颜色相关的不同示例。我们还将讨论以下主题:

• Matplotlib 散点图颜色
• Python 散点图颜色数组
• Python 散点图颜色为红色
• Matplotlib 散点图边缘颜色
• Matplotlib 散点图每个点的颜色
• Matplotlib 散点图彩色地图
• Matplotlib 散点图标记表面颜色
• Matplotlib 散点图颜色透明度
• Python 散点图随机颜色
• 按标签排列的散点图颜色
• Python 散点图颜色范围
• Matplotlib 散点图两种颜色
• Matplotlib 散点图颜色标签
• Matplotlib 散点图颜色 rgb
• Matplotlib 按字符串散点图颜色
• Matplotlib 散点图颜色分类
• Matplotlib 散点图颜色值
• 按类别排列的散点图颜色图例

目录

• Matplotlib 散点图颜色
• Python 散点图颜色数组
• Python 散点图颜色红色
• Matplotlib 散点图边缘颜色
• Matplotlib 散点图每个点的颜色
• Matplotlib 散点图颜色图
• Matplotlib 散点图标记表面颜色
• Matplotlib 散点图颜色透明度
• Python 散点图随机颜色
• Matplotlib 标签散点图颜色
• Python 散点图颜色范围
• Matplotlibb 散点图两种颜色
• Matplotlib 散点图颜色标签
• Matplotlib 散点图颜色 rgb
• Matplotlib 散点图颜色按字符串排列
• Matplotlib 散点图颜色分类
• Matplotlib 散点图颜色值
• Matplotlib 散点图颜色分类图例

Matplotlib 散点图颜色

对于数据可视化，matplotlib 提供了一个 pyplot 模块，在这个模块下我们有一个 scatter() 函数来绘制散点图。在这里，我们将学习如何根据不同的条件给散点图着色。

以下步骤用于设置散点图的颜色:

• 定义库:导入创建散点图所需的重要库。对于可视化:来自 matplotlib 的 pyplot 和对于数据创建: NumPy 。
• 定义坐标:定义 x 轴和 y 轴数据坐标，用于数据绘图。
• 绘制散点图:通过使用 scatter() 函数，我们可以绘制一个散点图。
• 设置颜色:使用 scatter() 函数的以下参数设置散点图的颜色 c 、 color 、 edgecolor 、 markercolor 、 cmap 和 alpha 。
• 显示:使用 show() 功能在用户屏幕上显示图形。

另外，检查: Matplotlib 3D 散点图

Python 散点图颜色数组

如果我们多次调用 scatter() 函数，来绘制散点图，我们将得到不同颜色的每个散点图。这里我们将学习手动设置数组的颜色，绕过作为参数的颜色。

以下是语法:

matplotlib.pyplot.scatter(x, y, color=None)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.array([5,7,8, 2,17])
y1 = np.array([99,103,87,94,78])
y2 = np.array([26, 23, 18, 55, 16])

**# Scatter Plot color array**

plt.scatter(x, y1, color='green')
plt.scatter(x, y2, color='red')

**# Display**

plt.show()

说明:

• 首先导入 matplotlib.pyplot 和 numpy 等库进行数据可视化和数据创建。
• 接下来，我们使用 numpy 的 array() 函数定义 x 、 y1 和 y2 数据坐标。
• 然后我们多次使用 scatter() 函数来创建散点图。
• 我们将 color 参数传递给函数来手动设置颜色。
• 为了可视化图形，使用 show() 方法。

输出:

plt.scatter(color=None)

阅读:堆积条形图 Matplotlib

Python 散点图颜色红色

在这里，我们将学习用单色格式绘制散点图。我们使用参数 c 来设置绘图的颜色，这里我们将它设置为红色。

以下是语法:

matplotlib.pyplot(x, y, c='red')

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([1, 2, 3, 4, 5, 6, 7])
y = np.array([2, 4, 6, 8, 10, 15, 12])

**# Scatter Plot color red**

plt.scatter(x, y, c='red')

**# Display**

plt.show()

• 这里我们用 numpy 的 array() 方法定义 x 轴和 y 轴数据坐标。
• 接下来，为了获得单色散点图字符串格式，我们将 c 参数传递给 scatter() 方法，并将其值设置为 red 。

plt.scatter(c=’red’)

默认情况下，我们将散射标记的颜色设为蓝色。

阅读: Matplotlib 两个 y 轴

Matplotlib 散点图边缘颜色

我们将看到散点图的例子，我们设置了图的边缘颜色。要设置散点标记的边缘颜色，使用 edgecolor 参数和 scatter() 方法。

以下是语法:

matplotlib.pyplot.scatter(x, y, edgecolor=None)

例#1

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.array([1, 4, 5, 6, 7])
y = np.array([2, 4, 6, 15, 12])

**# Edgecolor** 
plt.scatter(x, y, c='lime', edgecolor='black', s=500)

**# Display** 
plt.show()

plt.scatter(edgecolor=’k’)

这里我们将参数 edgecolor 、 color 传递给 scatter() 函数，并将其值分别设置为黑色和石灰。

例 2

这里我们将看到一个例子，我们为每个散点标记设置不同的边缘颜色。

以下是步骤:

• 导入库 matplotlib.pyplot 。
• 接下来，定义 x 和 y 轴数据点。
• 然后创建颜色列表。
• 要绘制散点图，使用 scatter() 函数。
• 为每个散射通道设置不同的边缘颜色边缘颜色参数，并将其值设置为给定的颜色列表。

输出:

Different edgecolors for each scatter marker

读取:水平线 matplotlib

Matplotlib 散点图每个点的颜色

我们将看到一个例子，我们为每个散射点设置不同的颜色。为了给每个点设置不同的颜色，我们将一个颜色列表传递给 scatter() 方法的 color 参数。

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([1, 3, 5, 7, 9, 11])

**# Color**

color = ['lightcoral', 'darkorange', 'olive', 'teal', 'violet', 
         'skyblue']

**# Set different color**

plt.scatter(x, y, c=color, s=400)

**# Display**

plt.show()

以下是步骤:

• 导入库 matplotlib.pyplot 和 numpy 进行数据可视化和创建。
• 接下来，使用 numpy 的 array() 方法定义数据轴。
• 然后创建颜色列表。
• 要绘制散点图，使用 scatter() 函数。
• 要为每个散射标记设置不同的颜色，请传递颜色参数，并将其值设置为给定的颜色列表。

Different colors for each scatter marker

阅读:画垂直线 matplotlib

Matplotlib 散点图颜色图

我们将学习用彩色地图创建 x 和 y 坐标的散点图。要添加颜色映射，请使用 cmap 参数调用matplotlib . py plot . scatter()方法。

以下是语法:

matplotlib.pyplot.scatter(x, y, c=None, cmap=None)

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.linspace(0, 10, 100)
y = np.sin(x)

**# Set color map**

plt.scatter(x, y, c=y, cmap='Set2')

**# Display**

plt.show()

说明:

• 为了定义 x 轴和 y 轴的数据坐标，我们使用了 linespace() 和 sin() 函数。
• 为了创建散点图，我们使用 scatter() 方法。
• 我们通过 c 参数来设置颜色表示的变量，通过 cmap 参数来设置颜色图。

plt.scatter(cmap=’Set2′)

读取: Matplotlib 反转 y 轴

Matplotlib 散点图标记表面颜色

我们将学习设置散点标记的表面颜色。对于这个传递 facecolors 参数给 scatter() 方法。

以下是语法:

matplotlib.pyplot.scatter(x, y, facecolors=None, edgecolors=None)

举例:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.randn(100) 
y = np.random.randn(100)

**# facecolor** 
plt.scatter(x, y, s=400, facecolors='none', edgecolors='green')

**# Display**

plt.show()

在这里，我们将参数设置为无，这样，我们得到了白色的散射标记。

plt.scatter(facecolors=’none’)

阅读: Matplotlib 另存为 pdf

Matplotlib 散点图颜色透明度

有时由于分散标记的重叠，我们无法检查绘制的数据的密度，所以那时我们需要透明度。 alpha 参数用于使散点标记透明。

以下是语法:

matplotlib.pyplot.scatter(x, y, alpha=None)

这里 alpha 参数设置透明度值。默认情况下，它的值为 1，即没有透明度。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([99,86,88,111,103,87,94,78,77,85,86])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800])

**# Transparency** 
plt.scatter(x, y, s=4500, facecolor='maroon', alpha=0.2)

**# Display** 
plt.show()

• 这里我们用 numpy 的 array() 函数定义数据坐标。
• 要创建散点图，使用 scatter() 函数，我们还将 facecolors 、 s 和 alpha 作为参数，分别设置标记的颜色、标记的大小和标记的透明度。

plt.scatter(alpha=0.2)

阅读: Matplotlib 标题字体大小

Python 散点图随机颜色

这里我们将看到一个例子，我们为每个散点标记点创建一个随机颜色的散点图。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define data**

x = np.random.randn(200) 
y = np.random.randn(200)

**# Random colors for each point**

plt.scatter(x, y, c=np.random.rand(len(x),3))

**# Display**

plt.show()

这里我们使用 numpy 的 random.rand() 方法和 len() 方法对每个散点标记进行随机着色。

plt.scatter(c=np.random.rand(len(x),3)

阅读: Matplotlib 默认图形尺寸

Matplotlib 标签散点图颜色

在这里，我们将看到一个用 bt 标签着色的散点图标记示例。

举例:

**# Import Library**

import matplotlib.pyplot as plt
from numpy.random import random

**# Define colors**

colors = ['maroon', 'teal', 'yellow']

**# Plot**

data1 = plt.scatter(random(30), random(30), marker='d', 
                    color=colors[0],label='Label 1')
data2 = plt.scatter(random(50), random(50), marker='d', 
                    color=colors[1],label='Label 2')
data3 = plt.scatter(random(25), random(25), marker='d', 
                    color=colors[1],label='Label 3')
data4 = plt.scatter(random(20), random(20), marker='d', 
                    color=colors[2],label='Label 4')
data5 = plt.scatter(random(10), random(10), marker='d', 
                    color=colors[0],label='Label 5')

**# Add legend**

plt.legend(loc='upper center', bbox_to_anchor=(0.5, -0.08), 
           ncol=2)

**# Display**

plt.show()

• 在上面的例子中，首先我们导入 matplotlib.pyplot 和 random 库。
• 接下来，我们创建一个颜色列表。
• 然后我们使用 scatter() 方法创建一个散点图，我们还传递了标记、颜色和标签作为参数。
• 我们通过使用 random() 函数来定义数据坐标。
• 要向绘图添加图例，请使用 legend() 方法。
• 为了设置图例在绘图之外的位置，我们使用了 bbox_to_anchor() 方法。

Color By Label

读取: Matplotlib Plot NumPy 数组

Python 散点图颜色范围

通过向散点图添加一个颜色条，我们根据图表中绘制的数据提供了一个数字到颜色的范围。要给绘图添加一个颜色条，调用颜色条()函数。

举例:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.linspace(0, 20, 200)
y = np.cos(x)

**# Set different color** 
plt.scatter(x, y, c=x, cmap='tab20')

**# Add Colorbar**

plt.colorbar()

**# Display**

plt.show()

plt.colorbar()

阅读: Matplotlib set_xticks

Matplotlibb 散点图两种颜色

在这里，我们将看到一个使用 scatter() 方法创建多重散点图的示例。为了区分这些图，我们使用了您选择的两种颜色。

举例:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x = [1, 2, 3, 4, 5, 6]
y = [4, 1, 9, 6, 9, 3]

**# Plot 1 scatter plot**

plt.scatter(x, y, c='indigo')

**# Define Data** 
x = [5, 9, 7, 8, 10, 11]
y = [1, 3, 5, 2, 6, 9]

**# Plot 2 scatter plot**

plt.scatter(x, y, c='chocolate')

**# Title**

plt.title('Two color scatter Plot')

**# Labels**

plt.xlabel('X')
plt.ylabel('Y')

**# Display** 
plt.show()

这里我们使用了两次 scatter() 函数来创建一个散点图。我们为每个散点图定义不同的数据坐标。

Scatter Plot Two Different Colors

Read: Matplotlib set_xticklabels

Matplotlib 散点图颜色标签

在这里，我们将看到一个示例，其中我们设置了用散点图绘制的图例的颜色。要设置颜色，请使用带有 legend() 方法的 facecolor 参数。

以下是语法:

matplotlib.pyplot.legend(['labels'], facecolor=None)

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.linspace(0,20,100)
y1 = np.cos(x)
y2 = np.exp(y1)

**# Scatter Plot**

plt.scatter(x, y1)
plt.scatter(x, y2)

**# Add legend and change color**

plt.legend(["Cos X" , "Exponent of Cos X"], facecolor='bisque', 
           loc='upper center', bbox_to_anchor=(0.5, -0.08), 
           ncol=2)

**# Display**

plt.show()

• 这里我们使用 numpy 的 linespace() 、 cos() 和 exp() 方法定义数据坐标。
• 为了创建散点图，我们使用了 scatter() 方法。
• 为了给绘图添加一个图例，我们使用了 legend() 方法。
• 为了设置图例的颜色，我们将参数 facecolor 传递给该方法。

plt.legend(facecolor=None)

读取: Matplotlib fill_between

Matplotlib 散点图颜色 rgb

这里，我们使用 scatter() 方法绘制了一个散点图，我们还为每个标记设置了不同的颜色，因此我们向该方法传递了一个颜色参数。

在这个例子中，我们通过使用 RGB 颜色十六进制代码创建了一个颜色列表。

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.array([99,86,88,111,103,87])
y = np.array([20,50,200,500,1000,60])

**# Color RGB hex code** 
color = ['#FF8C00', '#FFD700', '#DAA520','#00FF7F' ,'#20B2AA', 
         '#8B008B']

**# Plot**

plt.scatter(x, y, c=color)

**# Display**

plt.show()

RGB Hex Code

阅读:Matplotlib set _ yticklabels

Matplotlib 散点图颜色按字符串排列

这是一个如何制作散点图并根据字符串给散点图标记颜色的例子。

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

**# Define Data**

females = np.random.rand(150)
males = np.random.randint(100,600,150)
country =['Australia','Argentina', 'Canada', 'Egypt', 
          'Greece']*30

**# Create DataFrame**

df = pd.DataFrame(dict(females=females, males=males, country = 
                       country))

**# Define colors** 

colors = {'Australia':'r','Argentina':'y', 'Canada':'c', 
          'Egypt':'g', 'Greece':'m'}

**# Scatter Plot**

plt.scatter(df['females'], df['males'], 
            c=df['country'].map(colors))

**# Display**

plt.show()

• 在上面的例子中，首先我们导入重要的库。
• 接下来，我们使用 random.rand() 和 random.randint() 函数定义数据坐标。
• 为了创建一个数据帧，我们使用 pandas 的 DataFrame() 函数。
• 然后我们在 string 的基础上创建一个颜色列表。
• 为了绘制散点图，我们使用了 scatter() 函数。

plt.scatter()

阅读: Matplotlib tight_layout

Matplotlib 散点图颜色分类

在本节中，我们将学习如何按类别给散点图标记上色。

举个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy

**# Define Data Points**

data = numpy.array([[2, 4, 6, 12, 5, 16, 11, 3, 9, 1, 7, 10],
                 [4, 2, 3, 7, 9, 1, 6, 5, 8, 15, 18, 13],
                 [3.5, 4, 12, 19, 20, 14, 2.9, 5.5, 9, 4, 14.2, 
                  5]])

**# Category**

categories = numpy.array([0, 1, 2, 1, 3, 2, 1, 0, 1, 3, 2, 0])

**# Colormap** 
colormap = numpy.array(['r', 'y', 'm', 'c'])

**# Plot**

plt.scatter(data[0], data[1], s=100, c=colormap[categories])
plt.scatter(data[0], data[2], s=100, c=colormap[categories])

**# Display** 
plt.show()

• 在上面的例子中，我们使用 numpy 的 array() 方法来定义数据坐标。
• 之后，我们使用 array() 方法定义类别。
• 然后我们使用 array() 方法定义颜色列表。
• 为了绘制散点图，我们使用了 scatter() 函数。

Color By Category

读取: Matplotlib x 轴标签

Matplotlib 散点图颜色值

在这一节中，我们将看到一个示例，其中我们希望根据某个第三变量或值来给散点标记着色。

举例:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([5, 10, 15, 20, 25, 30])
y = np.array([99, 100, 78, 55, 65, 62])
z = np.array([1, 2, 1, 2, 2, 1])

**# Scatter Plot color by value** 
plt.scatter(x, y, s=350, c=z, cmap='jet')

**# Display**

plt.show()

Color By Third Variable

阅读:Python Matplotlib tick _ params

Matplotlib 散点图颜色分类图例

在本节中，我们将看到一个示例，其中我们希望根据类别对散点标记进行着色，并且我们还根据类别添加了图例。

我们来看一个例子:

**# Import Libraries**

import pandas as pd
import matplotlib.pyplot as plt

**# Create Data Frame**

df = pd.DataFrame({'girls': [10, 12, 14, 16, 9, 8, 5, 6],
                   'boys': [2, 9, 11, 2.6, 5, 4, 10, 8],
                   'grades': ['A', 'A', 'A', 'B', 'B', 'C', 
                              'C', 'C']})

**# group by category** 
groups = df.groupby('grades')
for grade, group in groups:
    plt.scatter(group.girls, group.boys, label=grade)

**# Add legend**

plt.legend()

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 pandas 库。
• 接下来，我们使用 pandas 的 DataFrame() 方法定义数据坐标。
• 为了绘制散点图，我们使用了 scatter() 方法。
• groupby 子句用于分组。
• 为了给绘图添加一个图例，我们使用了 legend() 函数。

Category With Legend

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 多条形图
• Matplotlib 饼图教程
• Matplotlib 设定轴范围
• Matplotlib 散点图图例
• Matplotlib 更新循环中的绘图
• Matplotlib xlim–完整指南

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib 散点图颜色”，并且我们也涵盖了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 散点图颜色
• Python 散点图颜色数组
• Python 散点图颜色为红色
• Matplotlib 散点图边缘颜色
• Matplotlib 散点图每个点的颜色
• Matplotlib 散点图彩色地图
• Matplotlib 散点图标记表面颜色
• Matplotlib 散点图颜色透明度
• Python 散点图随机颜色
• 按标签排列的散点图颜色
• Python 散点图颜色范围
• Matplotlib 散点图两种颜色
• Matplotlib 散点图颜色标签
• Matplotlib 散点图颜色 rgb
• Matplotlib 按字符串散点图颜色
• Matplotlib 散点图颜色分类
• Matplotlib 散点图颜色值
• 按类别排列的散点图颜色图例

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 散点图图例

原文：https://pythonguides.com/matplotlib-scatter-plot-legend/

在本 Matplotlib 教程中，我们将讨论 Matplotlib 散点图图例。在这里，我们将使用 matplotlib 介绍与散点图图例相关的不同示例。我们还将讨论以下主题:

• Matplotlib 散点图图例
• Matplotlib 散点图图例示例
• Matplotlib 散点图图例位置
• Python 散点图外部图例
• Matplotlib 散点图图例标题
• Matplotlib 散点图图例面颜色
• Matplotlib 散点图显示图例
• Python seaborn 散点图外部图例
• Matplotlib 散点图图例大小
• Python 散点图图例标记大小
• 按颜色排列的散点图图例

目录

• Matplotlib 散点图图例
• Matplotlib 散点图图例示例
• Matplotlib 散点图图例位置
  • 图例的右上位置
  • 图例的左上角位置
  • 图例的左下位置
  • 图例的右下位置
  • 图例右侧位置
  • 图例的中心左侧位置
  • 图例的中心右侧位置
  • 图例的下中心位置
  • 图例的上中心位置
  • 图例的中心位置
• Python 散点图图例外
• Matplotlib 散点图图例标题
• Matplotlib 散点图图例面颜色
• Matplotlib 散点图显示图例
• Python seaborn 散点图传奇外
• Matplotlib 散点图图例尺寸
• Python 散点图图例标记大小
• Matplotlib 散点图图例颜色

Matplotlib 散点图图例

在本节中，我们将了解如何在 Python 的 matplotlib 中向散点图添加图例。现在在开始这个话题之前，我们首先要了解一下【传说】是什么意思，以及【散点图制作】是如何产生的。

图例 是勾勒出剧情元素的区域。

散点图 是沿两个轴绘制两个变量数值的图形。它代表了数据集中两个变量之间的关系。

以下步骤用于绘制散点图并为其添加图例，概述如下:

• 定义库:导入数据创建和操作所需的重要库( Numpy 和 Pandas )和数据可视化所需的重要库( pyplot from matplotlib)。
• 定义 X 和 Y: 定义用于 X 轴和 Y 轴的数据坐标值。
• 绘制散点图:使用散点图()方法我们可以绘制一个图。
• 添加图例:通过使用 legend() 方法，我们可以给一个图形添加一个图例。
• 生成绘图:使用 show() 方法在用户窗口上可视化绘图。

Matplotlib 散点图图例示例

我们可以使用 matplotlib 模块向绘图添加一个图例。我们使用matplotlib . py plot . legend()方法标出并标记图中的元素。

向图中添加图例的语法:

matplotlib.pyplot.legend(["Title"], ncol=1, loc="upper left", bbox_to_anchor=(1,1))

上面使用的参数描述如下:

• 标题:指定要添加的标签。
• ncol: 表示图例中的列数。
• loc: 代表图例的位置。
• bbox_to_anchor: 表示图例在图上的坐标。

让我们看一个带有图例的散点图示例:

**# Import libraries** 
import matplotlib.pyplot as plt

**# Define Data** 
x =  [1, 2, 3, 4, 5]
y1 = [5, 10, 15, 20, 25]
y2 = [10, 20, 30, 40, 50]

**# Scatter Plot** 
plt.scatter(x, y1)
plt.scatter(x, y2)

**# Add legend** 
plt.legend(["x*5" , "x*10"])

**# Display** 
plt.show()

• 在上面的例子中，我们导入 matplotlib 的 pyplot 模块。
• 之后，我们定义数据坐标。
• plt.scatter() 方法用于绘制散点图。
• plt.legend() 方法用于给绘图添加一个图例。
• plt.show() 方法用于在用户屏幕上可视化绘图。

plt.legend()

另外，请阅读: Matplotlib 另存为 png

Matplotlib 散点图图例位置

这里我们将学习如何在散点图的特定位置添加图例。matplotlib 中有不同的位置可用于放置图例。

让我们用例子来看看图例的不同位置:

图例的右上位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将其位置设置为右上角。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='upper right')

举例:

**# Import libraries** 
import matplotlib.pyplot as plt

**# Define Data** 
x =  [1, 2, 3, 4, 5]
y1 = [5, 10, 15, 13.6, 16]
y2 = [10, 20, 16.3, 4.8, 9]

**# Scatter Plot** 
plt.scatter(x, y1, s=50)
plt.scatter(x, y2, s=50)

**# Add legend** 
plt.legend(["Label-1" , "Label-2"], loc= 'upper right')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们将 loc 作为参数传递，并将其值设置为右上角的。

plt.legend(loc=’upper right’)

图例的左上角位置

我们使用图例()方法添加图例，并通过 loc 参数设置图例的位置。在这里，我们将其位置设置为左上角。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='upper left')

举例:

**# Import library** 
import matplotlib.pyplot as plt

**# Define Data** 
x =  [1, 2, 3, 4, 5]
y1 = [5, 10, 15, 20, 25]
y2 = [10, 20, 30, 40, 50]

**# Scatter Plot** 
plt.scatter(x, y1)
plt.scatter(x, y2)

**# Add legend** 
plt.legend(["x*5" , "x*10"], loc='upper left')

**# Display**

plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们将 loc 作为参数传递，并将其值设置为左上角的。

plt.legend(loc=upper left)

图例的左下位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将其位置设置为左下方的。

**语法如下:

matplotlib.pyplot.legend(["Title"], loc='lower left')

举例:

**# Import library** 
import matplotlib.pyplot as plt

**# Define Data** 
x =  [1, 2, 3, 4, 5]
y1 = [5, 10, 15, 13.6, 16]
y2 = [10, 20, 16.3, 4.8, 9]

**# Scatter Plot** 
plt.scatter(x, y1, s=150, zorder=1.5)
plt.scatter(x, y2, s=150, zorder=1.5)

**# Add legend** 
plt.legend(["Label-1" , "Label-2"], loc= 'lower left')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们将 loc 作为参数传递，并将其值设置为左下方的。
• 我们还使用了 zorder 参数，以便在散点上方得到图例。

**

plt.legend(loc=’lower left’)

读取: Matplotlib savefig 空白图像

图例的右下位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将其位置设置为右下角。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='lower right')

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 20, 0.2)
y1 = np.sin(x)
y2 = np.cos(x)

**# Scatter Plot** 
plt.scatter(x, y1, s=150, zorder=1.5)
plt.scatter(x, y2, s=150, zorder=1.5)

**# Add legend** 
plt.legend(["Label-1" , "Label-2"], loc= 'lower right')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例。
• 我们将 loc 作为参数传递，并将其值设置为右下角的。
• 我们还使用 zorder 参数来获得散点上方的图例。

plt.legend(loc= ‘lower right’)

图例右侧位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将其位置设置为右侧。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='right')

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.randint(450,size=(80))
y1 = np.random.randint(260, size=(80))
y2 = np.random.randint(490, size=(80))

**# Scatter Plot** 
plt.scatter(x, y1, s=150, zorder=1.5)
plt.scatter(x, y2, s=150, zorder=1.5)

**# Add legend** 
plt.legend(["Label-1" , "Label-2"], loc= 'right')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们还使用 zorder 参数在散点上方获得一个图例。
• 我们将 loc 作为参数传递，并将其值设置为右。

plt.legend(loc=’right’)

阅读: Matplotlib 条形图标签

图例的中心左侧位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。在这里我们将其位置设置为的中左。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='center left')

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 20, 0.2)
y1 = np.sin(x)
y2 = np.cos(x)

**# Scatter Plot** 
plt.scatter(x, y1, s=150, zorder=1.5)
plt.scatter(x, y2, s=150, zorder=1.5)

**# Add legend** 
plt.legend(["Sin X" , "Cos X"], loc= 'center left')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们还使用 zorder 参数在散点图上方获得一个图例。
• 我们将 loc 作为参数传递，并将其值设置为中心左侧。

plt.legend(loc=’center left’)

图例的中心右侧位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将它的位置设置为的中间偏右。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='center right')

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 20, 0.2)
y1 = np.sin(x)
y2 = np.exp(x)

**# Scatter Plot** 
plt.scatter(x, y1, zorder=1.5)
plt.scatter(x, y2, zorder=1.5)

**# Add legend** 
plt.legend(["Sin X" , "Exp X"], loc= 'center right')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例
• 我们还使用 zorder 参数在上面得到一个图例来散布点。
• 我们将 loc 作为参数传递，并将其值设置为中心右侧。

plt.legend(loc=’center right’)

读取: Matplotlib 绘图误差线

图例的下中心位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将其位置设置为的下中心。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='lower center')

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np
 **# Define Data** 
x = np.arange(0, 20, 0.2)
y1 = np.cos(x)
y2 = np.exp(x)

**# Scatter Plot** 
plt.scatter(x, y1, zorder=1.5)
plt.scatter(x, y2, zorder=1.5)

**# Add legend** 
plt.legend(["Cos X" , "Exp X"], loc= 'lower center')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们将 loc 作为参数传递，并将其值设置为的下中心。

plt.legend(loc=’lower center’)

图例的上中心位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将它的位置设置为的上中心。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='upper center')

举例:

**# Import library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.linspace(0,15,150)
y1 = np.sin(x)
y2 = np.cos(x)

**# Scatter Plot**

plt.scatter(x, y1, zorder=1.5)
plt.scatter(x, y2, zorder=1.5)

**# Add legend**

plt.legend(["Sin X" , "Cos X"], loc= 'upper center')

**# Display**

plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例，我们将 loc 作为参数传递，并将其值设置为上中心。

plt.legend(loc=’upper center’)

阅读: Matplotlib 旋转刻度标签

图例的中心位置

我们使用 legend() 方法添加一个图例，并传递 loc 参数来设置图例的位置。这里我们将其位置设置为中心。

语法如下:

matplotlib.pyplot.legend(["Title"], loc='center')

举例:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.linspace(0,15,150)
y1 = np.tan(x)
y2 = np.exp(4*x)

**# Scatter Plot** 
plt.scatter(x, y1, zorder=1.5)
plt.scatter(x, y2, zorder=1.5)

**# Add legend** 
plt.legend(["Tan X" , "Exp X"], loc= 'center')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 legend() 方法向散点图添加一个图例
• 我们还使用 zorder 参数在上面得到一个图例来散布点。
• 我们将 loc 作为参数传递，并将其值设置为中心。

plt.legend(loc=’center’)

读取: Matplotlib 改变背景颜色

Python 散点图图例外

在这里，我们将学习如何在 Matplotlib 中的绘图之外添加图例。通过使用 bbox_to_anchor ,我们可以将图例放置在绘图之外。

bbox_to_anchor 指定图例框的位置。 bbox 的意思是包围盒。

在图外添加图例的语法如下:

matplotlib.pyplot.legend(['Legend'], bbox_to_anchor=(x, y, width, height), loc= )

上面使用的参数如下:

• x: 指定图例框在 x 轴上的位置。
• y: 指定图例框在 y 轴上的位置。
• 宽度:指定图例框的宽度。
• 高度:指定图例框的高度。
• loc: 指定图例框的位置。

让我们来看看在剧情之外绘制传奇的例子:

例#1

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 20, 0.2)
y1 = np.sin(x)
y2 = np.cos(x)

**# Scatter Plot** 
plt.scatter(x, y1, s=100)
plt.scatter(x, y2, s=100)

**# Add legend outside the plot** 
plt.legend(['Sin X', 'Cos X'], bbox_to_anchor=(1.22,0.5), loc= 'upper right')

**# Display** 
plt.show()

• 在上面的例子中，我们导入了 pyplot 和 numpy matplotlib 模块。
• 之后，我们使用 numpy 的 arange() 、 sin() 和 cos() 方法来定义数据。
• plt.scatter() 方法用于绘制散点图。
• plt.legend() 方法用于将图例添加到绘图中，我们通过 bbox_to_anchor 参数来指定绘图外的图例位置。
• 我们还通过 loc 作为参数来指定图例的位置。
• plt.show() 方法用于在用户屏幕上可视化绘图。

plt.legend(bbox_to_anchor=())

例 2

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = [14, 24, 43, 47, 54, 66, 74, 89, 12,
      44, 1, 2, 3, 4, 5, 9, 8, 7, 6, 5]

y1 = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 6, 3,
      5, 2, 4, 1, 8, 7, 0, 5]

y2 = [9, 6, 3, 5, 2, 4, 1, 8, 7, 0, 1, 2, 
      3, 4, 5, 6, 7, 8, 9, 0]

**# Scatter Plot** 
plt.scatter(x, y1, s=150)
plt.scatter(x, y2, s=150)

**# Add legend** 
plt.legend(["Label-1" , "Label-2"], bbox_to_anchor=(-0.1, 0.75))

**# Display** 
plt.show()

这里我们使用带有 bbox_to_anchor 参数的 plt.legend() 方法在情节外添加一个图例。

bbox_to_anchor()

阅读: Matplotlib 散点图标记

Matplotlib 散点图图例标题

在这里，我们将学习如何在 matplotlib 中为图例添加标题。

要添加标题，我们必须将标题作为参数传递给图例()方法，我们还可以通过将标题 _ 字体大小作为参数来设置标题的大小。

语法如下:

matplotlib.pyplot.legend(title= , title_fontsize= , ['Labels'] , loc= )

让我们看一个标题为的图例示例

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 30, 0.5)
y1 = np.sin(x)
y2 = np.cos(x)

**# Scatter Plot** 
plt.scatter(x, y1)
plt.scatter(x, y2)

**# Add legend with title** 
plt.legend(['Sin X', 'Cos X'], title='LABELS',  
           title_fontsize= 25,
 loc= 'best')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 plt.legend() 方法在绘图中添加一个图例。
• 我们通过标签、标题、标题 _ 字体大小、锁定作为参数。

“Legend with Title”

阅读: Matplotlib 虚线

Matplotlib 散点图图例面颜色

这里我们将学习如何在 matplotlib 中改变散点图中图例的颜色。要更改颜色，请将参数 facecolor 传递给 legend() 方法。

改变散点图图例面颜色的语法:

matplotlib.pyplot.legend(['label'], facecolor=None)

以上参数为:

• 标签:定义标签。
• 面颜色:指定图例的面颜色。

我们来看一个例子:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.linspace(0,10,25)
y1 = np.cos(x)
y2 = np.sin(x)

**# Scatter Plot** 
plt.scatter(x, y1)
plt.scatter(x, y2)

**# Add legend and change color** 
plt.legend(["Cos X" , "Sin X"], loc= 'lower left', 
            facecolor='yellow')

**# Display** 
plt.show()

这里我们使用一个 plot.legend() 方法，并传递 facecolor 作为参数来设置它的 facecolor 。

” Legend With Facecolor “

读取: Matplotlib 日志日志图

Matplotlib 散点图显示图例

这里我们学习如何在散点图中显示图例。有时用户在绘图方法中定义标签，而不使用图例()方法。在这种情况下，不会显示图例。

我们来看一个例子:

例#1

在这个例子中，我们在散点()方法中定义了标签，而没有使用图例()方法。

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x =  np.random.randint(100,size=(80))
y1 = np.random.randint(150, size=(80))
y2 = np.random.randint(200, size=(80))

**# Scatter Plot and define label** 
plt.scatter(x, y1, label='LABEL-1')
plt.scatter(x, y2, label='LABEL-2')

**# Display** 
plt.show()

在上面的例子中，我们使用 plt.scatter() 方法来绘制散点图，并通过标签作为参数来定义图例标签。

plt.scatter(label= )

在这里我们看到这个图例没有在这个图中显示出来。

例 2

在这个例子中，我们在散点()方法中定义了标签，并且使用了图例()方法。

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.randint(100,size=(80))
y1 = np.random.randint(150, size=(80))
y2 = np.random.randint(200, size=(80))

**# Scatter Plot and define label** 
plt.scatter(x, y1, label='LABEL-1')
plt.scatter(x, y2, label='LABEL-2')

**# Add legend** 
plt.legend()

**# Display** 
plt.show()

在上面的例子中，我们使用 plt.scatter() 方法来绘制散点图，并通过标签作为参数来定义图例标签。并且我们使用 plt.legend() 的方法来显示图例。

plt.legend()

这里我们看到图例是通过使用 plt.legend() 方法显示在散点图中的。

阅读:堆积条形图 Matplotlib

Python seaborn 散点图传奇外

在这里，我们学习如何绘制海浪散点图并在外面添加图例。

使用 sns.scatterplot() 方法绘制 seaborn 散点图，我们使用 plt.legend() 方法添加图例。

我们来看一个例子:

**# Import library** 
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

**# Define data** 
df = pd.DataFrame({'Maths': [5, 12, 15, 13, 10, 9, 8, 6, 15, 
                            20, 16, 13, 15],
                   'Science': [3, 6, 9, 2, 6, 7, 3, 1, 2.5,  
                               6.9, 4, 2, 1],
                   'favour':  
                   ['Like','Dislike','Dislike','Like',      
                    'Like', 'Like','Dislike', 
                    'Dislike','Dislike', 'Like', 'Like', 
                    'Like', 'Dislike']})

**# create scatterplot** 
sns.scatterplot(data=df, x='Maths', y='Science', hue='favour')

**# Legend outside** 
plt.legend(bbox_to_anchor=(1.02, 1), loc='upper left')

**# Display** 
plt.show()

• 在上面的例子中，我们导入了熊猫、海豹和 pyplot 库。
• 然后我们通过使用数据帧来定义数据。
• 之后，我们使用 sns.scatterplot() 方法创建一个 seaborn 散点图。
• plt.legend() 方法用于给绘图添加一个图例。

Seaborn Scatter Plot With Legend

阅读: Matplotlib 两个 y 轴

Matplotlib 散点图图例尺寸

在这里，我们将学习如何将图例中的点的大小设置为固定值。有时我们用不同的标记大小绘制散点图，但我们希望图例中的标记大小是固定的。

我们来看一个例子:

示例:图例尺寸不固定

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.randint(10,size=(20))
y1 = np.random.randint(30, size=(20))
y2 = np.random.randint(20, size=(20))

**# Scatter Plot and define label** 
plt.scatter(x, y1, s= 50, label='LABEL-1')
plt.scatter(x, y2, s= 150, label='LABEL-2')

**# Add legend** 
plt.legend()

**# Display** 
plt.show()

• 在上面的例子中，我们通过使用 plt.scatter() 方法绘制了一个散点图，并且我们将 s 作为参数来设置散点图标记的大小。
• plt.legend() 方法用于给绘图添加一个图例。

Not Fixed Size Legend

这里您可以看到图例处的标签 1 标记和标签 2 标记具有不同的大小。

示例: 其中图例大小固定

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.randint(10,size=(20))
y1 = np.random.randint(30, size=(20))
y2 = np.random.randint(20, size=(20))

**# Scatter Plot and define label** 
plt.scatter(x, y1, s= 50, label='LABEL-1')
plt.scatter(x, y2, s= 150, label='LABEL-2')

**# Add legend fixed size** 
lgnd = plt.legend(loc="upper right", scatterpoints=1, fontsize=10)
lgnd.legendHandles[0]._sizes = [30]
lgnd.legendHandles[1]._sizes = [30]

**# Display** 
plt.show()

这里我们使用 plt.legend() 方法向散点图添加一个图例。为了设置图例点的固定大小，我们使用 legendHandles[]。尺寸。

” Scatter Plot having Fixed Size Legend Point”

读取:水平线 matplotlib

Python 散点图图例标记大小

在这里，我们将学习如何绘制带有图例标记大小的散点图。

我们来看一个例子:

**# Import library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** x, y = np.random.rand(2, 30)
color = np.random.randint(1, 40, size=30)
size = np.random.randint(40, 150, size=30)

**# Add subplot** 
fig, ax = plt.subplots()

**# Scatter plot** 
scatter = ax.scatter(x, y, c=color, s=size)

**# Add legend** 
handles, labels = scatter.legend_elements(prop="sizes")
legnd = ax.legend(handles, labels, loc="upper right", title="Sizes")

**# Display** 
plt.show()

• 这里我们使用了 legend_elements() 方法，并将 prop 作为参数传递，并将其值设置为标记的大小。
• 并且我们还使用 plt.legend() 方法给情节添加一个图例，并且我们传递句柄、标签、 loc 、标题作为参数。

” Legend Marker Size “

阅读:模块“matplotlib”没有属性“artist”

Matplotlib 散点图图例颜色

在这里，我们将学习如何用颜色绘制图例。

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
from numpy.random import random

**# Define color data** 
colors = ['b', 'c', 'y', 'm', 'r']

**# Plot** 
data1 = plt.scatter(random(10), random(10), marker='o', color=colors[0],label='Label 1')
data2 = plt.scatter(random(10), random(10), marker='o', color=colors[0],label='Label 2')
data3 = plt.scatter(random(10), random(10), marker='o', color=colors[1],label='Label 3')
data4 = plt.scatter(random(10), random(10), marker='o', color=colors[2],label='Label 4')
data5 = plt.scatter(random(10), random(10), marker='o', color=colors[3],label='Label 5')
data6 = plt.scatter(random(10), random(10), marker='o', color=colors[4],label='Label 6')
data7 = plt.scatter(random(10), random(10), marker='o', color=colors[4],label='Label 7')

**# Add legend** 
plt.legend(loc='upper center', bbox_to_anchor=(0.5, -0.08), ncol=3)

**# Display** 
plt.show()

• 在上面的例子中，我们使用定义的颜色数据，然后使用 scatter() 方法绘制散点图。
• 在此之后，我们使用 legend() 方法在情节中添加一个图例，并使用 bbox_to_anchor() 在外部添加图例。

另外，请查看以下关于 Python Matplotlib 的文章。

• Matplotlib x 轴标签
• Matplotlib fill_between
• Matplotlib set _ yticklabels

在本 Python 教程中，我们已经讨论了“Matplotlib 散点图图例”，并且我们还涵盖了一些与之相关的示例。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 散点图图例
• Matplotlib 散点图图例示例
• Matplotlib 散点图图例位置
• Python 散点图外部图例
• Matplotlib 散点图图例标题
• Matplotlib 散点图图例面颜色
• Matplotlib 散点图显示图例
• Python seaborn 散点图外部图例
• Matplotlib 散点图图例大小
• Python 散点图图例标记大小
• 按颜色排列的散点图图例

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/****

Matplotlib 辅助 y 轴[完整指南]

原文：https://pythonguides.com/matplotlib-secondary-y-axis/

在本 Python 教程中，我们将讨论 Python 中的 Matplotlib 辅助 y 轴。在这里，我们将使用 matplotlib 涵盖与辅助 y 轴相关的不同示例。我们还将讨论以下主题:

• Matplotlib 辅助 y 轴限制
• Matplotlib 辅助 y 轴标签
• Matplotlib 辅助 y 轴对数刻度
• Matplotlib 辅助 y 轴颜色
• Matplotlib 辅助 y 轴对齐 0
• Matplotlib 辅助 y 轴子图
• Matplotlib 辅助 y 轴直方图
• Matplotlib 散点图辅助 y 轴
• Matplotlib 辅助 y 轴刻度
• Matplotlib 第二个 y 轴熊猫

目录

• Matplotlib 辅助 y 轴限值
• Matplotlib 辅助 y 轴标签
• Matplotlib 辅助 y 轴对数刻度
• Matplotlib 辅助 y 轴颜色
• Matplotlib 辅助 y 轴对齐 0
• Matplotlib 辅助 y 轴子图
• Matplotlib 辅助 y 轴直方图
• Matplotlib 散点图辅助 y 轴
• Matplotlib 辅助 y 轴刻度
• Matplotlib 第二个 y 轴熊猫

Matplotlib 辅助 y 轴限值

在这里，我们将学习使用 matplotlib 设置辅助 y 轴的轴限制。在 matplotlib 中，我们有不同的函数来设置轴限制。

功能如下:

• ylim()函数
• set_ylim()函数
• axis()函数

现在，让我们看看与此相关的不同示例:

例#1

这里，我们将绘制一个带有辅助 y 轴的图形，然后使用 ylim() 函数设置它的极限。

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 
x = np.arange(200)
y = np.cos(x)

**# Plot Graph** 
fig, ax1 = plt.subplots()
ax1.plot(x, y)

**# Define Labels** 
ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y1-axis')

**# Twin Axes**

ax2 = ax1.twinx()
ax2.set_ylabel('Y2-axis')

**# Set limit** 

plt.ylim(-1, 1)

**# Display**

plt.show() 

• 首先导入必要的库，如 matplotlib.pyplot 和 numpy 。
• 接下来，使用 numpy 的 arange() 和 cos() 函数定义数据坐标。
• 然后，使用一个 subplot() 函数返回包含图形和轴对象的元组。
• 使用 plot() 函数绘制一个对应于轴 1 对象的图形。
• 使用 set_xlabel() 和 set_ylabel() 函数定义 1 轴的标签。
• 然后，使用 twinx() 函数创建一个辅助 y 轴。
• 要在辅助 y 轴上设置标签，使用 set_ylabel() 函数。
• 然后，使用 plt.ylim() 函数设置辅助 y 轴的轴极限。
• 要显示图表，使用 show() 功能。

注: 使用 ylim() 功能后的 twinx() 功能或次 y 轴对象后的。如果你在其他任何地方使用这个函数，它会改变主 y 轴的极限。

Matplotlib secondary y-axis limits

例 2

这里我们将绘制一个带有辅助 y 轴的图形，然后使用 set_ylim()函数设置它的界限。

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(50)
y = np.sin(x)

**# Plot Graph**

fig, ax1 = plt.subplots()
ax1.plot(x, y)

**# Define Labels**

ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y1-axis')

**# Twin Axes**

ax2 = ax1.twinx()
ax2.set_ylabel('Y2-axis')

**# Set limit** 

ax2.set_ylim(-1, 1)

**# Display**

plt.show()

• 导入用于数据创建的 numpy 库。
• 导入 matplotlib.pyplot 库进行数据可视化。
• 使用 numpy 的 arange() 和 sin() 函数定义 x 和 y 坐标。
• 然后，使用一个 子情节() 函数返回包含图形和轴对象的元组。
• 使用轴 1 对象的 plot() 函数绘制图形。
• 然后使用 set_xlabel() 和 set_ylabel() 函数在轴上添加标签。
• 使用 twinx() 函数创建辅助 y 轴。
• 要设置辅助 y 轴的极限，使用与辅助 y 轴对象对应的 set_ylim() 函数。
• 要显示图表，使用 show() 功能。

Matplotlib axis limit of secondary y-axis

例 3

这里我们将绘制一个带有辅助 y 轴的图形，然后使用 axis()函数设置它的界限。

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(50)
y = np.cos(x*50)

**# Plot Graph** 
fig, ax1 = plt.subplots()
ax1.plot(x, y)

**# Define Labels**

ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y1-axis')

**# Twin Axes**

ax2 = ax1.twinx()
ax2.set_ylabel('Y2-axis')

**# Set limit** 

plt.axis([None, None, -1, 1])

**# Display**

plt.show()

• 导入 numpy 和 matplotlib.pyplot 库。
• 接下来，定义数据坐标。
• 要绘制图形，使用对应于轴 1 对象的 plot() 函数。
• 要创建辅助 y 轴，使用 twinx() 函数。
• 为了设置辅助 y 轴的极限，我们使用 plt.axis() 函数。这里我们将 xmin 和 xmax 的值设置为 None ，因为我们不想改变 x 轴的极限。

Matplotlib axis range of the secondary y-axis

注意:在 twinx() 函数之后或者辅助 y 轴 axes 对象之后使用 axis() 函数。如果您在其他地方使用此功能，它将改变主 y 轴的限制。

另外，检查:什么是 add_axes matplotlib

Matplotlib 辅助 y 轴标签

这里我们将学习使用 matplotlib 在辅助 y 轴上添加一个标签。我们可以使用 ylabel() 函数或者 set_ylabel() 函数在 y 轴添加标签。

让我们看看与此相关的例子:

例#1

在这个例子中，我们通过使用 ylabel() 方法在辅助 y 轴上添加一个标签。

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt 

**# Define Data** 
x = np.arange(0, 15, 0.2)
data_1 = np.sin(x)
data_2 = np.exp(x) 

**# Create Plot**

fig, ax1 = plt.subplots() 

ax1.set_xlabel('X-axis') 
ax1.set_ylabel('Primary-axis') 
ax1.plot(x, data_1, color = 'red') 

**# Adding Twin Axes**

ax2 = ax1.twinx() 
ax2.plot(x, data_2, color = 'blue')  

**# Add label** 
plt.ylabel('Secondary-axis') 

**# Show plot**

plt.show()

• 导入必要的库，如 numpy 和 matplotlib.pyplot 。
• 使用 numpy 的 arange() 、 sin() 、 exp() 函数定义数据坐标。
• 然后，使用一个 subplots() 函数返回包含 figure 和 axes 1 对象的元组。
• 之后，在 x 轴和主 y 轴添加标签，使用与 axes 对象 1 对应的 set_xlabel() 和 set_ylabel() 函数。
• 然后，使用 twinx() 函数创建辅助 y 轴。
• 要绘制图形，使用 plot() 函数。
• 要在辅助 y 轴添加标签，使用 ylabel() 函数。注意，创建轴对象 2 后，必须定义函数。
• 为了显示图形，我们使用 show() 函数。

Matplotlib secondary y-axis label

例 2

在这个例子中，我们通过使用 set_ylabel() 方法在辅助 y 轴上添加一个标签。

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt 

**# Define Data**

x = np.arange(0, 15, 0.2)
data_1 = np.sin(x)
data_2 = np.exp(x) 

**# Create Plot**

fig, ax1 = plt.subplots() 

ax1.set_xlabel('X-axis') 
ax1.set_ylabel('Primary-axis') 
ax1.plot(x, data_1, color = 'red') 

**# Adding Twin Axes**

ax2 = ax1.twinx() 
ax2.plot(x, data_2, color = 'blue')  

**# Add label**

plt.ylabel('Secondary-axis') 

**# Show plot**

plt.show()

• 导入必要的库，如 numpy 和 matplotlib.pyplot 。
• 接下来，我们使用 arange() 、 sin() 、 exp() 函数来定义数据坐标。
• 要创建第二个 y 轴，使用 twinx() 函数。
• 要绘制图表，使用 plot() 函数。
• 要在辅助 y 轴添加标签，我们使用与双轴对象对应的 set_ylabel() 函数。

Matplotlib second y-axis label

阅读: Matplotlib 二维表面图

Matplotlib 辅助 y 轴对数刻度

在这里，我们将学习使用 matplotlib 创建一个带有对数刻度的辅助 y 轴。

我们来看一个例子:

**# Import libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Set figure size**

fig = plt.figure(figsize=(6,5))

**# Create subplot** 
ax = fig.add_subplot(111)

**# Create secondary axes**

ax2 = ax.twinx()

**# Define Data** 

x = np.random.rand(50)
y = np.random.rand(50)
y2 = data = [10**i for i in range(50)]

**# Plot graph**

ax.scatter(x, y, c="b")
ax2.scatter(x, y2, c="r")

**# Set second y-axis to log** 
ax2.set_yscale("log")

**# Add labels**

ax.set_ylabel("Linear axis")
ax2.set_ylabel("Logarithmic axis")

**# Display** 
plt.show()

• 导入 matplotlib.pyplot 库。
• 导入用于数据创建的 numpy 库。
• 要设置图形大小，使用 figure() 方法，并将 figsize 参数传递给该方法，以设置绘图的宽度和高度。
• 然后，使用一个 add_subplot() 函数对应轴 1 对象。
• 之后，创建对应于轴 2 对象的辅助 y 轴。
• 定义数据坐标，使用 random.rand() 函数和 for loop 和 range() 函数。
• 要绘制散点图，使用 scatter() 函数。
• 现在，使用 set_yscale() 函数以对数刻度形式设置辅助 y 轴。
• 为了在主 y 轴和次 y 轴上设置标签，我们对相应的轴使用 set_ylabel() 函数。
• 要显示图表，使用 show() 功能。

Matplotlib secondary y-axis log scale

阅读: Matplotlib 时间序列图

Matplotlib 辅助 y 轴颜色

这里我们使用 matplotlib 设置辅助 y 轴的颜色。

我们来看一个例子:

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt 

**# Define Data**

x = np.arange(0, 15, 0.2)
data_1 = np.sin(x)
data_2 = np.cos(x) 

**# Create Plot** 
fig, ax1 = plt.subplots() 

ax1.set_xlabel('X-axis') 
ax1.set_ylabel('Primary-axis') 
ax1.plot(x, data_1, color = 'red') 

**# Adding Twin Axes**

ax2 = ax1.twinx() 
ax2.plot(x, data_2, color = 'blue') 

**# Add label** 
ax2.set_ylabel('Secondary Y-axis', color= 'blue') 
ax2.tick_params(axis='y', color='blue', labelcolor='blue')

**# Show plot** 
plt.show()

• 导入 numpy 和 matplotlib.pyplot 库。
• 接下来，使用 numpy 的 arange() 、 sin() 、 cos() 函数定义数据坐标。
• 使用 axes 对象 1 对应的 subplots() 函数创建 subplot。
• 然后我们通过使用 set_xlabel() 和 set_ylabel() 函数在 x 轴和主 y 轴添加标签。
• 为了绘制图表，我们使用了 plot() 函数。
• 为了创建第二个 y 轴，我们使用了 twinx() 函数。
• 为了在辅助 y 轴上添加标签，我们使用了 set_ylabel() 函数。
• 要将轴标签的颜色设置为与绘制线相同，请将颜色参数传递给 set_ylabel() 方法。
• 要将刻度和刻度标签的颜色设置为与绘制线相同，请将颜色和标签颜色参数传递给 tick_params() 方法。

Matplotlib secondary y-axis color

读取: Matplotlib 设置 y 轴范围

Matplotlib 辅助 y 轴对齐 0

在这里，我们将通过示例学习使用 matplotlib 将辅助 y 轴对齐到 0。为了将轴对齐到 0，我们将 y 轴的底部设置为 0。

语法:

matplotlib.pyplot.ylim(bottom=0)

也可以用 set_ylim()或 axis()函数代替 ylim()。

我们来看一个例子:

这里我们要用 set_ylim()函数将次 y 轴对齐到 0。

**# Import Library**

import pandas as pd

**# Create DataFrames**

df1 = pd.DataFrame({'year': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                    'profit': [80, 60, 50, 95, 75, 63, 35, 90, 
                               68, 78]})

df2 = pd.DataFrame({'year': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                    'loss': [20, 40, 50, 5, 25, 37, 65, 10, 32, 
                             22]})

**# Print**

print(df1)
print('\n')
print(df2)

• 为了创建一个数据框，我们首先需要导入一个 pandas 库。
• 我们用 DataFrame() 方法生成数据帧。
• 之后，我们使用 print() 函数显示两个数据帧。

Matplotlib secondary y-axis align 0

**# Import Library**

import matplotlib.pyplot as plt

**# define subplots**

fig,ax = plt.subplots()

**# plot**

ax.plot(df1.year, df1.profit, color='slategrey', marker='o', 
        linewidth=3)

**# add x-axis label**

ax.set_xlabel('Year')

**# add primary y-axis label**

ax.set_ylabel('Profit')

**# define second y-axis**

ax2 = ax.twinx()

**# plot**

ax2.plot(df2.year, df2.loss, color='orange', marker ='o', 
         linewidth=3)

**# Align to 0**

ax2.set_ylim(bottom=0)

**# add second y-axis label** 
ax2.set_ylabel('Loss')

**# Display**

plt.show()

• 对于数据可视化，导入 matplotlib.pyplot 库。
• 通过调用 axis 对象上的 subplots() 函数创建一个 subplot。
• plot() 函数用于创建折线图。
• 我们还将颜色、标记和线宽作为参数来增强情节。
• set_xlabel() 函数用于设置 x 轴上的标签。
• set_ylabel() 函数用于设置主 y 轴上的标签。
• 我们使用 set_ylim() 函数，将 bottom 参数设置为 0 ，将次轴对齐到 0。
• set_ylabel() 函数对应于 axes 对象 2，用于设置辅助 y 轴上的标签。
• show() 函数用于显示图形。

Matplotlib align secondary y-axis to 0

阅读:Matplotlib xlim–完整指南

Matplotlib 辅助 y 轴子图

在这个 matplotlib 教程中，我们将学习如何在支线剧情之间共享辅助 Y 轴。

让我们看看与此相关的例子:

例#1

在这里，我们为特定的子情节添加一个辅助 y 轴。

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(20)
y = np.cos(x*60)

**# Define Subplot**

fig, ax = plt.subplots(2, figsize=(8,6))

**# Plot**

ax[0].plot(x, y)

**# Define Labels** 
ax[0].set_xlabel('X-axis')
ax[0].set_ylabel('Y-axis')

**# Twin Axes** 
ax1 = ax[1].twinx()

**# Plot** 
ax[1].plot(x,y)

**# Add Labels** 
ax[1].set_ylabel('Primary Y-axis')
ax1.set_ylabel('Secondary Y-axis')

**# Display**

plt.show()

• 导入用于数据创建的 numpy 库。
• 导入 matplotlib.pyplot 库进行数据可视化。
• 要定义数据坐标，使用 numpy 的 arange() 和 cos() 方法。
• 之后，使用 subplots() 方法创建支线剧情。
• 然后绘制线图，使用 plot() 函数。
• 要设置轴标签，使用 set_xlabel() 和 set_ylabel() 方法。
• 要在第二个图中创建双 y 轴，使用 twinx() 函数。
• ax1.set_ylabel() 函数用于添加辅助 y 轴标签。
• 为了显示该图，我们使用 show() 方法。

Matplotlib secondary y-axis subplot

阅读: Matplotlib 饼图教程

Matplotlib 辅助 y 轴直方图

在这里，我们将学习使用 matplotlib 创建一个带有两个 y 轴的直方图。

我们来看一个例子:

**# Import Libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Define subplot**

fig, ax = plt.subplots()

**# Initialize the random number generator**

np.random.seed(100)

**# Define Data**

data = np.random.randn(1000)

**# Create histogram** 
ax.hist(data, bins=40)

**# Second y-axis**

ax2 = ax.twinx()

**# Create histogram**

ax2.hist(data, bins=40, density=True, cumulative=True, 
         histtype="step", color="lime")

**# Display**

plt.show()

• 导入用于数据创建的 numpy 库。
• 导入 matplotlib.pyplot 进行数据可视化。
• 然后，使用一个 子情节() 函数返回包含图形和轴对象的元组。
• 然后使用 seed() 方法初始化随机数发生器。要生成随机数，随机数生成器需要一个称为种子值的起始值。
• 然后使用 random.rand() 函数生成一个具有所需形状和随机值的数组。
• 使用 hist() 函数创建直方图。
• 接下来，使用 twinx() 函数创建第二个 y 轴。
• 然后使用 hist() 函数创建对应于 twinx 的直方图。
• 然后，我们将以下参数传递给函数 hist() 来美化这个情节
  • 密度:指定箱子的密度。
  • 累积:如果为真，则创建一个直方图，每个条块包含该条块中的计数以及所有较小值的条块。数据点的总数显示在最后一个框中。
  • hisstype: 设置直方图的类型。我们将其设置为 step，这将生成一个线图。
  • 颜色:指定颜色。

Matplotlib secondary y-axis histogram

读取: Matplotlib 更新循环中的绘图

Matplotlib 散点图辅助 y 轴

在这里，我们将学习使用 matplotlib 创建具有两个 y 轴的散点图。

我们来看一个例子:

这里我们创建了一个带有两个 y 轴的散点图。

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt 

**# Define Data**

name = ['Ava', 'Noah', 'Charlotte', 'Robert', 'Patricia']
weight_kg = [45, 60, 50, 75, 53]
height_cm = [162, 175, 155, 170, 168]

**# Create Plot**

fig, ax1 = plt.subplots() 

**# Add labels** 
ax1.set_xlabel('X-axis') 
ax1.set_ylabel('Primary Y-axis') 
ax1.scatter(name, weight_kg ,color = 'red') 

**# Adding Twin Axes**

ax2 = ax1.twinx() 
ax2.scatter(name, height_cm, color = 'blue') 

**# Add label at second y-axis**

ax2.set_ylabel('Secondary Y-axis') 

**# Show plot**

plt.show()

• 导入需要的库，即 numpy 和 matplotlib.pyplot 。
• 之后，您必须定义用于出图的数据坐标。
• 然后使用 subplots() 函数获得一个包含图形和轴对象的元组。
• 使用 set_xaxis() 函数向 x 轴添加一个标签。
• set_yaxis() 函数用于分别向主 y 轴和次 y 轴添加标签。
• 使用 scatter() 方法创建散点图。
• 使用 show() 功能显示绘图。

Matplotlib scatter secondary y-axis

阅读: Matplotlib 散点图颜色

Matplotlib 辅助 y 轴刻度

在这里，我们将借助一个示例，学习使用 matplotlib 在辅助 y 轴上设置刻度。

我们来看例子:

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt 

**# Subplot** 
fig, ax1 = plt.subplots() 

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
data_1 = np.sin(x)
data_2 = np.cos(x)

**# Create Plot**

ax1.set_xlabel('X-axis') 
ax1.set_ylabel('Primary-axis') 
ax1.plot(x, data_1,color='r') 

**# Adding Twin Axes**

ax2 = ax1.twinx() 
ax2.plot(x, data_2) 

**# Set y axis ticks and labels** 
ax2.set_yticks([-1,0, 1, 2, 3, 4])
ax2.set_yticklabels(['Label-1', 'Label-2', 'Label-3', 
                     'Label-4', 'Label-5', 'Label-6'])

**# Add label**

ax2.set_ylabel('Second Y-axis') 

**# Show plot**

plt.show()

• 导入用于数据创建的 numpy 库。
• 将 matplotlib.pyplot 库导入为 plt 进行数据可视化。
• 然后使用 支线剧情() 函数得到一个带有人物和坐标轴的元组对象。
• 之后，我们使用 numpy 函数创建数据坐标，即 linspace() 、 sin() 和 cos() 。
• 要在轴上添加标签，使用 set_xlabel() 和 set_ylabel() 函数。
• 为了绘制图形，我们使用 plot() 函数。
• 要创建第二个 y 轴，使用 twinx() 函数。
• 为了固定 y 轴上的刻度位置，我们使用了 set_yticks() 函数。
• 为了设置 y 轴上的字符串标签，我们使用了 set_yticklabels() 函数。

Matplotlib secondary y-axis ticks

Read: Matplotlib set_xticklabels

Matplotlib 第二个 y 轴熊猫

在这里，我们将学习使用 matplotlib 中的 pandas DataFrame 添加第二个 y 轴。

我们来看一个例子:

**# Import Libraries**

import pandas as pd
import matplotlib.pyplot as plt

**# Creating dataframe for plot** 
df1 = pd.DataFrame({'year': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                    'profit': [80, 60, 50, 95, 75, 63, 35, 90, 
                               68, 78]})

df2 = pd.DataFrame({'year': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                    'loss': [20, 40, 50, 5, 25, 37, 65, 10, 32, 
                             22]})

**# Creating axes object and defining plot** 
ax = df1.plot(kind = 'line', x = 'year',
              y = 'profit', color = 'slategrey', marker='o')

ax2 = df2.plot(kind = 'line', x = 'year',
                   y = 'loss', secondary_y = True,
                   color = 'Red', marker = 'o',
                   ax = ax)

**# Labeling axes**

ax.set_xlabel('Year')
ax.set_ylabel('Profit')
ax2.set_ylabel('Loss')

**# Show plot**

plt.show()

• 导入 pandas 库来创建数据帧。
• 导入 matplotlib.pyplot 库进行数据可视化。
• 之后，使用 pandas 的 DataFrame() 函数为地块创建数据帧。
• 然后，使用 plot() 函数创建轴对象并定义绘图。
• 要在辅助 y 轴上绘制数据，请使用 df2.plot() 方法中的 secondary_y 关键字。
• 为了给轴加标签，我们使用 set_xlabel() 和 set_ylabel() 函数分别对应于它们的轴对象。
• 要显示图形，使用 show() 功能。

Matplotlib second y-axis pandas

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 绘制一条线(详细指南)
• Matplotlib 改变背景颜色
• Matplotlib 默认图形尺寸
• Matplotlib legend font size
• Matplotlib 多个图
• Matplotlib savefig 空白图像

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib 辅助 y 轴，并且我们还涵盖了一些与使用辅助 y 轴相关的示例。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 辅助 y 轴限制
• Matplotlib 辅助 y 轴标签
• Matplotlib 辅助 y 轴对数刻度
• Matplotlib 辅助 y 轴颜色
• Matplotlib 辅助 y 轴对齐 0
• Matplotlib 辅助 y 轴子图
• Matplotlib 辅助 y 轴直方图
• Matplotlib 散点图辅助 y 轴
• Matplotlib 辅助 y 轴刻度
• Matplotlib 第二个 y 轴熊猫

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 设置轴范围

原文：https://pythonguides.com/matplotlib-set-axis-range/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 设置轴范围。在这里，我们将介绍与使用 matplotlib 设置轴范围相关的不同示例。我们还将讨论以下主题:

• Matplotlib 设置轴范围
• Matplotlib 设置三维轴范围
• Matplotlib 设置轴范围子图
• Matplotlib 为所有子情节设置轴限制
• Matplotlib 设置轴范围散点图
• Matplotlib 设置轴范围日期时间
• Matplotlib imshow 设置轴范围
• Matplotlib 设置轴相同比例
• Matplotlib 设置辅助轴范围
• Matplotlib 3d 散点图集合轴范围
• Matplotlib 设置轴刻度日志
• Matplotlib 设置轴下限

目录

• Matplotlib 设定轴范围
  • 通过使用 xlim()和 ylim()方法
  • 通过使用 set_xlim()和 set_ylim()方法
  • 通过使用轴()方法
• Matplotlib 设定轴范围 3d
• Matplotlib 设置轴范围子图
• Matplotlib 为所有子情节设置轴限制
• Matpolotlib 设置轴范围散点图
• Matplotlib 设置轴范围日期时间
• matplotlib im how 设置轴范围
• Matplotlib 设定轴相同比例
• Matplotlib 设置次轴范围
• Matplotlib 3d 散点图设定轴范围
• Matplotlib 设置轴刻度日志
• Matplotlib 设定轴下限

Matplotlib 设定轴范围

Matplotlib 是 Python 最流行的数据可视化库之一。在本节中，我们将了解如何使用 Matplotlib 的轴范围来截断或扩展绘图的某些边界。

Matplotlib 自动生成沿绘图的 x、y(以及 3D 绘图时的 z 轴)轴显示的变量的最小值和最大值。

但是，可以使用以下方法定义明确的限制:

• 通过使用 xlim()和 ylim()
• 通过使用 set_xlim()和 set_ylim()
• 通过使用轴()

通过使用 xlim()和 ylim()方法

在 matplotlib 中，要设置或获取 X 轴和 Y 轴限制，相应地使用 xlim() 和 ylim() 方法。如果传递了参数，这些方法定义了各个轴的限制，如果没有传递参数，我们将获得各个轴的范围。

以下是语法:

**# Set x-axis range**

matplotlib.pyplot.xlim()

**# Set y-axis range**

matplotlib.pyplot.ylim()

我们来看例子:

例#1

在这个例子中，我们没有使用 xlim() 和 ylim() 函数，我们将得到一个完整范围的图。

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(0, 10, 0.2)
y = np.sin(x)

**# Plot**

plt.plot(x, y)

**# Add title**

plt.title("Plot without limiting axes")

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

Matplotlib set axis limits

正如在输出中所看到的，我们将得到一个具有完整轴范围的图，X 轴范围从-1 到 1，Y 轴范围从 0 到 10。

例 2

在这个例子中，我们使用 xlim() 和 ylim() 函数，得到一个带有手动选择的限制的图。

**# Import Libraries** 
import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.arange(0, 10, 0.2)
y = np.sin(x)

**# Plot**

plt.plot(x, y)

**# Set axes limit**

plt.xlim(2, 8)
plt.ylim(-0.50,1.5)

**# Add title**

plt.title("Setting range of Axes")

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

• 首先导入必要的库，如 numpy 和 matplotlib.pyplot 。
• 要定义 x 轴和 y 轴数据坐标，使用 arange() 和 sin() 函数。
• 要绘制折线图，使用 plot() 函数。
• 要设置 x 轴和 y 轴的范围，分别使用 xlim() 和 ylim() 函数。
• 要给绘图添加标题，使用 title() 函数。
• 要在轴上添加标签，使用 xlabel() 和 ylabel() 函数。
• 为了可视化绘图，使用 show() 函数。

Matplotlib set axis range

这将 X 轴的范围设置为 2 到 8，而 Y 轴的范围为-0.50 到 1.5。

通过使用 set_xlim()和 set_ylim()方法

set_xlim() 和 set_ylim() 函数也用于限制图上的数字范围。

以下是语法:

**# Set x-axis range**

matplotlib.axes.Axes.set_xlim()

**# Set y-axis range**

matplotlib.axes.Axes.set_ylim()

我们来看例子:

例#1

在这个例子中，我们没有使用 set_xlim() 和 set_ylim() 函数来获得完整范围的图。

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.random.randint(low = -15, high = 80, size = 50)

**# Plot**

plt.plot(x, color='#EE1289')

**# Add title**

plt.title("Plot without limiting axes")

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

Matplotlib set limits of axes

正如在输出中看到的，我们将得到一个具有完整轴范围的图，X 轴范围从 0 到 80，Y 轴范围从 0 到 50。

例 2

在本例中，我们使用 set_xlim() 和 set_ylim() 函数，获得一个带有手动选择的限制的图。

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.random.randint(low = -15, high = 80, size = 50)

**# Plot**

plt.plot(x, color='#EE1289')

**# Set axes limit**

plt.xlim(0 , 43)
plt.ylim(0 , 55)

**# Add title**

plt.title("Setting range of Axes")

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

• 导入 matplotlib.pyplot 库。
• 之后，导入 numpy 包。
• 然后使用 numpy 的 rndom.randint() 方法定义数据坐标。
• 要给当前图形添加轴，使用 axes() 方法。
• 要设置轴限制，分别对 x 轴和 y 轴使用 set_xlim() 和 set_ylim() 。
• 要绘制折线图，使用 pyplot 模块的 plot() 函数。
• 要给绘图添加标题，使用 title() 函数。
• 要在 x 轴上添加标签，使用 xlabel() 函数。
• 要在 y 轴上添加标签，使用 ylabel() 函数。
• 要在用户屏幕上显示图形，使用 show() 功能。

Matplotlib set range of axes

这将 X 轴的范围设置为 0 到 43，而 Y 轴的范围为 0 到 55。

通过使用轴()方法

为了设置轴的限制，我们也可以使用 axis() 函数。

以下是语法:

matplotlib.pyplot.axis([xmin, xmax, ymin, ymax])

我们来看例子:

例#1

在这个例子中，我们没有使用轴()函数来获得一个完整范围的图。

**# Import Libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.linspace(0, 8, 100)
y = np.exp(x/2)

**# Plot** 
plt.plot(x, y, color='green')

**# Add title**

plt.title("Plot without limiting axes")

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

Set axis limits using matplotlib

正如在输出中所看到的，我们将得到一个具有完整轴范围的图，X 轴范围从 0 到 50，Y 轴范围从 0 到 8。

例 2

在本例中，我们使用轴()函数，获得一个带有手动选择的限制的图。

**# Import Libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.linspace(0, 8, 100)
y = np.exp(x/2)

**# Set axes**

plt.axis([2, 6.5, 2, 45])

**# Plot**

plt.plot(x, y, color='green')

**# Add title**

plt.title("Setting range of Axes")

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display** 
plt.show()

• 将 matplotlib.pyplot 库导入到项目中。
• 之后导入 numpy 包。
• 然后，使用 numpy 的 linspace() 和 exp() 方法，定义数据坐标。
• 使用 axis() 功能设置 x 轴和 y 轴的轴限值。
• 使用 pyplot 模块的 plot() 函数创建折线图。
• 使用 title() 功能为绘图添加标题。
• 使用 xlabel() 函数在 x 轴上添加一个标签。
• 使用 ylabel() 函数向 y 轴添加一个标签。
• 使用 show() 功能在用户屏幕上显示图形。

Set axis range using matplotlib

这将 X 轴的范围设置为 2 到 6.5，而 Y 轴的范围为 2 到 45。

Matplotlib 设定轴范围 3d

在本教程中，我们将学习如何调整 3D 绘图的轴限制。轴上的值范围由输入值自动定义。

set_xlim() 、 set_ylim() 和 set_zlim() 函数用于改变每个轴上的最小和最大限值。

以下是改变轴限制的语法:

**# For x-axis limit**
matplotlib.axis.Axis.set_xlim(min, max)

**# For y-axis limit**
matplotlib.axis.Axis.set_ylim(min, max)

**# For z-axis limit**
matplotlib.axis.Axis.set_zlim(min, max)

让我们看看与此相关的例子:

例#1

在本例中，我们将绘制一个 3D 折线图，并使用上面定义的函数修改其轴。

**# Import libraries**

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt

**# 3D projection**

ax = plt.axes(projection ="3d")

**# Define Data**

x = np.arange(20)
y = x+8
z = 2*x+8

**# Modify axis**

ax.set_xlim(0,20)
ax.set_ylim(5,32)
ax.set_zlim(10, 55)

**# Plot**

ax.plot3D(x, y, z)

**# Show**

plt.show()

• 为 3d 投影导入 mplot3d 库。
• 接下来，导入用于数据创建的 numpy 库。
• 之后，导入 matplotlib.pyplot 进行图形可视化。
• 要设置 3d 投影，使用 axes() 方法给新图形添加轴，并传递投影参数，设置为 3d 。
• 接下来，定义数据坐标。
• 然后，使用 set_xlim() 、 set_ylim() 、 set_zlim() 方法，根据传递的最小值和最大值修改三个轴的限值。
• 要绘制 3d 折线图，使用 plot3d() 功能。

Matplotlib set axis range 3d

例 2

在这个例子中，我们将绘制一个 3D 条形图，并使用上面定义的函数修改它的轴。

**# Import libraries**

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt

**# 3D projection**

ax = plt.axes(projection ="3d")

**# Define Data**

x3 = [2, 4, 6, 8, 10, 12, 14, 16, 18, 20]
y3 = [5, 10, 15, 20, 25, 30, 35, 40, 45, 50]
z3 = np.zeros(10)

dx = np.ones(10)
dy = np.ones(10)
dz = [4, 8, 12, 16, 20, 24, 28, 32, 36, 40]

**# Modify axis**

ax.set_xlim(0,30)
ax.set_ylim(5, 70)
ax.set_zlim(-2, 55)

**# Plot**

ax.bar3d(x3, y3, z3, dx, dy, dz)

**# Show**

plt.show()

• 导入 mplot3d 、 numpy 、 matplotlib.pyplot 等必要的库。
• 要定义 3D 投影，使用 axes() 方法向新图形添加轴，并传递 投影 参数，并设置为 3d 。
• 使用 numpy 的 zero() 和 ones() 方法来定义宽度、深度和高度。
• 然后，使用 set_xlim() 、 set_ylim() 、 set_zlim() 方法，根据传递的最小值和最大值修改三个轴的限值。
• 使用 bar3d() 函数绘制三维条形图。

Matplotlib set 3d axis range

另外，检查:什么是 add_axes matplotlib

Matplotlib 设置轴范围子图

这里我们将学习使用 matplotlib 设置特定子绘图的轴范围。

让我们看看与此相关的例子:

例#1

这里我们使用 xlim()和 ylim()方法来修改特定子情节的轴限制。

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# plot 1:**

plt.subplot(1, 2, 1)

**# Data**

x = np.arange(0,10,0.2)
y = np.sin(x)

**# Plotting**

plt.plot(x, y)

**# plot 2:**

plt.subplot(1, 2, 2 )

**# Data**

x = np.arange(0,10,0.2)
y = np.cos(x)

**# Set axes for specific subplot**

plt.xlim(2, 8)
plt.ylim(-0.50,1.5)

**# Plotting**

plt.plot(x,y)

**# Auto adjust**

plt.tight_layout()

**# Display**

plt.show()

• 导入 matplotlib.pyplot 和 numpy 库。
• 接下来，使用定义了行和列的 subplot() 函数创建一个子情节。
• arange() 、 sin() 、 cos() 方法用于定义数据坐标。
• 这里我们修改了子情节 2nd 的轴，所以我们使用了 xlim() 和 ylim() 函数。
• 要绘制图形，在每个子图中使用 plot() 函数。

Matplotlib set axis range subplot

例 2

在这里，我们将创建两个支线剧情，一个具有原始极限值，另一个具有截断的极限值。

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Set figure size**

fig = plt.figure(figsize=(12, 6))

**# Define Data**

x = np.arange(0, 10, 0.1)
y = np.tan(x)

**# Create subplot**

ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)

**# Set limits**

ax2.set_xlim([25, 50])
ax2.set_ylim([-20, 60])

**# Plot graphs**

ax1.set_title('Orignal Limits')
ax1.plot(y, color='blue')

ax2.set_title('Truncated Limits')
ax2.plot(y, color='blue')

**# Display** 

plt.show()

• 导入必要的库，如 matplotlib.pyplot 和 numpy 。
• 要设置图形大小，使用 figure() 方法并向其传递 figsize 参数。
• 定义数据坐标，使用 arange() 和 tan() 方法。
• 要创建子情节，使用 add_subplot() 方法。
• 要设置限制，使用 set_xlim() 和 set_ylim() 方法。
• 要给绘图添加标题，使用 set_title() 方法。
• 要绘制图表，请使用 plot() 方法。

Matplotlib set subplot axis range

Matplotlib 为所有子情节设置轴限制

在这里，我们将在示例的帮助下学习使用 matplotlib 为所有子情节设置相同的轴限制。

我们来看例子:

例#1

这里，我们将使用 set_xlim() 和 set_ylim() 方法为所有支线剧情轴设置相同的限制。

**# Import Libraries** import matplotlib.pyplot as plt

**# Set figure size** 
plt.figure(figsize=(8, 7))

**# Subplot 1** 
ax1 = plt.subplot(2, 2, 1)

**# Set axes**

ax1.set_xlim(2, 15)
ax1.set_ylim(0, 25)

ax1.plot([1, 2, 3, 8, 16, 21], [2, 4, 1, 20, 13, 15])

**# Subplot 2**

ax2 = plt.subplot(2, 2, 2, sharey=ax1, sharex=ax1)
ax2.plot([4, 2, 6, 8, 3, 20, 13, 15])

**# Subplot 3** 
ax3 = plt.subplot(2, 2, 4, sharey=ax1, sharex=ax1)
ax3.plot([1, 2, 3, 4, 5])

**# Subplot 4**

ax4 = plt.subplot(2, 2, 3, sharey=ax1, sharex=ax1)
ax4.plot([0, 0.6, 0.2, 15, 10, 8])

**# auto layout** 
plt.tight_layout()

**# Display**

plt.show()

• 首先导入 matplotlib.pyplot 和 numpy 库。
• 接下来，通过使用 figure() 方法并传递 figsize 参数来设置图形的大小。
• 使用 subplot() 方法分别在图中索引 1、2、3、4 处创建一个子图。
• 要设置轴限制，使用 set_xlim() 和 set_ylim() 方法。
• 要共享相同的轴，使用 sharex 和 sharey 参数。
• 要在不同的轴上画线，使用 plot() 方法。
• 要显示该图，请使用 show() 功能。

Matplotlib set axis limits for all subplots

例 2

在本例中，我们使用 setp() 函数为所有子图形设置相同的轴限制。

**# Import Library**

import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots(2, 2)

**# Define Data**

x1 = [1, 2, 3, 8, 16, 21]
y1 = [2, 4, 1, 20, 13, 15]

x2 = [4, 2, 6, 8, 3, 20, 13, 15]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

**# Define axes**

cust_xlim = (0, 30)
cust_ylim = (2, 30)

**# Setting the same values for all axes**

plt.setp(ax, xlim=cust_xlim, ylim=cust_ylim)

**# Plot** 
ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# Auto adjust**

fig.tight_layout()

**# Display**

plt.show()

• 导入 matplotlib.pyplot 库。
• 要创建子情节，使用 subplots() 方法并指定行和列作为参数。这里我们将其设置为 2 行 2 列。
• 接下来，定义用于打印的数据坐标。
• 然后，定义轴限制。
• 要为所有子情节设置相同的轴限制值，使用 setp() 方法。
• 为了绘制图表，我们使用了 plot() 函数。
• 要自动调整支线剧情，使用 tight_layout() 函数。
• 要显示这些图，使用 show() 方法。

Matplotlib set axis range for all subplots

阅读: Matplotlib 二维表面图

Matpolotlib 设置轴范围散点图

在这里，我们将学习使用 matplotlib 设置散点图的轴范围。

我们来看例子:

例#1

在本例中，我们使用 axis()方法来设置轴范围。

**# Import Librar**y

import matplotlib.pyplot as plt

**# Define Data** 
x =[5, 7, 8, 7, 2, 17, 2, 9,
    4, 11, 12, 9, 6] 

y =[99, 86, 87, 88, 100, 86, 
    103, 87, 94, 78, 77, 85, 86]

**# Set axes**

plt.axis([0, 15, 50, 120])

**# Plot**

plt.scatter(x, y, color='green')

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

• 首先导入 matplotlib.pyplot 库进行数据可视化。
• 接下来，定义数据坐标。
• 要设置散点图的轴，使用 axis() 方法并设置 xmin，xmax。ymin 和 ymax 值。
• 要绘制散点图，使用 scatter() 函数。
• 要在 x 轴上设置标签，使用 xlabel() 函数。
• 要在 y 轴设置标签，使用 ylabel() 函数。
• 要查看图形，请使用 show() 方法。

Matplotlib set axis range scatter

例 2

在这个例子中，我们使用 xlim()和 ylim()函数来设置轴的范围。

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x = np.random.randint(low = -20, high = 80, size = 100)
y = np.random.randint(low = 0, high = 50, size = 100)

**# Set axes**

plt.xlim(0, 60)
plt.ylim(10, 40)

**# Plot**

plt.scatter(x, y, color='blue')

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show() 

• 首先导入 matplotlib.pyplot 库进行数据可视化。
• 接下来，使用 random.randint() 函数定义数据坐标。
• 要设置散点图的轴，使用 xlim() 和 ylim() 函数。
• 要绘制散点图，使用 scatter() 函数。
• 要在 x 轴上设置标签，使用 xlabel() 函数。
• 要在 y 轴设置标签，使用 ylabel() 函数。
• 要查看图形，请使用 show() 方法。

Matplotlib set axis limit scatter

读取: Matplotlib 设置 y 轴范围

Matplotlib 设置轴范围日期时间

在这里，我们将学习使用 matplotlib 设置日期时间图的轴范围。

我们来看一个与此相关的 的例子:

**# Import Libraries**

import datetime
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = [datetime.date(2022, 1, 30)] * 5
y = [2, 4, 1, 6, 8]

**# Set axes**

ax.set_xlim([datetime.date(2022, 1, 1), datetime.date(2022, 2, 
              1)])
ax.set_ylim([0, 10])

**# Plot date**

ax.plot_date(x, y, markerfacecolor='m', markeredgecolor='k', 
             markersize= 15)

**# Auto format** 
fig.autofmt_xdate()

**# Display**

plt.show()

• 导入必要的库，如 datetime 和 matplotlib.pyplot 。
• 要创建一个支线剧情，使用支线剧情()函数。
• 要定义数据坐标，使用 datetime.date() 函数。
• 要设置轴，使用 set_xlim() 和 set_ylim() 函数。
• 要绘制日期时间图，使用 plot_date() 函数。
• 通过参数 markerfacecolor 、 markeredgecolor 和 markersize 设置标记面颜色、边缘颜色和尺寸。
• 要自动格式化 x 轴上的日期，使用 autofmt_xdate() 函数。
• 要查看绘图，使用 show() 功能。

Matplotlib set axis range datetime

读取: Matplotlib 更新循环中的绘图

matplotlib im how 设置轴范围

这里我们将学习使用 matplotlib 设置 imshow 的轴范围。要更改 imshow 的轴，我们必须向 imshow() 函数传递一个范围参数。

以下是语法:

matplotlib.pyplot.imshow(extent = [x_min, x_max, y_min, y_max])

我们来看例子:

这里我们通过使用范围参数来设置轴。

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 
x = np.arange(400).reshape((20,20)) 

**# Imshow set axes**

plt.imshow(x , extent=[-1,1,-1,1])

**# Add Title** 
plt.title( "Imshow Plot" )

**# Display**

plt.show()

• 导入 numpy libaray 为 np 。
• 将 matplotlib.pyplot 库导入为 plt 。
• 要定义数据坐标，使用 arange() 和shape()方法。
• 要绘制 imshow 图，使用 imshow() 图。
• 要设置轴限制，请将范围参数分别传递给具有 x_min 、 x_max 、 y_min 和 y_max 值的方法。
• 要添加标题，请使用 title() 函数。

Matplotlib imshow set axis range

我们还可以使用 xlim() 、 ylim() 方法或者使用 set_xlim() 和 set_ylim() 方法或者使用 axis() 方法来设置 imshow 的轴。

让我们再看一个使用上述定义方法设置 imshow 轴的例子:

这里我们使用 axis()方法来设置 imshow 的轴。

例 2

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x = [[1, 2, 4, 5, 6, 7],
      [21, 22, 24, 25, 26, 27],
      [100, 13, 41, 51, 61, 71],
      [111, 121, 141, 151, 161, 171]]

**# Set axes**

plt.axis([1, 4, 1, 3])

**# Imshow** `Plot`

plt.imshow(x)

**# Add Title**

plt.title( "Imshow Plot" )

**# Display**

plt.show()

• 导入 matplotlib.pyplot 库。
• 接下来，定义数据坐标。
• 要设置轴，使用 axis() 方法。
• 要绘制 imshow 图形，使用 imshow() 函数。
• 要添加标题，使用 title() 函数。
• 使用 show() 功能在用户屏幕上显示图形。

Matplotlib imshow set axis limits

阅读: Matplotlib 饼图教程

Matplotlib 设定轴相同比例

在这里，我们将了解如何使用 matplotlib 在 x 轴和 y 轴上设置相同的比例轴限制。

举例:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data**

x = np.random.randint(low = -15, high = 80, size = 50)

**# Plot**

plt.plot(x)

**# Set Axes** 
plt.xlim(0, 60)
plt.ylim(0, 60)
plt.gca().set_aspect('equal', adjustable='box')

**# Display** 
plt.show()

• 导入 matplotlib.pyplot 库进行数据可视化。
• 接下来，定义数据坐标。这里我们用 random.randint() 函数来定义数据。
• 要绘制图表，使用 plot() 函数。
• 要设置 x 轴的极限，使用 xlim() 功能。
• 要设置 y 轴的极限，使用 ylim() 函数。
• plt.gca() 函数用于获取当前坐标轴。
• 接下来，我们使用 set_aspect() 函数，来设置轴缩放的方面。这里我们将特征设置为等于，这意味着 x 和 y 从数据到绘图单位的缩放是相同的

Matplotlib set axis same scale

阅读:Matplotlib set _ x ticks–详细教程

Matplotlib 设置次轴范围

在这里，我们将学习使用 matplotlib 设置辅助轴范围。

让我们看看与此相关的例子:

例#1

这里我们将创建两个 y 轴，并使用 set_xlim()和 set_ylim()函数设置它们的轴范围。

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Set figure size** 
fig, ax = plt.subplots(figsize = (8,5))

**# Define Data Coordinates**

x = np.arange(0, 50, 2)
y1 = np.sin(x*20)
y2 = x**2

**# Title**

plt.title('Set Secondary axis range')

**# Create Secondary Axes** 
ax2 = ax.twinx()
ax.plot(x, y1, color = 'g')
ax2.plot(x, y2, color = 'b')

**# Set axes range**

ax.set_xlim(0,45)
ax.set_ylim(-1, 1)
ax2.set_ylim(50, 3000)

**# Set Labels**

ax.set_xlabel('x-axis', color = 'r')
ax.set_ylabel('Primary y-axis', color = 'g') 
ax2.set_ylabel('Secondary y-axis', color = 'b')

**# Show plot** 
plt.show()

• 导入用于数据创建的 numpy 库。
• 导入 matplotlib.pyplot 库进行数据可视化。
• 要通过创建轴对象来绘制图形，使用 subplots() 函数。
• 要设置绘图的大小，使用 figsize 参数并设置宽度和高度。
• 为了定义数据坐标，我们使用 numpy 的 arange() 和 sin() 函数。
• 为了设置一个图的标题，我们使用了 title() 函数。
• 为了创建一个辅助 y 轴，我们使用了 twinx() 函数。
• 为了绘制对应于轴的数据，我们使用了 plot() 函数。
• 要区分绘制的数据，请传递颜色参数并设置不同的颜色。
• 为了设置主轴和副轴的轴范围，我们使用了 set_xlim() 和 set_ylim() 函数。
• 为了在 x 轴上设置标签，我们使用了 set_xlabel() 函数。
• 为了在主 y 轴和次 y 轴上设置标签，我们使用了 set_ylabel() 函数。
• 我们还在每个轴上设置标签的颜色，绕过标签函数的颜色参数。
• 为了显示这个图，我们使用了 show() 函数。

Matplotlib set secondary axis range

例 2

这里我们将创建两个 x 轴，并使用 set_xlim()和 set_ylim()函数设置它们的轴范围。

**# Import library**

import matplotlib.pyplot as plt

**# Create subplot**

fig, ax1 = plt.subplots()

**# Plot**

ax1.plot([1, 2, 3, 4, 5], [2, 4, 12, 8, 10], color='red')

**# Secondary x-axis**

ax2 = ax1.twiny()
ax2.plot([5, 10, 15, 20, 25], [13, 51, 17, 11, 76], color='blue')

**# Set axes limit**

ax1.set_xlim(0, 4)
ax2.set_xlim(5, 20)
ax1.set_ylim(0, 60)

**# Display** 
plt.show()

• 首先导入 matplotlib.pyplot 库。
• 通过创建坐标轴对象来绘制图形，使用 支线剧情() 功能。
• 为了绘制图表，我们使用了 plot() 函数。
• 为了创建一个辅助 x 轴，我们使用了 twiny() 函数。
• 为了设置主轴和副轴的 x 轴限制，我们使用了 set_xlim() 函数。
• 为了设置 y 轴限制，我们使用了 set_ylim() 函数。
• 为了显示这个图，我们使用了 show() 函数。

Matplotlib set secondary axis limit

读取: Matplotlib fill_between

Matplotlib 3d 散点图设定轴范围

在本教程中，我们将学习如何调整 3D 散点图的轴限制。轴上的值范围由输入值自动定义。

让我们看看与此相关的例子:

例#1

在此示例中，我们创建了 3d 散点图，并使用 set_xlim3d()、set_ylim3d()和 set_zlim3d()函数设置了散点图的轴范围。

**# Import libraries** 
from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt

**# 3D projection** 
ax = plt.axes(projection ="3d")

**# Define Data** 
x = np.random.randint(low = -15, high = 80, size = 50)
y = np.random.randint(low = 0, high = 100, size = 50)

**# Modify axis** 
ax.set_xlim3d(-2, 62)
ax.set_ylim3d(5, 70)
ax.set_zlim3d(-1, 1)

**# Plot**

ax.scatter3D(x,y, s=45, edgecolor='k', color='slategrey')

**# Show** 
plt.show()

• 导入 python 的 mplot3d 库进行 3d 投影。
• 接下来，导入 matplotlib.pyplot 库进行数据可视化。
• 之后，导入 python 的 numpy 库进行数据创建。
• 给新图添加坐标轴，我们使用 axes() 的方法。
• 要设置 3d 投影，请将投影参数传递给该方法，并将其设置为 3d 。
• 为了定义数据坐标，我们使用 numpy 的 random.randint() 函数。
• 为了设置 x 轴的极限，我们使用 set_xlim3d() 方法。
• 要设置 y 轴的极限，我们使用 set_ylim3d() 方法。
• 为了设置 z 轴的极限，我们使用 set_zlim3d() 方法。
• 为了绘制 3d 散点图，我们使用了 scatter3D() 函数。
• 尺寸、边缘颜色和颜色参数用于美化地块。
• 要显示绘图，使用 show() 方法。

Matplotlib 3d scatter set axis range

例 2

在本例中，我们使用 pyplot 模块的 xlim()和 ylim()函数来设置 x 轴和 y 轴限值。为了设置 z 轴的极限，我们使用 set_zlim()函数。

**# Import libraries**

from mpl_toolkits import mplot3d
import numpy as np
import matplotlib.pyplot as plt

**# Set figure size**

plt.figure(figsize=(8,8))

**# 3D projection**

ax = plt.axes(projection ="3d")

**# Define Data**

z = np.random.randint(100, size =(200))
y = np.sin(z) + np.random.randint(100, size =(200))
x = np.cos(z) + np.random.randint(100, size =(200))

**# Plot**

ax.scatter3D(x, y, z, s=50, edgecolor='k', color='lightgreen', marker='>')

**# Modify axis**

plt.xlim(-1, 150)
plt.ylim(-1, 150)
ax.set_zlim(-1, 100)

**# Show**

plt.show() 

• 首先导入必要的库如 mplot3d 、 numpy 、 matplotlib.pyplot 。
• 接下来，通过使用 figure() 方法并传递 figsize 参数来设置图形的大小。
• 要设置 3d 投影，使用 axes() 方法将轴添加到新图形，然后将投影参数设置为 3d 。
• 通过使用 random.randint() 、 sin() 、 cos() 方法定义数据坐标。
• 要创建 3d 散点图，使用 scatter3D() 方法。
• 为了设置 x 轴和 y 轴的极限，我们使用 xlim() 和 ylim() 函数。
• 为了设置 z 轴的极限，我们使用 set_zlim() 方法。
• 要显示绘图，使用 show() 功能。

Matplotlib 3d scatter set axis limit

阅读: Matplotlib tight_layout

Matplotlib 设置轴刻度日志

在这里，我们将学习使用 matplotlib 设置对数刻度的轴限制。

让我们看看与此相关的例子:

例#1

在本例中，我们创建了一个带有 y 轴对数刻度的图，并设置了它们的界限。

**# Import Library**

import matplotlib.pyplot as plt

**# Define data** 
data = [10**i for i in range(50)]

**# Set y-axis log scale** 
plt.yscale("log")

**# Plot**

plt.plot(data)

**# Set axes limits** 
plt.axis([5, 45, 1E10, 1E50])

**# Display** 
plt.show()

• 导入 matplotlib.pyplot 库进行数据可视化。
• 然后定义指数数据坐标。
• 要设置 y 轴的对数刻度，使用 yscale() 函数，并将其设置为对数。
• 要绘制图表，使用 plot() 函数。
• 要设置轴限制，使用轴()功能。
• 要显示绘图，使用 show() 功能。

Matplotlib set axis scale log

例 2

这里我们使用 xlim()和 ylim()方法来设置对数标度图的轴限制。

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data**

x = [ 10**i for i in range(50)]
y = [ i for i in range(50)]

**# Log scale**

plt.xscale("log")

**# Plot**

plt.plot(x,y)

**# Set limits**

plt.xlim(1E10, 1E40)
plt.ylim(10, 45)

**# Display**

plt.show()

• 导入 matplotlib.pyplot 库进行数据可视化。
• 接下来，定义数据坐标。
• 要将 x 轴刻度设置为 log，使用 xscale() 函数并将 log 传递给它。
• 要绘制图表，使用 plot() 函数。
• 要设置 x 轴的极限，使用 xlim() 函数并向其传递最大值和最小值。
• 要设置 y 轴的界限，使用 ylim() 函数并向其传递顶部和底部值。
• 要显示图形，使用 show() 功能。

Matplotlib set axis range log scale

读取: Matplotlib x 轴标签

Matplotlib 设定轴下限

这里我们学习使用 matplotlib 设置轴下限。y 轴的下限是底部，x 轴的下限是左侧。

我们来看一个例子:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 50, 2)
y = np.sin(x)

**# Set axes**

plt.xlim(left=5)
plt.ylim(bottom=10)

**# Plot**

plt.plot(x, color='blue')

**# Add labels**

plt.xlabel("X-axis")
plt.ylabel("Y-axis")

**# Display**

plt.show()

• 导入 matplotlib.pyplot 和 numpy 库。
• 接下来，定义数据坐标，使用 numpy 的 arange() 和 sin() 方法。
• 为了设置轴下限，我们使用 xlim() 和 ylim() 函数，分别传递左和底参数。
• 要绘制图表，使用 plot() 函数。
• 要在轴上设置标签，使用 xlabel() 和 ylabel() 函数。
• 要显示图形，使用 show() 功能。

Matplotlib set axis lower limit

Plot with original limits

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 多条形图
• Matplotlib 散点图图例
• Matplotlib legend font size
• Matplotlib 不显示图
• 堆积条形图 Matplotlib
• Matplotlib 默认图形尺寸
• Matplotlib 辅助 y 轴

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib 设置轴范围”，并且我们还涵盖了一些与使用设置轴范围 matplotlib 相关的示例。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 设置轴范围
• Matplotlib 设置三维轴范围
• Matplotlib 设置轴范围子图
• Matplotlib 为所有子情节设置轴限制
• Matplotlib 设置轴范围散点图
• Matplotlib 设置轴范围日期时间
• Matplotlib imshow 设置轴范围
• Matplotlib 设置轴相同比例
• Matplotlib 设置辅助轴范围
• Matplotlib 3d 散点图集合轴范围
• Matplotlib 设置轴刻度日志
• Matplotlib 设置轴下限

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

matplotlib set _ x ticks–详细教程

原文：https://pythonguides.com/matplotlib-set-xticks/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 中的 Matplotlib set_xticks 。在这里，我们将介绍使用 matplotlib 与 set_xticks 相关的不同示例。我们还将讨论以下主题:

• Matplotlib set_xticks
• Matplotlib set_xticks 不可见
• Matplotlib set_xticks 旋转
• matplot lib set _ xts fontsize
• Matplotlib set_xtciks 标签
• Matplotlib set_xticks vertical
• Matplotlib set_xticks 方向
• Matplotlib set_xticks 长度
• Matplotlib set_xticks 颜色
• matplot lib bar plot set _xt 氮
• Matplotlib 直方图集合 _xticks
• matplot lib color bar set _ xts 氮
• Matplotlib set_xticks 子图
• Matplotlib set_xticks 对数标度
• Matplotlib 向右设置刻度
• Matplotlib 设置顶部刻度
• Matplotlib 设置刻度间隔
• Matplotlib set_xticks 范围
• Matplotlib 设置次要刻度间隔
• matplot lib set xts pad(打印库集 xts pad)
• Matplotlib 将 xticks 设置为文本
• Matplotlib 设置θ刻度

目录

• matplotlib set _xt 氮
• matplotlib set _ xtcics 不可见
• Matplotlib set_xticks 旋转
• matplot lib set _ xts fontsize
• Matplotlib set_xtciks 标签
• Matplotlib set _ x ticks vertical
• Matplotlib set_xticks 方向
• Matplotlib set_xticks 长度
• Matplotlib 设置刻度宽度
• Matplotlib set _ x ticks color
• matplotlib bar plot set _ xts；
• Matplotlib 直方图集合 _xticks
• matplot lib colorable set _ xts
• matplotlib set _ xtcics 子图
• Matplotlib set_xticks 对数刻度
• Matplotlib 设置右刻度
• Matplotlib 设置 ticks top
• Matplotlib 每隔设置一次刻度
• Matplotlib set_xticks 范围
• Matplotlib 设置次要刻度间隔
• matplot lib set xts pad
• Matplotlib 将 xticks 设置为文本
• Matplotlib 设置θ刻度

matplotlib set _xt 氮

在本节中，我们将学习 Python 中 matplotlib 的 axes 模块中的 set_xticks() 函数。 set_xticks() 函数用于设置 x 刻度位置。

语法如下:

matplotlib.axes.Axes.set_xticks(ticks, labels=None, *, minor=False, **kwargs) 

以下是参数:

参数	值	描述
滴答声	浮动列表	设置刻度位置。
标签	字符串列表	设置刻度标签列表。如果列表没有通过，则显示数据值。
较小的	bool
默认为:False	指定是否要设置次要刻度。
kwargs		标签和记号的文本属性。

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots**

fig, ax = plt.subplots()

**# Define Data Coordinates**

x = np.linspace(0, 20 , 100)
y = np.sin(x)

**# Plot**

plt.plot(x, y)

**# Set ticks**

ax.set_xticks(np.arange(0, len(x)+1, 5))

**# Add Title**

fig.suptitle('set_xticks Example', fontweight ="bold")

**# Display**

plt.show()

说明:

• 导入 numpy 、 matplotlib.pyplot 等重要库。
• 在这之后，我们通过使用 subplots () 方法创建一个支线剧情。
• 为了定义数据坐标，我们使用 numpy 的 linespace() 和 sin() 方法。
• 要设置 x 刻度，使用 set_xticks() 。
• 要给图形添加标题，使用 suptitle() 方法。
• 要在用户的屏幕上可视化绘图，使用 show() 方法。

set_xticks()

读取 Matplotlib 绘制一条线

matplotlib set _ xtcics 不可见

这里我们将学习隐藏 x 轴上的刻度。为此，我们必须将空列表传递给 set_xticks() 方法。

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots**

fig, ax = plt.subplots()

**# Define Data Coordinates**

x = np.linspace(0, 20 , 100)
y = np.tan(x)

**# Plot**

plt.plot(x, y)

**# Set ticks invisible**

ax.set_xticks([])

**# Display**

plt.show()

这里我们使用 set_xticks() 方法来设置 x 轴刻度位置。为了使刻度不可见，我们向该方法传递一个空字符串。

输出:

set_xticks([])

阅读 Python 使用 Matplotlib 绘制多行

Matplotlib set_xticks 旋转

我们将改变 x 轴刻度的旋转。为了改变旋转，我们将旋转参数传递给 plt.xticks() 方法。

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.linspace(0, 20 , 100)
y = np.cos(x)

**# Plot**

plt.plot(x, y)

**# Set ticks Rotation** 
plt.xticks(rotation=45)

**# Display**

plt.show()

• 这里我们导入 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 numpy 定义数据坐标。
• 要绘制折线图，请使用 plot() 方法。
• 要在 x 轴上旋转刻度，使用 plt.xticks() 方法并向其传递旋转参数。

plt.xticks(rotation)

阅读什么是 matplotlib 内联

matplot lib set _ xts fontsize

这里我们将看到一个改变 x 轴刻度的字体大小的例子。为了改变字体大小，我们将字体大小参数传递给 plt.xticks() 函数。

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.linspace(0, 20 , 100)
y = np.exp(x)

**# Plot**

plt.plot(x, y)

**# Set ticks Fontsize**

plt.xticks(fontsize=13)

**# Display**

plt.show()

输出:

plt.xticks(fontsize=13)

阅读 Matplotlib 绘图条形图

Matplotlib set_xtciks 标签

在这里，我们将学习在 matplotlib 中设置记号的位置以及在 x 轴上添加标签。

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data Coordinates** 
x = [0, 1, 2, 3, 4, 5]
y = [1, 2.5, 4, 3.3, 10, 8]

**# Plot**

plt.plot(x, y)

**# Set ticks Labels**

plt.xticks([0, 1, 2, 3, 4, 5],['Term-1','Term-2','Term-3','Term-4', 'Term-5', 'Term-6'])

**# Display**

plt.show()

在上面的例子中，我们使用 plt.xticks() 方法在 x 轴手动添加标签和记号。

plt.xticks(ticks, labels)

阅读 Matplotlib 支线剧情教程

Matplotlib set _ x ticks vertical

这里我们将学习在 Matplotlib 中垂直旋转 x 轴刻度。

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.linspace(0, 200 , 100)
y = np.sin(x)

**# Plot**

plt.plot(x, y)

**# Set ticks Rotation Vertical**

plt.xticks(rotation='vertical')

**# Display**

plt.show()

在上面的例子中，我们使用带有旋转参数的 plt.xticks() 函数来垂直旋转 x 刻度。

rotation=’vertical’

读取 Matplotlib 最佳拟合线

Matplotlib set_xticks 方向

这里我们将看到一个例子，在 Python matplotlib 中我们改变了 x 轴记号的方向。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data Coordinates**

x = np.random.randint(450,size=(80))

**# Plot**

plt.plot(x)

**# Set ticks direction**

plt.tick_params(axis='x',direction='in')

**# Display**

plt.show()

说明:

• 这里我们使用 numpy 的 random.randint() 方法定义数据坐标。
• 要绘制线图，请使用 plot() 方法。
• 为了调整分笔成交点的行为，我们使用带有方向参数的函数。我们将它指定给中的，以获得向内的刻度位置。

tick_params(direction=’in’)

Read Matplotlib set_xticklabels

Matplotlib set_xticks 长度

在这里，我们将学习在 Matplotlib python 中更改 x 轴刻度的长度。要更改刻度的长度，请将长度参数传递给 tick_params() 方法。

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data Coordinates**

x = np.random.randint(500,size=(20))

**# Plot**

plt.plot(x,color='darkblue')

**# Tick length**

plt.tick_params(axis='x', length=12)

**# Display**

plt.show()

tick_params(length=12)

读取 Matplotlib fill_between

Matplotlib 设置刻度宽度

在这里，我们将学习在 Matplotlib 中更改 x 轴刻度的宽度。将宽度传递宽度参数更改为 tick_params() 方法。

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data Coordinates**

x = [0, 1, 2, 3, 4, 5]
y = [1, 2, 3, 4, 5, 6]

**# Plot**

plt.plot(x,y,color='lightgreen')

**# Tick Width**

plt.tick_params(axis='x', width=20)

**# Display**

plt.show()

tick_params(width=20)

读取Matplotlib set _ yticklabels

Matplotlib set _ x ticks color

我们将学习在 Python matplotlib 中改变位于 x 轴的刻度的颜色。

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.linspace(0, 50 , 100)
y = np.tan(x)

**# Plot** plt.plot(x, y)

**# Set ticks color**

plt.tick_params(axis='x', color='red', length=12, width=10)

**# Display**

plt.show()

在上面的例子中，我们使用带有轴、颜色、长度和宽度参数的 tick_params() 函数，并将它们的值分别设置为 x 、红色、 12 和 10 。

tick_params(axis=’x’, color=’red’)

读取 Matplotlib tight_layout

matplotlib bar plot set _ xts；

我们“学习在柱状图中设置 x 刻度的位置。为了设置位置，我们使用 matplotlib 中 axes 模块的 set_xticks 方法。

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create figure and subplots**

fig, ax = plt.subplots()

**# Define Data Coordinates**

x = [1, 2, 3, 4, 6]
y = [10, 20, 25, 15, 30]

**# Plot**

plt.bar(x, y, color='darkorange')

**# Set ticks** 

ax.set_xticks([0, 2, 4, 6, 8])

**# Display**

plt.show()

By default x ticks

• 在上面的例子中，我们定义了数据坐标 x 和 y 来使用 bar() 方法绘制条形图。
• 要设置 x 刻度的位置，请使用 set_xticks() 方法。

设置刻度后的输出:

set_xticks()

阅读Python Matplotlib tick _ params+29 示例

Matplotlib 直方图集合 _xticks

我们将学习根据我们的选择来设置 x 刻度。要更改默认的 x 刻度，请使用 Matplotlib 中的 set_xticks() 函数。

设置直方图中 x 刻度的步骤如下:

• 导入重要的库，比如 matplotlib.pyplot、和 numpy 。
• 使用 numpy random.randn() 函数定义数据坐标 x 和 y。
• 要绘制 x 和 y 之间的直方图，使用 plt.hist() 函数。
• 要设置直方图中每个条的边缘颜色，请使用 hist() 方法中的 edgecolor 参数。
• 要设置 x 刻度，使用 set_xtick() 方法，我们使用 numpy 的 range() 方法来设置刻度的位置。
• 为了可视化用户的绘图，使用 plt.show() 方法。

ax.set_xticks(range())

读取 Matplotlib x 轴标签

matplot lib colorable set _ xts

在这里，我们将学习通过使用 matplotlib 中的 set_ticks() 函数在颜色栏上设置 x 刻度。

我们来看一个例子:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([99,86,88,111,103,87,94])
y = np.array([20,50,200,500,1000,60,75])
colors = np.array([0, 10, 20, 30, 40, 45, 50])

**# Define scatter() function**

plt.scatter(x, y, c=colors, cmap= 'PiYG')

**# Colorbar** 
cbar = plt.colorbar()

**# Set ticks**

cbar.set_ticks(range(5, 30, 10))

**# Display the graph**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们以数组的形式定义 x 、 y 和颜色数据点。
• plt.scatter() 方法用于为每个数据点绘制标记，我们通过参数‘cmap’来设置颜色图。
• plt.colorbar() 方法用于显示绘图中的色带。
• 然后我们使用 set_ticks() 函数来设置 x 轴上的刻度。
• 然后我们最后使用方法 plt.show() 来显示绘制的图形。

set_ticks()

读取 Matplotlib 多条形图

matplotlib set _ xtcics 子图

在本节中，我们将看到一个在子情节中使用 Matplotlib set_xticks() 函数的示例。

举例:

**# Importing Libraries** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots(2, 2)

**# Define Data**

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

**# Plot graph** 
ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# Set x-ticks** 
ax[0, 0].set_xticks([])
ax[0, 1].set_xticks([0, 1, 2, 3])
ax[1, 0].set_xticks(range(-5, 11))

**# Auto layout**

fig.tight_layout()

**# Display Graph**

plt.show()

• 在上面的例子中，我们使用子情节 1 中的 set_xticks() 函数来隐藏 x 刻度。
• 在子情节 2 中，我们使用 set_xticks() 函数来手动设置 x 刻度。
• 而在子情节 3 中，我们通过使用 numpy 的 range() 方法，使用 set_xticks() 函数来设置 x 个刻度。

Subplot

阅读 Matplotlib 散点图图例

Matplotlib set_xticks 对数刻度

这里我们将创建一个在 x 轴上有对数刻度的图，并使用 set_xticks() 函数设置 x 刻度。

使用以下步骤:

• 要创建一个子情节，使用 plt.subplots() 函数。
• 定义 x 和 y 数据坐标。
• 要绘制直线，请使用 plt.plot() 方法。
• 要设置 x 轴的对数刻度，使用 set_xscale() 方法。
• 要设置 x 轴的刻度，使用 set_xticks() 方法。
• 要显示绘图，请使用 plt.show() 方法。

举例:

**# Importing Libraries** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data Coordinates**

x = [50, 500, 5000, 50000]
y = [0, 1, 2, 3]

**# Plot**

plt.plot(x, y)

**# Set log scale** 
ax.set_xscale('log')

**# Set x ticks** 
ax.set_xticks([10, 100, 1000, 10000, 100000, 1000000, 
               10000000])

**# Display**

plt.show()

set_xscale(‘log’)

读取 Matplotlib 3D 散点图

Matplotlib 设置右刻度

在这里，我们将学习在 matplotlib 中在绘图的右侧设置刻度。要设置刻度，使用带有右参数的 tick_params()方法，并将其值设置为 True 。

以下是语法:

matplotlib.plot.tick_params(right=True)

举例:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.arange(0, 100, 10)
y = np.sin(x)

**# Plot**

plt.plot(x, y)

**# Right**

plt.tick_params(right=True)

**# Display**

plt.show()

Ticks at Right Side

读取堆积条形图 Matplotlib

Matplotlib 设置 ticks top

在这里，我们将学习在 Matplotlib 中的绘图顶部设置刻度。要设置刻度，使用带有 top 参数的 tick_params() 方法，并将其值设置为 True 。

以下是语法:

matplotlib.plot.tick_params(top=True)

举例:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.random.rand(100)

**# Plot**

plt.plot(x)

# Tick at top

plt.tick_params(top=True)

**# Display**

plt.show()

Ticks at Top

读取 Matplotlib 两个 y 轴

Matplotlib 每隔设置一次刻度

在这里，我们将学习在 matplotlib 中在绘图的每一边设置刻度。

举例:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.random.rand(500)

**# Plot**

plt.plot(x)

**# Set ticks everywhere** 
plt.tick_params(top=True, right=True, labelleft=False, 
                labelbottom=False)

**# Display**

plt.show()

• 在上面的例子中，我们使用 tick_params() 方法在绘图的每一边设置刻度。
• 要打开绘图右侧和顶部的刻度，使用带有顶部和右侧参数的 tick_params() 方法，并将其布尔值设置为 True 。
• 要隐藏绘图底部和左侧的标签，使用带有标签底部和标签顶部参数的 tick_params() 方法，并将其布尔值设置为 False 。

Set Ticks At Every Side Of The Plot

读取水平线 matplotlib

Matplotlib set_xticks 范围

这里我们通过使用 matplotlib 中的 range() 方法来设置 x 刻度的位置。

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data Coordinates**

y = [0, 1, 2, 3, 5]
x = [0, 5, 8, 9, 15]

**# Ticks using arange method**

x_ticks = np.arange(0, 25, 5)
ax.set_xticks(x_ticks)

**# Plot**

plt.plot(x, y)

**# Display** 
plt.show()

说明:

• 在上面的例子中，为了在 x 轴上创建一个刻度，我们使用 numpy 的 arange() 方法。
• 在 arange() 方法中，我们定义了记号的起始值、不包含的结束值和一个指定记号间距的步长。
• 要设置 x 刻度的位置，使用轴模块的 set_xticks() 方法。

读取绘制垂直线 matplotlib

Matplotlib 设置次要刻度间隔

这里我们将看到一个例子，我们使用 matplotlib set_xticks() 方法来设置次要刻度，绕过该方法的次要参数，并将其 bool 值设置为 True 。

举例:

**# Import Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Set minor ticks**

minor_ticks = np.arange(0, 50, 2)
ax.set_xticks(minor_ticks, minor=True)

**# Display**

plt.show()

ax.set_xticks(minor=True)

读取 Matplotlib 反转 y 轴

matplot lib set xts pad

在这里，我们将学习在 matplotlib 的 x 轴上添加刻度和 tickslabel 之间的空间。为此，我们使用带有填充符参数的 tick_parmas() 方法。

我们来看一个例子:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = np.linspace(0, 50 , 100)
y = np.cos(x)

**# Plot**

plt.plot(x, y)

**# Set xticks pad** 
plt.tick_params(axis='x', pad=30)

**# Display**

plt.show()

tick_params(pad=)

读取将图例放在绘图 matplotlib 外

Matplotlib 将 xticks 设置为文本

在这里，我们将学习设置 x 记号为文本。为此，在 matplotlib 中使用带有记号位置和记号标签的 xticks() 函数。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data Coordinates** 
x = [0, 1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10, 12]

**# Plot**

plt.plot(x, y)

**# Set ticks as text**

plt.xticks([0, 1, 2, 3, 4, 5],['Value-1','Value-2','Value-3','Value-4', 'Value-5', 'Value-6'])

**# Display**

plt.show()

• 首先，我们导入 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 plot() 方法定义数据坐标和绘图线图。
• 要将 x 刻度设置为文本，请使用 plt.xticks() 方法。

plt.xticks()

阅读 Matplotlib 另存为 pdf + 13 示例

Matplotlib 设置θ刻度

这里我们将看到一个例子，我们在 Python matplotlib 中将 x 刻度设置为 theta 值。我们使用 xticks() 方法，并将刻度位置和刻度标签作为 theta 传递。

举例:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data Coordinates**

x = [0, 1, 2, 3, 4, 5]
y = [5.8, 3, 2.6, 6, 9, 5.6]

**# Plot**

plt.plot(x, y)

**# Set theta ticks**

plt.xticks([1, 2, 3, 4],[r'2$\theta$', r'4$\theta$', r'6$\theta$', r'8$\theta$'])

**# Display**

plt.show()

您可能会喜欢以下 python matplotlib 教程:

• Matplotlib 标题字体大小
• Matplotlib 默认图形尺寸
• Matplotlib savefig 空白图像
• Matplotlib 另存为 png
• Matplotlib 条形图标签

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib set _ x ticks”，并且我们也涵盖了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib set_xticks
• Matplotlib set_xticks 不可见
• Matplotlib set_xticks 旋转
• matplot lib set _ xts fontsize
• Matplotlib set_xtciks 标签
• Matplotlib set_xticks vertical
• Matplotlib set_xticks 方向
• Matplotlib set_xticks 长度
• Matplotlib set_xticks 颜色
• matplot lib bar plot set _xt 氮
• Matplotlib 直方图集合 _xticks
• matplot lib color bar set _ xts 氮
• Matplotlib set_xticks 子图
• Matplotlib set_xticks 对数标度
• Matplotlib 向右设置刻度
• Matplotlib 设置顶部刻度
• Matplotlib 设置刻度间隔
• Matplotlib set_xticks 范围
• Matplotlib 设置次要刻度间隔
• matplot lib set xts pad(打印库集 xts pad)
• Matplotlib 将 xticks 设置为文本
• Matplotlib 设置θ刻度

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 设置 y 轴范围

原文：https://pythonguides.com/matplotlib-set-y-axis-range/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 中的 Matplotlib 设置 y 轴范围。这里我们将介绍与使用 matplotlib 设置 y 轴范围相关的不同示例。我们还将讨论以下主题:

• Matplotlib 设置 y 轴范围
• Matplotlib 设置 y 轴范围调用
• Matplotlib 设置 y 轴最大值
• Matplotlib 设置 y 轴最小值
• Matplotlib 设置 y 轴对数刻度
• Matplotlib 散点图集合 y 轴范围
• Matplotlib 设置 y 轴范围子图
• Matplotlib 直方图设置 y 轴范围
• Matplotlib 条形图集 y 轴范围
• Matplotlib 箱形图 y 轴范围
• Matplotlib y 轴范围设定值

目录

• Matplotlib 设定 y 轴范围
• Matplotlib 设定 y 轴范围调用
  • 获取当前 y 轴范围
  • 改变当前 y 轴范围
  • 用关键字参数改变当前 y 轴范围
• Matplotlib 设定 y 轴最大值
• Matplotlib 设定 y 轴最小值
• Matplotlib 设置 y 轴对数刻度
• Matplotlib 散点图设置 y 轴范围
• Matplotlib 设置 y 轴范围子图
• Matplotlib 直方图设置 y 轴范围
• Matplotlib 条形图设置 y 轴范围
• Matplotlib boxplot y 轴范围
• Matplotlib y 轴范围设定值

Matplotlib 设定 y 轴范围

在本节中，我们将学习如何设置 y 轴范围。matplotlib 库的 pyplot 模块的 ylim() 函数用于设置 y 轴范围。

ylim() 函数用于设置或获取 y 轴限值，或者我们可以称之为 y 轴范围。默认情况下，matplotlib 会自动选择 y 轴限制的范围，以便在图形区域绘制数据。但是如果我们想要改变当前轴的范围，那么我们可以使用 ylim() 函数。

首先，我们将看到 ylim() 函数的语法。

matplotlib.pyplot.ylim(*args, **kargs)

这里我们可以使用参数和关键字参数，所以我们可以有零个或多个参数和关键字参数。

另外，检查: Matplotlib 更新循环中的绘图

Matplotlib 设定 y 轴范围调用

在这里，我们将学习调用 pyplot 模块的 ylim() 函数。通常，我们会以三种不同的方式调用 ylim() 函数:

• 获取当前 y 轴范围
• 更改当前 y 轴范围
• 使用关键字参数更改当前 y 轴范围

获取当前 y 轴范围

要获得当前 y 轴范围的范围，我们必须采用两个变量，比如 left 和 right，因此我们将获得范围的左值和右值，然后我们将调用这个 ylim() 函数。

语法:

left,right = matplotlib.pyplot.ylim()

我们来看一个例子:

**# Import Library** 
import numpy as np 
import matplotlib.pyplot as plt

**# Data Coordinates** 
x = np.arange(1, 10) 
y = np.array([2, 4, 6, 8, 9, 10, 12, 14, 16])

**# Plot** 
plt.plot(x, y) 

**# Get and print current axes** 
bottom,top = plt.ylim()

print("Bottom value:",left,"\n","Top Value:",right)

**# Add Title** 
plt.title("Get Current y-axis range") 

**# Add Axes Labels**

plt.xlabel("X-axis") 
plt.ylabel("Y-axis") 

**# Display**

plt.show() 

• 首先，我们导入 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 numpy 的 arange() 和 array() 方法来定义用于绘图的数据坐标。
• plt.plot() 方法用于绘制图形。
• 接下来取两个变量 bottom 和 top，然后取不带任何参数的 ylim() 函数返回当前的 y 轴范围。
• 然后我们将获得底部和顶部的值，并使用 print() 函数打印它们。
• 为了添加标题，我们使用了 title() 函数。
• 为了添加 x 和 y 轴标签，我们使用了 xlabel() 和 ylabel() 函数。
• 为了显示图表，我们使用了 show() 方法。

plt.ylim()

改变当前 y 轴范围

如果我们想改变当前 y 轴的极限，那么我们用你选择的底值和顶值调用 ylim() 函数。

语法:

matplotlib.pyplot.ylim(bottom_value,top_value)

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = [1, 2, 3, 4, 5]
y = [5, 10, 15, 20, 25]

**# Change current axes**

plt.ylim(10, 30)

**# Plot**

plt.plot(x,y,'-o')

**# Display**

plt.show()

这里我们使用 ylim() 函数来设置 y 轴的界限，并将最小值和最大值作为参数传递给该函数。

plt.ylim(10, 30)

用关键字参数改变当前 y 轴范围

这里我们将使用 ylim() 函数来改变 y 轴的轴范围，绕过底部和顶部作为关键字参数，而不是采用参数。

语法:

matplotlib.pyplot.ylim(bottom=value, top=value)

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define data coordinates** 
x = np.linspace(20, 10, 100)
y = np.tan(x)

**# Change axes with keyword arguments** 
plt.ylim(bottom=-150, top=150)

**# Plot** 
plt.plot(x, y)

**# Display**

plt.show()

• 这里我们首先导入 matplotlib.pyplot 和 numpy 库。
• 接下来，我们定义数据坐标，使用 numpy 的 linespace() 和【tan()函数。
• 为了改变轴的限制，我们使用带有关键字参数底部和顶部的 ylim() 函数，并设置它们的值。这里我们将底部值设置为-150，将顶部值设置为 150。
• 为了绘制线图，我们使用了 plot() 函数。

plt.ylim(bottom=-150, top=150)

阅读: Matplotlib 饼图教程

Matplotlib 设定 y 轴最大值

在这里，我们将学习设置或获取最大值的极限，即 y 轴的上限值。让我们看看不同的例子:

例#1

在本例中，我们将获得 y 轴的上限，为此，我们将获取变量 top，然后我们调用不带任何参数的 ylim() 函数。

语法:

top=matplotlib.pyplot.ylim()

源代码:

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt

**# Data Coordinates**

x = [3, 6, 9, 12, 15]
y = [5.5, 8, 10.5, 23, 12]

**# Plot**

plt.plot(x, y) 

**# Get and print current axes** 
bottom,top= plt.ylim()

print("Top value:",top)

**# Display**

plt.show()

输出:

top=plt.ylim()

例 2

在本例中，我们将设置当前 y 轴的最大限制，为此，我们将使用关键字参数 top 和 ylim() 函数。

语法:

matplotlib.pyplot.ylim(top=top_value)

源代码:

**# Import Library**

import numpy as np 
import matplotlib.pyplot as plt

**# Data Coordinates**

x = np.linspace(0, 30, 150)
y = np.sin(x)

**# Plot** 
plt.plot(x, y) 

**# Set top axes**

plt.ylim(top=1.85)

**# Display**

plt.show()

plt.ylim(top=1.85)

阅读: Matplotlib 散点图颜色

Matplotlib 设定 y 轴最小值

在这里，我们将学习设置或获取 y 轴的最小极限。让我们看看不同的例子:

例#1

在本例中，我们将获得 y 轴的最小值，即底部极限。为此，我们取变量底部，然后我们不带任何参数地调用 ylim() 函数。在这之后，我们打印底部的值。

语法:

bottom=matplotlib.pyplot.ylim()

源代码:

 import matplotlib.pyplot as plt
import numpy as np

**# Define data coordinates**

x = np.arange(5, 11) 
y = np.exp(x)

**# Plot**

plt.plot(x, y)

**# Get and print current axes**

bottom,top= plt.ylim()

print("Bottom Value:",bottom)

**# Display** 
plt.show()

bottom=plt.ylim()

例 2

在这个例子中，我们将设置底部的 y 轴，为此，我们将传递一个参数给 ylim() 函数，它会自动将其作为底部的值。

语法:

matplotlib.pyplot.ylim(value)

源代码:

**# Import Libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.randint(low=1, high=20, size=25)

**# Plot**

plt.plot(x,linewidth=3, linestyle='dashed')

**# y-axis limits**

plt.ylim(-1)

**# Display**

plt.show()

plt.ylim(-1)

阅读:Matplotlib set _ x ticks–详细教程

Matplotlib 设置 y 轴对数刻度

这里我们将看到一个对数图的示例，我们还设置了 y 轴的界限。

举例:

**# Import Library** 
import matplotlib.pyplot as plt

**# Define Data**

data = [10**i for i in range(6)]

**# Convert y-axis** 
plt.yscale("log")  

**# Plot** 
plt.plot(data)

**# y-axis limit**

plt.ylim([1,2**14])

**# Display**

plt.show()

• 这里我们先导入 matplotlib.pyplot 库。
• 接下来，我们定义数据坐标。
• 然后，我们使用 yscale() 函数将 y 轴刻度转换为对数刻度。
• 为了绘制图表，我们使用了 plot() 函数。
• 为了设置 y 轴的极限，我们使用 ylim() 函数。
• 为了显示图形，我们使用 show() 函数。

plt.ylim()

阅读:Matplotlib fill _ between–完整指南

Matplotlib 散点图设置 y 轴范围

这里我们将设置散点图 y 轴的界限。为了创建散点图，我们使用 pyplot 模块的 scatter() 函数，为了设置 y 轴的范围，我们使用 ylim() 函数。

举例:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = [2, 6, 3, 5, 10, 9.5]
y = [20, 13, 15.6, 25, 6, 21]

**# Plotting** 
plt.scatter(x, y)

**# Set axes** 
plt.ylim(bottom=5,top=20)

**# Add label** 
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# Display**

plt.show()

以下输出为默认 y 轴限值:

plt.scatter()

现在，让我们看看改变 y 轴限制后的输出:

plt.ylim(bottom=5,top=20)

阅读:Matplotlib set _ yticklabels–实用指南

Matplotlib 设置 y 轴范围子图

这里我们将讨论如果我们在一个图形区域中绘制多个图，如何改变特定子图的 y 轴限制。

举例:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots(1, 2)

**# Define Data** 
x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [5, 10, 16, 20, 25]

**# Plot graph** 
ax[0].plot(x1, y1)
ax[1].plot(x2, y2)

**# Limit axes** 
ax[1].set_ylim(5,16)

**# Add space**

fig.tight_layout()

**# Display Graph** 
plt.show()

• 首先，我们导入 numpy 和 matplotlib.pyplot 库。
• 在这之后，我们使用 subplots() 函数创建一个 subplots。
• 然后我们为两个图创建 x 和 y 数据坐标。
• 为了绘制图表，我们使用 axes 模块的 plot() 函数。
• 这里我们通过使用 set_ylim() 函数来改变第一个子图的 x 轴限制。范围在 5 到 16 之间。
• 为了自动调整支线剧情之间的间距，我们使用了 tight_layout() 函数。
• 为了显示图表，我们使用了 show() 函数。

a[1].set_ylim()

阅读:Matplotlib tight _ layout–有用教程

Matplotlib 直方图设置 y 轴范围

在这里，我们将学习设置直方图中 y 轴的界限。

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x = np.random.normal(200, 10, 60)

**# Plot Histogram** 

plt.hist(x)

**# Set limits**

plt.ylim(top=15)

**# Display**

plt.show()

• 这里我们使用 plt.hist() 函数，来绘制直方图。
• 之后我们使用 plt.ylim() 函数，设置 y 轴的上限或最大值。

Default axes limit

plt.ylim()

阅读:Python Matplotlib tick _ params+29 示例

Matplotlib 条形图设置 y 轴范围

这里我们将看到一个条形图示例，其中我们手动设置了 y 轴的限值。

举例:

**# Import Library**

import matplotlib.pyplot as plt

**# Define Data** 
x = ['Comdey', 'Action', 'Romance', 'Drama']
y = [4, 5.5, 7.6, 3]

**# Plot Histogram** 
plt.bar(x,y)

**# Set limits**

max_ylim = max(y) + 1.5
min_ylim = min(y) - 1
plt.ylim(min_ylim, max_ylim)

**# Display**

plt.show()

• 导入 matplotlib.pyplot 库。
• 接下来，创建数据点列表。
• 要绘制条形图，使用 bar() 功能。
• 定义两个变量 max_ylim 和 min_ylim ，用于获取 y 轴的最大值和最小值。
• 为了设置 y 轴的界限，我们使用了 ylim() 函数。
• 要显示图形，使用 show() 功能。

plt.bar()

阅读:什么是 add_axes matplotlib

Matplotlib boxplot y 轴范围

这里我们将学习使用 matplotlib 设置 boxplot 的 y 轴范围。

让我们看看与此相关的例子:

例#1

在这个例子中，我们将使用 ylim()方法来设置轴范围。

**# Import libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Figure size**

fig = plt.figure(figsize =(8,6))

**# Dataset**

np.random.seed(50)
data = np.random.normal(100, 20, 200) 

**# Creating plot** 
plt.boxplot(data)

**# Set y-axis range**

plt.ylim(0,200)

**# Show plot**

plt.show()

• 首先，我们导入 matplotlib.pyplot 和 numpy 库。
• 接下来，我们通过使用 figure() 方法和 figsize 参数来设置图形大小。
• 然后，我们使用 numpy 的 seed() 方法和 random.normal() 方法来定义数据坐标。
• 为了绘制箱线图，我们使用 boxplot() 方法。
• 要查看 y 轴的范围，我们使用 ylim() 方法。
• 为了显示该图，我们使用 show() 函数。

Original Plot

Matplotlib boxplot y-axis limit

这里，我们将最小限制设置为 0，最大限制设置为 200。我们也可以称之为下限和上限，而不是最小值和最大值。

例 2

在这个例子中，我们将使用 axis()方法来设置限制。

**# Import libraries**

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

**# Define Data** 

df = pd.DataFrame(np.random.rand(30,10), 
                  columns=['C1', 'C2', 'C3', 'C4','C5', 
                          'C6','C7', 'C8', 'C9', 'C10' ])

**# Plot**

df.plot.box(grid='True')

**# Set y-axis range**

plt.axis([None, None, -0.75, 1.5])

**# Display**

plt.show()

• 导入熊猫库作为 pd 进行数据创建。
• 同样，导入 numpy 库作为 np 用于数据创建。
• 然后将 matplotlib.pyplot 库导入为 plt 进行数据可视化。
• 然后，使用 DataFrame() 函数创建数据帧。
• 要定义数据坐标，使用 random.rand() 函数。
• 要绘制箱线图，使用 boxplot() 函数。
• 为了设置 y 轴极限，我们使用 axis() 方法，我们分别设置 xmin 和 xmax 到 None 和 ymin 和 ymax 到 -0.75 和 1.5 。
• 要显示绘图，使用 plot() 功能。

Matplotlib set y-axis range boxplot

阅读: Matplotlib 二维表面图

Matplotlib y 轴范围设定值

在这里，我们将学习如何使用 setp()函数通过 matplotlib 设置 y 轴范围。

要设置 artist 对象的属性，请使用 matplotlib 包的 pyplot 模块中的 setp() 函数。

以下是语法:

matplotlib.pyplot.setp(obj, ,\*args, \*\*kwargs)

以下是使用的参数:

• 艺术家对象由这个参数表示。
• **kwargs: 有多种关键字参数可以使用。

让我们看看与此相关的例子:

例#1

在本例中，我们使用 setp()函数和 ylim()函数来设置 y 轴范围。

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 

x = np.arange(50)
y = np.sin(x)

**# Plot**

plt.plot(x, y)

**# Set limit**

plt.setp(plt.gca(),ylim=(0,1))

**# Display**

plt.show()

• 导入 matplotlib.pyplot 库进行数据可视化。
• 导入用于数据创建的 numpy 库。
• 要定义 x 和 y 数据坐标，使用 numpy 的 arange() 和 sin() 函数。
• 要绘制图形，使用 plot() 函数。
• 为了设置轴限制，我们使用 setp() 函数，为了表示对象，我们使用 pyplot 模块的 gca() 函数。
• 我们还将带有最小值和最大值的 ylim() 函数传递给 setp() 函数来设置 y 轴范围。
• 要在用户屏幕上显示图形，使用 show() 功能。

Matplotlib y axis range setp

例 2

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 

name = ['Ava', 'Noah', 'Charlotte', 'Robert', 'Patricia']
weight_kg = [45, 60, 50, 75, 53]

**# Plot**

plt.bar(name, weight_kg)

**# Set y-axis**

plt.setp(plt.gca(), ylim=(0, 100))

**# Display**

plt.show()

• 导入必要的库，如 numpy 和 matplotlib.pyplot 。
• 接下来，定义绘制图形的数据坐标。
• 要创建条形图，使用 bar() 函数。
• 为了设置轴限制，我们使用 setp() 函数和 ylim() 函数。
• 要显示图形，使用 show() 功能。

Matplotlib y axis range using setp

你可能也喜欢阅读下面的 Matplotlib 教程。

• Matplotlib 散点图图例
• Matplotlib 增加地块大小
• Matplotlib 多条形图
• 堆积条形图 Matplotlib
• 什么是 add_axes matplotlib
• 画垂直线 matplotlib
• Matplotlib 2d 表面图

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib set y 轴范围”，并且我们也涵盖了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib 设置 y 轴范围
• Matplotlib 设置 y 轴范围调用
• Matplotlib 设置 y 轴最大值
• Matplotlib 设置 y 轴最小值
• Matplotlib 设置 y 轴对数刻度
• Matplotlib 散点图集合 y 轴范围
• Matplotlib 设置 y 轴范围子图
• Matplotlib 直方图设置 y 轴范围
• Matplotlib 条形图集 y 轴范围
• Matplotlib 箱形图 y 轴范围
• Matplotlib y 轴范围设定值

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib set_xticklabels

原文：https://pythonguides.com/matplotlib-set_xticklabels/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 中的Matplotlib set _ xticklabels。这里我们将介绍使用 matplotlib 与 set_xticklabels 相关的不同示例。我们还将讨论以下主题:

• Matplotlib set_xticklabels
• matplorlib set _ xticklabels fontdict
• matplotlib set _ xticklabels font size
• Matplotlib set_xticklabels font
• Matplotib set_xticklabels 颜色
• matplotlib set _ xticklabels vertical
• Matplotlib set_xticklabels 水平对齐
• Matplotlib set_xticklabels 旋转
• Matplotlib set_xticklabels hide
• Matplotlib set_xticklabels 对齐
• Matplotlib set_xticklabels minor
• matplotlib box plot set _ x tick labels

目录

• Matplotlib set _ xticklabels
• matplotlib set _ xticklabels fontdict
• Matplotlib set _ xticklabels font size
• Matplotlib set_xtciklabels 字体
• Matplotlib set _ xticklabels color
• Matplotlib set _ xticklabels vertical
  • 垂直对齐=‘居中’
  • verticallinenemnt =‘top’
• Matplotlib set_xticklabels 水平对齐 mnt
  • 水平对齐= '居中'
  • horizontalalignment= '右'
  • 水平对齐= '左'
• matplotlib set _ xticklabels rotation
• Matplotlib set _ xticklabels hide
• Matplotlib set_xticklabels 对齐
• Matplotlib set _ xticklabels minor
• Matplotlib box plot set _ xticklabels

Matplotlib set _ xticklabels

在本节中，我们将了解 Python 中 matplotlib 的 axes 模块中的 set_xticklabels() 函数。 set_xticklabels 函数用于用字符串标签列表设置 x 刻度标签。

语法如下:

matplotlib.axes.Axes.set_xticklabels(labels, fontdict=None, minor=False, **kwargs)

以下是上面使用的参数:

| 因素 | 价值 | 默认 | 描述 |
| 标签 | 字符串列表 | | 指定了字符串标签列表 |
| 丰迪克特 | 词典 | { ' font size ':RC params[' axes . title size ']，' font weight ':RC params[' axes . title weight ']，' verticalalignment' : 'baseline '，' horizontalalignment' : loc } | 此参数用于控制标签的外观。 |
| 较小的 | 弯曲件 | 错误的 | 该参数用于指定是否设置次要标签而不是主要标签。 |

警告

This method only be used after fixing the tick positions using Axes.set_xticks.

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 100)
y1 = np.sin(x)

**# Plot**

ax.plot(x, y1)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])
ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'])

**# Add fig title** 

fig.suptitle('set_xticklabels()function Example', fontweight ="bold")

**# Display**

plt.show()

• 在上面的例子中，首先我们导入了 numpy 和 matplotlib 库。
• 之后，我们使用 subplots() 函数创建一个 subplot。
• 为了定义数据坐标，我们使用了 linespace() 和 sin() 方法。
• 为了绘制 x 和 y 数据坐标之间的图形，我们使用 plot() 函数。
• 要固定记号的位置，使用 set_xticks() 函数。
• 要在 x 轴刻度标签处设置字符串标签，使用 set_xticklabels() 函数。
• 为了添加 suptitle，我们使用了 figure 类的 suptitle() 函数。
• 要在用户屏幕上显示图形，使用 show() 功能。

set_xticklabels()

matplotlib set _ xticklabels fontdict

我们将学习如何使用 set_xticklabels 方法的 fontdict 参数。 fondict 参数是一个用于控制 ticklabels 外观的字典。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(labels, fontdict=None)

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 3 * np.pi, 100)
y1 = np.cos(x)

**# Plot**

ax.plot(x, y1)

**# fontdict dictionary**

font_dict = {'fontsize': 20, 'fontweight': 'heavy', 'verticalalignment':'top'}

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi])
ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$'], fontdict=font_dict)

**# Add fig title** 

fig.suptitle('set_xticklabels fontdict Example', fontweight ="bold")

**# Display**

plt.show()

这里我们将 fontdict 参数传递给 set_xticklabels 函数。我们创建一个字典 font_dict 来用下面的键和值改变标签的外观:

| 键 | 值 |
| 字体大小 | Twenty |
| 字体粗细 | 沉重的 |
| 垂直排列 | 顶端 |

输出:

set_xticklabels(fontdict={})

读取 Matplotlib 两个 y 轴

Matplotlib set _ xticklabels font size

这里我们将学习如何修改 x 轴刻度标签的字体大小。要更改大小，我们必须将 fontsize 参数传递给 set_xticklabels 方法。

以下是语法:

matplotlib.axes.Axes.set_xtciklabels(labels, fontsize=None)

我们来看一个例子:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 3 * np.pi, 100)
y = np.cos(30*x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi])
ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$'], fontsize=5.5)

**# Add fig title** 

fig.suptitle('set_xticklabels fontsize Example', fontweight ="bold")

**# Display** 
plt.show()

• 在上面的例子中，我们通过使用 set_xticklabels 函数在 x 轴上设置文本标签，并且我们将 fontsize 参数传递给该函数来改变 ticklabels 的字体大小。
• webassign

set_xticklabels(fontsize=5.5)

读取堆积条形图 Matplotlib

Matplotlib set_xtciklabels 字体

我们将学习如何改变 x 轴刻度标签的字体样式。为了改变样式，我们将 fontstyle 参数传递给 set_xticklabels 方法。

以下是语法:

matplotlib.axes.Axesset_xticklabels(labels, fontstyle=None)

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 6 * np.pi, 250)
y = np.sin(60*x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, 2 * np.pi, 4 * np.pi, 6 * np.pi])
ax.set_xticklabels(['0', r'2$\pi$', r'4$\pi$', r'6$\pi$'], fontstyle='italic')

**# Add fig title** 
fig.suptitle('set_xticklabels fontstyle Example', fontweight ="bold")

**# Display** 
plt.show()

这里我们改变 x 轴刻度标签的字体样式，并将其设置为斜体。

set_xticklabels(fontstyle=’italic’)

读取 Matplotlib 3D 散点图

Matplotlib set _ xticklabels color

这里我们改变 x 轴刻度标签的字体样式，并将其设置为斜体。这里我们将学习改变 xticklabels 的颜色。为此，我们必须将颜色参数传递给 set_xticklabels 方法。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(labels, color=None)

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 3 * np.pi, 100)
y = np.sin(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi])
ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$'], color='red', fontsize=15)

**# Add fig title** 

fig.suptitle('set_xticklabels color Example', fontweight='bold')

**# Display** 
plt.show()

• 在上面的例子中，我们使用 linespace() 和 sin() 方法定义数据坐标，并使用 plot() 方法绘制坐标。
• 之后，我们使用 set_xticks() 方法来固定 x 轴上的刻度位置。
• 然后我们使用 set_xticklabels() 方法在轴上设置字符串标签。为了改变标签的颜色，我们将颜色参数传递给方法。

set_xticklables(color=’red)

默认情况下，ticklabels 的颜色是黑色的，现在我们将其更改为红色。

Matplotlib set _ xticklabels vertical

这里我们将学习改变 xticklabels 的垂直对齐方式。要更改对齐，请将 verticalalignment 参数传递给 set_xticklabels() 方法。

代替垂直对齐，你也可以写 va 。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(lables, verticalalignemnt='center' | 'top' | 'bottom' | 'baseline')

4 种不同的垂直校准是:

• 中心
• 顶端
• 底部
• 基线

垂直对齐=‘居中’

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 3 * np.pi, 100)
y = np.tan(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$'], verticalalignment='center')

**# Add fig title**   

fig.suptitle('set_xticklabels verticalalignment Example', fontweight='bold')

**# Display**

plt.show()

• 这里我们使用 linespace() 和 tan() 方法来定义数据坐标。
• 在此之后，我们使用 plot() 方法绘制 x 和 y 坐标之间的图形。
• 要设置刻度线，使用 set_xticks() 方法。
• 为了设置字符串格式的刻度标签，我们使用了 set_xticklabels() 方法。
• 这里我们将刻度标签的垂直对齐设置为中心。

verticalalignement=’center’

verticallinenemnt =‘top’

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 3 * np.pi, 100)
y = np.tan(x)

**# Plot** 
ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$'], verticalalignment='top')

**# Add fig title**   

fig.suptitle('set_xticklabels verticalalignment Example', fontweight='bold')

**# Display**

plt.show()

这里我们将 verticalalignment 参数传递给 set_xticklabels 方法，以设置 ticklabels 与 top 的对齐。

verticalalignemnt=’top’

Matplotlib set_xticklabels 水平对齐 mnt

这里我们将学习改变 x 标签的水平对齐。要更改对齐方式，请将 horizontalalignment 参数传递给该方法。

你可以写 ha 来代替水平对齐

以下是语法:

matplotlib.axes.Axes.set_xticklabels(labels, horizontalalignment='center' | 'right' | 'left' )

让我们看看不同水平对齐的例子:

水平对齐= '居中'

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y1 = np.tan(x)

**# Plot**

ax.plot(x, y1)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'], horizontalalignment='center')

**# Add fig title** 

fig.suptitle('set_xticklabels horizontalalignmnt Example', fontweight='bold')

**# Display**

plt.show()

• 这里我们用 linespace() 和 tan() 的方法来定义数据坐标。
• 之后，我们使用 plot() 函数来绘制 x 和 y 数据坐标之间的线图。
• 要设置刻度，请使用 set_xticks() 方法。
• 为了设置字符串格式的刻度标签，我们使用了 set_xticklabels() 方法。
• 这里我们将刻度标签的水平对齐设置为中心。

ha=’center’

horizontalalignment= '右'

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y = np.tan(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels** 
ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'], horizontalalignment='right')

# `Add fig title` 

fig.suptitle('set_xticklabels horizontalalignment Example', fontweight='bold')

**# Display**

plt.show()

这里我们将 x 标签的水平对齐设置为右。

ha=’right’

水平对齐= '左'

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y = np.tan(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'], horizontalalignment='left')

**# Add fig title**   

fig.suptitle('set_xticklabels horizontalalignment Example', fontweight='bold')

**# Display**

plt.show()

ha=’left’

matplotlib set _ xticklabels rotation

在这里，我们将学习旋转 x 轴标签。要更改旋转角度，请将旋转参数传递给 set_xtciklabels() 方法。我们可以用它来避免在 x 轴重叠标签。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(labels, rotation=None)

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y1 = np.exp(x)

**# Plot**

ax.plot(x, y1)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'], rotation=30)

**# Add fig title  ** 

fig.suptitle('set_xticklabels rotation Example', fontweight='bold')

**# Display** 
plt.show()

• 在上面的例子中，为了定义数据坐标，我们使用了 linespace() 和 exp() 方法。并且要绘制一个图形，使用 matplotlib 的 plot() 方法。
• 为了在这里旋转 ticklabels，我们使用带有旋转参数的 set_xticklabels() 函数。

set_xticklabels(rotation=30)

Matplotlib set _ xticklabels hide

这里我们将学习如何隐藏 x 轴上的标签。在这里，我们将刻度标签设置为空，以便使轴刻度或刻度标签不可见。但是扁虱依然存在。

以下是语法:

matplotlib.axes.Axes.set_xticklabels([])

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data** 
x = np.linspace(0, 5 * np.pi, 150)
y = np.exp(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])

ax.set_xticklabels([])

**# Add fig title  ** 

fig.suptitle('set_xticklabels invisible Example', fontweight='bold')

**# Display**

plt.show()

这里我们将空白列表传递给 set_xtciklabels() 方法，这样标签就不可见了。

Matplotlib set_xticklabels 对齐

在这里，我们将学习更改 x 轴标签的对齐方式。要更改对齐，请将旋转作为 set_xticklabels 方法的参数，并将其值设置为垂直和水平。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(label, rotation='vertical' | 'horizontal')

例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y1 = np.cos(x)
y2 = np.sin(x)

**# Plot** 
ax.plot(x, y1)
ax.plot(x, y2)

**# Set ticklabels**

ax.set_xticks([0, np.pi, 2 * np.pi, 3 * np.pi, 4 * np.pi, 5 * np.pi])

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'], rotation='vertical')

                         **#OR**

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$', r'4$\pi$', r'5$\pi$'], rotation='horizontal')

**# Add fig title** 
fig.suptitle('set_xticklabels alignment Example', fontweight='bold')

**# Display**

plt.show()

在上面的例子中，我们将旋转参数传递给 set_xticklabels() 方法，并设置其值垂直和水平，以在 x 轴对齐标签。

alignment=’vertical’

alignment=’horizontal’

Matplotlib set _ xticklabels minor

这里我们将学习如何在 x 轴上设置次要标签而不是主要标签。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(labels, minor=True)

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 3 * np.pi, 150)
y1 = np.cos(x)
y2 = np.sin(x)

**# Plot**

ax.plot(x, y1)
ax.plot(x, y2)

**# Set ticklabels** 
ax.set_xticks([0, np.pi, 2* np.pi, 3 * np.pi], minor=True)

ax.set_xticklabels(['0', r'$\pi$', r'2$\pi$', r'3$\pi$'], minor=True, fontsize=15, color='red')

**# Add fig title** 

fig.suptitle('set_xticklabels minor ticks Example', fontweight='bold')

**# Display**

plt.show()

在上面的例子中，我们将 minor 作为参数传递给方法 set_xtickss 和 set_xticklabels 来设置次要 ticklabels 和 tick。

set_xticklabels(minor=True)

Matplotlib box plot set _ xticklabels

我们将学习如何绘制一个箱线图，并在 x 轴上设置文本标签。

以下是语法:

matplotlib.axes.Axes.set_xticklabels(labels)

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Subplot** 
fig, ax = plt.subplots()

**# Define` **Data Coordinates`

xticks = [2, 4, 6, 8, 10]

**# Plot**

plt.boxplot(xticks)

**# Ticklabels** 

ax.set_xticks(xticks)

ax.set_xticklabels(['Mon' , 'Tue' , 'Wed', 'Thur', 'Fri' ])

**# Display**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 。
• 然后我们使用 subplots() 方法创建一个支线剧情。
• 之后，我们使用 boxplot() 方法绘制箱线图。
• 要设置记号和记号标签，使用 set_xticks 和set _ x ticks方法。

您可能会喜欢以下 Python Matplotlib 教程:

• Matplotlib fill_between
• Matplotlib set _ yticklabels
• Matplotlib tight_layout
• Python Matplotlib tick _ params+29 示例
• Matplotlib x 轴标签
• Matplotlib 多条形图

在本教程中，我们学习了:

• Matplotlib set_xticklabels
• matplorlib set _ xticklabels fontdict
• matplotlib set _ xticklabels font size
• Matplotlib set_xticklabels font
• Matplotib set_xticklabels 颜色
• matplotlib set _ xticklabels vertical
• Matplotlib set_xticklabels 水平对齐
• Matplotlib set_xticklabels 旋转
• Matplotlib set_xticklabels hide
• Matplotlib set_xticklabels 对齐
• Matplotlib set_xticklabels minor
• matplotlib box plot set _ x tick labels

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

matplotlib set _ yticklabels–实用指南

原文：https://pythonguides.com/matplotlib-set_yticklabels/

在本 Python Matplotlib 教程中，我们将讨论 Matplotlib 中的Matplotlib set _ yticklabels。在这里，我们将介绍使用 matplotlib 与 set_yticklabels 相关的不同示例。我们还将讨论以下主题:

• Matplotlib set_yticklabels
• matplot lib set _ yticklabels fontdict
• matplotlib set _ yticklabels font size
• matplot lib set _ yticklabels font style
• Matplotlib set_yticklabels 颜色
• Matplotlib set_yticklabels 垂直对齐
• Matplotlib set_yticklabels 水平对齐
• Matplotlib set_yticklabels 旋转
• Matplotlib set_yticklabels 不可见
• Matplotlib set_yticklabels 对齐
• Matplotlib set_yticklabels minor
• matplot lib colorbar set _ yticklabels

目录

• Matplotlib set _ yticklabels
• matplotlib set _ yticklabels fontdict
• matplotlib set _ yticklabels fontsize
• matplotlib set _ yticklabels fontstyle
• Matplotlib set _ yticklabels color
• Matplotlib set_yticklabels 垂直对齐
  • 垂直对齐=‘居中’
  • 垂直对齐= '顶部'
  • 垂直对齐= '底部'
  • 垂直对齐=‘基线’
  • 垂直对齐=‘中心 _ 基线’
• Matplotlib set_yticklabels 水平对齐
  • 水平对齐= '居中'
  • horizontalalignment= '右'
  • 水平对齐= '左'
• Matplotlib set_yticklabels 旋转
• Matplotlib set_yticklabels 不可见
• matplotlib set _ yticklabels align mnt
• Matplotlib set _ yticklabels minor
• matplot lib colorable set _ yticklabels

Matplotlib set _ yticklabels

在本节中，我们将了解 Python 中 matplotlib 的 axes 模块中的 set_yticklabels() 函数。 set_yticklabels 函数用于用字符串标签列表设置 y 刻度标签。

语法如下:

matplotlib.axes.Axes.set_yticklabels(labels, fontdict=None, minor=False, **kwargs)

以下是参数:

| 参数 | 值 | 默认 | 描述 |
| 标签 | 字符串列表 | | 此参数用于指定字符串标签列表。 |
| 丰迪克特 | 词典 | { ' font size ':RC params[' axes . title size ']，' font weight ':RC params[' axes . title weight ']，' verticalalignment' : 'baseline '，' horizontalalignment' : loc} | 此参数用于控制标签的外观。
|
| 较小的 | 弯曲件 | 错误的 | 指定是否设置次要标签。 |

Parameters

警告

This method only be used after fixing the tick positions using Axes.set_yticks.

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 100)
y = np.sin(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1, 2, 3])
ax.set_yticklabels(['Label-1', 'Label-2', 'Label-3', 'Label-4', 'Label-5'])

**# Add fig title**

fig.suptitle('set_yticklabels()function Example', fontweight ="bold")

**# Display**

plt.show()

• 在上面的例子中，我们导入了 numpy 和 matplotlib.pyplot 库。
• 在这之后，我们通过使用 subplots() 函数创建一个 subplots。
• 为了定义数据坐标，我们使用 linespace() 和 sin() 函数。
• 为了绘制 x 和 y 数据坐标之间的图形，我们使用了 plot() 函数。
• 要固定 y 轴上的刻度位置，使用 set_yticks() 函数。
• 要设置 y 轴上的字符串标签，使用 set_yticklabels() 函数。
• 我们使用 suptitle() 函数在图上添加 supltilte
• 要在用户屏幕上显示图形，使用 show() 功能。

set_yticklabels()

阅读:将图例放在绘图 matplotlib 之外

matplotlib set _ yticklabels fontdict

我们将学习如何使用 set_yticklabels 方法的 fontdict 参数。 fontdict 参数是一个字典，用于控制 ticklabels 的外观。

以下是语法:

matplotlib.axes.Axes.set_yticklabels(labels,fontdict=None) 

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y = np.sin(x)

**# Plot**

ax.plot(x, y)

**# font dict** 
font_dict = {'fontsize': 15, 'fontweight': 'bold', 
             'verticalalignment':'top'}

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Label-1', 'Label-2', 'Label-3'], fontdict=font_dict)

**# Add fig title**

fig.suptitle('set_yticklabels fontdict Example', fontweight ="bold")

**# Display** 
plt.show()

这里我们将 fontdict 参数传递给 set_yticklabels 方法。我们创建一个字典 font_dict 来用下面的键和值改变刻度标签的外观:

键	值
字体大小	Fifteen
字体粗细	大胆的
垂直排列	顶端

输出:

set_yticklabels(fontdict=None)

读取: Matplotlib 反转 y 轴

matplotlib set _ yticklabels fontsize

这里我们将学习如何改变 y 轴标签的字体大小。为了改变字体的大小，我们将 fontsize 参数传递给 set_yticklabels 方法。

以下是语法:

matplotlib.axes.Axes.set_yticklabels(labels, fontsize=None)

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y = np.cos(60*x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Label-1', 'Label-2', 'Label-3'],fontsize=20 )

**# Add fig title**

fig.suptitle('set_yticklabels fontsize Example', fontweight ="bold")

**# Display**

plt.show()

在上面的例子中，我们通过使用 set_yticklabels 方法在 y 轴上设置文本标签，并且传递 fontsize 参数来改变 ticklabels 的字体大小。

我们给 fontsize 参数分配一个 20pt 的值。

set_yticklabels(fontsize=None)

阅读: Matplotlib 标题字体大小

matplotlib set _ yticklabels fontstyle

我们将学习如何改变 y 轴刻度标签的字体样式。为了改变样式，我们将 fontstyle 参数传递给 set_yticklabels 方法。

以下是语法:

matplotlib.axes.Axes.set_yticklabels(labels, fontstyle=None)

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data** 
x = np.linspace(0, 250, 250)
y = np.sin(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Label-1', 'Label-2', 'Label-3'],fontstyle='oblique')

**# Add fig title**

fig.suptitle('set_yticklabels fontstyle Example', fontweight ="bold")

**# Display**

plt.show()

这里我们改变 y 轴刻度标签的字体样式，并将其设置为倾斜。

set_yticklabels(fontstyle=’oblique’)

阅读: Matplotlib 默认图形尺寸

Matplotlib set _ yticklabels color

这里我们将学习改变标签的颜色。为了改变颜色，我们将颜色参数传递给 set_yticklabels 方法。

以下是语法:

matplotlib.axes.Axes.set_yticklabels (labels, color=None)

我们来看一个例子:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 250, 250)
y = np.cos(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], color='green')

**# Add fig title** 
fig.suptitle('set_yticklabels color Example', fontweight ="bold")

**# Display**

plt.show()

• 在上面的例子中，我们使用 linespace() 和 cos() 方法定义数据坐标，并使用 plot() 方法绘制它们。
• 之后，我们使用 set_yticks() 方法来固定 y 轴上的刻度位置。
• 然后我们使用 set_yticklabels() 方法在轴上设置字符串标签。为了改变标签的颜色，我们向该方法传递了一个颜色参数。

set_yticklabels(color=’green’)

默认情况下，标签的颜色是黑色的，现在我们将其更改为绿色。

读取: Matplotlib savefig 空白图像

Matplotlib set_yticklabels 垂直对齐

在这里，我们将学习如何更改 y 轴标签的垂直对齐。为了改变对齐方式，我们将 verticalalignment 参数传递给 set_yticklabels() 方法。

我们也可以写 va 来代替垂直对齐。

以下是语法:

matplotlib.axes.Axes.set_yticklabels(labels, verticalalignment = 'center' | 'top' | 'bottom' | 'baseline' | 'center_baseline')

5 种可用的不同垂直校准有:

• 中心
• 顶端
• 底部
• 基线
• 中心 _ 基线

垂直对齐=‘居中’

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.arange(0, 20, 0.2)
y = np.cos(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], verticalalignment='center')

**# Add fig title**

fig.suptitle('set_yticklabels va=center Example', fontweight ="bold")

**# Display**

plt.show()

• 这里我们使用 arange() 和 cos() 方法来定义数据坐标。
• 在此之后，我们使用 plot() 方法绘制 x 和 y 坐标之间的图形。
• 要设置刻度线，使用 set_yticks() 方法。
• 为了设置字符串格式的刻度标签，我们使用了 set_yticklabels() 方法。
• 这里我们将刻度标签的垂直对齐设置为中心。

verticalalignment = ‘center’

垂直对齐= '顶部'

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.arange(0, 20, 0.2)
y = np.cos(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels** 
ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], verticalalignment='top')

**# Add fig title**

fig.suptitle('set_yticklabels va=top Example', fontweight ="bold")

**# Display**

plt.show()

这里我们将 verticalalignment 参数传递给 set_yticklabels 方法，以设置 ticklabels 与 top 的对齐。

va=’top’

垂直对齐= '底部'

举例:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.arange(0, 20, 0.2)
y = np.cos(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], verticalalignment='bottom')

**# Add fig title**

fig.suptitle('set_yticklabels va=bottom Example', fontweight ="bold")

**# Display**

plt.show()

va=bottom

垂直对齐=‘基线’

代码:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data** 
x = np.arange(0, 20, 0.2)
y = np.cos(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], verticalalignment='baseline')

**# Add fig title**

fig.suptitle('set_yticklabels va=baseline Example', fontweight ="bold")

**# Display**

plt.show()

这里我们将标签的垂直对齐设置为基线。

verticalalignment=’baseline’

垂直对齐=‘中心 _ 基线’

代码:

**# Import Library** import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.arange(0, 20, 0.2)
y = np.cos(x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], verticalalignment='center_baseline')

**# Add fig title**

fig.suptitle('set_yticklabels va=center_baseline Example', fontweight ="bold")

**# Display**

plt.show()

verticalalignment=’center_baseline’

阅读: Matplotlib 条形图标签

Matplotlib set_yticklabels 水平对齐

在这里，我们将学习如何更改 y 轴标签的水平对齐。要更改对齐，请将 horizontalalignment 参数传递给 set_yticklabels() 方法。

你可以写 ha 来代替水平对齐。

以下是语法:

matplotlib.axes.Axes.set_yticklabels(labels, horizontalalignment= 'center' | 'right' | 'left'

3 种不同的水平校准是:

• 中心
• 正确
• 左边的

水平对齐= '居中'

代码:

**# Import Library**

import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.arange(10, 100, 0.25)
y = np.sin(30*x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], horizontalalignment = 'center')

**# Add fig title**

fig.suptitle('set_yticklabels ha=center Example', fontweight ="bold")

**# Display**

plt.show()

• 这里我们使用 arange() 和 sin() 方法来定义数据坐标。
• 在此之后，我们使用 plot() 方法绘制 x 和 y 坐标之间的图形。
• 要设置刻度线，使用 set_yticks() 方法。
• 为了设置字符串格式的刻度标签，我们使用了 set_yticklabels() 方法。
• 这里我们将刻度标签的水平对齐设置为中心。

horizontalalignment=’center’

horizontalalignment= '右'

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data** 
x = np.arange(10, 100, 0.25)
y = np.sin(30*x)

**# Plot** 
ax.plot(x, y)

**# Set ticklabels** 
ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], horizontalalignment = 'right')

**# Add fig title** 
fig.suptitle('set_yticklabels ha=right Example', fontweight ="bold")

**# Display** 
plt.show()

set_yticklabels(horizontalalignemnt=’right’)

水平对齐= '左'

这里，我们将 y 轴标签的水平对齐设置为左侧。

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data** 
x = np.arange(10, 100, 0.25)
y = np.sin(30*x)

**# Plot** 
ax.plot(x, y)

**# Set ticklabels** 
ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'], horizontalalignment = 'left', fontsize=20)

**# Add fig title** 
fig.suptitle('set_yticklabels ha=left Example', fontweight ="bold")

**# Display** 
plt.show()

输出:

ha=’left’

读取: Matplotlib 绘图误差线

Matplotlib set_yticklabels 旋转

在这里，我们将学习旋转 y 轴标签。为了改变旋转的角度，我们将旋转参数传递给 set_yticklabels() 方法。基本上，它用于避免标签重叠。

以下是语法:

matplotlib.axes.Axes.set_yticklabels(labels , rotation=None)

我们来看一个例子:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data** 
x = np.arange(10, 100, 30)
y = np.sin(90*x)

**# Plot** 
ax.plot(x, y)

**# Set ticklabels** 
ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Value-1', 'Value-2', 'Value-3'],rotation=45)

**# Add fig title** 
fig.suptitle('set_yticklabels rotation Example', fontweight ="bold")

**# Display** 
plt.show()

• 在上面的例子中，我们使用 plot() 方法绘制了一个图形。为了定义数据坐标，我们使用 numpy 的 arange() 和 sin() 方法。
• 为了在这里旋转 ticklabels，我们使用带有旋转参数的 set_yticklabels() 方法。

set_yticklabels(rotation=45)

阅读:画垂直线 matplotlib

Matplotlib set_yticklabels 不可见

这里我们将学习如何隐藏 y 轴上的标签。在这里，我们将标签设置为空，以便隐藏轴文本。但是刻度仍然可见。

以下是语法:

matplotlib.axes.Axes.set_yticklabels([])

让我们来看一个与隐形标签相关的例子:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot** 
fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y = np.cos(60*x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels**

ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels([] )

**# Add fig title**

fig.suptitle('set_yticklabels fontsize Example', fontweight ="bold")

**# Display**

plt.show()

Invisible Tick Labels

在这里，您可以看到，如果我们将空白列表传递给 set_yticklabels() 方法，标签将变得不可见，但是刻度仍然存在。

读取:水平线 matplotlib

matplotlib set _ yticklabels align mnt

在这里，我们将学习更改 y 轴标签的对齐方式。要更改对齐，请将旋转作为 set_yticklabels 方法的参数，并将其值设置为垂直或水平。

默认情况下，y 轴标签是水平对齐的。

以下是语法:

matplotlib.axes.Axes.set_ticklabels(labels, rotation= 'vertical' | 'horizontal')

举例:

**# Import Library** 
import numpy as np
import matplotlib.pyplot as plt

**# Create subplot**

fig, ax = plt.subplots()

**# Define Data**

x = np.linspace(0, 5 * np.pi, 150)
y = np.cos(90*x)

**# Plot**

ax.plot(x, y)

**# Set ticklabels** 
ax.set_yticks([-1 , 0, 1])
ax.set_yticklabels(['Lable-1', 'Label-2', 'Label-3'], rotation='vertical')

**# Add fig title** 
fig.suptitle('set_yticklabels invisible Example', fontweight ="bold")

**# Display** 
plt.show()

在上面的例子中，我们将旋转参数传递给 set_yticklabels() 方法，并将其值设置为 vertical ，以获得垂直对齐的标签。

set_yticklabels(rotation=’vertical’)

阅读:堆积条形图 Matplotlib

Matplotlib set _ yticklabels minor

这里我们将学习如何在 y 轴上设置次要标签而不是主要标签。

语法如下:

matplotlib.axes.Axes.set_yticklabels(labels, minor=True)

代码:

**# Import Library**

import matplotlib.pyplot as plt

**# Create subplots** 
fig, ax = plt.subplots()

**# Plot graph**

ax.plot(range(12, 24), range(12))

**# Set tick marks**

ax.set_yticks((1, 3, 5, 7, 9), minor=True)

**# Set ticklabels**

ax.set_yticklabels(("Label-1", "Label-2",
                    "Label-3", "Label-4", "Label-5"), 
                     minor=True, color='Red')

**# Add fig title**

fig.suptitle('set_yticklabels minor Example', fontweight ="bold")

**# Display**

plt.show()

在上面的例子中，我们将 minor 作为参数传递给两个方法，即 set_yticksslabels 和 set_yticks ，以设置次要 ticklabels 和 tick，而不是主要 tick。

set_yticklabels(minor=True)

阅读: Matplotlib 两个 y 轴

matplot lib colorable set _ yticklabels

在这里，我们将学习如何在颜色条轴上设置文本标签。

举例:

**# Import Libraries**

import matplotlib.pyplot as plt
import numpy as np
from matplotlib import cm
from numpy.random import randn

**# Subplots**

fig, ax = plt.subplots()

**# Fix random**

np.random.seed(19680801)

**# Define Data and Plot**

data = np.clip(randn(250, 300), -1, 1)
cax = ax.imshow(data, cmap=cm.cividis)

**# Add colorbar and set ticks and ticklabel**

cbar = fig.colorbar(cax, ticks=[-1, 0, 1])
cbar.ax.set_yticklabels(['Low', 'Medium', 'High']) 

**# Add fig title**

fig.suptitle('set_yticklabels colorbar Example', fontweight ="bold")

**# Display**

plt.show()

• 这里我们通过 numpy 的 random.seed() 方法来固定随机数。
• 然后我们使用 numpy 的 clip() 方法定义数据。
• 为了绘制我们使用的数据， imshow() 方法。
• 通过使用 colorbar() 方法，我们将一个 colorbar 添加到一个绘图中并设置刻度。
• 然后我们使用 set_yticklabels() 方法用字符串标签列表设置 y 轴标签。

set_yticklabels()

另外，查看以下相关帖子。

• Matplotlib fill_between
• Matplotlib 饼图教程
• Matplotlib Plot NumPy 数组
• Matplotlib 时间序列图
• Matplotlib 辅助 y 轴

因此，在这个 Python 教程中，我们已经讨论了“Matplotlib set _ yticklabels”，并且我们也涵盖了一些与之相关的例子。这些是我们在本教程中讨论过的以下主题。

• Matplotlib set_yticklabels
• matplot lib set _ yticklabels fontdict
• matplotlib set _ yticklabels font size
• matplot lib set _ yticklabels font style
• Matplotlib set_yticklabels 颜色
• Matplotlib set_yticklabels 垂直对齐
• Matplotlib set_yticklabels 水平对齐
• Matplotlib set_yticklabels 旋转
• Matplotlib set_yticklabels 不可见
• Matplotlib set_yticklabels 对齐
• Matplotlib set_yticklabels minor
• matplot lib colorbar set _ yticklabels

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 子图教程

原文：https://pythonguides.com/matplotlib-subplot-tutorial/

在本 Python 教程中，我们将讨论 Python 中的 matplotlib 子图，它允许我们在一个图形中处理多个图，我们还将涵盖以下主题:

• Matplotlib 子出图
• Matplotlib 子图图形大小
• Matplotlib 子图标题总体
• 每个情节的 Matplotlib 子情节标题
• Matplotlib 子图标题字体大小
• Matplotlib 子图标题粗体
• Matplotlib 子图标题位置
• Matplotlib 子图标题填充
• Matplotlib 子图图例
• Matplotlib 子图共享轴
• Matplotlib 子图共享轴标签
• 绘图之间的 Matplotlib 子绘图间距
• Matplotlib 子图间距自动
• 不同大小的 Matplotlib 子情节
• Matplotlib 子图 gridspec
• Matplotlib 子图网格线
• Matplotlib 子图网格间距
• Matplotlib 子图网格颜色
• Matplotlib 子图图像
• Matplotlib 子图图像大小
• matplotlib im how colorbar 子打印
• matplotlib 子出图

目录

• Matplotlib subplot
• Matplotlib 子图图形尺寸
• Matplotlib 子情节标题总体
• 每个情节的 Matplotlib 子情节标题
• Matplotlib 子图标题字体大小
• Matplotlib 子情节标题加粗
• Matplotlib 子情节标题位置
• Matplotlib 子情节标题填充
• Matplotlib 子情节图例
• Matplotlib 子图共享轴
• Matplotlib 子图共享轴标签
• Matplotlib 图之间的子图间距
• Matplotlib 子图间距自动
• 不同大小的 Matplotlib 支线剧情
• matplot lib subplot grid spec
• Matplotlib 子图网格线
• Matplotlib 子图网格间距
• Matplotlib 子图网格颜色
• Matplotlib 子图图像
• Matplotlib 子图图像尺寸
• Matplotlib 子图在如何着色
• matplotlib 3d 子情节

Matplotlib subplot

Matplotlib 提供了在单个调用中创建具有多个图的图形的功能，并对图形中的每个图进行单独的适当控制。

我们可以使用 python 中的matplotlib . py plot . subplot()函数创建一个具有多个子情节的图形。语法如下:

matplotlib.pyplot.subplot(nrows, ncols, idx [, label, projection, ...])

在上面的语法中，

• 指定网格中的行数，绘制在支线剧情图上。
• 指定网格中的列数，绘制在支线剧情图上。
• idx 指定图形在网格上的索引位置。索引从左上角的 1 开始，向右递增。
• idx 也可以被指定为两个整数的元组，指定第一个和最后一个索引，包括网格中的最后一个索引。比如支线剧情(6，2，(1，4)) 会填充图的上 1/3(即 4/6)部分。
• 还有其他一些可选参数，如标签、投影、 sharex 、 sharey 、极轴等。
• 该命令将子情节的轴作为轴返回。SubplotBase (基类)或轴的另一个子类。如果指定的投影是直线投影(默认投影)，则返回的轴是子图形基类，如果指定的投影是极坐标投影，则返回的轴是基类的子图形子类。

注意:matplotlib . py plot . subplot()函数中可以传递 3 位整数，其中 3 位数字代表函数的 3 个参数。例如，matplotlib.pyplot.subplot(437)与 python 中的 matplotlib.pyplot.subplot(4，3，7)相同，其中在具有 4 行和 3 列的图形中添加绘图，并且将绘图添加到第 3 行的第 1 列(在第 7 个索引处)。

让我们做一些例子来练习这些概念:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g')

# Plot 2
plt.subplot(2, 2, 2)
plt.plot(x, y2, '-.r')

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, ':y')

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--c')

plt.show()

Matplotlib subplot

阅读: Matplotlib 绘图条形图

Matplotlib 子图图形尺寸

我们可以通过针对matplotlib . py plot . figure()函数中的 figsize 参数指定两个值的列表来调整 matplotlib 中包含子情节的图形的大小，其中第一个值指定图形的宽度，第二个值指定图形的高度。

现在，让我们实践这个概念:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[9, 7])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)

plt.show()

Matplotlib subplot figure size

我们调整了人物的大小，因此支线剧情的布局变得更好。

阅读:什么是 matplotlib 内联

Matplotlib 子情节标题总体

我们可以通过在matplotlib . py plot . sup title()函数中指定标题文本，为 matplotlib 中包含子情节的图形指定一个标题。

让我们通过一个例子来看看这是怎么做到的:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)

plt.show()

Matplotlib subplot title overall

每个情节的 Matplotlib 子情节标题

我们还可以通过在matplotlib . py plot . title()函数中用每个子情节命令单独指定标题文本，为 matplotlib 中的每个子情节指定标题。

让我们通过一个例子来练习一下:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve')

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve')

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve')

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve')

plt.show()

Matplotlib subplot title for each plot

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib 子图标题字体大小

我们可以通过在matplotlib . py plot . sup title()或/和matplotlib . py plot . title()函数中添加一个参数 fontsize 来指定 matplotlib 中标题文本(图标题和子图标题)的字体大小。

让我们来练习一个例子:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', fontsize=19)

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15)

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', fontsize=15)

plt.show()

Matplotlib subplot title font size

我们调整了人物标题和支线剧情的字体大小。

阅读: Matplotlib 绘制一条线

Matplotlib 子情节标题加粗

我们可以通过在matplotlib . py plot . sup title()或/和matplotlib . py plot . title()函数中添加一个参数 fontweight 和必要的整数值(粗体字体为 600+)或字符串‘bold ’,使标题文本在 matplotlib 中的字体为粗体(对于图标题和子图标题)。

举例:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15)

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', fontsize=15)

plt.show()

Matplotlib subplot title bold

我们已经改变了字体的粗细，使标题文本为粗体。

Read: modulenotfounderror:没有名为“matplotlib”的模块

Matplotlib 子情节标题位置

我们可以通过在matplotlib . py plot . sup title()函数中再增加两个参数 x 和 y 来指定图的标题文本的位置。x 和 y 参数的值分别表示图形坐标中的 x 和 y 坐标。

让我们看看如何实现这个概念:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', x=0.5, y=0, fontsize=17, fontweight='700')

## Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', loc='left', fontsize=15)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', loc='right', fontsize=15)

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', loc='left', fontsize=15)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', loc='right', fontsize=15)

plt.show()

Matplotlib subplot title position

我们在图中设置了各种标题文本的不同位置。

阅读:如何安装 matplotlib python

Matplotlib 子情节标题填充

我们可以通过在matplotlib . py plot . sup title()函数中添加参数 y 来调整图的标题文本的填充，并且可以在matplotlib . py plot . title()函数中添加 y 或填充参数。y 参数的值表示图形坐标中的 y 坐标，填充的值表示图/子图中标题文本的间隙/填充。y 的值范围从 0 到 1。

让我们看一个例子来更好地理解这些概念:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', y=1.1, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, y=1.1)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, y=1.1)

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=17)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', fontsize=15, pad=17)

plt.show()

Matplotlib subplot title padding

我们调整了人物和支线剧情标题文字的填充。

Matplotlib 子情节图例

我们可以通过为每个子情节添加matplotlib . py plot . legend()函数来为 matplotlib 中的每个子情节添加图例。

让我们通过一个例子来看看实现:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

#Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2, label='1st degree curve')
plt.title('Plot 1', fontsize=15)
plt.legend(loc='upper left')

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k', label='2nd degree curve')
plt.title('Plot 2', fontsize=15)
plt.legend(loc='upper left')

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3, label='3rd degree curve')
plt.title('Plot 3', fontsize=15)
plt.legend(loc='upper left')

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3, label='4th degree curve')
plt.title('Plot 4', fontsize=15)
plt.legend(loc='upper left')

plt.show()

Matplotlib subplot legend

我们还可以在 matplotlib 中添加一个与图中所有支线剧情共享的图例。我们必须通过使用matplotlib . py plot . subplots()函数定义轴和图形来绘制图形，并使用具有以下参数的 figure.legend() 为图形定义全局图例:

• 我们要添加到图例中的所有 plot (line2D)对象(此处为曲线)的列表。
• 标签:每个地块(曲线)对象的标签列表。
• loc:图例的位置(可选)
• 标题:图例的标题(可选)

让我们通过一个例子来练习:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Defining figure and axes objects using matplotlib.pyplot.subplots()
fig, ax = plt.subplots(2, 2, figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

fig.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
c1 = ax[0,0].plot(x, y1, 'g', linewidth=2)
ax[0,0].set_title('Plot 1', fontsize=15)

# Plot 2
c2 = ax[0,1].scatter(x, y2, color='k')
ax[0,1].set_title('Plot 2', fontsize=15)

# Plot 3
c3 = ax[1,0].plot(x, y3, '-.y', linewidth=3)
ax[1,0].set_title('Plot 3', fontsize=15)

# Plot 4
c4 = ax[1,1].plot(x, y4, '--b', linewidth=3)
ax[1,1].set_title('Plot 4', fontsize=15)

label_list = ['1st degree curve', '2nd degree curve', '3rd degree curve', '4th degree curve']

fig.legend([c1, c2, c3, c4],
           labels=label_list,
           loc='upper left',
           borderaxespad=0.1)

plt.show()

Matplotlib subplot shared legend

我们创造了一个由这个人物的所有支线剧情共享的普通传说。

Matplotlib 子图共享轴

我们可以创建一个图形，其中一个或两个轴在 matplotlib 中的子情节之间共享。我们必须在matplotlib . py plot . subplots()函数中将 sharex 和 sharey 参数指定为 True。对于子情节，y 轴不能垂直共享，x 轴不能水平共享。共享坐标轴导致子情节的共同 xticks 和 yticks。

让我们来看看这个概念的实现:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x + 3
y2 = x + 9
y3 = x + 13
y4 = x + 17

# Defining figure and axes objects using matplotlib.pyplot.subplots()
fig, ax = plt.subplots(2, 2, figsize=[11, 9])

fig.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
ax[0,0].plot(x, y1, 'g', linewidth=2)
ax[0,0].set_title('Plot 1: 1st degree curve', fontsize=15)

# Plot 2
ax[0,1].scatter(x, y2, color='k')
ax[0,1].set_title('Plot 2: 2nd degree curve', fontsize=15)

# Plot 3
ax[1,0].plot(x, y3, '-.y', linewidth=3)
ax[1,0].set_title('Plot 3: 3rd degree curve', fontsize=15)

# Plot 4
ax[1,1].plot(x, y4, '--b', linewidth=3)
ax[1,1].set_title('Plot 4: 4th degree curve', fontsize=15)

plt.show()

# ---------------------------------------------------------------------

# Defining figure and axes objects using matplotlib.pyplot.subplots()
fig, ax = plt.subplots(2, 2, sharex=True, sharey=True, figsize=[11, 9])

fig.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
ax[0,0].plot(x, y1, 'g', linewidth=2)
ax[0,0].set_title('Plot 1: 1st degree curve', fontsize=15)

# Plot 2
ax[0,1].scatter(x, y2, color='k')
ax[0,1].set_title('Plot 2: 2nd degree curve', fontsize=15)

# Plot 3
ax[1,0].plot(x, y3, '-.y', linewidth=3)
ax[1,0].set_title('Plot 3: 3rd degree curve', fontsize=15)

# Plot 4
ax[1,1].plot(x, y4, '--b', linewidth=3)
ax[1,1].set_title('Plot 4: 4th degree curve', fontsize=15)

plt.show()

Matplotlib subplot share axis

我们已经创建了两个图形，一个具有不共享的轴，另一个具有共享的 x 轴和 y 轴。

Matplotlib 子图共享轴标签

在 matplotlib 中，没有直接的方法将公共轴标签添加到图形中，但我们可以通过一个技巧来实现。

• 首先，我们将创建一个有支线剧情的人物。
• 然后，我们将使用 figure.add_subplot() 函数添加一个图形大小的轴来封装所有的支线剧情。
• 然后我们将禁用这个新图的刻度和刻度标签，只显示轴标签。我们可以通过在matplotlib . py plot . tick _ param()函数中指定参数 labelcolor="none "，bottom=False，left=False 来实现。
• 现在，我们可以将 x 轴和 y 轴标签添加到这个更大的图中。

让我们实现上面的技巧来更好地理解它:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x + 3
y2 = x + 9
y3 = x + 13
y4 = x + 17

# Defining figure and axes objects using matplotlib.pyplot.subplots()
fig, ax = plt.subplots(2, 2, figsize=[11, 9])

fig.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
ax[0,0].plot(x, y1, 'g', linewidth=2)
ax[0,0].set_title('Plot 1: 1st degree curve', fontsize=15)

# Plot 2
ax[0,1].scatter(x, y2, color='k')
ax[0,1].set_title('Plot 2: 2nd degree curve', fontsize=15)

# Plot 3
ax[1,0].plot(x, y3, '-.y', linewidth=3)
ax[1,0].set_title('Plot 3: 3rd degree curve', fontsize=15)

# Plot 4
ax[1,1].plot(x, y4, '--b', linewidth=3)
ax[1,1].set_title('Plot 4: 4th degree curve', fontsize=15)

# Adding a plot in the figure which will encapsulate all the subplots with axis showing only
fig.add_subplot(1, 1, 1, frame_on=False)

# Hiding the axis ticks and tick labels of the bigger plot
plt.tick_params(labelcolor="none", bottom=False, left=False)

# Adding the x-axis and y-axis labels for the bigger plot
plt.xlabel('Common X-Axis', fontsize=15, fontweight='bold')
plt.ylabel('Common Y-Axis', fontsize=15, fontweight='bold')

plt.show()

Matplotlib subplot share axis labels

我们还可以创建一个图形，在 matplotlib 子绘图的共享轴上有共享轴标签。

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x + 3
y2 = x + 9
y3 = x + 13
y4 = x + 17

# Defining figure and axes objects using matplotlib.pyplot.subplots(),
# specifying the sharing of x-axis and y-axis to the subplots
fig, ax = plt.subplots(2, 2, sharex=True, sharey=True, figsize=[11, 9])

fig.suptitle('Different degree curves', fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
ax[0,0].plot(x, y1, 'g', linewidth=2)
ax[0,0].set_title('Plot 1: 1st degree curve', fontsize=15)

# Plot 2
ax[0,1].scatter(x, y2, color='k')
ax[0,1].set_title('Plot 2: 2nd degree curve', fontsize=15)

# Plot 3
ax[1,0].plot(x, y3, '-.y', linewidth=3)
ax[1,0].set_title('Plot 3: 3rd degree curve', fontsize=15)

# Plot 4
ax[1,1].plot(x, y4, '--b', linewidth=3)
ax[1,1].set_title('Plot 4: 4th degree curve', fontsize=15)

# Adding a plot in the figure which will encapsulate all the subplots with axis showing only
fig.add_subplot(1, 1, 1, frame_on=False)

# Hiding the axis ticks and tick labels of the bigger plot
plt.tick_params(labelcolor="none", bottom=False, left=False)

# Adding the x-axis and y-axis labels for the bigger plot
plt.xlabel('X-Axis', fontsize=15, fontweight='bold')
plt.ylabel('Y-Axis', fontsize=15, fontweight='bold')

plt.show()

Matplotlib subplot axis labels to shared axis

我们已经创建了一个图形，其中包含四个具有共享轴和轴标签的子图形。

Matplotlib 图之间的子图间距

我们可以通过添加一个带有相关参数值的函数matplotlib . py plot . subplots _ adjust()来调整 matplotlib 中一个图形的子图间距。以下参数可以根据需要指定:

• top :指定人物支线剧情的顶部(上部)。
• 底部:指定人物支线剧情的底部(下部)。
• 左侧:指定人物支线剧情的左侧。
• 右侧:指定人物支线剧情的右侧。
• wspace :指定子情节之间要预留的空白空间的宽度。
• hspace :指定子情节之间留白的高度。

让我们试试上面方法的实现:

# Change the figure size
plt.figure(figsize=[11, 9])

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', y=1.13, fontsize=19, fontweight='bold')

plt.subplots_adjust(left=0.13, right=0.93, top=1.0, bottom= 0.27, wspace= 0.3, hspace=0.3)

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, y=1.1)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, y=1.1)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

plt.show()

Matplotlib subplot spacing between plots

我们在一个人物的支线剧情之间增加了空间。

Matplotlib 子图间距自动

matplotlib 中有一种方法可以根据图形自动调整一个图形的支线剧情间距。我们只需要添加一个函数matplotlib . py plot . tight _ layout()。

我们还可以通过在matplotlib . py plot . tight _ layout()函数中指定参数 pad 、 w_pad 、 h_pad 来给予额外的填充。这些参数控制人物边界周围和支线剧情之间的额外填充。它们的参数值是根据字体大小的分数来指定的。

让我们通过一个例子来实现这个功能:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

plt.suptitle('Different degree curves', y=1.13, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, y=1.1)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, y=1.1)

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=17)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', fontsize=15, pad=17)

plt.show()

# ---------------------------------------------------------------------

# Plotting the subplots with auto adjust layout using matplotlib.pyplot.tight_layout()

plt.suptitle('Different degree curves', y=1.13, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, y=1.1)

# Plot 2
plt.subplot(2, 2, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, y=1.1)

# Plot 3
plt.subplot(2, 2, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=17)

# Plot 4
plt.subplot(2, 2, 4)
plt.plot(x, y4, '--b', linewidth=3)
plt.title('Plot 4: 4th Degree curve', fontsize=15, pad=17)

plt.tight_layout()
plt.show()

Matplotlib subplot spacing automatic

我们已经创建了两个图形，一个不包含 tight_layout()函数，另一个包含它。

读取 Matplotlib 两个 y 轴

不同大小的 Matplotlib 支线剧情

我们可以在 matplotlib 中用兼容的网格规范创建一个不同大小的子图形。我们可以这样做，把人物分成支线剧情和这些支线剧情的支线剧情等等。然后，只指定需要的支线剧情。

为了更好地理解，让我们看一下这个例子:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3

# Change the figure size
plt.figure(figsize=[11, 9])

plt.suptitle('Different degree curves', y=1.05, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 2
plt.subplot(2, 2, 3)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 3
plt.subplot(1, 2, 2)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

plt.tight_layout()
plt.show()

Matplotlib subplots different sizes

我们在一个图形中创建了 3 个不同大小的支线剧情。

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

# Change the figure size
plt.figure(figsize=[11, 9])

plt.suptitle('Different degree curves', y=1.05, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(3, 1, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 2
plt.subplot(3, 2, 3)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 3
plt.subplot(3, 2, 4)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

# Plot 4
plt.subplot(3, 1, 3)
plt.plot(x, y4, ':r', linewidth=2)
plt.title('Plot 4: 4th Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

plt.tight_layout()
plt.show()

Matplotlib subplots different sized grids

读取堆积条形图 Matplotlib

matplot lib subplot grid spec

我们可以使用 matplotlib 中的 gridspec 函数定制图形布局。我们可以通过使用 gridspec 函数来指定放置支线剧情的图形网格的几何形状。

我们必须指定图形网格的行数和列数。我们也可以调整支线剧情的布局参数，如左，右，底部等。

使用 gridspec 函数的语法如下:

from matplotlib import pyplot as plt
from matplotlib import gridspec

fig = plt.figure()

grid_obj = gridspec.GridSpec(nrows, ncols[, figure, left, bottom, right, top, wspace, hspace, ...])

ax1 = fig.add_subplot(grid_obj[0, 0])
ax2 = fig.add_subplot(grid_obj[0, 1])
...
...
...
axN = fig.add_subplot(grid_obj[nrows-1, ncols-1])

在上面的语法中，

• gridspec。GridSpec() 是用于创建图中的 nrows 行和 ncols 列的网格的函数。以下参数提供对不同布局参数的控制:
  • nrows 指定网格中的行数。
  • ncols 指定网格中 rcolumns 的数量。
  • 图指定要放置网格的图形。它是可选的，默认情况下没有。
  • 左、下、右和上是可选参数，将支线剧情的范围定义为图形宽度和高度的分数。注意- 左侧不能大于右侧且底部不能大于顶部。
  • wspace 和 hspace 是可选参数，定义为子情节之间的空间保留的宽度和高度，分别表示为平均轴宽度和高度的分数。
• grid_obj 是 gridspec 返回的网格对象。GridSpec() 函数。
• 在创建了 grid_obj 网格对象后，将支线剧情添加到用 grid_obj 指定的支线剧情网格中。

让我们做一些实践例子，使用 gridspec() 函数创建网格:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x + 3
y2 = x ** 2
y3 = x ** 3
y4 = x ** 4

fig = plt.figure(constrained_layout=True)
spec = gridspec.GridSpec(ncols=2, nrows=2, figure=fig)

# Plot 1
ax1 = fig.add_subplot(spec[0, 0])
ax1.plot(x, y1, 'g', linewidth=2)
ax1.set_title('Plot 1: 1st degree curve', fontsize=15)

# Plot 2
ax2 = fig.add_subplot(spec[0, 1])
ax2.scatter(x, y2, color='k')
ax2.set_title('Plot 2: 2nd degree curve', fontsize=15)

# Plot 3
ax3 = fig.add_subplot(spec[1, 0])
ax3.plot(x, y3, '-.y', linewidth=3)
ax3.set_title('Plot 3: 3rd degree curve', fontsize=15)

# Plot 4
ax4 = fig.add_subplot(spec[1, 1])
ax4.plot(x, y4, '--b', linewidth=3)
ax4.set_title('Plot 4: 4th degree curve', fontsize=15)

plt.show()

Matplotlib subplot gridspec

让我们用 gridspec()函数创建一个不同大小的子情节的例子:

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y = []
y.append(x + 3)
y.append(x ** 2)
y.append(x ** 3)
y.append(x ** 4)

l_style = ['-', ':', '-.', '--']
l_color = ['g', 'k', 'y', 'b']
k = 0

fig2 = plt.figure(figsize=[7, 5], constrained_layout=True)
widths = [1.5, 3]
heights = [2, 3]
spec2 = fig2.add_gridspec(ncols=2, nrows=2, width_ratios=widths,
                          height_ratios=heights)
for row in range(2):
    for col in range(2):
        ax = fig2.add_subplot(spec2[row, col])
        ax.plot(x, y[k], color=l_color[k], linestyle=l_style[k],
                linewidth=3)
        ax.set_title('Plot'+str(k+1)+' : '+str(k+1)+' degree curve',
                     fontsize=15)
        k += 1

plt.show()

Matplotlib subplot gridspec different size subplots

Matplotlib 子图网格线

我们可以通过为每个子情节添加 matplotlib.pyplot.grid() 函数，在 matplotlib 中的图形子情节中添加网格线。

让我们做一些练习示例:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

 Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3

# Change the figure size
plt.figure(figsize=[11, 5])

plt.suptitle('Different degree curves', y=1.13, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(1, 3, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.grid()

# Plot 2
plt.subplot(1, 3, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.grid()

# Plot 3
plt.subplot(1, 3, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.grid()

plt.tight_layout()
plt.show()

# ---------------------------------------------------------------------

# Change the figure size
plt.figure(figsize=[11, 11])

plt.suptitle('Different degree curves', y=1.13, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(3, 1, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.grid()

# Plot 2
plt.subplot(3, 1, 2)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.grid()

# Plot 3
plt.subplot(3, 1, 3)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=17)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.grid()

plt.tight_layout()
plt.show()

Matplotlib subplot grid lines

Matplotlib 子图网格间距

我们可以通过增加图中子情节的 xticks 和 yticks 值来调整 matplotlib 中网格线之间的间距。我们可以分别使用 xlim() 和 ylim() 来改变一个剧情/子剧情的 xticks 和 yticks 范围。

让我们做一些例子来说明调整网格线间距的方法:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3

# Changing the Matplotlib plot grid spacing by changing the spacing of
# the ticks

# Change the figure size
plt.figure(figsize=[11, 9])

plt.suptitle('Different degree curves', y=1.05, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.xlim(0, 12)
plt.ylim(0, 12)
plt.grid()

# Plot 2
plt.subplot(2, 2, 3)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.xlim(0, 15)
plt.ylim(0, 150)
plt.grid(alpha=0.8)

# Plot 3
plt.subplot(1, 2, 2)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.xlim(0, 15)
plt.ylim(0, 1500)
plt.grid(alpha=0.6)

plt.tight_layout()
plt.show()

Matplotlib subplot grid spacing

Matplotlib 子图网格颜色

我们可以通过在 matplotlib.pyplot.grid() 函数中添加参数 color，并将其值作为颜色名称、颜色代码或颜色十六进制代码，来更改和指定 matplotlib 中图形子图形的网格线颜色。

我们还可以根据需要在 matplotlib.pyplot.grid() 函数中添加生活方式、线宽等参数。

让我们做一个例子来练习:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

# Preparing the data to subplots
x = np.linspace(0, 10, 10)
y1 = x
y2 = x ** 2
y3 = x ** 3

# Change the figure size
plt.figure(figsize=[11, 9])

plt.suptitle('Different degree curves', y=1.05, fontsize=19, fontweight='bold')

# Plot the subplots
# Plot 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'g', linewidth=2)
plt.title('Plot 1: 1st Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis', fontsize=13)
plt.ylabel('Y-Axis', fontsize=13)
plt.xlim(0, 12)
plt.ylim(0, 12)
plt.grid(color='red', linestyle='-.', linewidth=1)

# Plot 2
plt.subplot(2, 2, 3)
plt.scatter(x, y2, color='k')
plt.title('Plot 2: 2nd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis', fontsize=13)
plt.ylabel('Y-Axis', fontsize=13)
plt.xlim(0, 15)
plt.ylim(0, 150)
plt.grid(alpha=0.8, color='blue', linestyle=':', linewidth=1.2)

# Plot 3
plt.subplot(1, 2, 2)
plt.plot(x, y3, '-.y', linewidth=3)
plt.title('Plot 3: 3rd Degree curve', fontsize=15, pad=12)
plt.xlabel('X-Axis', fontsize=13)
plt.ylabel('Y-Axis', fontsize=13)
plt.xlim(0, 15)
plt.ylim(0, 1500)
plt.grid(alpha=0.6, color='green', linestyle='--', linewidth=1.4)

plt.tight_layout()
plt.show()

Matplotlib subplot grid color

Matplotlib 子图图像

我们可以从本地系统导入并绘制图像，就像在 matplotlib 中绘制图形的子图一样。我们可以使用 matplotlib.image 子模块来导入、读取和显示 matplotlib 图形中的图像格式。

我们可以使用matplotlib . image . im read()函数导入和读取图像格式文件。必须指定一个参数，该参数指定包含图像文件在系统中的路径的字符串，后跟其名称。它将返回一个图像对象。

我们可以使用 axes.imshow() 函数在指定的轴上绘制图像对象。

为了更好地理解这一概念，我们来做一些动手实践示例:

# Import necessary libraries
import matplotlib.pyplot as plt

import matplotlib.image as img
import random
import os

cwd = os.getcwd()
source_path = cwd + '\\image_data\\'

fig, ax = plt.subplots(2,2)
plt.suptitle('Random Images', y=1.05, fontsize=19, fontweight='bold')

for i in range(2):
    for j in range(2):
        image_file = random.choice(os.listdir(source_path))
        image_path = os.path.join(source_path, image_file)
        image = img.imread(image_path)

        ax[i,j].set_title(image_file, fontsize=15, pad=12)
        ax[i,j].imshow(image)
        ax[i,j].grid()

plt.tight_layout()
plt.show()

# ------------------------------------------------------------------

plt.figure()
plt.suptitle('Random Images', y=1.05, fontsize=19, fontweight='bold')

for i in range(4):
    image_file = random.choice(os.listdir(source_path))
    image_path = os.path.join(source_path, image_file)
    image = img.imread(image_path)

    plt.subplot(2, 2, i+1)
    plt.title(image_file, fontsize=15, pad=12)
    plt.imshow(image)

plt.tight_layout()
plt.show()

Matplotlib subplot images

阅读: Matplotlib 支线剧情 _adjust

Matplotlib 子图图像尺寸

我们可以通过改变图形的大小来改变 matplotlib 中一个图形的子图中图像的大小。

我们可以使用带有参数 figsize 的函数matplotlib . py plot . figure()来更改图形的大小，该函数根据表示图形宽度和高度的两个值的列表来指定图形的大小。

举例:

# Import necessary libraries
import matplotlib.pyplot as plt

import matplotlib.image as img
import random
import os

cwd = os.getcwd()
source_path = cwd + '\\image_data\\'

plt.figure(figsize=[7, 7])
plt.suptitle('Random Images', y=1.05, fontsize=19, fontweight='bold')

for i in range(4):
    image_file = random.choice(os.listdir(source_path))
    image_path = os.path.join(source_path, image_file)
    image = img.imread(image_path)

    plt.subplot(2, 2, i+1)
    plt.title(image_file, fontsize=15, pad=12)
    plt.imshow(image)
    plt.grid()

plt.tight_layout()
plt.show()

Matplotlib subplot image size

我们已经调整了图形的大小来调整支线剧情的大小。

阅读: Matplotlib 最佳拟合线

Matplotlib 子图在如何着色

我们可以在 matplotlib 中为图中的所有子图图像创建一个公共的颜色条。

我们可以通过使用matplotlib . figure . figure . add _ axes()函数为颜色条添加单独的轴，该函数带有一个参数，将尺寸表示为 4 个值的列表[left、bottom、width、height]，并在该轴上绘制颜色条。

我们可以使用matplotlib . figure . figure . colorbar()函数来创建一个颜色条，并指定参数mapable和 cax ，前者表示要在颜色条中映射其颜色的绘图对象，后者表示要在其上绘制颜色条的轴。

让我们创建彩色的图像情节，并为图中的所有支线情节添加一个通用的颜色条:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(2, 2, figsize=[7, 7])

for x in ax.flat:
    image = x.imshow(np.random.random((15,15)), vmin=0, vmax=1)

fig.subplots_adjust(right=0.8)
color_bar_ax = fig.add_axes([0.85, 0.15, 0.05, 0.7])
fig.colorbar(image, cax=color_bar_ax)

plt.show()

Matplotlib subplot imshow colorbar

阅读:什么是 Matplotlib

matplotlib 3d 子情节

我们可以在 matplotlib 中创建一个带有 3D 支线剧情的图形。我们可以使用mpl _ toolkits . mplot 3d . axes 3d子模块在 matplotlib 中创建 3D 轴并绘制 3D 形状。

我们可以通过使用 figure.add_subplot() 函数加上一个附加参数投影值为“3d”来添加轴。然后创建一个 3d 绘图，并将其添加到先前定义的具有 3D 投影的轴中。

我们可以分别执行上述方法，通过向图形添加更多具有 3D 形状的轴来创建多个子情节。

让我们创建一些 3D 图(这里是曲面图和线框)并将它们添加到图形中:

# Import necessary libraries
import matplotlib.pyplot as plt
import numpy as np

from matplotlib import cm                # for using the colormap
from mpl_toolkits.mplot3d.axes3d import get_test_data

fig = plt.figure(figsize=[9, 4])

plt.suptitle('3D plots', y=1.05, fontsize=19, fontweight='bold')

# Subplot 1
# set up the axes for the first plot
ax = fig.add_subplot(1, 2, 1, projection='3d')

# Plotting a 3D surface in first subplot
X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)

R = np.sqrt(X`2 + Y`2)
Z = np.sin(R)

surface_pl = ax.plot_surface(X, Y, Z, rstride=1, cstride=1,
                             cmap=cm.coolwarm, linewidth=0)
ax.set_zlim(-1.01, 1.01)

fig.colorbar(surface_plt, shrink=0.5, aspect=10)
ax.set_title('A 3D Surface')
ax.set_xlabel('X-Axis')
ax.set_ylabel('Y-Axis')
ax.set_zlabel('Z-Axis')

# Subplot 2
# set up the axes for the second plot
ax = fig.add_subplot(1, 2, 2, projection='3d')

# Plotting a 3D wireframe in second subplot
X, Y, Z = get_test_data(0.05)
ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10)

ax.set_title('A 3D Wireframe')
ax.set_xlabel('X-Axis')
ax.set_ylabel('Y-Axis')
ax.set_zlabel('Z-Axis')

plt.tight_layout()
plt.show()

Matplotlib subplot 3D

我们已经创建了一个带有颜色条的曲面图和一个线框图，并将它们添加到一个图形中。

你可能也喜欢阅读下面的教程。

• Matplotlib 移除刻度标签
• Matplotlib 旋转刻度标签
• Matplotlib 改变背景颜色

在本 python 教程中，我们讨论了 Python 中的 matplotlib 子图，它允许我们在一个图形中处理多个图，我们还讨论了以下主题:

• Matplotlib 子图图形大小
• Matplotlib 子图标题总体
• 每个情节的 Matplotlib 子情节标题
• Matplotlib 子图标题字体大小
• Matplotlib 子图标题粗体
• Matplotlib 子图标题位置
• Matplotlib 子图标题填充
• Matplotlib 子图图例
• Matplotlib 子图共享轴
• Matplotlib 子图共享轴标签
• 绘图之间的 Matplotlib 子绘图间距
• Matplotlib 子图间距自动
• 不同大小的 Matplotlib 子情节
• Matplotlib 子图 gridspec
• Matplotlib 子图网格线
• Matplotlib 子图网格间距
• Matplotlib 子图网格颜色
• Matplotlib 子图图像
• Matplotlib 子图图像大小
• matplotlib im how colorbar 子打印
• matplotlib 子出图

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Matplotlib 子情节 _adjust

原文：https://pythonguides.com/matplotlib-subplots_adjust/

在本 python 教程中，我们将讨论 Python 中的Matplotlib subplots _ adjust，这使我们能够在单个图形中优化多个图，我们还将讨论以下主题:

• Matplotlib 子情节 _adjust
• Matplotlib 子情节 _ 调整紧密度 _ 布局
• Matplotlib 子图间距
• Matplotlib 子图 _ 调整高度和空间
• Matplotlib 子图 _ 调整图形大小
• matplotlib subplots _ adjust wspace 和 width
• Matplotlib 子情节 _ 调整底部
• Matplotlib 子情节 _ 右调整
• Matplotlib subplots_adjust 不起作用

目录

• Matplotlib 子情节 _adjust
• Matplotlib 支线剧情 _ 调整紧密 _ 布局
• Matplotlib 子情节间距
  • 使用 tight_layout()函数
  • 使用 subplots_adjust()函数
  • 使用 subplot_tool()函数
• Matplotlib subplot _ adjust height or hspace
  • 使用 tight_layout()函数
  • 使用 subplots_adjust()函数
  • 使用 subplot_tool()函数
• Matplotlib 子情节 _ 调整图形尺寸
• Matplotlib subplot _ adjust width 或 wspace
  • 使用 tight_layout()函数
  • 使用 subplots_adjust()函数
  • 使用 subplot_tool()函数
• Matplotlib subplot _ adjust bottom
  • 使用 tight_layout()方法
  • 使用 subplots_adjust()方法
  • 使用 subplot_tool()方法
• Matplotlib subplot _ adjust Right
  • 使用 tight_layout()函数
  • 使用 subplots_adjust()函数
  • 使用 subplot_tool()函数
• Matplotlib subplot_adjust 不起作用

Matplotlib 子情节 _adjust

subplots_adjust() 是 matplotib 库中的一个函数，用于调整或细化子剧情结构或设计。

subplots_adjust() 的语法如下:

matplotlib.pyplot.subplots_adjust(left=None,bottom=None,right=None,top=None,wspace=None,hspace=None)

在上述语法中，使用了以下参数，概述如下:

• 左:指定该图支线剧情的左位置。默认大小为 0.125。
• 右:指定人物支线剧情的右位置。默认大小为 0.9。
• 底部:指定该图支线剧情的底部位置。默认大小为 0.1。
• 顶部:指定该图支线剧情的顶部位置。默认大小为 0.9。
• wspace: 指定子情节(称为填充)之间空白宽度的大小，作为平均轴宽度的一部分。默认大小为 0.2。
• hspace: 指定子情节(称为填充)之间空白高度的大小，作为平均轴高度的一部分。默认大小为 0.2。

让我们做一个例子来理解这些概念:

代码#1

# Importing libraries
import numpy as np
import matplotlib.pyplot as plt

x1 = [2 , 4 , 6 , 8 , 10]
x2 = [5 , 10 , 15 , 20 , 25]

fig = plt.figure()
ax = fig.subplots()

ax.plot(x1,x2)

fig.show()

上面的代码#1 只是一个简单的 matplotlib 子图代码。

代码#2

 # Importing libraries
import numpy as np
import matplotlib.pyplot as plt

x1 = [2 , 4 , 6 , 8 , 10]
x2 = [5 , 10 , 15 , 20 , 25]

fig = plt.figure()
ax = fig.subplots()

ax.plot(x1,x2)

fig.subplots_adjust(right = 2)

fig.show() 

在上面的代码#2 中，我们用参数 right 实现了 subplots_adjust 函数。

现在，让我们看看这两个代码输出的区别，这样我们就清楚地了解了 subplots_adjust 函数的基本功能。

The output of Code#1 (Simple Subplot code)

The output of Code#2 ( Code in which we use subplots_adjust() with parameter right )

现在从上面两个代码及其输出中，我们清楚地看到，通过使用 subplots_adjust() ，我们将 subplot 的右边位置调整了 2。

结论！matplotlib . py plot . subplots _ adjust()函数通过改变子情节的位置来重塑子情节的设计。

阅读: Matplotlib 最佳拟合线

Matplotlib 支线剧情 _ 调整紧密 _ 布局

subplots _ adjust tight _ layout()是 matplotib 库中的一个函数，用于自动调整 subplots 之间的适当间距，使其适合图形区域。

语法如下:

matplotlib.pyplot.tight_layout(pad=10.8, h_pad=None, w_pad=None, rect=None)

在上面的语法中，使用了下面概述的参数:

• 填充:指定支线剧情边缘之间空白(称为填充)的大小。默认情况下，它是 1.08
• h_pad: 指定子情节边缘之间的填充高度。
• w_pad: 指定子情节边缘之间的填充宽度。
• rect: 指定适合支线剧情的图形区域的大小。

何时使用 tight_layout():

• 当标题的轴标签超出图形区域时。
• 当我们在一个图形区域中有多个支线剧情时，我们会看到不同支线剧情的标签或标题互相重叠。
• 当我们在一个图形区域中有多个支线剧情时，我们看到支线剧情有个不同的大小。
• 当我们在一个图形区域中有多个子情节，并且我们想要调整图形周围和子情节之间的额外填充时。

让我们做一个例子来理解概念:

代码#1

 # Importing libraries 

import numpy as np
import matplotlib.pyplot as plt

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10,15]
y2= [6,12,18]

x3= [2,4,6]
y3= [3,6,9]

x4= [5,10,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

ax[0, 0].set_title("Graph 1 ")
ax[0, 1].set_title("Graph 2")
ax[1, 0].set_title("Graph 3")
ax[1, 1].set_title("Graph 4")

plt.show()

上面的代码#1 只是一个简单的 matplotlib 子图代码，其中我们在一个图形区域中有多个子图。

代码#2

# Importing Libraries
import numpy as np
import matplotlib.pyplot as plt

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10,15]
y2= [6,12,18]

x3= [2,4,6]
y3= [3,6,9]

x4= [5,10,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

ax[0, 0].set_title("Graph 1 ")
ax[0, 1].set_title("Graph 2")
ax[1, 0].set_title("Graph 3")
ax[1, 1].set_title("Graph 4")

fig.tight_layout()
plt.show()

在上面的代码#2 中，我们必须实现紧密布局功能。

现在，让我们看看这两个代码输出的区别，这样我们就清楚地了解了 tight_layout 函数的基本功能。

The output of Code#1 (Simple Subplot code)

在上面的输出中，我们看到不同轴的标签相互重叠。

The output of Code#2 ( Code in which we use tight_layout function )

在上面的输出中，我们已经看到，通过使用 tight_layout 函数，我们调整了图形区域中子图形之间的间距，以避免重叠。

**结论！**matplotlib . py plot . tight _ layout()函数调整支线剧情，使其完全适合人物区域。

阅读: Matplotlib 支线剧情教程

Matplotlib支线剧情间距

我们为什么需要间距！

当我们处理支线剧情时，我们必须在图形区域绘制多个支线剧情。有时我们会看到一个图形区域中的多个子图的轴开始重叠，或者轴值太混乱和拥挤。

所以为了解决这些问题，我们需要设置支线剧情之间的间距。

求解间距的方法:

• 使用 tight_layout()函数
• 使用 subplots_adjust()函数
• 使用 subplot_tool()函数

使用 tight_layout()函数

tight_layout() 函数自动调整支线剧情间距。

上面的语法:

matplotlib.pyplot.tight_layout()

我们借助一个例子来理解:

# Importing Libraries
import numpy as np
import matplotlib.pyplot as plt

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10,15]
y2= [6,12,18]

x3= [2,4,6]
y3= [3,6,9]

x4= [5,10,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

fig.tight_layout()
plt.show()

Using tight_layout()

从上面的例子中，我们得出结论，通过使用 tight_layout()函数，支线剧情之间的间距是合适的。

读取 Matplotlib plot_date

使用支线剧情 _ 调整()函数

支线剧情 _adjust() 函数改变支线剧情之间的间距。通过使用参数左、右、上、下、 wspace 、 hspace ，我们可以调整子情节的位置。

上面的语法:

matplotlib.pyplot.subplots_adjust(left=None, bottom= None, right=None, top=None, wspace=None, hspace=None)

让我们借助一个例子来理解:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10,15]
y2= [6,12,18]

x3= [2,4,6]
y3= [3,6,9]

x4= [5,10,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

plt.subplots_adjust(left=0.5, bottom=0.5, right=1, top=1, wspace=0.9,hspace=0.9)
plt.show()

subplots_adjust()

从上面的例子中，我们得出结论，通过使用 subplots_adjust()函数，子情节之间的间距是适当的。

使用 subplot_tool()函数

subplot_tool() 方法提供了一个滑块来调整 subplot 的间距。这是一种交互式方法，用户可以根据自己的需要拖动滚动条进行调整。

上面的语法:

matplotlib.pyplot.subplot_tool()

我们借助一个例子来理解:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10,15]
y2= [6,12,18]

x3= [2,4,6]
y3= [3,6,9]

x4= [5,10,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

plt.subplot_tool()
plt.show()

subplot_tool()

从上面的例子中，我们得出结论，通过使用 subplot_tool()函数，我们可以使用滑块来调整间距。

阅读: Matplotlib 绘图条形图

Matplotlib subplot _ adjust height或 hspace

当我们处理支线剧情时，我们必须在图形区域绘制多个支线剧情。有时重叠的问题开始出现，为了避免这种情况，我们需要调整高度。

调节高度的方式:

• 使用 tight_layout()函数
• 使用 subplots_adjust()函数
• 使用 subplot_tool()函数

使用 tight_layout()函数

tight_layout() 函数自动调整支线剧情之间空白(称为填充)的高度。

语法如下:

matplotlib.pyplot.tight_layout()

我们借助一个例子来理解一下:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [1,2,3]
y1= [5,6,9]

x2= [5,10,20]
y2= [6,12,15]

x3= [2,5,6]
y3= [3,6,9]

x4= [7,8,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

fig.tight_layout()
plt.show()

tight_layout()

从上面的例子中，我们可以得出结论，通过使用 tight_layout()函数，支线剧情之间的高度空间是精确的。

使用支线剧情 _ 调整()函数

支线剧情 _adjust() 函数改变支线剧情之间的间距。通过使用参数 hspace，我们可以调整支线剧情之间的填充高度。

其语法如下:

matplotlib.pyplot.subplots_adjust(hspace=None) 

让我们借助一个例子来理解这一点:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [1,2,3]
y1= [5,6,9]

x2= [5,10,20]
y2= [6,12,15]

x3= [2,5,6]
y3= [3,6,9]

x4= [7,8,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

fig.subplots_adjust(hspace=0.9)
plt.show()

subplots_adjust()

从上面的例子中，我们得出结论，通过使用 subplots_adjust()函数，我们可以调整填充的高度。

阅读在 Python 中添加文本到绘图 matplotlib

使用 subplot_tool()函数

subplot_tool() 方法提供了一个滑块来调整 subplot 的高度。这是一个交互式工具，用户可以根据自己的需要来调整高度。

上面的语法:

matplotlib.pyplot.subplot_tool()

我们借助一个例子来理解一下:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

x1= [1,2,3]
y1= [5,6,9]

x2= [5,10,20]
y2= [6,12,15]

x3= [2,5,6]
y3= [3,6,9]

x4= [7,8,15]
y4= [6,12,18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

plt.subplot_tool()
plt.show()

subplot_tools()

在上面的例子中，我们可以拖动滑块来调整图形区域中支线剧情的高度。

阅读:什么是 matplotlib 内联

【Matplotlib 支线剧情 _ 调整人物尺寸

正如我们已经研究过的，通过使用函数 subplots() 我们可以在同一个图形区域内创建多个图形。但是异常发生支线剧情方法只创建相同大小的支线剧情或者自动调整大小。

现在问题来了！如果我们想在区域内创建不同大小的支线剧情，该怎么做。

万岁！对于这个问题，我们有一个解决方案。所以我们来学学吧。

用于使用 add_gridspec() 方法根据您的选择改变同一图形区域内支线剧情的大小。如果我们想改变多个支线剧情的大小，这是一个强大的解决方案，但是创建多个相同大小的支线剧情需要时间。

• 在这个方法中，我们已经定义了想要创建情节的位置，并且还单独指定了每个子情节。
• 我们必须指定网格的行数和列数作为 add_gridspec() 方法的输入参数。
• 网格大小初始化后，我们可以通过改变 add_subplot() 函数中的输入坐标，根据你的相关性调整大小。
• 我们在 sub_plot() 方法中作为参数输入的坐标轴坐标指定了绘图的初始和最终位置(即行和列)。

要指定绘图的初始和最终位置，您应该了解一些索引和切片知识。

提示！不要使用 add_gridspec()来创建相同大小的支线剧情。

那么，我们借助一个例子来理解:

# Importing Libraries.

import matplotlib.pyplot as plt

# .figure() method is used to plot a fig and parameter constrained_layout=True is used to plot figure nicely distributed.

fig = plt.figure(constrained_layout=True)

# Creating the subplots with .add_gridspec().

ax = fig.add_gridspec(3, 3)

# .add_subplot() shows initial and final position of the plot.

ax1 = fig.add_subplot(ax[0, 0:1])   # Plot is located in the first row and has a width of 1/3 of the entire gride.

ax1.set_title('[0, 0:1]')

ax1 = fig.add_subplot(ax[0:, -1])   # Plot is located in one column wide but has a height of entire grid.

ax1.set_title('[0:, -1]')

ax1 = fig.add_subplot(ax[2:, 0:2])  # Plot is located in last three rows and first two columns.

ax1.set_title('[2:, 0:2]')

# Display the Plot
plt.show()

下面是上面代码的输出。

add_gridspec() method output

在上面的例子中，我们已经得出结论，通过使用 add_gridspec()方法，我们可以根据您的偏好改变图形区域中多个子情节的大小。

结论！改变图形尺寸的步骤:

• 用 add_gridspec() 方法创建支线剧情，并指定它们的分布。
• 使用 add_subplot() 方法指定子情节的起始和结束位置。
• 使用切片和索引来指定子情节在区域中的位置。

阅读: Python 使用 Matplotlib 绘制多条线

Matplotlib subplot _ adjustwidth 或 wspace

当我们处理支线剧情时，我们必须在图形区域绘制多个支线剧情。有时重叠的问题开始出现，为了避免这种情况，我们需要调整宽度。

调整 wspace 的方法:

• 使用 tight_layout()函数
• 使用 subplots_adjust()函数
• 使用 subplot_tool()函数

使用 tight_layout()函数

tight_layout() 函数根据需要自动调整子情节之间的填充宽度。这意味着带有图形区域的子情节之间的空白宽度是可调的。

语法如下:

matplotlib.pyplot.tight_layout()

我们借助一个例子来理解一下:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

fig.tight_layout()
plt.show()

tight_layout()

从上面的例子中，我们得出结论，通过使用 tight_layout()方法，子情节之间的填充空间或宽度是精确的，没有任何重叠。

使用 subplots_adjust()函数

支线剧情 _adjust() 方法改变支线剧情之间的间距。通过使用参数 wspace，我们可以调整子情节之间的空白宽度(称为填充)。有时我们也称 wspace 为支线剧情的宽度。

其语法如下:

matplotlib.pyplot.subplots_adjust(wspace=None)

让我们借助一个例子来理解这一点:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

fig.subplots_adjust(wspace=10)
plt.show()

subplots_adjust(wspace=None)

从上面的例子中，我们得出结论，通过使用 subplots_adjust() 方法，我们可以调整一个区域内子情节之间的填充宽度。

使用 subplot_tool()函数

subplot_tool() 函数提供了一个滑块来调整 subplot 宽度或 wspace。这是一种交互式的方式来调整支线剧情的宽度。用户可以拖动 wspace 栏来调整支线剧情的宽度。

上面的语法:

matplotlib.pyplot.subplot_tool()

我们借助一个例子来理解一下:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

plt.subplot_tool()
plt.show()

Subplot_tool()

在上面的例子中，我们必须点击滑块来调整支线剧情的宽度。

阅读: Matplotlib 绘制一条线

Matplotlib subplot _ adjust bottom

当我们处理支线剧情时，我们必须在图形区域绘制多个图形。有时重叠的问题开始出现。我们遇到一个问题，刻度线标签或 x 轴标签在一个区域中的另一个子图的刻度线和轴标签上飘动或溢出。为了解决这个问题，我们必须调整底部边距。

底部调整方式:

• 使用 tight_layout()方法
• 使用 subplots_adjust()方法
• 使用 subplot_tool()方法

使用 tight_layout()方法

tight_layout() 函数自动调整支线剧情之间的下边距。我们也可以说它自动为刻度标签或 x 轴标签创建了一个空间。

语法如下:

matplotlib.pyplot.tight_layout()

我们用一个例子来理解这个概念:

# Import Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [2,4,6]
y1= [3,6,9]

x2= [5,10.9,15]
y2= [6,12,18]

x3= [2,4.5,6]
y3= [3,6,9]

x4= [5,10]
y4= [6,12]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

ax[0, 0].set_title("Graph 1 ")
ax[0, 1].set_title("Graph 2")
ax[1, 0].set_title("Graph 3")
ax[1, 1].set_title("Graph 4")

fig.tight_layout()

plt.show()

tight_layout()

从上面的例子中，我们得出结论，通过使用 tight_layout()函数，底部边距自动增加以避免重叠。

使用 subplots_adjust()方法

支线剧情 _adjust() 方法改变支线剧情之间的间距。通过使用参数 bottom，我们可以调整支线剧情的下边距。默认情况下，底部的值为 0.1。我们必须增加这个值来增加下边距的大小。

语法如下:

matplotlib.pyplot.subplots_adjust(bottom=None)

让我们借助一个例子来理解这一点:

# Import Libraries

import numpy as np
import matplotlib.pyplot as plt

x = [2,4,6,8,10]
y = [5,10,15,20,25]

fig = plt.figure()
ax = fig.subplots()

ax.plot(x, y)

fig.subplots_adjust(bottom = 0.2)

fig.show() 

subplots_adjust()

从上面的例子中，我们可以得出结论，通过使用 subplots_adjust()方法，我们可以增加或减少图形区域底部边距的大小。

使用 subplot_tool()方法

subplot_tool() 函数提供了一种交互式的方式来调整支线剧情的下边距。这个方法提供了一个滑块来调整子情节的下边距。用户可以拖动底部的条来调整支线剧情的空白空间。

上面的语法:

matplotlib.pyplot.suplot_tool()

我们借助一个例子来理解一下:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

plt.subplot_tool()
plt.show()

subplot_tool()

在上面的例子中，我们必须点击滑块来调整副情节底部的参数。

阅读:如何安装 matplotlib python

Matplotlib subplot _ adjust Right

当我们处理支线剧情时，我们必须在图形区域绘制多个支线剧情。有时重叠的问题开始出现，为了避免这种情况，我们需要调整。

为了在一个区域中完美地放置支线剧情，我们必须增加右边距，这样人物可以调整而不会抖动，为了给图例腾出空间，我们必须减小右边距的大小。

向右调整的方式:

• 使用 tight_layout()函数
• 使用 subplots_adjust()函数
• 使用 subplot_tool()函数

使用 tight_layout()函数

tight_layout() 函数自动调整支线剧情之间右边距的大小。在没有任何用户界面的情况下，这种方法完美的设计了包含多个支线剧情的人物区域。

其语法如下:

matplotlib.pyplot.tight_layout()

我们借助一个例子来理解一下:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

fig.tight_layout()
plt.show()

tight_layout()

从上面的例子中，我们得出结论，通过使用 tight_layout()方法，支线剧情之间的右边距变得完美。

使用 subplots_adjust()函数

支线剧情 _adjust() 方法改变支线剧情之间的间距。通过使用参数 right，我们可以从右侧调整边距大小。默认情况下，右侧参数的值为 0.9。我们必须根据需要增加或减少它。

其语法如下:

matplotlib.pyplot.subplots_adjust(right=None)

让我们借助一个例子来理解这个概念:

# Import Libraries

import numpy as np
import matplotlib.pyplot as plt

x = [2,4,6,8,10]
y = [5,10,15,6.3,25]

fig = plt.figure()
ax = fig.subplots()

ax.plot(x, y)

fig.subplots_adjust(right = 0.9)

fig.show() 

subplots_adjust()

从上面的代码示例中，我们得出结论，通过使用 subplots_adjust()方法，我们可以调整 subplots 的右边距。

使用 subplot_tool()函数

subplot_tool() 函数提供了一个滑块来调整 subplot 的右边距。这是一种改善支线剧情右边空白的互动方式。用户必须拖动右边栏来调整右边距。

上面的语法:

matplotlib.pyplot.subplot_tool()

我们借助一个例子来理解一下:

# Importing Libraries

import numpy as np
import matplotlib.pyplot as plt

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4,y4)

plt.subplot_tool()
plt.show()

subplot_tool()

在上面的例子中，我们必须点击滑块来调整子情节右边的参数来调整边距。

Read: modulenotfounderror:没有名为“matplotlib”的模块

Matplotlib subplot_adjust 不起作用

不要在我们无法完成你的任务的条件下工作。我们也可以说，在编码中出现错误或一些障碍，而你没有得到想要的输出。

由于运行时错误或语法错误，出现了无法工作的情况。

我们来讨论一些常见的，不工作的情况:

错误#1

如果您遇到这种错误:

• 检查 libaraires 是否是进口的。
• 检查您是否将“plt”作为任何导入库的昵称

错误#2

如果您遇到这种错误:

大多数程序员都会犯这个错误。这是一个很常见的语法错误。

• 注意属性名是subplot_adjust不是 subplot _ adjust。注意这样的错误。

错误#3

如果你遇到这样的错误，你将无法得到滑块来调整支线剧情参数。

• 记住子情节 _ 工具是 plt 的属性。所以纠正这个对象名。

错误#4

如果您遇到这样的错误:

• 顶部的默认值为 0.9 ，底部的默认值为 0.1 。要消除此错误，请注意底部值应小于或等于顶部值。

你可能也喜欢读下面的文章。

• Matplotlib 测井记录图
• 水平线 matplotlib
• Matplotlib 散点图图例
• Matplotlib 多条形图
• 将图例放在绘图 matplotlib 之外

在本 Python 教程中，我们已经讨论了" Matplotlib subplot_adjust "并且还介绍了一些与之相关的例子。我们在本教程中讨论了以下主题。

• Matplotlib 子情节 _adjust
• Matplotlib 子情节 _ 调整紧密度 _ 布局
• Matplotlib 子图 _ 调整间距
• Matplotlib 子图 _ 调整高度和空间
• Matplotlib 子图 _ 调整图形大小
• Matplotlib 子图 _adjust width 和 wspace
• Matplotlib 子情节 _ 调整底部
• Matplotlib 子情节 _ 右调整
• Matplotlib subplots_adjust 不起作用

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/

Python Matplotlib tick_params + 29 示例

原文：https://pythonguides.com/matplotlib-tick-params/

在本 Python Matplotlib 教程中，我们将讨论 python 中的 Matplotlib tick_params。这里我们将介绍使用 matplotlib 与 tick_params 相关的不同示例。我们还将讨论以下主题:

• Matplotlib tick_params
• Matplotlib tick_params 字体大小
• Matplotlib tick_params 颜色
• Matplotlib tick_params 旋转
• Matplotlib tick_params 标签颜色
• Matplotlib tick_params 颜色
• Matplotlib tick_params direction
• Matplotlib tick_params 长度
• Matplotlib tick_params 宽度
• Matplotlib tick_params pad
• Matplotlib tick_params zorder
• Matplotlib tick_params right
• Matplotlib tick_params left
• Matplotlib tick_params top
• Matplotlib tick_params bottom
• Matplotlib tick_params 标签底部
• Matplotlib tick_params 标签顶部
• Matplotlib tick_params 标签左侧
• Matplotlib tick_params 标签右侧
• Matplotlib tick_params grid color
• Matplotlib tick_params grid alpha
• Matplotlib tick_params 网格线宽
• Matplotlib tick_params grid linestyle
• Matplotlib tick_params which
• Matplotlib set_tick_params
• Matplotlib 子图 tick_params
• Matplotlib 颜色条 tick_params
• Matplotlib tick_params 显示全部
• matplotlib tick _ params tick _ params 自定义刻度样式

目录

• Matplotlib tick_params
• Matplotlib tick_params 字体大小
• Matplotlib tick _ params color
• Matplotlib tick_params 旋转
• Matplotlib tick_params 标签颜色
• Matplotlib tick _ params colors
• Matplotlib tick_params 方向
• Matplotlib tick_params 长度
• Matplotlib tick_params 宽度
• Matplotlib tick_params pad
• Matplotlib tick_params zorder
• Matplotlib tick _ params right
• Matplotlib tick _ params left
• Matplotlib tick_params top
• Matplotlib tick _ params bottom
• Matplotlib tick_params 标签底部
• Matplotlib tick _ params label top
• Matplotlib tick _ params label left
• Matplotlib tick_params 标签右
• Matplotlib tick_params 网格颜色
• Matplotlib tick _ params grid alpha
• Matplotlib tick_params 网格线宽
• Matplotlib tick_params grid linestyle
• Matplotlib tick_params 其中
• Matplotlib set _ tick _ params
• Matplotlib 子图 tick_params
• Matplotlib 彩色 tick_params
• Matplotlib tick_params 显示全部
• Matplotlib tick_params 自定义刻度样式

Matplotlib tick_params

在本节中，我们将学习 Python 中 matplotlib 中的 tick_params 。 tick_params() 方法用于改变刻度、刻度标签和网格线的外观。

语法如下:

matplotlib.pyplot.tick_params(axis='both',**kwargs)

以下是上面使用的参数:

| 参数 | 值 | 描述 |
| 轴 | ' x '，' y '，'两者' | 指定要将参数应用到哪个轴。 |
| 哪个 | 大调'，'小调'，'两者' | 应用参数的刻度组。 |
| 重置 | 弯曲件 | 是否重置刻度。 |
| 方向 | '输入'，'输出'，'输入' | 指定放置记号的方向。 |
| 长度 | 漂浮物 | 指定刻度长度。 |
| 宽度 | 漂浮物 | 指定记号宽度。 |
| 颜色 | 颜色 | 指定刻度颜色。 |
| 衬垫 | 漂浮物 | 指定记号和标签之间的距离。 |
| 标签尺寸 | 浮点型或字符串型 | 指定刻度标签的字体大小。 |
| 标签色 | 颜色 | 指定刻度标签的颜色。 |
| 颜色；色彩；色调 | 颜色 | 指定记号和记号标签的颜色。 |
| 更糟 | 漂浮物 | 指定刻度和标签。 |
| 底部、顶部、左侧、右侧 | 弯曲件 | 指定是否绘制相应的记号。 |
| 标签底部、标签顶部、标签左侧、标签右侧 | 弯曲件 | 指定是否绘制相应的刻度标签。 |
| 标签旋转 | 漂浮物 | 指定刻度标签的旋转。 |
| 网格颜色 | 颜色 | 指定网格线的颜色。 |
| 网格 _alpha | 漂浮物 | 指定网格线的透明度。 |
| 网格 _ 线宽 | 漂浮物 | 以磅为单位指定网格线的宽度。 |
| 网格 _ 线条样式 | 潜艇用热中子反应堆（submarine thermal reactor 的缩写） | 任何有效的二维线条样式。 |

示例:默认绘图

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 20, 0.2)
y = np.sin(x)

**# Plotting** 
plt.plot(x, y)

**# Add label** 
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# Visualize** 
plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 包，并定义了绘图的数据坐标。
• 之后，使用 plt.plot() 方法在 x 和 y 之间画一条线。
• plt.xlabel() 和 plt.ylabel() 方法分别用于设置 x 轴和 y 轴标签。
• 使用 plt.show() 函数显示图形。

举例:用 tick_params()函数

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 20, 0.2)
y = np.sin(x)

**# Plotting** 
plt.plot(x, y)

**# Add label** 
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_param** 
plt.tick_params(axis='x', direction='in')

**# Display**

plt.show()

为了改变 x 记号的外观，在上面的例子中，轴和方向参数被传递给 tick_params() 方法。我们将 x 轴刻度的方向向内反转。

plt.tick_params()

阅读 Python 使用 Matplotlib 绘制多行

Matplotlib tick_params 字体大小

在本节中，我们将学习如何在 Matplotlib tick_params 中更改刻度标签的字体大小。 labelsize 参数用于改变标签的字体大小。

下面是改变标签字体大小的语法:

matplotlib.pyplot.tick_params(axis= , labelszie= )

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 50, 0.8)
y = np.tan(x)

**# Plotting** 
plt.plot(x, y)

**# Add label** 
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params fontsize** 
plt.tick_params(axis='both', labelsize=15)

**# Visualize** 
plt.show()

在这个例子中， labelsize 参数被传递给 tick_params() 方法来改变标签的字体大小。

plt.tick_params(labelsize=)

让我们再看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 50, 0.8)
y = np.tan(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params fontsize** 
plt.tick_params(axis='y', labelsize='xx-large')

**# Visualize**

plt.show()

为了改变标签的字体大小，在示例中， labelsize 和轴参数被传递给 tick_params() 方法。这里我们将 xx-large 和 y 轴作为一个值传递。

xx-large y-axis label

读取 Matplotlib 绘制一条线

Matplotlib tick _ params color

在本节中，我们将学习如何修改 Matplotlib 刻度的颜色。我们使用 color 参数来定制它的颜色。

下面是修改刻度颜色的语法:

matplotlib.pyplot.tick_params(axis= , color= )

例#1:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4]
y = [3, 6, 9, 12, 15]

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params color** 
plt.tick_params(axis='both', color='red')

**# Visualize**

plt.show()

为了改变这两个记号的颜色，我们将轴和颜色参数传递给上面示例中的 tick_params() 方法。我们已经把颜色改成了红色。

“Modified color of ticks”

例#2 :

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 50, 0.8)
y = np.sin(x)

**# Plotting** 
plt.plot(x, y)

**# Add label** 
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params color** 
plt.tick_params(axis='x', color='b')

**# Visualize** 
plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 包。
• 下一步是定义数据和创建图表。
• plt.xlabel() 和 plt.ylabel() 方法用于创建 x 轴和 y 轴标签。
• 要更改 x 轴刻度的颜色，请使用 plt.tick_params() 方法。我们将轴和颜色作为参数，分别设置它们的值为 x 和蓝色。

“Modify x-axis tick color to blue”

读取 Matplotlib 改变背景颜色

Matplotlib tick_params 旋转

我们学习如何在 matplotlib 中旋转标签。我们可以选择任何角度放置标签。

以下是旋转标签的语法:

matplotlib.pyplot.tick_params(axis= , labelrotation= )

我们来看一个例子:

为了旋转标签，我们使用了 tick_params() 函数。将轴和标签旋转作为参数，分别设置其值为 y 和 90 度。

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.random.randint(450,size=(80))
y = np.random.randint(260, size=(80))

**# Plotting**

plt.scatter(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params rotation**

plt.tick_params(axis='y', labelrotation=90)

**# Visualize**

plt.show()

“Label Rotation 90 Degrees”

读取 Matplotlib 散点标记

Matplotlib tick_params 标签颜色

我们将学习如何在 Python 的 Matplotlib 中改变刻度标签的颜色。为了改变颜色，我们将 labelcolor 作为参数传递。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.random.randint(low=0, high=30, size=15)
y = np.random.randint(low=0, high=30, size=15)

**# Plotting**

plt.scatter(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params labelcolor**

plt.tick_params(axis='both', labelcolor='red')

**# Visualize**

plt.show()

• 在上面的例子中，我们使用 random.randint() 函数来定义数据，使用 scatter() 函数来绘制它们之间的图形。
• 然后使用带有 labelcolor 参数的 tick_params() 方法将标签的颜色改为红色。

plt.tick_params()

我们再来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [0, 3, 1.5, 4, 2.8, 5]

**# Plotting** 
plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params labelcolor**

plt.tick_params(axis='x', labelcolor='g')
plt.tick_params(axis='y', labelcolor='m')

**# Visualize**

plt.show()

这里我们通过使用 tick_paramas() 函数来修改 x 轴和 y 轴的颜色。我们为 x 轴标签设置了绿色，为 y 轴标签设置了洋红色。

Labelcolor

读取 Matplotlib 虚线

Matplotlib tick _ params colors

我们将学习如何在 matplotlib 中改变刻度和刻度标签的颜色。

语法如下:

matplotlib.pyplot.tick_params(axis = , colors = )

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 100, 0.8)
y = np.cos(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params colors**

plt.tick_params(axis='x', colors ='r')

**# Visualize**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 之后，我们使用 arange() 和 cos() 函数来定义数据。
• 要绘制 x 和 y 数据坐标之间的图形，使用 plt.plot() 方法。
• xlabel() 和 ylabel() 函数用于给轴添加标签。
• plt.tick_params() 函数用于改变刻度和刻度标签的颜色。

plt.tick_params(colors=None)

读取 Matplotlib plot_date

Matplotlib tick_params 方向

我们将学习如何改变 Matplotlib 记号的方向。我们必须通过方向作为参数来改变方向。

语法如下:

matplotlib.pyplot.tick_params(axis= , direction= )

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [0, 3, 1.5, 4, 2.8, 5]

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params direction**

plt.tick_params(axis='both', direction='inout')

**# Visualize**

plt.show()

在上面的例子中，我们使用 plt.tick_params() 方法来改变分笔成交点的方向，我们将方向作为参数传递，并将其值设置为 inout 。

InOut Direction

读取 Matplotlib 日志日志图

Matplotlib tick_params 长度

我们将看看如何在 Matplotlib 中改变刻度的长度。要更改长度，需要将长度参数传递给 tick_params() 方法。

以下是改变刻度长度的语法:

matplotlib.pyplot.tick_params(axis , length )

轴由轴指定，而刻度的长度由长度指定。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 100, 0.8)
y = np.exp(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params length**

plt.tick_params(axis='x', length=15)

**# Visualize**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 arange() 和 exp() 函数来定义数据。
• 要绘制图形，请使用 plt.plot() 方法。
• 要给 x 轴和 y 轴添加标签，分别使用 plt.xlabel() 和 plt.ylabel() 方法。
• plt.tick_params() 带参数 length 的方法用于改变刻度的长度。

plt.tick_params(length)

这里我们改变 x 轴刻度的长度。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4]
y = [1, 2, 3, 4, 5]

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params length**

plt.tick_params(axis='both', length=25)

**# Visualize**

plt.show()

这里我们要改变两个轴记号的长度。我们将其值设置为 25。

读取Matplotlib subplots _ adjust

Matplotlib tick_params 宽度

我们将看看如何改变 Matplotlib 记号的宽度。为了改变宽度，将宽度参数传递给 tick_params() 方法。

以下是改变刻度宽度的语法:

matplotlib.pyplot.tick_params(axis , width)

轴由轴指定，而刻度的宽度由宽度指定。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(100)
y = np.sin(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params width**

plt.tick_params(axis='x', width=15)

**# Visualize**

plt.show()

• 在上面的例子中，我们首先导入 numpy 和 matplotlib.pyplot 库。
• 接下来我们定义，数据使用 arange() ， sin() 的方法。
• 然后我们使用 plot() 方法绘制数据。
• 带有宽度参数的 plt.tick_params() 方法用于改变 x 轴刻度的宽度。

plt.tick_params(axis = ‘x’ , width = 15)

读取 Matplotlib 最佳拟合线

Matplotlib tick_params pad

在本节中，我们将了解如何在 Python matplotlib 中的记号和记号标签之间添加空格。为了增加空间，将 pad 参数传递给 tick_params() 方法。

以下是语法:

matplotlib.pyplot.tick_params(axis , pad)

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x=np.linspace(0,10,15)
y= np.cos(2 * np.pi * x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params pad**

plt.tick_params(axis='x', pad=26)

**# Visualize** 
plt.show()

在上面的例子中，我们使用 plt.tick_params() 方法在刻度和刻度标签之间添加空格，为此我们必须将 pad 作为参数传递。

Padding

阅读 Matplotlib 支线剧情教程

Matplotlib tick_params zorder

面片、线、文本中轴的默认绘制顺序。顺序由 zorder 属性决定。我们可以通过设置 zorder 来改变顺序。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.random.random(20)
y = np.random.random(20)

**# Plotting**

plt.plot(x, y, 'C3', zorder=1, lw=3)
plt.scatter(x, y, s=120, zorder=2)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params**

plt.tick_params(axis='both', direction="inout", length=8, width=4, color="m")

**# Visualize**

plt.show()

这里我们将 zorder 参数传递给 plot() 和 scatter() 方法。并且我们将轴，方向，长度，宽度，颜色参数传递给 tick_params() 方法。

plt.tick_params()

阅读 Matplotlib 绘图条形图

Matplotlib tick _ params right

我们将学习如何在 Matplotlib 中的图表右边打勾。默认情况下，记号将被添加到左侧和底部轴上。我们可以在 matplotlib 中独立地打开和关闭刻度。

下面是在右侧添加刻度的语法:

matplotlib.pyplot.tick_params(right=True)

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x=np.linspace(0,10,15)
y= np.cos(2 * np.pi * x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params right**

plt.tick_params(right=True)

**# Visualize**

plt.show()

• 在上面的例子中，我们首先导入 numpy 和 matplotlib.pyplot 库。
• 接下来，我们使用 linspace() 、 cos() 和 pi() 方法定义数据。
• 然后我们使用 plot() 方法绘制数据。
• 带右参数的 plt.tick_params() 方法用于在绘图轴右侧添加刻度。

Ticks at Right Side Of the Plot

阅读什么是 matplotlib 内联

Matplotlib tick _ params left

默认情况下，刻度将显示在图的左轴和底轴上。我们将学习如何关闭左轴上的刻度。默认情况下，左边的值为 True。

以下是语法:

matplotlib.pyplot.tick_params(left=False)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4]
y = [1, 2, 3, 4, 5]

**# Plot Bar**

plt.bar(x, y, color='g')

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params left**

plt.tick_params(left=False)

**# Visualize**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 plt.bar() 方法定义数据并绘制条形图。
• 要给 x 轴和 y 轴添加标签，分别使用 plt.xlabel() 和 plt.ylabel() 方法。
• plt.tick_params() 带参数 bottom 的方法用于关闭左轴刻度。我们赋予它一个假值。

bottom=False

阅读 Matplotlib 另存为 pdf

Matplotlib tick_params top

我们将学习如何在 Python matplotlib 中在图表顶部打勾。默认情况下，记号将被添加到左侧和底部轴上。我们可以在 matplotlib 中独立地打开和关闭刻度。

下面是在顶部添加刻度的语法:

matplotlib.pyplot.tick_params(top=True)

我们来看一个例子:

**# Import**

import matplotlib.pyplot as plt

**# Define Data**

x = [1, 2, 3, 4, 5]
y = [5, 10, 15, 20, 25]

**# Scatter Plot**

plt.scatter(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params top**

plt.tick_params(top=True, length=15, axis='x')

**# Display**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 plt.scatter() 方法定义数据并绘制散点图。
• 为了给 x 轴和 y 轴添加标签，我们分别使用了 plt.xlabel() 和 plt.ylabel() 方法。
• 带参数 top 的 plt.tick_params() 方法用于显示坐标轴顶部的刻度。我们赋予它一个真值。
• 我们还传递了轴和长度参数，并分别设置它们的值 x 和 15 。

“Ticks On The Top Of Axis”

读取 Matplotlib 标题字体大小

Matplotlib tick _ params bottom

默认情况下，在 Matplotlib 中，记号将显示在绘图的左轴和底轴上。我们将学习如何关闭底部轴的刻度。默认情况下，底部的值为 True。

以下是语法:

matplotlib.pyplot.tick_params(bottom=False)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [0, 3, 1.5, 4, 2.8, 5]

**# Plot**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params bottom**

plt.tick_params(bottom=False)

**# Visualize**

plt.show()

在上面的例子中，我们使用了 plt.tick_params() 方法来关闭绘图底部轴的刻度，我们将底部作为一个参数传递，并为它们分配 false 值。

bottom=False

读取 Matplotlib 默认图形尺寸

Matplotlib tick_params 标签底部

默认情况下，在 Python matplotlib 中，刻度标签将显示在绘图的左轴和底轴上。我们将学习如何关闭底部轴的刻度标签。默认情况下，底部的值为 True。

以下是语法:

matplotlib.pyplot.tick_params(labelbottom=False)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 50, 0.8)
y = np.tan(x)

**# Plot**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params labelbottom**

plt.tick_params(labelbottom=False)

**# Visualize**

plt.show()

• 在上面的例子中，我们首先导入 numpy 和 matplotlib.pyplot 库。
• 接下来我们定义，数据使用【arange()】，【tan()的方法。
• 然后我们使用 plot() 方法绘制数据。
• 带有标签底部参数的 plt.tick_params() 方法用于关闭底部坐标轴的标签。

labelbottom=False

读取 Matplotlib savefig 空白图像

Matplotlib tick _ params label top

我们将学习如何在 Python 的 Matplotlib 中在图表顶部放置一个刻度标签。默认情况下，标签将添加到左侧和底部轴。我们可以在 matplotlib 中独立地打开和关闭刻度。

以下是语法:

matplotlib.pyplot.tick_params(labeltop=True)

举例:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 50, 0.8)
y = np.tan(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params label**

plt.tick_params(labeltop=True)

**# Visualize**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 plt.plot() 方法定义数据并绘制图表。
• 为了给 x 轴和 y 轴添加标签，我们分别使用了 plt.xlabel() 和 plt.ylabel() 方法。
• plt.tick_params() 带参数 labeltop 的方法用于显示坐标轴顶部的 ticklabels。我们赋予它一个真实的值。

labeltop=True

读取 Matplotlib 另存为 png

Matplotlib tick _ params label left

默认情况下，刻度标签将显示在 Matplotlib 图的左侧和底部轴上。我们将学习如何从左轴关闭刻度标签。默认情况下，左侧的值为 True。

以下是语法:

matplotlib.pyplot.tick_params(labelleft=False)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 20, 0.2)
y = np.sin(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params label left**

plt.tick_params(labelleft=False)

**# Visualize**

plt.show()

这里我们使用带有 labelleft 参数的 plt.tick_params() 方法来关闭左轴的标签。

labelleft=False

读取 Matplotlib 条形图标签

Matplotlib tick_params 标签右

我们将学习如何用 Python 在图表的右轴放置一个刻度标签。默认情况下，标签将添加到左侧和底部轴。我们可以在 matplotlib 中独立地打开和关闭刻度。

以下是语法:

matplotlib.pyplot.tick_params(labelright=True)

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [1.5, 3, 5.3, 6, 10, 2]

**# Plotting**

plt.plot(x, y, '-o')

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params label right**

plt.tick_params(labelright=True)

**# Visualize**

plt.show()

这里我们使用带有参数 labelright 的 plt.tick_params() 方法来打开右轴的标签。

plt.tick_params()

阅读在 Python 中添加文本到绘图 matplotlib

Matplotlib tick_params 网格颜色

这里我们将学习如何通过使用 matplotlib 中的 tick_params() 方法来改变 grid_color 。所以，首先你必须知道如何在图表中绘制网格线。使用 grid() 方法绘制网格线。

以下是绘图网格的语法:

matplotlib.pyplot.grid()

现在我们的主要目标是改变网格线的颜色。默认情况下，网格的颜色是白色。为了改变颜色，我们将 grid_color 参数传递给 tick_params 方法。

以下是改变网格颜色的语法:

matplotlib.pyplot.tick_params(grid_color=None)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [1.5, 3, 5.3, 6, 10, 2]

**# Plotting**

plt.plot(x, y, '-o')

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# Turn on grid**

plt.grid()

**# tick_params grid color**

plt.tick_params(grid_color='red')

**# Visualize**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 接下来，我们使用 plt.plot() 方法定义数据并绘制图表。
• 为了给 x 轴和 y 轴添加标签，我们分别使用了 plt.xlabel() 和 plt.ylabel() 方法。
• 为了在绘图中添加网格，我们使用了 plt.grid() 方法。
• plt.tick_params() 方法用参数 grid_color 来改变网格的颜色。

plt.grid()

读取 Matplotlib 绘图误差线

Matplotlib tick _ params grid alpha

在这里，我们将学习如何调整 Matplotlib 网格的透明度。通过使用 grid_alpha 属性，我们可以改变 matplotlib 中绘图的透明度。

默认情况下，alpha 为 1。它的范围在 0 到 1 之间。我们可以通过增加或减少 alpha 值来调整透明度。

以下是语法:

matplotlib.pyplot.tick_params(grid_alpha=0.5)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [1.5, 3, 6.3, 6, 10, 2]

**# Plotting**

plt.plot(x, y, '-o')

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# plot grid**

plt.grid()

**# tick_params alpha**

plt.tick_params(axis='y', grid_color='orange', grid_alpha=0.8)

**# Visualize**

plt.show()

上面我们使用带有轴、网格颜色和网格阿尔法参数的 tick_params() 方法来改变 y 轴网格线的不透明度。

plt.tick_param(grid_alpha)

读取 Matplotlib 移除刻度标签

Matplotlib tick_params 网格线宽

在这里，我们将学习如何修改 Matplotlib 网格的线宽。通过使用 grid_linewidth 属性，我们可以改变绘图的线宽。

以下是语法:

matplotlib.pyplot.tick_params(grid_linewidth=None)

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [1.5, 3, 6.3, 6, 10, 2]

**# Plotting**

plt.plot(x, y, '-o')

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# plot grid**

plt.grid()

**# tick_params linewidth**

plt.tick_params(axis='y', grid_color='orange', grid_alpha=0.8, grid_linewidth=9)

**# Visualize**

plt.show()

• 在上面的例子中，我们将轴作为 y 传递给 tick_params() 方法。我们还传递 grid_color 、 grid_alpha 参数，并将它们的值分别设置为 orange 和 0.8 。
• 我们主要是修改网格线宽，为此，我们将 grid_linewidth 传递给 tick_params() 方法，并将它们的值设置为 9 。

plt.tick_paramss(grid_linewidth=None)

结帐， Matplotlib 旋转刻度标签

Matplotlib tick_params grid linestyle

我们将看看如何在 Python matplotlib 中修改网格线样式。要更改线条样式， grid_linestyle 参数被传递给 tick_params() 方法。

以下是语法:

matplotlib.pyplot.tick_params(grid_linestyle=None)

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.arange(0, 20, 0.2)
y = np.sin(x)

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# plot grid**

plt.grid()

**# tick_params linestyle**

plt.tick_params(axis='both', grid_color='red',grid_linewidth=2, grid_linestyle=':')

**# Visualize**

plt.show()

• 在上面的例子中，我们首先导入 numpy 和 matplotlib.pyplot 库。
• 接下来我们定义，数据使用 arange() ， sin() 方法。
• 然后我们使用 plot() 方法绘制数据。
• plt.grid() 方法用于在绘图中添加网格线。
• plt.tick_params() 带有 grid_linestyle 参数的方法用于改变网格线型。

linestyle=:

读取 Matplotlib x 轴标签

Matplotlib tick_params 其中

有时我们在 Matplotlib 图中既有主要刻度又有次要刻度和刻度标签。此时，我们使用 which 参数，这样我们就可以指定我们希望在哪个刻度和刻度标签上应用变化。

以下是语法:

matplotlib.pyplot.tick_params(axis=None, which=None, ....)

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
from matplotlib.ticker import AutoMinorLocator, FormatStrFormatter

**# Define Data**

x = [0, 1, 2, 3, 4, 5]
y = [1.5, 3, 6.3, 6, 10, 2]

**# Create figure and subplot** 
fig, ax = plt.subplots()

**# Plotting**

plt.plot(x, y, '-o')

**# Minor ticks** 
ax.xaxis.set_minor_locator(AutoMinorLocator())
ax.yaxis.set_minor_locator(AutoMinorLocator())
ax.yaxis.set_minor_formatter(FormatStrFormatter(4))

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params**

plt.tick_params(axis ='both', which ='major', 
               labelsize = 15, pad = 6, 
               colors ='g')

plt.tick_params(axis ='both', which ='minor',
               labelsize = 6, colors ='k')

**# Visualize** 
plt.show()

• 在上面的例子中，我们从 matplotlib 导入了 pyplot 和 ticker 库。
• 接下来，我们定义数据，并使用 plot() 方法在它们之间绘制一个图形。
• 通过使用 set_minor_locator() 和 set_minor_formatter() 方法，我们分别设置了次要刻度的位置和格式。
• plt.tick_params() 使用哪个参数来改变刻度和刻度标签的外观的方法。

tick_params(which=minor)

读取 Matplotlib 多条形图

Matplotlib set _ tick _ params

为了在 matplotlib 的 axis 模块中设置记号、记号标签和网格线的外观参数，我们使用了 set_tick_params() 函数。

以下是语法:

matplotlib.axis.Axis.set_tick_params(self, axis=None, ...)

我们来看一个例子:

**# Import Library** 
import matplotlib.pyplot as plt
import numpy as np

**# Create figure and subplot**

fig,ax = plt.subplots()

**# Define Data**

x = [0, 1, 2, 3, 4]
y = [1, 2, 3, 4, 5]

**# Plotting**

plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# set_tick_params** 

ax.yaxis.set_tick_params(rotation=25, labelsize=12, labelcolor = "r")

**# Visualize**

plt.show()

这里我们使用带有 y 轴的 set_tick_params() 方法，并且我们传递旋转、标签大小和标签颜色参数来改变 ticklabels 的外观。

set_tick_params()

阅读 Matplotlib 散点图图例

Matplotlib 子图 tick_params

这里我们将讨论如何改变 Python Matplotlib 中特定子情节的外观。为此，我们必须使用 tick_params() 方法。

让我们看一个例子来理解这个概念:

**# Importing Libraries**

import numpy as np
import matplotlib.pyplot as plt

**# Define Data**

x1= [0.2, 0.4, 0.6, 0.8, 1]
y1= [0.3, 0.6, 0.8, 0.9, 1.5]

x2= [2, 6, 7, 9, 10]
y2= [3, 4, 6, 9, 12]

x3= [5, 8, 12]
y3= [3, 6, 9]

x4= [7, 8, 15]
y4= [6, 12, 18]

fig, ax = plt.subplots(2, 2)

**# Plot graph**

ax[0, 0].plot(x1, y1)
ax[0, 1].plot(x2, y2)
ax[1, 0].plot(x3, y3)
ax[1, 1].plot(x4, y4)

**# change appearance of specific subplot**

ax[0,1].tick_params(axis='x', labelsize=10, colors='red')
ax[0,1].tick_params(axis='y', length=15, width= 5, color= 'orange' )

**# Display Graph** 
fig.tight_layout()
plt.show()

• 在上面的例子中，我们在一个图形区域中绘制了多个图形，并且我们想要改变特定子图的外观。
• 这里我们使用 tick_params() 方法来改变 tick 和 ticklabels 的外观，并传递不同的参数，如轴、 labelsize 、 color 、 length 、 width 和 color 。

ax.tick_params()

读取 Matplotlib 3D 散点图

Matplotlib 彩色 tick_params

在这一节中，我们将学习如何使用 tick_params() 方法来改变 colorbar 的外观。为此，首先你必须知道我们如何在 Python 中将 colorbar 添加到绘图中。

其语法如下:

matplotlib.pyplot.scatter(x, y, c=None, cmap=None) 
matplotlib.pyplot.colorbar().tick_params()

我们来看一个例子:

**# Import Libraries** 
import matplotlib.pyplot as plt
import numpy as np

**# Define Data**

x = np.array([99,86,88,111,103,87,94,78,77,85,86,23,15])
y = np.array([20,50,200,500,1000,60,90,10,300,600,800,65,12])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

**# Define scatter() function**

plt.scatter(x, y, c=colors, cmap= 'Dark2')

**# colorbar tick_params** 
plt.colorbar().ax.tick_params(axis='both', labelsize=10, colors='red' )

**# Display the graph**

plt.show() 

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 然后我们定义数据并使用带有 camp 参数的 plt.scatter() 方法分别绘制图形和设置颜色图。
• plt.colorbar() 方法用于显示绘图中的色带。
• plt.tick_params() 方法用于改变刻度和刻度标签的外观。

plt.colorbar()

读取堆积条形图 Matplotlib

Matplotlib tick_params 显示全部

我们将学习如何在 Python matplotlib 中将记号和记号标签添加到绘图的所有边上。

我们来看一个例子:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** x = np.arange(100)
y = np.sin(x)

**# Plotting**

plt.plot(x, y)

**# tick_params show all**

plt.tick_params(right=True, top=True, labelright=True, labeltop=True)

**# Visualize**

plt.show()

• 在上面的例子中，我们导入了 matplotlib.pyplot 和 numpy 库。
• 之后，我们使用 numpy 的 arange() 和 sin() 方法定义数据。我们还使用 matplotlib 的 plot() 方法绘制了数据点之间的图形。
• 默认情况下，刻度和刻度标签显示在图的底部和左侧轴上。因此，我们使用带有参数 right 、 top 、 labelright 和 labeltop 的 tick_params() 方法在绘图的所有四个轴上显示刻度和刻度线。

plt.tick_params()

读取 Matplotlib 两个 y 轴

Matplotlib tick_params 自定义 ticks 样式

有时，我们希望通过自定义默认刻度样式来更改绘图的外观。幸运的是，在 matplotlib 中，我们有不同的参数来调整刻度的长度、宽度和颜色。

举例:

**# Import Library**

import matplotlib.pyplot as plt
import numpy as np

**# Define Data** 
x = np.arange(0, 50, 0.8)
y = np.tan(x)

**# Plotting** 
plt.plot(x, y)

**# Add label**

plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')

**# tick_params** 
plt.tick_params(axis='y', direction="in", length=16, width=5, color="g")
plt.tick_params(axis='x', direction="in", length=20, width=8, color="m")

**# Visualize**

plt.show()

这里我们使用 tick_params() 方法，参数长度和宽度以磅为单位，参数颜色为任何有效颜色。

您可能还喜欢:

• 水平线 matplotlib
• 画垂直线 matplotlib

因此，在本 Python 教程中，我们已经讨论了 "Matplotlib tick_params" ，并且我们还涵盖了一些与之相关的示例。这些是我们在本教程中讨论过的以下主题。

• Matplotlib tick_params
• Matplotlib tick_params 字体大小
• Matplotlib tick_params 颜色
• Matplotlib tick_params 旋转
• Matplotlib tick_params 标签颜色
• Matplotlib tick_params 颜色
• Matplotlib tick_params direction
• Matplotlib tick_params 长度
• Matplotlib tick_params 宽度
• Matplotlib tick_params pad
• Matplotlib tick_params zorder
• Matplotlib tick_params right
• Matplotlib tick_params left
• Matplotlib tick_params top
• Matplotlib tick_params bottom
• Matplotlib tick_params 标签底部
• Matplotlib tick_params 标签顶部
• Matplotlib tick_params 标签左侧
• Matplotlib tick_params 标签右侧
• Matplotlib tick_params grid color
• Matplotlib tick_params grid alpha
• Matplotlib tick_params 网格线宽
• Matplotlib tick_params grid linestyle
• Matplotlib tick_params which
• Matplotlib set_tick_params
• Matplotlib 子图 tick_params

Bijay Kumar

Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。

enjoysharepoint.com/