本系列文章将记录一些常用的Python第三方库的使用，例如matplotlib,numpy,pandas等来协同完成关于数学建模算法，机器学习等项目的实行。

Note：本人尽量整理相关函数，但是整理的原则是我在使用的过程中感到比较陌生的函数（本人有一定的MATLAB基础）

一. Matplotlib ——可视化常用的第三方库

1. def重定义

通常对于库名进行重定义 ，便于引用

import matplotlib.pyplot as plt

2.plt.grid(*arg) ：绘制网格函数

具体参数有：visible {bool} 表示是否显示网格，参数值状态有False Ture

alpha{float} 表示网格线的可视化程度，取值 0~1，例如：alpha=0.3,表示网格线30%的可见度

which ：网格线有magor 主要的，次要的minor，默认是magor

axis:表示沿着哪一个轴的网格线，default=both(沿着x轴，y轴都有，所以是从横交叉的网格）

linewidth ：网格线的宽度

linestyle ：网格线形式

其中最重要的参数是visible 和 alpha

Demo：

plt.grid(
    visible=True,        # 是否显示网格
    which='major',       # 网格类型：'major'（主网格）、'minor'（次网格）、'both'
    axis='both',         # 坐标轴方向：'both'、'x'、'y'
    alpha=0.3,           # 透明度（0.0-1.0）
    color='gray',        # 网格线颜色
    linestyle='--',      # 线型：'-'实线、'--'虚线、'-.'点划线、':'点线
    linewidth=0.5        # 线宽
)

3.plt.figure(*arg)函数的注意事项

通常plt.figure(10,5)用于桌面上的照片显示，最常用。

参数1：figure_width,单位是inch（英寸），参数二：figure_height,单位Inch

4. plt.tight_layout()

为了确保布局更加紧凑美观，最后在plt.show()之前（该函数一定是最后执行的函数），加一个plt.tight.layout()函数，确保布局紧凑。

5.面向对象编程的思路

在matplotlib里边，最常使用的绘图方式是：面向对象编程，即将整个图片Figure和每一个具体的绘图区域axes,视为操作对象，这样子调用具体的函数更加简单，可读性强，而且可以将关于整个图片Figure的一些属性， 比如：bbox（bounding box）图片边框设置，figsize，DPI，figure_path等等属性，和关于每一个具体的绘图区域axes（axis的复数形式，坐标轴）的属性，比如xlabel,xdisk,title,legend,linestyle,linecolor，等等关于图形相关的属性分开，通常我们进行自定义调参的时候，一般是关于axes的参数。

6. plt.subplot(*arg)

明确Figure和Axes两个参数之后，接下来介绍最常用的绘图方式，尤其是一个Figure里边有很多个子图，具体格式如下：

fig axes =plt.subplot(m,n)

当然，subplot函数还有很多参数，比如constrained_layout {bool} 这个参数很重要，中文是“受限布局”，顾名思义，可以对布局进行限制，使其更加规范，防止重叠现象，有点像plt.tight.layout(),但是二者不一样，可以亲自试一下。

具体使用的Demo:

import matplotlib.pyplot as plt
import numpy as np
import matplotlib

matplotlib.use('TkAgg')
plt.style.use('seaborn-v0_8-bright')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 只用一种字体
plt.rcParams['axes.unicode_minus'] = False

fig1, axes1 = plt.subplots(2, 2, figsize=(10, 8))
for i in range(2):
    for j in range(2):
        axes1[i, j].plot(np.random.rand(10))
        axes1[i, j].set_title(f'非常长的标题 {i},{j} '*3)
        axes1[i, j].set_xlabel('X轴标签')
        axes1[i, j].set_ylabel('Y轴标签')
fig1.suptitle('不使用constrained_layout', fontsize=16)
plt.tight_layout()
plt.show()
#
# 使用constrained_layout
fig2, axes2 = plt.subplots(2, 2, figsize=(10, 8),
                          constrained_layout=True)
for i in range(2):
    for j in range(2):
        axes2[i, j].plot(np.random.rand(10))
        axes2[i, j].set_title(f'非常长的标题 {i},{j} '*3)  #字符串乘法
        axes2[i, j].set_xlabel('X轴标签')
        axes2[i, j].set_ylabel('Y轴标签')
fig2.suptitle('使用constrained_layout', fontsize=16)
plt.tight_layout()
plt.show()

总结：constrained_layut=True时，可以合理规范布局，对于很长的标题或者标签，都不会发生重叠。

7.关于Figure_Save的问题

1.相关函数是：plt.savefig(*arg) 内部参数有很多，但最重要的就是第一个filename{str}参数，其余的都是默认即可，特殊需求可自行查阅文档。

2.当filename只是给figure起一个命名的话，那么会默认保存到当前工作项目目录下，同时可以对保存的格式进行选择，filename.pdf, .png 等等格式

3.若想更换保存路径，也可以自行选择路径，然后赋值给第一个参数即可，save_path常用的设置方法有两种。

第一种：手动搜索目标文件夹的标准硬盘位置 例如：D:\PythonProjects\AnacondaProject1\Matplotlib_Projects\Result，讲标准的硬盘系统路径赋值给save_path，然后再自行加上照片名称和格式即可一同传送给savefig函数。

第二种：使用os第三方库里边的os.mkdir(str)，os.path_join（str）等函数，快速组装起保存的路径，本人整理了一个函数模块，便于进行自定义保存照片。

import os
def save_figure_customed(filename,save_directory='Result\Figures'):
    if not os.path.exists(save_directory):
        os.makedirs(save_directory)
    save_path=os.path.join(save_directory,filename)
    plt.savefig(save_path,bbox_inches='tight)

Note：Os第三方库是专门用来和电脑操作系统交互使用的库，可以用来快速获取文件路径，建立文件夹等操作，需要提前引用进项目当中。

savefig(*arg)函数中的参数bbox_inches='tight',主要是用来保存Figure时裁剪边框的空白，照片会显得更加紧凑。

8. 注意，虽然说最常用的绘图方法是面向对象绘图，但是最后的显示代码，仍然要是

plt.tight.layout()
plt.show()

若仍然适用fig对象操作，照片会闪一下，然后代码执行结束，无法直接观看FIgure。

9.plt.legend(*arg)

图例函数：plt.legend(*arg)，注意参数loc(即 location), loc='upper right'表示将图例添加到右上角，然后若使用plt为对象时，loc=0表示自动寻找最好的位置，但是若使用axes为对象时，没有这个选项，只可以自动添加字符串位置。

10.Axes对象

关于axes对象的绘图属性，提供一个可以实践的Demo：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib
import os

matplotlib.use('TkAgg')
plt.style.use('seaborn-v0_8-bright')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 只用一种字体
plt.rcParams['axes.unicode_minus'] = False
# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(10,5))
# #
# # # 1. 绘制不同类型的数据
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), 'b-', label='sin(x)', linewidth=2)
ax.scatter(x[::10], np.cos(x[::10]), c='red', s=50, label='cos(x)采样点')
ax.fill_between(x, np.sin(x), 0, where=(np.sin(x)>0),
                color='green', alpha=0.3, label='正半轴区域')

plt.legend(loc='upper right')  #参数loc:location位置参数，右上角

plt.legend(loc=0)
plt.show()

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))

# 两个子图绘制相同标签的曲线
line1, = ax1.plot(x, np.sin(x), label='sin(x)')
line2, = ax1.plot(x, np.cos(x), label='cos(x)')
ax2.plot(x, -np.sin(x), label='sin(x)')
ax2.plot(x, -np.cos(x), label='cos(x)')

# 创建统一图例
fig.legend([line1, line2], ['正弦函数', '余弦函数'],
           loc='upper right', ncol=2)
plt.tight_layout()
plt.show()

# 2. 坐标轴控制方法
print("=== Axes对象方法 ===")

# 设置标签
ax.set_xlabel('X轴标签', fontsize=12)
ax.set_ylabel('Y轴标签', fontsize=12)
ax.set_title('坐标轴方法示例', fontsize=14, fontweight='bold')

# 设置坐标轴范围
ax.set_xlim(0, 10)
ax.set_ylim(-1.5, 1.5)

# 设置刻度
ax.set_xticks(np.arange(0, 11, 2))
ax.set_yticks(np.arange(-1.5, 2, 0.5))
ax.tick_params(axis='both', labelsize=10)

# 添加网格
ax.grid(True, which='both', linestyle='--', alpha=0.5)

# 添加图例
ax.legend(loc='upper right', fontsize=10, framealpha=0.9)

# 3. 添加各种图形元素
# 水平线和垂直线
ax.axhline(y=0, color='black', linewidth=0.8, linestyle='-')
ax.axvline(x=5, color='red', linewidth=1, linestyle='--', alpha=0.7)

# 填充区域
ax.axvspan(2, 4, alpha=0.2, color='yellow')
ax.axhspan(-0.5, 0.5, alpha=0.2, color='blue')

# 箭头标注
ax.annotate('最大值点', xy=(np.pi/2, 1), xytext=(4, 1.2),
            arrowprops=dict(arrowstyle='->', color='green'),
            fontsize=10, ha='center')

# 4. 获取坐标轴属性
print(f"X轴范围: {ax.get_xlim()}")
print(f"Y轴范围: {ax.get_ylim()}")
print(f"X轴标签: {ax.get_xlabel()}")
print(f"Y轴标签: {ax.get_ylabel()}")
print(f"标题: {ax.get_title()}")

plt.tight_layout()
plt.show()

10.plt.suptitle(*arg)

plt.suptitle(*arg),最后对于整个figure的一个属性——super title总标题，需要注意的参数是y，

y=1.02，表示距离图形axes的顶部高出2%，y=1，则与图形顶部距离最近，默认是1，y太大，会导致在导出的时候，主标题被“截断”。

11.plt.subplot2grid(*arg)

复杂布局常用函数plt.subplot2grid(*arg),和plt.subplots(*arg),类似，但是更加灵活

plt.subplot2grid(*arg)的参数有：

1.(m,n),表示将整个Figure分成m行n列

2. (m_start,n_start)表示绘制的子图起始的行列数，注意是从0开始的

3. colspan=n,表示span (渲染）n列，4. rowspan=m，表示渲染行，从1开始（因为是数字，不是index表示，所以n就代表n列，m就代表m行，没有所谓的n+1,m+1）

Note：该函数返回值只是一个axes_n参数，没有fig对象，返回的对象是一个不可迭代的对象

Demo:
 

import matplotlib.pyplot as plt
import numpy as np
import os
import matplotlib.gridspec as gridspec
import matplotlib

matplotlib.use('TkAgg')
plt.style.use('seaborn-v0_8-bright')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 只用一种字体
plt.rcParams['axes.unicode_minus'] = False
# 方法1：使用subplot2grid
fig = plt.figure(figsize=(14, 10))

# 创建2x2的网格，但第一个子图占两列
ax1 = plt.subplot2grid((3, 4), (0, 0), colspan=4, rowspan=2)
ax2 = plt.subplot2grid((3, 4), (2, 0), colspan=1)
ax3 = plt.subplot2grid((3, 4), (2, 1), colspan=1)
ax4 = plt.subplot2grid((3, 4), (2, 2), colspan=1)
ax5 = plt.subplot2grid((3, 4), (2, 3), colspan=1)

# 绘制内容
x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x), 'b-', label='主图')
ax1.set_title('主图（占两行四列）')
ax1.legend()
ax1.grid(True)

for i, ax in enumerate([ax2, ax3, ax4, ax5], 1):
    ax.plot(x, np.random.randn(100).cumsum())
    ax.set_title(f'子图{i}')
    ax.grid(True, alpha=0.3)

plt.suptitle('使用subplot2grid的复杂布局', fontsize=16, y=1)
plt.tight_layout()
plt.show()