Matplotlib使用(1)
Matplotlib 是Python编程语言的一个绘图库及其数值数学扩展 NumPy。它为利用通用的图形用户界面工具包，如Tkinter, wxPython, Qt或GTK+向应用程序嵌入式绘图提供了面向对象的应用程序接口。
fig, ax = plt.subplots() ax.plot([1, 2, 3, 4], [1, 4, 2, 3])Matplotlib在Figures（窗口）上绘制数据图，每个数据可以包含一个或多个Axes（即，可以根据xy坐标（或极坐标图中的ther-r）指定点的区域） ，或3D图中的xyz等）。使用轴创建图形的最简单方法是使用，pyplot.subplots然后我们可以 Axes.plot在轴上绘制一些数据：
matlab中不用画轴,就像这样
Matlab
m里面也有相似得用法,
接下来看看图形要素
Figure
在整个figure。Figure跟踪所有子Axes，少量“特殊”artists（标题，人物传说等）和画布。（不必太担心画布，这是至关重要的，因为它实际上是绘制对象来获得绘图的对象，但作为用户，您几乎看不见它）。一个图形可以包含任意数量的Axes，但通常至少包含一个。(机翻,有点鬼畜)
创建新图形的最简单方法是使用pyplot：
fig = plt.figure() # an empty figure with no Axes
fig, ax = plt.subplots() # a figure with a single Axes
fig, axs = plt.subplots(2, 2) # a figure with a 2x2 grid of Axes
将轴与图形一起创建很方便，但是以后也可以添加轴，以实现更复杂的轴布局。
Axes
这就是您认为的“绘图”，它是具有数据空间的图像区域。一个给定的图形可以包含许多Axes，但是一个给定的Axes 对象只能位于一个Figure。轴包含两个（或3D情况下为三个） Axis对象（注意轴和Axis之间的差异），这些对象负责数据限制（也可以通过axes.Axes.set_xlim()和 axes.Axes.set_ylim()方法控制数据限制）。每个Axes都有一个标题（通过设置set_title()），一个x标签（通过设置set_xlabel()）和一个y 标签（通过 设置 set_ylabel()）。
的Axes类和它的成员函数是主要的入口点与OO接口工作。
Axis
这些是类似数字线的对象。他们负责设置图形限制并生成刻度（轴上的标记）和刻度标签（标记刻度的字符串）。刻度的位置由Locator对象确定，刻度标签字符串由格式化Formatter。正确Locator和正确的组合可以Formatter很好地控制刻度线的位置和标签。
Artist¶
基本上你可以在图中看到的一切是一个艺术家（甚至 Figure，Axes和Axis对象）。这包括 Text对象，Line2D对象，collections对象，Patch 对象...（您明白了）。绘制图形后，所有艺术家都被绘制到画布上。大多数艺术家都被绑在斧头上。这样的艺术家不能被多个轴共享，也不能从一个轴移动到另一个轴。
使用Matplotlib本质上有两种方法：
显式创建图形和轴，并在其上调用方法（“面向对象（OO）样式”）。
依靠pyplot自动创建和管理图形和轴，并使用pyplot函数进行绘图。
所以可以做到（OO风格）
代码不一样,结果一样,体现了,图包在大方向上绘图得两种方法
对于一些经常要绘制得图,可以考虑函数得方法就像这样:
一旦图形很复杂,这种方法是个不错的选择
性能
无论是以交互方式浏览数据还是以编程方式保存大量绘图，渲染性能都可能成为绘图中的一个痛苦瓶颈。Matplotlib提供了几种方法，以稍微改变绘制外观（达到可设置的公差）为代价，大大减少了渲染时间。减少渲染时间的可用方法取决于所创建绘图的类型。
线段简化
对于具有线段的图（例如，典型的线图，多边形的轮廓等），可以通过文件中的path.simplify和 path.simplify_threshold参数 来控制渲染性能matplotlibrc。该path.simplify参数是一个布尔值，指示是否完全简化了线段。该 path.simplify_threshold参数控制简化的线段数量。阈值越高，渲染越快。
以下脚本将首先显示数据而不进行任何简化，然后以简化方式显示相同的数据。尝试与他们两个进行交互：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.logspace(1, np.log10(50000), 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True
mpl.rcParams['path.simplify_threshold'] = 0.0
plt.plot(y)
plt.show()
mpl.rcParams['path.simplify_threshold'] = 1.0
plt.plot(y)
plt.show()
Matplotlib当前默认为的简化阈值1/9。如果要更改默认设置以使用其他值，则可以更改matplotlibrc 文件。另外，您可以创建一种新样式（用于最大程度简化）进行交互式绘图，并创建另一种样式（用于最小程度进行简化）的出版物质量绘图，并根据需要激活它们。
通过将线段迭代合并为单个矢量，直到下一个线段到矢量的垂直距离（在显示坐标空间中测量）大于该path.simplify_threshold参数，可以简化此工作。
标记简化
标记也可以简化，尽管不如线段健壮。标记简化仅适用于Line2D对象（通过 markevery属性）。无论在哪里 Line2D传递构造参数（例如 matplotlib.pyplot.plot()和） matplotlib.axes.Axes.plot()，markevery 都可以使用该参数：
plt.plot(x, y, markevery=10)
markevery参数允许进行简单的二次采样，或尝试均匀间隔（沿x轴）采样。
将行分成较小的块
什么是后端,就是把你得code翻译出来显示在屏幕上面
如果使用的是Agg后端.则可以使用agg.path.chunksizerc参数。这使您可以指定块的大小，并且任何大于此顶点的线都将被拆分为多行，每行的agg.path.chunksize 顶点数不超过多个。（除非agg.path.chunksize为零，否则将不进行分块。）对于某些类型的数据，将行分块为合理的大小可以大大减少渲染时间。
以下脚本将首先显示没有任何块大小限制的数据，然后显示块大小为10,000的相同数据。当数字很大时，最好看到最大的区别，请尝试最大化GUI并与之交互：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['path.simplify_threshold'] = 1.0
# Setup, and create the data to plot
y = np.random.rand(100000)
y[50000:] *= 2
y[np.logspace(1, np.log10(50000), 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True
mpl.rcParams['agg.path.chunksize'] = 0
plt.plot(y)
plt.show()
mpl.rcParams['agg.path.chunksize'] = 10000
plt.plot(y)
plt.show()
与上面得图一样,但是绘制时间在主观上面确实可以感觉到了差异
传说
轴的默认图例行为会尝试查找覆盖最少数据点（loc='best'）的位置。如果有很多数据点，这可能是非常昂贵的计算。在这种情况下，您可能需要提供一个特定的位置。
使用快速样式
该快速样式可用于自动设置简化和拆分参数合理设置，以加快绘制大量的数据。只需运行以下命令即可使用它：
import matplotlib.style as mplstyle
mplstyle.use('fast')
它的重量很轻，因此可以与其他样式很好地配合，只要确保最后应用快速样式即可，这样其他样式就不会覆盖设置：
mplstyle.use(['dark_background', 'ggplot', 'fast'])
求关注,求转发