这一系列文章原载于公众号 工程师milter，如果文章对大家有帮助，恳请大家动手关注下哈~

matplotlib是优秀的python画图工具，功能十分强大，但是使用却很复杂。你有没有如下的经历:

1、图形只差一点点就满足你的要求，可是怎么调 也调不到位

2、好不容易从stackoverflow上查到一个解决方案 ，可使用时却各种调整无法达到预期，或者好不容易搞定了。随便换个图又不好使了

3、网上一下查到好几个方案，不知道到底哪个好，只能一个一个试

4、有时候，想要调整一个地方，可是不知道怎么搜索关键字

如果你有过以上的经历，恭喜，这个教程就是为你量身定做的。这个教程和其他教程有啥区别？答案是：这个教程是从架构的高度来讲解matplotlib的，学完后，你不只是知道了怎么使用matplotlib，更是知道为什么要这样使用。当你脑子中有一个图的模样时，你知道如何组合不同的matplotlib的功能来实现它。

一：matplotlib的编程范式

matplotlib同时支持过程式和面向对象式的使用方法。也就是同一个效果，大部分情况下都有至少两种方法实现。这给初学者造成了很多困惑。所以，我们要先了解这两种方式。

首先看一下过程式的方法：

import numpy as npimport matplotlib.pyplot as pltdef f(t):    return np.exp(-t) * np.cos(2*np.pi*t)t1 = np.arange(0.0, 5.0, 0.1)t2 = np.arange(0.0, 5.0, 0.02)plt.figure(1)plt.subplot(211)plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')plt.subplot(212)plt.plot(t2, np.cos(2*np.pi*t2), 'r--')plt.show()

这段代码的效果如下：

这种风格是典型的matlab风格，也叫基于状态的绘制方法。

另一种就是官方推荐的面向对象的绘制方法。上面的图，用面向对象来写，就是这样的：3

def f(t):    return np.exp(-t) * np.cos(2*np.pi*t)t1 = np.arange(0.0, 5.0, 0.1)t2 = np.arange(0.0, 5.0, 0.02)fig, (ax1, ax2) = plt.subplots(2,1)ax1.plot(t1, f(t1), 'bo', t2, f(t2), 'k')ax2.plot(t2, np.cos(2*np.pi*t2), 'r--')plt.show()

这种风格的好处是绘制对象非常明确。我们这门课程主要是用面向对象的风格，这个也符合matplotlib的最佳实践！

二：figure

matplotlib中最大的概念就是figure，一个figure就是一幅图，可以把它理解成一个有大小的画布。

那么，下面的问题自然是：如何获得一个figure？如何在figure上画图？首先，我们来看看获得一个figure的办法：

fig = plt.figure()

这样就获得了一个figure。在解决如何在figure上画图之前，我们先来观察一下这个fig。既然figure是画布，那么大小如何设置呢？可以这样来设置：

fig.set_figheight(100)fig.set_figwidth(100)

看起来比较直观，但是这里有个巨坑的地方，就是里面的100代表的是英寸！！！如果我想要一个(1200,600)像素的图，该怎么办呢？要达成目标，我们必须了解figure的另一个属性:dpi(dot per inch)。它代表的是每英寸有多少个像素点。默认值是72。我们可以使用如下的三种设置中的一种得到(1200,600)像素的图：

# figsize=(宽，高)figsize=(15,7.5), dpi= 80figsize=(12,6)  , dpi=100figsize=( 8,4)  , dpi=150

看，光是得到一个大小确定的figure就这么麻烦。但这正是matplotlib厉害的地方，高度的可定制性。seaborn等绘图库都只是对matplotlib的封装而已。学会matplotlib，其他的绘图库可以很快学会。

既然fig代表一幅图，如果我们还想继续画一幅图怎么办呢？看如下代码：

fig1 = plt.figure()fig2 = plt.figure()

这里，fig1和fig2代表两个不同的图，这可以通过它们的number属性看出来：

matplotlib内部维护着一个全局的计数，记录了一共创建了多少个figure。

现在我们来总整体上看看figure有哪些属性，执行fig.__dict__可以得到如下内容：

{'_stale': True, 'stale_callback': None, 'figure': None, '_transform': None, '_transformSet': False, '_visible': True, '_animated': False, '_alpha': None, 'clipbox': None, '_clippath': None, '_clipon': True, '_label': '', '_picker': None, '_contains': None, '_rasterized': None, '_agg_filter': None, '_mouseover': False, 'eventson': False, '_oid': 0, '_propobservers': {}, '_remove_method': None, '_url': None, '_gid': None, '_snap': None, '_sketch': None, '_path_effects': [], '_sticky_edges': _XYPair(x=[], y=[]), '_in_layout': True, 'callbacks': <matplotlib.cbook.CallbackRegistry at 0x7f75632e4410>, 'bbox_inches': Bbox([[0.0, 0.0], [6.0, 4.0]]), 'dpi_scale_trans': <matplotlib.transforms.Affine2D at 0x7f75655edc90>, '_dpi': 72.0, 'bbox': <matplotlib.transforms.TransformedBbox at 0x7f75655ed0d0>, 'transFigure': <matplotlib.transforms.BboxTransformTo at 0x7f75655ed090>, 'patch': <matplotlib.patches.Rectangle at 0x7f7563004310>, 'canvas': <matplotlib.backends.backend_agg.FigureCanvasAgg at 0x7f75632e4e10>, '_suptitle': None, 'subplotpars': <matplotlib.figure.SubplotParams at 0x7f75632e4e50>, '_layoutbox': None, '_constrained_layout_pads': {'w_pad': 0.04167,  'h_pad': 0.04167,  'wspace': 0.02,  'hspace': 0.02}, '_constrained': False, '_tight': False, '_tight_parameters': {}, '_axstack': <matplotlib.figure.AxesStack at 0x7f75632e4ed0>, 'suppressComposite': None, 'artists': [], 'lines': [], 'patches': [], 'texts': [], 'images': [], 'legends': [], '_axobservers': [<function matplotlib.backend_bases.FigureManagerBase.__init__.<locals>.notify_axes_change(fig)>], '_cachedRenderer': None, '_align_xlabel_grp': <matplotlib.cbook.Grouper at 0x7f75655edd90>, '_align_ylabel_grp': <matplotlib.cbook.Grouper at 0x7f75632e4090>, '_gridspecs': [], 'number': 1}

属性非常多，主要分为两类，一类是对figure的设置，比如wspace、hspace等。另一类是和figure中画的内容有关，比如lines、texts、legends、artists等。

此时不需要理解全部的属性，只要浏览一遍，有个大致的印象就可以了。