本教程旨在使用Matplotlib显示单个可视化的开始，中间和结尾。我们将从一些原始数据开始，最后保存一个自定义可视化图形。在此过程中，我们将尝试使用Matplotlib突出一些简洁的功能和最佳实践。
面向对象的API与Pyplot
Matplotlib有两个接口。第一个是面向对象(OO)接口。在这种情况下，我们利用axes.Axes的实例来渲染图形实例的可视化。
第二种是基于MATLAB并使用基于状态的接口，它封装在pyplot模块中。请参阅pyplot教程，以深入了解pyplot接口。
大多数术语都很简单，但要记住的主要是：
- Figure是可能包含1个或更多轴的最终图像。
- Axes代表一个单独的图(不要将其与“axis”这个词混淆，后者指的是图的x/y轴)。
直接调用从Axes进行绘图的方法，这使我们在定制绘图方面具有更大的灵活性和强大功能。
注意 - 通常，尝试在pyplot接口上使用面向对象的接口。
下面数据它包含许多公司的销售信息。
# sphinx_gallery_thumbnail_number = 10
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import FuncFormatter
data = {'Barton LLC': 109438.50,
'Frami, Hills and Schmidt': 103569.59,
'Fritsch, Russel and Anderson': 112214.71,
'Jerde-Hilpert': 112591.43,
'Keeling LLC': 100934.30,
'Koepp Ltd': 103660.54,
'Kulas Inc': 137351.96,
'Trantow-Barrows': 123381.38,
'White-Trantow': 135841.99,
'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)
这些数据自然可视化为条形图，每组一个条形图。要使用面向对象的方法执行此操作，我们首先生成figure.Figure和axes.Axes的实例。Figure就像一个画布，Axes是画布的一部分，下面我们将在它上面进行特定的可视化。
fig, ax = plt.subplots()
现在有了一个Axes实例，然后就可以在它上面进行绘图。
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
控制样式
Matplotlib中有许多样式可根据需要定制可视化。要查看样式列表，可以使用pyplot.style。
print(plt.style.available)
输出结果如下 -
['seaborn-ticks', 'ggplot', 'dark_background', 'bmh', 'seaborn-poster', 'seaborn-notebook', 'fast', 'seaborn', 'classic', 'Solarize_Light2', 'seaborn-dark', 'seaborn-pastel', 'seaborn-muted', '_classic_test', 'seaborn-paper', 'seaborn-colorblind', 'seaborn-bright', 'seaborn-talk', 'seaborn-dark-palette', 'tableau-colorblind10', 'seaborn-darkgrid', 'seaborn-whitegrid', 'fivethirtyeight', 'grayscale', 'seaborn-white', 'seaborn-deep']
可以使用以下内容激活样式：
plt.style.use('fivethirtyeight')
现在重新制作上面的绘图，看看它输出的样子：
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
样式控制很多东西，比如颜色，线宽，背景等。
自定义绘图
现在已经得到了一个想要的一般外观的绘图，下面对它进行微调，以便它可以打印出来。首先旋转x轴上的标签，使它们更清晰地显示出来。可以使用axes.Axes.get_xticklabels()方法访问这些标签：
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
如果想一次设置多个项的属性，那么可使用pyplot.setp()函数。它将获取Matplotlib对象的列表(或许多列表)，并尝试设置每个对象的一些样式元素。
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
看起来这样会切断底部的一些标签。可以告诉Matplotlib自动创建的图中的元素腾出空间。为此，设置rcParams的autolayout值。
plt.rcParams.update({'figure.autolayout': True})
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
接下来，为绘图添加标签。要使用OO接口执行此操作，可以使用axes.Axes.set()方法设置此Axes对象的属性。
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
title='Company Revenue')
还可以使用pyplot.subplots()函数调整此图的大小。可以用figsize kwarg做到这一点。
虽然NumPy中的索引遵循形式(行，列)，但figsize kwarg遵循形式(宽度，高度)。它遵循可视化中的惯例，遗憾的是它们与线性代数的惯例不同。
fig, ax = plt.subplots(figsize=(8, 4))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
title='Company Revenue')
对于标签，可以使用ticker.FuncFormatter类以函数的形式指定自定义格式。下面将定义一个以整数作为输入的函数，并返回一个字符串作为输出。
def currency(x, pos):
"""The two args are the value and tick position"""
if x >= 1e6:
s = '${:1.1f}M'.format(x*1e-6)
else:
s = '${:1.0f}K'.format(x*1e-3)
return s
formatter = FuncFormatter(currency)
然后可以将此格式化程序应用于绘图上的标签。为此将使用轴的xaxis属性。这使您可以在绘图上对特定轴执行操作。
fig, ax = plt.subplots(figsize=(6, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
title='Company Revenue')
ax.xaxis.set_major_formatter(formatter)
结合多个可视化
可以在同一轴的axes.Axes实例上绘制多个绘图元素。要做到这一点，只需要在该轴对象上调用另一个绘图方法。
fig, ax = plt.subplots(figsize=(8, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
# Add a vertical line, here we set the style in the function call
ax.axvline(group_mean, ls='--', color='r')
# Annotate new companies
for group in [3, 5, 8]:
ax.text(145000, group, "New Company", fontsize=10,
verticalalignment="center")
# Now we'll move our title up since it's getting a little cramped
ax.title.set(y=1.05)
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
title='Company Revenue')
ax.xaxis.set_major_formatter(formatter)
ax.set_xticks([0, 25e3, 50e3, 75e3, 100e3, 125e3])
fig.subplots_adjust(right=.1)
plt.show()
保存绘图
如果对绘图结果感到满意，并希望将其保存到磁盘。可以在Matplotlib中保存许多文件格式。要查看可用选项列表，请使用：
print(fig.canvas.get_supported_filetypes())
输出结果为：
{'ps': 'Postscript', 'eps': 'Encapsulated Postscript', 'pdf': 'Portable Document Format', 'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap', 'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics', 'jpg': 'Joint Photographic Experts Group', 'jpeg': 'Joint Photographic Experts Group', 'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format'}
然后使用figure.Figure.savefig()来将数字保存到磁盘。请注意，将在下面显示几个有用的标志：
transparent = True如果格式支持，则使保存的图形的背景透明。dpi = 80控制输出的分辨率(每平方英寸的点数)。bbox_inches ="tight"符合图中绘图的界限。