今天我们来了解一下一张图的生命周期，每张图的可视化过程中都经历了什么，以便更深入地理解matplotlib。
Object-Oriented API vs Pyplot
matplotlib有两种接口，第一种是面向对象的接口，它是利用一个figure.Figure实例上的axes.Axes实例来渲染图像的。
第二种是MATLAB风格的接口，被封装在pyplot模块当中。
重点关注两点：
- Figure是最终的图像，其上包含1个或多个Axes
- Axes代表一个独立的图（plot），主要不要将其与“axis”混淆，后者指的是一个plot的x/y坐标轴
尽量使用面向对象的接口而不是pyplot接口，这样我们可以调用直接从Axes类画图的方法，它在我们定制化图形时能够赋予我们更多的灵活性。
准备数据
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)
这是一组多家企业的销售信息数据，适合用来画柱形图。
我们要使用面向对象的接口来画图，首先生成一个figure.Figure和axes.Axes的实例，Figure就相当于一张画布，而Axes就是画布当中的一块区域，我们在其中渲染特定的图形。
fig, ax = plt.subplots()
有了Axes实例后，我们就可以在上面画图了。
ax.barh(group_names, group_data)
风格控制
matplotlib中有多种风格
print(plt.style.available)
['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']
通过如下命令激活风格
plt.style.use('fivethirtyeight')
和之前的图比较一下，
定制图形
现在我们有了一般化的图形，我们可以在此基础上进行微调，使其达到我们想要的效果。首先将x-axis的label进行旋转。
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
接下来，为图像加标题
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
title='Company Revenue')
我们还可以通过pyplot.subplots()函数调整图像大小。
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')
我们可以通过 ticker.FuncFormatter类自定义label 的格式。下面的例子中定义了一个函数，该函数接受一个整数，返回一个字符串：
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)
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')
ax.xaxis.set_major_formatter(formatter)
组合图形
可以在一个Axes实例上渲染不同的图形。
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.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])
plt.show()
保存图片
fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")
