The ultimate matplotlib tutorial (1)

🔖 python

🔖 visualization

Author

Guangyao Zhao

Published

Oct 10, 2022

Abstract

第一次知道 ultimate 这个词是接触 Ulysses app 时，其口号是 The ultimate writing App for Mac, iPad and iPhone。正如『终究写作 App』一般，我想从数据可视化更高的立意上梳理清一个画布的主要元素，以求达到科技写作出版级别质量的图形。在此我想要写出一篇我心目中的 The ultimate matplotlib tutorial。

1 Overview

在开始之前先声明一下本文宗旨：

本文目标是画布以及子图框架的搭建，并不涉及具体图形，比如散点图，条形图等。
画图就像堆积木，一点点『添加』最终成型。所以在 matplotlib 中，我推荐使用 add 和 set 的写法。一点点添加元素，直到最终输出图形。
本文一个图形对应一段完整的代码（除了导入第三方库）。
初学者请先坚决抛弃 pyplot 交互模块（explicit interfaces），或许会有些不便，但对 matplotlib 整体框架的把握有非常大的好处。
本文之所以不得不使用 pyplot 是因为要输出图形，但在 Sec. 8 中给出了不使用 pyplot 的写法。

Matplotlib 中有 124 个模块， 604 个类，4899 个方法，840 个属性。我们不可能全部将其掌握，只能从更高的层次上整体把握其思想。

在 matplotlib 中图形的最高层次是 figure（先不管 Artist 这种复杂的概念）, 所有的元素都在 figure 中叠加。figure 上可以在不同的位置添加不同的子图（subplot），然后子图中有坐标轴（xaxis, yaxis），坐标轴上有轴标签（xlabel, ylabel）、刻度线（xtick, ytick）和刻度线标签（xticklabels，yticklabels），别忘了还有图例（legend）。最后给子图分配合适的位置，整个 figure 就算是搭起来了。

接下来要做的是对以上元素进行细致的设置，每一个元素都有非常多细致的设置，掌握一些常用的命令，我认为足够做出出版级别（publication-quality）的图，当然了，这也是官方文档的说法。

在开始之前先导入要用的程序包，在此再啰嗦一句，初学者请抛弃那种便利但混杂的plt写法：

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

2 Figure

想象我们作图时需要什么？最重要的当然是作图的载体，也就是纸。在 matplotlib 作图时同样如此，只不过在此大家习惯称之为画布（figure），画布本身又含有许多元素，比如整个画布的大小（figsize）；还有你是选择白纸还是黑纸，对应到 matplotlib 中便是背景色（facecolor）了；画布有边框（frameon）吧，边框是线，线有自己的固有属性，比如颜色（edgecolor）和线宽（linewidth），至此画布的物理状态已经被确定了。

fig = plt.figure(figsize=(8, 6),
                 facecolor='pink',
                 frameon=True,
                 edgecolor='green',
                 linewidth=2)

画布设置好后，就可以画图了，matplotlib 中一张画布可以有多张子图（add_subplot），既然有多张子图，就会涉及到子图的定位和排列问题，官方文档也给出了很多示例。在介绍多子图之前，先介绍单图的情况，即一张画布只有一张图形：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)
ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

x = np.linspace(-10, 10, 100)
y = np.sin(x)
z = np.cos(x)

ax1.plot(x, y)
plt.show()

2.1 General settings

子图框架设置好以后，便可对其标题（title）、边框（frameon）、背景（facecolor）、坐标轴标签（xlabel, ylabel）、坐标轴范围（xlim, ylim, xmargin, ymargin）、刻度线（xticks, yticks）、刻度线标签（xticklabels, yticklabels）、网格（grid）、图例（legend）做出细致的设置了。设置方法分为两种：

直接在add_subplot()时设置。
采用set_title()之类的方法设置。

前者更直接方便，但不可设置其属性，只能使用默认值，后者反之。

在子图的设置中，标题、边框、背景、坐标轴标签、坐标轴范围、网格的设置相对比较简单，下面一起说明。刻度线、图例则之后分别说明。

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

x = np.linspace(-10, 10, 100)
y = np.sin(x)
z = np.cos(x)

ax1 = fig.add_subplot(
    111,
    title="Subplot1",
    frameon=True,  # 坐标轴边框
    facecolor="white",  # 背景色
    xlabel="$x$",  # 坐标轴标签
    ylabel="$y$",
    xlim=(-10, 10),  # 坐标轴范围
    ylim=(-1, 1),
    xticks=[-10, -6, -2, 2, 6, 10],
    xticklabels=["-ten", "-six", "-two", "two", "six", "ten"],
    xmargin=0.1,  # 自动根据数据范围扩充坐标轴范围，会覆盖 xlim
    ymargin=0.1,
)

ax1.grid(which="both", color="green", linestyle="--", linewidth=0.5)

ax1.plot(x, y, color="red")
ax1.plot(x, z, color="green")
plt.show()

Fig. 2 中虽然给出了grid的简单示例，但一般不推荐大家使用该元素。

2.2 Tick

我觉得 tick 是整个图形中最复杂的部分，它包括刻度线样式和刻度线标签字体样式（tick_params）的定义之外，还包括对刻度线的定位（locator）和刻度线标签的显示（formatter）两个重要的部分。

此处列出地已基本足够科技论文出图的元素，更细致的设置请参考官方文档。

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)
ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

# 对主刻度线进行设置
ax1.tick_params(
    axis="both",  # 同时对横纵轴设置
    which="major",  # 设置针对主刻度
    direction="inout",  # 刻度线方向
    length=6,  # 长度
    width=2,  # 宽度
    color="red",  # 刻度线颜色
    labelsize=18,  # 刻度标签字体大小
    pad=20,
)

ax1_xmajor, ax1_ymajor = 4, 0.5
ax1_xmajor_locator = mpl.ticker.MultipleLocator(ax1_xmajor)  # 设置主刻度间隔
ax1_ymajor_locator = mpl.ticker.MultipleLocator(ax1_ymajor)
ax1.xaxis.set_major_locator(ax1_xmajor_locator)
ax1.yaxis.set_major_locator(ax1_ymajor_locator)

# 对副刻度线进行设置
ax1.tick_params(
    axis="both", which="minor", direction="in", length=4, width=1, color="black"
)
ax1_xminor_locator = mpl.ticker.MultipleLocator(ax1_xmajor / 2)  # 设置副刻度间隔
ax1_yminor_locator = mpl.ticker.MultipleLocator(ax1_ymajor / 2)
ax1.xaxis.set_minor_locator(ax1_xminor_locator)
ax1.yaxis.set_minor_locator(ax1_yminor_locator)

x = np.linspace(-10, 10, 500)
y = np.sin(x)
z = np.cos(x)

ax1.plot(x, y)
ax1.plot(x, z)
plt.show()

Locator

控制刻度线位置的元素叫locator，也就是定位器。大部分情况下，默认的定位器是无法满足需求的，要想更细致地调节刻度显示，就需要重写 set_major_locator() 方法。这部分是我觉得在整个 matplotlib 中的一个难点，所以在此尽可能写的详细一些。

一般根据默认设置，就可以得到一个还不错的刻度线显示，但是如果要更加精细地对齐控制，就需要阅读一些源码了。作为示例，看一下 IndexLocator(Locator) 的源码：

class IndexLocator(Locator):
    """
    Place a tick on every multiple of some base number of points
    plotted, e.g., on every 5th point.  It is assumed that you are doing
    index plotting; i.e., the axis is 0, len(data).  This is mainly
    useful for x ticks.
    """
    def __init__(self, base, offset):
        """Place ticks every *base* data point, starting at *offset*."""
        self._base = base
        self.offset = offset

    def set_params(self, base=None, offset=None):
        """Set parameters within this locator"""
        if base is not None:
            self._base = base
        if offset is not None:
            self.offset = offset

    def __call__(self):
        """Return the locations of the ticks"""
        dmin, dmax = self.axis.get_data_interval()
        return self.tick_values(dmin, dmax) # Log at WARNING level if *locs* is longer than `Locator.MAXTICKS`.

    def tick_values(self, vmin, vmax):
        return self.raise_if_exceeds(
            np.arange(vmin + self.offset, vmax + 1, self._base))

方法：

set_params(self, base=None, offset=None): 获取起始位置和偏移。
__call__(self): 如果超过刻度线太多，抛出异常提示。
tick_values(self, vmin, vmax): 返回刻度线列表。

其中重点看一下np.arange(vmin + self.offset, vmax + 1, self._base)，这一句的意思就是根据提供的起始值，按照步长扩展到整个刻度线列表。

接下来演示一下其它几种定位器。

NullLocator

不显示刻度线：

ax1_xmajor_locator = mpl.ticker.NullLocator()
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

FixedLocator

显示给定的刻度线：

li_locator = [0, 1, 2]
ax1_xmajor_locator = mpl.ticker.FixedLocator(li_locator) # 仅显示 0, 1, 2
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

AutoLocator

从 [1, 2, 2.5, 5, 10] 以及其倍数中自动寻找合适的步长：

ax1_xmajor_locator = mpl.ticker.AutoLocator() # 自动寻找合适的步长
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

MultipleLocator

以给定步长生成刻度线：

ax1_xmajor = 2 # 步长为 2
ax1_xmajor_locator = mpl.ticker.MultipleLocator(ax1_xmajor)
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

LinearLocator

和 MultipleLocator 相反，LinearLocator 是根据给定的刻度线数自动算步长：

ax1_numticks = 10 # 显示 10 个刻度线
ax1_xmajor_locator = mpl.ticker.LinearLocator(ax1_numticks)
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

LogLocator

当图形和对数有关时就需要用到 LogLocator 了：

ax1.set_xscale('log')  # 在使用 LogLocator 之前需要声明轴比例
ax1_xmajor_locator = mpl.ticker.LogLocator(
    base=10,  # 以 10 为底，可自定义
    subs=(1.0, ), #TODO
    numdecs=4,  # 不可自定义副刻度个数，LogLocator已经写死了
    numticks=10)  # 最多可以出现的刻度标签
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

Formatter

定位器选好后，就可以在特定的刻度线上显示特定的刻度线标签了，这也是非常重要的一部分内容。

NullFormatter

NullFormatter() 直接将刻度线标签设置为空，但是刻度线依旧显示：

ax1_xmajor_locator = mpl.ticker.NullFormatter()  # 设置刻度线标签为空
ax1.xaxis.set_major_formatter(ax1_xmajor_locator)

FixedFormatter

FixedFormatter(seq) 需要和 FixedLocator() 搭配使用，一切都是自己指定：

li_locator = [-8, 8]
ax1_xmajor_locator = mpl.ticker.FixedLocator(li_locator)  # 设置主刻度间隔
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

str_formatter = ['-eight', 'eight']
ax1_xmajor_formatter = mpl.ticker.FixedFormatter(str_formatter)  # 设置主刻度间隔
ax1.xaxis.set_major_formatter(ax1_xmajor_formatter)

FormatStrFormatter

FormatStrFormatter(fmt) 是一个比较有意思的功能，可以在原刻度线显示的基础上添加特定的前缀或后缀，用 %d 表示原刻度标签，比如在此基础上给它一个漂亮国的到乐前缀：

str_formatter = mpl.ticker.FormatStrFormatter('\$ %d')
ax1.xaxis.set_major_formatter(str_formatter)

PercentFormatter

PercentFormatter(xmax, decimals, symbol, is_latex) 中 xmax 为显示的最大值，decimals为显示的精度，symbol为百分比号的显示形式，is_latex是否为 LaTex 格式。事实上将百分比号换成其它符号也可以。

per_formatter = mpl.ticker.PercentFormatter(xmax=100,
                                            decimals=1,
                                            symbol='\%',
                                            is_latex=True)
ax1.xaxis.set_major_formatter(per_formatter)

LogFormatter

LogFormatter(base, labelOnlyBase, minor_thresholds, linthresh) 中 base 是对数底数

log_formatter = mpl.ticker.LogFormatter(base=10)
ax1.xaxis.set_major_formatter(log_formatter)

FuncFormatter

2.3 Legend

legend 的设置十分丰富，必要时建议查阅官方文档进行细致地调控。在此仅列出一些重要参数，特别要注意的是，legend 要放在 label 后面，否则无法正常显示（其原因也不难理解，知道标签后才能给出图例）：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$", ylim=(-1.5, 2.5))

x = np.linspace(-10, 10, 500)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x) + np.cos(x)
y4 = np.sin(x) - np.cos(x)

ax1.plot(x, y1, label="$\sin(x)$", color="red")
ax1.plot(x, y2, label="$\cos(x)$", color="green")
ax1.plot(x, y3, label="$\sin(x)+\cos(x)$", color="blue")
ax1.plot(x, y4, label="$\sin(x)-\cos(x)$", color="orange")

ax1.legend(
    loc="upper right",  # 位置
    frameon=True,  # 边框
    edgecolor="black",  # 边框颜色
    borderpad=2,  # 边框和图例的距离
    ncol=2,  # 一行有几列
)
plt.show()

2.4 Spines

Spines 的中文翻译是轴脊线，它控制着子图的边框设置，比如边框的显示（visuable），颜色（color），线宽（linewidth）等，更多的设置参考官方文档。

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

ax1.spines["left"].set_color("red")  # 左轴颜色为红色
ax1.spines["left"].set_linewidth(5)  # 左轴线宽为红色
ax1.spines["right"].set_visible(False)  # 设置右轴不可见
ax1.spines["top"].set_visible(False)

x = np.linspace(-10, 10, 500)
y = np.sin(x)

ax1.plot(x, y)

实际上坐标轴只能设置为不可见，即 set_visible(False)，不可以实际删除。

3 Subfigure

以上在单图之外，我们往往需要的是整齐排列的子图，(2, 2) 排列也好 (2, 3) 排列也好，总之想要得到的是规整的子图排列。假如想要的是 4 个子图，排列为 (2, 2)，此时就可以使用 add_subplot(22i) 直接添加，其中 i 是按横向数第 i 个子图，matplotlib 会很贴心地按照 4 等分将子图自动定位：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(221, xlabel="$x$", ylabel="$y$")
ax2 = fig.add_subplot(222, xlabel="$x$", ylabel="$y$")
ax3 = fig.add_subplot(223, xlabel="$x$", ylabel="$y$")
ax4 = fig.add_subplot(224, xlabel="$x$", ylabel="$y$")

x = np.linspace(0, 10, 100)

ax1.plot(np.sin(x))
ax2.plot(np.cos(x))
ax3.plot(np.sin(x))
ax4.plot(np.cos(x))
plt.show()

3.1 Subplots_adjust

从 Fig. 6 中可看出默认子图间横纵都有间隔，既然有间隔，那就可以调，在 matplotlib 中用 subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None) 调节子图边框（不包含刻度线、刻度线标签和坐标轴标签）和整个画布的关系，基准点为画布的左下。比如：

left = 0.1：子图区域的最左边框和画布左边框的间距为画布宽度的 \(0.1\)。
right = 1：子图区域的最右边框和画布右边框重合。
bottom = 0.1: 子图区域的最下边框和画布最下边框的间距为画布高度的 \(0.1\)。
wspace = 0.25：子图间的横向间距为子图平均宽度的 \(0.25\)。
hspace = 0.25：子图间的纵向间距为子图平均高度的 \(0.25\)。

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

# 设置画布整体布局，以边框为边界
fig.subplots_adjust(left=0.1, right=1, bottom=0.1, top=1, wspace=0.25, hspace=0.25)

ax1 = fig.add_subplot(221, xlabel="$x$", ylabel="$y$")
ax2 = fig.add_subplot(222, xlabel="$x$", ylabel="$y$")
ax3 = fig.add_subplot(223, xlabel="$x$", ylabel="$y$")
ax4 = fig.add_subplot(224, xlabel="$x$", ylabel="$y$")

x = np.linspace(0, 10, 100)

ax1.plot(np.sin(x))
ax2.plot(np.cos(x))
ax3.plot(np.sin(x))
ax4.plot(np.cos(x))
plt.show()
# fig.savefig(fname='figure.pdf')

Warning

right=1, top=1 表示的是子图右边框和上边框之外完全无空白，但是 Fig. 7 却没有正确显示出来，这可能是交互模式下的显示问题，如果使用 savefig() 命令则可正确显示。

3.2 Sharex and sharey

在多子图的情况下，可能存在若干子图的坐标轴设置一样，正如官方文档中描述的一样 Share the x or y axis with sharex and/or sharey. The axis will have the same limits, ticks, and scale as the axis of the shared axes.，可以共享已有的设置：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

# The axis will have the same limits, ticks, and scale as the axis of the shared axes.
ax1 = fig.add_subplot(221, xlabel="$x$", ylabel="$y$", xlim=(0, 100), ylim=(-2, 2))
ax2 = fig.add_subplot(
    222, sharex=ax1, xlabel="$x$", ylabel="$y$"
)  # 和 ax1 共享 x 轴，但 y 轴并不一样

ax3 = fig.add_subplot(223, xlim=(0, 50), ylim=(-2, 2), xlabel="$x$", ylabel="$y$")
ax4 = fig.add_subplot(
    224, xlabel="$x$", ylabel="$y$", sharex=ax3, sharey=ax3
)  # 和 ax3 共享 x,y 轴

x = np.linspace(0, 10, 100)

ax1.plot(np.sin(x))
ax2.plot(np.cos(x))
ax3.plot(np.sin(x))
ax4.plot(np.cos(x))
plt.show()

3.3 Gridspec

至此，我们基本上已经清楚地了解规则多子图的画法，但有时我们的子图排列并不总是规则的，此时就要用到 matplotlib 的 add_gridspec()，从字面上便可理解，它是给画布添加一个大格子，大格子包含了(n, m)个小格子，根据小格子索引分配各个子图的位置和大小：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

gs = fig.add_gridspec(2, 2)  # 大格子分为 2*2 的小格子

ax0 = fig.add_subplot(gs[0, :], xlabel="$x$", ylabel="$y$")  # 格子索引从 0 开始，`0:` 表示整行
ax10 = fig.add_subplot(gs[1, 0], xlabel="$x$", ylabel="$y$")  # 第 2 行的第 1 列
ax11 = fig.add_subplot(gs[1, 1], xlabel="$x$", ylabel="$y$")

Tip

在子图的排列不规则时，可以先在纸上画出所有的小格子，然后严格按照小格子确定子图的位置和大小。

4 Text and annotate

有时候会特别需要一些文字标注，对图形加以解释。此时有两种标注方法：

text()：仅有文本，无箭头。除文本外需要提供文本锚点。
annotate()：有文本和箭头指向。不仅需要提供文本（text）和文本锚点（textxy），还需要给出箭头的终止位置（xy）。

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

sigma = 2
mu = 0
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 150)
y = np.exp((-((x - mu) ** 2)) / (2 * (sigma**2))) / (np.sqrt(2 * np.pi) * sigma)

ax1.text(x=-2, y=0.07, s="Text: This is a Gaussian distribution")  # text 标注
ax1.annotate(
    xytext=(-2, 0.025),  # 文本位置
    text="Annotate: This is a Gaussian distribution",
    xy=(-4, 0.025),  # 箭头终点
    arrowprops=dict(arrowstyle="->"),
)  # 含有箭头的标注

ax1.plot(x, y)
plt.show()

5 Axhline and axvspan

有时也需要对图形划出一条线，以作为某种参考。比如想标注出 \(x \ge 0.025\) （\(y \ge 0.025\)），以清楚地了解哪些 \(x\) 落入该范围，此时就要用到 axhline()（axvline()；同样的有时候想标注的不仅是条线，而是一片区域，此时就要用到 axhspan() 或 axvspan()。

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

sigma = 2
mu = 0
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 150)
y = np.exp((-((x - mu) ** 2)) / (2 * (sigma**2))) / (np.sqrt(2 * np.pi) * sigma)

ax1.axhline(
    y=0.025,  # 横线的高度，即 y 值
    xmin=0.1,  # 横线从 x 轴的哪里开始，比例
    xmax=0.9,  # 横线从 x 轴的哪里结束，比例
    color="red",
    linestyle="-",
)
ax1.axvline(x=-2)  # 纵向

ax1.axvspan(
    xmin=-2,  # 填充起始位置
    xmax=2,  # 填充终止位置
    ymin=0.025,  # 填充从 x 轴哪里开始，比例
    ymax=0.05,
    facecolor="green",
)

ax1.plot(x, y)
plt.show()

6 LaTex

在 matplotlib 中也对 LaTex 进行了完整的支持，这也意味着可以直接调用 LaTex 丰富的宏包进行高质量输出，比如常用的 \usepackage{siunix} 进行单位输出，在设置之前请先确认下电脑是否已经安装 LaTex。下面介绍一下其用法：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(
    111,
    xlabel="$x$",
    ylabel="$y$",
    title="{\\ttfamily This is a Gaussian distribution (monospaced font).}",
)

sigma = 2
mu = 0
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 150)
y = np.exp((-((x - mu) ** 2)) / (2 * (sigma**2))) / (np.sqrt(2 * np.pi) * sigma)

ax1.text(x=-2, y=0.07, s="siunix: $\SI{10}{g/L}$")  # 测试宏包是否可用
ax1.text(x=-2, y=0.05, s="mhchem: $\ce{C + O2 -> CO2}$")
ax1.text(
    x=-2,
    y=0.03,
    s="$f(x)=\\frac{1}{\sigma \sqrt{2 \pi}} e^{-\\frac{(x-\mu)^{2}}{2 \sigma^{2}}}$",
)

ax1.plot(x, y)
plt.show()

ValueError: 
\SI{10}{g/L}
^
Unknown symbol: \SI, found '\'  (at char 0), (line:1, col:1)

<Figure size 768x576 with 1 Axes>

Fig. 12: LaTex

使用如下命令获取 matplotlib 配置文件路径：

import matplotlib as mpl
path = mpl.matplotlib_fname()

获取 matplotlibrc 配置文件路径后可对其进行设置，但我觉得尽量还是不要对其修改。下面我给出一个 LaTex 的修改例子：

text.usetex        : True  # 支持 LaTex 输出
text.latex.preamble: \usepackage{amsmath}\usepackage{amssymb}\usepackage{mhchem}\usepackage{siunitx}
mathtext.fontset: cm # 数学字体格式，好像只有为数不多的字体可供选择。['dejavusans', 'dejavuserif', 'cm', 'stix', 'stixsans', 'custom']

Warning

特别要注意的是导言区（preamble）的配置语法，直接使用 \usepackage{}，中间不需要任何分隔符。另外在 LaTex 模式下，坐标轴标签（其它根据默认设置显示正常）默认是非衬线字体，至少目前看来是这样的。所以需要手动调，以下给出一个例子：

fontdict = dict(family='Arial') # 设置字体
xticks = ax1.get_xticks() # 拿到坐标轴
ax1.set_xticklabels(labels=xticks, fontdict=fontdict) # 设置坐标轴

7 Savefig

至此，除了具体的图形展示（条形图，散点图，频率直方图等），你已经清楚了从创建画布，到整个图形的框架设置的完整流程。接下来只需保存即可，在此可以对图形框架进行很多设置，但大多都和之前的设置重复。还是建议严格的按照以上的设置流程，规范作图步骤。另外，科技写作图形推荐矢量图格式 .pdf，具体矢量图和位图的区别可自行学习。

如果前面每一步都设置好了，图片的保存就显得十分简单：

fig.savefig(fname='figure.pdf')
fig.savefig(fname='figure', format='png', dpi=300)

8 Say no to pyplot

Pyplot 模块给 matplotlib 提供了交互模式，为 matplotlib 的学习提供了便利，但同时又给初学者带来了无尽的困扰。

它来回穿插在 matplotlib 的各个类和方法之间，使代码看起来杂乱无章。所以我建议初学者暂且拒绝 pyplot，踏踏实实一步步创建类，调用方法来完成图形，下面给出一个完全抛弃 pyplot 的作图流程：

fig = Figure(figsize=(8, 6),
             facecolor='pink',
             frameon=True,
             edgecolor='green',
             linewidth=2)
ax1 = fig.add_subplot(111, xlabel='$x$', ylabel='$y$')

# 设置刻度线
ax1_xmajor = 1
ax1_xmajor_locator = mpl.ticker.MultipleLocator(
    ax1_xmajor)  # 直接调用 MultipleLocator 类
ax1.xaxis.set_major_locator(ax1_xmajor_locator)

sigma = 2
mu = 0
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 150)
y = np.exp((-(x - mu)**2) / (2 * (sigma**2))) / (np.sqrt(2 * np.pi) * sigma)

ax1.plot(
    x,
    y,
    label=
    '$f(x)=\\frac{1}{\sigma \sqrt{2 \pi}} e^{-\\frac{(x-\mu)^{2}}{2 \sigma^{2}}}$'
)
ax1.legend(loc='best')

fig.savefig('Gaussian distribution.pdf')

9 Elements

Matplotlib 中有许多独立的元素可以进行精细的设置，以下列举出常用的元素和该元素常用的设置。

9.1 Marker

在绘制散点图的时候，有个参数为marker，具体可参考官方文档

Marker可设置的属性有：

s：大小
c：颜色
marker：种类
linewidth：线宽（边缘线）
edgecolor：边缘线颜色
alpha：透明度

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)
ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

np.random.seed(19680801)
N = 100  # 数据个数
r0 = 0.6  # 分类界限
x = 0.9 * np.random.rand(N)
y = 0.9 * np.random.rand(N)
area = (20 * np.random.rand(N)) ** 2  # 0 to 10 point radii
c = np.sqrt(area)  # 颜色
r = np.sqrt(x**2 + y**2)
area1 = np.ma.masked_where(r < r0, area)  # 小于 area
area2 = np.ma.masked_where(r >= r0, area)  # 大于等于 area

ax1.scatter(x, y, s=area1, marker="^", c=c)  # 大小  # marker  # 颜色
ax1.scatter(x, y, s=area2, marker="o", c=c)
# Show the boundary between the regions:
theta = np.arange(0, np.pi / 2, 0.01)
ax1.plot(r0 * np.cos(theta), r0 * np.sin(theta))
plt.show()

9.2 Line and arrow

线的形状一般有：

-
--
-.
:
custom

除了以上，还可以根据自己的喜好自定义样式。

还可以设置不同的虚线结合方式，具体参考set_dash_capstyle(s)

set_dashes([6， 2])：6pt line, 2pt break.
set_dashes([2, 2, 10, 2])：2pt line, 2pt break, 10pt line, 2pt break.

Line 可设置的属性有：

linestyle：形状
linewidth：宽度
color：颜色

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(111, xlabel="$x$", ylabel="$y$")

x = np.linspace(0, 10, 100)

ax1.plot(x, np.sin(x), linestyle="--")
ax1.plot(x, np.cos(x), linestyle="-.")
ax1.plot(x, np.sin(x) + 0.1, linestyle=":")
ax1.plot(x, np.cos(x) + 0.1, dashes=[2, 2, 10, 2])
plt.show()

Arrow 和 Line 相比只是多加了一个箭头，箭头样式参考官方文档，其余用法和 Line 类似。

9.3 Font

在包括 LaTex 的排版中，字体分为正文字体和数学字体，这两个可以分别设置。在 matplotlib 中同样如此。相对于LaTex，虽然 matplotlib 的字体设置更加丰富（参考官方文档），但我还是更推荐学习下 LaTex 的字体内容。

在介绍具体地操作之前，先整理下字体的种类都有哪些（列举一些我喜欢的）。

正文字体

字体族

衬线字体（Serif）：Bitter，Palatino，New York，Times
非衬线字体（Sans-serif）：Arial，Avenir，Seravek
等宽字体（Monospace）：Source Code Pro，Monaco

字体形状

直立（Upright shape）
意大利（Italic shape）
倾斜（Slanted shape）
小型大写（Small captials shape）

字体系列

中等（Medium series）
加宽加粗（Bold extended series）

数学字体

数学字体一般使用 Times，这部分的介绍在刘海洋的 LaTex 入门中写的比较详细，请自行阅读，事实上也推荐系统地学习下这本书。

直接给出 LaTex 命令：

\mathrm{}：衬线
\mathsf{}：非衬线
\mathtt{}：等宽
\mathit{}：变量，数学模式下默认该斜体
\mathbb{}：空心字体，比如实数域 \(\mathbb{R}\)
\mathcal{}：常用于具体运算符，比如损失函数 \(\mathcal{L}\)

Matplotlib 的可用字体

在设置字体之前，先看一下哪些字体可用：

from matplotlib import font_manager

for font in font_manager.fontManager.ttflist:
    # 查看字体名以及对应的字体文件名
    print(font.name, '-', font.fname)

设置中文字体

在默认情况下是不支持中文字体的，此时需要根据各自电脑中安装的字体手动设置：

plt.rcParams['font.family'] = ['sans-serif'] # 设置正文字体族为 sans-serif，此处可自行设置
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 根据字体族，设置中文字体

当然了，任何字体都可以按照以上方式自行设置。比如：

plt.rcParams['font.family'] = ['serif'] # 设置正文字体族为 sans-serif
plt.rcParams['font.sans-serif'] = ['Times', 'Palatino'] # 衬线
plt.rcParams['font.serif'] = ['Arial', 'Helvetica'] # 非衬线
plt.rcParams['font.monospace'] = ['Source Code Pro', 'Monaco'] # 等宽
plt.rcParams['font.size']=10 # 字体大小

以上是非 LaTex 环境的字体设置，LaTex 的字体设置请参考 Sec. 6 部分。

各元素字体配置

在 matplotlib 中，字体的设置可以打包成一个字典，但凡需要设置字体的元素直接添加 dict() 即可，要用到字体设置的元素一般有（可根据以下方式命名，方便管理）以下这些，更多具体的设置请参考官方文档：

fontproperties

坐标轴标签（xlabel_font）：ax1.set_xlabel(), ax1.set_ylabel()
子图标题（subplot_font）：ax1.set_title()
带箭头指向的标注（annotate_font）：ax1.annoatate()

prop

图例（legend_font）：ax1.legend()

fontdict

刻度线标签（xtick_font）：ax1.set_xticklabels(), ax1.set_yticklabels()
标注（text_font）：ax1.text()

Danger

字体的设置本身不复杂，但是根据以上层级，首先各自参数名不同，其次也来自不同的类，比较容易混淆。其中 fontproperties 和 prop 为FontProperties实例，fontdict 为 Text实例，因其参数名称可能不同，具体设置请谨慎查阅官方文档。

text_font = {
    'family': 'Source Code Pro', # 可指定字体族，如 sans-serif, serif, monospace, 也可直接指定可用字体
    'fontsize': 12, # 大小
    'color': 'green', # 字体颜色
    'rotation': 'horizontal', # 旋转角度，也可 vertical 和具体角度
    'bbox': { # 文字盒子设置
        'boxstyle': 'round',
        'facecolor': 'pink',
        'edgecolor': 'black',
        'linewidth': 1 
    }
}

ax1.text(x=2, y=0, s='Test, Test', fontdict=text_font) # 非数学公式表达
ax1.text(x=2, y=1, s='$xy,\\mathrm{xy},\\mathbb{R},\\mathcal{L}$', fontdict=text_font) # 数学表达

9.4 Color

Matplotlib 支持的颜色格式有如下几种：

RGB：(0.1, 0.2, 0.3)
十六进制：#0f0f0f
十六进制：用 #abc as #aabbcc
字符串代替浮点数：0 as black; 1 as white; 0.8 as light blue.
单字符串作为基本颜色：b as blue; g as green; r as red; c as cyan; m as magenta; y as yellow; k as black; w as white.
X11/CSS4：aquamarine
xkcd：xkcd:sky blue
Tableau 10: tab: blue; tab: orange
CN：C0，默认有个颜色盘，C0 指的是其第 1 个颜色

Colormap

Third-party colormaps

Colorbar

Colorbar 是数据标量值到颜色的映射，比如在热度图中就需要 Colorbar 对数据值进行展示。将已有的一个 Axes 对象传入给 colorbar 方法，则可自动根据 Axes 的数据生成 colorbar，先感性地感受下什么是 colorbar：

# import matplotlib.pyplot as plt
# import matplotlib as mpl

fig = plt.figure(figsize=(6, 1))
ax1 = fig.add_subplot(111)
fig.subplots_adjust(bottom=0.5)  # 设置子图到下边界的距离

cmap = mpl.cm.spring
norm = mpl.colors.Normalize(vmin=5, vmax=10)

fig.colorbar(
    mpl.cm.ScalarMappable(norm=norm, cmap=cmap),
    cax=ax1,  # 传入的是一个子图对象
    orientation="horizontal",
    label="spring",
)

plt.show()

调节 colorbar 两边样式：

fig, ax = plt.subplots(4, 1, figsize=(6, 4), constrained_layout=True)

cmap = mpl.cm.viridis
bounds = [-1, 2, 5, 7, 12, 15]

for i, extend in (0, "neither"), (1, "min"), (2, "max"), (3, "both"):
    norm = mpl.colors.BoundaryNorm(bounds, cmap.N, extend=extend)
    fig.colorbar(
        mpl.cm.ScalarMappable(norm=norm, cmap=cmap),
        cax=ax[i],
        extendfrac="auto",
        orientation="horizontal",
        label=f"extend={extend}",
    )

plt.show()

下面介绍下 figure 的 colorbar 方法

10 Tricks

10.1 Bbox_inches and pad_inches

图形有边界框，bbox_inches 就是控制该边框的参数，如果将其设置为 tight，即可刚好把子图所有元素包围。注意，该命令可能会覆盖 subplots_adjust 的设置。

但这并不能得到一张四周无空白的图形，因为还有个 pad_inches 参数在控制上步骤得到的内边框到整个画布外边框的距离，默认值是 \(0.1\)，将其设置为 \(0\) 即可得到一个四边无边框的最终图形：

fig = plt.figure(
    figsize=(8, 6), facecolor="pink", frameon=True, edgecolor="green", linewidth=2
)

ax1 = fig.add_subplot(221, xlabel="$x$", ylabel="$y$")
ax2 = fig.add_subplot(222, xlabel="$x$", ylabel="$y$")
ax3 = fig.add_subplot(223, xlabel="$x$", ylabel="$y$")
ax4 = fig.add_subplot(224, xlabel="$x$", ylabel="$y$")

x = np.linspace(0, 10, 100)

ax1.plot(np.sin(x))
ax2.plot(np.cos(x))
ax3.plot(np.sin(x))
ax4.plot(np.cos(x))

# fig.savefig(
#     fname='Gaussian distribution.pdf',
#     bbox_inches='tight',  # 尝试找出一个边框，使其刚好能框出子图部分所有元素（包括坐标轴标签等），一般设置为 tight 即可。需要注意的是该命令只能用于保存图片，不能用于显示。
#     pad_inches=0)  # 所保存图形周围的填充量，默认是 0.1

plt.show()

Warning

pad_inches=0 表示的是右边和上边完全无空白，只能在 savefig() 命令下正确显示。实际使用中，在 Fig. 17 添加fig.savefig()命令。

还需要注意的一个细节是，虽然pad_inches=0 可以使右边和上边完全无空白，但因为锚点缘故，会裁掉一部分边框，如果希望完全无空白且边框不被裁，那边需要更深入地了解 anchor 这一元素，若觉得麻烦，则可以给其一个很小的数值即可，比如pad_inches=0.01。

10.2 Tight_layout

根据官网文档描述，tight_layout() 使坐标轴长度成为了弹性体，根据坐标轴标签、刻度线标签是否重叠重新分配其与坐标轴的空间，以确保其能完全显示。具体而言，它调节的是：

子图间的横向和纵向间距（h_pad=1 ,w_pad=1），单位是默认字体的比例
整个子图区域和画布的间距（pad=0 或 rect=(0, 0, 1, 1)）

从上面的描述可以看出，与 bbox_inches() 和 pad_inches() 相比，tight_layout() 增加了对子图之间更细节的设置：

fig = plt.figure(
    figsize=(8, 6),
    facecolor="pink",
    frameon=True,
    edgecolor="green",
    tight_layout=dict(
        h_pad=1, w_pad=1, rect=(0, 0, 1, 1)  # 单位为 fontsize 大小
    ),  # 包含子图的所有元素，比如坐标轴标签等
    linewidth=2,
)

ax1 = fig.add_subplot(221, xlabel="$x$", ylabel="$y$")
ax2 = fig.add_subplot(222, xlabel="$x$", ylabel="$y$")
ax3 = fig.add_subplot(223, xlabel="$x$", ylabel="$y$")
ax4 = fig.add_subplot(224, xlabel="$x$", ylabel="$y$")

x = np.linspace(0, 10, 100)

ax1.plot(np.sin(x))
ax2.plot(np.cos(x))
ax3.plot(np.sin(x))
ax4.plot(np.cos(x))
plt.show()
# fig.savefig('Gaussian distribution.pdf', bbox_inches='tight', pad_inches=0)

对比 Fig. 18 和 Fig. 6 ，可以清楚地看出重叠部分已被重新调整。当然了，你也可以选择像 Fig. 7 一样调整。但明显 tight_layout() 更加简洁。

Warning

pad_inches=0 表示的是右边和上边完全无空白，只能在 savefig() 命令下正确显示。实际使用中，在 Fig. 18 添加fig.savefig()命令。

在实际使用中，我也最推荐这种 tight_layout()，bbox_inches 和 pad_inches 结合的方法，而不太推荐 subplots_adjust()。

至此，我们几乎可以将子图排列整齐，且完美显示出来。但注意，我们至此并没有涉及到任何 anchor 的内容，如果精细地控制图形的每一点设置，anchor 是一个绕不开的内容。但无论如何，我认为到此为止已经可以得到一张接近完美的画布了。

11 Default setting

在 matplotlib 中，运行如下代码即可获取全部可自定义参数：

import matplotlib as mpl

print(mpl.rc_params())

默认参数的设置格式如下：

import matplotlib as mpl

mpl.rcParams['figure.figsize'] = (8, 6) # 将画布大小设置为 8*6

一共有 304 个参数可设置，下面仅列举常用参数。

11.1 `figure`

figure.dpi: 100.0 # 图像dpi，但是我一般喜欢直接输出 pdf
figure.figsize: [6.4, 4.8] # 画布大小
figure.frameon: True # 显示画布边框
figure.edgecolor: white # 边框颜色
figure.facecolor: white # 画布背景
figure.titlesize: large # 标题字体大小
figure.titleweight: normal # 标题字重
figure.raise_window: True # 弹出图形窗口
figure.autolayout: False
figure.constrained_layout.h_pad: 0.04167
figure.constrained_layout.hspace: 0.02
figure.constrained_layout.use: False
figure.constrained_layout.w_pad: 0.04167
figure.constrained_layout.wspace: 0.02
figure.subplot.left: 0.125
figure.subplot.right: 0.9
figure.subplot.top: 0.88
figure.subplot.bottom: 0.11
figure.subplot.hspace: 0.2 # 子图间高度
figure.subplot.wspace: 0.2 # 子图间宽度

11.2 `axes`

axes.edgecolor: black # 图形边框
axes.facecolor: white # 图形背景
axes.grid: False # 网格
axes.grid.axis: both # 网格方向
axes.grid.which: major # 网格位置：major, minor
axes.labelcolor: black # 标签颜色
axes.labelpad: 4.0 # 标签离轴偏离
axes.labelsize: medium # 标签大小
axes.labelweight: normal # 标签字重
axes.linewidth: 0.8 # 轴线宽
axes.spines.bottom: True # 显示下轴线
axes.spines.left: True # 显示左轴线
axes.spines.right: True # 显示右轴线
axes.spines.top: True # # 显示上轴线
axes.titlecolor: auto # 图形标题颜色
axes.titlelocation: center # 图形标题位置
axes.titlepad: 6.0 # 图形标题偏离
axes.titlesize: large # 图形标题大小
axes.titleweight: normal # 图形标题字重
axes.xmargin: 0.05 #坐标轴根据 x 数据值左边扩展 0.05
axes.ymargin: 0.05
axes.zmargin: 0.05

11.3 `xaxis and xtick`

xaxis.labellocation: center # 标签位置
xtick.alignment: center # 对齐
xtick.bottom: True # 刻度线位置
xtick.color: black # 颜色
xtick.direction: out # 方向
xtick.labelbottom: True # 标签位置
xtick.labelcolor: inherit # 标签颜色
xtick.labelsize: medium # 标签字重
xtick.labeltop: False # 标签位置
xtick.major.bottom: True # 主刻度线位置
xtick.major.pad: 3.5 # 主刻度线偏离
xtick.major.size: 3.5 # 主刻度线长度
xtick.major.top: True 
xtick.major.width: 0.8 # 主刻度线宽度
xtick.minor.bottom: True
xtick.minor.pad: 3.4
xtick.minor.size: 2.0
xtick.minor.top: True
xtick.minor.visible: False # 显示副刻度线
xtick.minor.width: 0.6
xtick.top: False

11.4 `yaxis and ytick`

yaxis.labellocation: center
ytick.alignment: center_baseline
ytick.color: black
ytick.direction: out
ytick.labelcolor: inherit
ytick.labelleft: True
ytick.labelright: False
ytick.labelsize: medium
ytick.left: True
ytick.major.left: True
ytick.major.pad: 3.5
ytick.major.right: True
ytick.major.size: 3.5
ytick.major.width: 0.8
ytick.minor.left: True
ytick.minor.pad: 3.4
ytick.minor.right: True
ytick.minor.size: 2.0
ytick.minor.visible: False
ytick.minor.width: 0.6
ytick.right: False

11.5 `font`

font.family: ['sans-serif'] # 使用衬线字体还是非衬线字体
font.sans-serif: ['DejaVu Sans', 'Bitstream Vera Sans', 'Computer Modern Sans Serif', 'Lucida Grande', 'Verdana', 'Geneva', 'Lucid', 'Arial', 'Helvetica', 'Avant Garde', 'sans-serif'] # 非衬线字体集
font.serif: ['DejaVu Serif', 'Bitstream Vera Serif', 'Computer Modern Roman', 'New Century Schoolbook', 'Century Schoolbook L', 'Utopia', 'ITC Bookman', 'Bookman', 'Nimbus Roman No9 L', 'Times New Roman', 'Times', 'Palatino', 'Charter', 'serif'] # 非衬线字体集
font.monospace: ['DejaVu Sans Mono', 'Bitstream Vera Sans Mono', 'Computer Modern Typewriter', 'Andale Mono', 'Nimbus Mono L', 'Courier New', 'Courier', 'Fixed', 'Terminal', 'monospace'] # 等宽字体集
font.size: 10.0 # 字体大小
font.style: normal # 字体风格：normal, italic, oblique
font.weight: normal # 字重：normal, bold, lighterm bolder

11.6 `grid`

grid.alpha: 1.0 # 透明度
grid.color: #b0b0b0 # 颜色
grid.linestyle: - # 线样式
grid.linewidth: 0.8 # 线宽

11.7 `legend`

legend.loc: best # 图例位置
legend.frameon: True # 显示边框
legend.framealpha: 0.8 # 边框透明度
legend.edgecolor: 0.8 # 边框颜色
legend.facecolor: inherit # 背景颜色
legend.title_fontsize: None # 图例标题的字体大小
legend.borderpad: 0.4 # 边框偏离
legend.columnspacing: 2.0 # 列间隔
legend.fontsize: medium # 图例字体大小
legend.labelcolor: None # 图例标签颜色
legend.labelspacing: 0.5 # 图例和标签间隔
legend.fancybox: True # 边框阴影

11.8 `savefig`

savefig.bbox: None
savefig.dpi: figure # dpi
savefig.format: png # 格式
savefig.orientation: portrait # 方向
savefig.transparent: False # 是否透明
savefig.edgecolor: auto # 边框颜色 
savefig.facecolor: auto # 背景色
savefig.directory: ~ # 保存路径

11.9 `scatter`

scatter.edgecolors: face # 散点图边框颜色
scatter.marker: o # 散点图标记

11.10 `lines`

lines.linestyle: - # 样式
lines.linewidth: 1.5 # 宽度
lines.color: C0 # 颜色
lines.dashdot_pattern: [6.4, 1.6, 1.0, 1.6] # dashdot 样式
lines.dashed_pattern: [3.7, 1.6] # dashed 样式
lines.dotted_pattern: [1.0, 1.65] # dotted 样式
lines.marker: None
lines.markersize: 6.0 # 线上样本点大小
lines.markeredgecolor: auto # 线上样本点边缘颜色
lines.markeredgewidth: 1.0 # 线上样本点边框宽度
lines.markerfacecolor: auto # 线上样本点背景色
lines.scale_dashes: True

11.11 `text`

text.color: black # 字体颜色
text.usetex: False # 是否使用 latex
text.latex.preamble:  # 字体 latex 导言区
text.hinting: force_autohint # 字体微调

11.12 `mathtext`

mathtext.default: it # 默认字体样式
mathtext.fontset: dejavusans # 字体种类
mathtext.it: sans:italic
mathtext.rm: sans
mathtext.sf: sans
mathtext.tt: monospace
mathtext.bf: sans:bold # 粗体
mathtext.cal: cursive # 计算符号，草书
mathtext.fallback: cm

11.13 `others`

``yml markers.fillstyle: full # 填充样式

1 Overview

2 Figure

2.1 General settings

2.2 Tick

Locator

NullLocator

FixedLocator

AutoLocator

MultipleLocator

LinearLocator

LogLocator

Formatter

NullFormatter

FixedFormatter

FormatStrFormatter

PercentFormatter

LogFormatter

FuncFormatter

2.3 Legend

2.4 Spines

3 Subfigure

3.1 Subplots_adjust

3.2 Sharex and sharey

3.3 Gridspec

4 Text and annotate

5 Axhline and axvspan

6 LaTex

7 Savefig

8 Say no to pyplot

9 Elements

9.1 Marker

9.2 Line and arrow

9.3 Font

正文字体

数学字体

Matplotlib 的可用字体

设置中文字体

各元素字体配置

9.4 Color

Colormap

Colorbar

10 Tricks

10.1 Bbox_inches and pad_inches

10.2 Tight_layout

11 Default setting

11.1 figure

11.2 axes

11.3 xaxis and xtick

11.4 yaxis and ytick

11.5 font

11.6 grid

11.7 legend

11.8 savefig

11.9 scatter

11.10 lines

11.11 text

11.12 mathtext

11.13 others

11.1 `figure`

11.2 `axes`

11.3 `xaxis and xtick`

11.4 `yaxis and ytick`

11.5 `font`

11.6 `grid`

11.7 `legend`

11.8 `savefig`

11.9 `scatter`

11.10 `lines`

11.11 `text`

11.12 `mathtext`

11.13 `others`