1.2 颜色、标记和线类型
matplotblib 的主函数 plot 接收带有x and y 轴的数组以及一些可选的字符串缩写参数来指名颜色和线类型。例如要用绿色括折号绘制 x 对 y 的线：ax.plot(x,y,'g--') 或者 ax.plot(x,y,linestyle='--',colur='g')
很多颜色缩写被用于常用颜色，可以指定十六进制的颜色代码（#CECECE)。
参考plot函数的文档查看所有线类型（jupyter 中使用plot?)
'b'blue'g'green'r'red'c'cyan'm'magenta'y'yellow'k'black'w'white'-'solid line style'--'dashed line style'-.'dash-dot line style':'dotted line style
折线图还可以又标记来凸显实际的数据点，matplotlib 创建一个连续的折线图，插入点之间有时分辨不出。标记可以是样式字符串的一部分，样式字符串中的线类型，标记类型必须在颜色后面。
plot(np.random.randn(30).cumsum(),color='r',linestyle='dashed',marker='s') 更加显式的代码
后续的点默认式线性内插的。。。通过drawstyle 选项来更改
。。。。讲究。。。。。
由于我们像plot 传递来 label ，我们可使用plt.legend 为每条线生成一个用于区分的图例。（无论是否又label选项都要调用plt.legend 来生成图例。）
1.3 刻度、标签和图例
对于大多数图标修饰工作，有两种主要方式，使用程序性的pyplot 接口 和更多面向独享的原生 matplotlib API。
pyplot 接口设计为交互式使用，包含了 xlim, xticks 和 xticklabels 等方法。这些方法分别控制了绘图范围，刻度位置以及刻度标签。
- 在没有函数参数的情况下调用，返回当前的参数值（例如 plt.xlim() 返回当前的x 轴绘图范围）
- 传入参数的情况下调用，例如：plt.xlim([0,10]) 会将x 轴的范围设置为0 到10.
这些方法都会在当前活动的回落最近创建的 AxesSubplot 上生效，这些方法的每一个对应于子图自身的两个方法，比如 xlim 对应于 ax.get_lim and ax.set_lim 。好像使用 subplot 的方法更加显式，，，，（使用subplot_kw参数，就是add_subplot的参数）
add_subplot参数(部分） | 含义 |
projection | 子图的投影类型{None, ‘aitoff’, ‘hammer’, ‘lambert’, ‘mollweide’, ‘polar’, ‘rectilinear’, str},。。应该就是子图的类型， |
polar | 等于 projection=‘polar’ |
alpha | 透明度 |
facecolor fc | 颜色，轴面/轴的颜色 |
labe xlabel ylabell | 标签 |
title | 标题 |
xlim ylim | 设置x轴视图限制。(bottom: float, top: float) |
xticklabels yticklabels | 刻度标签，列表 |
xticks yticks | 刻度，列表 |
1.3.1 设置标题，轴标签，刻度和刻度标签
修改y 轴坐标是相同的过程，将上面的x 替换成 y 就行，轴的类型有一个 set 方法，可以批量设置绘图属性。
感觉用上subplots 不如在外面设置，在外面使用函数，功能还能多一些。
1.3.2 添加图例
图例是用来区分绘图元素。最简单的方式是在添加每个图表时传递label 参数。
legend 方法多了个loc 的位置参数。告诉在哪里放置图表，best 会自动选择适合的位置(尽量少的重叠图像），如果要取消图例中的元素，不要传入 label 或 label = ‘_nolegend_’
Location String Location Code
=============== =============
'best' 0
'upper right' 1
'upper left' 2
'lower left' 3
'lower right' 4
'right' 5
'center left' 6
'center right' 7
'lower center' 8
'upper center' 9
'center' 10
=============== =============
bbox_to_anchor 与loc一起用于定位图例的框(x, y, width, height)or(x,y)
ncol 图例的列数，默认1
fontsize nt或float 图例字体大小。
shadow None or bool 阴影
framealpha 背景的不透明度
facecolor 背景色
title/title_fontsize1.4 注释与子图加工
在图表上绘制自己的注释，而且注释中可能包含文本，箭头以及其他图形。你可以使用 text arrow annote 方法来添加注释和文本。
text 在图表上给定的坐标 (x,y) 根据可选的定制样式绘制文本。as.text(x,y,'hello world',family='monospace',fontsize=10)
绘制标普500指数从2007年以来的收盘价，并在图表中标注从2008到2009年金融危机的重要日期（阿巴阿巴阿巴阿巴）
还没见过 asof这个函数。。。DataFrame/Series.asof(where, subset=None)
返回where之前没有nan 的最后一行。subset, 对于dataframe ，使用指定的列来检查nan。
如果没有对应的值就返回nan。
>>> s = pd.Series([1, 2, np.nan, 4], index=[10, 20, 30, 40])
>>> s
10 1.0
20 2.0
30 NaN
40 4.0
dtype: float64
>>> s.asof(20) # 获得 索引20 的值
2.0
>>> s.asof([5, 20]) # 对于多个，第一个没有返回nan，
5 NaN
20 2.0
dtype: float64
>>> s.asof(30) # 这个是nan，就返回之前不是nan 的最后一行。
2.0
df = pd.DataFrame({'a': [10, 20, 30, 40, 50],'b': [None, None, None, None, 500]},index=[1,2,3,4,5])
df.asof([3.5,4.5]) # 考虑所有行的话，要找都不是nan 的，
a b
3.5 NaN NaN
4.5 NaN NaN
df.asof([3.5,4.5],subset=['a'])
a b # 这里只考虑 a
3.5 30.0 NaN
4.5 40.0 NaNfrom datetime import datetime
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
data=pd.read_table('spx.csv',sep='\t',header=None,parse_dates=True,index_col=0)
data.columns=['spx'] # (https://github.com/wesm/pydata-book/blob/2nd-edition/examples/spx.csv) 相关文件
spx=data['spx']
spx.plot(ax=ax,style='k-')
crisis_data = [
(datetime(2007, 10, 11), 'Peak of bull market'),
(datetime(2008, 3, 12), 'Bear Stearns Fails'),
(datetime(2008, 9, 15), 'Lehman Bankruptcy')
]
for date,label in crisis_data: # ax.annotate方法在指定的x和y 坐标上绘制标签
ax.annotate(label,xy=(date,spx.asof(date)+75),xytext=(date,spx.asof(date)+225),arrowprops=dict(facecolor='black',
headwidth=4,width=2,headlength=4),horizontalalignment='left',verticalalignment='top')
# 话说这位置，箭头宽度的参数的选择有什么方法吗。。。。
# 放大2007年 到 2010年
ax.set_xlim(['1/1/2007', '1/1/2011']) # ['2007-1-1', '2011-1-1'] 这样也行的，所有为啥要那么写
ax.set_ylim([600, 1800]) # 使用这两个方法手动设置图标的边界，而不是使用matplotlib的默认设置。
ax.set_title('Important dates in the 2008-2009 financial crisis')annotate（s，xy， args，* kwargs）** , 用文本text 注释点xy。
- xytext 放置文本的位置（x，y）。如果为None，则默认为xy。
- xycoords 给出xy的坐标系。
- textcoords xytext 的坐标系
- arrowprops dict 在位置xy和xytext之间绘制箭头的属性
- comment_clip bool或无 当注释点xy在轴区域之外时是否绘制注释。
- **kwargs 传递给Text 的参数。。禁止套娃，，又是一片参数被恶心到了。。。脑补链接
如果arrowprops不包含键“ arrowstyle”，则允许的键为：
Key | Description |
width | 箭头宽度（以磅为单位） |
headwidth | 箭头底部的宽度（以磅为单位） |
headlength | 箭头的长度（以磅为单位） |
shrink | 总长度的分数从两端缩小 |
? | Any key to matplotlib.patches.FancyArrowPatch |
如果arrowprops包含键“ arrowstyle”，则禁止使用上述键。的允许值为 ‘arrowstyle’：
Name | Attrs |
‘-’ | None |
‘->’ | head_length=0.4,head_width=0.2 |
‘-[’ | widthB=1.0,lengthB=0.2,angleB=None |
‘|-|’ | widthA=1.0,widthB=1.0 |
‘-|>’ | head_length=0.4,head_width=0.2 |
‘<-’ | head_length=0.4,head_width=0.2 |
‘<->’ | head_length=0.4,head_width=0.2 |
‘<|-’ | head_length=0.4,head_width=0.2 |
‘<|-|>’ | head_length=0.4,head_width=0.2 |
‘fancy’ | head_length=0.4,head_width=0.4,tail_width=0.4 |
‘simple’ | head_length=0.5,head_width=0.5,tail_width=0.2 |
‘wedge’ | tail_width=0.3,shrink_factor=0.5 |
**kwargs | 描述 |
color / backgroundcolor | 字体/背景色 |
fontsize | {size in points, ‘xx-small’, ‘x-small’, ‘small’, ‘medium’, ‘large’, ‘x-large’, ‘xx-large’} 字体大小 |
horizontalalignment | {‘center’，‘right’，‘left’} 水平对齐方式 |
varticalalignment | {‘center’，‘top’，‘bottom’，‘baseline’，‘center_baseline’} 垂直对齐方式 |
for date,label in crisis_data: # ax.annotate方法在指定的x和y 坐标上绘制标签
ax.annotate(label,xy=(date,spx.asof(date)+75),xytext=(date,spx.asof(date)+225),arrowprops=dict(arrowstyle='wedge')
,horizontalalignment='right',verticalalignment='baseline',fontsize='large',color='r',backgroundcolor='g')
# 整个难看点的。。。
matplotlib 含有表示多种常见图形的对象，这些对象的引用是 patches ，一些图像比如 Rectangle 矩形，Circle 圆形，可以使用 matplotlib.pyplot 中找到，但图形的全集位于 matplotlib.patches 。想在图表中添加图形，你需要生成patch(补丁）对象shp, 并调用 ax.add_patch(shp) 将它加入到子图中。
matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)
- xy (float,float),底部和左侧矩形坐标
- width height 宽度 高度
- angle 角度，逆时针旋转角度
- fill 是否填充矩形，默认True
matplotlib.patches.Circle(xy, radius=5, **kwargs)
- xy 半径中心，
- redus 半径。
matplotlib.patches.Polygon(xy, closed=True, **kwargs)
- xy 一个形状为 NX 2的 numpy 数组，
- close 是否封闭，默认True
Axes.add_patch§
添加一个补丁。。。
1.5 将图片保存到文件
plt.savefig 将活动图片保存到文件，plt.savefig('figpath.svg')
使用 dpi ，分辨率，bbox_inches 修剪图形的空白。plt.savefig('figpath.pnt',dpi=400,bbox_inches='tight')
savaifig 并不一定要写入硬盘，它可以将图片写入到所有的文件型对象中，例如BytesIO"
from io import BytesIO
buffer=BytesIO() # 学到了buffer 对象这么生成啊
plt.savefig(buffer)
plot_data=buffer.getvalue()参数 | 描述 |
fname | 包含文件路径或python文件型对象的字符串，图片格式是从文件扩展名中推断来的 |
dpi | 分辨率，默认100 |
facecolor,edgecolor | 子图以外背景的颜色，默认时 w 白色 |
format | 文件格式 |
bbox_inches | 要保持的图片范围，如果是 tight 就除掉图片周围空白的部分。 |
with open('plt.jpg','wb') as f:
plt.savefig(f,facecolor='r',edgecolor='b',bbox_inches='tight')
# 感觉 edgecolor 没啥效果欸1.6 matplotlib 设置
matplotlib 配置了配色方案和默认设置，主要用来准备用于发布的图片，几乎所有默认行为都可以通过广泛的全局参数来定制，包括图形大小，子图间距，颜色，字体大小和网格样式等。使用 rc 方法是更改配置的一种方式，
matplotlib.pyplot.rc(group, **kwargs) group是rc的分组，例如，lines.linewidth group是lines，for axes.facecolor，group是axes，等等。组也可以是组名称的列表或元组，例如（xtick，ytick），，，
例如将全局默认数字大小设置为 10X10 ：
plt.rc('figure',figsize=(10,10))第一个参数是你要自定义的组件，figure,axes,xtick,ytick,grid,legend 等，然后可以按照关键字参数的序列指定新参数，
font_options = {'family' : 'monospace', 'weight' : 'bold', 'size' : 'small'}
plt.rc('font', **font_options)matplotlib.rcdefaults（）恢复原来的设置。
。。。我发现了这根本不是给萌新看的 matplotlib 的教程，，，先浏览一遍吧，在去找找。。。。。。。。