Matplotlib Cheatsheet

Базовое построение графиков и типы диаграмм

Линейный график: plt.plot()

Создание линейных диаграмм для визуализации непрерывных данных.

import matplotlib.pyplot as plt
import numpy as np

# Базовый линейный график
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y)
plt.show()

# Несколько линий
plt.plot(x, y, label='Линия 1')
plt.plot(x, [1, 3, 5, 7, 9], label='Линия 2')
plt.legend()

# Стили линий и цвета
plt.plot(x, y, 'r--', linewidth=2, marker='o')

Точечная диаграмма: plt.scatter()

Отображение взаимосвязей между двумя переменными.

# Базовая точечная диаграмма
plt.scatter(x, y)

# С разными цветами и размерами
colors = [1, 2, 3, 4, 5]
sizes = [20, 50, 100, 200, 500]
plt.scatter(x, y, c=colors, s=sizes, alpha=0.6)
plt.colorbar()  # Добавить цветовую шкалу

Столбчатая диаграмма: plt.bar() / plt.barh()

Создание вертикальных или горизонтальных столбчатых диаграмм.

# Вертикальные столбцы
categories = ['A', 'B', 'C', 'D']
values = [20, 35, 30, 25]
plt.bar(categories, values)

# Горизонтальные столбцы
plt.barh(categories, values)

# Группированные столбцы
x = np.arange(len(categories))
plt.bar(x - 0.2, values, 0.4, label='Группа 1')
plt.bar(x + 0.2, [15, 25, 35, 20], 0.4, label='Группа 2')

Гистограмма: plt.hist()

Отображение распределения непрерывных данных.

# Базовая гистограмма
data = np.random.randn(1000)
plt.hist(data, bins=30)

# Настроенная гистограмма
plt.hist(data, bins=50, alpha=0.7, color='skyblue', edgecolor='black')

# Несколько гистограмм
plt.hist([data1, data2], bins=30, alpha=0.7, label=['Данные 1', 'Данные 2'])

Круговая диаграмма: plt.pie()

Отображение пропорциональных данных в виде круговой диаграммы.

# Базовая круговая диаграмма
sizes = [25, 35, 20, 20]
labels = ['A', 'B', 'C', 'D']
plt.pie(sizes, labels=labels)

# Выделенный круг с процентами
explode = (0, 0.1, 0, 0)  # Выделить 2-й сектор
plt.pie(sizes, labels=labels, autopct='%1.1f%%',
        explode=explode, shadow=True, startangle=90)

Ящичковая диаграмма: plt.boxplot()

Визуализация распределения данных и выбросов.

# Одна ящичковая диаграмма
data = [np.random.randn(100) for _ in range(4)]
plt.boxplot(data)

# Настроенная ящичковая диаграмма
plt.boxplot(data, labels=['Группа 1', 'Группа 2', 'Группа 3', 'Группа 4'],
           patch_artist=True, notch=True)

Настройка и стилизация графика

Метки и заголовки: plt.xlabel() / plt.title()

Добавление описательного текста для ясности и контекста ваших графиков.

# Базовые метки и заголовок
plt.plot(x, y)
plt.xlabel('Метка оси X')
plt.ylabel('Метка оси Y')
plt.title('Заголовок графика')

# Форматированные заголовки со свойствами шрифта
plt.title('Мой график', fontsize=16, fontweight='bold')
plt.xlabel('Значения X', fontsize=12)

# Сетка для лучшей читаемости
plt.grid(True, alpha=0.3)

Цвета и стили: color / linestyle / marker

Настройка визуального оформления элементов графика.

# Варианты цвета
plt.plot(x, y, color='red')  # Именованные цвета
plt.plot(x, y, color='#FF5733')  # Hex-коды
plt.plot(x, y, color=(0.1, 0.2, 0.5))  # RGB кортеж

# Стили линий
plt.plot(x, y, linestyle='--')  # Пунктирная
plt.plot(x, y, linestyle=':')   # Точечная
plt.plot(x, y, linestyle='-.')  # Штрих-пунктирная

# Маркеры
plt.plot(x, y, marker='o', markersize=8, markerfacecolor='red')

Легенды и аннотации: plt.legend() / plt.annotate()

Добавление легенд и аннотаций для объяснения элементов графика.

# Базовая легенда
plt.plot(x, y1, label='Набор данных 1')
plt.plot(x, y2, label='Набор данных 2')
plt.legend()

# Настройка положения легенды
plt.legend(loc='upper right', fontsize=10, frameon=False)

# Аннотации
plt.annotate('Важная точка', xy=(2, 4), xytext=(3, 6),
            arrowprops=dict(arrowstyle='->', color='red'))

Управление осями и макетом

Пределы осей: plt.xlim() / plt.ylim()

Управление диапазоном значений, отображаемых на каждой оси.

# Установка пределов осей
plt.xlim(0, 10)
plt.ylim(-5, 15)

# Автоматическая настройка пределов с запасом
plt.margins(x=0.1, y=0.1)

# Инвертировать ось
plt.gca().invert_yaxis()  # Инвертировать ось Y

Тики и метки: plt.xticks() / plt.yticks()

Настройка отметок тиков на осях и их меток.

# Пользовательские позиции тиков
plt.xticks([0, 2, 4, 6, 8, 10])
plt.yticks(np.arange(0, 101, 10))

# Пользовательские метки тиков
plt.xticks([0, 1, 2, 3], ['Янв', 'Фев', 'Мар', 'Апр'])

# Поворот меток тиков
plt.xticks(rotation=45)

# Удалить тики
plt.xticks([])
plt.yticks([])

Соотношение сторон: plt.axis()

Управление соотношением сторон и внешним видом осей.

# Равное соотношение сторон
plt.axis('equal')
# Квадратный график
plt.axis('square')
# Отключить ось
plt.axis('off')
# Пользовательское соотношение сторон
plt.gca().set_aspect('equal', adjustable='box')

Размер фигуры: plt.figure()

Управление общим размером и разрешением ваших графиков.

# Установка размера фигуры (ширина, высота в дюймах)
plt.figure(figsize=(10, 6))

# Высокое DPI для лучшего качества
plt.figure(figsize=(8, 6), dpi=300)

# Несколько фигур
fig1 = plt.figure(1)
plt.plot(x, y1)
fig2 = plt.figure(2)
plt.plot(x, y2)

Плотное расположение: plt.tight_layout()

Автоматическая настройка интервалов подграфиков для лучшего внешнего вида.

# Предотвращение перекрытия элементов
plt.tight_layout()

# Ручная настройка интервалов
plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1)

# Отступы вокруг подграфиков
plt.tight_layout(pad=3.0)

Таблицы стилей: plt.style.use()

Применение предопределенных стилей для согласованного внешнего вида графиков.

# Доступные стили
print(plt.style.available)

# Использование встроенных стилей
plt.style.use('seaborn-v0_8')
plt.style.use('ggplot')
plt.style.use('bmh')

# Сброс к значению по умолчанию
plt.style.use('default')

Подграфики и несколько графиков

Базовые подграфики: plt.subplot() / plt.subplots()

Создание нескольких графиков на одной фигуре.

# Создание сетки подграфиков 2x2
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# Построение графика в каждом подграфике
axes[0, 0].plot(x, y)
axes[0, 1].scatter(x, y)
axes[1, 0].bar(x, y)
axes[1, 1].hist(y, bins=10)

# Альтернативный синтаксис
plt.subplot(2, 2, 1)  # 2 строки, 2 столбца, 1-й подграфик
plt.plot(x, y)
plt.subplot(2, 2, 2)  # 2-й подграфик
plt.scatter(x, y)

Общие оси: sharex / sharey

Связывание осей между подграфиками для согласованного масштабирования.

# Общая ось X для подграфиков
fig, axes = plt.subplots(2, 1, sharex=True)
axes[0].plot(x, y1)
axes[1].plot(x, y2)

# Общие обе оси
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)

GridSpec: Расширенные макеты

Создание сложных расположений подграфиков с изменяющимся размером.

import matplotlib.gridspec as gridspec

# Создание пользовательской сетки
gs = gridspec.GridSpec(3, 3)
fig = plt.figure(figsize=(10, 8))

# Подграфики разного размера
ax1 = fig.add_subplot(gs[0, :])  # Верхний ряд, все столбцы
ax2 = fig.add_subplot(gs[1, :-1])  # Средний ряд, первые 2 столбца
ax3 = fig.add_subplot(gs[1:, -1])  # Последний столбец, нижние 2 ряда
ax4 = fig.add_subplot(gs[-1, 0])   # Нижний левый
ax5 = fig.add_subplot(gs[-1, 1])   # Нижний средний

Интервал подграфиков: hspace / wspace

Управление интервалом между подграфиками.

# Настройка интервала при создании подграфиков
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
plt.subplots_adjust(hspace=0.4, wspace=0.3)

# Или используйте tight_layout для автоматической настройки
plt.tight_layout()

Расширенные типы визуализации

Тепловые карты: plt.imshow() / plt.pcolormesh()

Визуализация 2D-данных в виде матриц, закодированных цветом.

# Базовая тепловая карта
data = np.random.randn(10, 10)
plt.imshow(data, cmap='viridis')
plt.colorbar()

# Pcolormesh для нерегулярных сеток
x = np.linspace(0, 10, 11)
y = np.linspace(0, 5, 6)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)
plt.pcolormesh(X, Y, Z, shading='auto')
plt.colorbar()

Контурные графики: plt.contour() / plt.contourf()

Отображение кривых уровня и заполненных контурных областей.

# Линии контура
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = X**2 + Y**2
plt.contour(X, Y, Z, levels=10)
plt.clabel(plt.contour(X, Y, Z), inline=True, fontsize=8)

# Заполненные контуры
plt.contourf(X, Y, Z, levels=20, cmap='RdBu')
plt.colorbar()

3D Графики: mplot3d

Создание трехмерных визуализаций.

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 3D точечная диаграмма
ax.scatter(x, y, z)

# 3D поверхностный график
ax.plot_surface(X, Y, Z, cmap='viridis')

# 3D линейный график
ax.plot(x, y, z)

Полосы погрешностей: plt.errorbar()

Отображение данных с измерениями неопределенности.

# Базовые полосы погрешностей
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
yerr = [0.5, 0.8, 0.3, 0.7, 0.4]
plt.errorbar(x, y, yerr=yerr, fmt='o-', capsize=5)

# Асимметричные полосы погрешностей
yerr_lower = [0.4, 0.6, 0.2, 0.5, 0.3]
yerr_upper = [0.6, 1.0, 0.4, 0.9, 0.5]
plt.errorbar(x, y, yerr=[yerr_lower, yerr_upper], fmt='s-')

Заполнение между: plt.fill_between()

Затенение областей между кривыми или вокруг линий.

# Заполнение между двумя кривыми
y1 = [2, 4, 6, 8, 10]
y2 = [1, 3, 5, 7, 9]
plt.fill_between(x, y1, y2, alpha=0.3, color='blue')

# Заполнение вокруг линии с погрешностью
plt.plot(x, y, 'k-', linewidth=2)
plt.fill_between(x, y-yerr, y+yerr, alpha=0.2, color='gray')

Скрипичные диаграммы: Альтернатива ящичковым диаграммам

Отображение формы распределения вместе с квартилями.

# Использование pyplot
parts = plt.violinplot([data1, data2, data3])

# Настройка цветов
for pc in parts['bodies']:
    pc.set_facecolor('lightblue')
    pc.set_alpha(0.7)

Интерактивные функции и анимация

Интерактивный бэкенд: %matplotlib widget

Включение интерактивных графиков в Jupyter notebook.

# В Jupyter notebook
%matplotlib widget

# Или для базовой интерактивности
%matplotlib notebook

Обработка событий: Мышь и клавиатура

Реагирование на взаимодействие пользователя с графиками.

# Интерактивное масштабирование, панорамирование и наведение
def onclick(event):
    if event.inaxes:
        print(f'Нажато по x={event.xdata}, y={event.ydata}')

fig, ax = plt.subplots()
ax.plot(x, y)
fig.canvas.mpl_connect('button_press_event', onclick)
plt.show()

Анимации: matplotlib.animation

Создание анимированных графиков для временных рядов или изменяющихся данных.

from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()
line, = ax.plot([], [], 'r-')
ax.set_xlim(0, 10)
ax.set_ylim(-2, 2)

def animate(frame):
    x = np.linspace(0, 10, 100)
    y = np.sin(x + frame * 0.1)
    line.set_data(x, y)
    return line,

ani = FuncAnimation(fig, animate, frames=200, blit=True, interval=50)
plt.show()

# Сохранить анимацию
# ani.save('animation.gif', writer='pillow')

Сохранение и экспорт графиков

Сохранить фигуру: plt.savefig()

Экспорт графиков в файлы изображений с различными опциями.

# Базовое сохранение
plt.savefig('my_plot.png')

# Сохранение высокого качества
plt.savefig('plot.png', dpi=300, bbox_inches='tight')

# Различные форматы
plt.savefig('plot.pdf')  # PDF
plt.savefig('plot.svg')  # SVG (векторный)
plt.savefig('plot.eps')  # EPS

# Прозрачный фон
plt.savefig('plot.png', transparent=True)

Качество фигуры: DPI и размер

Управление разрешением и размерами сохраненных графиков.

# Высокий DPI для публикаций
plt.savefig('plot.png', dpi=600)

# Пользовательский размер (ширина, высота в дюймах)
plt.figure(figsize=(12, 8))
plt.savefig('plot.png', figsize=(12, 8))

# Обрезка пустого пространства
plt.savefig('plot.png', bbox_inches='tight', pad_inches=0.1)

Пакетный экспорт и управление памятью

Обработка нескольких графиков и эффективное использование памяти.

# Закрыть фигуры для освобождения памяти
plt.close()  # Закрыть текущую фигуру
plt.close('all')  # Закрыть все фигуры

# Менеджер контекста для автоматической очистки
with plt.figure() as fig:
    plt.plot(x, y)
    plt.savefig('plot.png')

# Пакетное сохранение нескольких графиков
for i, data in enumerate(datasets):
    plt.figure()
    plt.plot(data)
    plt.savefig(f'plot_{i}.png')
    plt.close()

Конфигурация и лучшие практики

RC Параметры: plt.rcParams

Установка стилей по умолчанию и поведения для всех графиков.

# Общие rc параметры
plt.rcParams['figure.figsize'] = (10, 6)
plt.rcParams['font.size'] = 12
plt.rcParams['lines.linewidth'] = 2
plt.rcParams['axes.grid'] = True

# Сохранение и восстановление настроек
original_params = plt.rcParams.copy()
# ... внести изменения ...
plt.rcParams.update(original_params)  # Восстановить

Управление цветом: Цветовые карты и палитры

Эффективная работа с цветами и цветовыми картами.

# Список доступных цветовых карт
print(plt.colormaps())

# Использование цветовой карты для нескольких линий
colors = plt.cm.viridis(np.linspace(0, 1, len(datasets)))
for i, (data, color) in enumerate(zip(datasets, colors)):
    plt.plot(data, color=color, label=f'Набор данных {i+1}')

# Пользовательская цветовая карта
from matplotlib.colors import LinearSegmentedColormap
custom_cmap = LinearSegmentedColormap.from_list('custom', ['red', 'yellow', 'blue'])

Оптимизация производительности

Улучшение построения графиков для больших наборов данных.

# Использование blitting для анимаций
ani = FuncAnimation(fig, animate, blit=True)

# Растеризация сложных графиков
plt.plot(x, y, rasterized=True)

# Уменьшение количества точек данных для больших наборов данных
# Даунсэмплинг данных перед построением графика
indices = np.arange(0, len(large_data), step=10)
plt.plot(large_data[indices])

Использование памяти: Эффективное построение графиков

Управление памятью при создании множества графиков или больших визуализаций.

# Очистка осей вместо создания новых фигур
fig, ax = plt.subplots()
for data in datasets:
    ax.clear()  # Очистить предыдущий график
    ax.plot(data)
    plt.savefig(f'plot_{i}.png')

# Использование генераторов для больших наборов данных
def data_generator():
    for i in range(1000):
        yield np.random.randn(100)

for i, data in enumerate(data_generator()):
    if i > 10:  # Ограничить количество графиков
        break

Интеграция с библиотеками данных

Интеграция с Pandas: Прямое построение графиков

Использование методов DataFrame для построения графиков.

import pandas as pd

# Построение графика DataFrame (использует бэкенд matplotlib)
df.plot(kind='line', x='date', y='value')
df.plot.scatter(x='x_col', y='y_col')
df.plot.hist(bins=30)
df.plot.box()

# Доступ к базовым объектам matplotlib
ax = df.plot(kind='line')
ax.set_title('Пользовательский заголовок')
plt.show()

Интеграция с NumPy: Визуализация массивов

Эффективное построение графиков массивов NumPy и математических функций.

# Визуализация 2D массива
arr = np.random.rand(10, 10)
plt.imshow(arr, cmap='hot', interpolation='nearest')

# Математические функции
x = np.linspace(0, 4*np.pi, 1000)
y = np.sin(x) * np.exp(-x/10)
plt.plot(x, y)

# Статистические распределения
data = np.random.normal(0, 1, 10000)
plt.hist(data, bins=50, density=True, alpha=0.7)

Интеграция с Seaborn: Улучшенная стилизация

Объединение Matplotlib с Seaborn для лучшей эстетики по умолчанию.

import seaborn as sns

# Использование стиля seaborn с matplotlib
sns.set_style('whitegrid')
plt.plot(x, y)
plt.show()

# Смешивание seaborn и matplotlib
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
sns.scatterplot(data=df, x='x', y='y', ax=axes[0,0])
plt.plot(x, y, ax=axes[0,1])  # Чистый matplotlib

Интеграция с Jupyter: Встроенное построение графиков

Оптимизация Matplotlib для сред Jupyter notebook.

# Магические команды для Jupyter
%matplotlib inline  # Статические графики
%matplotlib widget  # Интерактивные графики

# Дисплеи с высоким DPI
%config InlineBackend.figure_format = 'retina'

# Автоматическое определение размера фигуры
%matplotlib inline
plt.rcParams['figure.dpi'] = 100

Установка и настройка среды

Pip: pip install matplotlib

Стандартный установщик пакетов Python для Matplotlib.

# Установка Matplotlib
pip install matplotlib

# Обновление до последней версии
pip install matplotlib --upgrade

# Установка с дополнительными бэкендами
pip install matplotlib[qt5]

# Показать информацию о пакете
pip show matplotlib

Conda: conda install matplotlib

Менеджер пакетов для сред Anaconda/Miniconda.

# Установка в текущей среде
conda install matplotlib

# Обновление matplotlib
conda update matplotlib

# Создание среды с matplotlib
conda create -n dataviz matplotlib numpy pandas

# Показать информацию о matplotlib
conda list matplotlib

Конфигурация бэкенда

Настройка бэкендов отображения для различных сред.

# Проверить доступные бэкенды
import matplotlib
print(matplotlib.get_backend())

# Установить бэкенд программно
matplotlib.use('TkAgg')  # Для Tkinter
matplotlib.use('Qt5Agg')  # Для PyQt5

# Для безголовых серверов
matplotlib.use('Agg')

# Импортировать после установки бэкенда
import matplotlib.pyplot as plt

Связанные ссылки

• Python Cheatsheet
• NumPy Cheatsheet
• Pandas Cheatsheet
• scikit-learn Cheatsheet
• Data Science Cheatsheet