曾经我在高中的时候有一篇数学探索的小作业，其中我需要画出一张比较复杂的函数图。由于 X 和 Y 的坐标轴标签都需要一定的自定义，所以微软 Office 自带的画图工具自然无法满足我的要求。经过一段时间的寻找，我终于找到了最适合自己的工具：那就是用 Python。
其实，「用 Python」这个说法比较笼统，我们在这篇文章其实是要学习 Python 的一个模组：matplotlib 的简单使用方法。
使用 matplotlib 这个模组，我们就可以摆脱微软 Office 的传统画图方法。以此带来的新画图方法就是通过数学式的方法来画图。更加有用的是，我们可以方便地自定义图表，画出更好看、更美观的效果。
诚然，使用 matplotlib 画图离不开使用编程语言。但是请务必不要害怕接触编程：画出一个简单的图只需要几行非常简单并且易于理解的代码。画出复杂一些的图片也会有一些常识和修正，不过请放心，本篇文章将不会涉及任何高级编程知识，零基础也能上手。
本篇文章中，我们涉及到的软件只有一个免费软件，那就是 Anaconda。你可以在 这个网站 上下载到 Anaconda，软件完全免费，并支持 Windows 和 macOS。如果你有安装 Visual Studio，你可以直接在 Visual Studio 内下载并安装 Anaconda。通常我们会选择 Python 3.6 版本。
安装完成之后，你会在开始菜单中的 Anaconda 文件夹中看到 Spyder 这个应用，我们打开这个应用，迎面而来的就是一个代码编辑器，我们就要在这个代码编辑器内写出所有画图的代码。
打开 Spyder，我们就会看到屏幕的左边是代码编辑区域，屏幕的左下角则是输出区域。在这个步骤，我们将主要操作屏幕的左边，也就是代码编辑区域，来输入我们画图用到的代码。
编辑代码的第一步，就是告诉我们要写的程序要包括什么模组。简单来说我们就是要告诉程序，我们要在程序内包括什么功能。首先我们输入以下代码：
import matplotlib.pyplot as plt
import numpy as np
这两行代码中， import 的意思就是，我们要导入两个模组，一个叫做 matplotlib.pyplot，还有一个叫做 numpy。matplotlib.pyplot 主要负责画图功能。numpy 则负责高级数学的功能，比如解释正弦、余弦函数，Python 本身是不能通过一句简单的函数来计算某个角度的正弦的，需要外部库来支持。
在这里，as 的意思是定义一个别名。在之后的程序中，当我们需要召唤 matplotlib.pyplot 这个程序的时候，我们只需要打出 plt 即可，而无需再打出原来这么一长串。同理，numpy 在这里也被取了 np 的别名。
在以上我们做完程序的铺垫之后，我们就可以正式开始编写画图的代码了。首先，我们要定义 X 的域，添加以下代码表示：
x = np.linspace(-1, 1, 256)
在这行代码中，我们定义了 X 轴的最小值和最大值，括号中第一个数字 -1 是 X 轴的最小值，括号中的第二个数字 1 则是 X 的最大值。256 则是取样密度，这个参数不用改变。
目前这部分很简单，但是 matplotlib 强大的地方在于可以利用其他的常量来定义边界，请看下面的例子：
x = np.linspace(-np.pi, np.pi, 256)
在这个例子中，这行代码会替换上面那行代码，我们利用了 numpy 模组，使 X 轴的最小值变为 -π，而最大值变成了 π，从而允许我们更直观地画出三角函数的图像。
接下来我们开始定义 Y 轴，假如我们想画出 sin(x) 的图像，我们只需要接着输入：
y = np.sin(x)在这里，sin 的前面被加了 np.，是因为 Python 本身不支持正弦函数运算，所以需要注明使用 np 模组才能使用。
又或者，我们想画出平方的图像，我们可以替换上面的代码为：
y = x**2Python 的四则运算符分别为 +、-、*、/。平方的运算符则为 **，这些运算符是 Python 本身支持的，不需要像前面一样注明使用 np 模组。关于其他需要使用到 numpy 的运算，比如 log、余弦、e 等等，敬请参考 numpy 官方文档。
X 和 Y 的定义完成了，接下来，我们开始指令 matplotlib 来画出图像。
这步非常简单，只需要在代码的最后添加一行代码：
plt.plot(x, y)
最后，点击工具栏上的绿色箭头，就可以运行这段代码。运行完毕之后，你就可以在右下角的窗口上看到你画出的图像。右键点击图像，即可保存。
现在我们来开始介绍 matplotlib 最强大的地方：自定义。为什么我们要使用 matplotlib 来画图？就是为了能够自定义图表中的一些元素。在上边的例子中，我们使用了 np.sin() 函数来画出正弦图像。但是，matplotlib 默认为我们使用了数字作为 X 轴的坐标轴，这显然不是最理想的标记方法，那么我们接下来学习怎样自定义 X 轴坐标轴。在 plt.plot(x, y) 前加入以下代码。
plt.xticks([-np.pi, 0, np.pi], ['-π', '0', 'π'])
对于这行代码，可能有一些人会看不明白，别着急，我们一一解释。
首先我们看第一个方括号内的数字 [-np.pi, 0, np.pi]，这三个数字表示你想在坐标轴内显示的三个数字的真实数值，你可以改变这些数字，但是每个数字必须要以逗号分开，依顺序填写，在这里我们使用了 -π、0 和 π。第二个方括号中，['-π', '0', 'π']，这些值表示了真实显示在图片上的坐标轴文字，这些文字也必须要和第一个方括号内的数字相对应，并且每个值都要在引号内填写（单双引号均可）。
如果你不需要用文字表达而仅仅需要使用简单的数字，则不需要填写第二个方括号。这里我们用 Y 轴举例：
plt.yticks([-1, -0.5, 0, 0.5, 1])
这样，Y 轴就只会显示方括号内的五个数字。
添加标题非常简单，只需要加入一行代码，确保代码在 import 语句以下，plt.plot(x, y) 以上：
plt.title("在这里添加你的标题")
添加坐标轴文本同样也非常简单，加入以下代码，确保代码在 import 语句以下，plt.plot(x, y) 以上：
plt.xlabel("X 坐标轴文本")
plt.ylabel("Y 坐标轴文本")
如果需要画出多个函数，只需要再定义一个方程，并添加一行 plt.plot 命令即可。复制以下代码到你的编辑器：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-np.pi, np.pi, 256)
y1 = np.sin(x)
y2 = x**2
plt.plot(x, y1)
plt.plot(x, y2)
matplotlib 还有一个最强大的功能是自定义图像风格：想画出虚线、虚点线、点线，都没问题。我们可以将上面的 plt.plot(x, y1) 和 plt.plot(x, y2) 替换为如下代码：
plt.plot(x, y1, 'b--')
plt.plot(x, y2, 'r-.')
在这两行代码中，我们可以看到 plt.plot 多了第三个参数，第三个参数定义了图像的风格和颜色，如下图所示。
上图中我们可以看到，正弦函数是蓝色，X 平方函数则是红色，这些颜色的配置归功于第三个参数中的第一个字符：b 和 r，分别表示 blue 和 red。接下来的字符则表示线条的风格，-- 和 -. 分别表示虚线和虚点线。需要注意的是，这里没有严格的顺序，所以即使你写成 --b，也是没有问题的。
matplotlib 中还有更多的线条风格和颜色，你可以在这个 官方文档 中查看。
可能大家已经注意到了：上面我们输出的函数图像，其实是非常不清晰的。那么现在我们来调整图像。确保以下代码位置在 import 语句下第一行。
plt.figure(figsize=(3, 5), dpi=300)
大家应该已经注意到了，plt.figure() 内多了两个参数。其中，figsize 的值定义了图像的大小，第一个数字代表宽度为三英尺，第二个数字代表宽度为五英尺。dpi 的值则很明显，代表了图像的 DPI。这些值您可以根据自己的实际需求进行修改。
看完这篇文章，可能会有读者问：「为什么我要费劲去写代码然后画出这些不起眼的图呢？」。其实说到底，这是「学习成本」的问题。对我个人来说，花这些时间学习 matplotlib，对我的未来来说是很有帮助的：对于即将上大学的我，必然会在未来方便我论文的撰写以及图表的绘制。
可能也有一些读者会问：为什么不用其他的软件？一方面是 matplotlib 自定义功能强。另一方面，虽然其他的软件拥有图形化的界面来简化画图的过程，但是我更喜欢用代码来解决问题，算是我个人的小癖好之一。
请在 这里 查看第一张图的源代码。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。