正如你在y-label中看到的，它仍旧是phi（φ）的符号，但是对付某些人来说，它还不敷以作为绘图标签。为了使它更俊秀，你可以利用Latex字体。如何利用它？答案就在这里。
plt.rcParams['text.usetex'] = Trueplt.rcParams['font.size'] = 18
你可以在python代码的开头添加上面的代码。第1行定义绘图中利用的LaTeX字体。你还须要定义大于默认大小的字体大小。如果你不换，我想它会给你一个小标签。我选了18。运用上述代码后的结果如图2所示。
你须要在符号的开头和结尾写上双美元符号，像这样（\$…\$）
plt.xlabel('x')plt.ylabel('$\phi$ (phi)')
如果你有一些缺点或没有安装利用LaTeX字体所需的库，则须要通过在Jupyter notebook中运行以下代码来安装这些库。
!apt install texlive-fonts-recommended texlive-fonts-extra cm-super dvipng
如果你想通过终端安装，可以输入
apt install texlive-fonts-recommended texlive-fonts-extra cm-super dvipng
当然，你可以利用一些不同的字体系列，如serif、sans-serif（上面的示例）等。要变动字体系列，可以利用以下代码。
plt.rcParams['font.family'] = "serif"
如果你将上面的代码添加到代码中，它将给你一个图，如图3所示。
你能理解图3和图2之间的差异吗？是的，如果你仔细剖析，差异在于字体的尾部。后一个图形利用serif，而前者利用sans-serif。简而言之，serif表示尾，sans表示没有。如果你想理解更多有关字体系列或字体的信息，我建议你利用此链接。
https://en.wikipedia.org/wiki/Typeface
你还可以利用Jupyter themes库设置字体系列/字体。我已经做了利用它的教程。只需单击以下链接。Jupyter主题也可以改变你的Jupyter主题，例如暗模式主题：https://medium.com/@rizman18/how-can-i-customize-jupyter-notebook-into-dark-mode-7985ce780f38
我们希望插入繁芜文本，如图4的标题所示。
如果你想创建图4，可以利用这个完全的代码
# 导入库import numpy as npimport matplotlib.pyplot as plt# 调度matplotlib参数plt.rcParams.update(plt.rcParamsDefault)plt.rcParams['text.usetex'] = Trueplt.rcParams['font.size'] = 18plt.rcParams['font.family'] = "serif"# 创建仿照数据r = 15theta = 5rw = 12gamma = 0.1err = np.arange(0., r, .1)z = np.where(err < rw, 0, gamma (err-rw)2 np.sin(np.deg2rad(theta)))# 可视化数据plt.scatter(err, z, s = 10)plt.title(r'$\Sigma(x) = \gamma x^2 \sin(\theta)$', pad = 20)plt.xlabel('x')plt.ylabel('$\phi$')# 保存图表plt.savefig('latex.png', dpi = 300, pad_inches = .1, bbox_inches = 'tight')2.创建缩放效果
在这个技巧中，我将给你一个天生绘图的代码，如图5所示。
首先，你须要理解plt.axes()和plt.figure() 你可以不才面的链接中查看它。代码plt.figure() 覆盖单个容器中的所有工具，包括轴、图形、文本和标签。代码plt.axes()只包含特定的部分。我想，图6可以给你一个大略的理解。
黑盒子利用plt.figure()，赤色和蓝色的盒子利用plt.axes(). 在图6中，有两个轴，赤色和蓝色。你可以查看此链接以获取基本参考：https://medium.com/datadriveninvestor/python-data-visualization-with-matplotlib-for-absolute-beginner-python-part-ii-65818b4d96ce
理解之后，你可以剖析如何创建图5。是的，大略地说，图5中有两个轴。第一个轴是一个大的绘图，放大版本从580到650，第二个是缩小版本。下面是创建图5的代码。
# 创建主容器fig = plt.figure()# 设置随机种子np.random.seed(100)# 创建仿照数据x = np.random.normal(400, 50, 10_000)y = np.random.normal(300, 50, 10_000)c = np.random.rand(10_000)# 创建放大图ax = plt.scatter(x, y, s = 5, c = c)plt.xlim(400, 500)plt.ylim(350, 400)plt.xlabel('x', labelpad = 15)plt.ylabel('y', labelpad = 15)# 创建放大图ax_new = fig.add_axes([0.6, 0.6, 0.2, 0.2]) # 放大图的位置与放大图的比例比较plt.scatter(x, y, s = 1, c = c)# 保存图形，留好边距plt.savefig('zoom.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)
如果你须要代码的阐明，可以访问此链接:https://medium.com/datadriveninvestor/data-visualization-with-matplotlib-for-absolute-beginner-part-i-655275855ec8
我还供应了另一个版本的缩放效果，你可以利用Matplotlib。如图7所示。
要创建图7，你须要在Matplotlib中利用add_subblot或其他语法（subblot）创建三个轴。为了更随意马虎利用，我在这里加上。要创建它们，可以利用以下代码。
fig = plt.figure(figsize=(6, 5))plt.subplots_adjust(bottom = 0., left = 0, top = 1., right = 1)# 创建第一个轴，左上角的图用绿色的图sub1 = fig.add_subplot(2,2,1) # 两行两列，第一单元格# 创建第二个轴，即左上角的橙色轴sub2 = fig.add_subplot(2,2,2) # 两行两列，第二个单元格# 创建第三个轴，第三和第四个单元格的组合sub3 = fig.add_subplot(2,2,(3,4)) # 两行两列，合并第三和第四单元格
代码将天生一个图，如图8所示。它见告我们它将天生2行2列。轴sub1（2，2，1）是子图（第一行，第一列）中的第一个轴。顺序从左上侧到右开始。轴sub2（2，2，2）被放置在第一行第二列中。轴sub3（2，2，（3，4）），是第二行第一列和第二行第二列之间的合并轴。
当然，我们须要定义一个仿照数据，以便在绘图中可视化。在这里，我定义了线性函数和正弦函数的大略组合，如下面的代码所示。
# 利用lambda定义函数stock = lambda A, amp, angle, phase: A angle + amp np.sin(angle + phase)# 定义参数theta = np.linspace(0., 2 np.pi, 250) # x轴np.random.seed(100)noise = 0.2 np.random.random(250)y = stock(.1, .2, theta, 1.2) + noise # y轴
如果你将代码运用到前面的代码中，你将得到一个图，如图9所示。
下一步是限定第一个和第二个轴（sub1和sub2）的x轴和y轴，为sub3中的两个轴创建壅塞区域，并创建代表缩放效果的ConnectionPatch。可以利用以下完全的代码来完成（记住，为了大略起见，我没有利用循环）。
# 利用lambda定义函数stock = lambda A, amp, angle, phase: A angle + amp np.sin(angle + phase)# 定义参数theta = np.linspace(0., 2 np.pi, 250) # x轴np.random.seed(100)noise = 0.2 np.random.random(250)y = stock(.1, .2, theta, 1.2) + noise # y轴# 创建大小为6x5的主容器fig = plt.figure(figsize=(6, 5))plt.subplots_adjust(bottom = 0., left = 0, top = 1., right = 1)# 创建第一个轴，左上角的图用绿色的图sub1 = fig.add_subplot(2,2,1) # 两行两列，第一单元格sub1.plot(theta, y, color = 'green')sub1.set_xlim(1, 2)sub1.set_ylim(0.2, .5)sub1.set_ylabel('y', labelpad = 15)# 创建第二个轴，即左上角的橙色轴sub2 = fig.add_subplot(2,2,2) # 两行两列，第二个单元格sub2.plot(theta, y, color = 'orange')sub2.set_xlim(5, 6)sub2.set_ylim(.4, 1)# 创建第三个轴，第三和第四个单元格的组合sub3 = fig.add_subplot(2,2,(3,4)) # 两行两列，合并第三和第四单元格sub3.plot(theta, y, color = 'darkorchid', alpha = .7)sub3.set_xlim(0, 6.5)sub3.set_ylim(0, 1)sub3.set_xlabel(r'$\theta$ (rad)', labelpad = 15)sub3.set_ylabel('y', labelpad = 15)# 在第三个轴中创建壅塞区域sub3.fill_between((1,2), 0, 1, facecolor='green', alpha=0.2) # 第一个轴的壅塞区域sub3.fill_between((5,6), 0, 1, facecolor='orange', alpha=0.2) # 第二轴的壅塞区域# 在左侧创建第一个轴的ConnectionPatchcon1 = ConnectionPatch(xyA=(1, .2), coordsA=sub1.transData, xyB=(1, .3), coordsB=sub3.transData, color = 'green')# 添加到左侧fig.add_artist(con1)# 在右侧创建第一个轴的ConnectionPatchcon2 = ConnectionPatch(xyA=(2, .2), coordsA=sub1.transData, xyB=(2, .3), coordsB=sub3.transData, color = 'green')# 添加到右侧fig.add_artist(con2)# 在左侧创建第二个轴的ConnectionPatchcon3 = ConnectionPatch(xyA=(5, .4), coordsA=sub2.transData, xyB=(5, .5), coordsB=sub3.transData, color = 'orange')# 添加到左侧fig.add_artist(con3)# 在右侧创建第二个轴的ConnectionPatchcon4 = ConnectionPatch(xyA=(6, .4), coordsA=sub2.transData, xyB=(6, .9), coordsB=sub3.transData, color = 'orange')# 添加到右侧fig.add_artist(con4)# 保存图形，留好边距plt.savefig('zoom_effect_2.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)
代码将为你供应一个出色的缩放效果图，如图7所示。
3.创建图例你的图中是否有许多图例要显示？如果是，则须要将它们放置在主轴之外。
要将图例放置在主容器之外，须要利用此代码调度位置
plt.legend(bbox_to_anchor=(1.05, 1.04)) # 图例的位置
值1.05和1.04位于朝向主容器的x和y轴坐标中。你可以改变它。现在，把上面的代码运用到我们的代码中，
# 利用lambda创建wave函数wave = lambda amp, angle, phase: amp np.sin(angle + phase)# 设置参数值theta = np.linspace(0., 2 np.pi, 100)amp = np.linspace(0, .5, 5)phase = np.linspace(0, .5, 5)# 创建主容器及其标题plt.figure()plt.title(r'Wave Function $y = \gamma \sin(\theta + \phi_0) $', pad = 15)# 为每个放大器和阶段创建绘图for i in range(len(amp)): lgd1 = str(amp[i]) lgd2 = str(phase[i]) plt.plot(theta, wave(amp[i], theta, phase[i]), label = (r'$\gamma = $'+lgd1+', $\phi = $' +lgd2))plt.xlabel(r'$\theta$ (rad)', labelpad = 15)plt.ylabel('y', labelpad = 15)# 调度图例plt.legend(bbox_to_anchor=(1.05, 1.04))# 保存图形，留好边距plt.savefig('outbox_legend.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)
运行代码后，它将给出一个图，如图11所示。
如果要使图例框更俊秀，可以利用以下代码添加阴影效果。它将显示一个图，如图12所示。
plt.legend(bbox_to_anchor=(1.05, 1.04), shadow=True)
在过去的十年里，数据可视化的风格被转移到一个干净的绘图主题上。通过阅读国际期刊或网页上的一些新论文，我们可以看到这种转变。最盛行的方法之一是用连续的偏差可视化数据，而不是利用偏差条。你可以在图13中看到它。
图13是通过利用fill_between天生的。在fill_between语法中，你须要定义上限和下限，如图14所示。
要运用它，可以利用以下代码。
plt.fill_between(x, upper_limit, lower_limit)
参数上限和下限可以互换。这是完全的代码。
N = 9x = np.linspace(0, 6np.pi, N)mean_stock = (stock(.1, .2, x, 1.2))np.random.seed(100)upper_stock = mean_stock + np.random.randint(N) 0.02lower_stock = mean_stock - np.random.randint(N) 0.015plt.plot(x, mean_stock, color = 'darkorchid', label = r'$y = \gamma \sin(\theta + \phi_0)$')plt.fill_between(x, upper_stock, lower_stock, alpha = .1, color = 'darkorchid')plt.grid(alpha = .2)plt.xlabel(r'$\theta$ (rad)', labelpad = 15)plt.ylabel('y', labelpad = 15)plt.legend()plt.savefig('fill_between.png', dpi = 300, bbox_inches = 'tight', pad_inches = .1)5.调度边距
如果你剖析上面的每一行代码，plt.savefig()后面会是一个繁芜的参数：bbox_inches和pad_inches。当你在撰写一篇期刊或文章时，它们会为你供应边距。如果不包括它们，则保存后，绘图的边距将更大。图15展示了有bbox_inches和pad_inches以及没有它们的不同绘图。
我想你看不出图15中两个图之间的差异。我将考试测验用不同的背景色来显示它，如图16所示。
同样，当你在一篇论文或一篇文章中插入你的图表时，这个技巧会帮助你。你不须要裁剪它来节省空间。
结论Matplotlib是一个多平台库，可以在许多操作系统利用。它是将数据可视化的老库之一，但它仍旧很强大。由于开拓职员总是根据数据可视化的趋势进行一些更新。上面提到的一些技巧便是更新的例子。
