03-Matplotlib绘图逻辑框架之基础架构

约定

我们导入matplotlib时，推荐使用：

import matplotlib as mpl

因此，简洁起见，在后面我们将经常使用 mpl代表matplotlib。

还将用：

• figure ，表示matplotlib绘制的图形；
• Image，表示位图图像，或栅格图像，保存方式为点阵存储，也称为点阵图像；
• Graphic，表示矢量图形，用数学方法描述的图形。

有一部分初学者，因为对位图、矢量图、分辨率、DPI、PPI、图像尺寸、坐标等概念的不清晰，也造成了学习、使用mpl的一些困扰。

将会专门以一篇文章，用草根的语言讨论一下这些基本概念，理清这些概念对理解matplotlib框架非常有好处。

Matplotlib基础架构

Matplotlib是基于Pythony语言，旨在为Python提供一个数据绘图包的开源项目，它以Python的一个库包的形式分发、安装、调用。

mpl是Python的一个包，记住：Python包就是一个定义了__init__.py文件的文件夹而已，包中的各个模块都会保存在这个文件夹中。

matplotlib 实际上就是提供了 3 种API，用于不同的绘图场景。

• The pyplot API
• The object-oriented API
• The pylab API (已弃用)

mpl需要其它包的支持，主要有：

• numpy，用于提供绘图数据，你要用于绘图的数据都应转换化numpy 的 ndarray，才传递给mpl;。事实上，一幅图像也可以保存为一个ndarray（将专门介绍）。
• backend，后端，简单地说就是将mpl代码转换为图形的后台算法，如mpl中最常用的FigureCanvasAgg，将专文讨论backend。

函数式绘图 pyplot API

matplotlib是受MATLAB的启发构建的，MATLAB语言是面向过程的，利用函数的调用，MATLAB中可以轻松的利用一行命令来绘制直线，然后再用一系列的函数调整结果。

matplotlib通过matplotlib.pyplot模块，完全仿照MATLAB的函数形式，提供了一套绘图接口。这套函数接口方便MATLAB用户过度到matplotlib包。

Python中的函数式编程是通过封装对象实现的。matplotlib中的函数式调用其实也是如此。matplotlib本质上还是构建对象来构建图像。只不过pyplot函数将构建对象的过程封装在函数中，从而让我们觉得很方便。

pyplot函数式绘图创造了一个仿真MATLAB的工作环境，并有许多成形的绘图函数，如果只是作为Matplotlib的一般用户，pyplot可以满足大部分的需求。

但利用函数式绘图会有以下缺点：

1. 增加了一层“函数”调用，降低了效率。
2. 隶属关系被函数掩盖。整个matplotlib包是由一系列有组织有隶属关系的对象构成的。函数掩盖了原有的隶属关系，将事情变得复杂、模糊。
3. 细节被函数掩盖。pyplot并不能完全复制对象体系的所有功能，图像的许多细节调整最终还要回到对象。
4. 每件事情都可以有至少两种方式完成，用户很容易混淆。
5. 封装，掩盖了真相，蒙蔽了很多初学者的双眼，让他们迷失在mpl世界的边缘，始终不能达到自由操控mpl的境界。

第4、5组成了一个陷阱，它就是困住很多初学者的那个最大的坑。

再看下面的函数绘图的示例：

import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4])plt.show()

对于初学者来说，它很简单，也很容易模仿，但很多人不知道，函数封装的一些东西在后台做了些什么，因此长时间只能照猫画虎。

面向对象(OO, object-oriented)绘图

我们改用面向对象(OO, object-oriented)绘图方式绘制上面的直线图。

from matplotlib.figure import Figurefrom matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvasfig = Figure()canvas = FigureCanvas(fig)ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])line, = ax.plot([1, 2, 3, 4])s, (width, height) = canvas.print_to_buffer() from PIL import Image im = Image.frombytes('RGBA', (width, height), s)im.show()

大家先复制这些代码，运行看看就可以了，后面会详细解释它们。

因为，面向对象绘图需要我们一步一步地创建需要的对象，包括基础的Figure，FigureCanvasAgg（画布），所以需要引入两个类: Figure和mpl.backends.backend_agg.FigureCanvasAgg。所以代码看其来要长得多、复杂得多。

但这时，我们反而非常清楚我们创建的每个对象，对象之间的关系，以及我们正在做什么。

函数式编程也调用了这些类，只是调用的过程被函数调用所遮掩，所以初学者对函数创建的对象常是模糊的，似懂非懂的。函数式绘图提供了状态机接口，会自动对当前对象进行绘图操作，所以对象的调用思路也是不清晰的。

而面向对象绘图不同，每个对象都是你明确创建的，要对哪个对象进行操作也是显式调用的，所以你就知其然且知其所以然。

以我个人的经验，认为：从面向对象绘图开始才是学习matplotlib的正确姿势！

跟着我前进，等你学习一段时间后，你就会有打通matplotlib修炼任督二脉的感觉。

pylab，仿matlab模式

matplotlib.pylab是一个模块，它在单个名称空间中批量导入matplotlib.pyplot、numpy以及一些附加函数用于绘图。 最初的目的是通过将所有函数导入全局命名空间来模仿类似MATLAB的工作方式。由于大量导入全局命名空间可能会导致意外行为，现在这被认为是糟糕的风格。因此强烈建议不要使用pylab。 事实上在matplotlib的最新版中已弃用它。

因此，后面，我们将认为mpl只有pyplot函数式绘图和面向对象绘图两套API。

总结

• mpl以numpy, backend为支撑，提供了函数式绘图、面向对象绘图两种绘图模式（API）;
• 面向对象绘图是mpl的核心、精髓，请从这里开始；
• pyplot仅是对对象的封装而已，会自然习得。

关于mpl框架的更详细介绍请见后续更新。

下一篇：PPI，DPI，inches，Axes, Axis......不再拧不清

本系列文章系本人学习笔记的整理和经验教训的总结，难免有偏、错之处，欢迎大家在讨论区交流。也欢迎对后续写作提出宝贵建议！

关注”Python草堂“头条号，和我一起通向mpl的自由殿堂！