新的更易访问的颜色循环#

添加了一个名为 'petroff10' 的新颜色循环.此循环是结合算法强制执行的可访问性约束(包括色觉缺陷建模)和基于机器学习的美学模型(该模型是从众包的颜色偏好调查中开发的)构建的.它旨在在美学上令人愉悦且具有色盲可访问性,因此可以用作通用设计中的默认设置.有关更多详细信息,请参见 Petroff, M. A.: "Accessible Color Sequences for Data Visualization" 和相关的 SciPy talk .样式表参考_中包含了一个演示.要加载此颜色循环以代替默认值:

import matplotlib.pyplot as plt
plt.style.use('petroff10')

深色模式发散型颜色映射#

新增了三种发散型颜色映射:"berlin","managua"和"vanimo".它们是深色模式发散型颜色映射,中心亮度最低,两端亮度最高.这些颜色映射取自 F. Crameri 的 Scientific colour maps version 8.0.1 (DOI: https://doi.org/10.5281/zenodo.1243862).

import numpy as np
import matplotlib.pyplot as plt

vals = np.linspace(-5, 5, 100)
x, y = np.meshgrid(vals, vals)
img = np.sin(x*y)

_, ax = plt.subplots(1, 3)
ax[0].imshow(img, cmap=plt.cm.berlin)
ax[1].imshow(img, cmap=plt.cm.managua)
ax[2].imshow(img, cmap=plt.cm.vanimo)

(Source code, png)

Example figures using

在 contour 和 contourf 中指定单一颜色#

Axes.contour 和 Axes.contourf 之前只接受字符串形式的单一颜色.现在已经取消了这个限制,可以传递 指定颜色 教程中描述的任何格式的单一颜色.

import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(6, 3))
z = [[0, 1], [1, 2]]

ax1.contour(z, colors=('r', 0.4))
ax2.contour(z, colors=(0.1, 0.2, 0.5))

plt.show()

(Source code, png)

Two-panel example contour plots. The left panel has all transparent red contours. The right panel has all dark blue contours.

异常处理控制#

现在,当传递无效的关键字参数时引发的异常会将该参数名称作为异常的 name 属性包含在内.这为异常处理提供了更多的控制:

import matplotlib.pyplot as plt

def wobbly_plot(args, **kwargs):
    w = kwargs.pop('wobble_factor', None)

    try:
        plt.plot(args, **kwargs)
    except AttributeError as e:
        raise AttributeError(f'wobbly_plot does not take parameter {e.name}') from e


wobbly_plot([0, 1], wibble_factor=5)

AttributeError: wobbly_plot does not take parameter wibble_factor

初步支持自由线程的 CPython 3.13#

Matplotlib 3.10 初步支持自由线程构建的 CPython 3.13.请参见 https://py-free-threading.github.io, PEP 703 和 CPython 3.13 release notes ,以获取有关自由线程 Python 的更多详细信息.

对自由线程 Python 的支持并不意味着 Matplotlib 是完全线程安全的.我们希望在单个线程中使用 Figure 可以正常工作,并且虽然输入数据通常会被复制,但在某些情况下,从另一个线程修改用于绘图的数据对象可能会导致不一致.强烈不鼓励使用任何全局状态(例如 pyplot 模块),并且不太可能持续工作.另请注意,大多数 GUI 工具包都希望在主线程上运行,因此从其他线程进行交互式使用可能会受到限制或不支持.

如果您对自由线程 Python 感兴趣,例如,因为您有一个基于多进程的工作流程,并且有兴趣使用 Python 线程运行它,我们鼓励您进行测试和实验.如果您遇到您怀疑是由于 Matplotlib 引起的问题,请打开一个 issue,首先检查该 bug 是否也出现在"常规"非自由线程的 CPython 3.13 构建中.

使用 Agg 渲染器增加 Figure 限制#

现在,使用 Agg 渲染器的 Figures 在每个方向上的像素限制为 223,而不是 216.此外,修复了导致艺术家无法水平渲染超过 215 像素的 bug.

请注意,如果您使用的是 GUI 后端,它可能具有自己的较小限制(这些限制本身可能取决于屏幕尺寸.)

矢量化 hist 样式参数#

现在, hist 方法的参数 hatch,edgecolor,facecolor,linewidth 和 linestyle 已被矢量化.这意味着当输入 x 具有多个数据集时,您可以为每个直方图传入单独的参数.

import matplotlib.pyplot as plt
import numpy as np
np.random.seed(19680801)

fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(9, 9))

data1 = np.random.poisson(5, 1000)
data2 = np.random.poisson(7, 1000)
data3 = np.random.poisson(10, 1000)

labels = ["Data 1", "Data 2", "Data 3"]

ax1.hist([data1, data2, data3], bins=range(17), histtype="step", stacked=True,
         edgecolor=["red", "green", "blue"], linewidth=[1, 2, 3])
ax1.set_title("Different linewidths")
ax1.legend(labels)

ax2.hist([data1, data2, data3], bins=range(17), histtype="barstacked",
         hatch=["/", ".", "*"])
ax2.set_title("Different hatch patterns")
ax2.legend(labels)

ax3.hist([data1, data2, data3], bins=range(17), histtype="bar", fill=False,
         edgecolor=["red", "green", "blue"], linestyle=["--", "-.", ":"])
ax3.set_title("Different linestyles")
ax3.legend(labels)

ax4.hist([data1, data2, data3], bins=range(17), histtype="barstacked",
         facecolor=["red", "green", "blue"])
ax4.set_title("Different facecolors")
ax4.legend(labels)

plt.show()

(Source code, png)

Four charts, each displaying stacked histograms of three Poisson distributions. Each chart differentiates the histograms using various parameters: top left uses different linewidths, top right uses different hatches, bottom left uses different edgecolors, and bottom right uses different facecolors. Each histogram on the left side also has a different edgecolor.

InsetIndicator 艺术家#

indicate_inset 和 indicate_inset_zoom 现在返回一个 InsetIndicator 的实例,其中包含矩形和连接线的补丁.这些补丁现在会自动更新,因此

ax.indicate_inset_zoom(ax_inset)
ax_inset.set_xlim(new_lim)

现在的效果与

ax_inset.set_xlim(new_lim)
ax.indicate_inset_zoom(ax_inset)

matplotlib.ticker.EngFormatter 现在可以计算偏移量了#

matplotlib.ticker.EngFormatter 已经获得了在轴附近显示偏移文本的能力.它使用与 matplotlib.ticker.ScalarFormatter 共享的逻辑,能够确定数据是否符合具有偏移量的条件,并使用适当的 SI 单位前缀和提供的 unit 显示它.

要启用这种新行为,只需在实例化 matplotlib.ticker.EngFormatter 时传递 useOffset=True 即可.参见示例 具有 SI 前缀的偏移量和自然数量级 .

(Source code, png)

修复 ImageGrid 单个颜色条的填充#

当 cbar_mode="single" 时, ImageGrid 不再为 cbar_location 为 "left" 和 "bottom" 的情况在轴和颜色条之间添加 axes_pad .如果需要,可以使用 cbar_pad 添加额外的间距.

ax.table 将接受 pandas DataFrame#

table 方法现在可以接受 Pandas DataFrame 作为 cellText 参数.

import matplotlib.pyplot as plt
import pandas as pd

data = {
    'Letter': ['A', 'B', 'C'],
    'Number': [100, 200, 300]
}

df = pd.DataFrame(data)
fig, ax = plt.subplots()
table = ax.table(df, loc='center')  # or table = ax.table(cellText=df, loc='center')
ax.axis('off')
plt.show()

子图现在按行优先顺序添加#

为了 API 的一致性, Figure.subfigures 现在以行优先的顺序添加.

import matplotlib.pyplot as plt

fig = plt.figure()
subfigs = fig.subfigures(3, 3)
x = np.linspace(0, 10, 100)

for i, sf in enumerate(fig.subfigs):
    ax = sf.subplots()
    ax.plot(x, np.sin(x + i), label=f'Subfigure {i+1}')
    sf.suptitle(f'Subfigure {i+1}')
    ax.set_xticks([])
    ax.set_yticks([])
plt.show()

(Source code, png)

Example of creating 3 by 3 subfigures.

svg.id rcParam#

rcParams["svg.id"] (default: None) 允许您将 id 属性插入到顶层 <svg> 标签中.

例如, rcParams["svg.id"] = "svg1" 导致默认情况),不包含 id 标签

<svg
    xmlns:xlink="http://www.w3.org/1999/xlink"
    width="50pt" height="50pt"
    viewBox="0 0 50 50"
    xmlns="http://www.w3.org/2000/svg"
    version="1.1"
    id="svg1"
></svg>

如果您想使用 <use> 标签将整个 matplotlib SVG 文件链接到另一个 SVG 文件中,这将非常有用.

<svg>
<use
    width="50" height="50"
    xlink:href="mpl.svg#svg1" id="use1"
    x="0" y="0"
/></svg>

#svg1 指示器现在将引用顶层 <svg> 标签,因此将导致包含整个文件.

boxplot 和 bxp orientation 参数#

箱线图有一个新的参数 orientation: {"vertical", "horizontal"} 用于更改图的方向.这将取代已弃用的 vert: bool 参数.

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()
np.random.seed(19680801)
all_data = [np.random.normal(0, std, 100) for std in range(6, 10)]

ax.boxplot(all_data, orientation='horizontal')
plt.show()

(Source code, png)

Example of creating 4 horizontal boxplots.

violinplot 和 violin orientation 参数#

小提琴图有一个新的参数 orientation: {"vertical", "horizontal"} 用于更改图的方向.这将取代已弃用的 vert: bool 参数.

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()
np.random.seed(19680801)
all_data = [np.random.normal(0, std, 100) for std in range(6, 10)]

ax.violinplot(all_data, orientation='horizontal')
plt.show()

(Source code, png)

Example of creating 4 horizontal violinplots.

FillBetweenPolyCollection#

新类 matplotlib.collections.FillBetweenPolyCollection 提供了 set_data 方法,从而可以进行例如重采样 ( galleries/event_handling/resample.html ). matplotlib.axes.Axes.fill_between() 和 matplotlib.axes.Axes.fill_betweenx() 现在返回这个新类.

import numpy as np
from matplotlib import pyplot as plt

t = np.linspace(0, 1)

fig, ax = plt.subplots()
coll = ax.fill_between(t, -t**2, t**2)
fig.savefig("before.png")

coll.set_data(t, -t**4, t**4)
fig.savefig("after.png")

填充 3D 线之间#

新的方法 Axes3D.fill_between 允许使用多边形填充两条 3D 线之间的表面.

N = 50
theta = np.linspace(0, 2*np.pi, N)

x1 = np.cos(theta)
y1 = np.sin(theta)
z1 = 0.1 * np.sin(6 * theta)

x2 = 0.6 * np.cos(theta)
y2 = 0.6 * np.sin(theta)
z2 = 2  # Note that scalar values work in addition to length N arrays

fig = plt.figure()
ax = fig.add_subplot(projection='3d')
ax.fill_between(x1, y1, z1, x2, y2, z2,
                alpha=0.5, edgecolor='k')

(Source code, png)

Example of 3D fill_between

用鼠标旋转3D图#

用鼠标旋转三维图变得更加直观.现在,无论手头的具体方向如何,绘图对鼠标移动的反应方式都相同;并且可以控制所有3个旋转自由度(方位角,仰角和侧倾角).默认情况下,它使用Ken Shoemake的ARCBALL [1] 的变体.特定的鼠标旋转样式可以通过 rcParams["axes3d.mouserotationstyle"] (default: 'arcball') 设置.另请参阅 toolkit_mouse-rotation .

要恢复到原始的鼠标旋转样式,请创建一个包含以下内容的 matplotlibrc 文件:

axes3d.mouserotationstyle: azel

要尝试各种鼠标旋转样式之一:

import matplotlib as mpl
mpl.rcParams['axes3d.mouserotationstyle'] = 'trackball'  # 'azel', 'trackball', 'sphere', or 'arcball'

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm

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

X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

surf = ax.plot_surface(X, Y, Z, cmap=cm.coolwarm,
                       linewidth=0, antialiased=False)

plt.show()

3D绘图中的数据现在可以动态裁剪到轴视图限制#

所有3D绘图函数现在都支持 axlim_clip 关键字参数,该参数会将数据裁剪到轴视图限制,隐藏所有超出这些边界的数据.此裁剪将在平移和缩放时实时动态应用.

请注意,如果线段或3D补丁的一个顶点被裁剪,则整个线段或补丁将被隐藏.无法显示部分线条或补丁,使其在视框边界处被"平滑"截断是当前渲染器的局限性.

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
x = np.arange(-5, 5, 0.5)
y = np.arange(-5, 5, 0.5)
X, Y = np.meshgrid(x, y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

# Note that when a line has one vertex outside the view limits, the entire
# line is hidden. The same is true for 3D patches (not shown).
# In this example, data where x < 0 or z > 0.5 is clipped.
ax.plot_wireframe(X, Y, Z, color='C0')
ax.plot_wireframe(X, Y, Z, color='C1', axlim_clip=True)
ax.set(xlim=(0, 10), ylim=(-5, 5), zlim=(-1, 0.5))
ax.legend(['axlim_clip=False (default)', 'axlim_clip=True'])

(Source code, png)

Example of default behavior (blue) and axlim_clip=True (orange)

其他更改#

  • matplotlib.ticker.ScalarFormatter 类获得了一个新的实例化参数 usetex .

  • 由于内部优化,创建 Axes 现在快 20-25%.

  • Figure.subfigures 和 SubFigure 上的 API 现在被认为是稳定的.

On this page