目录
前言
matplotlib 架构上分为三层。
底层：backend layer
中层：artist layer
最高层：scripting layer
在任意一层操作都能够实现画图的目的，而且画出来还都一样。但越底层的操作越细节，越高层越易于人机交互。
- .plt 对应的就是最高层 scripting layer。这就是为什么它简单上手，但要调细节就不灵了。
- ax.plot 是在 artist layer 上操作。基本上可以实现任何细节的调试。
- backend layer, 至今，我还没有见有人在这个layer上操作过。
查看plt.plot()的源码，实际上是获取当前的axes然后在上面作图。
另外，对于axes (翻译就是 坐标系)，如果大家学过大学物理的话，会知道每一个物体都有一个独立的坐标系。而matplotlib 就是引用这一理念。所以在artist layer上画多条曲线时，会用 ax1.plot, ax2.plot ... 而最后显示在一张图上是因为所有独立坐标系对齐的结果。
plt. /ax.
定义
plt.figure()： plt.***系列。通过 plt.x 来画图，其实是取了一个捷径。这是通过matplotlib提供的一个api，这个plt提供了很多基本的function可以让你很快的画出图来，但是如果你想要更细致的精调，就要使用另外一种方法。
# 示例：
import matplotlib.pyplot as plt
A=1, 2, 3
B=2, 2, 2
plt.figure(1)
plt.subplot(232)
plt.plot(A,B)
plt.show()
fig, ax = plt.subplots(): 这个就是正统的稍微复杂一点的画图方法了。指定figure和axes，然后对每一个axes单独操作。
# 示例：
import matplotlib.pyplot as plt
A=1, 2, 3
B=2, 2, 2
fig, ax = plt.subplots(2,3)
ax[0,1].plot(A,B)
plt.show()
对比一
import matplotlib.pyplot as plt
import numpy as np
x=np.arange(1,10)
y=x**2
# plt.plot()示例
plt.figure()
plt.plot(x,y)
plt.show()
# ax.plot()示例
fig,ax=plt.subplots()
ax.plot(x,y)
plt.show()
输出结果：
结果是一样的，区别在于：
- plt.plot()先生成一个figure画布，然后在这个画布上隐式生成的画图区域上画图
- ax.plot()同时生成了fig和ax对象，然后用ax对象在其区域上画图，推荐使用该方式
对比二
# 示例1
fig = plt.figure() # figure是matplotlib中最基础的一个对象，是一个总的画布
ax = fig.add_subplot(2,2,1) # add_subplot在画布中添加一个axes(可以理解为子区域)，并返回这个子区域参数的前两个表示子区域的行列数，最后一个表示子区域的顺序
ax.plot([1,2,3]) # 在这个子区域中画
# 示例2
fig = plt.figure()
ax = plt.subplot(2,2,1) # 和fig.add_subplot作用相同，只是直接调用plt.subplot，会获取当前活跃的figure对象，然后添加子区域
ax.plot([1,2,3])
# 示例3
fig, ax = plt.subplots(2,2) # 调用subplots会直接添加多个子区域，返回的ax是一个包含所有子区域的矩阵
ax1 = ax[0,0] # 通过下标获取需要的子区域
ax1.plot([1,2,3])
从结果我们看到，3个代码都在图的左上角区域画了一个直线图，不同的是前两个图把其他区域空了出来，而第3个子图把余下的子区域都分好了。
第3种，这种方式最为直观，在子区域很多时也不容易混淆。