Matplotlib

基本使用

基本用法

# 使用import导入模块matplotlib.pyplot，并简写成plt 
import matplotlib.pyplot as plt# 使用np.linspace定义x：范围是(-1,1);个数是50. 仿真一维数据组(x ,y)表示曲线1
x = np.linspace(-1, 1, 50)
y = 2*x + 1# 使用plt.figure定义一个图像窗口. 使用plt.plot画(x ,y)曲线. 使用plt.show显示图像
plt.figure()
plt.plot(x, y)
plt.show()

figure图像

- matplotlib 的 figure 就是一个 单独的 figure 小窗口, 小窗口里面还可以有更多的小图片
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2# 使用plt.figure()定义一个图像窗口. 使用plt.plot()画(x ,y1)曲线
plt.figure()
plt.plot(x, y1)
plt.show()# 使用plt.figure定义一个图像窗口：编号为3；大小为(8, 5) 
# 使用plt.plot画(x ,y2)曲线
# 使用plt.plot画(x ,y1)曲线，曲线的颜色属性(color)为红色;曲线的宽度(linewidth)为1.0曲线的类型(linestyle)为虚线
# 使用plt.show()显示图像
plt.figure(num=3, figsize=(8, 5))
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.show()

设置坐标轴

调整名字和间隔

- 学习在 matplotlib 中如何设置坐标轴的范围, 单位长度, 替代文字等等
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2plt.figure()
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')# 使用plt.xlim设置x坐标轴范围：(-1, 2)
# 使用plt.ylim设置y坐标轴范围：(-2, 3)
# 使用plt.xlabel设置x坐标轴名称：’I am x’
# 使用plt.ylabel设置y坐标轴名称：’I am y’
plt.xlim((-1, 2))
plt.ylim((-2, 3))
plt.xlabel('I am x')
plt.ylabel('I am y')
plt.show()# 使用np.linspace定义范围以及个数：范围是(-1,2);个数是5.
# 使用plt.xticks设置x轴刻度：范围是(-1,2);个数是5
new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)# 使用plt.yticks设置y轴刻度以及名称：刻度为[-2, -1.8, -1, 1.22, 3]
# 对应刻度的名称为[‘really bad’,’bad’,’normal’,’good’, ‘really good’]其中，在字符前后加上$, 且在字符前加上r, 以保证字符能够被正确显示，空格前要加转义符\，以保证显示空格如要显示希腊字母，比如阿尔法：\alpha \beta  在字母右下加角标： \alpha_i
# 使用plt.show显示图像
plt.yticks([-2, -1.8, -1, 1.22, 3],  # 坐标和名称要一一对应[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
plt.show()

设置坐标轴边框 .gca()

- 如何移动matplotlib 中 axis 坐标轴的位置
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2plt.figure()
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.xlim((-1, 2))
plt.ylim((-2, 3))new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)
plt.yticks([-2, -1.8, -1, 1.22, 3],['$really\ bad$', '$bad$', '$normal$', '$good$', '$really\ good$'])# 使用plt.gca获取当前坐标轴信息 (gca: get current axis)
# 使用 .spines 设置边框:右侧边框left；使用.set_color设置边框颜色：默认白色上边框top；使用.set_color设置边框颜色：默认白色；另外，右边框right，下边框bottom
ax = plt.gca()
ax.spines['right'].set_color('None') # none也可以
ax.spines['top'].set_color('None')
plt.show()

调整坐标轴

# 使用 .xaxis.set_ticks_position设置x坐标刻度数字或名称的位置：bottom（所有位置：top，bottom，both，default，none）
ax.xaxis.set_ticks_position('bottom')# 使用.spines设置边框：x轴；
# 使用.set_position设置边框位置：y=0的位置（位置所有属性：outward，axes，data） ---> 此处我不明白outward和axes，只明白data
ax.spines['bottom'].set_position(('data', 0)) ---> 此处是元组
plt.show()# 使用.yaxis.set_ticks_position设置y坐标刻度数字或名称的位置：left.所有位置：left，right，both，default，none）
ax.yaxis.set_ticks_position('left')# 使用.spines设置边框：y轴
# 使用.set_position设置边框位置：x=0的位置；（位置所有属性：outward，axes，data）
ax.spines['left'].set_position(('data',0))
plt.show()

legend 图例

添加图例

- matplotlib 中的 legend 图例就是为了帮我们展示出每个数据对应的图像名称，更好的让读者认识到你的数据结构
import matplotlib.pyplot as plt
import numpy as npx = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2plt.figure()
#set x limits
plt.xlim((-1, 2))
plt.ylim((-2, 3))# set new sticks
new_sticks = np.linspace(-1, 2, 5)
plt.xticks(new_sticks)
# set tick labels
plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])# 我们将对图中的两条线绘制图例，首先我们设置两条线的类型等信息（蓝色实线与红色虚线)
# set line syles
l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')# legend将要显示的信息来自于上面代码中的label.
# 所以我们只需要简单写下一下代码, plt 就能自动的为我们添加图例
plt.legend(loc='upper right') # 参数 loc='upper right' 表示图例将添加在图中的右上角

调整位置和名称

# 如果我们想单独修改之前的 label 信息, 给不同类型的线条设置图例信息. 我们可以在 plt.legend输入更多参数
# 如果以下面这种形式添加 legend, 我们需要确保在上面的代码plt.plot(x,y2,label='linear line')和plt.plot(x,y1,label='square line')中有用变量l1和l2分别存储起来
# 需要注意的是 l1, l2,要<以逗号结尾>, 因为plt.plot()返回的是一个列表. 
l1, = plt.plot(x,y2,label=['linear line']) # 逗号必须有
l2, = plt.plot(x,y1,label=['square line']) # 逗号必须有
plt.legend(handles=[l1, l2], labels=['up', 'down'],  loc='best')
# 这样我们就能分别重新设置线条对应的 label 了.
# 其中’loc’参数有多种，’best’表示自动分配最佳位置，其余的如下：
'best' : 0,          
'upper right'  : 1,
'upper left'   : 2,
'lower left'   : 3,
'lower right'  : 4,
'right'        : 5,
'center left'  : 6,
'center right' : 7,
'lower center' : 8,
'upper center' : 9,
'center'       : 10

Annotation 标注

mport matplotlib.pyplot as plt
import numpy as npx = np.linspace(-3, 3, 50)
y = 2*x + 1plt.figure(num=1, figsize=(8, 5),)
plt.plot(x, y,)ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))# 然后标注出点(x0, y0)的位置信息
# 用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) 画出一条垂直于x轴的虚线.
x0 = 1
y0 = 2*x0 + 1
plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
# set dot styles
plt.scatter([x0, ], [y0, ], s=50, color='b')

添加注释 annotate

# 接下来我们就对(x0, y0)这个点进行标注
plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),textcoords='offset points', fontsize=16,arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
其中参数xycoords='data' 是说基于数据的值来选位置, xytext=(+30, -30) 和 textcoords='offset points' 
对于标注位置的描述 和 xy 偏差值, arrowprops是对图中箭头类型的一些设置

添加注释 text

plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',fontdict={'size': 16, 'color': 'r'})
其中-3.7, 3,是选取text的位置, 空格需要用到转字符\ ,fontdict设置文本字体

tick 能见度(曲线透明度)

当图片中的内容较多，相互遮盖时，我们可以通过设置相关内容的透明度来使图片更易于观察，
也即是通过本节中的bbox参数设置来调节图像信息
import matplotlib.pyplot as plt
import numpy as npx = np.linspace(-3, 3, 50)
y = 0.1*xplt.figure()
# 在 plt 2.0.2 或更高的版本中, 设置 zorder(渲染顺序) 给 plot 在 z 轴方向排序
plt.plot(x, y, linewidth=10, zorder=1) # zorder=1, 相当于第一图层
plt.ylim(-2, 2)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))# 然后对被遮挡的图像调节相关透明度，本例中设置 x轴 和 y轴 的刻度数字进行 不透明度alpha 设置
for label in ax.get_xticklabels() + ax.get_yticklabels():label.set_fontsize(12)# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7, zorder=2))
plt.show()
其中label.set_fontsize(12)重新调节字体大小
bbox设置目的内容的透明度相关参数：facecolor调节 box 前景色edgecolor 设置边框，本处设置边框为无alpha设置 不透明度

保存图像

plt.savefig('路径')
也可以保存在当下路径，并命名，如：
plt.savefig('./figure1.png')

画图种类

散点图 scatter

首先，先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。生成1024
个呈标准正态分布的二维数据组 (平均数是0，方差为1) 作为一个数据集，并图像化这个数
据集。每一个点的颜色值用T来表示：
import matplotlib.pyplot as plt
import numpy as npn = 1024    # data size
X = np.random.normal(0, 1, n) # 每一个点的X值
Y = np.random.normal(0, 1, n) # 每一个点的Y值
T = np.arctan2(Y,X) # for color value# 输入X和Y作为location，size=75，颜色为T，color map用默认值，不透明度alpha 为 50%
# 轴显示范围定位(-1.5，1.5)，并用xtick()函数来隐藏x坐标轴，y轴同理：
plt.scatter(X, Y, s=75, c=T, alpha=.5)plt.xlim(-1.5, 1.5)
plt.xticks(())  # ignore xticks
plt.ylim(-1.5, 1.5)
plt.yticks(())  # ignore yticks
plt.show()

柱状图 bar

向上向下分别生成12个数据，X为 0 到 11 的整数 ，Y是相应的均匀分布的随机数据。 使用的函数是plt.bar，参数为X和Y：
import matplotlib.pyplot as plt
import numpy as np

生成基本图形

n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)plt.bar(X, +Y1)
plt.bar(X, -Y2)plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())plt.show()

加颜色和数据

# 下面我们就颜色和数值进行优化。 用facecolor设置主体颜色，edgecolor设置边框颜色为白色，
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')# 接下来我们用函数plt.text分别在柱体上方（下方）加上数值，用%.2f保留两位小数，横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'：
for x, y in zip(X, Y1):# ha: horizontal alignment(横向对齐)# va: vertical alignment(纵向对齐)plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')for x, y in zip(X, Y2):# ha: horizontal alignment# va: vertical alignmentplt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')

contours 等高线图

画等高线

数据集即三维点 (x,y) 和对应的高度值，共有256个点。高度值使用一个 height function f(x,y) 生成。 x, y 分别是在区间
[-3,3]中均匀分布的256个值，并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格:
import matplotlib.pyplot as plt
import numpy as npdef f(x,y):# the height functionreturn (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)接下来进行颜色填充。使用函数plt.contourf把颜色加进去，位置参数分别为：X, Y, f(X,Y)
不透明度0.75，并将 f(X,Y) 的值对应到color map的暖色组中寻找对应颜色
# use plt.contourf to filling contours
# X, Y and value for (X,Y) point
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot) （把hot改为cool，就变为冷色调）

添加高度数字

其中，8代表等高线的密集程度，这里被分为10个部分。如果是0，则图像被一分为二。
最后加入Label，inline控制是否将Label画在线里面，字体大小为10。并将坐标轴隐藏：
plt.clabel(C, inline=True, fontsize=10)
plt.xticks(())
plt.yticks(())

Image图片

这一节我们讲解怎样在matplotlib中打印出图像。这里我们打印出的是纯粹的数字，而非自然图像。 
我们今天用这样 3x3 的 2D-array 来表示点的颜色，每一个点就是一个pixel
import matplotlib.pyplot as plt
import numpy as npa = np.array([0.313660827978, 0.365348418405, 0.423733120134,0.365348418405, 0.439599930621, 0.525083754405,0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)

随机矩阵画图

# 三行三列的格子，a代表每一个值，图像右边有一个注释，白色代表值最大的地方，颜色越深值越小
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
我们之前选cmap的参数时用的是：cmap=plt.cmap.bone，而现在，我们可以直接用单引号传入参数
origin='lower'代表的就是选择的原点的位置。
interpolation='nearest' 代表的是出图方式

出图方式

官网可看到出图方式：https://matplotlib.org/examples/images_contours_and_fields/interpolation_methods.html
这里我们使用的是内插法中的 Nearest-neighbor 的方法  interpolation='nearest'

colorbar

下面我们添加一个colorbar ，其中我们添加一个shrink参数，使colorbar的长度变短为原来的92%：
plt.colorbar(shrink=.92)plt.xticks(())
plt.yticks(())
plt.show()

3D plot

- 额外添加模块：
from mpl_toolkits.mplot3d import Axes3D

3D 图

之后要先定义一个图像窗口，在窗口上添加3D坐标轴:
fig = plt.figure()
ax = Axes3D(fig)# 接下来给进 X 和 Y 值，并将 X 和 Y 编织成栅格。
每一个（X, Y）点对应的高度值我们用下面这个函数来计算
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)    # x-y 平面的网格
R = np.sqrt(X ** 2 + Y ** 2)
# height value
Z = np.sin(R)# 做出一个三维曲面，并将一个 colormap rainbow 填充颜色，之后将三维图像投影到 XY 平面上做一个等高线图。
# plot 3D 图像：
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')
其中，rstride 和 cstride 分别代表 row 和 column 的跨度
cmap 代表的是颜色

投影

# 下面添加 XY 平面的等高线：
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
其中，zdir='z'表示投影面的法线是z轴

多图合并显示

subplot 多合一显示(个人喜欢用)

均匀图中图

使用plt.subplot来创建小图. plt.subplot(2,2,1)表示将整个图像窗口分为2行2列, 当前位置为1.
使用plt.plot([0,1],[0,1])在第1个位置创建一个小图
plt.subplot(2,2,1)
plt.plot([0,1],[0,1])plt.subplot(2,3,4)表示将整个图像窗口分为2行3列, 当前位置为4. 
使用plt.plot([0,1],[0,2])在第4个位置创建一个小图.
plt.subplot(2,3,4)
plt.plot([0,1],[0,2]) 

不均匀图中图

- 以上面的4个小图为例, 如果把第1个小图放到第一行, 而剩下的3个小图都放到第二行.# 使用plt.subplot(2,1,1)将整个图像窗口分为2行1列, 当前位置为1. 使用plt.plot([0,1],[0,1])在第1个位置创建一个小图
plt.subplot(2,1,1)
plt.plot([0,1],[0,1])# 使用plt.subplot(235)将整个图像窗口分为2行3列,当前位置为5. 使用plt.plot([0,1],[0,3])在第5个位置创建一个小图. 
同上, 再创建plt.subplot(236).
plt.subplot(235)
plt.plot([0,1],[0,3])plt.subplot(236)
plt.plot([0,1],[0,4])

Subplot 分格显示

- 这里介绍三种方法

1、subplot2grid

import matplotlib.pyplot as plt
plt.figure()
# 使用plt.subplot2grid来创建第1个小图, (3,3)表示将整个图像窗口分成3行3列, (0,0)表示从第0
# 行第0列开始作图，colspan=3表示列的跨度为3, rowspan=1表示行的跨度为1. colspan和
# rowspan缺省, 默认跨度为1
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax1.plot([1, 2], [1, 2])    # 画小图
ax1.set_title('ax1_title')  # 设置小图的标题# 使用plt.subplot2grid来创建第2个小图, (3,3)表示将整个图像窗口分成3行3列, (1,0)表示从第1
# 行第0列开始作图，colspan=2表示列的跨度为2. 同上画出 ax3, (1,2)表示从第1行第2列开始
# 作图，rowspan=2表示行的跨度为2. 再画一个 ax4 和 ax5, 使用默认 colspan, rowspan.
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))# 使用ax4.scatter创建一个散点图, 使用ax4.set_xlabel和ax4.set_ylabel来对x轴和y轴命名.
ax4.scatter([1, 2], [2, 2])
ax4.set_xlabel('ax4_x')
ax4.set_ylabel('ax4_y')

2、gridspec

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec# 使用plt.figure()创建一个图像窗口, 使用gridspec.GridSpec将整个图像窗口分成3行3列
plt.figure()
gs = gridspec.GridSpec(3, 3)# 使用plt.subplot来作图, gs[0, :]表示这个图占第0行和所有列, gs[1, :2]表示这个图占第1行和第
# 2列前的所有列, gs[1:, 2]表示这个图占第1行后的所有行和第2列, gs[-1, 0]表示这个图占倒数
# 第1行和第0列, gs[-1, -2]表示这个图占倒数第1行和倒数第2列
ax6 = plt.subplot(gs[0, :])
ax7 = plt.subplot(gs[1, :2])
ax8 = plt.subplot(gs[1:, 2])
ax9 = plt.subplot(gs[-1, 0])
ax10 = plt.subplot(gs[-1, -2])

3、subplots

使用plt.subplots建立一个2行2列的图像窗口，sharex=True表示共享x轴坐标, sharey=True表示共享y轴坐标. 
((ax11, ax12), (ax13, ax14))表示第1行从左至右依次放ax11和ax12, 第2行从左至右依次放ax13和ax14
f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True)# 使用ax11.scatter创建一个散点图.
ax11.scatter([1,2], [1,2])# plt.tight_layout()表示紧凑显示图像, plt.show()表示显示图像.
plt.tight_layout()
plt.show()

图中图 plot in plot

- 两个小图title inside 1和title inside 2又出现在大图title中
# 导入pyplot模块
import matplotlib.pyplot as plt# 初始化figure
fig = plt.figure()# 创建数据
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 3, 4, 2, 5, 8, 6]## 大图
# 接着，我们来绘制大图。首先确定大图左下角的位置以及宽高
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8# 注意，4个值都是占整个figure坐标系的百分比。在这里，假设figure的大小是10x10，那么大图就被包含在由(1, 1)开始，宽8，高8的坐标系内。
# 将大图坐标系添加到figure中，颜色为r(red)，取名为title：
ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x, y, 'r')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')## 小图1
# 接着，我们来绘制左上角的小图，步骤和绘制大图一样，注意坐标系位置和大小的改变
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(y, x, 'b')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside 1')## 小图2
# 最后，我们来绘制右下角的小图。这里我们采用一种更简单方法，即直接往plt里添加新的坐标系：
plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(y[::-1], x, 'g') # 注意对y进行了逆序处理
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')plt.show()

次坐标轴

- 有时候我们会用到次坐标轴，即在同个图上有第2个y轴存在。同样可以用matplotlib做到，而且很简单
import matplotlib.pyplot as plt
import numpy as np## 第一个y坐标
x = np.arange(0, 10, 0.1)
y1 = 0.05 * x**2
y2 = -1 * y1# 可以看到，y2和y1是互相倒置的。接着，获取figure默认的坐标系 ax1
fig, ax1 = plt.subplots()## 第二个y坐标
# 对ax1调用twinx()方法，生成如同镜面效果后的ax2：
ax2 = ax1.twinx()# 接着进行绘图, 将 y1, y2 分别画在 ax1, ax2上：
ax1.plot(x, y1, 'g-')   # green, solid lineax1.set_xlabel('X data')ax1.set_ylabel('Y1 data', color='g')ax2.plot(x, y2, 'b-') # blueax2.set_ylabel('Y2 data', color='b')

Animation 动画

- 使用matplotlib做动画也是可以的，我们使用其中一种方式，function animation来说说
from matplotlib import pyplot as plt
from matplotlib import animation
import numpy as np
fig, ax = plt.subplots()# 我们的数据是一个0~2π内的正弦曲线：
x = np.arange(0, 2*np.pi, 0.01)
line, = ax.plot(x, np.sin(x))# 接着，构造自定义动画函数animate，用来更新每一帧上各个x对应的y坐标值，参数表示第i帧：
def animate(i):line.set_ydata(np.sin(x + i/10.0))return line,# 然后，构造开始帧函数init：
def init():line.set_ydata(np.sin(x))return line,## 参数设置
接下来，我们调用FuncAnimation函数生成动画。参数说明：fig       进行动画绘制的figurefunc      自定义动画函数，即传入刚定义的函数animateframes    动画长度，一次循环包含的帧数init_func 自定义开始帧，即传入刚定义的函数initinterval  更新频率，以ms计blit      选择更新所有点，还是仅更新产生变化的点。应选择True，但mac用户请选择False，否则无法显示动画ani = animation.FuncAnimation(fig=fig,func=animate,frames=100,init_func=init,interval=20,blit=False)
plt.show()# 当然，你也可以将动画以mp4格式保存下来，但首先要保证你已经安装了ffmpeg 或者mencoder
ani.save('basic_animation.mp4', fps=30, extra_args=['-vcodec', 'libx264'])