译者：飞龙
这里是一个简短的教程，示例和代码片段的集合，展示了一些有用的经验和技巧，来制作更精美的图像，并克服一些 matplotlib 的缺陷。
通常用于使两个或更多绘图共享一个轴，例如，两个子绘图具有时间作为公共轴。 当你平移和缩放一个绘图，你想让另一个绘图一起移动。 为了方便这一点，matplotlib 轴支持sharex和sharey属性。 创建subplot()或axes()实例时，你可以传入一个关键字，表明要共享的轴。
In [96]: t = np.arange(0, 10, 0.01)
In [97]: ax1 = plt.subplot(211)
In [98]: ax1.plot(t, np.sin(2*np.pi*t))
Out[98]: [<matplotlib.lines.Line2D object at 0x98719ec>]
In [99]: ax2 = plt.subplot(212, sharex=ax1)
In [100]: ax2.plot(t, np.sin(4*np.pi*t))
Out[100]: [<matplotlib.lines.Line2D object at 0xb7d8fec>]在 matplotlib 的早期版本中，如果你想使用 pythonic API 并创建一个figure实例，并从中创建一个subplots网格，而且可能带有共享轴，它涉及大量的样板代码。 例如：
# old style
fig = plt.figure()
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222, sharex=ax1, sharey=ax1)
ax3 = fig.add_subplot(223, sharex=ax1, sharey=ax1)
ax3 = fig.add_subplot(224, sharex=ax1, sharey=ax1)Fernando Perez 提供了一个很好的顶级方法，来一次性创建subplots()（注意末尾的s），并为所有子图开启x和y共享。 你可以单独解构来获取轴域：
# new style method 1; unpack the axes
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, sharex=True, sharey=True)
ax1.plot(x)或将它们作为行数乘列数的对象数组返回，支持 numpy 索引：
# new style method 2; use an axes array
fig, axs = plt.subplots(2, 2, sharex=True, sharey=True)
axs[0,0].plot(x)matplotlib 允许你本地绘制 python datetime 实例，并且在大多数情况下，可以很好地挑选刻度位置和字符串格式。 但有几件事情它不能妥善处理，这里有一些技巧，用于帮助你解决他们。 我们将在numpy记录数组中加载一些包含datetime.date对象的示例日期数据：
In [63]: datafile = cbook.get_sample_data('goog.npy')
In [64]: r = np.load(datafile).view(np.recarray)
In [65]: r.dtype
Out[65]: dtype([('date', '|O4'), ('', '|V4'), ('open', '<f8'),
('high', '<f8'), ('low', '<f8'), ('close', '<f8'),
('volume', '<i8'), ('adj_close', '<f8')])
In [66]: r.date
Out[66]:
array([2004-08-19, 2004-08-20, 2004-08-23, ..., 2008-10-10, 2008-10-13,
2008-10-14], dtype=object)字段日期的numpy记录数组的dtype是| O4，这意味着它是一个 4 字节的 python 对象指针; 在这种情况下，对象是datetime.date实例，当我们在 ipython 终端窗口中打印一些样本时，我们可以看到。
如果你绘制数据，
In [67]: plot(r.date, r.close)
Out[67]: [<matplotlib.lines.Line2D object at 0x92a6b6c>]你会看到 x 轴标签重合到一起。
另一个麻烦是，如果你将鼠标悬停在窗口上，并在 x 和 y 坐标处查看 matplotlib 工具栏（交互式导航）的右下角，你会看到 x 位置的格式与刻度标签的格式相同， 例如，『Dec 2004』。 我们想要的是工具栏中的位置具有更高的精确度，例如，鼠标悬停在上面时给我们确切的日期。 为了解决第一个问题，我们可以使用matplotlib.figure.Figure.autofmt_xdate()。修复第二个问题，我们可以使用ax.fmt_xdata属性，该属性可以设置为任何接受标量并返回字符串的函数。 matplotlib 有一些内置的日期格式化器，所以我们将使用其中的一个。
plt.close('all')
fig, ax = plt.subplots(1)
ax.plot(r.date, r.close)
# rotate and align the tick labels so they look better
fig.autofmt_xdate()
# use a more precise date string for the x axis locations in the
# toolbar
import matplotlib.dates as mdates
ax.fmt_xdata = mdates.DateFormatter('%Y-%m-%d')
plt.title('fig.autofmt_xdate fixes the labels')
现在，当你将鼠标悬停在绘制的数据上，你将在工具栏中看到如2004-12-01的日期格式字符串。
fill_between()函数在最小和最大边界之间生成阴影区域，用于展示范围。 它有一个非常方便的参数，将填充范围与逻辑范围组合，例如，以便仅填充超过某个阈值的曲线。=
基本上，fill_between可以用来增强图形的视觉外观。 让我们比较两个财务-时间图表，左边是一个简单的线框图，右边是一个填充图。
Alpha 通道在这里不是必需的，但它可以用来软化颜色，创建更具视觉吸引力的绘图。 在其他示例中，我们将在下面看到，Alpha 通道在功能上有用，因为阴影区域可以重叠，Alpha 允许你同时看到两者。 注意，postscript 格式不支持 alpha（这是一个 postscript 限制，而不是一个 matplotlib 限制），因此，当使用 alpha 时，将你的数字保存在 PNG，PDF 或 SVG 中。
我们的下一个例子是计算随机漫步的两个群体，它们具有不同的正态分布平均值和标准差，足迹会从中绘制。我们使用共享区域来绘制群体的平均位置的加/减一个标准差。 这里的 Alpha 通道是有用的，不只是为了审美。
import matplotlib.pyplot as plt
import numpy as np
Nsteps, Nwalkers = 100, 250
t = np.arange(Nsteps)
# an (Nsteps x Nwalkers) array of random walk steps
S1 = 0.002 + 0.01*np.random.randn(Nsteps, Nwalkers)
S2 = 0.004 + 0.02*np.random.randn(Nsteps, Nwalkers)
# an (Nsteps x Nwalkers) array of random walker positions
X1 = S1.cumsum(axis=0)
X2 = S2.cumsum(axis=0)
# Nsteps length arrays empirical means and standard deviations of both
# populations over time
mu1 = X1.mean(axis=1)
sigma1 = X1.std(axis=1)
mu2 = X2.mean(axis=1)
sigma2 = X2.std(axis=1)
# plot it!
fig, ax = plt.subplots(1)
ax.plot(t, mu1, lw=2, label='mean population 1', color='blue')
ax.plot(t, mu2, lw=2, label='mean population 2', color='yellow')
ax.fill_between(t, mu1+sigma1, mu1-sigma1, facecolor='blue', alpha=0.5)
ax.fill_between(t, mu2+sigma2, mu2-sigma2, facecolor='yellow', alpha=0.5)
ax.set_title('random walkers empirical $\mu$ and $\pm \sigma$ interval')
ax.legend(loc='upper left')
ax.set_xlabel('num steps')
ax.set_ylabel('position')
ax.grid()
where关键字参数非常方便地用于突出显示图形的某些区域。 其中使用与x，ymin和ymax参数相同长度的布尔掩码，并且只填充布尔掩码为True的区域。 在下面的例子中，我们模拟一个随机漫步者，并计算人口位置的分析平均值和标准差。 群体平均值显示为黑色虚线，并且平均值的加/减一个标准差显示为黄色填充区域。 我们使用where=X>upper_bound找到漫步者在一个标准差边界之上的区域，并将该区域变成蓝色。
有时你在绘制数据之前就知道你的数据是什么样的，并且可能知道例如右上角没有太多数据。 然后，你可以安全地创建不覆盖你的数据的图例：
ax.legend(loc='upper right')其他时候你不知道你的数据在哪里，而loc ='best'将尝试和放置图例：
ax.legend(loc='best')但仍然，你的图例可能会覆盖你的数据，在这些情况下，使图例框架透明非常不错。
np.random.seed(1234)
fig, ax = plt.subplots(1)
ax.plot(np.random.randn(300), 'o-', label='normal distribution')
ax.plot(np.random.rand(300), 's-', label='uniform distribution')
ax.set_ylim(-3, 3)
ax.legend(loc='best', fancybox=True, framealpha=0.5)
ax.set_title('fancy, transparent legends')
当使用文本框装饰轴时，两个有用的技巧是将文本放置在轴域坐标中（请参见变换教程），因此文本不会随着 x 或 y 轴的变化而移动。 你还可以使用文本的bbox属性，用Patch实例包围文本 - bbox关键字参数接受字典，字典的键是补丁的属性。
np.random.seed(1234)
fig, ax = plt.subplots(1)
x = 30*np.random.randn(10000)
mu = x.mean()
median = np.median(x)
sigma = x.std()
textstr = '$\mu=%.2f$\n$\mathrm{median}=%.2f$\n$\sigma=%.2f$'%(mu, median, sigma)
ax.hist(x, 50)
# these are matplotlib.patch.Patch properties
props = dict(boxstyle='round', facecolor='wheat', alpha=0.5)
# place a text box in upper left in axes coords
ax.text(0.05, 0.95, textstr, transform=ax.transAxes, fontsize=14,
verticalalignment='top', bbox=props)