Python：Matplotlib详细使用

1.Matplotlib简介

Matplotlib是python数据分析三剑客之一，是一个功能强大且非常流行的Python数据可视化库。Matplotlib可用于绘制折线图(line plot)、散点图(scatter plot)、条形图(bar plot)、直方图(histogram plot)、饼图(pie plot)等，同时也支持部分3D绘图功能。正所谓“一图胜千言”，通过图像，可以更加清晰、直观地展示数据，从而有利于数据分析。

2.Matplotlib图像主要组成部分

Matplotlib图像的主要组成部分包括：

画布(figure)：画布是所有绘制元素的顶级容器，可将其视为一张白纸，供我们后期创作；
轴域(axes)：轴域是图中绘制数据的矩形区域，每个画布可以包含一个或多个轴，轴提供坐标系；
标题(title)：标题是一个文本元素，通常用于提供所绘图像的信息；
轴标签(x label,y label)：标签是为 x 轴和 y 轴提供描述的文本元素，用于提供单位或其他相关信息；
图例(legend)：图例用于指示图中不同元素的含义；
网格线(grid)：网格线用于帮助读者对齐刻度线，从而更准确地读取数据点的位置和值。

3.绘图示例

3.1 创建空白画布

plt.figure(num=None,figsize=None,dpi=None,facecolor=None,edgecolor=None,frameon=True)

num：画布编号，默认值为1；
figsize：指定画布宽高，默认为(6.4,4.8)；
dpi：图像分辨率，单位为pixel/inch，默认值为80；
facecolor：背景颜色，默认值为白色；
edgecolor：边框颜色；
frameon：是否显示边框，默认显示。

import numpy as np
from matplotlib import pyplot as plt
fig=plt.figure(figsize=(8,6),dpi=100,facecolor='c') # 创建一个尺寸为(8,6)，分辨率为100dpi，背景色为青色的画布
plt.show()

3.2 折线图

折线图（line plot）将数据中相邻的点用直线连接起来，当点分布得很密时，连接起来的线变得光滑。下面展示了y=x^2(x∈[-5,5])的三个图像，左图在x∈[-5,5]中均匀地分布了5个点，点与点之间用直线连接起来，可以很明显地看出折线图的属性；右图在x∈[-5,5]中均匀地分布了20个点，此时折线变得较为光滑，但细看还是可以看出折线的痕迹；下图在x∈[-5,5]中均匀地分布了200个点，此时折线变得非常光滑，肉眼已无法观察到折线的痕迹。

plt.plot(x,y,*args)

主要设置参数有：color（c，颜色）、linestyle（ls，线型）、marker（点标记）、linewidth（lw，线宽），markersize（标记大小）、markerfacecolor（mfc，标记填充色），label（标签，与图例配合使用）、alpha（透明度，取值为0-1，0为完全透明，1为完全不透明）等。

其中主要颜色有：

r(red)	红色
b(blue)	蓝色
g(green)	绿色
y(yellow)	黄色
k(black)	黑色
w(white)	白色
c(cyan)	青色
m(magenta)	洋红色

此外，还支持十六进制的RGB色号，如：

主要线型有：

-	solid
--	dashed
-.	dashdot
:	dotted

主要点标记有：

marker	description	marker	description
"."	point	","	pixel
"o"	circle	"v"	triangle_down
"^"	triangle_up	"<"	triangle_left
">"	triangle_right	"1"	tri_down
"2"	tri_up	"3"	tri_left
"4"	tri_right	"8"	octagon
"s"	square	"p"	pentagon
"P"	plus (filled)	"*"	star
"h"	hexagon1	"H"	hexagon2
"+"	plus	"x"	x
"X"	x (filled)	"D"	diamond
"d"	thin_diamond	"\|"	vline
"_"	hline

其样式如下：

一个简单的例子：

fig=plt.figure() # 全部用默认值
x=[1,2,3,4,5]
y=[2,1,3,5,4]
plt.plot(x,y,color='#A7D676',linestyle='--',marker='*',markerfacecolor='b',markersize=15)
plt.show() # 每次调用plt.show()方法后，会将所有绘图元素释放出来，所以对元素的修改应该在该方法之前

基本的元素有了，我们还希望再给图增加点元素，使得读者能见图知意，如增加标题，轴标签等。

添加标题：

plt.title(label,*args)

常用参数包括：color（c，颜色）、fontsize（标题字号）。

添加轴标签：

plt.xlabel(xlabel,*args) 、plt.ylabel(ylabel,*args)

常用参数包括：color、fontsize、loc（标签位置，x轴标签位置一般为'center'或'right'，y轴标签位置一般为'center'或'top'）、rotation（旋转角度）等。

添加网格线：

plt.grid(*args)

常用参数包括：color、linestyle、axis（'x'、'y'或'both'，默认为'both'，即希望哪个轴显示网格线）、alpha。

x=np.linspace(0,2*np.pi,200) # 点密集后，折线图会变得光滑
y=np.sin(x)
fig=plt.figure()
plt.plot(x,y,linestyle='-',color='c')
plt.title('Line Plot',fontsize=18)
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top',rotation=0)
plt.grid(axis='y',linestyle='--',color='k',alpha=0.5) # 只显示y轴网格线
plt.show()

3.3 双线图

对于同一个轴域，可以通过多次调用plt.plot(x,y,*args)，在坐标系中绘制多条线，再通过plt.show()展示图像，双线图只是一个示例。

为了使得读者清晰理解每条线的意义，可以为每条线添加label（标签），再配合图例说明。

添加图例：

plt.legend(*args)

常用参数为：loc，默认值为'best'，即自动地寻找最合适的位置，其余值含义如下表：

value	location
0	'best
1	'upper right'
2	'upper left'
3	'lower left'
4	'lower right'
5	'right'
6	'center left'
7	'center right'
8	'lower center'
9	'upper center'
10	'center'

同时，还可以使用plt.xticks(ticks,labels,*args)、plt.yticks(ticks,labels,*args)来改变刻度显示，其中ticks表示要显示的刻度值，labels表示对应刻度需要显示的标签。如，我们希望刻度[1,2,3]对应的位置显示['Alice','Bob','Clark']。

x=np.linspace(0,2*np.pi,200)
y1=np.sin(x)
y2=np.cos(x)
fig=plt.figure()
plt.plot(x,y1,linestyle='-',color='c',label='y=sin(x)') # 该线标记为y=sin(x)
plt.plot(x,y2,linestyle='--',color='m',label='y=cos(x)') # 该线标记为y=cos(x)
plt.title('y=sin(x) and y=cos(x)')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top',rotation=0)
x_ticks=np.linspace(0,2*np.pi,5)
x_ticks_labels=['0','π/2','π','3π/2','2π']
y_ticks=np.linspace(-1,1,5)
plt.xticks(x_ticks,x_ticks_labels,c='g')
plt.yticks(y_ticks)
plt.legend(loc='best')
plt.grid(linestyle='--',axis='y',alpha=0.5)
plt.show()

3.4 双y轴图

Matplotlib是一个非常强大的绘图库，语法非常灵活，但是这种灵活有时也会给我们带来很大的困扰，因为我们总是希望事情按照某一个固定的模版来进行，但Matplotlib往往达成同一目的的路径有很多条，比如颜色形参可以写成color，也可以写成c。之前的例子中我们总是在创建一个画布之后用plt方法绘图，这其实是在这个画布上隐式生成了一个绘图区域。对于简单图像而言，这种方法较为简便，但绘制复杂图像时，则需要用到轴域(ax)概念才可以更加精准地画出我们需要的图像。如：

fig=plt.figure()
ax=fig.add_axes([left,bottom,width,height]) # 向画布上添加一个轴域，四个参数的取值均为0-1，
ax.plot()                                   # left、bottom表示轴域偏离画布左侧、底部的百分比
plt.show()                                  # width、height表示轴域宽度、高度占画布的比例

或：

fig,ax=plt.subplots() # 用该方法返回一个画布对象、一个轴域对象
ax.plot()
plt.show()

此外还有其他创建方法，这方面只有多看、多练。

x1=np.linspace(0,10,200)
y1=np.exp(x1)
x2=np.linspace(0.001,10,200)
y2=np.log(x2)
fig=plt.figure()
ax1=fig.add_subplot()
ax1.plot(x1,y1,linestyle='-.',color='b',alpha=0.8,label='y=e^x') 
ax1.tick_params(axis='y',labelcolor='b') # 将对应的y轴刻度标签改为对应颜色
ax2=ax1.twinx()
ax2.plot(x2,y2,linestyle=':',color='g',alpha=0.8,label='y=ln(x)')
ax2.tick_params(axis='y',labelcolor='g')  # 将对应的y轴刻度标签改为对应颜色
plt.title('y=e^x and y=ln(x)')
plt.show()

3.5 多子图

多子图可由以下两种方式绘制。

方式一：

fig=plt.figure(facecolor='lightblue')x1=np.linspace(0,2*np.pi,200)
y1=np.sin(x1)
plt.subplot(2,2,1) # 一共2×2个子图，此为第一个
plt.plot(x1,y1,linestyle='-',color='b',label='y=sin(x)')
plt.title('y=sin(x)')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.grid(alpha=0.8)
x_ticks=np.linspace(0,2*np.pi,5)
x_labels=['0','π/2','π','3π/2','2π']
plt.xticks(x_ticks,x_labels)
plt.yticks(np.linspace(-1,1,5))x2=np.linspace(0,2*np.pi,200)
y2=np.cos(x2)
plt.subplot(2,2,2) # 一共2×2个子图，此为第二个
plt.plot(x2,y2,linestyle='--',color='g',label='y=cos(x)')
plt.title('y=cos(x)')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.grid(axis='y',alpha=0.5)
plt.xticks(x_ticks,x_labels)
plt.yticks(np.linspace(-1,1,5))x3=np.linspace(0,10,200)
y3=np.exp(x3)
plt.subplot(2,2,3) # 一共2×2个子图，此为第三个
plt.plot(x3,y3,linestyle='-.',color='orange',alpha=0.7,label='y=e^x')
plt.title('y=e^x')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')x4=np.linspace(0.01,10,200)
y4=np.log10(x4)
plt.subplot(2,2,4) # 一共2×2个子图，此为第四个
plt.plot(x4,y4,linestyle=':',color='r',alpha=0.6,label='y=lg(x)')
plt.title('y=lg(x)')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')plt.tight_layout() # 自动调整布局（紧凑布局）
plt.show()

方式二：

fig,ax=plt.subplots(2,2) # 这种创建方式会返回fig、ax两个对象，其中ax是一个轴域列表，形状与子图的形状一致
ax1,ax2,ax3,ax4=ax.flatten() # 可以将列表展平后逐个取出x1=np.linspace(0,2*np.pi,200)
y1=np.sin(x1)
ax1.plot(x1,y1,label='y=sin(x)')
ax1.set_title('y=sin(x)')x2=np.linspace(0,2*np.pi,200)
y2=np.cos(x2)
ax2.plot(x2,y2,label='y=cos(x)')
ax2.set_title('y=cos(x)')x3=np.linspace(0,10,200)
y3=np.exp(x3)
ax3.plot(x3,y3,label='y=e^x')
ax3.set_title('y=e^x')x4=np.linspace(-5,5,200)
y4=np.power(x4,2)
ax4.plot(x4,y4,label='y=x^2')
ax4.set_title('y=x^2')plt.tight_layout()
plt.show()

3.6 多轴域图

fig=plt.figure()
x1=np.linspace(0,2*np.pi,200)
y1=np.sin(x1)
plt.plot(x1,y1)
plt.title('y=sin(x)')
x2=np.linspace(0,2*np.pi,200)
y2=np.cos(x2)
ax2=fig.add_axes([0.58,0.55,0.25,0.25])
ax2.set_title('y=cos(x)') # 用轴域绘图时设置标签等方法一般在前面加set
ax2.plot(x2,y2)           # 如ax.set_xticks()、ax.set_title()等
plt.show()

3.7 条形图

plt.bar(x,y,*args)

常用参数为：color（可以以列表的形式指定每一个柱子的颜色）、width（宽度，取值为0-1）、bottom（可以理解为y坐标偏移量）。

x=np.arange(1,6)
y=np.random.randint(60,100,5)
fig=plt.figure()
plt.bar(x,y,color=['c','m','r','g','b'],width=0.5,alpha=0.5)
plt.title('Revenue-Month Plot')
plt.xlabel('month',loc='right')
plt.ylabel('revenue',loc='top')
plt.show()

3.8 簇状条形图

在条形图的基础上，可以将x坐标与宽度参数配合起来，绘制簇状条形图。

x=np.arange(1,6)
x_labels=['Jan','Feb','Mar','Apr','May']
data_Tom=np.random.randint(60,100,size=5)
data_Jack=np.random.randint(60,100,size=5)
data_Wilson=np.random.randint(60,100,size=5)
fig=plt.figure()
width=0.3
plt.bar(x-width,data_Tom,color='#D98481',width=width,label='Tom')
plt.bar(x,data_Jack,color='#91B5A9',width=width,label='Jack')
plt.bar(x+width,data_Wilson,color='#EDCA7F',width=width,label='Wilson')
plt.title('Revenue-Month Plot')
plt.xlabel('Month',loc='right')
plt.ylabel('Revenue',loc='top')
plt.xticks(x,x_labels)
plt.legend(loc='best')
plt.show()

3.9 堆叠图

在条形图的基础上，可以将y坐标与bottom参数配合起来，绘制堆叠图。

x=np.arange(4)
x_labels=['Tom','Jack','Mike','John']
data_Jan=np.random.randint(60,100,size=4)
data_Feb=np.random.randint(60,100,size=4)
data_Mar=np.random.randint(60,100,size=4)
fig=plt.figure()
plt.bar(x,data_Jan,color='#D98481',label='Jan')
plt.bar(x,data_Feb,color='#91B5A9',bottom=data_Jan,label='Feb')
plt.bar(x,data_Mar,color='#EDCA7F',bottom=data_Jan+data_Feb,label='Mar')
plt.title('Revenue-Staff Plot')
plt.xticks(x,x_labels)
plt.xlabel('Staff',loc='right')
plt.ylabel('Revenue',loc='top')
plt.legend(loc='best')
plt.show()

3.10 横向条形图

横向条形图与普通条形图的主要差别在于方向不同。

x=np.arange(5)
y=np.random.randint(50,100,size=5)
fig=plt.figure()
plt.barh(x,y,color=['b','g','r','c','m'],alpha=0.5)
plt.title('Horizontal Bar Plot')
plt.xlabel('y',loc='right')
plt.ylabel('x',loc='top')
plt.show()

3.11 面积图

面积图与折线图类似，但面积图会将折线与x轴之间的区域填充颜色。

plt.stackplot(x,y,*args)

常用参数有：color、alpha。

x=np.arange(10)
y=np.random.randint(50,100,size=10)
fig=plt.figure()
plt.stackplot(x,y,color='c',alpha=0.5)
plt.title('Area Plot')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.show()

3.12 填充

填充可以将两条线之间的区域填充上颜色，在绘制曲线包络等场景下可发挥作用。

plt.fill_between(x,y1,y2,*args)

常用参数有：color、alpha等。

x=np.linspace(0,100,2000)
y=np.sin(x)*np.exp(-0.1*x)
y1=np.exp(-0.1*x)
y2=-np.exp(-0.1*x)
fig=plt.figure()
plt.plot(x,y,color='c')
plt.title('y=sin(x)·e^(-0.1x)')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.fill_between(x,y1,y2,color='y',alpha=0.4)
plt.show()

3.13 散点图

散点图与折线图的区别在于，散点图不会将点与点之间用直线连接起来。

plt.scatter(x,y,*args)

常用参数有：color、marker（标记样式）、linewidth（线宽）、edgecolor（边缘颜色）、s（点大小）、alpha等。

x=np.arange(10)
y=np.random.randn(10)
fig=plt.figure()
plt.scatter(x,y,color='lightblue',marker='*',linewidth=0.5,edgecolor='b',s=100)
plt.title('Scatter Plot')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.show()

3.14 泡泡图

在散点图的基础上，可以通过生成一个随机数组来指定每个点的大小，同时点的颜色的指定可以用color、cmap（颜色映射）这两个参数来配合，其中color参数为一个数组，cmap为一种指定的配色方案，在这种方式下，color数组中的每个数值被映射为一种颜色，根据不同的数值可以为每个点指定不同的颜色。这种情况下绘制出来的散点图形似一个个泡泡，故称泡泡图（bubble plot）。

cmap

viridis

rainbow

Blues

summer

autumn

cool

···

x=np.random.rand(100)
y=np.random.randn(100)
s=np.random.rand(100) # 随机指定点的大小
c=np.random.rand(100) # 随机指定点颜色的映射值
fig=plt.figure()
plt.scatter(x,y,s=s*500,c=c,cmap='rainbow',alpha=0.8)
plt.title('Bubble Plot')
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.show()

3.15 直方图

直方图用来表示数据的分布情况，直方图中每一个柱子的高度表示分布在该组中的数据的个数。

plt.hist(data,*args)

常用参数包括：color、bins（分组，可以为一个整数，即要把数据分为几组；也可以为一个列表，如[10,20,30,40]，则会把数据分为[10,20)、[20,30)、[30,40）三组，直方图统计分布在这三组中的数据个数）。

data=np.random.randn(1000)
fig=plt.figure()
plt.hist(data,bins=10,color='lightblue')
plt.title('Histogram Plot')
plt.show()

3.16 饼图

饼图（pie plot）用来表示每个数据在其组内的占比。

plt.pie(data,*args)

常用参数有：color、labels（每个扇形的标签）、explode（取值为0-1，用来指定每个扇形突出的程度）、shadow（阴影，增加立体感）、autopct（显示百分比）、pctdistance（百分比距离圆心的程度，一般取值为0-1）、labeldistance（标签距离圆心的程度，一般取值为一大于1的值）、radius（扇形半径）、wedgeprops（楔子的属性，为一字典，包括了edgecolor、width等属性）。

data=np.random.randint(50,100,size=5)
labels=['Alice','Bob','Tom','Jack','Mike']
explode=[0,0,0.1,0,0]
fig=plt.figure()
plt.pie(data,labels=labels,colors=['#B1D5E4','#DB7777','#5EB376','#929FC8','#DC7F68'],autopct='%1.1f%%',shadow=True,explode=explode,pctdistance=0.5,labeldistance=1.1,wedgeprops={'edgecolor':'w','width':1})
# autopct='%1.1f%%'表示百分比保留一位小数，若autopct='%1.2f%%'则百分比保留两位小数
plt.title('Pie Plot')
plt.show()

3.17 环形图

在饼图的基础上，可以通过改变楔子的宽度获得环形图，也叫甜甜圈图（donut chart）。

data=np.random.randint(50,100,size=5)
labels=['Alice','Tom','Jack','Mike','Tony']
fig=plt.figure()
plt.pie(data,labels=labels,colors=['#B1D5E4','#DB7777','#5EB376','#929FC8','#DC7F68'],autopct='%1.1f%%',wedgeprops={'width':0.5,'edgecolor':'w'},pctdistance=0.7)
plt.title('Donut Chart')
plt.show()

3.18 嵌套饼图

在饼图的基础上，通过控制饼图半径(radius)、环形图的楔子宽度(width)，使得在同一画布上展示一个饼图+一个环形图。

data1=np.random.randint(50,100,size=5)
data2=np.random.randint(50,100,size=5)
fig=plt.figure()
plt.pie(data1,colors=['#B1D5E4','#DB7777','#5EB376','#929FC8','#DC7F68'],wedgeprops={'width':0.5,'edgecolor':'w'})
plt.pie(data2,colors=['#7DBFB4','#E1BE54','#B2516B','#2E8391','#CDA4BF'],radius=0.4)
plt.show()

3.19 箱型图

箱型图（box plot）是数据分析领域常用的一种统计图，用于描述数据的分散程度，箱型图可以直观地反映出一组数据的最大值、最小值、中位数、及上下四分位数。

plt(data,*args)

data=np.random.randn(100)
fig=plt.figure()
plt.boxplot(data)
plt.title('Box Plot')
plt.show()

3.20 等高线图

等高线（countour lines）图可以将三维数据使用二维的方法可视化。z=f(x,y)，即二维平面上的每一个点(x,y)对应一个值z，等高线即二维坐标平面上高度相等的相邻各点所连成的闭合曲线。

绘制等高线图有plt.contour(x,y,z,*args)、plt.contourf(x,y,z,*args)两个函数，差别在于plt.contourf会对等高线间的区域进行填充。

常用参数有：levels（可以为一整数，表示需要显示的等高线条数；也可以为一列表，表示需要显示的等高线的数值）、cmap。

为进一步完善等高线图，plt.contour(x,y,z,*args)、plt.contourf(x,y,z,*args)函数常与plt.clabel(contour,*args)函数配合，为每一条等高线添加数值标签，该函数的常用参数有inline（取值为'True'或'False'，表示是否将数值标签嵌入等高线内显示）、fontsize。

x=np.linspace(-5,5,200)
y=np.linspace(-5,5,200)
X,Y=np.meshgrid(x,y)
Z=X**2+Y**2
fig=plt.figure()
contour=plt.contour(X,Y,Z,levels=10,cmap='rainbow')
plt.clabel(contour,inline='True',fontsize=8)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Contour Plot')
plt.show()

对于使用颜色映射（cmap）的图，还可以调用plt.colorbar()方法显示数值-颜色映射关系。

x=np.linspace(-5,5,200)
y=np.linspace(-5,5,200)
X,Y=np.meshgrid(x,y)
Z=np.sin(np.sqrt(X**2+Y**2))
fig=plt.figure()
plt.contourf(X,Y,Z,cmap='viridis')
plt.colorbar()
plt.xlabel('x')
plt.ylabel('y')
plt.title('Contourf Plot')
plt.show()

3.21 极坐标图

Matplotlib支持极坐标系，只需在创建子图时将projection指定为'polar'。

fig=plt.figure()
ax=fig.add_subplot(projection='polar')
x=np.linspace(0,2*np.pi,5)
y=np.random.randint(60,100,size=5)
ax.plot(x,y)
plt.title('Polar Plot')
plt.show()

3.22 雷达图

在极坐标图的基础上，只需将起始点和终点连接起来，再将折线与极点间的区域填充上颜色，就可以得到雷达图。

fig=plt.figure()
ax=fig.add_subplot(projection='polar')
x_0=np.linspace(0,2*np.pi,7)
x=np.hstack((x_0,x_0[0])) # 这一步是为了将起始点和终止点连接起来
y_0=np.full(shape=7,fill_value=100)
y=np.hstack((y_0,y_0[0])) # 这一步是为了将起始点和终止点连接起来
ax.plot(x,y,color='#7DBFB4')
ax.fill_between(x,y,0,color='lightblue',alpha=0.8)
x_ticks=np.linspace(0,5*np.pi/3,6)
x_labels=['power','experience','speed','defence','service','skills']
ax.set_xticks(x_ticks,x_labels,color='#B2516B')
ax.set_yticks([]) # 关闭y轴刻度
plt.title('Ma Long')
plt.show()

3.23 文本注释

为进一步增加图像的可读性，可为图像添加文字注释。

plt.text(x,y,s,*args)，(x,y)表示文本显示的坐标，s表示文本内容。

常用参数包括：ha（文本的水平对齐方式，一般为'center'、'left'、'right'）、va（文本的垂直对齐方式，一般为'center'、'top'、'bottom'）、fontsize。

x=np.arange(1,6)
x_label=['Alex','Bruce','Derrick','Eric','Frank']
color=['b','g','c','m','r']
y=np.random.randint(60,100,size=5)
fig=plt.figure()
plt.bar(x,y,color=color,alpha=0.5)
plt.xticks(x,x_label)
plt.title('Bar Plot')
for (a,b) in zip(x,y):plt.text(x=a,y=b,s=b,ha='center',va='bottom')
plt.show()

3.24 标注

与文本注释的区别在于，该函数可以绘制一个箭头指向被标注的对象。

plt.annotate(text,xy,xytext,arrowprops,*args)，text表示需要显示的文本，xy为一个元组，表示箭头指向的对象的坐标，xytext为一个元组，表示文本放置的坐标，arrowprops （箭头的属性，为一字典，包括了color、width、headwidth等属性）。

x=np.linspace(0,2*np.pi,200)
y=np.sin(x)
fig=plt.figure()
plt.plot(x,y,c='lightblue')
plt.xlim([-1,8])
plt.ylim([-2,2])
# plt.xlim([low,high])、plt.ylim([low,high])表示显示的x、y轴的范围
# 以上函数等效于plt.axis([-1,8,-2,2])
plt.xlabel('x',loc='right')
plt.ylabel('y',loc='top')
plt.title('y=sin(x)')
plt.annotate(text='maximum',xy=(np.pi/2,1),c='#DB7777',xytext=(0.5+np.pi/2,1.5),arrowprops={'width':0.5,'headwidth':3,'color':'#2E8391'})
plt.annotate(text='minimum',xy=(3*np.pi/2,-1),c='#DB7777',xytext=(0.5+3*np.pi/2,-1.5),arrowprops={'width':0.5,'headwidth':3,'color':'#7DBFB4'})
plt.show()