这篇文章将为大家详细讲解有关Matplotlib如何控制坐标轴刻度间距与标签，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
控制刻度间距
目前为止，我们让Matplotlib自动处理刻度在坐标轴上的位置，但有时我们需要覆盖默认的坐标轴刻度配置，以便更加快速估计图形中点的坐标。
import numpy as npimport matplotlib.pyplot as pltimport matplotlib.ticker as tickerx = np.linspace(-20, 20, 1024)y = np.sinc(x)ax = plt.axes()ax.xaxis.set_major_locator(ticker.MultipleLocator(5))ax.xaxis.set_minor_locator(ticker.MultipleLocator(1))plt.plot(x, y, c = 'm')plt.show()
以上代码，强制水平刻度每隔5个单位步长呈现一次。此外，我们还添加了副刻度，副刻度的间隔为1个单位步长，步骤说明如下：
首先实例化一个Axes对象——用于管理图形中的坐标轴：ax=plot.Axes()。
然后使用Locator实例设置x轴(ax.xaxis)或y轴(ax.yaxis)的主刻度和副刻度。
也为副刻度添加辅助网格：
import numpy as npimport matplotlib.pyplot as pltimport matplotlib.ticker as tickerx = np.linspace(-20, 20, 1024)y = np.sinc(x)ax = plt.axes()ax.xaxis.set_major_locator(ticker.MultipleLocator(5))ax.xaxis.set_minor_locator(ticker.MultipleLocator(1))plt.grid(True, which='both', ls='dashed')plt.plot(x, y, c = 'm')plt.show()Tips：我们已经知道，可以使用plt.grid()添加辅助网格，但此函数还有一个可选参数which，它具有三个可选值："minor"、"major"和"both"，分别用于仅显示副刻度、仅显示主刻度、主副刻度同时显示。
控制刻度标签
是时候介绍刻度标签的设置了，刻度标签是图形空间中的坐标，虽然数字刻度标签对于大多说场景来说是足够的，但是却并不总是能够满足需求。例如，我们需要显示100个公司的营收情况，这时候我们就需要横坐标刻度标签为公司名，而非数字；同样对于时间序列，我们希望横坐标刻度标签为日期...。考虑到此类需求，我们需要使用Matplotlib为此提供了的API控制刻度标签。
可以按以下步骤为任何Matplotlib图形设置刻度标签：
import numpy as npimport matplotlib.ticker as tickerimport matplotlib.pyplot as pltname_list = ('Apple', 'Orange', 'Banana', 'Pear', 'Mango')value_list = np.random.randint(0, 99, size = len(name_list))pos_list = np.arange(len(name_list))ax = plt.axes()ax.xaxis.set_major_locator(ticker.FixedLocator((pos_list)))ax.xaxis.set_major_formatter(ticker.FixedFormatter((name_list)))plt.bar(pos_list, value_list, color = 'c', align = 'center')plt.show()
Tips：我们首先使用ticker.Locator实例来生成刻度的位置，然后使用ticker.Formatter实例将为刻度生成标签。FixedFormatter从字符串列表中获取标签，然后用Formatter实例设置坐标轴。同时，我们还使用了FixedLocator来确保每个标签中心都正好与刻度中间对齐。
更简单的设置方式
虽然使用上述方法可以控制刻度标签，但可以看出此方法过于复杂，如果刻度标签是固定的字符列表，那么可以用以下简单的设置方法：
import numpy as npimport matplotlib.pyplot as pltname_list = ('Apple', 'Orange', 'Banana', 'Pear', 'Mango')value_list = np.random.randint(0, 99, size = len(name_list))pos_list = np.arange(len(name_list))plt.bar(pos_list, value_list, color = 'c', align = 'center')plt.xticks(pos_list, name_list)plt.show()
Tips：使用plt.xticks()函数为一组固定的刻度提供固定标签，此函数接受位置列表和名称列表作为参数值，可以看出，此方法比第一种方法实现起来更简单。
高级刻度标签控制
不仅可以使用固定标签，使用ticker API可以使用函数生成的标签：
import numpy as npimport matplotlib.pyplot as pltimport matplotlib.ticker as tickerdef make_label(value, pos): return '%0.1f%%' % (100. * value)ax = plt.axes()ax.xaxis.set_major_formatter(ticker.FuncFormatter(make_label))x = np.linspace(0, 1, 256)plt.plot(x, np.exp(-10 * x), c ='c')plt.plot(x, np.exp(-5 * x), c= 'c', ls = '--')plt.show()
在此示例中，刻度标签是由自定义函数make_label生成的。此函数以刻度的坐标作为输入，并返回一个字符串作为坐标标签，这比给出固定的字符串列表更灵活。为了使用自定义函数，需要使用FuncFormatter实例——一个以函数为参数的格式化实例。
这种将生成标签的实际任务指派给其他函数的方法称为委托(delegation)模式，这是一种漂亮的编程技术。比方说，我们要将每个刻度显示为日期，这可以使用标准的Python时间和日期函数完成：
import numpy as npimport datetimeimport matplotlib.pyplot as pltimport matplotlib.ticker as tickerstart_date = datetime.datetime(1998, 1, 1)def make_label(value, pos): time = start_date + datetime.timedelta(days = 365 * value) return time.strftime('%b %y')ax = plt.axes()ax.xaxis.set_major_formatter(ticker.FuncFormatter(make_label))x = np.linspace(0, 1, 256)plt.plot(x, np.exp(-10 * x), c ='c')plt.plot(x, np.exp(-5 * x), c= 'c', ls = '--')labels = ax.get_xticklabels()plt.setp(labels, rotation = 30.)plt.show()
Tips：可以利用ax.get_xticklabels()获取刻度标签实例，然后对标签进行旋转，以避免长标签之间重叠，旋转使用plt.setp()函数，其接受刻度标签实例和旋转角度作为参数值。
关于“Matplotlib如何控制坐标轴刻度间距与标签”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
