对matplotlib的官方文档做一个简单的总结方便查阅。
来源：https://matplotlib.org/stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py

首先导入Matplotlib与Numpy：

import matplotlib.pyplot as plt
import numpy as np

一个简单的例子

在Matplotlib中，整个图像为一个Figure对象。
在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域，可以是x-y坐标，或极坐标，或x-y-z的3D坐标。
创建一个带有axes的figure的方法：

fig, ax = plt.subplots() # 创建一个带有一个axes的figure
ax.plot([1,2,3,4],[1,4,2,3]) #在axes上画图

直接画图会在当前的axes自动画图，若没有会创建一个axes和它的父figure。所以可以直接：

plt.plot([1,2,3,4],[1,4,2,3])

Figure的成分

这个图可以帮助理解Matplotlib中figure的各种成分。

Figure

Figure指整个图像，可以包含多个Axes。创建Figure的方法如下：

fig = plt.figure()  # 没有Axes的空figure
fig, ax = plt.subplots()  # 包含一个Axes
fig, axs = plt.subplots(2, 2)  # 包含2乘2个Axes

通常是一起创建Figure与Axes，不过也可以先创建Figure之后再添加Axes。

Axes

Axes就是你画的一个plot的区域。一个Figure包含多个Axes，但一个Axes只能在一个Figure里面。
Axes包含几个Axis（坐标轴）对象。每个Axes包含一个标题（set_title()），x-label（set_xlabel()）与y-label（set_ylabel()）。

Axis

Axis即坐标轴，他们负责图表的limits，刻度以及刻度的标签。刻度的位置由Locator对象来决定，刻度的标签字符串由 Formatter来形成。Locator与Formatter一起形成合适的坐标轴的可视化。

Artist

基本上，Figure上你能看到的所有东西都是一个artist，甚至包括Figures，Axes等对象。它包括Text对象,Line2D对象,collections对象,...等等。

画图时候的输入

所有的画图函数都可以输入numpy.array或者numpy.ma.masked_array。pandas的对象或者numpy.matrix有可能不行，所以画图前最好都转化为numpy.array对象。

面向对象的界面与pyplot界面

有两种方法使用Matplotlib画图：

1. 面向对象的方法，创建figures与axes，再调用他们的方法（Methods）。
   比如：

x = np.linspace(0, 2, 100)

#虽然在面向对象的方法，但是我们创建figure还是使用`.pyplot.figure`。
fig,ax = plt.subplots() # 创建一个figure与axes
ax.plot(x, x, label = 'linear') # 在axes画图
ax.plot(x, x**2, label = 'quadratic') # 在axes画更多数据
ax.plot(x, x**3, label = 'cubic') # 继续在axes添加……
ax.set_xlabel('x label') # 给axes添加x-label
ax.set_ylabel('y label') # 给axes添加y-label
ax.set_title('Simple Plot') # 给axes添加标题
ax.legend() # 添加legend

2. 利用pyplot自动创建与修改figures与axes，利用pyplot的函数来画图。
   比如：

x = np.linspace(0, 2, 100)

plt.plot(x, x, label='linear')  # 在默认axes画图
plt.plot(x, x**2, label='quadratic')  # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()

两种方法都可以用来Matplotlib画图，不过通常建议在可交互的plotting（比如Jupyter Notebook）当中使用pyplot方式，在非交互的情况下（如在函数中或者script中）使用面向对象的方式。

创建画图函数

我们有时候会需要用不同的数据重复画同一个图，这时候创建一个函数会非常方便。比如：

def my_plotter(ax, data1, data2, param_dict):
    """
    用于画图的一个函数。

    参数
    ----------
    ax : Axes
        要画的axes

    data1 : array
       The x data

    data2 : array
       The y data

    param_dict : dict
       Dictionary of kwargs to pass to ax.plot

    Returns
    -------
    out : list
        list of artists added
    """
    out = ax.plot(data1, data2, **param_dict)
    return out

之后可以这么使用：

data1, data2, data3, data4 = np.random.randn(4,100)
fig,ax = plt.subplots(1,1)
my_plotter (ax, data1, data2, {'marker': 'x'})

创建两个subplots时：

fig, (ax1, ax2) = plt.subplots(1, 2)
my_plotter(ax1, data1, data2, {'marker': 'x'})
my_plotter(ax2, data3, data4, {'marker': 'o'})

Backend与Performance

此部分详见原链接。

后端的设置方法有三种：

1. The rcParams["backend"] parameter in your matplotlibrc file
2. The MPLBACKEND environment variable
3. The function matplotlib.use()