matplotlib.pyplot.plot

matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None, **kwargs)[source]

Построение графика y по x в виде линий и/или маркеров.

Варианты вызова:

plot([x], y, [fmt], *, data=None, **kwargs)
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)

Координаты точек или узлов линии задаются параметрами x и y.

Необязательный параметр fmt является удобным способом определения базового форматирования, такого как цвет, маркер и тип линии. Это сокращенная строковая нотация, описанная в разделе Примечания ниже.

>>> plot(x, y)        # plot x and y using default line style and color
>>> plot(x, y, 'bo')  # plot x and y using blue circle markers
>>> plot(y)           # plot y using x as index array 0..N-1
>>> plot(y, 'r+')     # ditto, but with red plusses

Для более точного управления внешним видом можно использовать свойства Line2D в качестве ключевых аргументов. Свойства линий и fmt могут быть смешаны. Следующие два вызова дают идентичные результаты:

>>> plot(x, y, 'go--', linewidth=2, markersize=12)
>>> plot(x, y, color='green', marker='o', linestyle='dashed',
...      linewidth=2, markersize=12)

В случае конфликта с fmt, ключевые аргументы имеют приоритет.

Построение данных с метками

Существует удобный способ построения объектов с метками данных (т.е. данных, к которым можно получить доступ по индексу obj['y']). Вместо указания данных в x и y, вы можете предоставить объект в параметре data и просто указать метки для x и y:

>>> plot('xlabel', 'ylabel', data=obj)

Поддерживаются все индексируемые объекты. Это может быть, например, dict, pandas.DataFrame или структурированный массив NumPy.

Построение нескольких наборов данных

Существуют различные способы построения нескольких наборов данных.

Самый простой способ — просто вызывать plot несколько раз. Пример:
```
>>> plot(x1, y1, 'bo')
>>> plot(x2, y2, 'go')
```
Если x и/или y являются двумерными массивами, для каждого столбца будет построен отдельный набор данных. Если и x, и y являются двумерными, они должны иметь одинаковую форму. Если только один из них является двумерным с формой (N, m), а другой имеет длину N, он будет использоваться для каждого набора данных m.

Пример:
```
>>> x = [1, 2, 3]
>>> y = np.array([[1, 2], [3, 4], [5, 6]])
>>> plot(x, y)
```
эквивалентно:
```
>>> for col in range(y.shape[1]):
...     plot(x, y[:, col])
```
Третий способ — указать несколько наборов [x], y, [fmt] групп:
```
>>> plot(x1, y1, 'g^', x2, y2, 'g-')
```
В этом случае любой дополнительный ключевой аргумент применяется ко всем наборам данных. Также этот синтаксис нельзя комбинировать с параметром data.

По умолчанию каждой линии назначается другой стиль, заданный циклом стилей. Параметры fmt и свойств линии необходимы только если вы хотите явно отклониться от этих значений по умолчанию. Кроме того, вы можете изменить цикл стилей, используя rcParams["axes.prop_cycle"] (значение по умолчанию: cycler('color', ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2', '#7f7f7f', '#bcbd22', '#17becf'])).

Параметры:

x, yмассив-подобный объект или скаляр

Горизонтальные/вертикальные координаты точек данных. Значения x необязательны и по умолчанию равны range(len(y)).

Обычно эти параметры являются одномерными массивами.

Они также могут быть скалярами или двумерными (в этом случае столбцы представляют отдельные наборы данных).

Эти аргументы не могут быть переданы в виде ключевых слов.

fmtстрока, необязательно

Строка формата, например, 'ro' для красных кружков. Подробное описание строк формата см. в разделе Примечания.

Строки формата — это просто сокращение для быстрого задания основных свойств линии. Все эти и другие свойства также можно задавать с помощью ключевых аргументов.

Этот аргумент не может быть передан в виде ключевого слова.

dataиндексируемый объект, необязательно

Объект с метками данных. Если задан, укажите имена меток для построения в x и y.

Примечание

Технически в вызовах, где вторая метка является допустимым fmt, существует небольшая неоднозначность. plot('n', 'o', data=obj) может быть plt(x, y) или plt(y, fmt). В таких случаях выбирается первое толкование, но выдается предупреждение. Вы можете подавить предупреждение, добавив пустую строку формата plot('n', 'o', '', data=obj).

Возвращаемые значения:

список Line2D: Список линий, представляющих данные, которые были построены.

Другие параметры:

scalex, scaleyбулево, по умолчанию: True

Эти параметры определяют, будут ли пределы просмотра адаптироваться к пределам данных. Значения передаются в autoscale_view.

**kwargsсвойства Line2D, необязательно

kwargs используются для задания свойств, таких как метка линии (для автоматических легенд), толщина линии, сглаживание, цвет заливки маркера. Пример:

>>> plot([1, 2, 3], [1, 2, 3], 'go-', label='line 1', linewidth=2)
>>> plot([1, 2, 3], [1, 4, 9], 'rs', label='line 2')

Если вы указываете несколько линий с одним вызовом plot, kwargs применяются ко всем этим линиям. В случае, если объект метки является итерируемым, каждый элемент используется в качестве меток для каждого набора данных.

Вот список доступных свойств Line2D:

Свойство	Описание
`agg_filter`	функция фильтра, которая принимает массив float (m, n, 3) и значение dpi, и возвращает массив (m, n, 3) и два смещения от нижнего левого угла изображения
`alpha`	скаляр или None
`animated`	bool
`antialiased` или aa	bool
`clip_box`	`BboxBase` или None
`clip_on`	bool
`clip_path`	Объект Patch или (Path, Transform) или None
`color` или c	цвет
`dash_capstyle`	`CapStyle` или {'butt', 'projecting', 'round'}
`dash_joinstyle`	`JoinStyle` или {'miter', 'round', 'bevel'}
`dashes`	последовательность чисел с плавающей точкой (чернила включения/выключения в пунктах) или (None, None)
`data`	массив (2, N) или два одномерных массива
`drawstyle` или ds	{'default', 'steps', 'steps-pre', 'steps-mid', 'steps-post'}, по умолчанию: 'default'
`figure`	`Figure`
`fillstyle`	{'full', 'left', 'right', 'bottom', 'top', 'none'}
`gapcolor`	цвет или None
`gid`	строка
`in_layout`	bool
`label`	объект
`linestyle` или ls	{'-', '--', '-.', ':', '', (смещение, последовательность включения/выключения), ...}
`linewidth` или lw	вещественное число
`marker`	строка стиля маркера, `Path` или `MarkerStyle`
`markeredgecolor` или mec	цвет
`markeredgewidth` или mew	вещественное число
`markerfacecolor` или mfc	цвет
`markerfacecoloralt` или mfcalt	цвет
`markersize` или ms	вещественное число
`markevery`	None или целое число или кортеж из двух целых чисел или срез или список целых чисел или вещественное число или кортеж из двух вещественных чисел или список bool
`mouseover`	bool
`path_effects`	список `AbstractPathEffect`
`picker`	вещественное число или вызываемая функция [[Artist, Event], tuple[bool, dict]]
`pickradius`	вещественное число
`rasterized`	bool
`sketch_params`	(масштаб: число с плавающей точкой, длина: число с плавающей точкой, случайность: число с плавающей точкой)
`snap`	bool или None
`solid_capstyle`	`CapStyle` или {'butt', 'projecting', 'round'}
`solid_joinstyle`	`JoinStyle` или {'miter', 'round', 'bevel'}
`transform`	неизвестно
`url`	строка
`visible`	bool
`xdata`	одномерный массив
`ydata`	одномерный массив

zorder

вещественное число

См. также

scatter: Диаграмма рассеяния XY с маркерами различного размера и/или цвета (иногда также называется диаграммой пузырей).

Примечания

Строки форматирования

Строка форматирования состоит из части для цвета, маркера и линии:

fmt = '[marker][line][color]'

Каждая из них является необязательной. Если она не указана, используется значение из цикла стилей. Исключение: если line указан, но marker нет, данные будут представлены линией без маркеров.

Поддерживаются и другие комбинации, такие как [color][marker][line], но обратите внимание, что их разбор может быть неоднозначным.

Маркеры

символ	описание
`'.'`	маркер точки
`','`	маркер пикселя
`'o'`	маркер круга
`'v'`	маркер треугольника вниз
`'^'`	маркер треугольника вверх
`'<'`	маркер треугольника влево
`'>'`	маркер треугольника вправо
`'1'`	маркер tri_down
`'2'`	маркер tri_up
`'3'`	маркер tri_left
`'4'`	маркер tri_right
`'8'`	маркер восьмиугольника
`'s'`	маркер квадрата
`'p'`	маркер пятиугольника
`'P'`	маркер плюс (заполненный)
`'*'`	маркер звезды
`'h'`	маркер шестиугольника1
`'H'`	маркер шестиугольника2
`'+'`	маркер плюс
`'x'`	маркер x
`'X'`	маркер x (заполненный)
`'D'`	маркер ромба
`'d'`	маркер тонкого ромба
`'\|'`	маркер вертикальной линии
`'_'`	маркер горизонтальной линии

Стиль линий

символ	описание
`'-'`	сплошная линия
`'--'`	пунктирная линия
`'-.'`	штрихпунктирная линия
`':'`	пунктирная линия

Примеры строк форматирования:

'b'    # blue markers with default shape
'or'   # red circles
'-g'   # green solid line
'--'   # dashed line with default color
'^k:'  # black triangle_up markers connected by a dotted line

Цвета

Поддерживаемые сокращения цветов — это однобуквенные коды

символ	цвет
`'b'`	синий
`'g'`	зеленый
`'r'`	красный
`'c'`	голубой
`'m'`	пурпурный
`'y'`	желтый
`'k'`	черный
`'w'`	белый

и 'CN' цвета, которые индексируют в стандартный цикл свойств.

Если цвет — единственная часть строки форматирования, вы также можете использовать любой matplotlib.colors спецификатор, например, полные названия ('green') или шестнадцатеричные строки ('#008000').

Примеры использования `matplotlib.pyplot.plot`

END_OF_DOCUMENT_MARKER

Построение графиков с масками и значениями NaN

Разброс с маской

Простой график

Демонстрация ступенчатых графиков

Пример шаговой диаграммы

Демонстрация Triinterp

Настраиваемые подклассы Figure

Управление несколькими фигурами в pyplot

Объединённая ось

Несколько подграфиков

Полярный график

Легенда полярного графика

END_OF_DOCUMENT_MARKER

Выравнивание меток y

Легенда с предварительно определёнными метками

Управление стилем текста и меток с помощью словаря

Позиционирование заголовков

Цвет по значению y

<img alt="" loading="lazy" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAUAAAADgCAMAAABFJU/CAAADAFBMVEVHcEwAXdEAb8gAaMu7u7vNzc2ampr///+AgICZmZkAtqQAR9wAVdQAuaIAbMkAtKUAgr8AvKIAP+AAAv8ANOUAlrUAf78AhrwAjrgAmLMAesIASdoApK0AlLUAg70AdMUAiroAnbEAX88AL+gAsacAUdYA3JEAcsYA0JcAfMEARN0AjLkAV9MA0pYAZcwAWtL8/PwAiLv4+PgArakAqqoAqKsAdcQApqwAJuwAT9cAY80AYc8AGPMAoa8ADviFhIMAm7IAn7AAIe8A2ZMAkLgAU9UAr6gAd8QATdgAS9kA1ZQAyJsAN+QAJO0AOeIAPeEAxpwACfsALegAFPUAwJ8AypoA35AAMuYAxJ0A5owBO+IAkbb9/v4Awp6CgYEAQd8AKuoAecIAkrcAG/IBasydnJwA9YQA7IkAfsAA6YoA4o4AzJkAmbMBKOsAoq4A/32KiYl/fn4Aq6gA5I2XlpYAzpefn58A+YIA8oYAvqBITk8AHvCPjo7s7Ozz8/MB74jExcdXWVsA/IE7QkqkpKX6+vrk+/p9fHvT0M+u7+7m5ubg4OAoNVHy/v2Z6ulzcXBsaWiUk5La2vHD9PPV+PfD1Pa/v8GoqKqsra55d3VkYmIqT0na2tpz2uAAQtyI5OQwwNBe1NwA/oBDztLKysrD5e61trcLkMwWwr2ysrXU1NTB3fFK7cxYtdbU1OgTJW0QqcBUxdZs49wQns3DzfoPXVe4ubzIyNshtcgMN26/wvwn1Luxy/KKre4xq9kHYtuCgH0TQ1wN0KsAOpkGUOE5oc4NUF2muvVsj5FpmOcAfIcAEM6l3OMHsrsYd9oj4awATqtQd+qAlpQED5QBJZsGt7AEf9KMxtstgtwJV4cAWd4BZZhMf4cBjGcxktcAlIcHb6IANsEGfqUHaVwMdlg3YuqFf4AAsXJuhfQAtIkATccAa31erassS+0Sn5QKYbB768cAQbcAlagHjZwAKtBA9qMAbrwsiaoAO94Ajq8A3nbu9/Z0gMeVnrG/wOJHcEzXdWPOAAABAHRSTlMA//////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////8AJ5UbsQAAIABJREFUeNrs2FtMW/cdB/DYh9Sa7eMcfMHG+PhuXI4vJ8Y37IMt37GxsY0NvsQgGwfhw8WGQdxgQQChDYVEsGWQNpsaLqEilGTSQqIqUtJGopuqTcrWl2RdkKYqUt+yvvZ1ztukSelaOonA+b79dY70kz76/c7//z+nTv3AUI55Tv2/QwASgAQgAUgAEoAEIAFIABKABCABSAASgAQgAUgAEoAEIAFIABKABCABSAASgAQgAUgAniTAuWtnKc2/eK+55toVAvDHAF76+Qxl7oMbN66d/hnl7O7pnySX/zO7u5f/Kz9NmatHY4Snmynbcx9deG9mmvLLubELNYfOJ9s3Xr169e13X1dz8I8vP//84C/VHHx5cHDw9cuX331bfXhj+/BlarbHjgTg7u/m3v9wbGx3evqT6ur93UPOz9Lq4vrmxsajp/f/cPvFH5USTv8L8kgeExk9/conoeyTF/+8t7Nxc3NveXF16ZClet45EoBXdq9eoly5Spn58PWq5vRh8FaW9+4+fP68je8DrViqCwgD7WkBPC7nxxSgG8xg4Vz4q+sP/v74+he3nz7c2lw/HGLzO0dwF/7xgAsr1c7baUyrWlrX6sbNdWSuucTgDw0IlCKxqgku3xqgenSK0Kd3Hv/mzuMH3/RpJtPRna29QxgeJ8Bq7919dN9jHJ5NCwJ2tk5Q8kkgvdvAq1BFmBaFNN0jFbdZ0M1F/nTnwZ+/uP5pSJ2anUhRU8/uP7y5uNpzwgEXFl/3Xtkg4XB8mqEzVrXYOK6vDF0ciMJ875okaMmWqTGZVF0XFGBNt/91HvnGq1AEAKgfJatdySd//f36ytLJBexZWd/aeVYrN7pne4Vkx7saOcyFwV4HV9BeqGXEWmndBYsdsvk7Wa3kSomhgukKvpbepMydZ7viYa8CbYjL7j/aW1w4mYBLKze3btN46QQPow6AfX3y7joS7BQbQDxmxypGS7ylLVqLsJKSFMqKi0CO1qapTTUalWKdIkvLFa2CrqDzHKuoCu7cW/6hk3wMAJdW9jaeJnRJVbucQbM2aTGhLWMh1RobaBgSi2AqfT2qzsjFRVYRAg1A0mu2WdWZiYSEV4/TXJi+TQHbRDBoYtK1GJmzc3d59WQB9qzc3NivULvBUilDFuH0mIzeR7YgpkqmI55ka31mcdTNRUViUzjUhGvNXVrU4LO6EOpIjNFFttub0lSRCosrQAM8DsQtlUb3/tbywgkCXF3feBEDeIwGZ9pIspoTQR5AQgORrBeToiKhsq8EdmmMEXsMxSXDsz4arS8Puo1awESSxTgacshkK5WEiIxk07i7YH8ykxDQEf7DreWlEwK4sLz1FGK7IpaiHW8XsmncaEFTl5UlmV5LhEZ2GPKAF5LnUWYsZoHGg++CfVMu8+ikhHFGXmShDickFIgBBzwVz6cH0iVaUS0RNLBYpoTnq82VnhMAuLSyuf9MrT1DxZEcwhd7O6Za2R5z1l5kM7XcOhLTD2iZ8SKtGDF2Cdtwei4nLmOtmcm0s09vZnf0kwI8J4kmAn2089LgqFs5VbTSY7FkNpMCOvo31lePPeDC+mfPNRMe6nyvNLRmVTKkiqwrJx5xuTx4yM+pQC1FJBaPd3bmSB45CDroU646DS+s4FHPZBgkqT/kJ7cBahrq7DZiTPFEwgzB5oY4wyA24TiU4dy/t7h0rAF7Fjf381L5bGE+Te5ASGqGzpPnmUwVasg7kfKH8YpKZunLtuamWnCPLGwIjtvywrxAZ8n5JbU8dlFEt+NuKdupOteWmDTS1PLCxcJkgYeBQxyLQlIYkDPyj/6nJnxbAavtd1uvReRujlgihmBc3WR0SvS42laRhpSGcZOVi7F56SjgSvL1MMIGAFElCHEN/SGGvCIOZC7KrL8yiQONUWBktmD2IlDjEJzRDKVKPC5A559pbwfrq0eaxZ7jCriyt+/j6LxYMEg/z+Rooiqpkqs1GYBWOox2svCLtUAbGeUMDUjiLvE4bFKEQqhjRMqVM+PUUR8Szjs6XLaBAgzPRsm+6l1Px4eMPHbINj+IRRxOetgCVcpQ1vTs0fefaN5KwJ7Fu89K0WFqZTgY9QU6AyWDWIoUOxE9FO8I5Fgs4WiUSy0L1AjU1MFie3xkdqTOiTJxvS4e703QXNBgb0urcXRSJNXUu6BCxeB2G00oZqpvD/rpiS72eYQEaL0RmSW/c3P1GAIurW/IDWcah43BblxkFCustm4JLZKN04bLjJAszGYrbXyyAeQiYT4XmUoyuNKYjFfrzdZ2KarvtEvDdYmhJoUQNDZYQDiSHxhKRXv1qiauTqXX95NBDuIVSQP+QINfgUJPN1feCsAr2zOUS9sfX5qrmflewIW9HYxpuDUwLiWhHfaIpNGdGJWHGD4tkBjVtKl1EnJ4qrimyLIZtWmQQVYpkpii1V/PMw+ac1nzxHyjKDwyMCRRx1wyQB7tbbw1GgQs3Ha30MsYoRrbAlVaOaCFRWoBFRAZuZ+9eTc+GoBnp29coMzs/mr31x80v/6lf/qNn7+/DaN2dPiWRsRMhtestaPzQRgXOjOBrLg36uSNw7TWFhRALDgElUqQKhOIkfkBC7d30M2IKwuFspwPyAtl4bkOVzycScwPld2gssE0MTos8gOGREpJcqTbUSbPnPeMCLpAhnbjjfeSowE4M0YZq7bhdM9H79RQmj/+7eU3+G3uz5ahSKxpcJCDWp0Vn7w7UYrRu/OuuAzxYvw8B3PJTAYB7hsU2ltRXj0kwiWGeoayfNEXsr+cSAFr5Ep6GDpXtJCmpuq6KgJdnQN0QJXJST0Jhd0Jnw4eprJZTEMQ8wdvacyZf1NjbzFqXHcYwDWDqlozMLDAMsPCcB12zDAwIjBchou5LMv9vizszcCyXdgFduNFdBevqq1t2Y1TO7JlW3XqxFcpttRKjRO3rt1cZFeNVLVuFKlRI0VV3Eh2FeUhVdWnKg+l9Wvc5/B4pPNyfjrfd/46nVtXTnzbAY+/+Kuzry1+/4fHX7v4k+8u/uDid57/dXD7baFA2/EFp2eWDYxyL0HG67mwUz6eklBaJeBtKNQio1GF4kRlDDcUy4H9/f5kc52NiaFVtvyHU5d+W3vfRCzZ1FJ/KG5RBeoxi9pNts0+TGPS2pzYhM4NyqfooiSPjOGkvNRLONXYw7dOfNs78McXX35p8aUXjr/xxgv/twNPvvd+TFcPtveaY45MzeDrEXrJPLG/Lr+cT8u3r0OwV0/OrNt1fFKDLS/Zynld6fpqbxYiYT4uCPL/fOTpsa8v/OVNdGJBRPmLagGLxKMBGYIKSqYIEGhvMV5JGpGDmUJol9YSGIf1tgU0I/jw+YKj9QoP/bp5v2Vys2lnQjWDWxfAqXxXW7G4yhRZ2d7eNpuQwGxTI+U5ajA0jLYk7wiXNLpymiRkgMr06ZEDZ+/ev3DbQrFzECUpkyjbLpnX5CGwOYPn+guKYj6DbajUJFjXYOgEj9P0NxOKXXT9w+eOMyMFePKqD+dqIZ0w6bOUd13zERlEkNL5BXmhiyrt/Qo+tmNXb/WdBr0jwNOJVLxYpqoajMNefwHEANgIfXH44It371745LICGxb9NVYHJtsl64n4Xpzsn80QcYYcGM4P/J5HN7WumMMH1Qmxxt+01rv1usnRh5w8dzVsb01JajmKLcnFgMKeaR3NNkC1NplQGbOBbdEUiaom8c3YukMOVjzufIZazJsnhbRFDARcYl5qrF/X3p66Oz3vvJKOSbCAMhCKxu3qtCBeaySyA2SrMo2t9MsodlGo2wcmygALZqZ4HUl0sFqL/G8HhwhwHM37MIlFoBlYJmbUoixety+Khwuk30fwjkQA0W3MLC6C6qq+QYJTU9kveXA6mbOIXIqnRtRBewRKb+49HTfoVdPkW6pAmwZFGzbVLfyDGBwKVExWXggat7c3EmwQF4SQ41gPSgQ+BzSYmZC2O4niUfffAdHBnDx/O2HOzaU7BZpXdw+h0Y6Qh9k8xT91u3ElCzuL3ol0uR+Xq1G0fFQWrScggPRuCjXVlFkslmRGVURfof9/NjBffsOHP67zMsNBJR/eTUhDCJZfQTvJ3mNNAzalzbYxBLYlWJaDnG2m0fN9a6rPg5qBjYH/faV06MMeP7ao7nVpUHOGhdLq77tPcGUPKiLL4BFR9PqJthsrSApglYPE3N59QDaIVPqsI1hEASIwaKeoFyjKZ558tPDB4aAP/3rshuvaLO7aGIGjyJwvivvJYzlmpgmdbtZp1WqczqDOBODVnNy0uWPMF1gbNC6bPn1NwmOCuCJtx4KIcJnHwitBqkYkIcTU6AuTc1ORpBBPSaf0QIZqpquuUHQ0MgDxLgFZNtTVSmsk6lopiOqFQzVTx4OHpwZ3sCDr36wAkDmQFS2MdxnUFkLNbwEmTgDgqmYFGWRFjVh3BiwwEozHjUqiv6GPhIVWcQW29WTIwt4+sot3DqBMOKsGm+BwzNSMnylXFbt7QSMWggt89oT+iCUKsKcFXLkC7IVTxAyUcW0h80JtCDsFtnx399550+nhn5DwVOF8mBnpr3W38K5CDGJ6kxWUKaRbc21p/tsKp9agFQGvshGKIO+jSk6vxvlvMV0aCUx+/Nzowr4ylVZK6gMoJHMCtYK5MbFXv2K0aPQ+QbOhWU5LZlP2smZChNXYVvNsJEDQlmowoWKXc5ZmlmgsxOzOx+/c//O1/9N8DDDx/7lqZQwXxuansEs0GpfUMEYGVSZ1hL9pHG3GMEIAqzF5XalU1iaLGFqGRmhXPmsEnp07fxoAp67itAiYWKuB6FWI62a2+wjtXk8ueK9zENwOxdyMeNCIStj0Aphn9tcF0R3U4MxhStDAaIgRhXUg/B+5bt37h85c/AZ4FdBoTXOjzqwGWJKOLe3fXSLBpeamDfSoYpZQ6QlLGnSfhgNmDbCO0evExQnsHHdWjxTvvn66VEEPHFt3KLIKtSCtZxI7ZF2mcpmCYn7Vp1wROx1zNqNSpwPoFZ+Wsfy+P11q7zEBpda/pCHNBHLVLG65YytQNDvnvziR88ifPgxELWK8GV+AcYSc3N7q+vGkB5NYumu4slHb2JVRuZJDeuUL+bjSUEHB/wF2TJuN8HeYurmK4ujB3j6ysdb45zUG/IQ03UA0JWLxp29DZ68N7Bi3C4jgGxJJ10ow1J/hhcKQTnaMpMoCXlpGMWnP/vyb/oVAa6nOmPs42P/S/C+g5c+V6ghc0WTleR5s3tJm2AJyUvgKSxS+OjOz/4x4JHRcggIdlKSgkZIdvXlor8LsGFnxu+6DLx3bvQAT/4mkSNYVgPPk0qnI5pLmoL723Kubh8XbRALdLlqMLS21A1JA2bgspudbcsyWUCldW7Ix788fOTUvcf//OyX9+49+ODBmWeAhy4JBYNwuBVKV93qgC8qRvrOVDGjXsnG371w4Y/mirnUwVhldL4htUIeV105jC8YaD1pSEKo8uaN86MGeP5Gx5fr7RxN0iHYBNnsyYrcKNJaFRSP40ysnF9gdCFmv5AW0w6uqtME+3vyhiSf+g91dv+bxn3HAVx394MrjufHw3A8HhAOjhMBgwGDgTOY52cTHPwAxrXPBoxlCxnqNm7mNa2bByfqssRtlCiJrKzLoiRdIzVT0yVtumhrtqnaNFWalE3LpD2p2zRpv482UivvL3A+un/gXvp8v5/3Vx/5Bsvt/sfR5ftvb77z0untne3TO1PPGnDn7sgkFsaUOERDxgbYFOSqCkAGw4M+/NPH168O2DZamKFanmG7NOpu1cxZI6CcsXHvJ4++1Cqlklt70+D+Bzz53rV1PNO6Mm+HB0NiJzUGJhK5aasit65ze9whWCNfqJNmrMQiSnRUZ3UiVnVAWRHk++tILvGfO9vDw8NTve+r+tqvF6R/+xBiukBvr5VxcVuZ9Q1lcxbaos1mU6bYRtyCFzY0gqCp7jegHI5UotZfGUn2/+D9D3dvmHMJqLE3De5/wK0PZHBgbrUstVklYQY2hpn5UD9XamhOq3llWdoxUIrZAcBJjLf0khAUZrFDKkwEa9kzIyMKduNvmzvPzu23Nbz5x4BJFxzUiKRIw+4FE8EURCsQP6pJGWxlkM0MoWo8xW2orAFeGBkRibmoG5YXH1/f+hjE2RxMdPXY8wT4vdtwytuZH8npvIxMcYNC3QZ/vTM/EKkYYqsN3ELFrJAZBpBwNyNnA9YMNo0zYigftmM0azzANv7+xP8JTu08YFEMTTA/yCe9C860xpgw1wmUu1K0uQcotyDrxkx4WtoJ5EKBFRXk4AIV3zo5sNj576/LZjZjYcV17dLEvgN8dfmNvuPD5yfOv/zmXsCJS79KAQ4oYlZqXGzaSs3N5kEb1mlJmxULMpuCpfolGWmEItPTJK1Zh+280aCOumJL+3ATK8bqDWXuX945PbwX8K6OxGtNC23CCo10lhSRwhA4ChoUnosqKu7JAnq70IdLrRE8RJIA26PND61XXEhbb2fWch4FoGVffWu/AR4cvrDc98Ptd4+feePFvomD734L+NZHSivXlc9GG+wK31O1cwAtiHDtrGpaCOO1dQcL63cHeMb0enZIFh0MLZXxfKRLmBK+wfLcuFSTSKli/3xwdGr4WQD8+h4c3vxMIMjqePrFOZYwexG1Q+s+lwRoDqYApH4lXJMRJQMulElufXHIN2h2ALWmUSIL5tyoaDadSiRrWvLa5ZP7biv32nLfxJEz5777ypm+g+e3v9nKnbz8O17drxKzNWazp8oYn0kYbIp+k1loKGvS0xFjpq6eYS3GQT6eyMFgGXFo+EGcdleE7JXV1kadxXHSswHe083Tr/dmyf3Xd7Z7UXpq++7hHKxqjxcpUzKNdepASlzPmH2JMkFwMHb2kDdTp2yGW7u793y954gxB4+txT35IVLeZdjoRFJYqTzZ2meAEy++fO77x88tXziz/OqevfDWR7MoNlkk1NweW2axC0bkepucRZudhN8T0QQW1mJLiFxuCAFVlULKc4KAxyPx6rKuTKvVWut0CJSUgQH5v27ePNGrBz+7c2K7J7j5JwnYvxTXx6SwS96hzLLCWt3CVyy2WE8e/TyYN2e+Q9DMG7tn3/8ymeqfYcqki3OTSpmMPVAQORxAKqGzXj62z+7A145PvHLwwpG+I2/uGSLH3vsllOLOt+L00rizv96FmZyxsSI1OaanqDYakVn1rbVyDlf4aY1psquWGMUSk7q+EdCNjM91Ogv6uimNz8Ja5uzDZvLvVUe/uvCHzalejnnqdbsM8nqMQbsARlyjww7YrAiPYs0+Onv9r/kmY96drXxx9uw9pYUPOk3RCsnamGe5KzrH4emGWEtihQ9OPR9TeOuWU+3gzJUQEQeDDkMShwPlzbe6pCqGDVBe2IJlMJMBpJ1ElwZAtUIoHPWquWidqI8v2hB0wO9xgVAkOj0YoYUCiLXk767OPz099cL9ExdDjl7IgRROuzcc0ICTVCFs9yrT6Q+v7942p6wMh0fBfvg5F/OzUaJNr/uA0hyl0gFccdXB9+VoXuGbKLOvAY/d5uvkYxuUReZt8JOVQ9xiIGWgNtAKabea2ogQKYpyPvaBbrioR/G0ovejZidH6TJwxhdYysOHFaaasM2ANR6fMEznjPFufLFNtF8afmH46G8eOgnxUE0T1seWZknpwgJrRWpp+oSfXvp3nMajoJTqGH3usQyqREuT4qRgED1gF3P9Y50MX5BPRvxjH596HgC3fpzNMlcOeIU1yJxPGBHegj+YdyFqEas9IC85KlLKLAhaC2LPAEc8KmI4oQTsLfIcsgikNIpdCTuRyhEdqbsiSBBFJ0YUVwuaKONO70X3+okIOofWIo3AjJHESayVgarcKF8DwzMMKxxspqLhlikv1qt1iWmmqykQVOR1R4oMr7UY2jxpWrL7vT86tv8BT17+qSDoVtHRfJAUCpSU3IQpcvkkn87oM16rMRQdaLO1TETK5DtGQw6nd4klF1vD7UI1mcXF4hAs7QJCcbzErgXZ8SJBlfxOmyxP//ntr1rwE3AxkB7tYmCarEJIW64R08LPHz96GDHzUy5Il0/7FTojwsSZskQaxy+SiFyMC60Ui53CuaViwSC7dWr/A249yQ/5iTI/m8Wtrrx6g8zPghGlsimUjMzqtPmUBJucbFhARGKAzHgqMe0YmyMs097VbmhQHHanYJkOitYAjDaLCisSVdxZwcOIbvQXvTM8tXMTFyGARd1GQwFilG9BOSw68ejs7o1PPgsq4wesSUHejTCHgo7S/5i3t9400jMO4GJG8sozMGAPMGCY4WAOYThMEWDM0eZs8HAGG+JlOdkGgwNZOxgTtht5Xe0qjbPJKmupiZV0m6rqSm2UbZJKTVO1aTdqmk17sVqr2VRK1TRSFW0vqkb9ALWd/RBcvre/uXif5/9/Z60ubDZ6E6QdEo6PAmS0qJQLm9l6Sv3tRTzAgOd/9KCqbqzzRfF5paAyVnGVlTMHQ0052ccQpzuJcokQx9eUw1iTHdbJbKgNr4itjAAroUZwnpQD6GCHbKwaGBGAJlUPLGqEdiZIOYSvtu8fVpuPab4QlGvLlCAIVp3YnFiOPLzzkz+d3nmMNYLKVHQSDqdR7wSkEFRyNfFoEWPzq+l5Z9Lbj0qavmnRzK/ODjrgpd+OG2YjFo0MUo9Sa3qOvBkBOPqCPa3MLXiTyWQMIEl24QAwwuYaVrQneL0ADZbxHKeq7thHMz7jmCxoZGr1MhBXnVlNRTU+cbRv8Ij/ePlwmP4KRXpSki7OMBkGssTLA7Tws0eP9obe3te4AulRDRZ2p4svH4U0EwywPuoG2VIblxufn+yjaEDRtCDMn946P+CAP7wd42TFWmj5PUHUK3dZxbnEGtTJBqehRmRVV0VJnjrAC7J8gYYKg36OWoAxiIxLDuvqOOCk9e3IgkMUNvAgk7iw3D7GSNI904wRon53OMgc7nPhlkVjIwN2TavFi2zyx+UE8PmVjalfChYNgCSk0RC8J7u7N4wEYeeOGgAAEwcX7DZHnXKmYaMfIMyfXBpswPd/PhZT4wygc6apdqLRco8V0hQgQgo11pvH9CYwBmSsIWnLhUtgWM2cBIJqpWCuJnCiIj0ETwY8sxByog+X6yFxtpDJZgQwbOQY1lh0/NnW1MFafPFuEWQ1pTCpLQTNs6rOqoHi8O5OLZ18oeD4eeCozdy9/uGd3ScEWJcE+Ao+w7XZzgEAz7Sg7PepRYqX/ctRKDO4gGdve6s2KkoKNfQo1x1WuHRxB45406TWjCOSQn52pOciMJmHMV9nVeJVTa5uCBakcLVqkxVGWurYZCkF181WsEiIGePkorCXc1HeyTBg/MdRufnW9jciKC+IOoU+MFauGzjsDiTZOTV0ai/n0467nWH29e693zz8mnRWqSDLA2VHfJueAM5GdGNSQqILq4Odo0lmYAHPX108GL9mjoeRuFMn5ftN+BghBeh06fi4vFJ0Y932So9lBTVspnu1nYXdEhUkxTEDJTeEhJm5hjDqpkmHIrsaUoOk28mUVPS1jD3tZvY6/zzqlqau3DXgQmUyyZ+l0qWD72Lt5v67vTS8dOVFzUNP0oy1iJjvEdd1UfSxFmLVlhVCq5oBqfCAnN0wIUwbwL53dpABP/4kFEs6mQTHrgRNK8sWBl7rFhBaGTSnihY5Gs4s1/T5WR2i4o1ru11jWu7zyQBEYHZxZL6EOMd2cPQeBiGVCwqA2z2hKmg4igTnuER/pubb+9dRtbTzih93okmbrGVwomgykDE939oYHh7aelFQ+BGDKwjTijkT7z83d/alK8vN6UWbDkssr0j6xvdUC7b4mvyzW28OMOCHnwrKVJ8rhhg02OwW7Ck5pGIhpNq3qdUtLhowqLF8pmPyFFayq+b19joO/v3JL8x+/oLUoa3lTeKWp9FOBERKkV2KI0X/dQUd8JgM44Juu93e++Ao2d96ltAqU95JpJE72DXQmH/ki4tLB4AbW88aOEwK1q6lHdLQ0+2pj+6WreY1KBSlMTakTaHl5XwlXJSr/YcF3aACnr/1B08wwzxhFDO9MNRBYIokiZZUU2E1FWBMncmYg/q5VX5nXdHc7Cg6Z3ySh3d+dk8bO06WlOzaOjStmMt7lOEAWe0TLL62YEgyFSZlOtTwNVV7R/36W5f3IiqWLETb9IUS6iWBlu/ZhQPA4aGP9l7ByfFQJeBG/3dz69TG1AupPGTK8aPcCUJ+Aq0KahFNKgWYpm+fHVzAj3+sUBybY08o4ZkwA7cITE0iTPSaDVWLiokm8MpEgLRrsYkyNTq9XAgBAPXg13d2X3pRt7fqnQl2N3PThERJyfBxNOllWFgYTIOsBlaS+iZS8Z3XDxQO9rmxufY6NmMXJVOENZfXP718CDi8dGE/6f4b8/n+Vze3P1ga2rj4Ba8C9bQ22lEmrxklYU9tBImlS8K1v159c2ABz37qEQtXI02qRCEI4RcEExiFZ335OY8tWizbaTqWisvLVBp1hzrBuhruh2/8+ckDb6lUXBSlHRGVNWQAF/2qWQY31hdlG/gYH8HXp7mr63I0uXP/dcB/+aZIsa6Xir58WVJae/q8Z//ixiHg0PDO/ue/3zl98f47S0sHp+1vALaquUCFJZJqXNXgSC88B4Oex4OLN94fFMDvfP8wVH33je+e+/Y3h6u5BBajLStmDd+g42i40TgN+xU4R7CWY2lSqJuJERhmSKFJum42s/UjWs+xmo9tMofqevP4DM8+z5zuqPQRfcLqb2VX8s3OCGL3gH1OwwoAO2+/boinTv8bCRdPfLm7+1BETRB86vnpI8DhoXe2rtw/tbGxNHRw2LjwlEtr2Z0ViGJSVXpkxSLncnUETwbh8a8vDUqkv3HyB2+c2

Дельфины

<img alt="" loading="lazy" src="data:image/png;base64,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

Стиль таблицы стилей Solarized Light

<img alt="" loading="lazy" src="data:image/png;base64,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

Текст и mathtext с использованием pyplot

END_OF_DOCUMENT_MARKER

Несколько линий с помощью pyplot

Два поддиаграммы с помощью pyplot

Печать в стандартный вывод

Установление и получение свойств

transforms.offset_copy

<img alt="" loading="lazy" src="data:image/png;base64,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

Демонстрация zorder

Пользовательская шкала

END_OF_DOCUMENT_MARKER

Размещение меток дат с использованием правил повторения

Поворот пользовательских меток шкал

Демо CanvasAgg

Менеджер инструментов

Учебник по Pyplot

Руководство по быстрому началу

END_OF_DOCUMENT_MARKER

Настройка Matplotlib с помощью таблиц стилей и rcParams

END_OF_DOCUMENT_MARKER

Руководство по эффектам пути

matplotlib.pyplot.plot

Примечания

Примеры использования matplotlib.pyplot.plot

Примеры использования `matplotlib.pyplot.plot`