与任何图形包一样，Matplotlib构建在转换器框架之上，可以轻松地在坐标系、用户数据坐标系、图表域（axes）坐标系、图表（figure）坐标系和显示坐标系之间变换。在95%的绘图中，你不需要考虑这一点，因为这是在引擎盖下（幕后）发生的，但当你的需求超出了自定义图表生成的极限时，了解这些对象会有所帮助，这样你就可以重用Matplotlib为你提供的现有的转换器，或者创建你自己的转换器（见Matplotlib.transforms）。下表总结了一些有用的坐标系，每个系统的描述以及用于从每个坐标系到显示坐标的变换对象。在“Transformation Object”列表中，ax是Axes实例，fig是Figure实例，subfigure是subfigure实例。
坐标系 | 描述 | 显示转换对象 |
"data" （数据） | 图表域（Axes）中的数据坐标系。 | ax.transData |
"axes" （图表域） | 图表域坐标系；(0,0)是左下角，(1,1)是右上角。 | ax.transAxes |
"subfigure" （子图表） | 子图表（Subfigure）坐标系；(0,0)是左下角，(1,1)是右上角。如果一张图表中无子图表，则与transFigure相同。 | subfigure.transSubfigure |
"figure" （图表） | 图表（Figure）坐标系；(0,0)是左下角，(1,1)是右上角。 | fig.transFigure |
"figure-inches" （英寸图表） | 以英寸为单位的图表坐标系；(0,0)是左下角，(width,height)是右上角。 | fig.dpi_scale_trans |
"xaxis","yaxis" （x轴，y轴） | 混合坐标系，在一个方向上使用数据坐标（），在另一个方向使用图表域坐标（axes）。 | ax.get_xaxis_transform()，ax.get_yaxis_transform() |
"display" （显示） | 输出的本地坐标系；（0，0）是窗口的左下角，（宽度，高度）是以“显示单位”为单位的输出的右上角。 单位的确切解释取决于后端。例如，Agg是像素，svg/pdf是点数。 | None 或 IdentityTransform() |
源坐标系和目标坐标系对转换（Transform）对象都是无知的，但是上表中提到的对象被构造为在其坐标系中获取输入，并将输入转换为显示坐标系。这就是为什么显示坐标系中“Transformation Object”列为None的原因——它已经在显示坐标中了。命名和目标约定有助于跟踪可用的“标准”坐标系和转换。
变换还可以反转（通过Transform.inversed），以生成从输出坐标系返回到输入坐标系的变换。例如，ax.transData将数据坐标中的值转换为显示坐标，而ax.transData.inversed()是一个从显示坐标转换为数据坐标的matplotlib.transforms.Transform。这在处理用户界面中的事件时尤其有用，这些事件通常发生在显示空间中，但您想知道鼠标单击或按键在数据坐标系中的位置。
请注意，如果图形的dpi或大小发生变化，指定艺术家在显示坐标中的位置可能会更改其相对位置。这可能会在打印或更改屏幕分辨率时造成混乱，因为对象可能会更改位置和大小。因此，对于放置在图表域（Axes）或图表（figure）中的艺术家来说，将他们的变换设置为非IdentityTransform()是很常见的；当使用add_artist将艺术家添加到图表域（Axes）时，默认情况下转换器为ax.transData，这样您就可以在数据坐标中工作和思考，并让Matplotlib负责显示转换。
数据坐标（Data coordinates）
让我们从最常用的坐标系——数据坐标系开始。每当你向图表域（axes）添加数据时，Matplotlib都会更新数据限制，最常见的是使用set_xlim()和set_ylim()方法更新。例如，在下图表中，数据限制在x轴上是0到10，在y轴上从-1到1。
·
·
·
·
·
·
·
·
·
·
·
·
import numpy as npimport matplotlib.pyplot as plt
x = np.arange(0, 10, 0.005)y = np.exp(-x/2.) * np.sin(2*np.pi*x)
fig, ax = plt.subplots()ax.plot(x, y)ax.set_xlim(0, 10)ax.set_ylim(-1, 1)
plt.show()
如果不使用set_xlim()和set_ylim()：
·
·
·
·
·
·
·
·
·
·
import numpy as npimport matplotlib.pyplot as plt
x = np.arange(0, 10, 0.005)y = np.exp(-x/2.) * np.sin(2*np.pi*x)
fig, ax = plt.subplots()ax.plot(x, y)
plt.show()
您可以使用ax.transData实例将数据转换为显示坐标系，可以是单个点，也可以是一系列点，如下所示：
·
·
·
·
·
·
·
·
·
·
In [3]: type(ax.transData)Out[3]: matplotlib.transforms.CompositeGenericTransform
In [4]: ax.transData.transform((5,0))Out[4]: array([328.11278366, 216.7086957 ])
In [5]: ax.transData.transform([(5,0), (1, 2)])Out[5]:array([[328.11278366, 216.7086957 ], [147.65892037, 643.48791699]])
您可以使用inverted()方法创建一个从显示坐标到数据坐标的转换：
·
·
·
·
·
·
·
In [6]: inv = ax.transData.inverted()
In [7]: type(inv)Out[7]: matplotlib.transforms.CompositeGenericTransform
In [8]: inv.transform((328.11278366, 216.7086957))Out[8]: array([ 5.00000000e+00, -1.11151088e-11])
如果您与本教程一样地键入，如果您的窗口大小或dpi设置不同，则显示坐标的确切值可能会有所不同。同样，在下图表中，显示标记的点可能与ipython会话中的点不同，因为文档图形大小的默认值不同。
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
import numpy as npimport matplotlib.pyplot as plt
x = np.arange(0, 10, 0.005)y = np.exp(-x/2.) * np.sin(2*np.pi*x)
fig, ax = plt.subplots()ax.plot(x, y)ax.set_xlim(0, 10)ax.set_ylim(-1, 1)
xdata, ydata = 5, 0# This computing the transform now, if anything# (figure size, dpi, axes placement, data limits, scales..)# changes re-calling transform will get a different value.xdisplay, ydisplay = ax.transData.transform((xdata, ydata))
bbox = dict(boxstyle="round", fc="0.8")arrowprops = dict( arrowstyle="->", connectionstyle="angle,angleA=0,angleB=90,rad=10")
offset = 72ax.annotate('data = (%.1f, %.1f)' % (xdata, ydata), (xdata, ydata), xytext=(-2*offset, offset), textcoords='offset points', bbox=bbox, arrowprops=arrowprops)
disp = ax.annotate('display = (%.1f, %.1f)' % (xdisplay, ydisplay), (xdisplay, ydisplay), xytext=(0.5*offset, -offset), xycoords='figure pixels', textcoords='offset points', bbox=bbox, arrowprops=arrowprops)
plt.show()
警告
如果您在GUI后端运行上面示例中的源代码，您可能还会发现数据和显示注释的两个箭头并不完全指向同一点。这是因为显示点是在图表显示之前计算的，并且GUI后端在创建图表时可能会稍微调整图表的大小。如果您自己调整图表的大小，差别会更明显。这就是为什么你很少想在显示空间工作的一个很好的原因，但你可以连接到“on_draw”事件（Event）来更新图表绘制上的图表坐标；请参阅事件处理和拾取（Event handling and picking）。
当您更改图表域（axes）的x或y轴限制时，数据限制会更新，因此变换会产生一个新的显示点。请注意，当我们只更改ylim时，只有y显示坐标会更改，而当我们也更改xlim时，两者都会更改。稍后我们讨论Bbox时，将对此进行更多介绍。
·
·
·
·
·
·
·
·
·
·
·
·
·
·
In [16]: ax.transData.transform((5, 0))Out[16]: array([328. , 237.6])
In [17]: ax.set_ylim(-1, 2)Out[17]: (-1.0, 2.0)
In [18]: ax.transData.transform((5, 0))Out[18]: array([328., 176.])
In [19]: ax.set_xlim(10, 20)Out[19]: (10.0, 20.0)
In [20]: ax.transData.transform((5, 0))Out[20]: array([-168., 176.])
图表域坐标（Axes coordinates）
除了数据坐标之外，图表域坐标可能是最常用的坐标系了。在这个坐标系中，原点(0,0)是图表域或子图表的左下角，(0.5, 0.5)是中心，(1.0, 1.0)是右上角。这个范围之外的点也可以被参考的，因此(-0.1, 1.1)位于图表域的左侧上方。在图表域中放置文本时，此坐标系非常有用，因为用户通常希望文本气泡（text bubble）位于同样的位置，例如图表域面板的左上角，而且在平移或缩放时相对位置能保持不变。这里有一个简单的例子，创建了四个面板，并将它们标记为“A”、“B”、“C”、“D”，就像你在期刊上经常看到的那样。
·
·
·
·
·
·
·
·
import matplotlib.pyplot as pltfig = plt.figure()for i, label in enumerate(('A', 'B', 'C', 'D')): ax = fig.add_subplot(2, 2, i+1) ax.text(0.05, 0.95, label, transform=ax.transAxes, fontsize=16, fontweight='bold', va='top')
plt.show()
用户也可以在图表域坐标系中制作线或面片，不过，根据我的经验，这比不上使用ax.transAxes放置文本有用。尽管如此，这里有一个直观的示例，它在数据空间中绘制一些随机点，并覆盖一个以图表域中心为中心的半透明圆（Circle），半径为图表域的四分之一——如果图表域不保留纵横比（请参见set_aspect()），这看起来就像一个椭圆。使用平移/缩放工具四处移动，或手动更改数据xlim和ylim，您将看到数据移动，但圆将保持固定，因为它不在数据坐标中，并且将始终保持在图表域的中心。
·
·
·
·
·
·
·
·
·
·
·
·
import numpy as npimport matplotlib.pyplot as pltimport matplotlib.patches as mpatches
fig, ax = plt.subplots()x, y = 10*np.random.rand(2, 1000)ax.plot(x, y, 'go', alpha=0.2) # plot some data in data coordinates
circ = mpatches.Circle((0.5, 0.5), 0.25, transform=ax.transAxes, facecolor='blue', alpha=0.75)ax.add_patch(circ)plt.show()
matplotlib.transforms：https://matplotlib.org/stable/api/transformations.html#module-matplotlib.transforms
Axes：
https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.html#matplotlib.axes.Axes
Figure：
https://matplotlib.org/stable/api/figure_api.html#matplotlib.figure.Figure
SubFigure：
https://matplotlib.org/stable/api/figure_api.html#matplotlib.figure.SubFigure
None：
https://docs.python.org/3/library/constants.html#None
IdentityTransform()：
https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.IdentityTransform
Transform：
https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.Transform
Transform.inverted：
https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.Transform.inverted
matplotlib.transforms.Transform：
https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.Transform
add_artist：
https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.add_artist.html#matplotlib.axes.Axes.add_artist
set_xlim()：
https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.set_xlim.html#matplotlib.axes.Axes.set_xlim
set_ylim()：
https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.set_ylim.html#matplotlib.axes.Axes.set_ylim
inverted():
https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.Transform.inverted
Event：
https://matplotlib.org/stable/api/backend_bases_api.html#matplotlib.backend_bases.Event
Event handling and picking：
https://matplotlib.org/stable/users/explain/event_handling.html#event-handling-tutorial
Bbox：
https://matplotlib.org/stable/api/transformations.html#matplotlib.transforms.Bbox
Circle：
https://matplotlib.org/stable/api/_as_gen/matplotlib.patches.Circle.html#matplotlib.patches.Circle
set_aspect()：
https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.set_aspect.html#matplotlib.axes.Axes.set_aspect