也为副刻度添加辅助网格：
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
x = 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 np
import matplotlib.ticker as ticker
import matplotlib.pyplot as plt
name_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 np
import matplotlib.pyplot as plt
name_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 np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
def 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 np
import datetime
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
start_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。
[](()使用对数刻度
当可视化的数据变化范围非常广时，如果仍然使用常规的坐标轴刻度，将导致数据密集显示，甚至无法看到数据的变化趋势，这时，使用对数刻度就可以对图形进行更好的展示。
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(1, 10, 1024)
plt.yscale('log')
plt.plot(x, x, c = 'c', lw = 2., label = r'$f(x)=x$')
plt.plot(x, 10 ** x, c = 'y', ls = '--', lw = 2., label = r'$f(x)=e^x$')
plt.plot(x, np.log(x), c = 'm', lw = 2., label = r'$f(x)=\log(x)$')
plt.legend()
plt.show()
若使用常规坐标轴刻度，则图形将变得混乱：
Tips：通过向plt.yscale()函数传递'log'参数值来得到对数刻度，；其他可用缩放类型参数值还包括'linear'、'symlog'等。同样，我们也可以使用plt.xscale()在x轴上获得相同的结果默认情况下，对数基数为10，但可以使用可选参数basex和basey进行更改。设置对数刻度适用于任何图形，而不仅仅是曲线图。
同样，使用对数标度也可以用于放大范围非常大的数据上的一个小范围：
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-100, 100, 4096)
plt.xscale('symlog', linthreshx=6.)
plt.plot(x, np.sinc(x), c = 'c')
plt.show()