matplotlib 画图

1. 画曲线图

Tompson = np.array([0, 0, 0, 0, 0.011, 0.051, 0.15, 0.251, 0.35, 0.44, 0.51, 0.59, 0.65, 0.68, 0.725, 0.752, 0.8])
ours = np.array([0.00000000e+00, 1.21182744e-04, 4.26563257e-02,
                 1.76078526e-01, 3.51187591e-01, 5.02666020e-01,
                 6.18274358e-01, 7.03102278e-01, 7.61754726e-01,
                 8.12893844e-01, 8.63427048e-01, 9.02205526e-01,
                 9.30198740e-01, 9.51284537e-01, 9.61706253e-01,
                 9.74066893e-01, 9.79641299e-01])
Deep_prior = np.array([0, 0, 0.03, 0.09, 0.15, 0.251, 0.34, 0.415, 0.49, 0.55, 0.62, 0.69, 0.74, 0.79, 0.83, 0.86, 0.9])
Zhou = np.array([0, 0, 0.023, 0.1, 0.21, 0.325, 0.415, 0.52, 0.59, 0.661, 0.73, 0.78, 0.85, 0.885, 0.91, 0.94, 0.95])
Feedback_loop = np.array(
    [0, 0, 0.022, 0.09, 0.20, 0.32, 0.415, 0.53, 0.642, 0.72, 0.79, 0.85, 0.88, 0.91, 0.951, 0.96, 0.965])
Crossing_net = np.array(
    [0, 0, 0.07, 0.17, 0.25, 0.36, 0.485, 0.62, 0.715, 0.79, 0.865, 0.906, 0.92, 0.95, 0.952, 0.970, 0.97])
qinghua = np.array([ 0.        ,  0.00121183,  0.06386331,  0.17886573,  0.3427048 ,
        0.4655841 ,  0.57828405,  0.67716917,  0.76223946,  0.82222492,
        0.87433349,  0.91250606,  0.94122637,  0.96122152,  0.9726127 ,
        0.9831556 ,  0.98679108])
def draw_map(errs1, errs2, errs3, errs4, errs5, errs6, errs7):
    # err_flat = errs.ravel()  # Return a flattened array, 相同功能的函数为np.flat
    thresholds = np.arange(0, 85, 5)  # 不包含85
    fig=plt.figure(figsize=(10, 8)) # 设置figsize的大小
    ax = fig.add_subplot(111)
    ax.plot(thresholds, errs1, '-.', thresholds, errs2, '-_',
             thresholds, errs3, '--', thresholds, errs4, '--*', thresholds, errs5, ':*',
             thresholds, errs6, ':x', linewidth=2)
    ax.plot(thresholds, errs7, '-', linewidth=2.25, color='b')
    ax.set_xlabel('Maximum joint error threshold (mm)', fontsize=15)
    ax.set_ylabel('Fraction of frames within threshold', fontsize=15)
    ax.tick_params(axis='x', labelsize=15)
    ax.tick_params(axis='y', labelsize=15)    
#     设置x, y轴的数字字号    
#     plt.rcParams['xtick.labelsize']=15
#     plt.rcParams['ytick.labelsize']=15
#     或者   
#     plt.set_xticks(fontsize=15)  # 设置坐标轴刻度字体大小
#     plt.set_yticks(fontsize=15)
    ax.legend(['Tompson et al.', 'Prior', 'Zhou et al.', 'Feedback',  'REN', 'Crossing Nets','ours'], loc='lower right',
               prop={'size': 15})
    ax.grid(True)

fig=draw_map(Tompson, Deep_prior, Zhou, Feedback_loop, qinghua, Crossing_net, ours)

plt.savefig('D:\\filename.svg',format='svg')  #保持为eps格式或者svg格式
plt.show()

 前面依然使用plt句柄，只是最后获取当前图像

# plt调用gcf函数取得当前绘制的figure并调用savefig函数
foo_fig = plt.gcf() # 'get current figure'
foo_fig.savefig('foo.eps', format='eps', dpi=1000)
plt.show()

2. 画柱状图

def draw_error(errs1, errs2, errs3, errs4, errs5, errs6, dataset='nyu'):
    bar_width = 0.23
    opacity = 0.4
    # 将总体的mean计算出来也放进去!!
    if dataset == 'icvl':
        joint_idx = [0, 1, 3, 4, 6, 7, 9, 10, 12, 13, 15, 16]
        names = ['Palm', 'Thumb.R', 'Thumb.T', 'Index.R', 'Index.T', 'Mid.R', 'Mid.T', 'Ring.R', 'Ring.T', 'Pinky.R',
                 'Pinky.T', 'Mean']
    elif dataset == 'nyu':
        joint_idx = [0, 1, 2, 3, 4, 5, 6, 7, 13, 11, 12, 8, 9, 10, 14]
        names = ['P1', 'P2', 'R1', 'R2', 'M1', 'M2', 'I1', 'I2', 'C', 'W1', 'W2', 'T1', 'T2', 'T3', 'AVG']

    x = np.arange(len(joint_idx))
    plt.figure(figsize=(12, 8))
    #     plt.bar(x, errs1[joint_idx])  # 选中indx为joint_idx的元素
    # plt.title('error')
    plt.xticks(x + 0.5, names, fontsize=15)  # set the locations and labels of the xticks   , rotation='vertical'
    plt.yticks(fontsize=15)  # 设置坐标轴刻度字体大小
    plt.ylabel('Mean Error (mm)', fontsize=15)
    # plt.grid(True)

    rects1 = plt.bar(x, errs1, bar_width / 2, alpha=opacity, color='y', label='Tompson et al.')
    rects2 = plt.bar(x + bar_width / 2, errs2, bar_width / 2, alpha=opacity, color='k', label='Prior')

    rects3 = plt.bar(x + bar_width, errs3, bar_width / 2, alpha=opacity, color='c', label='Zhou et al.')
    rects4 = plt.bar(x + 1.5 * bar_width, errs4, bar_width / 2, alpha=opacity, color='m', label='Feedback')
    rects5 = plt.bar(x + 2 * bar_width, errs5[joint_idx], bar_width / 2, alpha=opacity, color='g', label='REN')    
    rects6 = plt.bar(x + 2.5 * bar_width, errs6[joint_idx], bar_width / 2, alpha=opacity, color='b', label='ours')

    plt.legend(loc='upper left', prop={'size': 12})
    plt.tight_layout()
    foo_fig = plt.gcf() # 'get current figure'
    foo_fig.savefig('柱状图.eps', format='eps', dpi=1000)
    plt.show()

3. 转载的一个教程： 点击打开链接

官网介绍：

matplotlib API

一个很详细的博客：

matplotlib绘图基础

漂亮插图demo

基础知识：

首先一幅Matplotlib的图像组成部分介绍。

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(ax)对象都是一个拥有自己坐标系统的绘图区域。所属关系如下：

下面以一个直线图来详解图像内部各个组件内容:

其中：title为图像标题，Axis为坐标轴, Label为坐标轴标注，Tick为刻度线，Tick Label为刻度注释。各个对象关系可以梳理成以下内容：

图像中所有对象均来自于Artist的基类。

上面基本介绍清楚了图像中各个部分的基本关系，下面着重讲一下几个部分的详细的设置。

一个"Figure"意味着用户交互的整个窗口。在这个figure中容纳着"subplots"。

当我们调用plot时，matplotlib会调用gca()获取当前的axes绘图区域，而且gca反过来调用gcf()来获得当前的figure。如果figure为空，它会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)。

Figures

Subplots

plt.subplot(221) # 第一行的左图
plt.subplot(222) # 第一行的右图
plt.subplot(212) # 第二整行 plt.show()

注意：其中各个参数也可以用逗号,分隔开。第一个参数代表子图的行数；第二个参数代表该行图像的列数； 第三个参数代表每行的第几个图像。

另外：fig, ax = plt.subplots(2,2),其中参数分别代表子图的行数和列数，一共有 2x2 个图像。函数返回一个figure图像和一个子图ax的array列表。

补充：gridspec命令可以对子图区域划分提供更灵活的配置。

中文显示方框问题

这是由于matplotlib文件夹内没有中文字体包导致的，实际上函数包本身是支持中文的，常见解决方案是拷贝字体文件到matplotlib中，不过我感觉太麻烦，找到了另外的方式，

1 2 3 4

from  pylab  import  mpl   mpl.rcParams[ 'font.sans-serif' ]  =  [ 'FangSong' ]     # 指定默认字体 mpl.rcParams[ 'axes.unicode_minus' ]  =  False         # 解决保存图像是负号'-'显示为方块的问题

加上这三行代码指定一下字体就行了（实际上最后一行可以不加）

常用绘制流程

1.axes列表中包含各个子图句柄

1 2 3 4 5 6 7

# 3x3子图 fig, axes  =  plt.subplots( 3 ,  3 ) # 子图间距设定 fig.subplots_adjust(hspace = 0.3 , wspace = 0.3 ) # 在分别绘制各个子图 for  i, ax  in  enumerate (axes.flat):      pass

2.每个子图句柄需要单独生成

1 2 3 4 5 6 7 8

# 画布 fig  =  plt.figure() # 添加子图 ax  =  fig.add_subplot( 211 ) pass # 添加子图 ax2  =  fig.add_subplot( 212 ) pass

3.使用plt包命名空间代指多个子图句柄

【注】这种方法的句柄含在plt中，与上面的ax的方法属性并不相同，下面会详解

1 2 3 4 5 6 7 8 9

# 添加子图 plt.subplot( 311 ) pass # 添加子图 plt.subplot( 312 ) pass # 添加子图 plt.subplot( 313 ) pass

绘图功能

【注】使用ax代指子图方法1、2的句柄，plt代指方法3中的命名空间。坐标生成：

1 2 3 4 5 6

# 一维坐标生成 x  =  np.linspace( 0 , 10 , 100 )   # 二维网格生成 u  =  np.linspace( - 1 , 1 , 100 ) x,y  =  np.meshgrid(u,u)

 坐标轴标签：

1 2 3 4 5 6 7 8

xlabel  =  "True: {0}, Pred: {1}" . format (cls_true[i], cls_pred[i]) xlabel  =  "y"   ax.set_xlabel(xlabel) ax.set_ylabel(ylabel)   plt.xlabel( 'x' ) plt.ylabel( 'y' )

 坐标轴刻度：

1 2 3 4 5

ax.set_xticks([]) ax.set_yticks([])   plt.xticks( range ( len (x)), [ 'a' ,  'b' ,  'c' ,  'd' ,  'e' ,  'f' ]) plt.yticks( range ( 1 ,  8 ,  2 ))

 坐标网格：

1 2 3 4 5 6 7

# 横纵坐标单位长度统一 plt.axis( 'equal' ) # 网格 plt.grid( True )   # 网格 ax.grid( True )

 图表标题：

1	plt.title( 'Second Derivative' )

 对数坐标：

1 2 3 4 5

'''对数坐标'''   plt.semilogx(x,y)   # 对x取对数 plt.semilogy(x,y)   # 对y取对数 plt.loglog(x,y)     # 同时取对数

绘图：

1 2 3 4 5 6 7 8 9 10

# 色彩填充 ax.fill(x,y1,facecolor = 'g' ,alpha = 0.3 ) ax.fill_between(x,y,y1,facecolor = 'b' ) # 等高线 ax.contourf(x,y,z) # 显示数组，因为是数组所以才会有vmin和vmax的关键字 ax.imshow()   # 线性绘图 plt.plot(x,y1,c = 'b' ,linestyle = ' ',marker=' ^')

经典实现

饼状图

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

import  matplotlib.pyplot as plt   plt.figure(figsize = ( 12 , 9 ))   labels  =  [ 'part1' ,  'part2' ,  'part3' ] # 各个饼的比例 sizes  =  [ 30 ,  20 ,  50 ] colors  =  [ 'yellowgreen' ,  'gold' ,  'lightskyblue' ]   # 各个模块离圆心的距离，参数为距离 explode  =  ( 0.05 ,  0.0 ,  0.0 )  # 图 label的text 比例的text patches, l_texts, p_texts  =  plt.pie(sizes, explode = explode, labels = labels, colors = colors, labeldistance = 0.8 ,          autopct = '%3.1f%%' , shadow = True , startangle = 90 , pctdistance = 0.6 )   # 设置x，y轴刻度一致，这样饼图才能是圆的 plt.axis( 'equal' ) plt.legend()   # 设置label的字体大小 for  t  in  l_texts:      t.set_size( 20 ) # 设置比例数字的字体大小 for  t  in  p_texts:      t.set_size( 20 )   plt.show()

 

柱状图

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

import  numpy as np from  matplotlib  import  pyplot as plt   plt.figure(figsize = ( 9 , 6 ))   n  =  12 X  =  np.arange(n) + 1 # numpy.random.uniform(low=0.0, high=1.0, size=None), normal Y1  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n) Y2  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n)   # bar and barh width  =  0.35 plt.bar(X, Y1, width = width, facecolor = '#9999ff' , edgecolor = 'white' ) plt.bar(X + width, Y2, width = width, facecolor = '#ff9999' , edgecolor = 'white' ) plt.bar(X,  - Y2, width = width, facecolor = '#ff9999' , edgecolor = 'white' )   # 柱状图添加说明文字 for  x,y  in  zip (X,Y1):      plt.text(x, y + 0.05 ,  '%.2f'  %  y, ha = 'center' , va =  'bottom' )       for  x,y  in  zip (X, - Y2):      plt.text(x + 0.4 , y - 0.15 ,  '%.2f'  %  y, ha = 'center' , va =  'bottom' )   #plt.ylim(-1.25,+1.25) plt.show()

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import  numpy as np from  matplotlib  import  pyplot as plt   plt.figure(figsize = ( 9 , 6 ))   n  =  12 X  =  np.arange(n) + 1 # numpy.random.uniform(low=0.0, high=1.0, size=None), normal Y1  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n) Y2  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n)   # bar and barh width  =  0.35 # 方法barh和参数height可以实现横向的柱状图 plt.barh(X, Y1, height = width, facecolor = '#9999ff' , edgecolor = 'white' )   plt.show()

 

概率分布图

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

from  matplotlib  import  pyplot as plt import  numpy as np   mu  =  0 sigma  =  1 x  =  mu  +  sigma * np.random.randn( 10000 )   fig,(ax0,ax1) = plt.subplots(ncols = 2 , figsize = ( 9 , 6 ))   ax0.hist(x,  20 , normed = 1 , histtype = 'bar' , facecolor = 'g' , rwidth = 0.8 , alpha = 0.75 ) ax0.set_title( 'pdf' ) # 累积概率密度分布 ax1.hist(x,  20 , normed = 1 , histtype = 'bar' , rwidth = 0.8 , cumulative = True ) ax1.set_title( 'cdf' )   plt.show()

 

散点图

atan2(a,b)是4象限反正切，它的取值不仅取决于正切值a/b，还取决于点 (b, a) 落入哪个象限： 当点(b, a) 落入第一象限时，atan2(a,b)的范围是 0 ~ pi/2; 　当点(b, a) 落入第二象限时，atan2(a,b)的范围是 pi/2 ~ pi; 当点(b, a) 落入第三象限时，atan2(a,b)的范围是 －pi～－pi/2; 　当点(b, a) 落入第四象限时，atan2(a,b)的范围是 -pi/2～０

而 atan(a/b) 仅仅根据正切值为a/b求出对应的角度 （可以看作仅仅是2象限反正切）： 当 a/b > 0 时，atan(a/b)取值范围是 0 ~ pi/2； 当 a/b < 0 时，atan(a/b)取值范围是 -pi/2～０

故 atan2(a,b) = atan(a/b) 仅仅发生在 点 (b, a) 落入第一象限 （b>0, a>0）或 第四象限（b>0, a0 , 故 atan(a/b) 取值范围是 0 ~ pi/2，2atan(a/b) 的取值范围是 0 ~ pi，而此时atan2(a,b)的范围是 －pi～－pi/2，很显然，atan2(a,b) = 2atan(a/b)

举个最简单的例子，a = 1, b = -1，则 atan(a/b) = atan(-1) = -pi/4, 而 atan2(a,b) = 3*pi/4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

from  matplotlib  import  pyplot as plt import  numpy as np   plt.figure(figsize = ( 9 , 6 ))   n  =  1024   # 均匀分布 高斯分布 # rand 和 randn X  =  np.random.rand( 1 ,n) Y  =  np.random.rand( 1 ,n)   # 设定颜色 T  =  np.arctan2(Y,X)   plt.scatter(X,Y, s = 75 , c = T, alpha = . 4 , marker = 'o' )   #plt.xlim(-1.5,1.5), plt.xticks([]) #plt.ylim(-1.5,1.5), plt.yticks([])   plt.show()

 

不规则组合图

# 定义子图区域
left, width = 0.1, 0.65
bottom, height = 0.1, 0.65
bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]
rect_histx = [left, bottom_h, width, 0.2]
rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 需要传入[左边起始位置，下边起始位置，宽，高]
# 根据子图区域来生成子图
axScatter = plt.axes(rect_scatter)
axHistx = plt.axes(rect_histx)
axHisty = plt.axes(rect_histy)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

# ref : http://matplotlib.org/examples/pylab_examples/scatter_hist.html   import  numpy as np import  matplotlib.pyplot as plt   # the random data x  =  np.random.randn( 1000 ) y  =  np.random.randn( 1000 )   # 定义子图区域 left, width  =  0.1 ,  0.65 bottom, height  =  0.1 ,  0.65 bottom_h  =  left_h  =  left  +  width  +  0.02   rect_scatter  =  [left, bottom, width, height] rect_histx  =  [left, bottom_h, width,  0.2 ] rect_histy  =  [left_h, bottom,  0.2 , height]   plt.figure( 1 , figsize = ( 6 ,  6 ))   # 根据子图区域来生成子图 axScatter  =  plt.axes(rect_scatter) axHistx  =  plt.axes(rect_histx) axHisty  =  plt.axes(rect_histy)   # no labels #axHistx.xaxis.set_ticks([]) #axHisty.yaxis.set_ticks([])   # now determine nice limits by hand: N_bins = 20 xymax  =  np. max ([np. max (np.fabs(x)), np. max (np.fabs(y))]) binwidth  =  xymax / N_bins lim  =  ( int (xymax / binwidth)  +  1 )  *  binwidth nlim  =  - lim   # 画散点图，概率分布图 axScatter.scatter(x, y) axScatter.set_xlim((nlim, lim)) axScatter.set_ylim((nlim, lim))   bins  =  np.arange(nlim, lim  +  binwidth, binwidth) axHistx.hist(x, bins = bins) axHisty.hist(y, bins = bins, orientation = 'horizontal' )   # 共享刻度 axHistx.set_xlim(axScatter.get_xlim()) axHisty.set_ylim(axScatter.get_ylim())   plt.show()

 

三维数据图

使用散点图的点大小、颜色、透明度表示高维数据：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

import  numpy as np import  matplotlib.pyplot as plt   fig  =  plt.figure(figsize = ( 9 , 6 ),facecolor = 'white' )   # Number of ring n  =  50 size_min  =  50 size_max  =  50 * 50   # Ring position P  =  np.random.rand(n, 2 )   # Ring colors R,G,B,A C  =  np.ones((n, 4 ))  *  ( 0.5 , 0.5 , 0 , 1 ) # Alpha color channel goes from 0 (transparent) to 1 (opaque),很厉害的实现 C[:, 3 ]  =  np.linspace( 0 , 1 ,n)   # Ring sizes S  =  np.linspace(size_min, size_max, n)   # Scatter plot plt.scatter(P[:, 0 ], P[:, 1 ], s = S, lw  =  0.5 ,                    edgecolors  =  C, facecolors = C)   plt.xlim( 0 , 1 ), plt.xticks([]) plt.ylim( 0 , 1 ), plt.yticks([])   plt.show()

 

美化

1 2 3 4 5 6 7 8

# 美化matplotlib绘出的图，导入后自动美化 import  seaborn as sns   # matplotlib自带美化风格 # 打印可选风格 print (plt.style.available  #ggplot, bmh, dark_background, fivethirtyeight, grayscale) # 激活风格 plt.style.use( 'bmh' )

一维颜色填充 & 三维绘图 & 三维等高线图

『Python』Numpy学习指南第九章_使用Matplotlib绘图

from mpl_toolkits.mplot3d import Axes3D

ax = fig.add_subplot(111,projection='3d')

ax.plot() 绘制3维线

ax.plot_surface绘制三维网格（面）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

from  mpl_toolkits.mplot3d  import  Axes3D    #<-----导入3D包 import  numpy as np import  matplotlib.pyplot as plt   fig  =  plt.figure(figsize = ( 9 , 6 )) ax  =  fig.add_subplot( 111 ,projection = '3d' )  #<-----设置3D模式子图 <br> # 新思路，之前都是生成x和y绘制z=f(x，y)的函数，这次绘制x=f1(z),y=f2(z) z  =  np.linspace( 0 ,  6 ,  1000 ) r  =  1 x  =  r  *  np.sin(np.pi * 2 * z) y  =  r  *  np.cos(np.pi * 2 * z)   ax.plot(x, y, z, label = u '螺旋线' , c = 'r' ) ax.legend()   # dpi每英寸长度的点数 plt.savefig( '3d_fig.png' ,dpi = 200 ) plt.show()

 

 # ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

from  mpl_toolkits.mplot3d  import  axes3d import  matplotlib.pyplot as plt from  matplotlib  import  cm   fig  =  plt.figure() ax  =  fig.add_subplot( 111 ,projection = '3d' ) X, Y, Z  =  axes3d.get_test_data( 0.05 ) print (X,Y,Z) # ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面） ax.plot_surface(X, Y, Z, rstride = 5 , cstride = 5 , alpha = 0.3 ) # 三维图投影制作，zdir选择投影方向坐标轴 cset  =  ax.contour(X, Y, Z,  10 , zdir = 'z' , offset = - 100 , cmap = cm.coolwarm) cset  =  ax.contour(X, Y, Z, zdir = 'x' , offset = - 40 , cmap = cm.coolwarm) cset  =  ax.contour(X, Y, Z, zdir = 'y' , offset = 40 , cmap = cm.coolwarm)   ax.set_xlabel( 'X' ) ax.set_xlim( - 40 ,  40 ) ax.set_ylabel( 'Y' ) ax.set_ylim( - 40 ,  40 ) ax.set_zlabel( 'Z' ) ax.set_zlim( - 100 ,  100 )   plt.show()

 

 

 

 # 为等高线图添加标注

1 2	cs  =  ax2.contour(X,Y,Z) ax2.clabel(cs, inline = 1 , fontsize = 5 )

 

 

配置Colorbar

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83

# -*- coding: utf-8 -*-  #**********************************************************  import  os  import  numpy as np  import  wlab  #pip install wlab  import  matplotlib  import  matplotlib.cm as cm  import  matplotlib.pyplot as plt  from  matplotlib.ticker  import  MultipleLocator  from  scipy.interpolate  import  griddata  matplotlib.rcParams[ 'xtick.direction' ]  =  'out'  matplotlib.rcParams[ 'ytick.direction' ]  =  'out'  #**********************************************************  FreqPLUS = [ 'F06925' , 'F10650' , 'F23800' , 'F18700' , 'F36500' , 'F89000' ]  #  FindPath = '/d3/MWRT/R20130805/'  #**********************************************************  fig  =  plt.figure(figsize = ( 8 , 6 ), dpi = 72 , facecolor = "white" )  axes  =  plt.subplot( 111 )  axes.cla() #清空坐标轴内的所有内容  #指定图形的字体  font  =  { 'family'  :  'serif' ,           'color'   :  'darkred' ,           'weight'  :  'normal' ,           'size'    :  16 ,           }  #**********************************************************  # 查找目录总文件名中保护F06925，EMS和txt字符的文件  for  fp  in  FreqPLUS:       FlagStr = [fp, 'EMS' , 'txt' ]       FileList = wlab.GetFileList(FindPath,FlagStr)       #       LST = [] #地表温度       EMS = [] #地表发射率       TBH = [] #水平极化亮温       TBV = [] #垂直极化亮温       #       findex = 0       for  fn  in  FileList:           findex = findex + 1           if  (os.path.isfile(fn)):               print ( str (findex) + '-->' + fn)               #fn='/d3/MWRT/R20130805/F06925_EMS60.txt'               data = wlab.dlmread(fn)               EMS = EMS + list (data[:, 1 ]) #地表发射率               LST = LST + list (data[:, 2 ]) #温度               TBH = TBH + list (data[:, 8 ]) #水平亮温               TBV = TBV + list (data[:, 9 ]) #垂直亮温       #-----------------------------------------------------------       #生成格点数据，利用griddata插值       grid_x, grid_y  =  np.mgrid[ 275 : 315 : 1 ,  0.60 : 0.95 : 0.01 ]       grid_z  =  griddata((LST,EMS), TBH, (grid_x, grid_y), method = 'cubic' )       #将横纵坐标都映射到（0，1）的范围内       extent = ( 0 , 1 , 0 , 1 )        #指定colormap       cmap  =  matplotlib.cm.jet       #设定每个图的colormap和colorbar所表示范围是一样的，即归一化       norm  =  matplotlib.colors.Normalize(vmin = 160 , vmax = 300 )       #显示图形，此处没有使用contourf #>>>ctf=plt.contourf(grid_x,grid_y,grid_z)       gci = plt.imshow(grid_z.T, extent = extent, origin = 'lower' ,cmap = cmap, norm = norm)       #配置一下坐标刻度等       ax = plt.gca()       ax.set_xticks(np.linspace( 0 , 1 , 9 ))       ax.set_xticklabels( ( '275' ,  '280' ,  '285' ,  '290' ,  '295' ,   '300' ,   '305' ,   '310' ,  '315' ))       ax.set_yticks(np.linspace( 0 , 1 , 8 ))       ax.set_yticklabels( ( '0.60' ,  '0.65' ,  '0.70' ,  '0.75' ,  '0.80' , '0.85' , '0.90' , '0.95' ))       #显示colorbar       cbar  =  plt.colorbar(gci)       cbar.set_label( '$T_B(K)$' ,fontdict = font)       cbar.set_ticks(np.linspace( 160 , 300 , 8 ))       cbar.set_ticklabels( ( '160' ,  '180' ,  '200' ,  '220' ,  '240' ,   '260' ,   '280' ,   '300' ))       #设置label       ax.set_ylabel( 'Land Surface Emissivity' ,fontdict = font)       ax.set_xlabel( 'Land Surface Temperature(K)' ,fontdict = font)  #陆地地表温度LST       #设置title       titleStr = '$T_B$ for Freq = ' + str ( float (fp[ 1 : - 1 ]) * 0.01 ) + 'GHz'       plt.title(titleStr)       figname = fp + '.png'       plt.savefig(figname)       plt.clf() #清除图形      #plt.show()  print ( 'ALL -> Finished OK' )

上面的例子中，每个保存的图，都是用同样的colormap，并且每个图的颜色映射值都是一样的，也就是说第一个图中如果200表示蓝色，那么其他图中的200也表示蓝色。

示例的图形如下：

4.  样式美化(matplotlib.pyplot.style.use)  点击打开链接

使用matplotlib自带的几种美化样式，就可以很轻松的对生成的图形进行美化。

可以使用matplotlib.pyplot.style.available获取所有的美化样式

[python]  view plain  copy

1. #!/usr/bin/python  
2. #coding: utf-8  
3.   
4. import numpy as np  
5. import matplotlib.pyplot as plt  
6.   
7. # 获取所有的自带样式  
8. print plt.style.available  
9.   
10. # 使用自带的样式进行美化  
11. plt.style.use("ggplot")  
12.   
13. fig, axes = plt.subplots(ncols = 2, nrows = 2)  
14.   
15. # 四个子图的坐标轴赋予四个对象  
16. ax1, ax2, ax3, ax4 = axes.ravel()  
17.   
18. x, y = np.random.normal(size = (2, 100))  
19. ax1.plot(x, y, "o")  
20.   
21. x = np.arange(1, 10)  
22. y = np.arange(1, 10)  
23.   
24. # plt.rcParams['axes.prop_cycle']获取颜色的字典  
25. # 会在这个范围内依次循环  
26. ncolors = len(plt.rcParams['axes.prop_cycle'])  
27. # print ncolors  
28. # print plt.rcParams['axes.prop_cycle']  
29.   
30. shift = np.linspace(1, 20, ncolors)  
31. for s in shift:  
32.     # print s  
33.     ax2.plot(x, y + s, "-")  
34.   
35. x = np.arange(5)  
36. y1, y2, y3 = np.random.randint(1, 25, size = (3, 5))  
37. width = 0.25  
38.   
39. # 柱状图中要显式的指定颜色  
40. ax3.bar(x, y1, width, color = "r")  
41. ax3.bar(x + width, y2, width, color = "g")  
42. ax3.bar(x + 2 * width, y3, width, color = "y")  
43.   
44. for i, color in enumerate(plt.rcParams['axes.prop_cycle']):  
45.     xy = np.random.normal(size= 2)  
46.     for c in color.values():  
47.         ax4.add_patch(plt.Circle(xy, radius = 0.3, color= c))  
48.   
49. ax4.axis("equal")  
50.   
51. plt.show()  

使用ggplot进行美化后的结果