目录
Matplotlib简介
如果某天你发现自己要学习 Matplotlib, 很可能是因为:
-
Matplotlib 是一个非常强大的 Python 画图工具;
-
手中有很多数据, 可是不知道该怎么呈现这些数据.
所以就找到了 Matplotlib. 它能帮你画出美丽的:
-
线图;
-
散点图;
-
等高线图;
-
条形图;
-
柱状图;
-
3D 图形,
-
甚至是图形动画等等.
Matplotlib安装
cmd:pip install matplotlib
基础应用
感受一下matplotlib库,简单的线条
figure图像
import matplotlib.pyplot as plt
import numpy as np
# 使用np.linspace定义x:
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
# 使用plt.figure定义一个图像窗口. 使用plt.plot画(x ,y)曲线. 使用plt.show显示图像
plt.figure()
plt.plot(x, y1)
plt.show()
# 使用plt.figure定义一个图像窗口:编号为3;大小为(8, 5).
# 使用plt.plot画(x ,y2)曲线. 使用plt.plot画(x ,y1)曲线,
# 曲线的颜色属性(color)为红色;曲线的宽度(linewidth)为1.0;曲线的类型(linestyle)为虚线. 使用plt.show显示图像.
plt.figure(num=3, figsize=(8, 5),)
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.show()
如何设置坐标轴
使用plt.xlim
设置x坐标轴范围;使用plt.ylim
设置y坐标轴范围;
使用plt.xlabel
设置x坐标轴名称:'I am x'; 使用plt.ylabel
设置y坐标轴名称:'I am y';
plt.xlabel('I am x')
plt.ylabel('I am y')
plt.show()
使用np.linspace
定义范围以及个数:范围是(-1,2);个数是5. 使用print
打印出新定义的范围. 使用plt.xticks
设置x轴刻度:范围是(-1,2);个数是5.
new_ticks = np.linspace(-1, 2, 5)
print(new_ticks)
plt.xticks(new_ticks)
使用plt.yticks
设置y轴刻度以及名称:刻度为[-2, -1.8, -1, 1.22, 3];对应刻度的名称为['A','B','C','D', 'E']. 使用plt.show
显示图像
plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$A$', r'$B$', r'$C$', r'$D$', r'$E$'])
plt.show()
使用plt.gca
获取当前坐标轴信息. 使用.spines
设置边框:右侧边框;使用.set_color
设置边框颜色:默认白色; 使用.spines
设置边框:上边框;使用.set_color
设置边框颜色:默认白色
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()
调整坐标轴
使用.xaxis.set_ticks_position
设置x坐标刻度数字或名称的位置:bottom
.(所有位置:top
,bottom
,both
,default
,none
)
ax.xaxis.set_ticks_position('bottom')
使用.spines
设置边框:x轴;使用.set_position
设置边框位置:y=0的位置;(位置所有属性:outward
,axes
,data
)
ax.spines['bottom'].set_position(('data', 0))
plt.show()
使用.yaxis.set_ticks_position
设置y坐标刻度数字或名称的位置:left
.(所有位置:left
,right
,both
,default
,none
)
ax.yaxis.set_ticks_position('left')
使用.spines
设置边框:y轴;使用.set_position
设置边框位置:x=0的位置;(位置所有属性:outward
,axes
,data
) 使用plt.show
显示图像
ax.spines['left'].set_position(('data',0))
plt.show()
legend图例
matplotlib 中的 legend
图例就是为了帮我们展示出每个数据对应的图像名称. 更好的让读者认识到你的数据结构.
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
plt.figure()
#set x limits
plt.xlim((-1, 2))
plt.ylim((-2, 3))
# set new sticks
new_sticks = np.linspace(-1, 2, 5)
plt.xticks(new_sticks)
# set tick labels
plt.yticks([-2, -1.8, -1, 1.22, 3],
[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
# set line syles
l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')
plt.legend(loc='upper right')
# 显示图形
plt.show()
运行结果如下
plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='best')
如果我们想单独修改之前的 label
信息, 给不同类型的线条设置图例信息. 我们可以在 plt.legend
输入更多参数. 如果以下面这种形式添加 legend, 我们需要确保, 在上面的代码 plt.plot(x, y2, label='linear line')
和 plt.plot(x, y1, label='square line')
中有用变量 l1
和 l2
分别存储起来. 而且需要注意的是 l1,
l2,
要以逗号结尾, 因为plt.plot()
返回的是一个列表.
plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='best')
其中'loc'参数有多种,'best'表示自动分配最佳位置,其余的如下:
'best' : 0,
'upper right' : 1,
'upper left' : 2,
'lower left' : 3,
'lower right' : 4,
'right' : 5,
'center left' : 6,
'center right' : 7,
'lower center' : 8,
'upper center' : 9,
'center' : 10,
Annotation 标注
当图线中某些特殊地方需要标注时,我们可以使用 annotation
. matplotlib 中的 annotation
有两种方法, 一种是用 plt 里面的 annotate
,一种是直接用 plt 里面的 text
来写标注.
首先画一条直线
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = 2*x + 1
plt.figure(num=1, figsize=(8, 5),)
plt.plot(x, y,)
然后移动坐标轴位置
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
然后标注出点(x0, y0)
的位置信息. 用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
画出一条垂直于x轴的虚线
x0 = 1
y0 = 2*x0 + 1
plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
# set dot styles
plt.scatter([x0, ], [y0, ], s=50, color='b')
接下来我们就对(x0, y0)
这个点进行标注
plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),
textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
其中参数xycoords='data'
是说基于数据的值来选位置, xytext=(+30, -30)
和 textcoords='offset points'
对于标注位置的描述 和 xy 偏差值, arrowprops
是对图中箭头类型的一些设置
添加注释text
plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',
fontdict={'size': 16, 'color': 'r'})
运行结果如下
tick 能见度
当图片中的内容较多,相互遮盖时,我们可以通过设置相关内容的透明度来使图片更易于观察,也即是通过本节中的bbox
参数设置来调节图像信息
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = 0.1*x
plt.figure()
# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序
plt.plot(x, y, linewidth=10, zorder=1)
plt.ylim(-2, 2)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_fontsize(12)
# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7, zorder=2))
plt.show()
其中label.set_fontsize(12)
重新调节字体大小,bbox
设置目的内容的透明度相关参,facecolor
调节 box
前景色,edgecolor
设置边框, 本处设置边框为无,alpha
设置透明度. 最终结果如下
画图种类
Scatter 散点图
首先,先引入matplotlib.pyplot
简写作plt
,再引入模块numpy
用来产生一些随机数据。生成1024个呈标准正态分布
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # data size
X = np.random.normal(0, 1, n) # 每一个点的X值
Y = np.random.normal(0, 1, n) # 每一个点的Y值
T = np.arctan2(Y,X) # for color value
的二维数据组 (平均数是0,方差为1) 作为一个数据集,并图像化这个数据集。每一个点的颜色值用T
来表示
输入X
和Y
作为location,size=75
,颜色为T
,color map
用默认值,透明度alpha
为 50%。 x轴显示范围定位(-1.5,1.5),并用xtick()
函数来隐藏x坐标轴,y轴同理
plt.scatter(X, Y, s=75, c=T, alpha=.5)
plt.xlim(-1.5, 1.5)
plt.xticks(()) # ignore xticks
plt.ylim(-1.5, 1.5)
plt.yticks(()) # ignore yticks
plt.show()
运行结果如下
Bar 柱状图
向上向下分别生成12个数据,X为 0 到 11 的整数 ,Y是相应的均匀分布的随机数据。 使用的函数是plt.bar
,参数为X和Y
import matplotlib.pyplot as plt
import numpy as np
n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
plt.bar(X, +Y1)
plt.bar(X, -Y2)
plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())
plt.show(
样我们就生成了下图所示的柱状图基本框架
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
下面我们就颜色和数值进行优化。 用facecolor
设置主体颜色,edgecolor
设置边框颜色为白色
接下来我们用函数plt.text
分别在柱体上方(下方)加上数值,用%.2f
保留两位小数,横向居中对齐ha='center'
,纵向底部(顶部)对齐va='bottom'
for x, y in zip(X, Y1):
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')
for x, y in zip(X, Y2):
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')
Contours 等高线图
数据集即三维点 (x,y) 和对应的高度值,共有256个点。高度值使用一个 height function f(x,y)
生成。 x, y 分别是在区间 [-3,3] 中均匀分布的256个值,并用meshgrid
在二维平面中将每一个x和每一个y分别对应起来,编织成栅格
import matplotlib.pyplot as plt
import numpy as np
def f(x,y):
# the height function
return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)
接下来进行颜色填充。使用函数plt.contourf
把颜色加进去,位置参数分别为:X, Y, f(X,Y)。透明度0.75,并将 f(X,Y) 的值对应到color map的暖色组中寻找对应颜色
# use plt.contourf to filling contours
# X, Y and value for (X,Y) point
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot
接下来进行等高线绘制。使用plt.contour
函数划线。位置参数为:X, Y, f(X,Y)。颜色选黑色,线条宽度选0.5。现在的结果如下图所示,只有颜色和线条,还没有数值Label
# use plt.contour to add contour lines
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)
最后加入Label,inline
控制是否将Label画在线里面,字体大小为10。并将坐标轴隐藏
plt.clabel(C, inline=True, fontsize=10)
plt.xticks(())
plt.yticks(())