matpiotlib可视化操作总结

最新推荐文章于 2024-01-18 16:37:14 发布
最新推荐文章于 2024-01-18 16:37:14 发布
阅读量1.1k 收藏 6
点赞数 1
分类专栏： 数据分析
自信即是巅峰
本文链接：https://blog.csdn.net/DD18203614685/article/details/96326187
版权

基础操作

基本绘图流程
在这里插入图片描述

  1. 创建画布与创建子图：
    第一部分主要作用是构建出一张空白的画布，并可以选择是否将整个画布划分为多个部分，方便在同一幅图上绘制多个图形的情况。最简单的绘图可以省略第一部分，而后直接在默认的画布上进行图形绘制。
    在这里插入图片描述

  2. 添加画布内容
    第二部分是绘图的主体部分。其中添加标题，坐标轴名称，绘制图形等步骤是并列的，没有先后顺序，可以先绘制图形，也可以先添加各类标签。但是添加图例一定要在绘制图形之后。
    在这里插入图片描述

  3. 存与展示图形
    第三部分主要用于保存和显示图形。
    在这里插入图片描述

导包

import matplotlib.pyplot as plt

1.figure 创建画布

创建空白画布,可以指定画布的大小、像素

F = plt.figure()

2.title 标题

plt.title("line")

3.xlabel、ylabel，x、y轴名称

plt.xlabel("x")
plt.ylabel("y")

4.xlim、ylim，x、y轴刻度范围

plt.xlim((0,1))
plt.ylim((0,1))

5.xticks，yticks，x、y轴刻度间距

plt.xticks(np.arange(0,1,0.1))
plt.yticks([0,0.2,0.4,0.6,0.8,1])

6. flot 绘制曲线

plot(x,y)绘制曲线

#例：绘制y = 2*x+1
x = np.linspace(-1,1,50)
y = 2*x+1
plt.plot(x,y)

7.savefig 保存成图片

plt.savefig("img1.png")

8.图例

plt.legend(["y=x^2","y=x^4"])

9.show 显示画布

plt.show()

实例

import matplotlib.pyplot as plt
import numpy as np


# #案例一、绘制y = 2*x+1
# x = np.linspace(-1,1,50)
# y = 2*x+1
#
# #创建空白画布,可以指定画布的大小、像素
# F = plt.figure()
# #创建并选中子视图,可以指定子视图的行数、列数，和选中图片的编号
# # F.add_subplot()
#
# #plot(x,y)绘制曲线
# plt.plot(x,y)
#
# #保存成图片
# plt.savefig("img/img1.png")
# #显示画布
# plt.show()

# 案例二、在同一画布中显示两条曲线
#y1 = x^2
#y2 = x^4

x = np.arange(0.1,1,0.01)

y1 = x**2
y2 = x**4

plt.figure()

#常用设置
#标题
plt.title("line")
#x、y轴名称
plt.xlabel("x")
plt.ylabel("y")
#x、y轴刻度范围
plt.xlim((0,1))
plt.ylim((0,1))

#刻度间距,接受一个列表
plt.xticks(np.arange(0,1,0.1))
plt.yticks([0,0.2,0.4,0.6,0.8,1])


plt.plot(x,y1)
plt.plot(x,y2)

#图例
plt.legend(["y=x^2","y=x^4"])
plt.savefig("img/img2.png")
plt.show()

子视图

格式

 F.add_subplot(m,n,index) # m行n列第index幅图

本质是多个基础图像绘制过程的叠加，即在同一画布上不同子图上的绘制

确定画布的大小800x600，并设置dpi=80

F= plt.figure(figsize=(8,6),dpi=80)

创建并指定子视图(m,n,index),m行n列第index幅图

F.add_subplot(2,1,1)

实例

import numpy as np
import matplotlib.pyplot as plt

#创建子视图
#本质是多个基础图像绘制过程的叠加，即在同一画布上不同子图上的绘制

rad = np.arange(0,np.pi*2,0.01)

#第一组数据
y1 = rad**2
y2 = rad**4

#确定画布的大小800x600，并设置dpi=80
F= plt.figure(figsize=(8,6),dpi=80)

#创建并指定子视图(m,n,index),m行n列第index幅图
F.add_subplot(2,1,1)

#确定刻度范围
plt.xlim(0,1)
plt.ylim(0,1)

plt.plot(rad,y1)
plt.plot(rad,y2)

plt.legend(["y = x^2","y = x^4"])

#第二幅图
s = np.sin(rad)
c = np.cos(rad)

F.add_subplot(2,1,2)

# 刻度
plt.xticks([])

plt.plot(rad,s)
plt.plot(rad,c)

plt.legend(["sin","cos"])
plt.show()

rc参数

  • pyplot 使用 rc 配置文件来自定义图形的各种默认属性，被称为 rc 配置或 rc 参数。
  • 在 pyplot 中几乎所有的默认属性都是可以控制的，例如视图窗口大小以及每英寸点数、线条宽度、颜色和样式、坐标轴、坐标和网格属性、文本、字体等。

线条的常用 rc 参数名称、解释与取值：
在这里插入图片描述
常用线条类型解释
在这里插入图片描述
线条标记解释
在这里插入图片描述
注意事项：

  • 由于默认的 pyplot 字体并不支持中文字符的显示，因此需要通过设置 font.sans-serif 参数改变绘图时的字体，使得图形可以正常显示中文。同时，由于更改字体后，会导致坐标轴中的部分字符无法显示，因此需要同时更改 axes.unicode_minus 参数。
  • 除了设置线条和字体的 rc 参数外，还有设置文本、箱线图、坐标轴、刻度、图例、标记、图片、图像保存等 rc 参数。

显示中文

plt.rcParams["font.sans-serif"] = "SimHei"

设置正常显示符号，解决保存图像是"-"时显示方块

plt.rcParams["axes.unicode_minus"] = False

实例

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0.1,1,0.01)

y1 = x**2
y2 = x**4

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False

#创建画布
plt.figure()

#常用设置
#标题
plt.title("斗宗强者，恐怖如斯！   ")

#x、y轴名称
plt.xlabel("x")
plt.ylabel("y")

#x、y轴刻度范围
plt.xlim((0,1))
plt.ylim((0,1))

#刻度间距,接受一个列表
plt.xticks(np.arange(0,1,0.1))
plt.yticks([0,0.2,0.4,0.6,0.8,1])

# rc参数
plt.plot(x,y1,color="blue",linewidth = 1.6,linestyle="-.")#"-","--","-.",":"
plt.plot(x,y2,color="red",linewidth = 1.6,linestyle="-.")

#图例
plt.legend(["y=x^2","y=x^4"])

#保存成图片
plt.savefig("img2.png")

#展示画布
plt.show()

特征间的关系

1.散点图–plt.scatter(x,y)

  • 散点图（scatter diagram）又称为散点分布图，是以一个特征为横坐标，另一个特征为纵坐标，利用坐标点（散点）的分布形态反映特征间的统计关系的一种图形。
  • 值是由点在图表中的位置表示，类别是由图表中的不同标记表示，通常用于比较跨类别的数据。
    样式
    在这里插入图片描述

格式

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, alpha=None, **kwargs)

def scatter(
        x, y, s=None, c=None, marker=None, cmap=None, norm=None,
        vmin=None, vmax=None, alpha=None, linewidths=None, verts=None,
        edgecolors=None, *, data=None, **kwargs):

在这里插入图片描述
实例

import numpy as np
import matplotlib.pyplot as plt

#散点图：主要用于分析特征间的相关关系
#折线图：主要用于分析自变量和因变量特征间的趋势关系

# 通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False

#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)


#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)


# 可视化
plt.figure(figsize=(8,7))

plt.xlabel("年份")
plt.ylabel("生产总值(亿元)")

plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation="30")

#散点图
plt.scatter(values[:,0],values[:,2],marker="p")
plt.show()

2.折线图–plt.plot()

  • 折线图（line chart）是一种将数据点按照顺序连接起来的图形。可以看作是将散点图，按照 x 轴坐标顺序连接起来的图形。
  • 折线图的主要功能是查看因变量y随着自变量x改变的趋势，最适合用于显示随时间（根据常用比例设置）而变化的连续数据。同时还可以看出数量的差异，增长趋势的变化。
    样式
    在这里插入图片描述

格式

matplotlib.pyplot.plot(*args, **kwargs)

plot 函数在官方文档的语法中只要求填入不定长参数，实际可以填入的主要参数主要如下：
在这里插入图片描述
color 参数的 8 种常用颜色的缩写
在这里插入图片描述
实例

import numpy as np
import matplotlib.pyplot as plt

#通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False
#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)

#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)

# 可视化
plt.figure(figsize=(8,7))

#标题
plt.title("各产业各季度生产值")

#x、y轴名称
plt.xlabel("年份")
plt.ylabel("生产值")


#折线图
plt.plot(values[:,0],values[:,2],marker = "o",linestyle = "--")



#横轴刻度
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation="30")

#图例
plt.legend(["第一产业增加值_当季值(亿元)","第二产业增加值_当季值(亿元)","第三产业增加值_当季值(亿元)"])

#显示
plt.show()

直方图–plt.hist()

  • 直方图（Histogram）又称质量分布图，是统计报告图的一种，由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据所属类别，纵轴表示数量或者占比。
  • 用直方图可以比较直观地看出产品质量特性的分布状态，便于判断其总体质量分布情况。直方图可以发现分布表无法发现的数据模式、样本的频率分布和总体的分布。

样式在这里插入图片描述
格式

matplotlib.pyplot.hist（left，height，width = 0.8，bottom = None，hold = None，data = None，** kwargs ）

常用参数及说明如下表所示：
在这里插入图片描述
实例

import numpy as np
import matplotlib.pyplot as plt

#通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False
#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)

#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)

# 刻度标签
label=["第一产业","第二产业","第三产业"]
value = values[-1,3:6]
# 可视化
plt.figure(figsize=(8,7))
plt.xticks(range(3),label)

#标题
plt.title("2017年第一季度各产业生产值对比")

#x、y轴名称
plt.xlabel("产业")
plt.ylabel("生产总值(亿元)")

#直方图
plt.hist(range(3),value,width=0.5)

#显示
plt.show()

饼状图–plt.pie()

  • 饼图（Pie Graph）是将各项的大小与各项总和的比例显示在一张“饼”中，以“饼”的大小来确定每一项的占比。
  • 饼图可以比较清楚地反映出部分与部分、部分与整体之间的比例关系，易于显示每组数据相对于总数的大小，而且显现方式直观。

样式
在这里插入图片描述
格式

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, … )

常用参数及说明如下表所示：
在这里插入图片描述
实例

import numpy as np
import matplotlib.pyplot as plt

#通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False
#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)

#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)

#数据
value = values[-1,3:6]
labels=["第一产业","第二产业","第三产业"]
# 可视化
plt.figure(figsize=(8,7))

#标题
plt.title("2017年第一季度各产业生产值占比")

#饼状图
plt.pie(value,explode=[0.01,0.02,0.02],labels=labels,autopct="%.1f%%")

#显示
plt.show()

雷达图

代码及具体内容

import  matplotlib.pyplot as plt
import numpy as np

# 显示中文
# 注意必须在差UN关键画布之前声明
plt.rcParams['font.sans-serif'] = 'SimHei'
# 设置正常显示符号，解决保存图像是符号’-‘显示方块
plt.rcParams['axes.unicode_minus'] = False


#将一个圆分为5份
dataLength = 5
#文字标签
labels = ["生存","输出","带线","发育","KDA"]
#角度范围，
angles = np.linspace(0,2*np.pi,dataLength,endpoint=False)
#数值
data= [10,6,9,5,7]
#闭合
new_data = np.concatenate((data,[data[0]]))
new_angles = np.concatenate((angles,[angles[0]]))


F= plt.figure()

#雷达图
plt.polar(new_angles,new_data)

plt.title("战绩评定")
#刻度
plt.xticks(new_angles,labels)

plt.show()

图片演示
在这里插入图片描述

YouShouldKnowMe
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python matplotlib画一个坐标轴
AtomQQ_2022313691的博客
08-01 2356
在做函数图像时，因为输出的图像总是没有坐标轴，这让我们看上去很是烦恼。我在这里用annotate给出了一个画坐标轴的办法。效果如下： 代码实现 import matplotlib.pyplot as plt import numpy as np x_np_list = np.arange(-10, 10, 0.01) y_list = [0] * len(x_np_list) # 创建元素相同的列表 plt.annotate("", xy=(10.1, 0), xycoords='data', xy
matplotlib入门系列（一）——坐标轴绘制
wordpython
07-22 1万+
数学建模学习全过程 一. 模块导入： #在jupyter notebook中 import matplotlib.pyplot as plt ''' 在pycharm中 否则：TypeError: 'figure' is an unknown keyword argument ''' import matplotlib matplotlib.use('Qt4Agg')...
python使用matplotlib绘制二维坐标轴，设置箭头指向，文本内容
小朱小朱绝不认输的博客
09-01 6567
我们在使用matplotlib绘制图像时，默认的坐标轴是在左下角，这样对于一些曲线的显示就不太清楚。如下： import matplotlib.pyplot as plt import numpy as np x = np.linspace(-10, 10, 100) y1 = 2 * x y2 = x * x plt.figure() plt.xlabel('X axis') plt.ylabel('Y axis') plt.plot(x, y1, linestyle='--') plt.plot(
【python绘图：Matplotlib模块】将图像坐标轴平移到坐标原点
小儿郎
03-26 1万+
实现将图像坐标轴平移到坐标原点 一般我们用python绘图画出来的函数图像坐标轴都是位于左下方，如下方实例： import numpy as np import matplotlib.pyplot as plt x = np.linspace(-2, 2, 100) # 定义自变量区间[-2, 2]，取点数量为100 y = np.log(1-x) # 定义需要绘图的函数为 ln（1-x...
matplotlib 设置左上角为坐标轴原点
waydong的博客
01-06 1万+
Python使用matplotlib绘图时，有时需要将坐标轴的原点设置为左上角，具体方法为： import matplotlib.pyplot as plt x=[1,2,3,4,5,6] y=[10,20,30,40,50,60] plt.plot(x, y, color='red') plt.show() 绘制出的图像如下： x=[1,2,3,4,5,6]
mongodb for mac 可视化操作工具
08-24
mongodb for mac 可视化操作工具，官网貌似已经没有mongohub的资源。 这个MongoDB的客户端很好用。
数据可视化echarts总结
03-23
数据可视化echarts总结
地图可视化的总结1
08-08
地图可视化是一种将地理数据转化为图形或图像的过程，它使得数据更容易理解、分析和分享。在IT领域，尤其是在数据分析、地理信息系统（GIS）和信息设计中，地图可视化是至关重要的工具。下面我们将深入探讨地图可视...
操作系统进程调度可视化与模拟源码+实验报告.zip
最新发布
04-09
【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！ 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为参考资料...操作系统进程调度可视化与模拟源码+实验报告.zip
Matplotlib数据可视化——设置坐标轴，原点，图例
热门推荐
量子孤岛
11-16 2万+
今天突破了导轨和转台的调试程序，学习会Python娱乐一下 matplotlib库和MATLAB的数据可视化功能几乎是相同，只是因为人工智能的火爆以及使用方便深受大家喜爱。 1.1figure图像 绘制单一函数的图像 import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 1, 30) y = 3*x + 1 p...
python matplotlib笔记：坐标轴设置
weixin_39747882的博客
07-17 9637
xaxis.set_ticks_position:设置x坐标刻度数字或名称的位置。yaxis.set_ticks_position:设置y坐标刻度数字或名称的位置。ax.set_color:设置边框颜色：默认白色。ax.xlabel():设置x坐标轴名称。ax.ylabel():设置y坐标轴名称。ax.xlim():设置x坐标轴范围。ax.ylim():设置y坐标轴范围。ax.xticks():设置x轴刻度。ax.yticks():设置y轴刻度。ax.spines:设置边框。ax.spines:设置边框。
Python绘图Turtle库，改变原点坐标，建立自定义坐标象限和刻度的平面直角坐标系（二）
peipei12138的博客
04-26 9082
上一条博文我为了用 python 绘制一个只有第一象限坐标系的时序图，用 turtle 绘制的直角坐标系是一个将坐标原点设置在画布之间偏左位置，横坐标轴长于纵坐标轴的固定的直角坐标系模型，切坐标系上的刻度尺寸是和画布一致的，如果你要移动画笔到某一个点，必须先自己计算那个点的画布坐标。 为了让 turtle 画出的坐标轴更加的灵活好用，我编写了一个类 DCS 画坐标轴的对...
【matplotlib】可视化解决方案——如何向画布中添加坐标轴
pcx171的博客
03-20 802
本文主要介绍了matplotlib中如何向画布添加坐标轴。本文首先分析了添加子区的劣势，然后介绍了plt.axes方法的相关参数，最后给出了一个示例用以说明。
【Python数据可视化】matplotlib之设置坐标：添加坐标轴名字、设置坐标范围、设置主次刻度、坐标轴文字旋转并标出坐标值
森林的博客——在完成之前，似乎总是不可能的~
01-13 7791
之前画的图形只有坐标值，没有坐标轴文字，这篇文章将分享如何添加坐标轴名字、设置坐标范围、设置主次刻度、坐标轴文字旋转并标出坐标值。
matplotlib坐标设置（笔记二）
影子
05-11 685
代码： # -*- coding:utf-8 -*- #matplotlib设置坐标 import matplotlib.pyplot as plt import numpy as np x=np.linspace(-1,1,100) y=2*x+1 y1=x**2 #限制x，y的范围 plt.xlim((-1,2))#x的范围是（-1,2） plt.ylim((-2,3))#y的范围是（-2,3） #xy的标签的描述 plt.xlabel("X") plt.ylabel("Y") #曲线和直线
【CV】使用 matplotlib.pyplot 绘制统计图、坐标系原点在不同的位置和添加辅助点和辅助线
原小明
01-18 437
坐标系，添加辅助点和并标记点文字信息。坐标系，添加横向和纵向辅助参考线。坐标系原点在左下角，正常坐标系。坐标系原点在左上角-图像坐标。坐标系原点在中间位置。
python 数据可视化工具--matplotlib
一颗青梅换你一壶老酒
04-04 1250
数据可视化工具--matplotlib1. 条形图1.1 垂直条形图1.2 水平条形图1.3 堆叠条形图1.4 水平交错条形图2.饼状图3. 直方图与核密度曲线4. 箱线图5. 折线图6. 散点图7. 气泡图 说明: 数据可视化中的数据集下载地址:（数据来源:从零开始学python数据分析和挖掘） 链接：https://pan.baidu.com/s/1zrNpzSNVHd8v1r...
python绘制函数曲线时将xy轴的交点设置在坐标原点的位置
FY_2018的博客
09-09 5751
使用Matplotlib绘制的图表的默认坐标轴是在左下角的，这样对于一些函数的显示不是非常方便，要改变坐标轴的默认显示方式主要要使用gca()方法 plt.gca()表示 Get current axis，使用这个方法我们可以获得整张图表的坐标对象，这样我们就可以对坐标进行处理了，像移动位置，设置颜色之类的，类似plt.gcf()这个是 Get current figure 即获得当前图表的图像，对图像进行处理。 我们可以定义一个变量接收这个值： ax = plt.gca() 接下来还要了解一个方
Python中使用matpoltlib进行数据的可视化入门及详解-使用matplotlib做图
跬步Python股票数据量化分析
03-17 488
本文按照由浅入深的方式，从最简单的一个图形开始，然后逐步增加新设置，说明制作一个图形的时候，可以调节的功能有哪些。 1.matplotlib包的导入：import matplotlib.pyplot as plt 另外需要，在Jupyter中需要运行%matplotlib notebook，在IPython 中运行%matplotlib。 2.看一下如何画一个最简单的折线图形。我们使用...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

YouShouldKnowMe

别来这套

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值