Python可视化库matplotlib(基础整理)

最新推荐文章于 2024-03-20 23:14:04 发布
最新推荐文章于 2024-03-20 23:14:04 发布
阅读量1.9w 收藏 174
点赞数 18
分类专栏： Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cymy001/article/details/78344316
版权
绘制基本曲线

使用plot函数绘制函数曲线，可以调整plot函数参数配置曲线样式、粗细、颜色、标记等

设置坐标轴
(1.)spines移动坐标轴
(2.)xlim方法设置坐标轴刻度取值范围
(3.)xticks,yticks方法设置x,y轴的刻度标签值
(4.)title方法设置标题，xlabel,ylabel方法设置坐标轴描述
设置图片上的描述
(1.)text方法设置图片上的文字描述和注解
(2.)annotate方法对图片上某个点加注解
(3.)legend方法设置图像图例

可使用如下两种方式:
1: 在 plt.plot 函数中添加 label 参数后，使用 plt.legend(loc=’up right’)
2: 不使用参数 label, 直接使用如下命令：

网格线开关plt.grid(True)
图像显示plt.show()
图像保存savefig(’…/ / .png’)

常用图形

(1)曲线图:描绘波动,2个维度matplotlib.pyplot.plot(data)
(2)灰度图:直方图,1个维度matplotlib.pyplot.hist(data)
(3)散点图:2个维度数据的关联程度matplotlib.pyplot.scatter(data)
(4)箱式图:设定上下限,除数据噪声matplotlib.pyplot.boxplot(data)
(5)饼状图:各类别占比matplotlib.pyplot.pie(data)

本文下述各个代码片段都是独立运行的。

一幅数据图基本上包括如下结构：
Data: 数据区,包括数据点\描绘形状
Axis: 坐标轴,包括X轴\Y轴及其标签、刻度尺及其标签
Title: 标题,数据图的描述
Legend: 图例,区分图中包含的多种曲线或不同分类的数据
其他的还有图形文本 (Text)\注解 (Annotate)等其他描述

绘制基本曲线

使用plot函数绘制函数曲线，可以调整plot函数参数配置曲线样式、粗细、颜色、标记等

%matplotlib inline  
#图嵌入web窗口jupyter notebook中

import numpy as np
import matplotlib.pyplot as plt
from pylab import *

#准备数据
x=np.arange(0.,10,0.2)
y1=np.cos(x)
y2=np.sin(x)
y3=np.sqrt(x)

plt.rcParams['figure.figsize']=(12,8)   #reParams设置图片尺寸
plt.plot(x,y1,color='blue',linewidth=1.5,linestyle='-',marker='.',label=r'$y=cos{x}$')
plt.plot(x,y2,color='green',linewidth=1.5,linestyle='-',marker='*',label=r'$y=sin{x}$')
plt.plot(x,y3,color='m',linewidth=1.5,linestyle='-',marker='x',label=r'$y=\sqrt{x}$')

#color参数设定线颜色
#linewidth参数设定虚线、点化虚线、粗虚线、实线
#marker参数设定在曲线上标记的特殊符号,以区分不同的线段
#label参数和图的legend标号有关

这里写图片描述

设置坐标轴

(1.)spines移动坐标轴
%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *

ax=plt.subplot(111)  #设置一个空图
ax.spines['right'].set_color('none')  #set_color设置右边轴线为透明色
ax.spines['top'].set_color('none')

#移动下边边框线，相当于移动x轴
ax.xaxis.set_ticks_position('bottom')  #设置水平轴上的坐标轴刻度
ax.spines['bottom'].set_position(('data',0))  #set_position设置轴位置:'center' -> ('axes',0.5)；'zero' -> ('data', 0.0；('data',anyvalue)

ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0.1))

这里写图片描述
这里写图片描述

(2.)xlim方法设置坐标轴刻度取值范围
%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,10,0.2)
plt.xlim(x.min()*1.1,x.max()*1.1)
plt.ylim(-1.5,4.0)

这里写图片描述

(3.)xticks,yticks方法设置x,y轴的刻度标签值
%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,10,0.2)
plt.xlim(x.min()*1.1,x.max()*1.1)
plt.ylim(-1.5,4.0)
plt.xticks([2,4,6,8,10],[r'two',r'four',r'six',r'8',r'10'])
plt.yticks([-1.0,0.0,1.0,2.0,3.0,4.0],[r'bottom',r'0.0',r'1.0',r'2.0',r'3.0',r'4.0'])

这里写图片描述

(4.)title方法设置标题，xlabel,ylabel方法设置坐标轴描述
%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,10,0.2)
plt.xlim(x.min()*1.1,x.max()*1.1)
plt.ylim(-1.5,4.0)
plt.xticks([2,4,6,8,10],[r'two',r'four',r'six',r'8',r'10'])
plt.yticks([-1.0,0.0,1.0,2.0,3.0,4.0],[r'bottom',r'0.0',r'1.0',r'2.0',r'3.0',r'4.0'])
plt.title(r'$the \ function \ figure \ of \ cos(), \ sin() \ and \ sqrt()$',fontsize=19)  #fontsize参数设置字体大小
#'\'号两侧必须各有一个空格字符,否则无法解析
plt.xlabel(r'$the \ input \ value \ of \ x$',fontsize=18,labelpad=18.8)  #labelpad参数设置描述距离轴远近
plt.ylabel(r'$y=f(x)$',fontsize=18,labelpad=12.5)

这里写图片描述

设置图片上的描述

(1.)text方法设置图片上的文字描述和注解
%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,1,0.02)
plt.xlim(x.min()*1.1,x.max()*1.1)
plt.ylim(-1.5,4.0)
plt.text(0.8,2.9,r'$x \in [0.0, \ 10.0]$',color='k',fontsize=10)
plt.text(0.8,0.8,r'$y \in [-1.0, \ 4.0]$',color='k',fontsize=10)

这里写图片描述

(2.)annotate方法对图片上某个点加注解
%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,10,0.2)
plt.xlim(x.min()*1.1,x.max()*1.1)
plt.ylim(-1.5,4.0)
plt.scatter([8,],[np.sqrt(8),],50,color='m')  #使用散点图放大当前点
plt.annotate(r'$2\sqrt{2}$',xy=(8,np.sqrt(8)),xytext=(8.5,2.2),fontsize=16,color='#090909',\
             arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=0.1',color='#090909'))
#xy参数设置'被注解点'的坐标,xytext参数设置'注解文字'的位置,arrowprops参数设置注解文字与被注解点的连接方式

这里写图片描述

(3.)legend方法设置图像图例

可使用如下两种方式:
1: 在 plt.plot 函数中添加 label 参数后，使用 plt.legend(loc=’up right’)

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,10,0.2)
y1=np.cos(x)
y2=np.sin(x)
y3=np.sqrt(x)
plt.rcParams['figure.figsize']=(10,6)   #reParams设置图片尺寸
plt.plot(x,y1,color='blue',linewidth=1.5,linestyle='-',marker='.',label=r'$y=cos{x}$')
plt.plot(x,y2,color='green',linewidth=1.5,linestyle='-',marker='*',label=r'$y=sin{x}$')
plt.plot(x,y3,color='m',linewidth=1.5,linestyle='-',marker='x',label=r'$y=\sqrt{x}$')
plt.legend(loc='upper right')  #loc参数设置图例在图片中的位置

这里写图片描述

2: 不使用参数 label, 直接使用如下命令：

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(0.,10,0.2)
y1=np.cos(x)
y2=np.sin(x)
y3=np.sqrt(x)
plt.rcParams['figure.figsize']=(10,6)   #reParams设置图片尺寸
plt.plot(x,y1,color='blue',linewidth=1.5,linestyle='-',marker='.')
plt.plot(x,y2,color='green',linewidth=1.5,linestyle='-',marker='*')
plt.plot(x,y3,color='m',linewidth=1.5,linestyle='-',marker='x')
plt.legend(['cos(x)','sin(x)','sqrt(x)'],loc='upper right')  #对好顺序

这里写图片描述

网格线开关plt.grid(True)

plt.grid(True)

图像显示plt.show()

plt.show()

图像保存savefig(’…/ / .png’)

savefig('../imagetest/picname.png',dpi=48)

常用图形

(1)曲线图:描绘波动,2个维度matplotlib.pyplot.plot(data)

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(-5,5,0.1)
y=x**2
plt.plot(x,y)
plt.grid(True)
plt.show()

这里写图片描述

(2)灰度图:直方图,1个维度matplotlib.pyplot.hist(data)

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.random.normal(size=1000)
plt.hist(x,bins=10)  #bins参数设置分桶数目

这里写图片描述

(3)散点图:2个维度数据的关联程度matplotlib.pyplot.scatter(data)

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
plt.rcParams['figure.figsize']=(8,8)
x=np.random.normal(size=1000)
y=np.random.normal(size=1000)
plt.scatter(x,y)

这里写图片描述

(4)箱式图:设定上下限,除数据噪声matplotlib.pyplot.boxplot(data)
箱式图(箱线图)科普：
上边缘（Q3+1.5IQR）、下边缘（Q1-1.5IQR）、IQR=Q3-Q1
上四分位数（Q3）、下四分位数（Q1）
中位数
异常值
处理异常值时与3σσ标准的异同：统计边界是否受异常值影响、容忍度的大小

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x=np.arange(-5,5,0.1)
plt.boxplot(x)

这里写图片描述

(5)饼状图:各类别占比matplotlib.pyplot.pie(data)

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
sort=['Foxes','Cats','Dogs','Pigs']
sizes=[13,30,30,37]
color=['m','b','g','r']
explode=(0,0.1,0,0)   #分离第2类,数值表示分离远近
plt.pie(sizes,explode=explode,labels=sort,colors=color,autopct='%1.1f%%',shadow=True)  #autopct参数加百分比

这里写图片描述

thinker_1120
关注
专栏目录
在python下正确运行%matplotlib inline
05-13
如何在python下正确运行%matplotlib inline？ 在使用jupyter notebook 或者 jupyter qtconsole的时候，经常会用到%matplotlib inline。 其作用就是在你调用plot()进行画图或者直接输入Figure的实例对象的时候，会自动的显示并把figure嵌入到console中,那么如何在python下正确运行呢
绘图: matplotlib核心剖析
weixin_34293902的博客
01-30 1586
作者：Vamei 出处：http://www.cnblogs.com/vamei 欢迎转载，也请保留这段声明。谢谢！   matplotlib是基于Python语言的开源项目，旨在为Python提供一个数据绘图包。我将在这篇文章中介绍matplotlib API的核心对象，并介绍如何使用这些对象来实现绘图。实际上，matplotlib的对象体系严谨而有趣，为使用者提供了巨大的发挥空间。用户在熟...
Python 之 Matplotlib xticks 的再次说明、图形样式和子图
每天进步一点点！
02-17 5265
改变 x 轴显示内容 xticks 方法再次说明，其他元素可视性，plt.rcParams 设置画图的分辨率，大小等信息，图表的样式参数设置，创建图形对象，绘制多子图
python中的matplotlib库
m0_63131662的博客
07-02 2310
python 的matplotlib模块
Python中的%matplotlib inline
汪雯琦的博客
03-26 3048
我们在代码中经常会看到这儿样的代码： import pandas as pd import numpy as np import matplotlib import matplotlib.pyplot as plt import seaborn as sns from operator import itemgetter %matplotlib inline 那么%matplotlib inl...
高效使用Python可视化工具Matplotlib
02-25
对于新手来说，进入Python可视化领域有时可能会令人感到沮丧。Python有很多不同的可视化工具，选择一个正确的工具有时是一种挑战。例如，即使两年过去了，这篇《OverviewofPythonVisualizationTools》是引导人们到这...
Python数据可视化之matplotlib精进1
08-04
在Python的数据可视化领域，matplotlib库是广泛使用的工具之一，它提供了丰富的图形绘制功能。本篇文章主要探讨了matplotlib在数据可视化中的精进技巧，包括多边形颜色填充、圆弧和楔形的绘制以及日期型时间序列图的...
Python数据可视化之matplotlib实践.zip
10-04
总结，Python的matplotlib库是数据可视化的强大工具，不仅提供基础的绘图功能，还支持高度定制，与其他库如Seaborn配合使用，可以实现更多高级和美观的图表。无论你是初学者还是经验丰富的开发者，掌握matplotlib都...
Python数据可视化分析库-Matplotlib
02-14
课程分享——Python数据可视化分析库-Matplotlib，附课件、代码。 Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。这里将会探索 matplotlib...
Python 数据分析 Matplotlib 绘图库详解
qq_46387472的博客
12-22 2117
Matplotlib 是一个Python 2D 绘图库，常用于数据可视化。它能够以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。Matplotlib 非常强大，绘制各种各样的图表游刃有余，它将容易的事情变得更容易，困难的事情变得可能。只需几行代码就可以绘制折线图、柱形图、直方图、饼形图、散点图等。数据统计得再好都不如一张图表清晰、直观。
python xticks_基于matplotlib xticks用法详解
weixin_39586825的博客
12-03 7609
这个坐标轴变名用法，我真服气了，我在网上看大家写的教程，看的头晕，也没看懂他们写xtick到底怎么用的，最后找到官方教程，看了一个例子，overxticks到底有什么用，其实就是想把坐标轴变成自己想要的样子import matplotlib.pyplot as pltx = [1, 2, 3, 4]y = [1, 4, 9, 6]labels = ['Frogs', 'Hogs', 'Bogs',...
Python 绘图模块 Matplotlib 中 xticks, yticks 对像操作详解及去除图像周围白边及y轴翻转
qq_58168857的博客
06-01 5729
通过实例详细列举了操作坐标轴、坐标及坐标旁的小tick的方法，没有理论，就是简单粗暴实用。
Matplotlib 网格线
m0_67373485的博客
05-01 2374
我们可以使用 pyplot 中的 grid() 方法来设置图表中的网格线。
Python第三方库 - matplotlib库
JUN_7777的博客
09-05 744
python第三方库 - matplotlib
Python数学建模-2.9Matplotlib库
最新发布
2202_75971130的博客
03-20 1356
Matplotlib库是Python中一个非常流行的绘图库，它提供了大量的绘图工具，可以生成各种类型的静态、动态、交互式的图表。
python中matplotlib库_Python中matplotlib库的简单使用
weixin_31854867的博客
02-20 1058
matplotlib是Python中一个数学绘图库绘制简单的折线图import matplotlib.pyplot as plt #模块pyplot包含很多用于生成图表的函数input_values=[1,2,3,4,5]squares = [1, 4, 9, 16, 25]plt.plot(input_values,squares,linewidth=5)#尝试根据这些数字绘制出有意义的图形,...
python matplotlib.pyplot下载
m0_73901376的博客
04-10 6663
此文将会处于持续更新状态，记载各类下载问题。 python matplotlib.pyplot下载
【matplotlib】可视化解决方案——如何定制化网格
pcx171的博客
03-06 879
本文主要介绍了matplotlib中如何自定义网格，设置网格可以提升绘图的细节，增强人们对表格中数据的理解，本文从API出发详细介绍了grid方法的使用，最后给出了一个示例阐明各个参数的影响。
python可视化库matplotlib
06-28
### 回答1： Matplotlib是一个Python的可视化库，用于绘制各种静态、动态、交互式的图表和图形。它提供了一系列的API，可以用于绘制线图、散点图、柱状图、饼图、3D图等等。Matplotlib的优点是易于使用、灵活性高、可扩展性强，同时还有大量的文档和示例可供参考。 ### 回答2： Matplotlib是Python中你可以使用的最流行和最强大的可视化库之一。它具有广泛的可视化选项，一些常见的绘图包括线性图、散点图、柱状图、直方图、饼图、热图、轮廓图、等高线图等等。此外，Matplotlib也能够绘制动画和3D可视化。 Matplotlib的API简洁、直观。你可以使用Matplotlib创建高质量的图形，充满了自定义选项以及可扩展性。此外，这个库和Python的其他科学计算库非常容易集成。 一些优点包括： - 免费开源，可以使用广泛的图形选项和处理图形的选项； - 允许创建高品质的图形，并包含丰富、观赏性的文本注释和标签； - 可以与Python的科学、数学和统计计算库无缝集成； - 可以保存图形为各种图像格式（如PNG、PDF、SVG和EPS）； - 可以创建交互式的图形，例如zoom-in、zoom-out等。 此外，Matplotlib还有许多插件和扩展，可帮助你使使用更加方便。例如是一个使你可以轻松地在Python脚本中集成Plotly图表的Matplotlib扩展接口。 需要注意的是，Matplotlib绘制一些复杂或大数据量的图表，可能需要对计算机硬件进行更多方面的优化，否则可能会影响计算机的性能。 总而言之，Matplotlib是一种强大的Python可视化库，集成广泛且易于使用，拥有许多各种类型的图形模块，方便用户绘制精美的图表和图形。它适用于数据分析和可视化、科学和工程计算、以及各种其他任务。同时，也存在其他强大的可视化库，如Seaborn、Plotly等。 ### 回答3： Python是一门广泛应用于科学计算和数据分析领域的编程语言，而Matplotlib则是Python中最常用的数据可视化库之一。Matplotlib的功能非常强大，可以绘制多种类型的图表，包括线图、散点图、柱状图等。同时，Matplotlib的可定制性也非常强，用户可以对绘制的图表进行各种调整，例如修改颜色、大小、标签和标题等。此外，Matplotlib还支持多种输出格式，包括PNG、PDF、SVG等。 Matplotlib的使用较为简单，只需要在Python中导入Matplotlib库，并调用相应的函数即可。例如，要绘制一个线图，可以使用如下代码： ```python import matplotlib.pyplot as plt import numpy as np x = np.arange(0, 10, 0.1) y = np.sin(x) plt.plot(x, y) plt.title("Sine Wave") plt.xlabel("x") plt.ylabel("y") plt.show() ``` 上述代码中，通过调用NumPy库生成了一组“x”轴数据和一组“y”轴数据，然后使用Matplotlib的`plot()`函数绘制了一个简单的线图，并通过`title()`、`xlabel()`和`ylabel()`函数设置了图表的标题和轴标签。 Matplotlib不仅支持基本的绘图功能，还支持更高级的绘图技巧，如子图、3D图、动态图等。同时，Matplotlib还兼容多种Python的科学计算库，如NumPy、SciPy、Pandas等，可以方便地将这些库的数据转化为图表进行可视化展示。 总之，Matplotlib的强大功能和扩展性，使其成为Python领域中最常用的可视化库之一，广泛应用于科学研究、数据可视化等多个领域。
评论 2
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
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