[Python嗯~机器学习]---用matplotlib画图

函数式绘图

实际上，matplotlib是受MATLAB的启发构建的。MATLAB是数据绘图领域广泛使用的语言和工具。MATLAB语言是面向过程的(相对于面向对象)。利用函数调用，MATLAB可以轻松地进行数据图形的绘制。 matplotlib有一套完全仿照MATLAB的函数形式的绘图接口，由 matplotlib.pyplot 模块提供。虽然matplotlib的实现还是面向对象，但一般用户只需要使用 matplotlib.pyplot 就可以完成数据图形绘制，不过如果涉及到一些特别细节的调整就不得不去直接调整matplotlib实现的对象了。

为项目设置matplotlib参数

我们有两种方法修改参数：

• 使用参数字典 rcParams，就像上面我们想要正常显示中文和负号进行的参数设置
• 调用matplotlib.rc()命令，通过传入关键字元组来修改参数

比较常见的配置项有：

• axis：设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
• figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
• font: 字体集（font family）、字体大小和样式设置
• grid: 设置网格颜色和线性
• legend: 设置图例和其中的文本的显示
• line: 设置线条（颜色、线型、宽度等）和标记
• patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
• savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
• verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
• xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

实际上对于这些，我们不需要背下来，当有相应的需求再去查询文档或者搜索答案即可。
这里只是为了让你知道在matplotlib里有这种能力。而且，默认的这些配置基本上已经能够满足我们的使用，更改它们的情况非常少。

例子

• 正弦和余弦函数

In [1]:

import numpy as np

# 从 -nπ 到 nπ 等间隔的256个值
# np.linspace用于生成等差数列，前两个是范围，第三个参数是多好个数，endpoint控制端点是不是一定能取到
X = np.linspace(-np.pi, np.pi, 256, endpoint = True)
C = np.cos(X)
S = np.sin(X)

• 配置绘图

In [4]:

% matplotlib inline
import matplotlib.pyplot as plt
plt.plot(X, C)
plt.plot(X, S)
plt.show()

• 详细解释具体配置项

plt.figure定义了一个图像显示窗口
plt.plot 定义了画线这一行为
plt.show 定义了图像显示这一行为

In [5]:

# 建立一个 8 * 6 点的图，分辨率设为80
plt.figure(figsize = (8, 6), dpi = 80)

#创建一个新的 1 * 1 的子图，接下来把图形绘制到第一块子图中
plt.subplot(1, 1, 1)

# 绘制余弦曲线，使用蓝色的、连续的、宽度为1个像素的线条
plt.plot(X, C, color='blue', linewidth=1.0, linestyle='-')

# 同理画一个正弦曲线
plt.plot(X, S, color='red', linewidth=1.0, linestyle='-')

#  设置横轴的范围，设置横轴坐标点
plt.xlim(-4.0, 4.0)
plt.xticks(np.linspace(-4, 4, 9, endpoint=True))

# 同理对于y轴
plt.ylim(-1.0, 1.0)
plt.yticks(np.linspace(-1, 1, 5, endpoint=True))

plt.show()

• 颜色的粗细和颜色、还有画布宽窄

In [6]:

plt.figure(figsize = (10, 6), dpi = 80)

plt.xlim(-4.0, 4.0)
plt.xticks(np.linspace(-4, 4, 9, endpoint=True))

plt.ylim(-1.0, 1.0)
plt.yticks(np.linspace(-1, 1, 5, endpoint=True))

plt.plot(X, C, color='blue', linewidth=2.5, linestyle='-')
plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-")

plt.show()

• 设置图片边界

In [7]:

plt.figure(figsize = (10, 6), dpi = 80)

xmin ,xmax = X.min(), X.max()
ymin, ymax = C.min(), C.max()

dx = (xmax - xmin) * 0.2
dy = (ymax - ymin) * 0.2

plt.xlim(xmin - dx, xmax + dx)
plt.ylim(ymin - dy, ymax + dy)

plt.plot(X, C, color='blue', linewidth=2.5, linestyle='-')
plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-")

plt.show()

• 设置人为坐标点

In [8]:

plt.figure(figsize = (10, 6), dpi = 80)

xmin ,xmax = X.min(), X.max()
ymin, ymax = C.min(), C.max()

dx = (xmax - xmin) * 0.2
dy = (ymax - ymin) * 0.2

plt.xlim(xmin - dx, xmax + dx)
plt.ylim(ymin - dy, ymax + dy)

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
plt.yticks([-1, 0, 1])

plt.plot(X, C, color='blue', linewidth=2.5, linestyle='-')
plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-")

plt.show()

• 用LaTeX设置上图对应坐标点的标签

In [9]:

plt.figure(figsize = (10, 6), dpi = 80)

xmin ,xmax = X.min(), X.max()
ymin, ymax = C.min(), C.max()

dx = (xmax - xmin) * 0.2
dy = (ymax - ymin) * 0.2

plt.xlim(xmin - dx, xmax + dx)
plt.ylim(ymin - dy, ymax + dy)

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], 
           [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
plt.yticks([-1, 0, 1],
           [r'$-1$', r'$0$', r'$+1$'])

plt.plot(X, C, color='blue', linewidth=2.5, linestyle='-')
plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-")

plt.show()

• 构建坐标系的脊柱

In [13]:

plt.figure(figsize = (10, 6), dpi = 80)

xmin ,xmax = X.min(), X.max()
ymin, ymax = C.min(), C.max()

dx = (xmax - xmin) * 0.2
dy = (ymax - ymin) * 0.2

plt.xlim(xmin - dx, xmax + dx)
plt.ylim(ymin - dy, ymax + dy)

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], 
           [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
plt.yticks([-1, 0, 1],
           [r'$-1$', r'$0$', r'$+1$'])

plt.plot(X, C, color='blue', linewidth=2.5, linestyle='-', label='cosine')
plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-", label='sine')

ax = plt.gca() # 获取当前子图
ax.spines['right'].set_color('none')  # 用spines获得右侧的轴
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom') # 设置坐标点在轴下侧
ax.yaxis.set_ticks_position('left') # 设置坐标点在轴左侧
ax.spines['bottom'].set_position(('data',0)) # 设置底部轴位置
ax.spines['left'].set_position(('data',0)) # 设置左侧轴位置

plt.legend(loc='upper left') # 顺便添加个图例


plt.show()

• 增加注释

In [14]:

plt.figure(figsize = (10, 6), dpi = 80)

xmin ,xmax = X.min(), X.max()
ymin, ymax = C.min(), C.max()

dx = (xmax - xmin) * 0.2
dy = (ymax - ymin) * 0.2

plt.xlim(xmin - dx, xmax + dx)
plt.ylim(ymin - dy, ymax + dy)

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], 
           [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
plt.yticks([-1, 0, 1],
           [r'$-1$', r'$0$', r'$+1$'])

plt.plot(X, C, color='blue', linewidth=2.5, linestyle='-', label='cosine')
plt.plot(X, S, color="red",  linewidth=2.5, linestyle="-", label='sine')

ax = plt.gca() # 获取当前子图
ax.spines['right'].set_color('none')  # 用spines获得右侧的轴
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom') # 设置坐标点在轴下侧
ax.yaxis.set_ticks_position('left') # 设置坐标点在轴左侧
ax.spines['bottom'].set_position(('data',0)) # 设置底部轴位置
ax.spines['left'].set_position(('data',0)) # 设置左侧轴位置

plt.legend(loc='upper left') # 顺便添加个图例

t = 2*np.pi/3
plt.plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")
plt.scatter([t,],[np.cos(t),], 50, color ='blue') # 余弦的标注点(只有一个点的散点图)
plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
         xy=(t, np.cos(t)), xycoords='data',
         xytext=(-90, -50), textcoords='offset points', fontsize=16,
         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) # 为余弦注释点写注释

plt.plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--") # 正弦的垂线
plt.scatter([t,],[np.sin(t),], 50, color ='red') # 正弦的标注点(只有一个点的散点图)
plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
         xy=(t, np.sin(t)), xycoords='data',
         xytext=(+10, +30), textcoords='offset points', fontsize=16,
         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) # 为正弦注释点写注释

plt.show()

• 普通图

In [15]:

n = 256
X = np.linspace(-np.pi, np.pi, n, endpoint = True)
Y = np.sin(2*X)

plt.axes([0.025, 0.025, 0.95, 0.95])

plt.plot(X, Y + 1, color = 'blue', alpha = 1.00)
plt.fill_between(X, 1, Y + 1, color = 'blue', alpha = 0.25)

plt.plot (X, Y-1, color='blue', alpha=1.00)
plt.fill_between(X, -1, Y-1, (Y-1) > -1, color='blue', alpha=.25)
plt.fill_between(X, -1, Y-1, (Y-1) < -1, color='red',  alpha=.25)

plt.xlim(-np.pi,np.pi)
plt.xticks([])
plt.ylim(-2.5,2.5)
plt.yticks([])

plt.show()

# 保存图像到本地
# plt.savefig('../figures/plot_ex.png', dpi = 48)
# 地址为本地的一个目录，可以自己设置图片的格式和像素

• 散点图

In [16]:

n = 1024
X = np.random.normal(0, 1, n)  # 正态分布第一个参数是均值，第二个是方差，第三个是个数
Y = np.random.normal(0, 1, n)
T = np.arctan2(Y, X)

plt.axes([0.025, 0.025, 0.95, 0.95]) # axes的用法和subplot是差不多的，四个参数的话，前
                                    #两个指的是相对于坐标原点的位置，后两个指的是坐标轴的长/宽度
plt.scatter(X, Y, s = 75, c = T, alpha = 0.5)

plt.xlim(-1.5, 1.5)
plt.xticks([])
plt.ylim(-1.5, 1.5)
plt.yticks([])

plt.show()

• 条形图

In [17]:

n = 12
X = np.arange(n)
Y1 = (1 - X/float(n)) * np.random.uniform(0.5, 1.0, n) # uniform(0.5, 1.0, n)，上界、下界和输出样本数目
Y2 = (1 - X/float(n)) * np.random.uniform(0.5, 1.0, n)

plt.axes([0.025, 0.025, 0.95, 0.95])

plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white') # plt.bar画柱状图，前面正负表示柱状图上下
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')

for x,y in zip(X,Y1):
    plt.text(x+0.4, y+0.05, '%.2f' % y, ha='center', va= 'bottom')

for x,y in zip(X,Y2):
    plt.text(x+0.4, -y-0.05, '%.2f' % y, ha='center', va= 'top')
    
plt.xlim(-.5,n), plt.xticks([])
plt.ylim(-1.25,+1.25), plt.yticks([])

plt.show()

• 等高线图（康托图）

In [27]:

def height(x,y):
    return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

n = 300
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X, Y = np.meshgrid(x, y)  # 生成网格点和坐标矩阵

plt.contourf(X, Y, height(X, Y), 8, alpha = 0.75, cmap = plt.cm.hot)
C = plt.contour(X, Y, height(X, Y), 8, colors = 'black')
plt.clabel(C, inline = True, fontsize = 10)

plt.xticks(())
plt.yticks(())

plt.show()

• 灰度图（Imshow）

In [32]:

def im(x,y):
    return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

n = 10
x = np.linspace(-3, 3, 4*n)
y = np.linspace(-3, 3, 4*n)
X, Y = np.meshgrid(x, y)  # 生成网格点和坐标矩阵

Z = im(X, Y)

plt.imshow(Z,interpolation='nearest', cmap='bone', origin='lower')
plt.colorbar(shrink=.92)
plt.xticks(())
plt.yticks(())

plt.show()

• 饼图

In [35]:

n = 20
Z = np.ones(n)
Z[-1] *= 2

plt.pie(Z, explode=Z*0.05, colors = ['%f' % (i/float(n)) for i in range(n)])
plt.gca().set_aspect('equal')
plt.xticks(())
plt.yticks(())

plt.show()

• 量场图

In [36]:

n = 8
X, Y = np.mgrid[0:n, 0:n]
T = np.arctan2(Y-n/2.0, X-n/2.0)
R = 10+np.sqrt((Y-n/2.0)**2+(X-n/2.0)**2)
U,V = R*np.cos(T), R*np.sin(T)

plt.quiver(X,Y,U,V,R, alpha=.5)
plt.quiver(X,Y,U,V, edgecolor='k', facecolor='None', linewidth=.5)

plt.xlim(-1,n), plt.xticks([])
plt.ylim(-1,n), plt.yticks([])

plt.show()

• 网格

In [38]:

ax = plt.axes([0.025,0.025,0.95,0.95])

ax.set_xlim(0,4)
ax.set_ylim(0,3)
ax.xaxis.set_major_locator(plt.MultipleLocator(1.0))
ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1))
ax.yaxis.set_major_locator(plt.MultipleLocator(1.0))
ax.yaxis.set_minor_locator(plt.MultipleLocator(0.1))
ax.grid(which='major', axis='x', linewidth=0.75, linestyle='-', color='0.75')
ax.grid(which='minor', axis='x', linewidth=0.25, linestyle='-', color='0.75')
ax.grid(which='major', axis='y', linewidth=0.75, linestyle='-', color='0.75')
ax.grid(which='minor', axis='y', linewidth=0.25, linestyle='-', color='0.75')
ax.set_xticklabels([])
ax.set_yticklabels([])

# savefig('../figures/grid_ex.png',dpi=48)
plt.show()

• 多个网格

In [39]:

fig = plt.figure()
fig.subplots_adjust(bottom=0.025, left=0.025, top = 0.975, right=0.975)

plt.subplot(2,1,1)
plt.xticks([]), plt.yticks([])

plt.subplot(2,3,4)
plt.xticks([]), plt.yticks([])

plt.subplot(2,3,5)
plt.xticks([]), plt.yticks([])

plt.subplot(2,3,6)
plt.xticks([]), plt.yticks([])

# plt.savefig('../figures/multiplot_ex.png',dpi=48)
plt.show()

• 极轴图

In [40]:

ax = plt.axes([0.025,0.025,0.95,0.95], polar=True)

N = 20
theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)
radii = 10*np.random.rand(N)
width = np.pi/4*np.random.rand(N)
bars = plt.bar(theta, radii, width=width, bottom=0.0)

for r,bar in zip(radii, bars):   # zip函数 zip函数接受任意多个(包括0个和1个)序列作为参数,返回一个tuple列表
    bar.set_facecolor( plt.cm.jet(r/10.))
    bar.set_alpha(0.5)

ax.set_xticklabels([])
ax.set_yticklabels([])
# savefig('../figures/polar_ex.png',dpi=48)
plt.show()

• 3D图

In [41]:

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.cm.hot)
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.cm.hot)
ax.set_zlim(-2,2)

# savefig('../figures/plot3d_ex.png',dpi=48)
plt.show()

• 云图

In [42]:

eqs = []
eqs.append((r"$W^{3\beta}_{\delta_1 \rho_1 \sigma_2} = U^{3\beta}_{\delta_1 \rho_1} + \frac{1}{8 \pi 2} \int^{\alpha_2}_{\alpha_2} d \alpha^\prime_2 \left[\frac{ U^{2\beta}_{\delta_1 \rho_1} - \alpha^\prime_2U^{1\beta}_{\rho_1 \sigma_2} }{U^{0\beta}_{\rho_1 \sigma_2}}\right]$"))
eqs.append((r"$\frac{d\rho}{d t} + \rho \vec{v}\cdot\nabla\vec{v} = -\nabla p + \mu\nabla^2 \vec{v} + \rho \vec{g}$"))
eqs.append((r"$\int_{-\infty}^\infty e^{-x^2}dx=\sqrt{\pi}$"))
eqs.append((r"$E = mc^2 = \sqrt{{m_0}^2c^4 + p^2c^2}$"))
eqs.append((r"$F_G = G\frac{m_1m_2}{r^2}$"))


plt.axes([0.025,0.025,0.95,0.95])

for i in range(24):
    index = np.random.randint(0,len(eqs))
    eq = eqs[index]
    size = np.random.uniform(12,32)
    x,y = np.random.uniform(0,1,2)
    alpha = np.random.uniform(0.25,.75)
    plt.text(x, y, eq, ha='center', va='center', color="#11557c", alpha=alpha,
             transform=plt.gca().transAxes, fontsize=size, clip_on=True)

plt.xticks([]), plt.yticks([])
# savefig('../figures/text_ex.png',dpi=48)
plt.show()