目录
前言
Matplotlib 是一个在 python 下实现的类 matlab 的纯 python 的第三方库,旨在用 python实现 matlab 的功能,是python下最出色的绘图库。其风格跟 matlab 相似，同时也继承了 python 的简单明了。 要使用matplotlib得先安装 numpy 库 (一个python下数组处理的第三方库，可以很方便的处理矩阵，数组) 。 matplotlib 对于图像美化方面比较完善，可以自定义线条的颜色和样式，可以在一张绘图纸上绘制多张小图，也可以在一张图上绘制多条线， 可以很方便地将数据可视化并对比分析
Matplotlib模块依赖于NumPy和tkinter模块，可以绘制多种形式的图形，包括线图、直方图、饼图、散点图等，图形质量满足出版要求，是数据可视化的重要工具。Matplotlib中应用最广的是matplotlib.pyplot模块。Pyplot提供了一套和Matlab类似的绘图API，使得Matplotlib的机制更像Matlab。我们只需要调用Pyplot模块所提供的函数就可以实现快速绘图并设置图表的各个细节。 在Jupyter notebook中进行交互式绘图，需要执行一下语句： % matplotlib notebook 使用matplotlib时，使用的导入惯例为： import matplotlib.pyplot as plt
相关案例与解析
绘图基础： plt.show()显示图像 plt.legend()显示图例 plt.text()数值标签 plt.xlim()/ylim()轴刻度范围 plt.title()标题 plt.xlabel()/ylabel()轴标签 plt.xticks()/yticks()轴刻度标签
In [2]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
#将生成的交互式图嵌入notebook中
%matplotlib notebook
#将生成的静态图嵌入notebook中
%matplotlib inline相关函数简介： figure（）：创建一个新的绘图窗口。 figtext（）：为figure添加文字 axes（）：为当前figure添加一个坐标轴 plot（）：绘图函数 polar（）：绘制极坐标图 axis（）：获取或设置轴属性的边界方法（坐标的取值范围） clf ： 清除当前figure窗口
cla ： 清除当前axes窗口 close ： 关闭当前figure窗口 subplot ： 一个图中包含多个axes text（）： 在轴上添加文字 title（）： 设置当前axes标题 xlabel/ylabel：设置当前X轴或Y轴的标签 hist（）：绘制直方图 hist2d（）：绘制二维在直方图 hold ：设置当前图窗状态；off或者on imread（）：读取一个图像，从图形文件中提取数组 legend（）：为当前axes放置标签 pie（）：绘制饼状图 scatter（）：做一个X和Y的散点图，其中X和Y是相同长度的序列对象 stackplot（）：绘制一个堆叠面积图 acorr（）：绘制X的自相关函数 annotate（）：用箭头在指定的数据点创建一个注释或一段文本 bar（）：绘制垂直条形图
barh（）：绘制横向条形图 barbs（）：绘制一个倒钩的二维场
In [2]:
plt.plot([3,1,4,5,2])
plt.ylabel("Grade")
plt.savefig('test',dpi = 600)
#savefig将输出图形存储为文件，默认为png格式，可以通过dpi修改输出质量
plt.show()
In [3]:
plt.plot([0,2,4,6,8],[3,1,4,5,2])
plt.ylabel("Grade")
plt.axis([-1,10,0,6])#指的是横轴从-1开始到10，纵轴从0-6
plt.show()
绘图基础
In [4]:
data = np.arange(10)
plt.plot(data)
plt.show()
创建画布与子图： 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。 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。 绘图的保存与显示： 第三部分主要用于保存和显示图形。 例：fig.savefig(save_path, format='png', transparent=True, dpi=300, pad_inches = 0)
例6-1 创建子图
In [4]:
fig = plt.figure()
#创建一个空白画布，可以指定画布大小，像素。
ax1 = fig.add_subplot(221)#两行两列的第一个图，可以逗号分开也可以不分开
#创建并选中子图，可以指定子图的行数，列数，与选中图片编号。
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(223)
ax1.plot([1.5,2,3.5,-1,1.6])#x默认位置标签，y轴是列表
plt.show()
In [8]:
plt.subplot(221)#虽然简便，但是不灵活
plt.subplot(224)Out[8]:
<AxesSubplot:>
例6-3创建子图序列
In [9]:
plt.subplots(2,3)#加s是两行三列的子图
plt.show()
In [10]:
fig,axes = plt.subplots(2,3)#加名称
例6-4 调整子图周围的间距
In [13]:
fig,axes = plt.subplots(2,2,sharex = True,sharey = True)#两行两列的子图，sharex = True共享x轴
plt.subplots_adjust(wspace = 0,hspace = 0)
#.subplots_adjust调整图形 wspace = 0,hspace = 0横向与纵向的距离
for i in range(2):
for j in range(2):
axes[i,j].hist(np.random.randn(500),bins = 50,color = 'k',alpha = 0.5)# axes坐标轴 hist直方图 生成500个随机数 #bins划分的区间【分的类别越细，区间越窄 ，不可无限大会影响绘制】 color为黑色，alpha是透明度
例6-5 绘图时设置坐标轴属性
In [14]:
data = np.arange(0,1,0.01)#0-1之间的步长为0.01的100个数
plt.plot(data,data ** 2)#横轴为100个数，纵轴为100个数的平方
plt.plot(data,data ** 3)#3次方
plt.title('my lines example')#标题
plt.xlabel('x')#轴的标签
plt.ylabel('y')
plt.xlim(0,1)#刻度范围，默认为0-1
plt.ylim(0,1)
plt.xticks([0,0.2,0.4,0.6,0.8,1])#轴的刻度标签
plt.yticks([0,0.2,0.4,0.6,0.8,1])
plt.tick_params(labelsize = 12)#坐标轴刻度数字的大小
plt.legend(['y = x^2','y = x^3'])#显示图例
plt.show()
plt.savefig保存绘制的图片，可以指定图片的分辨率、边缘的颜色等参数 fig.savefig(save_path, format='png', transparent=True, dpi=300, pad_inches = 0) 参数说明： fname ：包含文件路径或Python文件型对象的字符串。图片格式是从文件扩展名中推断出来的（例如pdf格式的.pdf） dpi :设置每英寸点数的分辨率，默认为100 facecolor，edgecolor:子图之外的图形背景颜色，默认是’w’（白色） format:文件格式（’png’,’pdf’,’svg’,’ps’等） bbox_inches:要保存的图片范围，如果设置为‘tight‘则去除图片周围的空白[紧凑模式]
plt.show()在本机显示图形
例6-6包含子图绘制的基础语法
In [16]:
data = np.arange(0,np.pi*2,0.01)#0-2Π，步长为0.01
fig1 = plt.figure(figsize = (9,7),dpi = 90)
#figsize指的是宽和高单位为英寸 dpi = 90每英寸的点数为90
ax1 = fig1.add_subplot(121)#一行两列的第一个子图
plt.title('lines example')
plt.xlabel('x')
plt.ylabel('y')
plt.xlim(0,1)
plt.ylim(0,1)
plt.xticks([0,0.2,0.4,0.6,0.8,1])
plt.yticks([0,0.2,0.4,0.6,0.8,1])
plt.plot(data,data ** 2)
plt.plot(data,data ** 3)
plt.legend(['y = x^2','y = x^3'])
ax2 = fig1.add_subplot(122)
plt.title('sin-cos')
plt.xlabel('x')
plt.ylabel('y')
plt.xlim(0,np.pi*2)#x轴为0-2Π
plt.ylim(-1,1)
plt.xticks([0,np.pi/2,np.pi,np.pi*3/2,np.pi*2])
#将原来的x轴刻度改变一下 用列表列示
plt.yticks([-1,-0.5,0,0.5,1])
#将y轴的刻度也修改一下
plt.plot(data,np.sin(data))#画图形
plt.plot(data,np.cos(data))
plt.legend(['sin','cos'],loc = 'upper center',frameon = True,
edgecolor = 'blue',facecolor = 'red')
#legend['sin','cos']默认的将自己放置在图像的合适位置
#loc = 'upper center'上中位置
#frameon加入了边框，后面的属性才有意义 边框edgecolor 默认灰色，此处为blue 前景色facecolor设置为红色
plt.savefig('6-6')
plt.show()
Matplotlib 的 Legend 图例就是为了帮助我们展示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。关于plt.legend()的说明如下： 0: ’best’ 1: ‘upper right’ 2: ‘upper left’ 3: ‘lower left’ 4: ‘lower right’ 5: ‘right’ 6: ‘center left’ 7: ‘center right’ 8: ‘lower center’ 9: ‘upper center’ 10: ‘center’
0：“最佳” 1：“右上角” 2：“左上角” 3：“左下角” 4：“右下角” 5：“对” 6：“中左” 7：“中间偏右” 8：“下中心” 9：“上中心” 10：“中心”
查看matplotlib的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。
两种方式可以设置参数，即全局参数定制和rc设置方法。
In [17]:
import matplotlib as mpl
print(mpl.rc_params())1、使用参数字典
import matplotlib as plt
print(plt.rc_params())
参数众多 常用参数： Axes：设置坐标轴边界、颜色、坐标刻度值大小和网格的显示； Figure：设置边界颜色、图形大小和子区； Font：设置字号、字体和样式； Grid：设置网格颜色和线型； Legend：设置图例和其中的文本显示； Lines：设置线条颜色、宽度、线型等； Savefig：对保存图像进行单独设置； Xtick和ytick：X、Y轴的主刻度和次刻度设置颜色、大小、方向和标签大小。
例6-7查看用户的配置文件目录
In [18]:
#全局参数定制
print(mpl.matplotlib_fname())#显示当前用户的配置文件目录 #查找到当前用户的配置文件目录，然后用编辑器打开，修改matplotlibrc文件，即可修改配置参数。 C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\mpl-data\matplotlibrc
1、线条的常用rc参数名称、解释和取值： lines.linewidth：【线条宽度】取0-10之间的数值，默认为1.5。lines.linestyle：【线条样式】可取“-”“--”“-.”“：”四种。默认为“-”。 lines.marker：【线条上点的形状】可取“o” “D” “h” “.” “,”“S”等20种，默认为None。lines.markersize：【点的大小】取0-10之间的数值，默认为1。 2、常见线条类型解释： linestyle取值 意义 - 实线 -. 点线 -- 长虚线 : 短虚线 3、marker取值以及意义： ‘o’圆圈 ‘.’点 ‘D’菱形 ‘s’正方形 ‘h’六边形1 ‘*’星号 ‘H’六边形2 ‘d’小菱形 ‘-’水平线 ‘v’一角朝下的三角形 ‘8’八边形 ‘<’一角朝左的三角形 ‘p’五边形 ‘>’一角朝右的三角形 ‘，’像素 ‘^’一角朝上的三角形 ‘+’加号 ‘\’竖线 ‘None’无 ‘x’X
例6-8 rc参数设置示例1
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。具体参数与取值可以参考官方文档。
In [6]:
fig,ax = plt.subplots()
plt.rcParams['font.family'] = ['SimHei']#如果不加文字显示出错
plt.rcParams['axes.unicode_minus'] = False
#更改字体后，会导致坐标轴中的部分字符无法显示，所有要设置这个参数
def f(t):
return np.cos(2 * np.pi * t)#cos（2Πt）
x1 = np.arange(0.0,4.0,0.5)#8个数【给出的是步长】
x2 = np.arange(0.0,4.0,0.01)#400个数
plt.subplot(221)#创建子图
plt.plot(x1,f(x1),'bo',x2,f(x2),'k')#b是颜色 o是形状为圆圈 k指的是颜色
plt.title('子图1')#线是x2，点是x1对应的8个点
plt.subplot(222)
plt.plot(np.cos(2 * np.pi*x2),'r--')#r表示颜色 --表示为长虚线
plt.title('子图2')
plt.show()
plot()函数设置颜色的一些简写： b——蓝色 m——品红 g——绿色 y——黄色 r——红色 k——黑色 c——青色 w——白色
例6-9 rc参数设置示例2
In [23]:
fig = plt.figure()
ax = fig.add_subplot(111)#一行一列的子图
#ax.plot(np.random.randn(30).cumsum(),'y--')#直接不加具体的设置，直接写出来
ax.plot(np.random.randn(30).cumsum(),color = 'k',linestyle = 'dashed',marker = 'o',label = 'one')
#.random.randn(30)产生随机的正态分布的30个数 .cumsum()累加和 linestyle = 'dashed'
ax.plot(np.random.randn(30).cumsum(),color = 'c',linestyle = 'dashed',marker = '+',label = 'two')
ax.plot(np.random.randn(30).cumsum(),color = 'r',linestyle = 'dashed',marker = 'v',label = 'three')
ax.legend(loc = 'best')#标注
#ax.set_xticks([0,5,10,15,20,25,30,35])#刻度的设置
ax.set_xticklabels(['x1','x2','x3','x4','x5'],rotation = 30,fontsize = '20')
#rotation是x坐标轴的角度，默认为0 fontsize = '20'字体大小为20，默认的为large，xx-small【最小的】,small
plt.show()C:\Users\Administrator\AppData\Local\Temp\ipykernel_12420\2762614236.py:8: UserWarning: FixedFormatter should only be used together with FixedLocator ax.set_xticklabels(['x1','x2','x3','x4','x5'],rotation = 30,fontsize = '20')
调用函数fill_between() 实现曲线下面部分的填充： x：第一个参数表示覆盖的区域x，表示整个x都覆盖 0：表示覆盖的下限 y：表示覆盖的上限是y这个曲线 facecolor：覆盖区域的颜色 alpha：覆盖区域的透明度[0,1],其值越大，表示越不透明
例6-12 使用fill_between填充区域
In [25]:
x = np.linspace(0,1,500)
#生成指定范围的一维数组【给出的是生成的数的个数】 生成0-1【包含1】的500个数
y = np.sin(3 * np.pi * x) * np.exp(-4 * x)#对x的衰减函数
fig,ax = plt.subplots()
plt.plot(x,y)#绘制x、y
plt.fill_between(x,0,y,facecolor = 'red',alpha = 0.3)
plt.show()
例6-13 使用fill_between()填充部分区域
In [27]:
plt.plot(x,y)
plt.fill_between(x[15:300],0,0.4,facecolor = 'blue',alpha = 0.3)
#此处是指定了x的范围为15-300，指定y的范围为0-0.4Out[27]:
<matplotlib.collections.PolyCollection at 0x18898e4b0d0>
例6-14 使用fill_between()填充曲线之间的区域
In [29]:
x = np.linspace(0,1,500)
y1 = np.sin(3 * np.pi * x) * np.exp(-4 * x)
y2 = y1+0.2
plt.plot(x,y1,'b')
plt.plot(x,y2,'r')
plt.fill_between(x,y1,y2,facecolor = 'green',alpha = 0.3)
#此处是y1到y2的填充
plt.show()
例6-15 使用fill进行绘图的填充
In [30]:
x = np.linspace(0,1,500)
y = np.sin(3 * np.pi * x) * np.exp(-4 * x)
plt.plot(x,y)
plt.fill(x,y)
plt.show()
例6-16 在绘图中显示公式
绘图时有时需要在图表中加文本注解，这时可以通过text函数在指定的位置（x,y）加入文本注解。
In [33]:
plt.xlim([1,8])
plt.ylim([1,3])#创建刻度范围
plt.text(2,2,r'$ \alpha \beta \pi \lambda \omega $',size = 15)
#前面两个数字表示位置，$ $符号算是将书写的文本括起来，需要转义的都要用斜杠表示出来
plt.text(4,2,r'$ \sin(0)= \cos(\frac{\pi}{2}) $',size = 20)
#(\frac{\pi}{2})分数要用括号括起来，加一个反斜杠frac{}表示分数，分数的分子与分母要用{}括起来
#plt.text(,,r'$ \ $',size =)
plt.text(2,1.5,r'$ \lim_ {x \rightarrow y}\frac{1}{x^3} $',size =15,color = 'b')
#lim_当中_表示其下标，下标用{}括起来，x \rightarrow y 表示x向右的箭头【arrow】指向y
plt.text(5,1.5,r'$ \sqrt[4]{x} = \sqrt{y} $',size =25)
#sqrt[4]{x}表示对x开四次方
plt.title(r'Title $ \sum_{n=1}^\infty'r'\frac{-e^{i\pi}}{2^n}$ !',fontsize =20)
#Title是正常的字符，所以不用加，sum_{n=1}表示从n=1开始求和，^\上标用此符号表示 ^\infty'表示无穷大，{i\pi}此处的反斜杠表示转义
plt.show()
如在柱状图上加入文本数字，可以清楚地显示每个类别的数量。如6个城市8月份的日均最高气温
In [5]:
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']
data = [25,30,32,34,34,23]
label = ['青海','兰州','北京','上海','广州','拉萨']
plt.xticks(range(len( data)),label)
plt.xlabel('城市')
plt.ylabel('温度')
plt.title('六城市8月份日均最高气温')
plt.bar(range(len( data)),data)#bar表示柱状图
for x,y in zip(range(len(data)),data):
plt.text(x,y,y,ha = 'center',va = 'bottom')
#x与y的位置上，对y处加数据，加在中间的靠下位置
plt.show()
例6-17 绘图中的文本注解示例
In [7]:
fig = plt.figure()
ax1 = fig.add_subplot(121)
t = np.arange(0.0,5,0.01)#生成500个等差数列
s = np.cos(2 * np.pi * t)
line = ax1.plot(t,s,lw = 2)#lw线宽为2，lw是linestyle的简写
bbox = dict(boxstyle = 'round',fc = 'white')#外框为round，前景色为白色
ax1.annotate('local max',xy = (2,1),xytext = (3,1.5),
arrowprops = dict(facecolor = 'black',edgecolor = 'red',headwidth = 7,width = 2,bbox = bbox)
#'local max'是文本的内容，xy = (2,1)是箭头指向的点，xytext = (3,1.5)是文本位置
#dict字典的形式展现他的参数，headwidth = 7表示头部的宽度，width表示整个箭头的宽度，bbox = bbox【这个是我们自己定义的】表示其外框线【指的是箭头上面的外框】
#annotate箭头位置与文本位置都的书写
bbox_prop = dict(fc = 'white')
ax1.set_xlabel('asix-X',bbox = bbox_prop)
ax1.set_ylim(-2,2)#y的刻度范围
ax1.text(1,1,'max')#在（1，1）位置加一个max text直接加文本，在这个里面也可以加边框
ax2 = fig.add_subplot(122)
ax2.set_ylim(-4,4)#坐标范围
ax2.set_xlim(-4,4)
bbox = dict(boxstyle = 'round',ec = 'red',fc = 'white')#fc前景色
#boxstyle = 'round'设置了圆角
ax2.text(-2,0,'$ y = sin(x) $',bbox = bbox)
ax2.text(0,-2,'$ y = cos(x) $',bbox = dict(boxstyle = 'square',facecolor = 'white',ec = 'black'),rotation = 45)
#'$ y = cos(x) $'先将cos加上 boxstyle = 'square'形状为方形circle为圆形round为圆角 rotation = 45为倾斜角度为45
ax2.grid(ls = ':',color = 'gray',alpha = 0.5)#ls是指线的样式color = 'gray'网格背景默认灰色
ax2.text(-2,2,'matplotlib',fontsize = 20,alpha = 0.3,color ='gray',
bbox = dict(fc = 'white',boxstyle = 'round',edgecolor = 'gray',alpha = 0.3))
#水印效果的书写
plt.show()
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。 plot（）函数： x，y：接收array。表示x轴和y轴对应的数据。无默认。 color：接收特定string。指定线条的颜色。默认为None。 linestyle：接收特定string。指定线条类型。默认为“-”。 marker：接收特定string。表示绘制的点的类型。默认为None。 alpha：接收0-1的小数。表示点的透明度。默认为None。 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。
Series和DataFrame都有一个plot属性，用于绘制基本的图形。默认情况下，plot（）绘制的都是折线。 Series和DataFrame都有一个plot属性，用于绘制基本的图形。默认情况下，plot（）绘制的都是折线。
In [3]:
#Series的情况
import pandas as pd
s=pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot()Out[3]:
<AxesSubplot:>
In [4]:
#DataFrame的情况
s=pd.DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D'],index=np.arange(0,100,10))
s.plot()Out[4]:
<AxesSubplot:>
例6-18 plt.plot绘制拆线图示例
In [8]:
x = np.arange(9)#0-9的等差数列
y = np.sin(x)
z = np.cos(x)
plt.plot(x,y,marker = '*',linewidth = 1,linestyle = '--',color = 'orange')
plt.plot(x,z)
plt.title('matplotlib')
plt.xlabel('height',fontsize = 15)
plt.ylabel('width',fontsize = 15)
plt.legend(['Y','Z'],loc = 'upper center')#图例
plt.grid(True)#加网格
plt.show()
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。
scatter函数： matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, alpha=None, **kwargs) x，y：接收array。表示x轴和y轴对应的数据。无默认。 s：接收数值或者一维的array。指定点的大小，若传入一维array则表示每个点的大小。默认为None。 c：接收颜色或者一维的array。指定点的颜色，若传入一维array则表示每个点的颜色。默认为None marker：接收特定string。表示绘制的点的类型。默认为None。 alpha：接收0-1的小数。表示点的透明度。默认为None。
例6-19 scatter绘图示例1
In [9]:
fig,ax = plt.subplots()
plt.rcParams['font.family'] = ['SimHei']#文字
plt.rcParams['axes.unicode_minus'] = False#坐标轴显示
x1 = np.arange(1,30)#序列
y1 = np.sin(x1)
ax1 = plt.subplot(111)
plt.title('散点图')
plt.xlabel('X')
plt.ylabel('Y')
lvalue = x1
ax1.scatter(x1,y1,c = 'r',s = 100,linewidths = lvalue,marker = 'o')
#c是颜色 s是点的大小 linewidths = lvalue指的是不同的宽度的值 marker
plt.legend('x1')
plt.show()
例6-20 scatter绘图示例2
In [10]:
fig,ax = plt.subplots()
for color in ['red','green','blue']:#颜色从给出的里面选择
n = 500
x,y = np.random.randn(2,n)#正太随机分布的500个数
ax.scatter(x,y,c = color,label = color,alpha = 0.3,edgecolors = 'none')#edgecolors = 'none'没有边缘的颜色
ax.legend()#图例
ax.grid(True)
#plt.show()
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。
bar函数： matplotlib.pyplot.bar（left，height，width = 0.8，bottom = None，hold = None，data = None，** kwargs ） left：接收array。表示x轴数据。无默认。 height：接收array。表示x轴所代表数据的数量。无默认。 width：接收0-1之间的float。指定直方图宽度。默认为0.8。 color：接收特定string或者包含颜色字符串的array。表示直方图颜色。默认为None。
例6-21 bar绘图示例1
In [50]:
fig,axes = plt.subplots(2,1)#两行一列的图
data = pd.Series(np.random.randn(16),index = list('abcdefghijklmnop'))
#16个字符的字符串，变成列表
data.plot.bar(ax = axes[0],color = 'k',alpha = 0.7)#bar竖向的图 ax = axes[0]是0轴赋给x轴
data.plot.barh(ax = axes[1],color = 'k',alpha = 0.7)#barh横向的图 透明度为0.7
plt.show()
在dataframe中，柱状图将每一行中的值分组到并排的柱子中的一组。
例6-22 bar绘图示例2
In [53]:
fig,ax = plt.subplots()
x = np.arange(1,6)#1-5
Y1 = np.random.uniform(1.5,1.0,5)#y值由1.5-1.0
Y2 = np.random.uniform(1.5,1.0,5)
plt.bar(x,Y1,width = 0.35,facecolor = 'lightskyblue',edgecolor = 'red')#加了红色的边框
plt.bar(x+0.35,Y2,width = 0.35,facecolor = 'yellowgreen',edgecolor = 'black')#向右移动0.35
plt.show()
In [5]:
df=pd.DataFrame(np.random.rand(6,4),index=['one','two','three','four','five','six'],columns=pd.Index(['A','B','C','D'],name='Genus'))
df.plot.bar()Out[5]:
<AxesSubplot:>
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。 pie函数： matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, … ) 参数说明： x：接收array。表示用于绘制撇的数据。无默认。 autopct：接收特定string。指定数值的显示方式。默认为None。 explode：接收array。表示指定项离饼图圆心为n个半径。默认为None。 pctdistance：接收float。指定每一项的比例和距离饼图圆心n个半径。默认为0.6。 labels：接收array。指定每一项的名称。默认为None。 labeldistance：接收float。指定每一项的名称和距离饼图圆心多少个半径。默认为1.1。 color：接收特定string或者包含颜色字符串的array。表示饼图颜色。默认为None。 radius：接收float。表示饼图的半径。默认为1。
例6-23 pie绘制示例
In [6]:
plt.figure(figsize = (6,6))
labels = ['Spring','Summer','Autumn','Winter']
x = [15,30,45,10]#绘制的数据
explode = [0.05,0.05,0.05,0.05]#圆心的距离，控制分离的距离
plt.pie(x,labels = labels,explode = explode,startangle = 60,autopct = '%1.1f%%')
#startangle = 60 角度转60度 autopct = '%1.1f%%'数据的显示方式
plt.title('Rany days by season')
plt.axis('equal')#正圆形的
plt.show()
箱线图（boxplot）也称箱须图，其绘制需使用常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其在比较不同特征时，更可表现其分散程度差异。
箱线图利用数据中的五个统计量（最小值、下四分位数、中位数、上四分位数和最大值）来描述数据，它也可以粗略地看出数据是否具有对称性、分布的分散程度等信息，特别可以用于对几个样本的比较。 boxplot函数： matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None,meanline=None, labels=None, … ) 参数说明： x:接收array。表示用于绘制箱线图的数据。无默认。 positions:接收array。表示图形位置。默认为None。 notch:接收boolean。表示中间箱体是否有缺口。默认为None。 widths:接收scalar或者array。表示每个箱体的宽度。默认为None。 sym：接收特定sting。指定异常点形状。默认为None。 labels：接收array。指定每一个箱线图的标签。默认为None。 vert：接收boolean。表示图形是横向纵向或者横向。默认为None。 meanline：接收boolean。表示是否显示均值线。默认为False。
例6-24 boxplot绘图示例
In [56]:
#从上到下依次为：上边缘、上四分位数、中位数、下四分位数、下边数
np.random.seed(2)
df = pd.DataFrame(np.random.rand(5,4),columns = ['A','B','C','D'])
df.boxplot()
plt.show()
概率图模型是图灵奖获得者Pearl提出的用来表示变量间概率依赖关系的理论。 正态分布又名高斯分布。 正态概率密度函数 normpdf（X，mu，sigma） 其中，x为向量，mu为均值，sigma为标准差。
In [11]:
from scipy.stats import norm#scipy科学计算库
fig,ax = plt.subplots()
np.random.seed(1587554)#随机种子
mu = 100#均值
sigma = 15#标准差
x = mu + sigma * np.random.randn(437)#序列
num_bins = 50
#https://blog.csdn.net/playgoon2/article/details/77930013
n,bins,patches = ax.hist(x,num_bins,density = 1)#density = 1密度为1
y = norm.pdf(bins,mu,sigma)#norm.pdf正太概率密度函数
ax.plot(bins,y,'--')#bins是直方图
#fig.tight_layout()#自动调整子图参数，使之自动填充到整个图像的区域
plt.show()
hist函数的补充 Matplotlib.pyplot中hist()的参数: n, bins, patches = plt.hist(arr, bins=10, normed=0,facecolor='black', edgecolor='black',alpha=1，histtype='bar') hist的参数非常多，但常用的就这六个 arr: 需要计算直方图的一维数组 bins: 直方图的柱数，可选项，默认为10 normed: 是否将得到的直方图向量归一化。默认为0 facecolor: 直方图颜色 edgecolor: 直方图边框颜色 alpha: 透明度 histtype: 直方图类型，‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’ 返回值 ： n: 直方图向量，是否归一化由参数normed设定 bins: 返回各个bin的区间范围 patches: 返回每个bin里面包含的数据，是一个list
例6-26 绘制某学生成绩信息的雷达图【星图】
In [61]:
courses = ['数据结构','数据可视化','高数','英语','软件工程','组成原理','C语言','体育']
scores = [82,95,78,85,45,88,76,88]
dataLength = len(scores)#求数据长度
angles = np.linspace(0,2 * np.pi,dataLength,endpoint = False)#endpoint = False结束点不连接
scores.append(scores[0])#加上数据
angles = np.append(angles,angles[0])#角度这一块加上
plt.polar(angles,scores,'rv--',linewidth = 2)
plt.thetagrids(range(0,360,int(360/dataLength)),courses,fontproperties = 'simhei',fontsize = 12)
#thetagrids网格数据的添加 range的范围为0-360 角度为360/8 名称加上 只在现有的里面设置字体
plt.fill(angles,scores,facecolor = 'r',alpha =0.2)
plt.show()
例6-27 流向图绘制
np.mgrid[ 第1维，第2维 ，第3维 ， …] 功能：返回多维结构，常见的2D图形，3D图形 第n维的书写形式为：a:b:c c表示步长，为实数表示间隔；该为长度为[a,b),左开右闭 或：a:b:cj cj表示步长，为复数表示点数；该长度为[a,b]，左闭右闭
In [12]:
#https://blog.csdn.net/yangxue_mifen/article/details/116429040
Y,X = np.mgrid[-3:3:100j,-3:3:100j]#二维图形
U = -1 -X ** 2 +Y
V = 1 + X - Y ** 2
speed = np.sqrt(U * U + V * V)sqrt#【平方根】
#https://www.csdn.net/tags/OtDaUg0sNDAxMjYtYmxvZwO0O0OO0O0O.html
plt.streamplot(X,Y,U,V,color = U,linewidth = 2,cmap = plt.cm.nipy_spectral)
#streamplot流向图，四个点
#cmap = plt.cm.Spectral【颜色风格】实现的功能是给label为1的点一种颜色，给label为0的点另一种颜色。改变颜色值的风格
plt.colorbar()
f,(ax1,ax2) = plt.subplots(ncols = 2)#两个小图 ncols = 2表示两列 坐标轴纵向
ax1.streamplot(X,Y,U,V,density = [0.5,1])#density密度横向的密度降低
lw = 5 * speed/speed.max()#默认的蓝色
ax2.streamplot(X,Y,U,V,density = 0.6,color = 'k',linewidth = lw)#此处的颜色只有黑色 lw线宽流速越高线越粗，流速越低线越细
plt.show()
例6-28 在绘图中显示数据表格
In [8]:
data = [[66386,174296,75131,577908,32015],
[58230,381139,78045,99308,160454],
[89135,80552,152558,497981,603535],
[78415,81858,150656,193263,69638],
[139361,331509,343164,781380,52269]]#二维数组
columns = ('Freeze','Wind','Flood','Quake','Hail')#列标签
rows = ['%d year'% x for x in (100,50,20,10,5)]#列表表达式写出来
values = np.arange(0,2500,500)
value_increment = 1000#增量1000
colors = plt.cm.BuPu(np.linspace(0,0.5,len(columns)))#BuPu颜色值设置值，按照步长设置
n_rows = len(data)
index = np.arange(len(columns)) + 0.3#0.3为横向的偏移量
bar_width = 0.4#珠子的宽度为0.4
y_offset = np.array([0.0] * len(columns))#偏移量的设置 是一个数组 对columns求长度
cell_text = []#空列表
for row in range(n_rows):#row循环的范围为data的长度
plt.bar(index,data[row],bar_width,bottom = y_offset)#绘图 顶部是data里面的row 宽度，下标 图像堆叠
y_offset = y_offset + data[row]
cell_text.append(['% 1.1f'%(x/1000.0) for x in y_offset])
#cell_text为空，往里面加入数据 y_offset除1000
colors = colors[::-1]#表格颜色逆置
cell_text.reverse()#表格数据逆置
the_table = plt.table(cellText = cell_text,rowLabels = rows,rowColours = colors,colLabels = columns,
loc ='bottom')#loc ='bottom'是下面的参数 cell_text是y_offset将data里面的数据累加的值 rowColours = colors颜色序列
plt.subplots_adjust(left = 0.2,bottom = 0.2)#subplots_adjust调整下方表格的疏密程度 数值>0紧凑，<0宽松
plt.ylabel("Loss in ${0}'s".format(value_increment))#${0}以1000作为他的分割
plt.yticks(values * value_increment,['% d '% val for val in values])#当前的刻度×1000
plt.xticks([])#x去掉刻度
plt.title('气象灾害损失')
plt.show()
In [11]:
r = np.linspace(0,2,100)#0-2的100个数据
theta = 2 * np.pi * r#角度2Πr
fig = plt.figure(figsize = (13,4))
ax1 = plt.subplot(121,projection = 'polar')#一行两列 projection = 'polar'将普通坐标修改为极坐标
ax1.scatter(theta,r,label = 'Polar Projection',s = 10)#s是点的大学
#https://blog.csdn.net/chichoxian/article/details/101058046
ax1.legend(bbox_to_anchor = (.85,1.35))
#0.85说的是数据结束的位置，极坐标当中1.35是外面
ax2 = plt.subplot(122)#这个图是一般情况下的
ax2.scatter(theta,r,label = 'plannar Projection',s =10)
ax2.legend(bbox_to_anchor = (0.7,1.35))
ax2.set_xlabel('R')
ax2.set_ylabel(r'$ \theta $')#横纵轴名称Out[11]:
Text(0, 0.5, '$ \\theta $')
legend 是放置在我们的坐标边界里面的一个东西，主要的作用就是解释一下我们坐标轴里面的图形的含义（比如说针对x, y 对应的函数表达式，或者是曲线的意义（函数表达式）），legend 在英语里面的含义就是图示的说明。就是我们下面那个小盒子里面的三个函数的注释说明，表明每个函数是什么样的曲线等等。 可以在plt.legend 里面使用 loc 这个参数来设置我们的摆放的位置。e.g. loc=“upper right”, 就放置在我们的边界盒子（bounding box）（注释：就是坐标轴的边界）里面的右上方 ，默认的设置就是坐标轴边界的设置 （0,0）（1,1） 注解边界的默认设置就是（x0,y0,width,height）=(0,0,1,1). 为了把这个legend 放置在我们的坐标轴边界的外部，我们，我们需要借助一个特殊的元祖（x0,y0）,比如说放置在坐标轴边界的右下部。 最常用的方法就是下面这个 plt.legend(loc=(1.04,1)) 1这里的loc指的是我们的legend的左下角的那个顶点的坐标。这个是比较简单直接的方式 此外，我们有一些通用的方法来手动的设置我们的legend box 放置的地方，那就是使用我们的bbox_to_anchor这个参数，在这里我们可以只提供bbox 的一个参数来作为限制就是提供 （x0,y0）,它所处的方向就有loc 这个参数来提供 plt.legend(bbox_to_anchor=(1.04,1), loc="upper left") 1那么就是横坐标是1，纵坐标是0，但是要多出来一点那我们就设置为1.04,0 , 这个loc决定的是放置在我们legend的这个边框的那个部位。loc = "lower left"就是知识我们这个anchor的放置的位置，就是在我们legend（注解）边框的着陆点。
In [10]:
from wordcloud import WordCloud,STOPWORDS
import PIL.Image as image#默认矩形，有想要的形状可以加入图片
def get_wordList():
f = open('text.txt')
wordList = f.read()
return wordList
def get_wordClound(mylist):
pic_path = 'myimg.jpg'#注意路径
img_mask = np.array(image.open(pic_path))#图片解码
wordcloud = WordCloud(background_color = "white",mask = img_mask).generate(mylist)
#mask = img_mask掩码 generate(mylist)获取数据
plt.imshow(wordcloud)
plt.axis("off")#去除坐标轴
wordList = get_wordList()
get_wordClound(wordList)
本章实训 实训1 按样图，写出相应的代码
In [17]:
fig = plt.figure()
ax1 = fig.add_subplot(121)
t = np.arange(0.0,5,0.01)
s = np.sin(2 * np.pi * t)
ax1.plot(t,s,lw = 2)
ax1.set_ylim(-2,2)
bbox = dict(boxstyle = 'round',fc = 'white')
plt.annotate('local max',xy =(2.3,1),xytext = (3,1.5),bbox = bbox,arrowprops = dict(facecolor ='black',edgecolor = 'red',headwidth = 7,width = 2))
ax1.set_ylabel('Y',fontsize = 12)
ax1.set_xlabel('x',fontsize = 12)
ax1.text(1,1.2,'max',fontsize = 18)
bbox = dict(fc = 'white')
ax1.text(1.2,-1.8,'$y = sin(2 * np.pi * t)$',bbox = bbox,rotation = 10,alpha = 0.8)
ax2 = fig.add_subplot(122)
x = np.linspace(0,10,200)
y = np.sin(x)
ax2.plot(x,y,linestyle = '-.',color = 'purple')
ax2.annotate('Here I am',xy = (4.8,np.sin(4.8)),xytext = (3.7,-0.2),weight = 'bold',color = 'k',arrowprops = dict(arrowstyle = '-|>',connectionstyle = 'arc3',color = 'red'),bbox = dict(boxstyle = 'round',fc = 'yellow',ec = 'k',lw = 1,pad = 0.5,alpha = 0.8))
ax2.set_ylim(-1.5,1.5)
ax2.set_xlim(0,10)
ax2.text(6,-1.9,'$y = sin(x)$',bbox = dict(boxstyle = 'square',facecolor = 'white',ec = 'black'))
ax2.grid(ls = ':',color = 'gray',alpha = 0.5)
ax2.text(4.5,1,'NWNU',fontsize = 15,alpha = 0.3,color = 'gray',bbox = dict(fc = 'white',boxstyle = 'round',edgecolor = 'gray',alpha = 0.3))
plt.show()
In [12]:
#获取数据
starbucks = pd.read_csv('directory.csv')
starbucks.head()Out[12]:
| Brand | Store Number | Store Name | Ownership Type | Street Address | City | State/Province | Country | Postcode | Phone Number | Timezone | Longitude | Latitude | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Starbucks | 47370-257954 | Meritxell, 96 | Licensed | Av. Meritxell, 96 | Andorra la Vella | 7 | AD | AD500 | 376818720 | GMT+1:00 Europe/Andorra | 1.53 | 42.51 |
| 1 | Starbucks | 22331-212325 | Ajman Drive Thru | Licensed | 1 Street 69, Al Jarf | Ajman | AJ | AE | NaN | NaN | GMT+04:00 Asia/Dubai | 55.47 | 25.42 |
| 2 | Starbucks | 47089-256771 | Dana Mall | Licensed | Sheikh Khalifa Bin Zayed St. | Ajman | AJ | AE | NaN | NaN | GMT+04:00 Asia/Dubai | 55.47 | 25.39 |
| 3 | Starbucks | 22126-218024 | Twofour 54 | Licensed | Al Salam Street | Abu Dhabi | AZ | AE | NaN | NaN | GMT+04:00 Asia/Dubai | 54.38 | 24.48 |
| 4 | Starbucks | 17127-178586 | Al Ain Tower | Licensed | Khaldiya Area, Abu Dhabi Island | Abu Dhabi | AZ | AE | NaN | NaN | GMT+04:00 Asia/Dubai | 54.54 | 24.51 |
3.数据分析及可视化 （1）查看星巴克旗下有哪些品牌。如果我们只关心星巴克咖啡门店，则只需获取星巴克中 Brand的数据 集，并查看全世界一共有多少家星巴克门店
In [13]:
print("星巴克旗下品牌有：\n",starbucks.Brand.value_counts())
coffee = starbucks[starbucks.Brand == 'Starbucks']
print("\n",coffee.shape)星巴克旗下品牌有： Starbucks 25249 Teavana 348 Evolution Fresh 2 Coffee House Holdings 1 Name: Brand, dtype: int64 (25249, 13)
(2)查看全世界一共有多少个国家和地区开设了星巴克门店，显示门店数量排名前10和后10的国家和地区
In [14]:
df = starbucks.groupby(['Country']).size()
print("全世界一共有多少个国家和地区开设了星巴克门店：",df.size)
df1 = df.sort_values(ascending = False)
print("排名前10的国家和地区:\n",df1.head(10))
print("\n排名后10的国家和地区:\n",df1.tail(10))全世界一共有多少个国家和地区开设了星巴克门店： 73 排名前10的国家和地区: Country US 13608 CN 2734 CA 1468 JP 1237 KR 993 GB 901 MX 579 TW 394 TR 326 PH 298 dtype: int64 排名后10的国家和地区: Country BO 4 AZ 4 TT 3 ZA 3 SK 3 CW 3 AW 3 MC 2 LU 2 AD 1 dtype: int64
(3)用核状图绘制排名前10的分布情况
In [15]:
plt.rcParams['font.size'] = 15
df1.head(10).plot(kind = 'bar',rot = 0)
plt.title('星巴克门店数排名前10的国家和地区')
plt.ylabel('Store Counts')
plt.xlabel('Countries and Regions')
plt.show()
(4)显示拥有星巴克门店数量排名前10的城市
In [16]:
count_starbucks_city = coffee.City.value_counts()
print("星巴克门店数量排名前10的城市:\n",count_starbucks_city.head(10))
star = starbucks.dropna(how = 'any',subset = ['City'])
count_starbucks_city = star.City.value_counts()
print("星巴克门店数量排名前10的城市:\n",count_starbucks_city.head(10))星巴克门店数量排名前10的城市: 上海市 542 Seoul 243 北京市 234 New York 230 London 215 Toronto 186 Mexico City 180 Chicago 179 Las Vegas 153 Houston 151 Name: City, dtype: int64 星巴克门店数量排名前10的城市: 上海市 542 Seoul 243 北京市 234 New York 232 London 216 Toronto 192 Chicago 180 Mexico City 180 Seattle 156 Las Vegas 156 Name: City, dtype: int64
(5)绘制星巴克门店数前10的城市分布柱状图
In [17]:
plt.figure(1,figsize = (8,6))
count_starbucks_city = star.City.value_counts()
city_top10 = count_starbucks_city.head(10)
city_top10.plot(kind = 'bar',rot = 30)
plt.title('拥有星巴克门店最多的10个城市')
plt.ylabel('Store Counts')
plt.xlabel('City')Out[17]:
Text(0.5, 0, 'City')
(6)按照星巴克门店在中国的分布情况，统计排名前10的城市
In [18]:
import pinyin
df = star[star['Country'] == 'CN']
df1 = df.copy()
#下面语句将城市名改为小写
df1["City"] = df1["City"].apply(lambda x:x.lower())
#下面语句将城市名改为小写拼音，去掉"市"的拼音
df1["City"] = df1["City"].apply(lambda x:pinyin.get(x,format = 'strip',delimiter = "")[0:-3])
df1 = df1.groupby(['City']).size().sort_values(ascending = False)
df1.head(10)Out[18]:
City shanghai 542 beijing 234 hangzhou 117 shenzhen 113 guangzhou 106 hong k 104 chengdu 98 suzhou 90 nanjing 73 wuhan 67 dtype: int64
(7)绘制柱状图
In [19]:
df1.head(10).plot(kind = 'bar',rot = 30)
plt.title('中国拥有星巴克最多的10个城市')
plt.ylabel('Store Counts')
plt.xlabel('Cities')
plt.show()
(8)用饼状图显示星巴克门店的经营方式有哪几种
In [26]:
plt.figure(1,figsize = (8,6))
ownership = star['Ownership Type'].value_counts()
plt.title('星巴克门店所有权类型')
ownership.plot(kind = 'pie')Out[26]:
<AxesSubplot:title={'center':'星巴克门店所有权类型'}, ylabel='Ownership Type'>
In [25]:
#课后题
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(-np.pi,np.pi,256)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x,y1,"b-",lw = 2.5,label = "正弦sin()")
plt.plot(x,y2,"r-",lw = 2.5,label = "余弦cos()")
plt.xlim(x.min() * 1.5,x.max() * 1.5)#横向与纵向都加大1.5倍
plt.ylim(y1.min() *1.5,y1.max() * 1.5)
plt.xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi],[r'$ -\pi$',r'$ -\pi/2$',r'$0$',r'$\pi/2$',r'$\pi$'])
#[-np.pi,-np.pi/2,0,np.pi/2,np.pi]这个只是表示数字，想用Π表示，必须将后面的写出来用公式表示
plt.yticks([-1,0,1])#刻度设置
plt.title("绘图实例之cos()&sin()",fontsize = 16,color = "green")
plt.text(2.1,-1.4,"python-matplotlib",fontsize = 16,color = 'purple')#描述性文字平移
ax = plt.gca()#坐标重新定位，加上名字
ax.spines['right'].set_color('none')#去掉右侧的线的颜色
ax.spines['top'].set_color('none')#去掉上侧的线的颜色
ax.xaxis.set_ticks_position('bottom')#选定x轴的下面坐标
ax.spines['bottom'].set_position(('data',0))#横坐标不动往上面移
ax.yaxis.set_ticks_position('left')#y轴重新定位
ax.spines['left'].set_position(('data',0))#将纵向的设置到0的位置 数据不变
plt.legend(loc = 'upper left',fontsize = 12)#将label显示出来
t1 = -np.pi
t2 = 2*np.pi/3
plt.scatter(t1,np.cos(t1),50,color = 'b')#设置t1点 蓝色的点
plt.scatter(t2,np.sin(t2),50,color = 'r')#设置t2点 红色的点
plt.annotate(r'$\sin(\frac{2\pi}{3}) = \frac{\sqrt{3}}{2}$',
xy = (t2,np.sin(t2)),xycoords = 'data',xytext = (+10,+30),
textcoords = 'offset points',fontsize = 14,
arrowprops = dict(arrowstyle = "-",
connectionstyle = "arc 3,rad =0" ))
#做标记 箭头位置为sin（t2）处 xycoords是相对于data的坐标
#xytext = (+10,+30)是相对与xycords 的位置，不加的话，会跑到图像的左下边
#offset points是有一个偏移量 arrowstyle = "-"连接方式为箭头，【补充：->还有一种-|>】连接的样式为弧形【arc 3】 rad =0角度为0
plt.annotate(r'$\cos(-\pi) = -1$',
xy = (t1,np.cos(t1)),xycoords = 'data',xytext = (0,-40),
textcoords = 'offset points',fontsize = 14,
arrowprops = dict(arrowstyle = "-",
connectionstyle = "arc 3,rad =0" ))
for label in ax.get_xticklabels() + ax.get_yticklabels():#循环来设置字体的大小
label.set_fontsize(14)
plt.fill_between(x,np.abs(x)< 0.5,y1,y1>0.5,color = 'g',alpha = 0.8)
#fill_between()设置阴影 此处x>-0.5并且要<0.5 y1的sin值要大于0.5
plt.fill_between(x,y2,where = (-2.5 < x) & (x < -0.5),color = 'purple' )
#加了一个where条件
plt.grid()
plt.show()
写在最后：
此处的数据是来源与我自己的数据，想要的宝子可以私信我要奥，也希望我写的博文能帮到你们。文章当中的图片由于一些原因无法展示，希望各位宝子可以见谅哈！各位宝子也可以自行验证
7849
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
