python画图

来源代码：matplotlib帮助文档

Matplotlib.pyplot是用来画图的方法，类似于matlab中plot命令，用法基本相同。

一.最基本的：

例如：

In [1]: import matplotlib.pyplot as plt

In [2]: plt.plot([1,2,3])

Out[2]: [<matplotlib.lines.Line2D object at 0x06518A10>]

In [3]: plt.ylabel('some numbers')

Out[3]: <matplotlib.text.Text object at 0x0652D550>

In [4]: plt.show()

结果如图1

    从图中可以看到，如果我们给plot()参数是一个list或者array，那么画图默认是作为Y轴来显示，x轴是自动生成的数值范围。

    其实plot可以带一些参数，和matlab类似。如：plt.plot([1,2,3],[1,4,9])

则会按(1,1),(2,4),(3,9)来划线。

    当然和matlab类似，我们也可以指定线的类型和颜色，如果默认，则为’b-‘,即蓝色的实线（如上图）。

>>> import matplotlib.pyplot as plt

>>> plt.plot([1,2,3,4], [1,4,9,16], 'ro')

[<matplotlib.lines.Line2D object at 0x00D62150>]

>>> plt.axis([0, 6, 0, 20])

[0, 6, 0, 20]

>>> plt.show()

结果如图2：

 

'ro'代表线形为红色圈。plt.axis([0, 6, 0, 20])是指定xy坐标的起始范围，它的参数是列表[xmin, xmax, ymin, ymax]。

二，统一图上画多条曲线

下面看看如何在同一张图画多条曲线，我们用numpy生成的array

>>> import numpy as np

>>> t = np.arange(0.,5.,0.2)

>>> t

array([ 0. ,  0.2,  0.4,  0.6,  0.8,  1. ,  1.2,  1.4,  1.6,  1.8,  2. , 2.2,  2.4,  2.6,  2.8, 3.  ,  3.2,  3.4,  3.6,  3.8,  4. ,  4.2, 4.4,  4.6,  4.8])

>>> plt.plot(t,t,'r--',t,t**2,'bs',t,t**3,'g^')

>>> plt.show()

结果如图3：

 

对于线的属性，我们也可以如下设定：

lines = plt.plot(x1, y1, x2, y2)

# use keyword args

plt.setp(lines, color='r', linewidth=2.0)

# or matlab style string value pairs

plt.setp(lines, 'color', 'r', 'linewidth', 2.0)

 

三，subplot命令

Matplotlib也有和matlab中一样的subplot命令

>>> import numpy as np

>>> import matplotlib.pyplot as plt

>>> def f(t):

    return np.exp(-t)*np.cos(2*np.pi*t)

 

>>> t1 = np.arange(0.0,5.0,0.1)

>>> t2 = np.arange(0.0,5.0,0.02)

>>> plt.figure(1)

<matplotlib.figure.Figure object at 0x0433FF50>

>>> plt.subplot(211)

<matplotlib.axes.AxesSubplot object at 0x02700830>

>>> plt.plot(t1,f(t1),'bo',t2,f(t2),'k')

[<matplotlib.lines.Line2D object at 0x04463310>, <matplotlib.lines.Line2D object at 0x0447E570>]

>>> plt.subplot(212)

<matplotlib.axes.AxesSubplot object at 0x0447E450>

>>> plt.plot(t2,np.cos(2*np.pi*t2),'r--')

[<matplotlib.lines.Line2D object at 0x04530510>]

>>> plt.show()

结果如图4：

 

 

    当然，也可以用figure来画多个图。

import matplotlib.pyplot as plt

plt.figure(1) # the first figure

plt.subplot(211) # the first subplot in the first figure

plt.plot([1,2,3])

plt.subplot(212) # the second subplot in the first figure

plt.plot([4,5,6])

plt.figure(2) # a second figure

plt.plot([4,5,6]) # creates a subplot(111) by default

plt.figure(1) # figure 1 current; subplot(212) still current

plt.subplot(211) # make subplot(211) in figure1 current

plt.title('Easy as 1,2,3') # subplot 211 title

 

四，在图片上标上text。

如：

import numpy as np

import matplotlib.pyplot as plt

 

mu,sigma = 100,15

x = mu + sigma*np.random.randn(10000)

# the histogram of the data

n,bins,patches = plt.hist(x,50,normed=1,facecolor='g',alpha=0.75)

plt.xlabel('Smarts')

plt.ylabel('Probability')

plt.title('Histogram of IQ')

plt.text(60,.025,r'$\mu=100,\ \sigma=15$')

plt.axis([40,160,0,0.03])

plt.grid(True)

plt.show()

结果如图5：

可以看到matplotlib接受Tex的数学公式模式‘$$‘. 如此借助latex，可以在图形中显示复杂的数学公式了。

1. #coding=utf8  
2.   
3. import matplotlib.pyplot as plt  
4. import numpy as np  
5.   
6. #创建数组：x、y1、y2、y3、x4、y4  
7. x = np.array([10, 8, 13, 9, 11, 14, 6, 4, 12, 7, 5])  
8. y1 = np.array([8.04, 6.95, 7.58, 8.81, 8.33, 9.96, 7.24, 4.26, 10.84, 4.82, 5.68])  
9. y2 = np.array([9.14, 8.14, 8.74, 8.77, 9.26, 8.10, 6.13, 3.10, 9.13, 7.26, 4.74])  
10. y3 = np.array([7.46, 6.77, 12.74, 7.11, 7.81, 8.84, 6.08, 5.39, 8.15, 6.42, 5.73])  
11. x4 = np.array([8, 9, 8,10, 8, 6, 8, 19, 3.8, 8,4.8])  
12. y4 = np.array([6.8, 5.6, 7.1, 8.84, 8.7, 7.04, 5.5, 1.50, 5.6, 7.9, 6.88])  
13.   
14.   
15. def fit(x):  
16.     return 1+ 4 * x/5  
17.   
18. #创建xfit数组，该数组包含两个元素：x的最大值和最小值  
19. xfit = np.array([np.min(x), np.max(x)])  
20.   
21. #创建子图  
22. plt.subplot(221)  
23. #在第一张子图上绘制两个图形  
24. #x,y1的散点图，黑色方块  
25. #xfit,fit(xfit)红色实线，线宽为2  
26. plt.plot(x, y1, 'ks', xfit, fit(xfit), 'r-', lw=2)  
27. #设置x轴范围：2到20  
28. #设置y轴范围：2到14  
29. plt.axis([2, 20, 2, 14])  
30. #plt.gca():获取当前子图  
31. #plt.setp():设置图标实例的属性。  
32. #设置子图的xticklabels为空  
33. #yticks显示为：4、8、12,，xticks显示：0、 10  、20  
34. plt.setp(plt.gca(), xticklabels=[], yticks=(4, 8, 12), xticks=(0, 10, 20))  
35.   
36. #matplotlib.pyplot.text(x, y, s, fontdict=None, withdash=False, **kwargs)  
37. # 第一个参数是x轴坐标    
38. # 第二个参数是y轴坐标    
39. # 第三个参数是要显式的内容    
40. #fontsize设置显示字体大小  
41. plt.text(3, 12, 'I', fontsize=20)  
42.   
43. #创建第二个子图  
44. plt.subplot(222)  
45. #绘制两个图形  
46. #x,y2的散点图，黑色方块  
47. #xfit,fit(xfit)红色实线，线宽为2  
48. plt.plot(x, y2, 'ks', xfit, fit(xfit), 'r-', lw=2)  
49. plt.axis([2, 20, 2, 14])  
50. #plt.gca():获取当前子图  
51. #plt.setp():设置图标实例的属性。  
52. #设置子图的xticklabels、yticklabels为空  
53. #yticks显示为：4, 8, 12,，xticks显示：0、 10  、20  
54. plt.setp(plt.gca(), xticks=(0, 10, 20), xticklabels=[],  
55.          yticks=(4, 8, 12), yticklabels=[], )  
56. plt.text(3, 12, 'II', fontsize=20)  
57.   
58. plt.subplot(223)  
59. plt.plot(x, y3, 'ks', xfit, fit(xfit), 'r-', lw=2)  
60. plt.axis([2, 20, 2, 14])  
61. plt.setp(plt.gca(), yticks=(4, 8, 12), xticks=(0, 10, 20))  
62. plt.text(3, 12, 'III', fontsize=20)  
63.   
64.   
65. plt.subplot(224)  
66. xfit = np.array([np.min(x4), np.max(x4)])  
67. plt.plot(x4, y4, 'ks', xfit, fit(xfit), 'r-', lw=2)  
68. plt.axis([2, 20, 2, 14])  
69. plt.setp(plt.gca(), yticklabels=[], yticks=(4, 8, 12), xticks=(0, 10, 20))  
70. plt.text(3, 12, 'IV', fontsize=20)  
71.   
72. # 验证统计数据  
73. pairs = (x, y1), (x, y2), (x, y3), (x4, y4)  
74.   
75. #corrcoef函数  
76. #计算两组数的相关系数  
77. #返回结果为矩阵，第i行第j列的数据表示第i组数与第j组数的相关系数。对角线为1  
78. for x, y in pairs:  
79.     print 'mean=%1.2f, std=%1.2f, r=%1.2f' % (np.mean(y), np.std(y),np.corrcoef(x, y)[0][1])  
80.   
81. #显示绘制图像  
82. plt.show()  

1、scatter函数原型

2、其中散点的形状参数marker如下：

3、其中颜色参数c如下:

4、基本的使用方法如下：

[python]  view plain  copy

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

#导入必要的模块  import numpy as np  import matplotlib.pyplot as plt  #产生测试数据  x = np.arange( 1 , 10 )  y = x  fig = plt.figure()  ax1 = fig.add_subplot( 111 )  #设置标题  ax1.set_title( 'Scatter Plot' )  #设置X轴标签  plt.xlabel( 'X' )  #设置Y轴标签  plt.ylabel( 'Y' )  #画散点图  ax1.scatter(x,y,c = 'r' ,marker = 'o' )  #设置图标  plt.legend( 'x1' )  #显示所画的图  plt.show()

　　

结果如下：

5、当scatter后面参数中数组的使用方法，如s，当s是同x大小的数组，表示x中的每个点对应s中一个大小，其他如c，等用法一样，如下：

（1）、不同大小

[python]  view plain  copy

 

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

#导入必要的模块  import numpy as np  import matplotlib.pyplot as plt  #产生测试数据  x = np.arange( 1 , 10 )  y = x  fig = plt.figure()  ax1 = fig.add_subplot( 111 )  #设置标题  ax1.set_title( 'Scatter Plot' )  #设置X轴标签  plt.xlabel( 'X' )  #设置Y轴标签  plt.ylabel( 'Y' )  #画散点图  sValue = x * 10  ax1.scatter(x,y,s = sValue,c = 'r' ,marker = 'x' )  #设置图标  plt.legend( 'x1' )  #显示所画的图  plt.show()

　　

（2）、不同颜色

[python]  view plain  copy

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

#导入必要的模块  import numpy as np  import matplotlib.pyplot as plt  #产生测试数据  x = np.arange( 1 , 10 )  y = x  fig = plt.figure()  ax1 = fig.add_subplot( 111 )  #设置标题  ax1.set_title( 'Scatter Plot' )  #设置X轴标签  plt.xlabel( 'X' )  #设置Y轴标签  plt.ylabel( 'Y' )  #画散点图  cValue = [ 'r' , 'y' , 'g' , 'b' , 'r' , 'y' , 'g' , 'b' , 'r' ]  ax1.scatter(x,y,c = cValue,marker = 's' )  #设置图标  plt.legend( 'x1' )  #显示所画的图  plt.show()

　　

结果：

（3）、线宽linewidths

[python]  view plain  copy

 

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

#导入必要的模块  import numpy as np  import matplotlib.pyplot as plt  #产生测试数据  x = np.arange( 1 , 10 )  y = x  fig = plt.figure()  ax1 = fig.add_subplot( 111 )  #设置标题  ax1.set_title( 'Scatter Plot' )  #设置X轴标签  plt.xlabel( 'X' )  #设置Y轴标签  plt.ylabel( 'Y' )  #画散点图  lValue = x  ax1.scatter(x,y,c = 'r' ,s = 100 ,linewidths = lValue,marker = 'o' )  #设置图标  plt.legend( 'x1' )  #显示所画的图  plt.show()