matplotlib学习

此文章为我在AI学习当中数据可视化时用到matplotlib所出现的问题进行记录。参考matplotlib中文教程：https://www.matplotlib.org.cn/tutorials/

1. 使用指南

1. 基本概念
   figure:绘图的整个窗口（可能包含多个axes）
   axes:绘图中的每个子图（可以理解为一个坐标系中的图构成一个axes）
   axis:axes中的横纵坐标轴（二维情况下），若为3维以上，类推

2. 交互式与非交互式
   交互式可以输入一行命令之后，实时的绘制图像。而非交互式需要设置完图像参数后，输入plt.show()才将图像绘制出来。
   开启交互式图像绘制的命令为plt.ion()，关闭的命令为plt.ioff()。

3. 性能
   (1)线段简化：对于具有直线段的打印(例如，典型的直线打印、多边形轮廓等)，渲染性能可以由matplotLibrc文件中的path.Simplify和path.Simplify_Threshold参数控制。path.Simplify_Threshold参数控制简化线段的程度；阈值越高，渲染速度越快。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

y = np.random.rand(100000)
y[50000:] *= 2
y[np.logspace(1, np.log10(50000), 400).astype(int)] = -1
mpl.rcParams['path.simplify'] = True	

设置不同阈值来渲染图像

mpl.rcParams['path.simplify_threshold'] = 0.0
plt.plot(y)
plt.show()

mpl.rcParams['path.simplify_threshold'] = 1.0
plt.plot(y)
plt.show()

渲染时明显感觉path.simplify_threshold设置为1的比设置为0的渲染速度要快。

2. pyplot教程

2.1 pyplot简介

pyplot是绘图中的主要状态控制函数。他在图像绘制过程中设置坐标轴文字、标题文字、横纵坐标刻度等，并最终绘制图像。通过代码是理解它的最好途径！

import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

  可以看到上述代码是作为axes对象进行相关方法的调用（说简单点，其实就是针对单个图设置数据、属性并显示）。这里需要注意：如果为plot()命令提供单个列表或数组，则matplotlib假定它是一系列y值，并自动为你生成x值。由于python范围以0开头，因此默认的x向量与y具有相同的长度，但从0开始。因此x数据为 [0,1,2,3]。

plot() 是一个多功能命令，将采用任意数量的参数。 例如，要绘制x与y的关系，可以发出命令:

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

此时第一个列表代表x取值范围，第二个列表代表y取值范围（x和y需要一一对应，即x列表维度需要与y列表维度相同）

2.2 格式化绘图的样式

  对于每对x、y参数，plot函数还有第三个可选参数，用来指示绘图的颜色和线型的格式字符串。格式字符串的字母和符号来自MATLAB，你可以将颜色字符串与线型字符串连接起来。例如下面的“ro”代表红色（red）圆圈（o）。默认格式字符串为“b-”，为蓝色实线。
  下述代码中axis是设置x轴与y轴坐标的方法。axis([0, 6, 0, 20])代表[xmin, xmax, ymin, ymax]。如果想绘制特殊线型和使用五彩缤纷的颜色就去查阅plot()文档吧！

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.axis([0, 6, 0, 20])
plt.show()

plot()函数也可以同时在一个坐标系绘制多个图像：

import numpy as np

t = np.arange(0., 5., 0.2)
# red dashes, blue squares and green triangles
plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
plt.show()

2.3 使用关键字字符串绘图

data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100

plt.scatter('a', 'b', c='c', s='d', data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()

上述data字典中的’a’对应的列表元素值为0到49（50个）；'c’对应的值为50个随机的0到50之间的整数；'d’对应的值为50个随机的服从正态分布的样本值。

numpy.random.randn(d0, d1, …, dn)： 生成一个浮点数或N维浮点数组，取数范围：正态分布的随机样本数。

scatter()为绘制散点图的函数，其中’a’，'b’分别代表x和y的元素数组；c代表颜色；s代表散点图每个点的大小，后面引入data=data代表数据来源（以便可以引dict中的key作为函数的输入变量）。

在我修改了scatter函数中变量s=2后：

2.4 用分类变量绘图

names = [1, 2, 3]
values = [1, 10, 100]

plt.figure(1, figsize=(9, 3))

plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')
plt.show()

这里names数组中使用字符串类型的元素是不行的，在bar()、scatter()、plot()方法中不接受数字外的类型。

2.5 控制线的属性

2.6 使用多个图形和轴

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)		# 默认语句
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')		# 生成蓝色散点以及连续黑线

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

subplot()命令指定numrows, numcols, plot_number，其中 plot_number 的范围 从1到numrows*numcols。如果 numrows * numcols <10，则subplot命令中的逗号是可选的。因此 subplot(211) 与 subplot(2, 1, 1) 相同。

  使用 clf() 清除当前图形，使用 cla() 清除当前轴。在用 close() 显式关闭数字之前，数字所需的内存不会完全释放。删除对图的所有引用，使用窗口管理器来关闭屏幕上出现图形的窗口是不够的，因为pyplot会保持内部引用，直到调用close()。