Matplotlib学习

最新推荐文章于 2022-01-10 10:55:09 发布

取间

最新推荐文章于 2022-01-10 10:55:09 发布

阅读量380

点赞数

本文链接：https://blog.csdn.net/qq_40497403/article/details/81392239

版权

如果某天你发现自己要学习 Matplotlib, 很可能是因为:

Matplotlib 是一个非常强大的 Python 画图工具;
手中有很多数据, 可是不知道该怎么呈现这些数据.

所以就找到了 Matplotlib. 它能帮你画出美丽的:

线图;
散点图;
等高线图;
条形图;
柱状图;
3D 图形,
甚至是图形动画等等.

我们大体使用Matplotlib，第一步是获取数据，然后定义一个区域来画相应的图像，然后画图，画图时又可以设置很多参数；最后就是将画好的图像展示出来。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
plt.figure()   #使用plt.figure定义一个图像窗口. 使用plt.plot画(x ,y)曲线. 使用plt.show显示图像.
plt.plot(x, y1)
plt.show()


#plt.figure定义一个图像窗口：编号为3；大小为(8, 5). 使用plt.plot画(x ,y2)曲线.
# 使用plt.plot画(x ,y1)曲线，曲线的颜色属性(color)为红色;曲线的宽度(linewidth)为1.0；
# 曲线的类型(linestyle)为虚线. 使用plt.show显示图像.
plt.figure(num=3, figsize=(8, 5),)
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.show()

在 matplotlib 中如何设置坐标轴的范围, 单位长度, 替代文字等等.

我们先是确定x和y的范围，然后创建图所在的区域，并在图上进行画图，最后将画的图输出。我们中间可以设置坐标轴的一些属性，比如范围，刻度，解释文字等。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2

plt.figure()
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')


#使用plt.xlim设置x坐标轴范围：(-1, 2)； 使用plt.ylim设置y坐标轴范围：(-2, 3)；
# 使用plt.xlabel设置x坐标轴名称：’I am x’； 使用plt.ylabel设置y坐标轴名称：’I am y’；
plt.xlim((-1, 2))
plt.ylim((-2, 3))
plt.xlabel('I am x')
plt.ylabel('I am y')
plt.show()

new_ticks = np.linspace(-1, 2, 5)
print(new_ticks)
plt.xticks(new_ticks)
#plt.yticks设置y轴刻度以及名称：刻度为[-2, -1.8, -1, 1.22, 3]；对应刻度的名称为[‘really bad’,’bad’,’normal’,’good’, ‘really good’]. 
plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
plt.show()

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)  #得到x和y的范围
y1 = 2*x + 1
y2 = x**2

plt.figure()    #创建一个画图区域
plt.plot(x, y2)   #进行画图
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.xlim((-1, 2))   #设置坐标轴的范围，应该是x和y范围的子集
plt.ylim((-2, 3))

new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)     #使用plt.xticks设置x轴刻度
plt.yticks([-2, -1.8, -1, 1.22, 3],['$really\ bad$', '$bad$', '$normal$', '$good$', '$really\ good$'])

#使用plt.gca获取当前坐标轴信息. 使用.spines设置边框：右侧边框；
# 使用.set_color设置边框颜色：默认白色；
# 使用.spines设置边框：上边框；使用.set_color设置边框颜色：默认白色；
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()

#使用.xaxis.set_ticks_position设置x坐标刻度数字或名称的位置
# ：bottom.（所有位置：top，bottom，both，default，none）
ax.xaxis.set_ticks_position('bottom')

#使用.spines设置边框：x轴；使用.set_position设置边框位置：
# y=0的位置；（位置所有属性：outward，axes，data）
ax.spines['bottom'].set_position(('data', 0))
plt.show()

ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
plt.show()

matplotlib 中的 legend 图例就是为了帮我们展示出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.

我们可以创建图例并对图例进行一些操作：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2

plt.figure()
#set x limits
plt.xlim((-1, 2))
plt.ylim((-2, 3))

# set new sticks
new_sticks = np.linspace(-1, 2, 5)
plt.xticks(new_sticks)
# set tick labels
plt.yticks([-2, -1.8, -1, 1.22, 3],
           [r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
plt.plot(x, y2)   #进行画图
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.show()

# set line syles
#这两条语句是来重新设置两条线的属性
l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')

#legend将要显示的信息来自于上面两条线中的 label属性. 所以我们不用在说明图例名字
# 所以我们只需要简单写下一下代码, plt 就能自动的为我们添加图例.
plt.legend(loc='upper right')  #这个参数表明我们要把图例放在图的右上方
plt.show()

#第一个参数说明我们设置图例的图形，labels说明我们设置的图例的相关名字，loc表明图例的位置
plt.legend(handles=[l1, l2], labels=['up', 'down'],  loc='best')

我们可以对我们的图设置一些标注：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y = 2*x + 1

plt.figure(num=1, figsize=(8, 5),)
plt.plot(x, y,)

#挪动坐标轴的位置
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))

#然后标注出点(x0, y0)的位置信息.
# 用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) 画出一条垂直于x轴的虚线.
x0 = 1
y0 = 2*x0 + 1
plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
# set dot styles
#我们对x0，y0处的点进行设置属性
plt.scatter([x0, ], [y0, ], s=50, color='b')

#我们对这个点进行标注，参数xycoords='data' 是说基于数据的值来选位置,
# xytext=(+30, -30) 和 textcoords='offset points' 对于标注位置的描述 和 xy 偏差值,
#  arrowprops是对图中箭头类型的一些设置.
plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),
             textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
#添加注释text，其中-3.7, 3,是选取text的位置, 空格需要用到转字符\ ,fontdict设置文本字体.
plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',
         fontdict={'size': 16, 'color': 'r'})

plt.show()

有的时候我们还会需要对图像设置能见度：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y = 0.1*x

plt.figure()
# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序
plt.plot(x, y, linewidth=10, zorder=1)
plt.ylim(-2, 2)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))

#对被遮挡的图像调节相关透明度，本例中设置 x轴 和 y轴 的刻度数字进行透明度设置
#label.set_fontsize(12)重新调节字体大小，bbox设置目的内容的透明度相关参，
# facecolor调节 box 前景色，
# edgecolor 设置边框， 本处设置边框为无，alpha设置透明度. 最终结果如下:
for label in ax.get_xticklabels() + ax.get_yticklabels():
    label.set_fontsize(12)
    # 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序
    label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7, zorder=2))
plt.show()

之前是如何进行画线，接下来是如何进行画散点图

import matplotlib.pyplot as plt
import numpy as np

#生成1024个呈标准正态分布的二维数据组 (平均数是0，方差为1) 作为一个数据集，
# 并图像化这个数据集。每一个点的颜色值用T来表示：
n = 1024    # data size
X = np.random.normal(0, 1, n) # 每一个点的X值
Y = np.random.normal(0, 1, n) # 每一个点的Y值
T = np.arctan2(Y,X) # for color value 我们通过一个公式计算出相应点的颜色

#前两个变量表示位置，然后是大小，颜色，透明度
plt.scatter(X, Y, s=75, c=T, alpha=.5)

plt.xlim(-1.5, 1.5)  #设置x轴的范围
plt.xticks(())  # ignore xticks  #我们将标度信息进行隐藏
plt.ylim(-1.5, 1.5)
plt.yticks(())  # ignore yticks

plt.show()

生成一个柱状图:

import matplotlib.pyplot as plt
import numpy as np

n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)

#我们利用bar这个方法实现画柱状图，然后-Y1表示向下的柱状图，后面是facecolor设置主体颜色，edgecolor设置边框颜色为白色，
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())

#我们用函数plt.text分别在柱体上方（下方）加上数值，用%.2f保留两位小数，
# 横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'：
for x, y in zip(X, Y1):
    # ha: horizontal alignment
    # va: vertical alignment
    plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2):
    # ha: horizontal alignment
    # va: vertical alignment
    plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')

plt.show()

生成等高线图:

import matplotlib.pyplot as plt
import numpy as np


#数据集即三维点 (x,y) 和对应的高度值，共有256个点。高度值使用一个 height function f(x,y) 生成。
# x, y 分别是在区间 [-3,3] 中均匀分布的256个值，
# 并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格:
def f(x,y):
    # the height function
    return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)

n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)

#进行颜色填充。使用函数plt.contourf把颜色加进去，位置参数分别为：X, Y, f(X,Y)。
# 透明度0.75，并将 f(X,Y) 的值对应到color map的暖色组中寻找对应颜色。
# use plt.contourf to filling contours
# X, Y and value for (X,Y) point
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)

#等高线绘制。使用plt.contour函数划线。位置参数为：X, Y, f(X,Y)。颜色选黑色，线条宽度选0.5。
# 现在的结果如下图所示，只有颜色和线条，还没有数值Label：
# use plt.contour to add contour lines
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)


#8代表等高线的密集程度，这里被分为10个部分。如果是0，则图像被一分为二。
#最后加入Label，inline控制是否将Label画在线里面，字体大小为10。并将坐标轴隐藏：
plt.clabel(C, inline=True, fontsize=10)
plt.xticks(())
plt.yticks(())
plt.show()

matplotlib再学习：

1.画图时的大体结构

#1.我们利用matplotlib画图时应该注意 plt.figure()是创建一个空窗口，fig.add_subplot()是在这个空窗口里添加subplot
fig=plt.figure()
ax1=fig.add_subplot(2,2,1) #表明图像是2×2的，而且当前选中的是4个subplot中的第一个
ax2=fig.add_subplot(2,2,2)
ax3=fig.add_subplot(2,2,3)

#1.1我们的subplot就是我们画图的地方，我们画图时默认在最后一个用过的subplot上操作，如果没有添加subplot的话，系统会自动创建
plt.plot(randn(50).cumsum(),'k--')  #此时就默认在第三个subplot上作画，这里的k--表示我们绘制黑色虚线图

#1.2我们如果想要在其他的subplot上操作，可以直接调用相应的方法
#因为fig.add_subplot()返回的是axesSubplot对象，直接调用他们的实例方法即可

_=ax1.hist(randn(100),bins=20,color='k',alpha=0.3)
ax2.scatter(np.arange(30),np.arange(30)+3*randn(30))

2.画图时的常用属性

#2.画图时用到的一些属性
#2.1调整subplot周围的间距
#plt.subplots_adjust(left=none,bottom=none,right=none,top=none,wspace=none,hspace=none)

#2.2颜色，标记和线型
#2.2.1颜色  ax.plot(x,y,'g--')表示我们用一组x和y绘制颜色为绿色，线型为虚线的线     ax.plot(x,y,linestyle='--',color='g')这是跟之前结果一样的不同表示方法

#2.2.2标记
#fig=plt.figure()  plt.plot(randn(30).cumsum(),'ko--')  plt.plot(randn(30).cumsum(),color='k',linestyle='dashed',marker='o') 这是两种添加标记的方式

#2.2.3 线性
#我们在plot时默认是将数据根据线性的形式画出来，但是我们也可以根据drawstyle属性进行修改
#data=randn(30).cumsum()
#plt.plot(data,'k--',label='D#efault')
#plt.plot(data,'k--',drawstyle='steps-post',label='steps-post')
#plt.legend(loc='best')

#2.3刻度，标签和图例
#2.3.1刻度 2.3.2 标签
#fig=plt.figure();
#ax=fig.add_subplot(1,1,1)
#ax.plot(randn(1000).cumsum())

#ticks=ax.set_xticks([0,250,500,750,1000])   我们重新设置x轴的刻度
#labels=ax.set_xticklabels(['one','two','three','four','five'],rotation=30,fontsize='small')   我们通过x轴原来的刻度来设置标签

#ax.set_title('my first matplotlib plot')  书写图的题目
#ax.set_xlabel('Stages')  设置x轴的标签

#2.3.3 图例  图例就是告诉我们哪个线叫什么名的
#fig=plt.figure()
#ax=fig.add_subplot(1,1,1)
#ax.plot(randn(1000).cumsum(),'k',label='one')
#ax.plot(randn(1000).cumsum(),'k--',label='two')
#ax.plot(randn(1000).cumsum(),'k.',label='three')
#ax.legend(loc='best')      我们来设置图例的位置



#2.4注解，以及在subplot上绘图
#2.4.1 我们可以绘制一些自定义的注解，比如文本，箭头或者是其他图形(注解可以通过text，arrow和annotate等函数进行添加)
#fig=plt.figure()
#ax=fig.add_subplot(1,1,1)
#ax.text(x,y,'hello world',family='monospace',fontsize=10)  text可以将文本绘制在图表的指定坐标（x,y），还可以加上一些自定义格式


#2.5将图表保存到文件
fig=plt.figure()  
plt.plot(randn(30).cumsum(),'ko--') 
#我们在保存的时候的第一个属性表示保存地址和文件名，dpi=''这个属性可以设置图片的分辨率，bbox_inches=''可以检出当前图表周围的白边
plt.savefig('E://new.png',dpi=400,bbox_inches='tight') #此时我们得到一张带有最小白边且分辨率是400DPI的png图片。

3.常用的图形的绘制

取间

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Matplotlib学习

如果某天你发现自己要学习 Matplotlib, 很可能是因为:Matplotlib 是一个非常强大的 Python 画图工具; 手中有很多数据, 可是不知道该怎么呈现这些数据.所以就找到了 Matplotlib. 它能帮你画出美丽的:线图; 散点图; 等高线图; 条形图; 柱状图; 3D 图形, 甚至是图形动画等等.我们大体使用Matplotlib，第一步是获取数据，然...
复制链接

扫一扫