python折线图：y=2x+1，y=sinx

y = 2x+1

#coding: utf-8
#date = 2022/9/10

"""
Matplotlib 支持丰富的样式，其中最基本的就是控制画出的图形颜色和线条的粗细
一般来说有以下几个原则:
画布的样式，通过设置 figure 函数的参数决定
子图的样式，通过设置 add_subplot 函数的参数决定
线条的样式，通过设置 plot 函数的参数决定
另外，在 Matplotlib 中，颜色往往由三个元素的列表来表示，分别代表颜色 R、G、B 三个通道的分量，范围都是 0-1
"""



#导入 Matplotlib 和 numpy
import matplotlib.pyplot as plt
import numpy as np

#准备图的数据源，array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x_ranges = np.arange(0, 10)

#创建画布，plt.figure 函数可以创建一块画布,创建一个 10x10 大小的画布，并将其保存在变量 figure1 中
# 通过 figure 函数的 facecolor 参数设置画布颜色(红色)
figure1 = plt.figure(figsize=(10, 10), facecolor=[1, 0, 0])

#创建子图，add_subplot(行数，列数，当前子图索引)
"""
子图的布局是通过画布对象的 add_subplot 函数实现的，行数和列数代表子图的位置在画布中如何划分
比如如果是行数和列数都是 2 的话，代表把画纸拆分成 2x2，一共四个格子，每个格子可以放置一个子图
当前子图索引参数指的是告诉 Matplotlib 接下来要设置的是这个 2x2 的划分里的第几幅子图
这里要注意的是，当前子图索引和绝大多数 Python 索引不同，这里的索引是从 1 开始的，顺序对应网格的顺序是从左到右，从上到下
"""
#通过 add_subplot 函数的参数设置子图的颜色(蓝色)
ax1 = figure1.add_subplot(1,1,1,  facecolor = [0, 0, 1])

#设置子图标题
plt.title("y = 2x +1")

#置坐标轴的属性
plt.xlabel("X")
plt.xlim([0, 20])
plt.ylabel("Y")
plt.ylim([0, 20])

#绘图
# 通过 plot 函数的 linewidth 参数设定线条的粗细，线条粗细变为 3
# 通过 color 参数来设定线条的颜色（绿色）
plt.plot(x_ranges, x_ranges * 2 + 1, linewidth = 3, color=[0,1,0])

#显示
plt.show()

运行结果：

y=sinx

#coding: utf-8
#author = hewangtong
#date = 2022/9/11

#导入 Matplotlib 和 numpy
import matplotlib.pyplot as plt
import numpy as np

#准备图的数据源
"""
plot 函数本质就是把数据源每个点用线连起来，所以我们只需要提供更“密集”的数据源，也就是提高采样的频率，就能够获得更平滑的曲线
这个例子来说，y 的数据是由 x 决定的，所以我们只需要提供一个间隔更小的 x_ranges 即可。之前的课程学过，numpy 的 arange 函数的第三个参数就是步长，默认是 1，这里我们只需要在同样的范围情况下，缩短步长就可以获得更密集的数据
比如我们用0.01来试下
"""
x_ranges = np.arange(0, 20, 0.01)

#创建画布，plt.figure 函数可以创建一块画布,创建一个 10x10 大小的画布，并将其保存在变量 figure1 中
# 通过 figure 函数的 facecolor 参数设置画布颜色(红色)
figure1 = plt.figure(figsize=(10, 10))

#创建子图，add_subplot(行数，列数，当前子图索引)
ax1 = figure1.add_subplot(1,1,1)

#设置子图标题
plt.title("y = sin(x)")

#置坐标轴的属性
plt.xlabel("X")
plt.xlim([0, 20])
plt.ylabel("Y")
plt.ylim([-2.5, 2.5])

#绘图
plt.plot(x_ranges, np.sin(x_ranges))

#显示
plt.show()

运行结果如下