Matplotlib

 函数知识点

plt.subplots()

 fig视为整个画布，而ax是画布上的一个子区域（即子图）

fig, (ax1, ax2) = plt.subplots(1, 2)

# 在第一个子图(ax1)上绘制直线
ax1.plot([1, 2, 3], [4, 5, 6])

# 在第二个子图(ax2)上绘制散点图
ax2.scatter([1, 2, 3], [4, 5, 6])

fig, axes = plt.subplots(2, 3, figsize=(10, 6),
 dpi=100, sharex=True, sharey=True)#共享x轴刻度，默认false

clear axis 的缩写，清除子图的所有内容，但保留那个框框

plt.xlable() 

x轴标签 

plt.xlabel('X Axis')

plt.xlim() 

x 轴的上下限

plt.xlim(1, 6)

plt.xscale() 

x轴刻度缩放，有linear 和 log

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.xscale('log')  # 设置 x 轴的刻度缩放为对数刻度

 plt.legend()

图形添加图例（legend）

plt.plot(x, y1, label='Line 1')
plt.plot(x, y2, label='Line 2')

# 添加图例
plt.legend()

 plt.grid( ) 

plt.grid(True)  # 显示网格线

 plt.gca（）

get current axes（获取当前坐标轴）的缩写。gca 函数返回当前图中的坐标轴对象

使用 gca() 函数可以简化代码并提供更灵活的操作方式，使得在绘图过程中更加方便、高效。

fig = plt.figure()
# 添加一个子图（Subplot）并绘制曲线
ax = fig.add_subplot(111)
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
ax.plot(x, y)

# 在该图形上获取当前的坐标轴对象
current_ax = plt.gca()

# 对当前坐标轴对象进行操作
current_ax.set_xlabel("X")
current_ax.set_ylabel("Y")
current_ax.set_title("My Plot")

 plt.scatter()

散点图scatter

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, alpha=None)

其中，一些常用参数的说明如下：

• x：可选参数，表示数据点在 x 轴上的值，可以是一个一维数组或者列表。
• y：可选参数，表示数据点在 y 轴上的值，可以是一个一维数组或者列表。
• s：可选参数，表示数据点的大小，可以是一个标量，或者一个与 x、y 数组长度相同的一维数组。默认值为 None。
• c：可选参数，表示数据点的颜色。可以是一个标量，或者一个与 x、y 数组长度相同的一维数组。默认值为 None。接受一个类别数组，每个类别映射到不同颜色
• marker：可选参数，表示数据点的标记形状。默认为 'o'，表示圆点。

       cmap（颜色映射）、alpha（透明度）等。

x = np.random.rand(50)
y = np.random.rand(50)
c = np.random.rand(50)
plt.scatter(x, y, c=c, cmap='cool')
plt.colorbar()


category = np.random.randint(0, 3, 50)  
plt.scatter(x, y, c=category, cmap='viridis')
plt.colorbar(ticks=[0, 1, 2])
#两种用法

 

plt.plot()

plt.plot(x, y, color='red', linestyle='-',
 linewidth=2.5, marker='o', markersize=8, label='data')

• color：指定线条的颜色，可以使用颜色名称或RGB值。例如，color='red' 或 color=(0, 0, 1)
• linestyle：指定线条的样式，如实线、虚线     

 fmts用于指定线条的样式、颜色和标记等属性。参数是一个字符串，它由一个或多个字符组成

plt.plot(x, y, 'r--')  # 绘制红色虚线

plt.contours()  plt.contoursf() 

注意，当 colors 参数和 cmap 参数同时指定时，colors 参数会覆盖 cmap 参数，即按照指定的颜色来绘制等高线，而不使用颜色映射。如果两者都未指定，等高线默认使用 cmap 参数的颜色映射。

• levels: 绘制等高线的高度级别，可以是一个数组或标量。默认为 10。

• cmap 参数用于指定等高线的颜色映射（color map），即将数值映射到颜色的规则。常见的颜色映射包括 'viridis'、'jet'、'coolwarm' 等等。Matplotlib 提供了多种内置的颜色映射，你也可以自定义自己的颜色映射。默认情况下，cmap='viridis'（色盲友好）

• colors 参数用于指定等高线的颜色。它可以是一个颜色字符串，也可以是颜色的列表或数组。如果是一个字符串，会将所有等高线使用该颜色；如果是一个列表或数组，可以分别指定每个等高线的颜色。例如，colors='red' 或 colors=['red', 'blue', 'green']。

X, Y = np.meshgrid(x, y)

# 计算 Z 值（高度值）
Z = np.sin(X) + np.cos(Y)

plt.figure(figsize=(10, 4)) 
plt.subplot(1, 2, 1) 
contours = plt.contour(X, Y, Z, levels=10, cmap='viridis') 
plt.colorbar(contours) 

plt.subplot(1, 2, 2) 
contour_filled = plt.contourf(X, Y, Z, levels=20, cmap='coolwarm')
plt.colorbar(contour_filled)  
plt.show()

plt.inshow()，plt.imread()

plt.imread()用于读取图像文件并返回一个表示图像数据的 NumPy 数组。

plt.inshow()函数将二维数组或图像数据以颜色编码的形式显示在坐标轴上。它将数组的值映射到一种颜色映射（colormap）中，并根据数组中每个元素的值来决定显示的颜色。

interpolation='bilinear'#双线性插值产生较为平滑的图像，周围四个计算中间的像素值（三次线性插值）像素数量它会自己调整

image = plt.imread('path_to_image.jpg')
plt.imshow(image)


np.random.seed(42)
data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot')
plt.imshow(data,cmap='hot', interpolation='bilinear')
#双线性插值，图像更平滑
plt.colorbar()
plt.show()

实操

1.def show_images

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
  if torch.is_tensor(img):
# 图片张量
     ax.imshow(img.numpy())
  else:
# PIL图片
      ax.imshow(img)
  ax.axes.get_xaxis().set_visible(False)
  ax.axes.get_yaxis().set_visible(False)
  if titles:
   ax.set_title(titles[i])
return axes