数据分析(绘图)

最新推荐文章于 2024-05-27 12:01:28 发布
最新推荐文章于 2024-05-27 12:01:28 发布
阅读量288 收藏 1
点赞数
文章标签： python
原文链接：http://www.cnblogs.com/maplethefox/p/11448701.html
版权

matplotlib概述

　　matplotlib是python的一个绘图库。使用它可以很方便的绘制出版质量级别的图形。

matplotlib基本功能

　　(一)基本绘图 （在二维平面坐标系中绘制连续的线）

　　1.设置线型、线宽和颜色

import numpy as np
import matplotlib.pyplot as mp

# xarray: <序列> 水平坐标序列
# yarray: <序列> 垂直坐标序列
mp.plot(xarray, yarray)
#显示图表
mp.show()

　　(1)绘画折线图,水平线/垂直线

import numpy as np
import matplotlib.pyplot as mp

# vertical 绘制垂直线
mp.vlines(vval, ymin, ymax)#列的位置,起点坐标y,终点坐标y
# horizotal 绘制水平线
mp.hlines(xval, xmin, xmax)#行的位置,起点坐标x,终点坐标x
#显示图表
mp.show()

  

#基本绘图

import numpy as np
import matplotlib.pyplot as mp

xarray = np.arange(8)
yarray = np.array([64,89,12,36,49,80,45,34])
#绘制折线图
mp.plot(xarray,yarray)
#绘制水平线
mp.hlines(40,1,7)
# mp.hlines([10,20,30,50],1,7)
mp.hlines([10,20,30,50],[1,2,4,5],[7,5,4,3])#行的位置  起点位置 终点位置
#绘制垂直线
mp.vlines(4,20,80)
mp.show()

　　(2)画一条正弦曲线,余弦曲线

#linestyle: 线型   "-"  "--"  ":"  ".-"
#linewidth: 线宽
    #    数字
#color: <关键字参数> 颜色
    #    英文颜色单词 或 常见颜色英文单词首字母 或 #495434 或 (1,1,1) 或 (1,1,1,1)
#alpha: <关键字参数> 透明度
    #    浮点数值
mp.plot(xarray, yarray, linestyle='', linewidth=1, color='', alpha=0.5)

  

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

mp.plot(x, sinx)
mp.plot(x, cosx)

mp.show()

　　2.设置坐标轴范围

#x_limt_min:    <float> x轴范围最小值
#x_limit_max:    <float> x轴范围最大值
mp.xlim(x_limt_min, x_limit_max)
#y_limt_min:    <float> y轴范围最小值
#y_limit_max:    <float> y轴范围最大值
mp.ylim(y_limt_min, y_limit_max)

 

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

#设置可视区间
mp.xlim(0, np.pi+0.1)
mp.ylim(0, 1+0.1)

mp.plot(x, sinx)
mp.plot(x, cosx)

mp.show()

　　3.设置坐标刻度

#x_val_list:     x轴刻度值序列
#x_text_list:    x轴刻度标签文本序列 [可选]
mp.xticks(x_val_list , x_text_list )
#y_val_list:     y轴刻度值序列
#y_text_list:    y轴刻度标签文本序列 [可选]
mp.yticks(y_val_list , y_text_list )

　　案例：把横坐标的刻度显示为：0, π/2, π, 3π/2, 2π

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

# 设置刻度文本
vals = [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]
texts = [r'$-\pi$', r'$-\frac{\pi}{2}$', 0,
         r'$\frac{\pi}{2}$', r'$\pi$']
mp.xticks(vals, texts)
mp.yticks([-1.0, -0.5, 0.5, 1])

mp.plot(x, sinx)
mp.plot(x, cosx)

mp.show() 

　　4.设置坐标轴

　　坐标轴名：left / right / bottom / top

# 获取当前坐标轴字典，{'left':左轴,'right':右轴,'bottom':下轴,'top':上轴 }
ax = mp.gca()
# 获取其中某个坐标轴
axis = ax.spines['坐标轴名']
# 设置坐标轴的位置。 该方法需要传入2个元素的元组作为参数
# type: <str> 移动坐标轴的参照类型  一般为'data' (以数据的值作为移动参照值)
# val:  参照值
axis.set_position(('data', val))
# 设置坐标轴的颜色
# color: <str> 颜色值字符串
axis.set_color(color)

　　案例：设置坐标轴至中心。

#设置坐标轴
ax = mp.gca()
axis_b = ax.spines['bottom']
axis_b.set_position(('data', 0))
axis_l = ax.spines['left']
axis_l.set_position(('data', 0))
ax.spines['top'].set_color('none')
ax.spines['right'].set_color('none')

 

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

# 设置刻度文本
vals = [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]
texts = [r'$-\pi$', r'$-\frac{\pi}{2}$', 0,
         r'$\frac{\pi}{2}$', r'$\pi$']
mp.xticks(vals, texts)
mp.yticks([-1.0, -0.5, 0.5, 1])

# 设置坐标轴(移动)
axis = mp.gca()
axis.spines['top'].set_color('none')
axis.spines['right'].set_color('none')
axis.spines['left'].set_position(('data', 0))
axis.spines['bottom'].set_position(('data', 0))

mp.plot(x, sinx)
mp.plot(x, cosx)

mp.show()

　　5.图例

　　显示两条曲线的图例，并测试loc属性。

# 再绘制曲线时定义曲线的label
# label: <关键字参数 str> 支持LaTex排版语法字符串
mp.plot(xarray, yarray ... label='', ...)
# 设置图例的位置
# loc: <关键字参数> 制定图例的显示位置 (若不设置loc，则显示默认位置)
#     ===============   =============
#    Location String   Location Code
#    ===============   =============
#    'best'            0
#    'upper right'     1
#    'upper left'      2
#    'lower left'      3
#    'lower right'     4
#    'right'           5
#    'center left'     6
#    'center right'    7
#    'lower center'    8
#    'upper center'    9
#    'center'          10
#    ===============   =============
mp.legend(loc='')

  

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

# 设置刻度文本
vals = [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]
texts = [r'$-\pi$', r'$-\frac{\pi}{2}$', 0,
         r'$\frac{\pi}{2}$', r'$\pi$']
mp.xticks(vals, texts)
mp.yticks([-1.0, -0.5, 0.5, 1])

# 设置坐标轴(移动)
axis = mp.gca()
axis.spines['top'].set_color('none')
axis.spines['right'].set_color('none')
axis.spines['left'].set_position(('data', 0))
axis.spines['bottom'].set_position(('data', 0))

mp.plot(x, sinx, linestyle='--', linewidth=2,
    color='dodgerblue', alpha=0.8,
    label=r'$y=sin(x)$')
mp.plot(x, cosx, linestyle='-.', linewidth=2,
    color='orangered', alpha=0.8,
    label=r'$y=\frac{1}{2}cos(x)$')

mp.show()

　　6.特殊点

# xarray: <序列> 所有需要标注点的水平坐标组成的序列
# yarray: <序列> 所有需要标注点的垂直坐标组成的序列
mp.scatter(xarray, yarray, 
           marker='',         #点型 ~ matplotlib.markers
           s=50,             #大小
           edgecolor='',     #边缘色
           facecolor='',    #填充色
           zorder=3            #绘制图层编号 （编号越大，图层越靠上）

　　案例：绘制当x=π/2时两条曲线上的特殊点。

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

# 设置刻度文本
vals = [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]
texts = [r'$-\pi$', r'$-\frac{\pi}{2}$', 0,
         r'$\frac{\pi}{2}$', r'$\pi$']
mp.xticks(vals, texts)
mp.yticks([-1.0, -0.5, 0.5, 1])

# 设置坐标轴(移动)
axis = mp.gca()
axis.spines['top'].set_color('none')
axis.spines['right'].set_color('none')
axis.spines['left'].set_position(('data', 0))
axis.spines['bottom'].set_position(('data', 0))

mp.plot(x, sinx, linestyle='--', linewidth=2,
    color='dodgerblue', alpha=0.8,
    label=r'$y=sin(x)$')
mp.plot(x, cosx, linestyle='-.', linewidth=2,
    color='orangered', alpha=0.8,
    label=r'$y=\frac{1}{2}cos(x)$')

# 绘制特殊点
xs = [np.pi/2, np.pi/2]
ys = [1, 0]
mp.scatter(xs, ys, marker='o', edgecolor='red',
    facecolor='green', s=100, label='Points',
    zorder=3)

mp.show() 

　　7.备注

# 在图表中为某个点添加备注。包含备注文本，备注箭头等图像的设置。
mp.annotate(
    r'$\frac{\pi}{2}$',            #备注中显示的文本内容
    xycoords='data',            #备注目标点所使用的坐标系（data表示数据坐标系）
    xy=(x, y),                     #备注目标点的坐标
    textcoords='offset points',    #备注文本所使用的坐标系（offset points表示参照点的偏移坐标系）
    xytext=(x, y),                #备注文本的坐标
    fontsize=14,                #备注文本的字体大小
    arrowprops=dict()            #使用字典定义文本指向目标点的箭头样式
)

　　arrowprops参数使用字典定义指向目标点的箭头样式

#arrowprops字典参数的常用key
arrowprops=dict(
    arrowstyle='',        #定义箭头样式
    connectionstyle=''    #定义连接线的样式
)

　　箭头样式（arrowstyle）字符串如下

============   =============================================
Name           Attrs
============   =============================================
  '-'          None
  '->'         head_length=0.4,head_width=0.2
  '-['         widthB=1.0,lengthB=0.2,angleB=None
  '|-|'        widthA=1.0,widthB=1.0
  '-|>'        head_length=0.4,head_width=0.2
  '<-'         head_length=0.4,head_width=0.2
  '<->'        head_length=0.4,head_width=0.2
  '<|-'        head_length=0.4,head_width=0.2
  '<|-|>'      head_length=0.4,head_width=0.2
  'fancy'      head_length=0.4,head_width=0.4,tail_width=0.4
  'simple'     head_length=0.5,head_width=0.5,tail_width=0.2
  'wedge'      tail_width=0.3,shrink_factor=0.5
============   =============================================

　　连接线样式（connectionstyle）字符串如下

============   =============================================
Name           Attrs
============   =============================================
  'angle'         angleA=90,angleB=0,rad=0.0
  'angle3'         angleA=90,angleB=0`   
  'arc'            angleA=0,angleB=0,armA=None,armB=None,rad=0.0
  'arc3'         rad=0.0
  'bar'         armA=0.0,armB=0.0,fraction=0.3,angle=None
============   =============================================

　　案例：为在某条曲线上的点添加备注，指明函数方程与值。

import numpy as np
import matplotlib.pyplot as mp

# 绘制正弦曲线  y=sin(x)
x = np.linspace(-np.pi, np.pi, 1000)
sinx = np.sin(x)
# 绘制余弦曲线  y=cos(x) / 2
cosx = np.cos(x) / 2

#设置可视区间
# mp.xlim(0, np.pi+0.1)
# mp.ylim(0, 1+0.1)

# 设置刻度文本
vals = [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]
texts = [r'$-\pi$', r'$-\frac{\pi}{2}$', 0,
         r'$\frac{\pi}{2}$', r'$\pi$']
mp.xticks(vals, texts)
mp.yticks([-1.0, -0.5, 0.5, 1])
# 移动坐标轴
axis = mp.gca()
axis.spines['top'].set_color('none')
axis.spines['right'].set_color('none')
axis.spines['left'].set_position(('data', 0))
axis.spines['bottom'].set_position(('data', 0))

mp.plot(x, sinx, linestyle='--', linewidth=2,
    color='dodgerblue', alpha=0.8,
    label=r'$y=sin(x)$')
mp.plot(x, cosx, linestyle='-.', linewidth=2,
    color='orangered', alpha=0.8,
    label=r'$y=\frac{1}{2}cos(x)$')

# 绘制特殊点
xs = [np.pi/2, np.pi/2]
ys = [1, 0]
mp.scatter(xs, ys, marker='o', edgecolor='red',
    facecolor='green', s=100, label='Points',
    zorder=3)

# 添加备注信息
mp.annotate(r'$[\frac{\pi}{2},1]$',
            xycoords='data', xy=(np.pi / 2, 1),
            textcoords='offset points', xytext=(30, 30),
            fontsize=14,
            arrowprops=dict(
              arrowstyle='->',
              connectionstyle='angle3'))
mp.annotate(r'$[\frac{\pi}{2},0]$',  # 备注的内容
            xycoords='data',  # 会让你的箭头指向这个点
            xy=(np.pi / 2, 0),  # 备注的坐标点
            textcoords='offset points',  # 你传进去的那个字符串会基于你第一步画出来的那个点的基础上x轴上减30，y轴上减30的位置进行打印。
            xytext=(-60, -60),  # 离原坐标的距离
            fontsize=14,  # 备注字的大小
            arrowprops=dict(
              arrowstyle='->',  # 描绘了箭头的样式
              connectionstyle='angle3'))  # 就是描绘箭头的样式的，例如箭头的一个弧度之类的

mp.legend(loc='best')
mp.show()

　　(二)图形对象(图形窗口)

　　案例：绘制两个窗口，一起显示。

# 手动构建 matplotlib 窗口
mp.figure(
    'A',                #窗口标题栏文本 
    facecolor=''        #图表背景色
)
mp.figure('B')
mp.figure('A')  # 把A创建置为当前窗口
mp.plot(....) # 将会作用在A窗口中
mp.show()

 

import matplotlib.pyplot as mp

# 为figureA添加图形
mp.figure('Figure A', facecolor='gray')
mp.title('Figure A')
# 为figureB添加图形
mp.figure('Figure B', facecolor='lightgray')
mp.title('Figure B')

mp.tight_layout()#紧凑布局
mp.show()

　　mp.figure方法不仅可以构建一个新窗口，如果已经构建过title='xxx'的窗口，又使用figure方法构建了title='xxx' 的窗口的话，mp将不会创建新的窗口，而是把title='xxx'的窗口置为当前操作窗口。　

　　设置当前窗口的参数　

　　案例：测试窗口相关参数

# 设置图表标题 显示在图表上方
mp.title(title, fontsize=12)
# 设置水平轴的文本
mp.xlabel(x_label_str, fontsize=12)
# 设置垂直轴的文本
mp.ylabel(y_label_str, fontsize=12)
# 设置刻度参数   labelsize设置刻度字体大小
mp.tick_params(labelsize=8)
# 设置图表网格线  linestyle设置网格线的样式
    #    -  or solid 粗线
    #   -- or dashed 虚线
    #   -. or dashdot 点虚线
    #   :  or dotted 点线
mp.grid(linestyle='')
# 设置紧凑布局，把图表相关参数都显示在窗口中
mp.tight_layout()

 

import numpy as np
import matplotlib.pyplot as mp

# 为figureA添加图形
mp.figure('Figure A', facecolor='gray')
mp.title('Figure A')
# 为figureB添加图形
mp.figure('Figure B', facecolor='lightgray')
mp.title('Figure B')

# 把FigureA 置为当前窗口
mp.figure('Figure A')
mp.title('Figure A', fontsize=18)
mp.tick_params(labelsize=14)
mp.xlabel('X', fontsize=16)
mp.xlabel('Y', fontsize=16)
mp.grid(linestyle=":")

mp.tight_layout()#紧凑布局
mp.show()

　1.子图　　

import matplotlib.pyplot as mp

mp.figure('Subplot', facecolor='lightgray')
for i in range(1, 10):
  mp.subplot(3, 3, i)
  mp.text(0.5, 0.5, i, ha="center", va='center', size=36, alpha=0.8)
  mp.xticks([])
  mp.yticks([])
mp.tight_layout()
mp.show()

　　网络式布局

# 网格式布局
import matplotlib.gridspec as mg
import matplotlib.pyplot as mp

mp.figure('Grid Layout', facecolor='lightgray')
mp.title('Grid Layout')
gs = mg.GridSpec(3, 3)

# 1
mp.subplot(gs[0, :2])
mp.text(0.5, 0.5, 1, size=36, alpha=0.7,
        ha='center', va='center')
mp.xticks([])
mp.yticks([])

# 2
mp.subplot(gs[0:2, -1])
mp.text(0.5, 0.5, 2, size=36, alpha=0.7,
        ha='center', va='center')
mp.xticks([])
mp.yticks([])

# 3
mp.subplot(gs[1:3, 0])
mp.text(0.5, 0.5, 3, size=36, alpha=0.7,
        ha='center', va='center')
mp.xticks([])
mp.yticks([])

# 4
mp.subplot(gs[1, 1])
mp.text(0.5, 0.5, 4, size=36, alpha=0.7,
        ha='center', va='center')
mp.xticks([])
mp.yticks([])

# 5
mp.subplot(gs[2, 1:3])
mp.text(0.5, 0.5, 5, size=36, alpha=0.7,
        ha='center', va='center')
mp.xticks([])
mp.yticks([])
mp.tight_layout()
mp.show()

　　自由式布局

#自由布局
import matplotlib.pyplot as mp

mp.figure('Free Style',facecolor='lightgray')
mp.axes([0.1,0.1,0.2,0.5])#x左底部,y左底部,宽度,高度
mp.text(0.5, 0.5, 1, ha='center', va='center', size=36)
mp.xticks([])
mp.yticks([])
mp.axes([0.4,0.1,0.5,0.2])
mp.text(0.5, 0.5, 2, ha='center', va='center', size=36)
mp.xticks([])
mp.yticks([])
mp.axes([0.1,0.7,0.5,0.2])
mp.text(0.5, 0.5, 3, ha='center', va='center', size=36)
mp.xticks([])
mp.yticks([])
mp.axes([0.7,0.4,0.2,0.5])
mp.text(0.5, 0.5, 4, ha='center', va='center', size=36)
mp.xticks([])
mp.yticks([])
mp.axes([0.4,0.4,0.2,0.2])
mp.xticks([])
mp.yticks([])
mp.text(0.5, 0.5, 5, ha='center', va='center', size=36)

mp.show()

　　2.刻度定位器

# 获取当前坐标轴
ax = mp.gca()
# 设置水平坐标轴的主刻度定位器
ax.xaxis.set_major_locator(mp.NullLocator())
# 设置水平坐标轴的次刻度定位器为多点定位器，间隔0.1
ax.xaxis.set_minor_locator(mp.MultipleLocator(0.1))

　　案例：绘制一个数轴。

import matplotlib.pyplot as mp

# 刻度定位器
mp.figure('Locator', facecolor='lightgray')
axis = mp.gca()
axis.spines['top'].set_color('none')
axis.spines['right'].set_color('none')
axis.spines['left'].set_color('none')
mp.xlim(0, 10)
mp.ylim(-1, 1)
mp.yticks([])

axis.spines['bottom'].set_position(('data', 0))
maj_loc = mp.MultipleLocator(1)  # 每隔1一个刻度
axis.xaxis.set_major_locator(maj_loc)
min_loc = mp.MultipleLocator(0.1)  # 每隔0.1一个刻度
axis.xaxis.set_minor_locator(min_loc)
mp.tight_layout()
mp.show()

　

　　案例：使用for循环测试刻度器样式

import matplotlib.pyplot as mp

locators = ['mp.NullLocator()',
            'mp.MaxNLocator(nbins=4)',
            'mp.AutoLocator()',
            'mp.FixedLocator([2.5,5,7.5,10])']

# 刻度定位器
mp.figure('Locator', facecolor='lightgray')
for i, locator in enumerate(locators):
  mp.subplot(len(locators), 1, i+1)     # rows:行数 cols:列数 num:编号
  axis = mp.gca()
  axis.spines['top'].set_color('none')
  axis.spines['right'].set_color('none')
  axis.spines['left'].set_color('none')
  mp.xlim(0, 10)
  mp.ylim(-1, 1)
  mp.yticks([])
  #
  axis.spines['bottom'].set_position(('data', 0))
  maj_loc = eval(locator)  # mp.MultipleLocator(1)  # 每隔1一个刻度
  axis.xaxis.set_major_locator(maj_loc)
  min_loc = mp.MultipleLocator(0.1)  # 每隔0.1一个刻度
  axis.xaxis.set_minor_locator(min_loc)
mp.tight_layout()
mp.show() 

　　常用刻度器如下

# 空定位器：不绘制刻度
mp.NullLocator()
# 最大值定位器：
# 最多绘制nbins+1个刻度
mp.MaxNLocator(nbins=3)
# 定点定位器：根据locs参数中的位置绘制刻度
mp.FixedLocator(locs=[0, 2.5, 5, 7.5, 10])
# 自动定位器：由系统自动选择刻度的绘制位置
mp.AutoLocator()
# 索引定位器：由offset确定起始刻度，由base确定相邻刻度的间隔
mp.IndexLocator(offset=0.5, base=1.5)
# 多点定位器：从0开始，按照参数指定的间隔(缺省1)绘制刻度
mp.MultipleLocator()
# 线性定位器：等分numticks-1份，绘制numticks个刻度
mp.LinearLocator(numticks=21)
# 对数定位器：以base为底，绘制刻度
mp.LogLocator(base=2)

　　3.刻度网格线

ax = mp.gca()
#绘制刻度网格线
ax.grid(
    which='',        # 'major'/'minor' <-> '主刻度'/'次刻度' 
    axis='',        # 'x'/'y'/'both' <-> 绘制x或y轴
    linewidth=1,     # 线宽
    linestyle='',     # 线型
    color='',        # 颜色
    alpha=0.5        # 透明度
)

　　案例：绘制曲线 [1, 10, 100, 1000, 100, 10, 1]，然后设置刻度网格线，测试刻度网格线的参数。

import matplotlib.pyplot as mp

y = [1, 10, 100, 2000, 100, 10, 1]
mp.figure('GridLine', facecolor='lightgray')
mp.title('GridLine')
ax = mp.gca()
ma_loc = mp.MultipleLocator(1)
ax.xaxis.set_major_locator(ma_loc)
mi_loc = mp.MultipleLocator(0.1)
ax.xaxis.set_minor_locator(mi_loc)

ma_loc = mp.MultipleLocator(250)
ax.yaxis.set_major_locator(ma_loc)
mi_loc = mp.MultipleLocator(50)
ax.yaxis.set_minor_locator(mi_loc)

# 绘制刻度网格线
ax.grid(which='major', axis='both',
        linewidth=0.75, color='orange',
        alpha=0.8)
ax.grid(which='minor', axis='both',
        linewidth=0.25, color='orange',
        alpha=0.8)
mp.plot(y, 'o-', color='dodgerblue')

mp.show()

 　　4.半对数坐标

mp.figure('Grid', facecolor='lightgray')
y = [1, 10, 100, 1000, 100, 10, 1]
mp.semilogy(y)
mp.show()
import matplotlib.pyplot as mp


y = [1, 10, 100, 2000, 100, 10, 1]
mp.figure('GridLine', facecolor='lightgray')
mp.title('GridLine')
mp.subplot(211)
ax = mp.gca()
ma_loc = mp.MultipleLocator(1)
ax.xaxis.set_major_locator(ma_loc)
mi_loc = mp.MultipleLocator(0.1)
ax.xaxis.set_minor_locator(mi_loc)

ma_loc = mp.MultipleLocator(250)
ax.yaxis.set_major_locator(ma_loc)
mi_loc = mp.MultipleLocator(50)
ax.yaxis.set_minor_locator(mi_loc)

# 绘制刻度网格线
ax.grid(which='major', axis='both',
        linewidth=0.75, color='orange',
        alpha=0.8)
ax.grid(which='minor', axis='both',
        linewidth=0.25, color='orange',
        alpha=0.8)
mp.plot(y, 'o-', color='dodgerblue')


mp.subplot(212)
# 定义刻度定位器
ax = mp.gca()
ma_loc = mp.MultipleLocator(1)
ax.xaxis.set_major_locator(ma_loc)
mi_loc = mp.MultipleLocator(0.1)
ax.xaxis.set_minor_locator(mi_loc)

ma_loc = mp.MultipleLocator(250)
ax.yaxis.set_major_locator(ma_loc)
mi_loc = mp.MultipleLocator(50)
ax.yaxis.set_minor_locator(mi_loc)

# 绘制刻度网格线
ax.grid(which='major', axis='both',
        linewidth=0.75, color='orange',
        alpha=0.8)
ax.grid(which='minor', axis='both',
        linewidth=0.25, color='orange',
        alpha=0.8)

mp.semilogy(y, 'o-', color='dodgerblue')
mp.show()
semilogy

 

　　5.散点图

mp.scatter(
    x,                     # x轴坐标数组
    y,                    # y轴坐标数组
    marker='',             # 点型
    s=10,                # 大小
    color='',            # 颜色
    edgecolor='',         # 边缘颜色
    facecolor='',        # 填充色
    zorder=''            # 图层序号
)

　　numpy.random提供了normal函数用于产生符合 正态分布 的随机数

n = 100
# 172:    期望值
# 10:    标准差
# n:    数字生成数量
x = np.random.normal(172, 20, n)
y = np.random.normal(60, 10, n)

　　案例：绘制平面散点图。

mp.figure('scatter', facecolor='lightgray')
mp.title('scatter')
mp.scatter(x, y)
mp.show()

　　设置点的颜色

mp.scatter(x, y, c='red')            #直接设置颜色
d = (x-172)**2 + (y-60)**2
mp.scatter(x, y, c=d, cmap='jet')    #以c作为参数，取cmap颜色映射表中的颜色值

　　cmap颜色映射表参照附件：cmap颜色映射表

import matplotlib.pyplot as mp
import numpy as np
#生成一组服从正态分布的随机数
n=300

x=np.random.normal(173,4.5,n)#身高
y=np.random.normal(60,10,n)#体重
d=(x-173)**2+(y-60)**2
mp.figure('Scatter',facecolor='lightgray')
mp.title('Persons',fontsize=16)
mp.xlabel('Height',fontsize=14)
mp.ylabel('Weight',fontsize=14)
mp.scatter(x,y,c=d,cmap='jet_r',label='Persons',s=60)
mp.legend()
mp.show()

　　6.填充

　　以某种颜色自动填充两条曲线的闭合区域。

mp.fill_between(
    x,                # x轴的水平坐标
    sin_x,            # 下边界曲线上点的垂直坐标
    cos_x,            # 上边界曲线上点的垂直坐标
    sin_x<cos_x,     # 填充条件，为True时填充
    color='',         # 填充颜色
    alpha=0.2        # 透明度
)

 案例：绘制两条曲线： sin_x = sin(x) cos_x = cos(x / 2) / 2 [0-8π] 

#填充
import numpy as np
import matplotlib.pyplot as mp

x=np.linspace(0,8*np.pi,1000)
sinx=np.sin(x)
cosx=np.cos(x)

mp.figure('Fill',facecolor='lightgray')
mp.title('Fill',fontsize=16)
mp.grid(linestyle=':')
mp.plot(x,sinx,color='blue',label='sinx')
mp.plot(x,cosx,color='red',label='cosx')
#填充
mp.fill_between(x,sinx,cosx,sinx<cosx,
                color='dodgerblue',alpha=0.2)
mp.fill_between(x,sinx,cosx,sinx>cosx,
                color='red',alpha=0.2)

mp.legend()
mp.show()

　　7.条形图

mp.figure('Bar', facecolor='lightgray')
mp.bar(
    x,                # 水平坐标数组
    y,                # 柱状图高度数组
    width,            # 柱子的宽度
    bottom,           # 柱子的底部基准位置
    color='',         # 填充颜色
    label='',         #
    alpha=0.2         #
)

柱状图与折线图的区别:柱状图可以进行排序,折线图则不能排序

折线图的优势:体现的量比较大 比柱状图多

案例：先以柱状图绘制苹果12个月的销量，然后再绘制橘子的销量。

# 柱状图
import numpy as np
import matplotlib.pyplot as mp

apples = np.array([30, 25, 22, 36, 21, 29, 20, 24, 33, 19, 27, 15])
oranges = np.array([24, 33, 19, 27, 35, 20, 15, 27, 20, 32, 20, 22])

mp.figure('Bar', facecolor='lightgray')
mp.title('Bar', fontsize=16)
mp.xlabel('Mouth', fontsize=14)
mp.ylabel('Valume', fontsize=14)
mp.grid(linestyle=':', axis='x')
x = np.arange(apples.size)
mp.bar(x-0.2, apples, 0.4, color='dodgerblue',
       label='Apple',align='center')

x = np.arange(oranges.size)
mp.bar(x+0.2,oranges, 0.4, color='red',
       label='Orange',align='center')

mp.xticks(x, [
    'Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun',
    'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'])
mp.legend()
mp.show()

 

　　柱状图排序

# 柱状图排序
import numpy as np
import matplotlib.pyplot as mp

apples = np.array([30, 25, 22, 36, 21, 29, 20, 24, 33, 19, 27, 15])

mp.figure('Bar', facecolor='lightgray')
mp.title('Bar', fontsize=16)
mp.xlabel('Mouth', fontsize=14)
mp.ylabel('Valume', fontsize=14)
mp.grid(linestyle=':', axis='x')
x = np.arange(apples.size)
x1 = x[np.argsort(apples)]
y = apples[np.argsort(apples)]

mp.xticks(np.arange(len(x)), x1, fontsize =18)
mp.bar(np.arange(len(x)),y)

mp.legend()
mp.show()

　

　　8.饼图

mp.pie(
    values,         # 值列表        
    spaces,         # 扇形之间的间距列表
    labels,         # 标签列表
    colors,         # 颜色列表
    '%d%%',         # 标签所占比例格式
    shadow=True,    # 是否显示阴影
    startangle=90   # 逆时针绘制饼状图时的起始角度
    radius=1        # 半径
)

 　　案例：绘制饼状图显示5门语言的流行程度：

# 饼状图
import matplotlib.pyplot as mp
#整理数据
values = [26, 15, 20, 5, 18]
spaces = [0.01,0.01,0.05,0.01,0.01]
labels = ['Java', 'Javascript', 'Python', 'PHP', 'C++']
colors = ['dodgerblue','orangered','limegreen','violet','gold']
#饼状图
mp.figure('Pie',facecolor='lightgray')
mp.title('Pie',fontsize=16)
#等轴比例
mp.axis('equal')
mp.pie(
    values,         # 值列表
    spaces,         # 扇形之间的间距列表
    labels,         # 标签列表
    colors,         # 颜色列表
    '%.2f%%',       # 标签所占比例格式
    shadow=True,    # 是否显示阴影
    startangle=90,  # 逆时针绘制饼状图时的起始角度
    radius=1        # 半径
)
mp.legend()
mp.show()

　　9.等高线图

组成等高线需要网格点坐标矩阵，也需要每个点的高度。所以等高线属于3D数学模型范畴。

cntr = mp.contour(
    x,                     # 网格坐标矩阵的x坐标 （2维数组）
    y,                     # 网格坐标矩阵的y坐标 （2维数组）
    z,                     # 网格坐标矩阵的z坐标 （2维数组）
    8,                     # 把等高线绘制成8部分
    colors='black',        # 等高线的颜色
    linewidths=0.5         # 线宽
)
#为等高线添加标签
mp.clabel(cntr, inline_spacing=1, fmt='%.1f',
          fontsize=10)
mp.contourf(x, y, z, 8, cmap='jet')

案例：生成网格坐标矩阵，并且绘制等高线：

#等高线图
import matplotlib.pyplot as mp
import numpy as np
n = 500
#生成二维数组
x,y = np.meshgrid(np.linspace(-3,3,n),
            np.linspace(-3,3,n))
# print(x,y)
z = (1-x/2+x**5+y**3)*np.exp(1-x**2-y**2)
# print(z)
#生成等高线矩阵
mp.figure('Contour',facecolor='lightgray')
mp.title('Contour',fontsize=16)
cntr = mp.contour(x,y,z,colors='black',
           linewidths=0.75)
mp.clabel(cntr,fmt='%.2f',inline_spacing=1,fontsize=8)
#填充等高线
mp.contourf(x,y,z,8,cmap='jet')
mp.show()

　　10.热成像图

用图形的方式显示矩阵及矩阵中值的大小

1 2 3

4 5 6

7 8 9

# 把矩阵z图形化，使用cmap表示矩阵中每个元素值的大小
# origin: 坐标轴方向
#    upper: 缺省值，原点在左上角
#    lower: 原点在左下角
mp.imshow(z, cmap='jet', origin='lower')

使用颜色条显示热度值：

mp.colorbar() 

#热成像图
import matplotlib.pyplot as mp
import numpy as np
n = 500
#生成二维数组
x,y = np.meshgrid(np.linspace(-3,3,n),
            np.linspace(-3,3,n))
# print(x,y)
z = (1-x/2+x**5+y**3)*np.exp(1-x**2-y**2)
# print(z)
#绘制热成像图
mp.figure('Imshow',facecolor='lightgray')
mp.title('Imshow',fontsize=16)
mp.imshow(z,cmap='jet',origin='lower')
mp.colorbar()#颜色条
mp.show()

 

　　11.极坐标系

与笛卡尔坐标系不同，某些情况下极坐标系适合显示与角度有关的图像。例如雷达等。极坐标系可以描述极径ρ与极角θ的线性关系。

mp.figure("Polar", facecolor='lightgray')
mp.gca(projection='polar')
mp.title('Porlar', fontsize=20)
mp.xlabel(r'$\theta$', fontsize=14)
mp.ylabel(r'$\rho$', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
mp.show()

在极坐标系中绘制曲线：

#准备数据
t = np.linspace(0, 4*np.pi, 1000)
r = 0.8 * t
mp.plot(t, r)
mp.show()

 

#极坐标系
import  numpy as np
import matplotlib.pyplot as mp

t = np.linspace(0,4*np.pi,1000)
r = 0.8*t
mp.figure('Polar',facecolor='lightgray')
mp.gca(projection='polar')
mp.title('Polar',fontsize=16)
mp.xlabel(r'$\theta$')
mp.ylabel(r'$\rho$')
mp.grid(linestyle=":")
mp.plot(t,r)
mp.show()

 

#极坐标系
import  numpy as np
import matplotlib.pyplot as mp

t = np.linspace(0,4*np.pi,1000)
r = 0.8*t
mp.figure('Polar',facecolor='lightgray')
mp.gca(projection='polar')
mp.title('Polar',fontsize=16)

x=np.linspace(0,6*np.pi,1000)
y= 3 * np.sin(6*x)
mp.plot(x,y)
mp.show()

　　12.3D散点图

matplotlib支持绘制三维曲面。若希望绘制三维曲面，需要使用axes3d提供的3d坐标系。

from mpl_toolkits.mplot3d import axes3d
ax3d = mp.gca(projection='3d')   # class axes3d

 matplotlib支持绘制三维点阵、三维曲面、三维线框图：

ax3d.scatter(..)        # 绘制三维点阵
ax3d.plot_surface(..)    # 绘制三维曲面
ax3d.plot_wireframe(..)    # 绘制三维线框图

 

 

ax3d.scatter(
    x,                 # x轴坐标数组
    y,                # y轴坐标数组
    z,              # z轴坐标数组
    marker='',         # 点型
    s=10,            # 大小
    zorder='',        # 图层序号
    color='',        # 颜色
    edgecolor='',     # 边缘颜色
    facecolor='',    # 填充色
    c=v,            # 颜色值 根据cmap映射应用相应颜色
    cmap=''            # 
)

案例：随机生成3组坐标，程标准正态分布规则，并且绘制它们。

#三维散点图

import  numpy as np
import matplotlib.pyplot as mp
from mpl_toolkits.mplot3d import axes3d

n=300
x = np.random.normal(0,1,n)
y = np.random.normal(0,1,n)
z = np.random.normal(0,1,n)

mp.figure('3D Points',facecolor='lightgray')
ax3d = mp.gca(projection='3d')
ax3d.set_xlabel('x')
ax3d.set_ylabel('y')
ax3d.set_zlabel('z')
d=x**2+y**2+z**2
ax3d.scatter(x,y,z,s=70,alpha=0.7,c=d,cmap='jet')
mp.tight_layout()#紧凑布局
mp.show()

　　3D曲面图

ax3d.plot_surface(
    x,                     # 网格坐标矩阵的x坐标 （2维数组）
    y,                     # 网格坐标矩阵的y坐标 （2维数组）
    z,                     # 网格坐标矩阵的z坐标 （2维数组）
    rstride=30,            # 行跨距
    cstride=30,         # 列跨距
    cmap='jet'            # 颜色映射
)

　　案例：绘制3d平面图

#3D曲面图
import matplotlib.pyplot as mp
import numpy as np
from mpl_toolkits.mplot3d import axes3d
n = 500
#生成三维数组
x,y = np.meshgrid(np.linspace(-3,3,n),
            np.linspace(-3,3,n))
# print(x,y)
z = (1-x/2+x**5+y**3)*np.exp(1-x**2-y**2)
# print(z)
#绘制3D曲面图
mp.figure('3D Surface',facecolor='lightgray')
ax3d = mp.gca(projection='3d')
ax3d.plot_surface(x,y,z,cstride=30,rstride=30,cmap='jet')
mp.tight_layout()
mp.show() 

 

　　3D线框图的绘制

# 绘制3D线框图 
# rstride: 行跨距
# cstride: 列跨距 
ax3d.plot_wireframe(x,y,z,rstride=30,cstride=30, 
    linewidth=1, color='dodgerblue')

 

#3D线框图
import matplotlib.pyplot as mp
import numpy as np
from mpl_toolkits.mplot3d import axes3d
n = 500
#生成二维数组
x,y = np.meshgrid(np.linspace(-3,3,n),
            np.linspace(-3,3,n))
# print(x,y)
z = (1-x/2+x**5+y**3)*np.exp(1-x**2-y**2)
# print(z)
#绘制3D线框图
mp.figure('3D WireFrame',facecolor='lightgray')
ax3d = mp.gca(projection='3d')
ax3d.plot_wireframe(x,y,z,cstride=20,rstride=20,linewidth=0.5,color='orangered')
mp.tight_layout()
mp.show()

 

　　13.简单动画

动画即是在一段时间内快速连续的重新绘制图像的过程。

matplotlib提供了方法用于处理简单动画的绘制。定义update函数用于即时更新图像。

import matplotlib.animation as ma
#定义更新函数行为
def update(number):
    pass
# 每隔10毫秒执行一次update更新函数，作用于mp.gcf()当前窗口对象
# mp.gcf()：    获取当前窗口
# update：    更新函数
# interval：    间隔时间（单位：毫秒）
anim = ma.FuncAnimation(mp.gcf(), update, interval=10)
mp.show()

 

 案例：随机生成各种颜色的100个气泡。让他们不断的增大。

import numpy as np
import matplotlib.pyplot as mp
import matplotlib.animation as ma

# 自定义一种可以存放在ndarray里的类型，用于保存一个球
ball_type = np.dtype([
  ('position', float, 2),  # 位置(水平和垂直坐标)
  ('size', float, 1),  # 大小
  ('growth', float, 1),  # 生长速度
  ('color', float, 4)])  # 颜色(红、绿、蓝和透明度)

# 随机生成100个点对象
n = 100
balls = np.zeros(100, dtype=ball_type)
balls['position'] = np.random.uniform(0, 1, (n, 2))
balls['size'] = np.random.uniform(40, 70, n)
balls['growth'] = np.random.uniform(10, 20, n)
balls['color'] = np.random.uniform(0, 1, (n, 4))

mp.figure("Animation", facecolor='lightgray')
mp.title("Animation", fontsize=14)
mp.xticks
mp.yticks(())

sc = mp.scatter(
  balls['position'][:, 0],
  balls['position'][:, 1],
  balls['size'],
  color=balls['color'], alpha=0.5)


# 定义更新函数行为
def update(number):
  balls['size'] += balls['growth']
  # 每次让一个气泡破裂，随机生成一个新的
  boom_ind = number % n
  balls[boom_ind]['size'] = np.random.uniform(40, 70, 1)
  balls[boom_ind]['position'] = np.random.uniform(0, 1, (1, 2))
  # 重新设置属性
  sc.set_sizes(balls['size'])
  sc.set_offsets(balls['position'])


# 每隔30毫秒执行一次update更新函数，作用于mp.gcf()当前窗口对象
# mp.gcf()：    获取当前窗口
# update：        更新函数
# interval：    间隔时间（单位：毫秒）
anim = ma.FuncAnimation(mp.gcf(), update, interval=30)
mp.show()

 

 

 案例：绘制信号曲线：y=sin(2 * π * t) * exp(sin(0.2 * π * t))，数据通过生成器函数生成，在update函数中绘制曲线。

 

import matplotlib.pyplot as mp
import matplotlib.animation as ma
import numpy as np
mp.figure("Signal", facecolor='lightgray')
mp.title("Signal", fontsize=14)
mp.xlim(0, 10)
mp.ylim(-3, 3)
mp.grid(linestyle='--', color='lightgray', alpha=0.5)
pl = mp.plot([], [], color='dodgerblue', label='Signal')[0]

x = 0


def update(data):
  t, v = data
  x, y = pl.get_data()
  x = np.append(x, t)
  y = np.append(y, v)
  # 重新设置数据源
  pl.set_data(x, y)
  # 移动坐标轴
  if (x[-1] > 10):
    mp.xlim(x[-1] - 10, x[-1])


def y_generator():
  global x
  y = np.sin(2 * np.pi * x) * np.exp(np.sin(0.2 * np.pi * x))
  yield (x, y)
  x += 0.05


anim = ma.FuncAnimation(mp.gcf(), update, y_generator, interval=20)
mp.tight_layout()
mp.show()

 

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/maplethefox/p/11448701.html

weixin_30907523
关注
java实现各种数据统计图（柱形图，饼图，折线图）
as6669213的专栏
12-24 5338
最近在做数据挖掘的课程设计，需要将数据分析的结果很直观的展现给用户，这就要用到数据统计图，要实现这个功能就需要几个第三方包了： 1.       jfreechart-1.0.13.jar 2.       jcommon-1.0.16.jar 3.       gnujaxp.jar   先来看一下，最终效果图：   主要是jfreechart-1.0.13.jar，但这三个包
数据分析—03数据分析绘图库
小黑的博客
05-15 436
文章目录一、数据分析绘图库matplotlib1、简单介绍2、绘图基础知识3、常用图形4、绘图步骤5、单图绘制和多图绘制6、绘制散点图和折线图7、绘制柱状图二、数据分析绘图库seaborn三、K近邻算法分类可视化分析 一、数据分析绘图库matplotlib 1、简单介绍 matplotlib是python比较底层的可视化库，可定制性强、图表资源丰富、简单易用、达到出版质量级别。 2、绘图基础知识...
数据分析--画图
suojie的博客
02-22 604
import matplotlib.pyplot as plt import pandas as pd import seaborn as sns plt.rcParams['axes.unicode_minus'] = False df=pd.read_csv('Pokemon.csv',encoding='utf-8') df_index=df.columns.str.lower()#获取表...
数据分析绘图工具
GLOBE TREKKER
10-10 461
python 的 matplotlib 主要用来绘图 , 这里记录一下直接可以用网页绘图的网址 https://www.echartsjs.com/zh/index.html主要利用js渲染的效果比较好 在这里只需要准备好数据 , 然后选择合适的分析工具 https://www.echartsjs.com/examples/zh/index.html ...
一篇文章让你学会绘画十一种常见数据分析图（折线图，直方图，散点图，雷达图等等）
weixin_52797843的博客
06-05 6818
想通过python绘画数据分析图的伙伴可以通过这篇博文学习~ 有问题可以+Q180096010一起交流学习~ 1. 折线图 折线图（Line Chart）是一种将数据点按照顺序连接起来的图形，也可以看作是将散点图按照X轴坐标顺序链接起来的图形。折线图的主要功能是查看因变量y随着自变量x改变的趋势，最适合用于显示随时间（根据常用比例设置）而改变的连续数据。同时，还可以看出数量的差异 绘制折线图plot的格式： matplotlib.pyplot.plot(*args,**kwargs....
lounan.zip_数据分析绘图
09-24
标题“lounan.zip_数据分析绘图”暗示了这是一个与数据处理和可视化相关的资源包，其中包含一个名为“lounan.m”的Matlab文件。在这个文件中，开发者可能使用了独立成分分析（ICA）算法来处理和理解复杂数据集。独立...
数据分析绘图工具Origin.ppt
07-14
数据分析绘图工具 Origin 数据分析绘图工具 Origin 是一款功能强大且通用的数据分析和绘图软件，由 OriginLab 公司开发。最新版本为 V7.5 Pro，位于基础级和专业级之间，广泛应用于科学和工程研究领域，是国际科技...
《R语言数据分析与挖掘》教学课件—06绘图与数据可视化.pdf
06-23
《R语言数据分析与挖掘》教学课件—06绘图与数据可视化.pdf《R语言数据分析与挖掘》教学课件—06绘图与数据可视化.pdf《R语言数据分析与挖掘》教学课件—06绘图与数据可视化.pdf《R语言数据分析与挖掘》教学课件—06...
Python数据分析案例 对京东商城口红的分析与绘图
01-20
接着上一篇文章,这里对爬取到的数据进行简单的数据分析 开发环境:jupyter 导入依赖的包 %matplotlib inline # 数据处理 import pandas as pd import numpy as np # 绘图 import matplotlib.pyplot as plt # 分词 ...
通过kaggle竞赛内容，进行数据分析和数据绘图，掌握数据分析技巧
05-02
在数据分析领域，Kaggle竞赛是提升技能和学习新方法的重要平台。通过对这些竞赛的数据集进行分析和绘图，我们可以深入了解各种数据处理技术、建模方法以及可视化工具。以下是一些核心的知识点，将帮助你逐步掌握数据...
使用Java的Graphics类进行绘图的方法详解
09-03
主要介绍了使用Java的Graphics类进行绘图的方法,是Java的GUI编程的基础,需要的朋友可以参考下
pandas数据分析之数据绘图
白帽阿叁的博客
08-30 2913
一图胜千言，将信息可视化（绘图）是数据分析中最重要的工作之一。它除了让人们对数据更加直观以外，还可以帮助我们找出异常值、必要的数据转换、得出有关模型的想法等等。pandas 在数据分析、数据可视化方面有着较为广泛的应用。本文将通过实例介绍pandas的数据绘图。pandas的数据可视化依赖于matplotlib模块的pyplot类，matplotlib在安装Pandas会自动安装。Matplotlib可以对图形做细节控制，绘制出出版质量级别的图形，通过Matplotlib，可以简单地绘制出常用的统计图形。
python数据分析——数据可视化（图形绘制）
最新发布
qq_74013365的博客
05-27 1万+
数据可视化是指利用图形、表格、图表等方式将数据展示出来，使得数据更加清晰、易于理解和分析。图形绘制是数据可视化的基础，通过绘制各种图形呈现数据，可以更加直观地了解数据之间的关系和趋势。如果画图过程中出现问题针对中文不显示在当今数字化时代，数据分析已成为各行各业中不可或缺的一环。Python，作为数据分析领域的明星语言，凭借其强大的数据处理能力和丰富的库资源，正逐渐受到越来越多数据分析师的青睐。而在数据分析的过程中，数据可视化作为直观展示数据特征和规律的重要手段，更是不可或缺。
绘图与可视化（数据分析）
qq_42433311的博客
03-22 1101
第9章 绘图与可视化 9.1 简明matplotlib API入门 导包： import matplotlib.pyplot as plt 9.1.1 图片与子图 matplotlib所绘制的图位于图片（Figure）对象中。 可以使用plt.figure生成一个新的图片： 不能使用空白的图片进行绘图。需要使用add_subplot创建一个或多个子图（subplot）： ax1 = fig.add_subplot(2,2,1) 上面代码的意思是图片应该是2×2的（最多四个图形）
使用Java来进行数据分析，画图
热门推荐
qq_41682780的博客
06-03 1万+
在平时涉及到数据分析以及画图一般都是用MATLAB或者Python，在这两个之中都有封装好的库，可以直接使用造好的轮子。而在Java中自带jar包并没有相关功能，需要导入外部包 jfreechart-1.0.13.jar jcommon-1.0.16.jar gnujaxp.jar 运行结果如下图 柱形图1代码段 package com.njue.testJFreeChart; impor...
数据分析，简单绘图
weixin_30376083的博客
06-15 106
import matplotlib.pylab as pb #matplotlib模块下pylab可以绘制相应的散点图，折线图，直线图，子图 #而subplot是绘制简单的子图，他是根据你提供相应的数据所显示数据的区间 pb.subplot(2,2,2)x=[1,3,5,7,9]y=[2,4,6,8,10]pb.plot(x,y)pb.subplot(2,1,2)x1=[1,5,7...
Python 可视化数据图表绘制 这篇就够了
制定持续可量化的目标，不断坚持。
02-07 3035
data1 = np.random.normal(100, 20, 200) # 第一组数据，均值为100，标准差为20，共200个数据点。data2 = np.random.normal(90, 30, 150) # 第二组数据，均值为90，标准差为30，共150个数据点。我们在绘制折线图的时候除了使用plot函数常用的label，color，marker，linestyle，marker以外还有。大家可以先看我之前写的关于Python可视化数据图表的入门的文章，这方便我们理解接下来的内容。
java数据分析柱状图
yu265096的专栏
09-15 509
首先要引入两个jar文件jcommon-1.0.23.jar 然后还有jfreechart-1.0.19.jar import java.awt.Font; import javax.swing.JFrame; import org.jfree.chart.ChartFactory; import org.jfree.chart.Ch
java 数据 绘图_java 绘图简介
weixin_36365168的博客
02-16 440
要想在JFrame中绘图，必须构造一个组件对象并把它加到框架中，swing中JComponent类表示空组件。public abstract class JComponentextends Container该类是除顶层容器外所有 Swing 组件的基类。要使用继承自JComponent的组件，必须将该组件置于一个根为顶层 Swing 容器的包含层次结构(containment hierarchy...
matplotlib教程：解决数据分析绘图常见问题
在本篇关于"matplotlib常见问题总结"的文章中，作者针对Python数据分析课程，详细探讨了matplotlib这一强大的数据可视化库。matplotlib是Python中最常用的底层绘图库，其核心功能是将数据转化为直观的图表，以支持...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值