『Matplotlib』数据可视化专项

一、相关知识

官网介绍

matplotlib API

相关博客

matplotlib绘图基础

漂亮插图demo

使用seaborn绘制漂亮的热度图

基础知识

首先一幅Matplotlib的图像组成部分介绍。

在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域。所属关系如下：

下面以一个直线图来详解图像内部各个组件内容:

其中：title为图像标题，Axis为坐标轴, Label为坐标轴标注，Tick为刻度线，Tick Label为刻度注释。各个对象关系可以梳理成以下内容：

图像中所有对象均来自于Artist的基类。

上面基本介绍清楚了图像中各个部分的基本关系，下面着重讲一下几个部分的详细的设置。

一个"Figure"意味着用户交互的整个窗口。在这个figure中容纳着"subplots"。

当我们调用plot时，matplotlib会调用gca()获取当前的axes绘图区域，而且gca反过来调用gcf()来获得当前的figure。如果figure为空，它会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)。

Figures

Subplots

plt.subplot(221) # 第一行的左图
plt.subplot(222) # 第一行的右图
plt.subplot(212) # 第二整行 plt.show()

注意：其中各个参数也可以用逗号,分隔开。第一个参数代表子图的行数；第二个参数代表该行图像的列数； 第三个参数代表每行的第几个图像。

另外：fig, ax = plt.subplots(2,2),其中参数分别代表子图的行数和列数，一共有 2x2 个图像。函数返回一个figure图像和一个子图ax的array列表。

补充：gridspec命令可以对子图区域划分提供更灵活的配置。

中文显示方框问题

这是由于matplotlib文件夹内没有中文字体包导致的，实际上函数包本身是支持中文的，常见解决方案是拷贝字体文件到matplotlib中，不过我感觉太麻烦，找到了另外的方式，

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong']    # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False        # 解决保存图像是负号'-'显示为方块的问题　　

加上这三行代码指定一下字体就行了（实际上最后一行可以不加）

anaconda字体路径在：/anaconda2/lib/python2.7/site-packages/matplotlib/mpl-data/font/ttf

二、常用绘制流程

1.axes列表中包含各个子图句柄

# 3x3子图
fig, axes = plt.subplots(3, 3)
# 子图间距设定
fig.subplots_adjust(hspace=0.3, wspace=0.3)
# 在分别绘制各个子图
for i, ax in enumerate(axes.flat):
    pass

2.每个子图句柄需要单独生成

# 画布
fig = plt.figure()
# 添加子图
ax = fig.add_subplot(211)
pass
# 添加子图
ax2 = fig.add_subplot(212)
pass

3.使用plt包命名空间代指多个子图句柄

【注】这种方法的句柄含在plt中，与上面的ax的方法属性并不相同，下面会详解

# 添加子图
plt.subplot(311)
pass
# 添加子图
plt.subplot(312)
pass
# 添加子图
plt.subplot(313)
pass

三、绘图功能

【注】使用ax代指子图方法1、2的句柄，plt代指方法3中的命名空间。坐标生成：

# 一维坐标生成
x = np.linspace(0,10,100)

# 二维网格生成
u = np.linspace(-1,1,100)
x,y = np.meshgrid(u,u) 

 坐标轴标签：

xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i])
xlabel = "y"

ax.set_xlabel(xlabel)
ax.set_ylabel(ylabel)

plt.xlabel('x')
plt.ylabel('y')

 坐标轴刻度：

ax.set_xticks([])
ax.set_yticks([])

plt.xticks(range(len(x)), ['a', 'b', 'c', 'd', 'e', 'f'])
plt.yticks(range(1, 8, 2))

 坐标网格：

# 横纵坐标单位长度统一
plt.axis('equal')
# 网格
plt.grid(True)

# 网格
ax.grid(True)

 图表标题：

plt.title('Second Derivative')

 对数坐标：

 '''对数坐标'''

plt.semilogx(x,y)  # 对x取对数
plt.semilogy(x,y)  # 对y取对数
plt.loglog(x,y)    # 同时取对数

绘图：

# 色彩填充
ax.fill(x,y1,facecolor='g',alpha=0.3)
ax.fill_between(x,y,y1,facecolor='b')
# 等高线
ax.contourf(x,y,z)
# 显示数组，因为是数组所以才会有vmin和vmax的关键字
ax.imshow()

# 线性绘图
plt.plot(x,y1,c='b',linestyle='',marker='^')

四、经典实例

饼状图

import matplotlib.pyplot as plt

plt.figure(figsize=(12,9))

labels = ['part1', 'part2', 'part3']
# 各个饼的比例
sizes = [30, 20, 50]
colors = ['yellowgreen', 'gold', 'lightskyblue']

# 各个模块离圆心的距离，参数为距离
explode = (0.05, 0.0, 0.0)  
# 图 label的text 比例的text
patches, l_texts, p_texts = plt.pie(sizes, explode=explode, labels=labels, colors=colors, labeldistance=0.8,
        autopct='%3.1f%%', shadow=True, startangle=90, pctdistance=0.6)

# 设置x，y轴刻度一致，这样饼图才能是圆的
plt.axis('equal')
plt.legend()

# 设置label的字体大小
for t in l_texts:
    t.set_size(20)
# 设置比例数字的字体大小
for t in p_texts:
    t.set_size(20)

plt.show()

 

柱状图

import numpy as np
from matplotlib import pyplot as plt

plt.figure(figsize=(9,6))

n = 12
X = np.arange(n)+1
# numpy.random.uniform(low=0.0, high=1.0, size=None), normal
Y1 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n)
Y2 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n)

# bar and barh
width = 0.35
plt.bar(X, Y1, width=width, facecolor='#9999ff', edgecolor='white')
plt.bar(X+width, Y2, width=width, facecolor='#ff9999', edgecolor='white')
plt.bar(X, -Y2, width=width, facecolor='#ff9999', edgecolor='white')

# 柱状图添加说明文字
for x,y in zip(X,Y1):
    plt.text(x, y+0.05, '%.2f' % y, ha='center', va= 'bottom')
    
for x,y in zip(X,-Y2):
    plt.text(x+0.4, y-0.15, '%.2f' % y, ha='center', va= 'bottom')

#plt.ylim(-1.25,+1.25)
plt.show()

 

import numpy as np
from matplotlib import pyplot as plt

plt.figure(figsize=(9,6))

n = 12
X = np.arange(n)+1
# numpy.random.uniform(low=0.0, high=1.0, size=None), normal
Y1 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n)
Y2 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n)

# bar and barh
width = 0.35
# 方法barh和参数height可以实现横向的柱状图
plt.barh(X, Y1, height=width, facecolor='#9999ff', edgecolor='white')

plt.show()

 

概率分布图

from matplotlib import pyplot as plt
import numpy as np

mu = 0
sigma = 1
x = mu + sigma*np.random.randn(10000)

fig,(ax0,ax1)=plt.subplots(ncols=2, figsize=(9,6))

ax0.hist(x, 20, normed=1, histtype='bar', facecolor='g', rwidth=0.8, alpha=0.75)
ax0.set_title('pdf')
# 累积概率密度分布
ax1.hist(x, 20, normed=1, histtype='bar', rwidth=0.8, cumulative=True)
ax1.set_title('cdf')

plt.show()

 

散点图

atan2(a,b)是4象限反正切，它的取值不仅取决于正切值a/b，还取决于点 (b, a) 落入哪个象限： 当点(b, a) 落入第一象限时，atan2(a,b)的范围是 0 ~ pi/2; 　当点(b, a) 落入第二象限时，atan2(a,b)的范围是 pi/2 ~ pi; 当点(b, a) 落入第三象限时，atan2(a,b)的范围是 －pi～－pi/2; 　当点(b, a) 落入第四象限时，atan2(a,b)的范围是 -pi/2～０

而 atan(a/b) 仅仅根据正切值为a/b求出对应的角度 （可以看作仅仅是2象限反正切）： 当 a/b > 0 时，atan(a/b)取值范围是 0 ~ pi/2； 当 a/b < 0 时，atan(a/b)取值范围是 -pi/2～０

故 atan2(a,b) = atan(a/b) 仅仅发生在 点 (b, a) 落入第一象限 （b>0, a>0）或 第四象限（b>0, a0 , 故 atan(a/b) 取值范围是 0 ~ pi/2，2atan(a/b) 的取值范围是 0 ~ pi，而此时atan2(a,b)的范围是 －pi～－pi/2，很显然，atan2(a,b) = 2atan(a/b)

举个最简单的例子，a = 1, b = -1，则 atan(a/b) = atan(-1) = -pi/4, 而 atan2(a,b) = 3*pi/4

from matplotlib import pyplot as plt
import numpy as np

plt.figure(figsize=(9,6))

n = 1024

# 均匀分布 高斯分布
# rand 和 randn
X = np.random.rand(1,n)
Y = np.random.rand(1,n)

# 设定颜色
T = np.arctan2(Y,X)

plt.scatter(X,Y, s=75, c=T, alpha=.4, marker='o')

#plt.xlim(-1.5,1.5), plt.xticks([])
#plt.ylim(-1.5,1.5), plt.yticks([])

plt.show()

 

不规则组合图

# 定义子图区域
left, width = 0.1, 0.65
bottom, height = 0.1, 0.65
bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]
rect_histx = [left, bottom_h, width, 0.2]
rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 需要传入[左边起始位置，下边起始位置，宽，高]
# 根据子图区域来生成子图
axScatter = plt.axes(rect_scatter)
axHistx = plt.axes(rect_histx)
axHisty = plt.axes(rect_histy)

# ref : http://matplotlib.org/examples/pylab_examples/scatter_hist.html

import numpy as np
import matplotlib.pyplot as plt

# the random data
x = np.random.randn(1000)
y = np.random.randn(1000)

# 定义子图区域
left, width = 0.1, 0.65
bottom, height = 0.1, 0.65
bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]
rect_histx = [left, bottom_h, width, 0.2]
rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 根据子图区域来生成子图
axScatter = plt.axes(rect_scatter)
axHistx = plt.axes(rect_histx)
axHisty = plt.axes(rect_histy)

# no labels
#axHistx.xaxis.set_ticks([])
#axHisty.yaxis.set_ticks([])

# now determine nice limits by hand:
N_bins=20
xymax = np.max([np.max(np.fabs(x)), np.max(np.fabs(y))])
binwidth = xymax/N_bins
lim = (int(xymax/binwidth) + 1) * binwidth
nlim = -lim

# 画散点图，概率分布图
axScatter.scatter(x, y)
axScatter.set_xlim((nlim, lim))
axScatter.set_ylim((nlim, lim))

bins = np.arange(nlim, lim + binwidth, binwidth)
axHistx.hist(x, bins=bins)
axHisty.hist(y, bins=bins, orientation='horizontal')

# 共享刻度
axHistx.set_xlim(axScatter.get_xlim())
axHisty.set_ylim(axScatter.get_ylim())

plt.show()

 

三维数据图

使用散点图的点大小、颜色、透明度表示高维数据：

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(9,6),facecolor='white')

# Number of ring
n = 50
size_min = 50
size_max = 50*50

# Ring position
P = np.random.rand(n,2)

# Ring colors R,G,B,A
C = np.ones((n,4)) * (0.5,0.5,0,1)
# Alpha color channel goes from 0 (transparent) to 1 (opaque),很厉害的实现
C[:,3] = np.linspace(0,1,n)

# Ring sizes
S = np.linspace(size_min, size_max, n)

# Scatter plot
plt.scatter(P[:,0], P[:,1], s=S, lw = 0.5,
                  edgecolors = C, facecolors=C)

plt.xlim(0,1), plt.xticks([])
plt.ylim(0,1), plt.yticks([])

plt.show()

 

美化

# 美化matplotlib绘出的图，导入后自动美化
import seaborn as sns

# matplotlib自带美化风格
# 打印可选风格
print(plt.style.available #ggplot, bmh, dark_background, fivethirtyeight, grayscale)
# 激活风格
plt.style.use('bmh')

一维颜色填充 & 三维绘图 & 三维等高线图

『Python』Numpy学习指南第九章_使用Matplotlib绘图

from mpl_toolkits.mplot3d import Axes3D

ax = fig.add_subplot(111,projection='3d')

ax.plot() 绘制3维线

ax.plot_surface绘制三维网格（面）

from mpl_toolkits.mplot3d import Axes3D   #<-----导入3D包
import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(9,6))
ax = fig.add_subplot(111,projection='3d') #<-----设置3D模式子图

# 新思路，之前都是生成x和y绘制z=f(x，y)的函数，这次绘制x=f1(z),y=f2(z)
z = np.linspace(0, 6, 1000)
r = 1
x = r * np.sin(np.pi*2*z)
y = r * np.cos(np.pi*2*z)

ax.plot(x, y, z, label=u'螺旋线', c='r')
ax.legend()

# dpi每英寸长度的点数
plt.savefig('3d_fig.png',dpi=200)
plt.show()

 

 # ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面）

from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt
from matplotlib import cm

fig = plt.figure()
ax = fig.add_subplot(111,projection='3d')
X, Y, Z = axes3d.get_test_data(0.05)
print(X,Y,Z)
# ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面）
ax.plot_surface(X, Y, Z, rstride=5, cstride=5, alpha=0.3)
# 三维图投影制作，zdir选择投影方向坐标轴
cset = ax.contour(X, Y, Z, 10, zdir='z', offset=-100, cmap=cm.coolwarm)
cset = ax.contour(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm)
cset = ax.contour(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm)

ax.set_xlabel('X')
ax.set_xlim(-40, 40)
ax.set_ylabel('Y')
ax.set_ylim(-40, 40)
ax.set_zlabel('Z')
ax.set_zlim(-100, 100)

plt.show()

 

 # 为等高线图添加标注

cs = ax2.contour(X,Y,Z)
ax2.clabel(cs, inline=1, fontsize=5)

 

 

配置Colorbar

# -*- coding: utf-8 -*-  
#**********************************************************  
import os  
import numpy as np  
import wlab #pip install wlab  
import matplotlib  
import matplotlib.cm as cm  
import matplotlib.pyplot as plt  
from matplotlib.ticker import MultipleLocator  
from scipy.interpolate import griddata  
matplotlib.rcParams['xtick.direction'] = 'out'  
matplotlib.rcParams['ytick.direction'] = 'out'  
#**********************************************************  
FreqPLUS=['F06925','F10650','F23800','F18700','F36500','F89000']  
#  
FindPath='/d3/MWRT/R20130805/'  
#**********************************************************  
fig = plt.figure(figsize=(8,6), dpi=72, facecolor="white")  
axes = plt.subplot(111)  
axes.cla()#清空坐标轴内的所有内容  
#指定图形的字体  
font = {'family' : 'serif',  
        'color'  : 'darkred',  
        'weight' : 'normal',  
        'size'   : 16,  
        }  
#**********************************************************  
# 查找目录总文件名中保护F06925，EMS和txt字符的文件  
for fp in FreqPLUS:  
    FlagStr=[fp,'EMS','txt']  
    FileList=wlab.GetFileList(FindPath,FlagStr)  
    #  
    LST=[]#地表温度  
    EMS=[]#地表发射率  
    TBH=[]#水平极化亮温  
    TBV=[]#垂直极化亮温  
    #  
    findex=0  
    for fn in FileList:  
        findex=findex+1  
        if (os.path.isfile(fn)):  
            print(str(findex)+'-->'+fn)  
            #fn='/d3/MWRT/R20130805/F06925_EMS60.txt'  
            data=wlab.dlmread(fn)  
            EMS=EMS+list(data[:,1])#地表发射率  
            LST=LST+list(data[:,2])#温度  
            TBH=TBH+list(data[:,8])#水平亮温  
            TBV=TBV+list(data[:,9])#垂直亮温  
    #-----------------------------------------------------------  
    #生成格点数据，利用griddata插值  
    grid_x, grid_y = np.mgrid[275:315:1, 0.60:0.95:0.01]  
    grid_z = griddata((LST,EMS), TBH, (grid_x, grid_y), method='cubic')  
    #将横纵坐标都映射到（0，1）的范围内  
    extent=(0,1,0,1)  
     #指定colormap  
    cmap = matplotlib.cm.jet  
    #设定每个图的colormap和colorbar所表示范围是一样的，即归一化  
    norm = matplotlib.colors.Normalize(vmin=160, vmax=300)  
    #显示图形，此处没有使用contourf #>>>ctf=plt.contourf(grid_x,grid_y,grid_z)  
    gci=plt.imshow(grid_z.T, extent=extent, origin='lower',cmap=cmap, norm=norm)  
    #配置一下坐标刻度等  
    ax=plt.gca()  
    ax.set_xticks(np.linspace(0,1,9))  
    ax.set_xticklabels( ('275', '280', '285', '290', '295',  '300',  '305',  '310', '315'))  
    ax.set_yticks(np.linspace(0,1,8))  
    ax.set_yticklabels( ('0.60', '0.65', '0.70', '0.75', '0.80','0.85','0.90','0.95'))  
    #显示colorbar  
    cbar = plt.colorbar(gci)  
    cbar.set_label('$T_B(K)$',fontdict=font)  
    cbar.set_ticks(np.linspace(160,300,8))  
    cbar.set_ticklabels( ('160', '180', '200', '220', '240',  '260',  '280',  '300'))  
    #设置label  
    ax.set_ylabel('Land Surface Emissivity',fontdict=font)  
    ax.set_xlabel('Land Surface Temperature(K)',fontdict=font) #陆地地表温度LST  
    #设置title  
    titleStr='$T_B$ for Freq = '+str(float(fp[1:-1])*0.01)+'GHz'  
    plt.title(titleStr)  
    figname=fp+'.png'  
    plt.savefig(figname)  
    plt.clf()#清除图形  
  
#plt.show()  
print('ALL -> Finished OK') 

上面的例子中，每个保存的图，都是用同样的colormap，并且每个图的颜色映射值都是一样的，也就是说第一个图中如果200表示蓝色，那么其他图中的200也表示蓝色。

示例的图形如下：