python画图-python画图汇总（持续更新）

折线图

plt.figure(figsize=(40, 40)) # 确定图像画布的大小

plt.subplot(211) # 将画布分为两行一列

plt.xlabel('Number of sample', fontsize=40) # x轴的label

plt.ylabel('Characteristics of the amplitude', fontsize=40) # y轴的label 备注（plot所有的原件都可以加fontsize属性）

plt.title('{} characteristics (ml_id=2 waveType=2)'.format(c_type), fontsize=50) # 图的title

plt.plot(two_type_list[:two_negative_end_index], linestyle = "-", color = 'r', # 绘制折线图，其中若x参数省略，则横坐标以y列表的索引代替

label = 'Negative | average: {} variance: {} median: {}'.format(('%.2f' % np.mean(two_type_list[ : two_negative_end_index])), # label参数表示这条线的label，可以当作图例显示出来

('%.2f' % np.var(two_type_list[ : two_negative_end_index])),

('%.2f' % np.median(two_type_list[ : two_negative_end_index]))),

linewidth=3.0) # 线宽

plt.plot(two_type_list[two_negative_end_index+1:], linestyle = "-", color = 'g', # 备注（一张图可以累积加多个plot）

label = 'Positive | average: {} variance: {} median: {}'.format(('%.2f' % np.mean(two_type_list[two_negative_end_index+1 : ])),

('%.2f' % np.var(two_type_list[two_negative_end_index+1 : ])),

('%.2f' % np.median(two_type_list[two_negative_end_index+1 : ]))),

linewidth=3.0)

# plt.ylim(0, 5) # 设置y轴的取值范围，如设置（0,5）则y轴坐标为从0开始，到5结束

# 刻度值字体大小设置

plt.tick_params(labelsize=40) # 设置坐标轴上刻度的字体大小

plt.legend(loc=0, fontsize = 40) # 显示图例，loc=0表示图例会根据图片情况自动摆放

####################################################################################################################################

plt.subplot(212)

plt.xlabel('Number of sample', fontsize=40)

plt.ylabel('Characteristics of the amplitude', fontsize=40)

plt.title('{} characteristics (ml_id=6 waveType=2)'.format(c_type), fontsize=50)

plt.plot(six_type_list[:six_negative_end_index], linestyle = "-", color = 'r',

label = 'Negative | average: {} variance: {} median: {}'.format(('%.2f' % np.mean(six_type_list[ : six_negative_end_index])),

('%.2f' % np.var(six_type_list[ : six_negative_end_index])),

('%.2f' % np.median(six_type_list[ : six_negative_end_index]))),

linewidth=3.0)

plt.plot(six_type_list[six_negative_end_index+1:], linestyle = "-", color = 'g',

label = 'Positive | average: {} variance: {} median: {}'.format(('%.2f' % np.mean(six_type_list[six_negative_end_index+1 : ])),

('%.2f' % np.var(six_type_list[six_negative_end_index+1 : ])),

('%.2f' % np.median(six_type_list[six_negative_end_index+1 : ]))),

linewidth=3.0)

# 刻度值字体大小设置

plt.tick_params(labelsize=40)

plt.legend(loc=0, fontsize = 40)

plt.savefig('C:/Users/Mloong/Desktop/f_image/{} characteristics.png'.format(c_type), dpi=300)

plt.show()

2.散点图

_type = 'median'

plt.scatter(range(0, 3790), two_avgAbs_list[0:3790], c='r') # 散点图的x参数不可省略

plt.scatter(range(3791, 4939), two_avgAbs_list[3791:4939], c='g')

plt.title('{} ml_id=2 waveType=2'.format(_type))

plt.savefig('C:/Users/Mloong/Desktop/f_image/{} scatter ml_id=2 waveType=2.png'.format(_type), dpi=300)

plt.show()

3.概率分布图

# 概率分布图

type_list = two_median_list

_type = 'median'

num_bins = 100 # 条状图的个数

plt.hist(type_list[:3790], num_bins, normed=1, facecolor='blue', alpha=0.5)

plt.hist(type_list[3791:], num_bins, normed=1, facecolor='red', alpha=0.5)

plt.xlabel('Value')

plt.ylabel('Probability')

plt.title('{} probability distribution ml_id=2 waveType=2'.format(_type))

plt.subplots_adjust(left=0.15)

plt.savefig('C:/Users/Mloong/Desktop/f_image/{} probability distribution ml_id=2 waveType=2.png'.format(_type), dpi=300)

plt.show()

4.箱形图

_type = 'pca_value'

import seaborn as sns

plt.subplot(121)

plt.title('{} (ml_id=2 waveType=2)'.format(_type))

sns.set(style='whitegrid') # 设置背景

sns.boxplot(x='label', y='{}'.format(_type), data=two_data, hue='label') # data参数是一个dataframe对象，其中x和y分别时这个dataframe中的列名

#########################################################################################

plt.subplot(122)

plt.title('{} (ml_id=6 waveType=2)'.format(_type))

sns.set(style='whitegrid') # 设置背景

sns.boxplot(x='label', y='{}'.format(_type), data=six_data, hue='label') # 绘制箱形图

plt.savefig('C:/Users/Mloong/Desktop/f_image/{} box figure.png'.format(_type), dpi=300)

plt.show()

5.热图

# 2.相关矩阵

import seaborn as sns

corrmat = two_data[['avs', 'avgAbs', 'rms', 'rms2', 'wave', 'pulse', 'PeekFlag',

'Margin', 'Skewness', 'Kurtosis', 'median', 'pca_value', 'label']].corr() # .corr()求相关矩阵，此时返回的值corrmat为相关矩阵

f, ax = plt.subplots(figsize=(12, 9))

sns.heatmap(corrmat, vmax=.8, square=True) # 将这个相关矩阵以热图的形式画出来

plt.savefig('C:/Users/Mloong/Desktop/f_image/two correlation matrix.png', dpi=300)

plt.show()