目录
plt.plot() 绘图
plt.figure() 创建画布
中文/负号显示问题
设置坐标轴
plt.legend() 创建图例
plt.text() 文字说明
plt.scatter() 画散点图
plt.bar() 画条形图
plt.contour() 画等高线图
plt.imshow() 数据转图像
画3D图
plt.subplot() 创建子图
画图中图
次坐标轴
保存图像
Matplotlib 是 Python 的 2D绘图库(其实也是可以画3D图，甚至是动画图的)
plt.plot() 绘图
plt.plot(x, y, color, linestyle, linewidth, marker, markerfacecolor, markersize，label)
x： x轴数据(列表或数组)
y： y轴数据(列表或数组)
color： 线的颜色
linestyle： 线条样式
linewidth： 线条宽度(用数字表示大小)
marker： 标记样式
markerfacecolor： 标记颜色
markersize： 标记尺寸(用数字表示大小)
label： 线条的标签(后文结合 legend() 来讲)
以上就是plot()函数常用的参数，下面的表格是对应参数可供选择的值(只要记住常用的就行，其他的需要用到再来查就可以了)
颜色(颜色和十六进制颜色是对应的，都可以的)
颜色
十六进制颜色
颜色
十六进制颜色
颜色
十六进制颜色
‘aliceblue’
‘#F0F8FF’
‘antiquewhite’
‘#FAEBD7’
‘aqua’
‘#00FFFF’
‘aquamarine’
‘#7FFFD4’
‘azure’
‘#F0FFFF’
‘beige’
‘#F5F5DC’
‘bisque’
‘#FFE4C4’
‘black’
‘#000000’
‘blanchedalmond’
‘#FFEBCD’
‘blue’
‘#0000FF’
‘blueviolet’
‘#8A2BE2’
‘brown’
‘#A52A2A’
‘burlywood’
‘#DEB887’
‘cadetblue’
‘#5F9EA0’
‘chartreuse’
‘#7FFF00’
‘chocolate’
‘#D2691E’
‘coral’
‘#FF7F50’
‘cornflowerblue’
‘#6495ED’
‘cornsilk’
‘#FFF8DC’
‘crimson’
‘#DC143C’
‘cyan’
‘#00FFFF’
‘darkblue’
‘#00008B’
‘darkcyan’
‘#008B8B’
‘darkgoldenrod’
‘#B8860B’
‘darkgray’
‘#A9A9A9’
‘darkgreen’
‘#006400’
‘darkkhaki’
‘#BDB76B’
‘darkmagenta’
‘#8B008B’
‘darkolivegreen’
‘#556B2F’
‘darkorange’
‘#FF8C00’
‘darkorchid’
‘#9932CC’
‘darkred’
‘#8B0000’
‘darksalmon’
‘#E9967A’
‘darkseagreen’
‘#8FBC8F’
‘darkslateblue’
‘#483D8B’
‘darkslategray’
‘#2F4F4F’
‘darkturquoise’
‘#00CED1’
‘darkviolet’
‘#9400D3’
‘deeppink’
‘#FF1493’
‘deepskyblue’
‘#00BFFF’
‘dimgray’
‘#696969’
‘dodgerblue’
‘#1E90FF’
‘firebrick’
‘#B22222’
‘floralwhite’
‘#FFFAF0’
‘forestgreen’
‘#228B22’
‘fuchsia’
‘#FF00FF’
‘gainsboro’
‘#DCDCDC’
‘ghostwhite’
‘#F8F8FF’
‘gold’
‘#FFD700’
‘goldenrod’
‘#DAA520’
‘gray’
‘#808080’
‘green’
‘#008000’
‘greenyellow’
‘#ADFF2F’
‘honeydew’
‘#F0FFF0’
‘hotpink’
‘#FF69B4’
‘indianred’
‘#CD5C5C’
‘indigo’
‘#4B0082’
‘ivory’
‘#FFFFF0’
‘khaki’
‘#F0E68C’
‘lavender’
‘#E6E6FA’
‘lavenderblush’
‘#FFF0F5’
‘lawngreen’
‘#7CFC00’
‘lemonchiffon’
‘#FFFACD’
‘lightblue’
‘#ADD8E6’
‘lightcoral’
‘#F08080’
‘lightcyan’
‘#E0FFFF’
‘lightgoldenrodyellow’
‘#FAFAD2’
‘lightgreen’
‘#90EE90’
‘lightgray’
‘#D3D3D3’
‘lightpink’
‘#FFB6C1’
‘lightsalmon’
‘#FFA07A’
‘lightseagreen’
‘#20B2AA’
‘lightskyblue’
‘#87CEFA’
‘lightslategray’
‘#778899’
‘lightsteelblue’
‘#B0C4DE’
‘lightyellow’
‘#FFFFE0’
‘lime’
‘#00FF00’
‘limegreen’
‘#32CD32’
‘linen’
‘#FAF0E6’
‘magenta’
‘#FF00FF’
‘maroon’
‘#800000’
‘mediumaquamarine’
‘#66CDAA’
‘mediumblue’
‘#0000CD’
‘mediumorchid’
‘#BA55D3’
‘mediumpurple’
‘#9370DB’
‘mediumseagreen’
‘#3CB371’
‘mediumslateblue’
‘#7B68EE’
‘mediumspringgreen’
‘#00FA9A’
‘mediumturquoise’
‘#48D1CC’
‘mediumvioletred’
‘#C71585’
‘midnightblue’
‘#191970’
‘mintcream’
‘#F5FFFA’
‘mistyrose’
‘#FFE4E1’
‘moccasin’
‘#FFE4B5’
‘navajowhite’
‘#FFDEAD’
‘navy’
‘#000080’
‘oldlace’
‘#FDF5E6’
‘olive’
‘#808000’
‘olivedrab’
‘#6B8E23’
‘orange’
‘#FFA500’
‘orangered’
‘#FF4500’
‘orchid’
‘#DA70D6’
‘palegoldenrod’
‘#EEE8AA’
‘palegreen’
‘#98FB98’
‘paleturquoise’
‘#AFEEEE’
‘palevioletred’
‘#DB7093’
‘papayawhip’
‘#FFEFD5’
‘peachpuff’
‘#FFDAB9’
‘peru’
‘#CD853F’
‘pink’
‘#FFC0CB’
‘plum’
‘#DDA0DD’
‘powderblue’
‘#B0E0E6’
‘purple’
‘#800080’
‘red’
‘#FF0000’
‘rosybrown’
‘#BC8F8F’
‘royalblue’
‘#4169E1’
‘saddlebrown’
‘#8B4513’
‘salmon’
‘#FA8072’
‘sandybrown’
‘#FAA460’
‘seagreen’
‘#2E8B57’
‘seashell’
‘#FFF5EE’
‘sienna’
‘#A0522D’’
silver’
‘#C0C0C0’
‘skyblue’
‘#87CEEB’
‘slateblue’
‘#6A5ACD’
‘slategray’
‘#708090’
‘snow’
‘#FFFAFA’
‘springgreen’
‘#00FF7F’
‘steelblue’
‘#4682B4’
‘tan’
‘#D2B48C’
‘teal’
‘#008080’
‘thistle’
‘#D8BFD8’
‘tomato’
‘#FF6347’
‘turquoise’
‘#40E0D0’
‘violet’
‘#EE82EE’
‘wheat’
‘#F5DEB3’
‘white’
‘#FFFFFF’
‘whitesmoke’
‘#F5F5F5’
‘yellow’
‘#FFFF00’
‘yellowgreen’
‘#9ACD32’
linestyle 线条样式(样式一和样式二是对应的，都可以的)
样式一
样式二
说明
‘-’
‘solid’
实线
‘–’
‘dashed’
虚线
‘-.’
‘dashdot’
点画线
‘:’
‘dotted’
点线
’ ’
‘None’
不显示线条了
marker 标记样式
样式
说明
样式
说明
‘.’
点标记
‘1’
下花三角标记
‘,’
像素标记(极小点)
‘2’
上花三角标记
‘o’
实心圆标记
‘3’
左花三角标记
‘v’
倒三角标记
‘4’
右花三角标记
‘^’
上三角标记
‘s’
实心方形标记
‘>’
右三角标记
‘p’
实心五角标记
‘左三角标记
‘*’
星形标记
‘h’
竖六边形标记
‘d’
瘦菱形标记
‘H’
横六边形标记
‘D’
菱形标记
‘+’
十字标记
‘|’
垂直线标记
‘x’
x标记
‘_’
水平线标记
import matplotlib.pyplot as plt
import numpy as np
# 返回[-3, 3]区间50个等间隔数组成的数组
x = np.linspace(-3, 3, 50)
y = 2*x + 1
plt.plot(x, y, color='red', linestyle="-", linewidth=1,
marker="o", markerfacecolor="blue", markersize=6)
plt.show()
输出：
plt.figure() 创建画布
想要绘图，必须先要创建一个 figure(画布)，还要有 axes(坐标系)；
说到这里，细心的小伙伴就要问了：第一个操作并没有创建 figure 呀？
对于上述疑问，我们就需要知道
创建 figure 的两种方式：
隐式创建 figure
当第一次执行 plt.xxx() 画图代码时，系统会判断是否已经存在画布。如果没有，则自动创建一个画布，并且在这个画布上自动创建一个坐标系(如果不设置画布，一个画布上只有一个坐标系)。
所以第一个操作是隐式创建了画布，而且不管您画多少图都只会在同一个画布的同一个坐标系中体现：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)
plt.plot(x, y1, color="blue")
plt.plot(x, y2, color="green")
plt.plot(x, y3, color="red")
plt.show()
输出：
显式创建 figure
利用 plt.figure() 手动创建画布，可以创建多个画布，在 plt.figure() 下面的 plt.xxx() 画图代码都会画在对应的画布上面。
所以我们可以试着把上一个操作放在两个画布里面：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)
plt.figure() # 下面两个画图操作都属于这个画布
plt.plot(x, y1, color="blue")
plt.plot(x, y2, color="green")
plt.figure() # 下面一个画图操作属于这个画布
plt.plot(x, y3, color="red")
plt.show()
输出两个窗口：
函数语法：
figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
num： 画布编号或名称(数字为编号，字符串为名称)，不指定则按照数字顺序(可以看到上一个操作输出的两个窗口，不指定num，左上角就是按照数字顺序的Figure1，Figure2)
figsize： 指定 figure 的宽和高(英寸)，默认为(6.4, 4.8)
dpi： 指定画布显示的分辨率(用数字表示大小，默认为100)
facecolor： 背景的颜色(除了画图区域的颜色)
edgecolor： 边框线的颜色(看起来不是特别明显，问题不大)
frameon： 是否显示边框(不显示边框，则背景颜色也显示不了)
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
# num指定为数字时，以该数字为编号，Figure3为画布名称
plt.figure(num=3, figsize=(7., 3.), dpi=72, facecolor="red", edgecolor="green", frameon=True)
plt.plot(x, y)
# num指定为字符串时，直接用该字符串为画布名称
plt.figure(num="画布二", figsize=(7., 3.), dpi=72, facecolor="green", edgecolor="red", frameon=True)
plt.plot(x, y)
plt.show()
输出两个窗口：
输出窗口图标的简单介绍
可以看到输出窗口上面有一排按钮图标，主要是通过这些图标操作来方便我们查看图像(这个不重要，按照下图的介绍，自己实操一下就知道了)
中文/负号显示问题
matplotlib在使用过程中，可能会遇到中文或者负号显示乱码的问题，可以把下面代码粘贴到matplotlib使用的最前面，完美解决中文/负号显示问题：
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False # 通过rc参数修改字符显示，就可以正常显示负号
设置坐标轴
plt.xlim() 和 plt.ylim()
用来限制图像横纵坐标轴的显示范围，既可以限制轴的最小值或最大值，又可以同时限制最小值和最大值。(只是限制显示范围，在窗口还是可以通过拖动图标来查看其他位置)
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure() # 创建画布1
plt.plot(x, y)
plt.xlim(xmin= -2) # 限制横坐标显示最小值为 -2
plt.ylim(ymax= 0.8) # 限制纵坐标显示最大值为 0.8
plt.figure() # 创建画布2
plt.plot(x, y)
plt.xlim((-2, 4)) # 限制横坐标显示范围[-2, 4]
plt.ylim(ymin= -0.5, ymax= 0.8) # 限制纵坐标显示范围[-0.5, 0.8], 也可以和上面一步一样写
plt.show()
输出两个窗口：
plt.xlabel() 和 plt.ylabel()
用来指定图像横纵坐标轴的标签(fontsize参数指定字体大小，其他参数实用性不大)
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei'] # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False # 通过rc参数修改字符显示，就可以正常显示负号
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure()
plt.plot(x, y)
plt.xlim((-2, 4))
plt.ylim((-0.5, 0.8))
plt.xlabel("我是横轴标签") # 指定横轴标签
plt.ylabel("我是纵轴标签", fontsize=14) # 指定纵轴标签,并设置字体大小为14
plt.show()
输出：
plt.xticks() 和 plt.yticks()
当不指定参数时，返回对应轴当前刻度点的位置和标签；
当指定参数时，则为设置对应轴当前刻度点的位置和标签。
plt.xticks(ticks=None, labels=None, **kwargs)
ticks： 刻度点的位置组成的列表(可以指定为空列表，则去掉刻度，但轴还在)
labels： 刻度点的位置上的标签组成的列表(labels不指定，则标签显示ticks值)
kwargs： 可用于控制标签的外观(这里不做深究，一般前面两个参数够用了)
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei'] # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False # 通过rc参数修改字符显示，就可以正常显示负号
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure()
plt.plot(x, y)
plt.xlim(-2, 4)
plt.ylim((-0.4, 0.8))
plt.xlabel("我是横轴标签", fontsize=14)
plt.ylabel("我是纵轴标签", fontsize=14)
# 当不指定参数时，返回对应轴当前刻度点的位置和标签
xlocs, xlabels = plt.xticks()
ylocs, ylabels = plt.yticks()
print(xlocs)
print(xlabels)
print(ylocs)
print(ylabels)
plt.show()
输出：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure() # 画布1
plt.plot(x, y)
# ticks的值作为刻度点的位置, labels的值作为刻度点的位置上的标签
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])
plt.figure() # 画布2
plt.plot(x, y)
# ticks指定为空列表, 去掉刻度, 但轴还在
plt.xticks(ticks=[])
plt.figure() # 画布3
plt.plot(x, y)
plt.axis("off") # 把轴去掉，刻度一起没了
plt.figure() # 画布4
plt.plot(x, y)
# 返回[-4, 4]区间9个等间隔数组成的数组
new_xticks = np.linspace(-4, 4, 9)
# 因为没有指定labels参数，所以ticks的值既作为刻度点的位置又作为刻度的标签
plt.xticks(ticks=new_xticks)
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1])
plt.show()
输出四个窗口：
设置坐标边框的颜色
先用 plt.gca() 获取到坐标框(矩形坐标框)，然后调用 spines 属性通过 “top”，“bottom”，“left”，“right” 类似于索引的方式获得指定的边框，最后结合 set_color() 来指定颜色(当颜色指定为 “None” 时，就不显示该边框)
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure()
plt.plot(x, y)
# ticks的值作为刻度点的位置, labels的值作为刻度点的位置上的标签
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])
# 获取坐标体系(长方形坐标框)
ax = plt.gca()
# 选择坐标体系的右边框, 设置颜色为None，就不会显示右边框了
ax.spines["right"].set_color("None")
# 选择坐标体系的上边框, 设置颜色为None，就不会显示右边框了
ax.spines["top"].set_color("None")
# 选择坐标体系的左边框, 设置颜色为红色
ax.spines["left"].set_color("red")
# 选择坐标体系的底边框, 设置颜色为红色
ax.spines["bottom"].set_color("green")
plt.show()
输出：
指定边框为坐标轴
先用 plt.gca() 获取到坐标框(矩形坐标框)，再通过 set_ticks_position() 方法把指定的边框作为对应的 x 或者 y 坐标轴(指定边框同样是用 “top”，“bottom”，“left”，“right”)
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure()
plt.plot(x, y)
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])
ax = plt.gca()
ax.spines["right"].set_color("yellow")
ax.spines["top"].set_color("blue")
ax.spines["left"].set_color("red")
ax.spines["bottom"].set_color("green")
# 把坐标体系的上边框作为x轴
ax.xaxis.set_ticks_position("top")
# 把坐标体系的右边框作为y轴
ax.yaxis.set_ticks_position("right")
plt.show()
输出：
移动坐标边框
先用 plt.gca() 获取到坐标框(矩形坐标框)，然后调用 spines 属性通过 “top”，“bottom”，“left”，“right” 类似于索引的方式获得指定的边框，最后结合 set_position() 来指定边框位置
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure()
plt.plot(x, y)
# ticks的值作为刻度点的位置, labels的值作为刻度点的位置上的标签
plt.yticks(ticks=[-1, -0.8, -0.5, -0.1, 1], labels=["a", "b", "c", "d", "e"])
# 获取坐标体系(长方形坐标框)
ax = plt.gca()
# 选择坐标体系的右边框, 设置颜色为None，就不会显示右边框了
ax.spines["right"].set_color("None")
# 选择坐标体系的上边框, 设置颜色为None，就不会显示右边框了
ax.spines["top"].set_color("None")
# 选择坐标体系的左边框, 设置颜色为红色
ax.spines["left"].set_color("red")
# 选择坐标体系的底边框, 设置颜色为红色
ax.spines["bottom"].set_color("green")
# 选择坐标体系的左边框, 设置位置到数据为0的地方(即x轴原点)
ax.spines["left"].set_position(("data", 0))
# 选择坐标体系的底边框, 设置位置到数据为-0.1的地方(即y轴的"d"点)
ax.spines["bottom"].set_position(("data", -0.1))
plt.show()
输出：
plt.legend() 创建图例
用于给图像加图例
plt.legend(handles，labels，loc，fontsize，frameon，edgecolor，facecolor)
handles： 控制柄，默认是一个画布中所有线对象组成的列表(代表控制所有线显示图例，也可以指定哪些线显示)
labels： 图例标签，默认是画图函数中指定的 label 组成的列表(也可以重新指定labels)
loc： 图例创建的位置(默认是loc=“best”，代表自动找最好的位置)
fonsize： 图例字体大小(用数字大小表示)
frameon： 是否打开图例边框，默认为True
edgecolor： 图例边框颜色
facecolor： 图例背景颜色(若未打开边框,参数无效)
loc 图例创建的位置，可选值：
“best”
“upper right”
“upper left”
“lower left”
“lower right”
“right”
“center left”
“center right”
“lower center”
“upper center”
“center”
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei'] # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False # 通过rc参数修改字符显示，就可以正常显示负号
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = np.sin(x)
plt.figure()
plt.plot(x, y1, color="blue", label="直线")
plt.plot(x, y2, color="green", label="曲线")
plt.legend(loc="lower right", fontsize=14, frameon=True, edgecolor="red", facecolor="yellow")
plt.figure()
plt.plot(x, y1, color="blue")
plt.plot(x, y2, color="green")
# 指定labels
plt.legend(labels=["直线", "曲线"])
plt.figure()
# plot是有返回值的, 接收返回值的变量写法上比较特殊, 后面需要加个英文逗号
line1, = plt.plot(x, y1, color="blue", label="直线")
line2, = plt.plot(x, y2, color="green", label="曲线")
# 指定第一条线创建图例, 且图例标签改为"线条1"
plt.legend(handles=[line1, ], labels=["线条1", ])
plt.show()
输出三个窗口：
plt.text() 文字说明
plt.text(x， y，s，size，color， ha， va)
x： 文字开始写的 x 位置
y： 文字开始写的 y 位置
s： 需要写的文字(string格式)
size： 文字大小
color： 文字颜色
ha： 设置垂直对齐方式，可选参数：‘left’, ‘right’, ‘center’
va： 设置水平对齐方式 ，可选参数 ： ‘center’ , ‘top’ , ‘bottom’ , ‘baseline’
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = np.sin(x)
plt.figure()
plt.plot(x, y)
plt.text(x=1.1, y=0.6, s="y=sinx", size=16, color="red")
plt.show()
输出：
plt.scatter() 画散点图
plt.scatter(x, y, s, c, marker, alpha, linewidths, edgecolors)
x： 形状为(n,)的数组，绘图的 x 轴数据
y： 形状为(n,)的数组，绘图的 y 轴数据
s： 标记点的大小(用数字大小表示)
c： 标记点的颜色
marker： 标记的样式，默认的是 ‘o’
alpha： 透明度(0-1之间)
linewidths： 标记点边框线的宽度
edgecolors： 标记点的边框线颜色
import matplotlib.pyplot as plt
import numpy as np
# 从正态分布中抽取随100个随机样本
x1 = np.random.normal(0, 1, 100)
y1 = np.random.normal(0, 1, 100)
x2 = np.random.normal(0, 1, 100)
y2 = np.random.normal(0, 1, 100)
plt.scatter(x1, y1, s=90, c="green", marker="D", alpha=0.6, linewidths=2, edgecolors="red")
plt.scatter(x2, y2, s=90, c="yellow", marker="D", alpha=0.6, linewidths=2, edgecolors="black")
plt.xlim((-1.5, 1.5))
plt.ylim((-1.5, 1.5))
plt.show()
输出：
plt.bar() 画条形图
plt.bar(x, height, width, color, edgecolor, alpha, linewidth, bottom, align)
x： x 坐标
height： 条形的高度
width： 条形的宽度，默认是0.8
color： 条形的颜色
edgecolor：条形边框的颜色
alpha： 颜色的透明度(0~1)
linewidth： 条形边框的宽度
bottom： 条形底边的起始位置(即y轴的起始坐标)
align： 条形的对齐方式(默认为 “center”，表示刻度和条形中心对齐，“edge” 表示刻度和条形左边对齐)
import matplotlib.pyplot as plt
import numpy as np
x0 = np.arange(12)
# 从[0.5, 1.0]的均匀分布中随机取12个数组成数组
y1 = np.random.uniform(0.5, 1.0, 12)
y2 = np.random.uniform(0.5, 1.0, 12)
plt.figure()
# 用负号来画关于x轴对称的条形图, 底边各上浮0.02的距离使得分开
plt.bar(x0, +y1, color="yellow", edgecolor="red", bottom=0.02)
plt.bar(x0, -y2, color="green", edgecolor="red", bottom=-0.02)
for x, y in zip(x0, y1):
# y值保留小数点后两位，数字上浮0.05为了好看
plt.text(x, y+0.05, '%.2f'%y, ha="center", va="bottom")
for x, y in zip(x0, y2):
plt.text(x, -y-0.05, '%.2f'%-y, ha="center", va="top")
plt.xlim(-1, 12) # 限制x轴显示范围, 为了图显示美观
plt.ylim(-1.2, 1.2) # 限制y轴显示范围, 为了图显示美观
plt.xticks([]) # 去掉x轴刻度
plt.yticks([]) # 去掉y轴刻度
plt.figure()
# 因为条形宽度默认是0.8，这里要把两个条形放在一起，那么每个宽度就是0.4, 再互相错位0.2就可以刚好并靠着
plt.bar(x0-0.2, y1, width=0.4, color="blue", alpha=0.4)
plt.bar(x0, y2, width=0.4, color="gray", align="edge") # 这里用了align参数，用x0+0.2也可以
plt.xlim(-1, 12)
plt.ylim(0, 1.1)
plt.xticks([])
plt.yticks([])
plt.show()
输出两个窗口：
plt.contour() 画等高线图
首先我们对需要用到的函数做一个基本的介绍：
plt.contour() 和 plt.contourf() 的区别：这两个函数都可以画等高线图，前者是用线绘制，后者是用颜色块来画，不同的颜色分界就表示等高线了，通常结合两个函数一起用，既有了等高线又有了颜色区分。
plt.contour(x, y, z, levels, alpha, colors)
x： x 坐标矩阵
y： y 坐标矩阵
z： z 坐标矩阵(高度)
levels： 指定等高线的数量(0为1条，8为9条，类推)
alpha： 等高线的透明度
colors： 等高线的颜色
plt.contour(x, y, z, levels, alpha, cmap)
x： x 坐标矩阵
y： y 坐标矩阵
z： z 坐标矩阵(高度)
levels： 指定等高线的数量(0为1条，8为9条，类推)
alpha： 等高线的透明度
cmap： 就是ColorMap(热力图)，有很多值可供选择，记住常用的 “hot”，“cool"就行了(这里如果不知道cmap有哪些值可以选择的话，可以随便输入一个值，比方说输入"green”，很显然这是错误的，然后PyCharm报错会提示你可供选择的有哪些)
plt.clabel(CS, inline, fontsize) 用来显示等高线的标签(即高度值)
CS： 指定等高线对象
inline： 标签是否在线的内部，默认为True
fontsize： 标签字体大小(用数字表示大小)
这里来个完整版，大家可以尝试把 contour 或者 contourf 函数关闭看看效果，就会深有体会了
import matplotlib.pyplot as plt
import numpy as np
# 计算高度值的函数
def fn_h(x, y):
return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)
x0 = np.linspace(-3, 3, 256)
y0 = np.linspace(-3, 3, 256)
# 从坐标向量返回网格点坐标矩阵
x, y = np.meshgrid(x0, y0)
# print(x.shape)
# print(y.shape)
plt.contourf(x, y, fn_h(x, y), levels=8, alpha=0.5, cmap="hot")
cs = plt.contour(x, y, fn_h(x, y), levels=8, alpha=0.7, colors="black")
plt.clabel(cs, inline=True, fontsize=10)
plt.xticks([])
plt.yticks([])
plt.show()
输出：
plt.imshow() 数据转图像
传入图像的像素值数据，就可以绘制出图像，然后通过 plt.show() 来显示图像
plt.imshow(X, cmap, alpha)
X： 图像数据(可以是二维的，比如 灰度图；也可以是三维的，比如 RGB图)
cmap： 默认是彩色的，和上面说到的 cmap 一样，灰度图是 “Greys”，记住常用的就行
alpha： 透明度(0~1)
import matplotlib.pyplot as plt
from torchvision import datasets
import numpy as np
plt.figure()
# 自己造一个shape为(3, 3)的图像数据
data = np.array([[0, 50, 200], [200, 100, 0], [0, 150, 200]])
plt.imshow(data)
plt.figure()
# 得到 MNIST 训练集数据
dataset = datasets.MNIST(root="F:\MyDatasets", train=True, download=False)
# 取第一个数据, 以透明度0.3, 灰度图显示
plt.imshow(dataset.data[0], cmap="Greys", alpha=0.3)
plt.show()
输出两个窗口：
画3D图
直接上代码，看注释中有详细说明
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
# 在[-4, 4)区间以0.25步长产生一维数组
x = np.arange(-4, 4, 0.25)
y = np.arange(-4, 4, 0.25)
X,Y = np.meshgrid(x, y) # 从坐标向量返回网格点坐标矩阵
Z = np.sin(np.sqrt(X**2 + Y**2)) # 高度(同样也是矩阵，因为 X,Y 是矩阵)
fig = plt.figure() # 画布一般是二维的
ax = Axes3D(fig) # 变成三维度的画布
# 画3D图, 通过rstride和cstride大小来控制模型细腻程度, 步长越大越粗糙, cmap设置为彩虹色
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap="rainbow")
# 画等高线图, zdir="z"表示从z轴的角度至上而下投影下来的等高线图, 投影在z=-2的位置显示
# 也可以设置zdir="x"那就是从前往后投影, zdir="y"就是从左往右投影
ax.contourf(X, Y, Z, zdir="z", offset=-2, cmap="rainbow")
ax.set_zlim(-2, 2) # 限制z轴的显示区间, 便于观察
ax.set_xlim(-5, 5) # 限制x轴的显示区间, 便于观察
ax.set_ylim(-5, 5) # 限制y轴的显示区间, 便于观察
plt.show()
输出：
plt.subplot() 创建子图
直接上代码，看注释中有详细说明
import matplotlib.pyplot as plt
import numpy as np
from torchvision import datasets
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)
y4 = np.tanh(x)
plt.figure()
plt.subplot(2, 2, 1) # 在画布上创建2行2列的子图，并在第1个子图中绘画
plt.plot(x, y1) # 在第1个子图中绘画
plt.subplot(2, 2, 2) # 在画布上创建2行2列的子图，并在第2个子图中绘画
plt.plot(x, y2) # 在第2个子图中绘画
plt.subplot(2, 2, 3) # 在画布上创建2行2列的子图，并在第3个子图中绘画
plt.plot(x, y3) # 在第3个子图中绘画
plt.subplot(2, 2, 4) # 在画布上创建2行2列的子图，并在第4个子图中绘画
plt.plot(x, y4) # 在第4个子图中绘画
plt.figure()
plt.subplot(2, 1, 1) # 在画布上创建2行1列的子图，并在第1个子图中绘画
plt.plot(x, y1) # 在第1个子图中绘画
plt.subplot(2, 3, 4) # 在画布上创建2行3列的子图，并在第4个子图中绘画
plt.plot(x, y2) # 在第4个子图中绘画
plt.subplot(2, 3, 5) # 在画布上创建2行3列的子图，并在第5个子图中绘画
plt.plot(x, y3) # 在第5个子图中绘画
plt.subplot(2, 3, 6) # 在画布上创建2行3列的子图，并在第6个子图中绘画
plt.plot(x, y4) # 在第6个子图中绘画
# 获取MNIST训练集
dataset = datasets.MNIST(root="F:\MyDatasets", train=True, download=False)
plt.figure()
for i in range(25):
plt.subplot(5,5,i+1) # 每次循环在画布上创建5行5列的子图，并依次按照顺序通过imshow()把数据画出图像
plt.imshow(dataset.data[i], cmap="Greys")
plt.axis("off") # 把轴去掉，刻度一起没了
plt.title(dataset.targets[i].item()) # 在每个子图中用对应的标签作为标题
plt.show()
输出三个窗口：
画图中图
plt.axes() 用来在 plt.figure() 画布上画图，可以指定位置和坐标轴的宽高，每用一个 plt.axes() 都会在画布上形成一个坐标系。
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei'] # 通过rc参数修改字体为黑体，就可以显示中文
plt.rcParams['axes.unicode_minus'] = False # 通过rc参数修改字符显示，就可以正常显示负号
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = np.sin(x)
plt.figure()
# 对这四个数字的说明：先指定坐标框左下角的位置，x和y坐标在画布的10%的位置, 再指定坐标框的宽和高为画布的80%长度
plt.axes([0.1, 0.1, 0.8, 0.8]) # 注意区分：plt.axis("off")
plt.title("直线")
plt.plot(x, y1)
plt.axes([0.2, 0.6, 0.25, 0.25])
plt.title("抛物线")
plt.plot(x, y2)
plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(x, y3)
plt.title("余弦曲线")
plt.show()
输出：
次坐标轴
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(0, 10, 0.1)
y1 = 0.5 * x ** 2
y2 = -1 * y1
# 返回一个包含figure和axes对象的元组，注意和 plt.subplot 区分
fig, ax1 = plt.subplots()
# 镜像显示(沿x轴方向镜像y轴，得到y轴的次坐标轴)
ax2 = ax1.twinx() # 同样还有 ax1.twiny()
ax1.plot(x, y1, color='green')
ax2.plot(x, y2, color='blue', linestyle="--")
# 设置x坐标轴标签
ax1.set_xlabel('X data', fontsize=12)
# 设置第一个y坐标轴标签
ax1.set_ylabel('Y1 data', color='green', fontsize=12)
# 设置第二个y坐标轴标签(次坐标轴)
ax2.set_ylabel('Y2 data', color='blue', fontsize=12)
plt.show()
输出：
保存图像
通过 plt.savefig() 保存图像到指定的路径
import matplotlib.pyplot as plt
import numpy as np
Y = []
y = np.linspace(-3, 3, 50)
for i in y**2:
Y.append(i)
plt.clf() # 清除数据, 放在这个位置是为了循环的清除上一次的数据
plt.plot(Y) # 当plot()只传入一个列表或者数组时，其中的值当做y轴的坐标，x轴默认为[0, 1, 2, 3...]
plt.pause(0.1) # 每张图暂停0.1秒
plt.savefig(r"F:\img.jpg") # 保存到F盘，命名为img的jpg格式图片
运行程序时，是抛物线逐步完成的动态过程，然后在F盘会有保存的最终图像，可以复制代码去试一下哦~
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
