Matplotlib高级

最新推荐文章于 2022-12-19 17:23:46 发布
最新推荐文章于 2022-12-19 17:23:46 发布
阅读量660 收藏 10
点赞数
分类专栏： 数据分析 Matplotlib 文章标签： 3D绘图 Matplotlib高级 等高线绘图 3D动画
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43444562/article/details/86513415
版权

matplot基本功能详解

图形对象操作

填充操作

以某种颜色自动填充两条曲线的闭合区域.

mp.fill_between(
	x, 				# x轴水平坐标
    sinx,			# sinx曲线的y坐标
    cosx,			# cosx曲线的y坐标
    sinx < cosx,	# 填充条件为True时,执行填充操作
    color=''		# 颜色
    alpha=0.3		# 透明度
)

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

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 / 2) / 2

mp.figure("Fill", facecolor='lightgray')
mp.title("Fill", fontsize=18)
mp.xlabel('X', fontsize=14)
mp.ylabel('Y', fontsize=14)
mp.tick_params(labelsize=10)
mp.plot(x, sinx, color='dodgerblue',
        label='y=sin(x)')
mp.plot(
    x, cosx, color='orangered',
    label=r'$y=\frac{cos(\frac{x}{2})}{2}$')
# 填充
mp.fill_between(
    x, sinx, cosx, sinx > cosx,
    color='dodgerblue', alpha=0.5)
mp.fill_between(
    x, sinx, cosx, sinx < cosx,
    color='orangered', alpha=0.5)


mp.tight_layout()
mp.legend()
mp.show()

在这里插入图片描述

条形图(柱状图)
mp.bar(
	x,			# 水平坐标数组
    y,			# 柱状图高度数组
    width,		# 柱子的宽度
    color='',	# 填充颜色
    label='',	#
    alpha=0.5	#
)

案例:绘制苹果12个月的销量,绘制橘子的销量.

import numpy as np
import matplotlib.pyplot as mp

apples = [23, 19, 81, 22, 65, 34, 65, 23, 89, 56, 89, 39]
oranges = [56, 56, 74, 39, 64, 95, 63, 48, 56, 98, 65, 45]

mp.figure('Bar', facecolor='lightgray')
mp.title('Bar', fontsize=18)
mp.xlabel('Month', fontsize=14)
mp.ylabel('Price', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':', axis='y')

x = np.arange(len(apples))
mp.bar(x - 0.2, apples, 0.4,
       color='dodgerblue', label='Apple')
mp.bar(x + 0.2, oranges, 0.4,
       color='orangered', label='Orange')

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

mp.legend()
mp.show()

在这里插入图片描述

饼状图
mp.pie(
	values,			# 值列表
    spaces,			# 扇形之间的间距列表
    labels, 		# 扇形的标签列表
    colors,			# 扇形的颜色列表
    '%d%%',			# 所占比例的格式
    shadow=True,	# 绘制阴影
    startangle=90,	# 逆时针绘制饼状图的起始角度
    radius=1		# 半径
)

案例:绘制饼状图显示5门语言的流行度.

import numpy as np
import matplotlib.pyplot as mp

mp.figure('Pie', facecolor='lightgray')
mp.title('Pie', fontsize=14)

values = [26, 17, 21, 29, 11]
spaces = [0.05, 0.01, 0.01, 0.01, 0.01]
labels = ['Python', 'JavaScript',
          'C++', 'Java', 'PHP']
colors = ['dodgerblue', 'orangered',
          'limegreen', 'violet', 'gold']
# 等轴比例绘制
mp.axis('equal')
mp.pie(values, spaces, labels, colors,
       '%d%%', shadow=True,
       startangle=90, radius=1)
mp.legend()
mp.show()

在这里插入图片描述

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.所以等高线的绘制是属于3D数学模型的范畴.

#绘制等高图
mp.contourf(
    x, y, 	# 网格坐标矩阵
    z, 		# 坐标矩阵中每个点的值
    8, 		# 把整个模型的高度等分8份
    cmap='jet'	#颜色映射
)
#绘制等高线
mp.contour(x, y, z, 8, 
           colors='black',
           linewidths=0.5
)
# 设置等高线的标签文本
mp.clabel(cntr, inline_spacing=1,
          fmt='%.1f', fontsize=10)

在这里插入图片描述#### 热成像图

用图形的方式显示矩阵及矩阵中值的大小.

# origin
# 'upper': 默认值 y轴方向向下
# 'lower': y轴方向向上
mp.imshow(z, cmap='jet', origin='lower')

在这里插入图片描述

3D图像绘制

matplotlib支持绘制三维曲面,但需要使用axes3d提供的3d坐标系进行绘制.

from mpl_toolkits.mplot3d import axes3d
ax3d = mp.gca(projection='3d')
# 使用ax3d对象绘制3维图形
ax3d.scatter()			# 3维散点图
ax3d.plot_surface()		# 3维平面图
ax3d.plot_wireframe()	# 3维线框图

3维散点图的绘制

ax3d.scatter(
	x, y, z, 		# 点的位置坐标数组 x, y, z
    marker='',		#
    s=30,			#
    zorder=3,		#
    color='',		#
    edgecolor='',	# 边缘色
    facecolor='',	# 填充色
    c=v, 			# 设置颜色(使用cmap映射)
    cmap=''			
)

案例: 生成三维散点数组, 显示在三维坐标系中.

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

n = 1000
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='gray')
mp.title('3D Points', fontsize=18)
# 获取3d坐标轴
ax = mp.gca(projection='3d')
ax.set_xlabel('X', fontsize=12)
ax.set_ylabel('Y', fontsize=12)
ax.set_zlabel('Z', fontsize=12)
mp.tick_params(labelsize=8)
# v用于设置散点的颜色
v = np.sqrt(x**2 + y**2 + z**2)
ax.scatter(x, y, z, s=30, c=v, cmap='jet',
           alpha=0.5)
mp.show()

在这里插入图片描述
绘制3d平面图

#如果n为1000, rstride为30,则图像将会被评分1000/33份,
#分别设置不同的渐变色.这意味着跨距越小,图像越细腻,资源消
#耗也越大.
ax3d.plot_surface(
	x, y, z,	# 与等高线图的xyz参数相同
    rstride=30,	# 行跨距
    cstride=30, # 列跨距
    cmap='jet'	# 颜色映射
)

在这里插入图片描述绘制3d线框图

ax3d.plot_wireframe(
    x, y, z, 		# 与等高线图的xyz参数相同
    rstride=30, 	# 行跨距
    cstride=30, 	# 列跨距
	linewidth=1,	
	color=''
)


# -*- coding: utf-8 -*-
from __future__ import unicode_literals
'''
绘制3D线框图
'''
import numpy as np
import matplotlib.pyplot as mp
from mpl_toolkits.mplot3d import axes3d

n = 1000
x, y = np.meshgrid(np.linspace(-3, 3, n),
                   np.linspace(-3, 3, n))
z = (1 - x / 2 + x**5 + y**3) * \
    np.exp(-x**2 - y**2)

mp.figure('Wire', facecolor='lightgray')
mp.title('Wire', fontsize=18)
ax3d = mp.gca(projection='3d')
ax3d.set_xlabel('x', fontsize=14)
ax3d.set_ylabel('y', fontsize=14)
ax3d.set_zlabel('z', fontsize=14)
mp.tick_params(labelsize=10)

ax3d.plot_wireframe(
    x, y, z, rstride=30, cstride=30,
    color='dodgerblue')

mp.show()

在这里插入图片描述

极坐标系

与笛卡尔坐标系不同,某些情况下极坐标系适合处理与角度有关的图像.极坐标系可以描述极径ρ(rho)与极角θ(theta)之间的关系.

mp.figure()
mp.gca(projection='polar')
# 再进行图像绘制时将会基于极坐标系进行绘制

案例:在极坐标系中绘制一条线 [0,4π] y=0.8*x

import numpy as np
import matplotlib.pyplot as mp

x = np.linspace(0, 4 * np.pi, 1000)
y = 0.8 * x
sinx = 3 * np.sin(6 * x)
mp.figure('Polar', facecolor='lightgray')
mp.gca(projection='polar')  # 使用极坐标系
mp.title('Polar', fontsize=18)
mp.xlabel('x', fontsize=14)
mp.ylabel('y', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
mp.plot(x, y, label='y=0.8x')
mp.plot(x, sinx, label='y=3sin(6x)')
mp.legend()
mp.show()

在这里插入图片描述

实现简单动画

动画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函数用于实时更新图像.

import matplotlib.animation ma
# 更新图像的函数,在该函数中实现图像更新业务
def update(number):
    pass
# 开始执行一段动画 (每隔10毫秒执行update更新界面)
# mp.gcf(): 获取当前窗体 getCurrentFrame() 
# update:	更新图像的函数,在该函数中实现图像更新业务
# interval: 周期时间
ma.FuncAnimation(mp.gcf(), update, interval=10)

案例:

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

# 1.随机生成100个泡泡
# [((1,2), 30, 1, (0.2,0.2,0.2))]

n = 100
balls = np.zeros(n, dtype=[
    ('position', float, 2),
    ('size', float, 1),
    ('growth', float, 1),
    ('color', float, 4)])
# 对着100个元素进行初始化 设置随机值
# uniform随机生成0-1的数填充n行2列的数组
balls['position'] = np.random.uniform(
    0, 1, (n, 2))
balls['size'] = np.random.uniform(
    60, 70, n)
balls['growth'] = np.random.uniform(
    10, 50, n)
balls['color'] = np.random.uniform(
    0, 1, (n, 4))

# 绘制这些球
mp.figure('Bubbles', facecolor='lightgray')
mp.title('Bubbles', fontsize=18)
mp.xticks([])
mp.yticks([])

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


# 在update函数中更新球的状态
def update(number):
    balls['size'] += balls['growth']
    # 选择一个泡泡使之破裂
    boom_ind = number % n
    balls[boom_ind]['size'] = \
        np.random.uniform(67, 80, 1)
    balls[boom_ind]['position'] = \
        np.random.uniform(0, 1, (1, 2))
    # 重新绘制
    sc.set_sizes(balls['size'])
    sc.set_offsets(balls['position'])


anim = ma.FuncAnimation(
    mp.gcf(), update, interval=30)

mp.show()

使用生成器函数提供数据,实现动画的绘制

import matplotlib.animation ma
# 更新图像的函数,在该函数中实现图像更新业务
def update(val):
    pass
# 生成器函数用于提供动画所需参数
def generator():
    # ...
    yield val
#执行动画时,将会先调用generator获取数据,然后带着数据调
#用update函数执行界面更新.(这个过程每10毫秒执行一次)
ma.FuncAnimation(mp.gcf(), update, 
                 generator,interval=10)

在这里插入图片描述
案例:模拟信号接收器 y=sin(2πt)*exp(sin(0.2πt))

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

mp.figure('Signal', facecolor='lightgray')
mp.title('Signal', fontsize=18)
mp.xlim(0, 10)
mp.ylim(-3, 3)
mp.grid(linestyle=':', alpha=0.5)
pl = mp.plot([], [], color='dodgerblue',
             label='Signal')[0]
pl.set_data([], [])
# 接收生成器生成的(x,y),添加到绘制的
# 曲线坐标数组中,重新绘制界面


def update(data):
    t, v = data
    x, y = pl.get_data()
    # 把新的坐标点,添加到当前plot对象坐标数组中
    x.append(t)
    y.append(v)
    # 重新设置plot对象的数据集
    pl.set_data(x, y)
    # 移动坐标轴
    if(x[-1] > 10):
        mp.xlim(x[-1] - 10, x[-1])
    pass


x = 0
# 生成坐标点数据 yield返回
def 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

# 执行动画
anim = ma.FuncAnimation(
    mp.gcf(), update, generator, interval=30)

mp.show()

动图

numpy与matplotlib应用

加载文件

读取aapl.csv文件, 在图标中绘制文件信息.

#当numpy读取文件时,会把第一列的数据先经过func函数处理,
#然后交给dtype进行数据类型转换,最终赋值给dates变量.
def func(date):
    return '2011-10-10'

dates, opening_price = np.loadtxt(
	'../data/csv',			# 文件路径
    delimiter=',', 			# 文件的列分隔符(,)
    usecols=(1,3),			# 需要读取的列的下标
    unpack=True,			# 是否需要拆包
    dtype='U10,f8',			# 读取的每一列的类型	
    converters={1:func}		# 转换器函数字典
)


import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md

# 定义函数,转换日期格式


def dmy2ymd(dmy):
    dmy = str(dmy, encoding='utf-8')
    date = dt.datetime.strptime(
        dmy, '%d-%m-%Y').date()
    s = date.strftime("%Y-%m-%d")
    return s

# 加载文件
dates, opening_prices, highest_prices, \
    lowest_prices, closing_prices = \
    np.loadtxt(
        'aapl.csv',
        delimiter=',',
        usecols=(1, 3, 4, 5, 6),
        unpack=True,
        dtype='M8[D], f8, f8, f8, f8',
        converters={1: dmy2ymd})

# 绘制收盘价的折线图
mp.figure('AAPL', facecolor='lightgray')
mp.title('AAPL', fontsize=18)
mp.xlabel('Date', fontsize=14)
mp.ylabel('Price', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
#设置刻度定位器, x轴需要显示时间信息
ax = mp.gca()
# x轴主刻度为每周一
ax.xaxis.set_major_locator(
    md.WeekdayLocator(byweekday=md.MO))
ax.xaxis.set_major_formatter(
    md.DateFormatter('%Y-%m-%d'))
# x轴次刻度为每天
ax.xaxis.set_minor_locator(
    md.DayLocator())
# 把日期数组元素类型改为md可识别的类型
dates = dates.astype(md.datetime.datetime)
mp.plot(dates, closing_prices,
        color='dodgerblue', linewidth=3,
        linestyle=':', label='closing_price')

mp.legend()
# 自动格式化日期显示方式
mp.gcf().autofmt_xdate()
mp.show()

在这里插入图片描述
案例:读取文件,绘制股价图.

import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md

# 定义函数,转换日期格式


def dmy2ymd(dmy):
    dmy = str(dmy, encoding='utf-8')
    date = dt.datetime.strptime(
        dmy, '%d-%m-%Y').date()
    s = date.strftime("%Y-%m-%d")
    return s

# 加载文件
dates, opening_prices, highest_prices, \
    lowest_prices, closing_prices = \
    np.loadtxt(
        'aapl.csv',
        delimiter=',',
        usecols=(1, 3, 4, 5, 6),
        unpack=True,
        dtype='M8[D], f8, f8, f8, f8',
        converters={1: dmy2ymd})

# 绘制收盘价的折线图
mp.figure('AAPL', facecolor='lightgray')
mp.title('AAPL', fontsize=18)
mp.xlabel('Date', fontsize=14)
mp.ylabel('Price', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
#设置刻度定位器, x轴需要显示时间信息
ax = mp.gca()
# x轴主刻度为每周一
ax.xaxis.set_major_locator(
    md.WeekdayLocator(byweekday=md.MO))
ax.xaxis.set_major_formatter(
    md.DateFormatter('%Y-%m-%d'))
# x轴次刻度为每天
ax.xaxis.set_minor_locator(
    md.DayLocator())
# 把日期数组元素类型改为md可识别的类型
dates = dates.astype(md.datetime.datetime)
mp.plot(dates, closing_prices,
        color='dodgerblue', linewidth=3,
        linestyle=':', label='closing_price',
        alpha=0.3)

# 整理蜡烛图所需的颜色
# 填充色
rise = closing_prices > opening_prices
color = np.array(
    [('white' if x else 'green')
     for x in rise])
# 边框色
ecolor = np.array(
    [('red' if x else 'green')
     for x in rise])

# 绘制K线图的影线
mp.bar(dates,
       highest_prices - lowest_prices,
       0.1, lowest_prices, color=ecolor)

# 绘制K线图的实体
mp.bar(dates,
       closing_prices - opening_prices,
       0.8, opening_prices,
       edgecolor=ecolor, color=color)

mp.legend()
# 自动格式化日期显示方式
mp.gcf().autofmt_xdate()
mp.tight_layout()
mp.show()

在这里插入图片描述

子皿叔
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
使用matplotlib绘制高级图表
09-05
绘制人口金字塔图所需数据文件
Python数据分析(Matplotlib)之3D图形
热门推荐
xGuardian的博客
07-17 3万+
能够使用Matplotlib构建的3D图形示例：  导入相关包： from mpl_toolkits.mplot3d.axes3d import Axes3D  生成数据，并进行相关绘图 绘制3维的散点图，代码如下： #绘制3维的散点图 x = np.random.randint(0,10,size=100) y = np.random.randint(-20,20,size=1...
Python数据可视化Part 5-Matplotlib 3D图片与投影教学-代码详解
weixin_59634927的博客
01-23 5082
下面代码在实际操作中稍作修改即可使用 代码步骤： 3D图需要额外导入模块 将默认figure图转化为3D图 给出x，y的坐标数据 画出网格线 给出高度Z的值 画出图像 将颜色进行投影 限制画图的坐标轴范围 代码如下： import numpy as np import matplotlib.pyplot as plt # 3D图需要额外导入模块 from mpl_toolkits.mplot3d import Axes3D # 将默认figure图转化为3D图 fig = plt.
matplotlib之绘制三维图像
weixin_45081640的博客
06-07 6548
3D图像的绘制 matplotlib支持绘制三维线框图, 三维曲面图, 三维散点图. 需要使用axes3d提供3d坐标系. from mpl_toolkits.mplot3d import axes3d ax3d = mp.gca(projection='3d') ax3d.plot_wireframe() # 绘制3d线框图 ax3d.plot_surface() # 绘制3d曲面图 ax3d.scatter() # 绘制3d散点图 三维线框图 ax3d.plot_wireframe(
Matplotlib三维绘图，这一篇就够了
qq_40985985的博客
08-25 2万+
Matplotlib三维绘图，这一篇就够了。这篇博客将介绍3D线图、散点图、随机颜色散点图、散点不同mark点图、线框图、曲面不透明图、曲面透明图等7种3D效果图。
数据可视化: matplotlib绘制动态图及3维动画
心中无码
05-12 2万+
动画可以有趣地展示某种现象。相比于静态图表，人们更容易被动画和交互式的图表所吸引。在描绘时间序列数据时，动画更有意义，例如多年来股票价格的波动，过去十年气候的季节性变化和和趋势，因为我们可以看到特定参数如何随时间变化。 上图是用Matplotlib实现的雨滴模拟，Matplotlib库被人们亲切地称为Python可视化包的祖父。Matplotlib通过设置50个散射点的比例和不透明度的...
可视化库----Matplotlib+Pandas高级篇及应用
01-27
3.1、从文件中加载数据 3.2、从网页中加载数据 4.1、Series/DataFrame.plot()方法 4.2、参数详解 4.3、绘制多区域柱状图 4.4、绘制直方图 4.5、箱型图
图解Matplotlib
12-16
6.高级图形 7.标尺 8.投影 9.线型 10.标记 11.颜色 12.颜色组合 13.刻度 14.刻度格式 15.装饰 16.事件处理 17.动画 18.风格 19.快速提示 20.键盘快捷键 21.十条简单的规则 22.文本 23.图例 24.注释
python高级模块matplotlib 数据可视化分析教程
01-11
python视频 python高级模块matplotlib 数据可视化分析教程
Python三维绘图——Matplotlib
Lois_llw的博客
01-10 1万+
菜鸡的第一篇博客。学习一下大佬的笔记。 1.创建三维坐标轴对象Axes3D 方法一、利用关键字“projection=3D”来实现 #方法一、利用关键字”objection=3d“ from matplotlib import pyplot as plt #定义坐标轴 fig=plt.figure() ax1=plt.axes(projection='3d') 方法二、利用三维轴通过从mpl_toolkits.mplot3d导入 Axes3D #方法二、利用三维轴 from matplotl
matplotlib函数库使用Axes3D绘制3D图形
Cyber
11-05 1万+
#coding=utf-8 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig=plt.figure() ax=Axes3D(fig) x=np.arange(-5,5,0.25) y=np.arange(-5,5,0.25) x,y=np.meshgrid(x
python 绘制3D散点图
廷益_飞鸟的博客
07-02 1万+
绘制3D散点图 """ 绘制三维散点图 """ import numpy as np import matplotlib.pyplot as mp from mpl_toolkits.mplot3d import axes3d # 1.生成数据 n = 200 x = np.random.normal(0, 1, n) y = np.random.normal(0, 1, n) z = np.random.normal(0, 1, n) d = np.sqrt(x ** 2 + y ** 2 +
python绘制三维曲面图-Python中使用Matplotlib绘制3D图形示例
weixin_37988176的博客
11-01 3318
原标题：Python中使用Matplotlib绘制3D图形示例3D图形能给我们对数据带来更加深入地理解。python的matplotlib库就包含了丰富的3D绘图工具。3D图形在数据分析、数据建模、图形和图像处理等领域中都有着广泛的应用，下面将给大家介绍一下如何在Python中使用 matplotlib进行3D图形的绘制，包括3D散点、3D表面、3D轮廓、3D直线（曲线）以及3D文字等的绘制。准备...
“matplotlib使用Axes3D绘3D图像时，没有内容”的解决方法
文山
12-19 3770
以上代码示例部分来自我写的《Python软件测试实战宝典》 的内容，有兴趣，行动起来立马入手一本(各平台均有）。挑战零基础60天，入行软件测试、BI数据分析、人工智能请找“智谷一川,qwentest123”。
matplotlib 3D绘图警告（matplotlib笔记5）
weixin_52703681的博客
02-25 1632
警告内容 MatplotlibDeprecationWarning: Axes3D(fig) adding itself to the figure is deprecated since 3.4. Pass the keyword argument auto_add_to_figure=False and use fig.add_axes(ax) to suppress this warning. The default value of auto_add_to_figure will change to
Matplotlib
weixin_39910711的博客
06-08 636
1Matplotlib的图像组成部分 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...
Python绘制3D图形：Axes3D
m0_52571323的博客
12-17 2万+
1 3D图形绘制需要（x,y,z)三组值，下面通过numpy和Axes3D函数会议3D图形。其中Axes3D是mpl_toolkits.mplot3d中的一个绘图函数，mpl_toolkits.mplot3d是Matplotlib里面专门用来画三维图的工具包。 2.mpl_toolkits.mplot3d导入方式如下： 或者：from mpl_toolkits.mplot3d import * 或者：from mpl_toolkits.mplot3d import Axes3D 或者：import mpl_
Matplotlib 数据分析可视化
08-30
数据分析三剑客，NumPy、Pandas、Matplotlib，本课程是对Matplotlib的讲解，Matplotlib可以是分析的数据可视化，可以更直观的查看数据分析的结果，本课程独辟蹊径，不光教大家如何绘图，例如：饼图、柱状图、条形图、直方图等，而且深入剖析的Matplotlib的绘图原理，例如：如何操作图片，如何加载本地数据等。
Matplotlib画几种三维图
weixin_44560088的博客
05-03 5792
本文意在发展一个专题，总结一下如何用matplotlib实现各种可视化三维图 ...
matplotlib高级用法
最新发布
10-07
matplotlib的高级用法包括如下几个方面： 1. 使用pyplot显式创建图形figure：通过调用plt.figure()函数创建一个图形对象，然后使用add_subplot或add_axes方法向图形中添加子图。add_subplot可以添加一个或多个子图，而add_axes可以添加一个自定义位置和尺寸的子图。 2. 控制图形的各个元素：通过对图形的各个元素进行操作，可以实现对图形的完全控制。例如，可以设置图形的标题、轴标签、刻度、图例等。还可以通过设置参数来修改图形的大小、颜色、线型等。 3. 使用多个轴绘制图形：使用plt.subplots()函数可以在一个图形中创建多个轴。这样可以同时展现多个相关的数据，并进行比较和分析。 4. 使用面向对象的方法绘制图形：除了使用pyplot接口，还可以使用面向对象的方法绘制图形。首先创建一个Figure对象，然后添加一个或多个Axes对象，对这些对象进行操作以绘制图形。这种方法更加灵活，可以对图形进行更精细的控制。 5. 使用自定义的绘图方法：matplotlib提供了丰富的绘图方法，但有时候需要自定义特定的绘图方法。可以通过继承Artist类或使用FuncAnimation类来实现自定义绘图方法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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