优点：可以进行矩阵运算，比一个一个算更快。
一、NumPy
一、安装
- 首先安装anaconda，详见安装
- 其次，执行：conda install numpy 和conda install pandas 及进行安装。
二、基础
- 普通矩阵转化为numpy的：array=np.array([ [1,2,3 ][2,3,4 ]]) 还可以设置其格式：np.array([2,3],dtype=np.int)
- 输出矩阵的维度：array.ndim 上例中是2
- 输出矩阵的形状：array.shape 上例中是(2,3)
- 输出矩阵大小：array.size 上例中是6
- 输出矩阵形式：array.dtype 上例中是int64
- 生成全零矩阵：a=np.zeros( (3，4) ) 生成一个三行四列的矩阵，注意大小一定要用括号括住！
- 生成全部为1的矩阵：np.ones( () )
- 生成什么都没有的矩阵(数据接近于零)：np.empty( () )
- 生成有序矩阵：np.arange( 10,20 ,2) 分别表示起始值(默认为0)、终止值(最终不包含)、步长(默认为1)
- 还可以用：np.arange(12)
- 重新定义形状：np.reshape( (3,4) )
- 生成一个线段：np.linspace(1, 10, 5) 从第一个数开始到最后一个数(包含)生成一个被分成了最后一个数表示的段数的矩阵，[1. 3.25 5.5 7.75 10.]
- 生成一个随机矩阵：np.random.randn( () ) 在random模块下的randn
三、基础运算
一、一维
- 加+、减-、乘*、除/：逐个相运算
- 平方**： 逐个平方
- sin：逐个求sin值
- 判断值大小：print(array<3) 输出一个bool类型的同样大小的矩阵，true表示小于，false表示大于等于
二、矩阵
- 乘*：逐个相乘
- 乘：矩阵的乘法：np.dot(array,array2) 也可以写成：a.dot(b)
- 整个矩阵求和：np.sum(array)
- 在矩阵第一行求和还可以定义维度：np.sum(array,axis=1) array是一个二维矩阵的话，axis=1表示对每一行求和，返回一个矩阵，有几行矩阵有几项；axis=0表示对每一列求和
- 矩阵求最小值：np.min(array)
- 矩阵求最大值：np.max(array)
- 矩阵最小值的索引：np.argmin(array)
- 矩阵平均值：np.mean(array) 当然也可以array.mean()
- 矩阵中位数：np.median(array)
- 矩阵累积求和：np.cumsum(array) 返回一个一维矩阵，第一个数是第一个的值，第二个是前两个相加的值，第n个是前n个相加的值
- 矩阵累差：np.diff(array) 第一个是前两个数的差，第二个是第二个和第三个的差，因此最后会少一个
- 矩阵非零的数的索引：np.nozero(array) 几维返回几个一维矩阵
- 矩阵排序：np.sort(array) 逐行排序
- 矩阵的转置：np.transpose(array) 也可以写成array.T 但是不能将一个一维的横向的改变成为垂直的[[1],[1],[1]]，因为是一维的一个。实现方法：可以在列上新建一个维度array[:,np.newaxis]
- 矩阵截取：np.clib(array,5,9) 将array中小于5的变成5，大于9的变成9，其余的不变
- 计算都可以指定axis，axis=i，相当于对第i个维度进行操作。
四、索引
- 按索引进行输出：array[3] 一维输出第三个，二维索引第二行 array[1,2]等价于array[1][2]
- 切片：某一维度只有一个:表示全部 a:b表示该维度从a开始到b不含b的
- for循环默认循环行，可以先转置后迭代列
- 一个一个迭代可以先将矩阵展平：array.flatten()返回一个被展平的矩阵；array.flat返回展平的迭代器
五、合并
- 垂直合并，可以理解为向下合并：np.vstack( (array,array2) ) #vertical stack，合并后[[array],[array2]]
- 水平合并，可以理解为左右合并：np.hstack( (array,array2) ) #horizontal stack，合并后[array,array2]
- 多项合并：np.concatenate( (array,array2,array3), axis=0 ) 多项合并，可以指定轴
六、分割
- 相等分割：np.split(array,2,axis=1) 对矩阵进行分割，分成2块，按行分割，原来一行有四个则分割完每个一行两个
- 不等分割：np.array_split(array,3,axis=1) 对矩阵进行分割，例如一行有四个，分成每行2 1 1 个
- 纵向分割：np.vsplit(array,3) 相当于按照列，一共9行，分成3 3 3行的
- 横向分割：np.hsplit(array,3) 相当于按照列，一共9列(一行9个)，分成3 3 3列的(每行有三个)
七、拷贝和深拷贝
- b=array 那么array改变，b也会被改变，也就是说b is array 是True
- d=b 由于b=array，因此array、b、d改一个则其他几个都会变
- 深拷贝：b=array.copy() 相当于把array的值赋值给b，但是两者之间没有关联
二、Pandas
字典形式的numpy，可以给不同的行不同的列重新命名。
一、基本功能
- 初始化一个：s=pd.Series([1,3,6,np.nan,1]) 对其输出，可以看到对每个值进行了排序，会多一个序号项，且最后会输出其dtype类型。
- 初始化一个datetime：dates=pd.date_range(‘2021-11-02’,periods=6) 对其输出可以看到二号到七号六个日期
- 用列表初始化一个dataframe：df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=[‘a’,‘b’,‘c’,‘d’]) 对其输出，其行的索引是dates(也就是2里面我们自己定义的那个，以此为每一行的名字，如果没有默认：int从零开始)，列的索引是‘a’,‘b’,‘c’,‘d’(默认：int从0开始)
- 用字典初始化一个dataframe：df=pd.DataFrame({‘A’:1.,
‘B’:pd.Timestamp(‘20130102’),
‘C’:pd.Series(1,index=list(range(4),dtype=‘float32’)),
‘D’:np.array([3]4,dtype=‘int32’),
‘E’:pd.Categorical([“test”,“train”,“test”,“train”]),
‘F’:‘foo’}) 对其输出可以发现由于E有4个，为了对其，因此其他的全部扩充(广播)到4个(相同的)，也就是说最终是46的格式。 - 还可以用查看其属性：
- df.dtypes 输出其每一列的数据形式。
- df.index 返回所有行的序号(也可以理解为名字)的列表。
- df.columns 返回列的名字的列表。
- df.values 返回所有值。
- df.describe() 返回每一列(同一类型，且会自动略过字符串等形式)的平均值、数量、等一系列信息。df.T 进行转置。
- 按序号排序：df.sort_index(axis=1, ascending=False) 会对每一列的名字进行排序，false表明倒序排列；当然也可以axis=0，表示对每一行的名字进行排序；true表示正序排列。
- 按值排序：df.sort_valuse(by=‘E’) 指定某一列进行排序。
- 显示前几个数据：df.head() 可以指定前几个，默认是前5个。
二、选择数据
- 还是上面的数据，想要输出某一列：df[‘A’]等效于df.A 都会输出列名字是A的那一列。
- 想要输出某几行，可以先切片：df[0:3]等效于df[‘0’:‘3’] 都会输出前三行，后者表示的是行的名字，相当于列的’A’。
- 根据标签进行选择：df.loc[:,[‘A’,‘B’]] #select by label:loc 可以选择行也可以选择列df.loc[‘3’]
- 根据位置进行选择：df.iloc[3:5,1] #select by position:lioc 还可以不连续筛选df.iloc[[0,1,3],1:3]
- 根据标签和位置一起筛选：df.ix[:3,[‘A’,‘C’]] #mixed selection:ix
- 根据是否筛选：df[df.A>8] #Boolean indexing 筛选出A列中>8的数字(和符合条件的一行的其他列也会显示出来)
三、设置值
- 对选定的位置或范围赋值：直接赋值就行(选择范围时注意上一块中6强调的，符合条件的同一行其他列也会显示，因此也会被更改，可以再次选择某一列，一方改错：df.A[df.A>8]=0，这样就只会更改A列中大于8的数为0了)。
- 加上空列：df[‘F’]=np.nan
- 加上新列：df[‘E’]=pd.Series([1,2,3,4],index=原有的index一样的序列，这样才能对齐)
四、处理丢失数据
- 丢掉NaN的数据：df.dropna(axis=0,how=‘any’) #how={any,all} any表示只要该行有NaN就丢弃，all表示只有当该行全部都是NaN时才丢弃该行 axis=0表示按行丢弃；axis=1表示按列丢弃
- 为NaN数据赋值：df.fillna(value=0)
- 检查是否有NaN值：df.isnull() 返回一个表格，True表示是NaN，False表示不是
- 直接看是否有NaN项：np.any(df.isnull()=True) 直接判断是否有等于True的值，有则返回True
五、导入导出数据
- 可以读取的数据类型：read_csv read_excel read_hdf read_sql read_json read_msgpack(experimental) read_html read_gbq(experimental) read_stata read_sas read_clipboard read_pickle
- 可以保存的数据类型(和read一一对应)：to_csv to_excel to_hdf to_sql to_json to_msgpack(experimental) read_html to_gbq(experimental) to_stata to_clipboard to_pickle
- 读取使用：data=pd.read_csv(‘student.csv’) 然后直接输出就行，会自动加一个索引
- 存储使用：data.to_pickle(‘student.pickle’) 然后就会保存到对应文件
参考文档：
六、合并
1.concatenating
- axis=0竖向合并(上下合并)，也就是行合并(最终行数增多)；axis=1横向合并(左右合并)，也就是列合并(最终列数增多)。
- 一般每列一样时使用axis=0，使相同含义的数据在同一列。
- 格式：pd.concat([df1,df2,df3],axis=0,ignore_index=True) 因为合并玩行的名字，也就是索引会出现重复，因此可以选择ignore_index=True表示合并后重新排行的索引。
2.join,[‘inner’,‘outer’]
- 是concatenating的一个参数，可以合并列名不一样的df。
- 默认的join模式是NaN填充(outer)，相同的还是合并成一个列，不是公共所有的会新添一列，原本没有的会在该列上补上NaN。
- inner是删除，也就是说不是公共所有的就会被删除，留下公共所有的合并。
3.join_axes
- join是参考了两者，join_axes可以指定参考哪一个，例如制定了df1，那么df1中有的会被保留，别的没有的会被NaN补全，df1中没有的会被删去。
4.append
- 向后加元素，可以向行或者列后加，可以加一行(列)也可以直接加一个df，相当于合并。
- 格式：df1.append(df2,ignore_index=True) 可以合并不止一个，将df2改为[df2,df3]就行
- 格式：s1=pd.Series([1,2,3,4],index=[‘a’,‘b’,‘c’,‘d’])
res=df1.append(s1,ignore_index=True)
5.merge
- 相当于数据库中的key，以相同的key(指定的行或者列)进行合并。
- 格式：pd.merge(df1,df2,on=‘key’) #merging two df by key/keys
- 格式：pd.merge(df1,df2,on=[‘key1’,‘key2’]) #consier two keys 默认合并方法是how=‘inner’
- 参数：how=[‘left’,‘right’,‘outer’,‘inner’]，inner只保留相同不同删去；outer补上NaN；left以第一个为参照，第一个有的被保留或补充，没有的被删去。
- 参数：indicator默认是False，若设置为True则会显示合并过程中的原因(保留了那个没有保留那个)，left_only;both;right_noly。默认该列的名字是——merge，还可以直接赋值indicator='indicater_show’直接为该列改名。
- 参数：pd.merge(df1,dfd2,left_index=True,right_index=True,how=‘outer’) #merge by index(索引，最左边的一列) 相当于考虑的时候考虑的不是某个有key含义的列，而是index。
- 参数：suffixes=[’_df1’,’_df2’]#handle overlapping 区分两个df里一样的列名，会多一个你设置的后缀
七、plot图表
- 可视化必不可少的：import matplotlib.pyplot as plt
- 将想要可视化的数据例如是data：data.plot() 就可以plot上去
- 然后显示出来即可：plt.show()
- 显然可以显示Series类型的数据，还可以显示DF类型的，步骤一样，不过会有很多条线。
- plot里有很多参数，可以设定其颜色粗细等，linestylr=’–’ #虚线。
- plot methods：‘bar’,‘hist’,‘box’,‘kde’,‘area’,‘scatter’,‘hexbin’,‘pie’
- 和plot类似的scatter：打印出来是点 plt.scatter(x=,y=)
- scatter：只有两个属性，可以用到data.plot,scatter(x=‘A’,y=‘B’) df可能有很多列，但是只能用其中的两个，如此处选择的是A和B。还可以设置color=‘DarkGreen’。还可以命名label=‘Class 1’。
- 可以在一张图上画出两个将第一个赋值给变量abc，在第二个里面多设置一个参数ax=abc。
三、Matplotlib
一、安装
- 安装过numpy
- anaconda下安装就行
二、基本用法
- 导入最常用的包：import matplotlib.pyplot as plt 以及用numpy制作数据
- 步骤：生成数据->plt.plot(x,y)->plt.show()
- 生成的图片的下图标作用：主界面 上一步 下一步 拖动 放大某一块 调整数值 保存
- 可以为每条线命名，plt.plot(x,y)
三、figure图像
- figure就是一张图像，相当于区分开每张图。
- 首先定义一个figure，也就是plt.figure()，此后的数据将会在这张图上显示，直到另一个该语句出现。
- 可以对其命名和修改大小：plt.figure(num=3,figsize=(8,5)) 前一个参数是名字叫figurenum，后一个参数是大小，最后显示语句和正常的一样。
- plot参数：color;linestyle;linewidth。
四、坐标轴设置
- 设置坐标轴范围(可以显示的范围)：plt.xlim((-1,2)) plt.ylim((-2,3))
- 描述坐标轴(命名)：plt.xlable(‘I am x’) plt.ylable(‘I am y’)
- 设置坐标大小间隔：new_ticks=np.linespace(-1,2,5) plt.xticks(new_ticks)
- 设置坐标名称(文字代替数字)：plt.yticks([-2,-1.5,-1,1,3],[‘really bad’,‘bad’,‘normal’,‘good’,‘really good’]) 字体更改，可以在前后加上’$ ‘，变成’$ really\ good$ '，在$中无法识别空格，需要加上转移符号\，前面一半加上r表示正则表达式，还可以显示特殊符号(和markdown的数学公式相似)。
- 设置坐标轴的位置：
ax=plt.gca() #get current axis 得到当前坐标轴
ax.spines['right'].set_color('none') #设置右边框消失
ax.spines['top'].set_color('none') #设置上边框消失
ax.xaxis.set_ticks_position('bottom') #设置x轴为下边框
ax.yaxis.set_ticks_position('left') #设置y轴为左边框
#outward,axes(要定位到另一个轴的相对那个位置)
ax.spines['bottom'].set_position(('data' ，-1)) #设置横坐标轴位置，首先传入data，说明轴的位置和坐标轴上的值有关，在data值为-1，也就是纵坐标为-1时是x轴的原点。
ax.spines['left'].set_position(('data' ，0)) #设置纵坐标轴位置，首先传入data，说明轴的位置和坐标轴上的值有关，在data值为0，也就是横坐标为0时是y轴的原点。
五、legend图例
- 图例：描述图中线条的含义的小图
- 首先为每条线命名，可以直接使用默认参数：plt.legend()
- 参数：plt.legend(handles=[l1,l2,],labels=[‘aaa’,‘bbb’],loc=‘best’) #loc:best 表示默认找一个数据最少的放下；也可以upper right…等指定地方；handles:放入需要描述的线，其中l1,=plt.plot(x,y,label=‘up’)，变量名后的,不能省略，想传进去必须有逗号；labels:想要给线的名字，而不会用到线本身的label，如果labels比线少那么会按照labels里打印，没有名字的不打印，[‘aaa’,]时只显示aaa对应的第一条线。
六、Annotation标注
- 可以强调某个点，画出其在坐标轴对应的虚线；并在该点处添加注释；或者直接对整条线进行注释。
- 添加描述：
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(-3,3,50)
y=2*x+1
plt.figure(num=1,figsize=(8,5),)
plt.plot(x,y,)
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'],set_positon(('data',0))
ax.ysxias.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
#添加对点的注释
x0=1
y0=2*x0+1 #需要描述点
plt.scatter(x0,y0,s=50,color='b') #scatter就是plot上去点
plt.plot([x0,x0],[0,y0],'k--',lw=2.5) #plot出一条该点到x轴的垂线，此处还是虚线用'--'表示，颜色是black用‘k’表示，宽度lw是2.5
#method 1 添加对该点的描述
plt.annotate(r'$2x+1=%s$'%y0,xy=(x0,y0),xycoords=‘data’,textcoords=’offset points‘,fontsize=16,arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))
#向字符串内传入%s是%y0的值；
#xy表示对那个点进行注释；
#xycoords表明前面的点是基于'data'的(也就是点的值)；
#xytest表示描述放置的位置；
#textcoords表示描述参考的位置默认和xy一样也就是'offset points'；
#fontsize:表示描述字体的大小；
#arrowprops:表示箭头的方向线，需要用dict描述，前一个参数用图例描述了箭头的形状，后一个参数描述了箭头的方向。
#method 2
plt.text(-3.7,3,r'$this\ is\ the\ some text.$',fontdict={'size':16,'color':'r'}) #前两个参数表示位置，后面表示text内容，其中可以使用数学语句，空格也需要转义；最后还可以传入设置的部分参数
plt.show()
七、tick能见度
- 原因：线有时候会挡住轴。
for label in ax.get_xticklabels()+ax.get_ytciklabels():
label.set_fontsize(12)
label.set_bbox(dict(facecolor='white',edgecolor='None',alpha=0.7)) #背景颜色，边框颜色，透明度(背景有70%，线可以透过30%)
八、scatter散点数据
- 显示一个散点图：
import matplotlib.pyplot as plt
import numpy as np
n=1024
X= np.random.normal(0,1,n)
Y= np.random.normal(0,1,n)
T= np.arctan2(Y,X) #for color value 计算出每个点的颜色
plt.scatter(X,Y,s=75,c=T,alpha=0.5) #画出散点，前两个是点的坐标值，s代表size，c代表color，alpha透明度
plt.xlim((-1.5,1.5)) #x轴显示范围
plt.ylim((-1.5,1.5))
plt.xticks(()) #空的ticks，相当于坐标轴上啥也没有
plt.yticks(())
plt.show()
九、bar柱状图
- 上下都有的柱状图，上面会标数值，并且会去除x轴y轴上的值
import matplotlib.pyplot as plt
import numpy as np
n=12
X=np.arrange(n)
Y1=(1-X/float(n))*np.random.uniform(0.5,1.0,n)
Y2=(1-X/float(n))*np.random.uniform(0.5,1.0,n)
plt.bar(X,+Y1,facecolor='r',edgecolor='white') #+代表上面，facecolor代表主体颜色，edgecolor代表背景颜色
plt.bar(X,-Y2,facecolor='k',edgecolor='white') #-代表下面
#在其上面加上数值
for x,y in list(zip(X,Y1)): #将X,Y1数据分别传入x,y
plt.text(x+0.4,y+0.05,'%.2f'%y,ha='center',va='bottom') #前两个是位置，第三个是内容，ha：horizontal alignment横向对齐，va：纵向对齐
for x,y in list(zip(X,Y2)):
plt.text(x+0.4,-y-0.05,'-%.2f'%y,ha='center',va='top')
plt.xlim((-1.5,1.5)) #x轴显示范围
plt.ylim((-1.5,1.5))
plt.xticks(()) #空的ticks，相当于坐标轴上啥也没有
plt.yticks(())
plt.show()
十、等高线图
- 地理上常见的那种。
import matplotlib.pyplot as plt
import numpy as np
def f(x,y):
#the height function
return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
n=256
x=np.linspace(-3,3,n)
y=np.linspace(-3,3,n)
X,Y=np.meshgrid(x,y) #x,y绑定成网格的输入值，因为等高线相当于网格上的不同高度得到的线
plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot) #放上颜色,前两个是值，下一个是求高度的函数，然后是8代表分开程度相当于十部分(可以记住0分成两部分)，然后是透明度，然后是颜色地图，每个数值对应一个颜色，这个相当于查找的参考表。
C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=.5) #画上等高线的线，此处的8对应上面的8
plt.clabel(C,inline=True,fontsize=10) #给等高线加上描述，inline表示画在线里面
plt.xticks(()) #空的ticks，相当于坐标轴上啥也没有
plt.yticks(())
plt.show()
十一、image图片
- 相当于图像处理里三通道图像的显示
import matplotlib.pyplot as plt
import numpy as np
#image data
a=np.array([0.31,0.36,0.42,0.36,0.43,0.52,0.42,0.52,0.65]).reshape(3,3)
plt.imshow(a,interpolation='nearest',cmap='bone',origin='upper') #第一项是数据，然后是显示类型可以参考网站选用不同风格的，然后是颜色参考，然后是方向，upper是数值正向对应。
plt.colorbar() #颜色对应卡,有很多参数例如可以进行压缩，shrink=0.9展示出来大小只有图片的90%
plt.xticks(())
plt.yticks(())
plt.show()
网站：http://matplotlib.org/examples/images_contours_and_fields/interpolation_mathods.html
十二、3D plot 3D数据
- 导入3D模块，X,Y网格成底面，求出高度，构建一个彩虹3D数据，并在x-y上绘制出对应的等高线。
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
fig=plt.figure()
ax=Axes3D(fig)
#X,Y value
X=np.arange(-4,4,0.25)
Y=np.arange(-4,4,0.25)
X,Y=np.meshgrid(X,Y) #组成网格
R=np.sqrt(X**2+Y**2)
#height value
Z=np.sin(R) #计算高度
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow')) #plot3D的方式.前三个是数据，后两个分别是x于y的跨度，相当于网格的疏密
ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap='rainbow') #等高线，前三个是数据，然后说明是从那个等高线压下去的,偏移z轴的位置(一般压到坐标轴在的位置上)，颜色参考。
ax.set_zlim(-2,2)
plt.show()
十三、subplot多个显示
- 在一个figure上绘制多个图片
- 方法一：
import matplotlib.pyplot as plt
plt.figure()
plt.subplot(2,2,1) #绘制小图，前两个表示分成2行2列，第三个表示绘制的第一张图
plt.plot([0,1],[0,1])
plt.subplot(2,2,2) #绘制小图，第三个表示绘制的第二张图
plt.plot([0,1],[0,2])
plt.subplot(2,2,3) #绘制小图，第三个表示绘制的第三张图
plt.plot([0,1],[0,2])
plt.subplot(2,2,4) #绘制小图，第三个表示绘制的第四张图
plt.plot([0,1],[0,2])
plt.figure()
plt.subplot(2,1,1) #绘制小图，前两个表示分成2行第一行是1列，第三个表示绘制的第一张图
plt.plot([0,1],[0,1])
plt.subplot(2,3,4) #绘制小图，前两个表示分成2行第二行是3列，第三个表示绘制的第一张图相当于是第四张图，如果是2会覆盖上面的第一张图显示到第一行的第二张图
plt.plot([0,1],[0,2])
plt.subplot(2,3,5) #绘制小图，第三个表示绘制的第五张图
plt.plot([0,1],[0,2])
plt.subplot(2,3,6) #绘制小图，第三个表示绘制的第六张图
plt.plot([0,1],[0,2])
plt.show()
- 方法二、三、四：
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
#method 1:subplot2grid
plt.figure()
ax1=plt.subplot2grid((3,3),(0,0),colspan=3,rowspan=1) #分成三行三列，第一个从(0,0)开始，行跨度是3，列跨度是1
#其他可以ax1.set_title() 相当于之前的函数前面加上set_
ax1.plot([1,2],[1,2]) #画上线
ax2=plt.subplot2grid((3,3),(1,0),colspan=2,rowspan=1) #同一个基准分成三行三列，第二个从(1,0)开始，行跨度是2，列跨度是1(默认是1)
ax3=plt.subplot2grid((3,3),(1,2),colspan=1,rowspan=2) #同一个基准分成三行三列，第二个从(1,2)开始，行跨度是1，列跨度是2
ax4=plt.subplot2grid((3,3),(2,0),colspan=1,rowspan=1) #同一个基准分成三行三列，第二个从(1,0)开始，行跨度是1，列跨度是1
ax5=plt.subplot2grid((3,3),(2,1),colspan=1,rowspan=1) #同一个基准分成三行三列，第二个从(1,0)开始，行跨度是1，列跨度是1
#method 2:gridspec
plt.figure()
gs=gridspec.GridSpec(3,3) #三行三列
ax6=plt.subplot(gs[0,:]) #从第0行开始，后面是全部的
ax7=plt.subplot(gs[1,:2]) #用索引表示位置
ax8=plt.subplot(gs[1:,2])
ax9=plt.subplot(gs[-1,0])
ax10=plt.subplot(gs[-1,-2])
#method 3:easy to define structure
f,((ax11,ax12),(ax21,ax22))=plt.subplots(2,2,sharex=True,sharey=True) #2,2表示几行几列，sharex共享x轴，sharey共享y轴(共享后上面的没有x轴右边的没有y轴，因为共享了)；返回一个figure的值(等回来可以用f修改参数)，以及所有的两行两列的subplot，按照格式定义了所有的ax
ax11.scatter([1,2],[1,2]) #在ax中绘制点图
plt.tight_layout()
plt.show()
十四、图中图
- 先画一张大图，，上面加上小图
import matplotlib.pyplot as plt
fig =plt.figure()
x=[1,2,3,4,5,6,7]
y=[1,3,4,2,5,9,6]
#绘制大图
left,bottom,width,height=0.1,0.1,0.8,0.8
ax1=fig.add_axes([left,bottom,width,height]) #定位
ax1.plot(x,y,'r')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')
#绘制小图，可以用同样的方法
left,bottom,width,height=0.2,0.6,0.25,0.25
ax2=fig.add_axes([left,bottom,width,height])
ax2.plot(x,y,'r')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside 1')
#绘制小图，可以用不同的方法
plt.axes([0.2,0.6,0.25,0.25]) #这个axes下面全部是关于这个axes的东西
plt.plot(y[::-1],x,'g') #y[::-1]表示从后向前，间隔为-1;切片的三个参数，开始结尾步长，步长为-1即默认从后向前
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')
plt.show()
十五、次坐标轴
- 相当于共享x轴，左右两边都有y轴。
import matplotlib.pyplot as plt
import numpy as np
x=np.arange(0,10,0.1)
y1=0.05*x**2
y2=-1*y1
fig,ax1=plt.subplots()
ax2=ax1.twinx() #将ax1翻转过来，获得ax2
ax1.plot(x,y1,‘g-’) #绿色的，线的样式是实线
ax2.plot(x,y2,’b—-’) #蓝色的，线的样式是虚线
ax1.set_xlabel(‘X data’)
ax1.set_ylabel(‘Y1 data’,color=‘g’)
ax2.set_ylabel(‘Y2 data’,color=‘b’)
plt.show()
十六、animation 动画
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation
fig,ax=plt.subplot()
x=np.arange(0,2*np.pi,0.01)
line,=ax.plot(x,np.sin(x)) #因为返回的是一个列表[list],因此想要直接赋值可以在后面加上逗号，这样就会把列表内的第一个值进行赋值，赋值给变量的是数据而不是列表了。
def animate(i): #传入第i帧
line.set_ydata(np.sin(x+i/100)) #更新y，这里的100是因为下面定义里的frames是100，每闪过100个后更新
return line，
def init():
line.set_ydata(np.sin(x))
return line,
ani=animation.FuncAnimation(fig=fig,func=animate,frames=100,init_func=init,interval=20,blit=True) #还有很多的animation,需要传入figure，需要传入function，需要传入frames也就是总共的长度，这里的100相当于闪过100个后重新开始循环,循环开始是从哪里开始的，隔多少毫秒更新一次，每次更新整张图片（False）的所有点还是更新变化的点（True）。
plt.show()
1978
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
