matplotlib的使用（下）

前面我们介绍的都是如何使用matplotlib绘制统计图，但在数据科学领域，matplotlib也经常用来绘制函数图

1 一次函数

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-1, 1, 50)
y = 2 * x + 1
plt.plot(x, y)
plt.show()

输出

2 同时生成多张图

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-3, 3, 50)
y1 = 2 * x + 1
y2 = x ** 2

plt.figure()    #
'''在该条命令下的函数图，都在figure1中，直到下一条figure命令出现'''
plt.plot(x, y1)

plt.figure()
'''下面的内容都将在figure2窗口中'''
plt.plot(x, y2)

plt.figure(num=5, figsize=(8, 5))   #
'''给figure窗口编号为5，如果有下一个窗口的话，将会从6开始计数，
使该窗口的图幅以长宽比为8:5显示'''
plt.plot(x, y1+y2)

plt.show()
'''figure1窗口生成一条直线，
figure2窗口生成一条抛物线
figure5窗口将y1和y2复合'''

输出
Figure1

Figure2

Figure5

3 调整线条属性

import numpy as np
import matplotlib.pyplot as plt

'''调整线的颜色、宽度、线型'''
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = x**3

plt.figure(num=2)
plt.plot(x, y1)
plt.plot(x, y2, 'red', linewidth=3, linestyle='--')     # 两个减号‘--’表示虚线
'''线宽默认是1'''

plt.figure()
plt.plot(x, y3)

plt.show()

输出
Figure2

Figure3

4 坐标轴设置

（1）设置坐标轴显示范围

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
y3 = x**3
new_ticks = np.linspace(-1, 2, 5)

plt.figure()
plt.plot(x, y1, color='green')
plt.plot(x, y2)

'''虽然指定了显示范围，但是仍然可以通过图片上的十字键拖动图片'''
plt.xlim((-1, 3))       # 设置x轴的显示范围
plt.ylim((-2, 3))       # 设置y轴的显示范围
plt.show()

输出

（2）设置边缘线

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2

plt.figure()
plt.plot(x, y1, color='green')
plt.plot(x, y2)

'''获得当前图幅的边缘轴线'''
ax = plt.gca()  #

'''使图幅的右边缘和上边缘消失'''
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')

'''将边缘轴线移动到指定位置'''
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))
'''如果设置了plt.xlim和plt.ylim，那么左边的边缘轴线必须在plt.xlim之内，
下边的边缘轴线必须在plt.ylim之内'''
'''之所以要让右边缘和上边缘消失，是因为左边缘和下边缘都有刻度，
移动的时候只能移动带刻度的边缘轴线，因此只能让右边的和上边的消失'''


'''还可以隐藏坐标轴上的值'''
plt.figure()
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))

plt.plot(x, y1, color='red')
plt.plot(x, y2)

plt.xticks(())  # 括号中间有括号表示坐标上的值不显示
plt.yticks(())

plt.show()

输出

5 在坐标轴上打点

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1

# plt.figure()
# '''scatter函数是绘制点，把(x, y1)的所有点打出来'''
# plt.scatter(x, y1)  # 绘制的是一张散点图

'''在线条中取点'''
plt.figure()
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))
plt.plot(x, y1)
x0 = 1
y0 = 2*x0 + 1
plt.scatter(x0, y0)	# 打点

x_k = 2
y_k = 2*x_k + 1
plt.scatter(x_k, y_k, color='r')    # 绘制一个红色的点
plt.plot([x_k, x_k], [y_k, 0], 'k--', lw=1.5)   # 绘制一条黑色直线，线宽为1.5


plt.show()

输出

6 标注

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-3, 3, 50)
y1 = 2*x + 1

plt.figure()
'''绘制坐标轴'''
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))

'''绘制线条'''
plt.plot(x, y1)

'''在线条中取点'''
x0 = 1
y0 = 2*x0 + 1
plt.scatter(x0, y0)

'''标注'''
plt.annotate('2x+1=%s' % y0, xy=(x0, y0), xycoords='data',
             textcoords='offset points', xytext=(+30, -30), fontsize=16,
             arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
'''显示的时候'2x0+1=y0' % y0，y0的由真实值传入,
参数xy表示注释的参考位置，
xycoords='data' 是说基于数据的值来选位置,这个所谓的数据，就是前面的参数‘xy’，
textcoords='offset points' 表示注释在图片中的起始位置是基于数据的偏移来计算的
 xytext=(+30, -30) 表示“注释的左下角”相对于“数据”的具体偏移量，这里的偏移量指的是像素
 fontsize=16,表示字体的大小，这里的字体大小，表示的也是像素
 arrowprops是对图中箭头类型的一些设置'''

plt.text(-3.7, 3, r'$5332 This\ is\ the\ text. \mu\ \sigma_i\ \alpha_t$',
         fontdict={'size': 16, 'color': 'r'})
'''-3.7, 3是注释文字左下角的位置，文字前后加$表示斜体，数字无法倾斜
文字前后加$，空格读不出来，需要空格前加斜杆，引号前面加r表示正则，
最后一个输出的是数学符号alpha
中间的一段字符串是指注释的内容，sigma_i，alpha_t这里i和t都是下标
fontdict指的是注释的设置'''


plt.show()

输出

7 绘制等高线

import numpy as np
import matplotlib.pyplot as plt


def f(x, y):
    '''假设平面上的某个点的高度由该函数所确定'''
    return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)


'''假设平面被分割成了 256 x 256 的网格'''
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X, Y = np.meshgrid(x, y)    # 生成网格
Z = f(X, Y)     # 生成高度

'''给等高线填充颜色'''
plt.contourf(X, Y, Z, 8, alpha=0.75, cmap=plt.cm.hot)
''' 8 表示将高度分成10个区间，为什么8表示10个区间，我也不知奥，
只需要记住，0表示分成两个区间，m表示分成m+2个区间
alpha 表示透明度，camp表示使用的颜色映射，也就是将相应的高度转化为颜色，
这里选择plt.cm.hot作为映射'''

'''绘制等高线'''
C = plt.contour(X, Y, Z, 8, linewidth=0.5, color='black')
'''线宽是0.5，颜色是黑色'''

'''给等高线标上标签（数字）'''
plt.clabel(C, inline=True, fontsize=10)
'''inline=True表示数字在登高线里面，即在等高线上挖出一块来填写数字，
若为False，则表示等高线横穿数字，
fontsize表示字体大小'''

plt.show()

输出

8 二维图像

imshow：热图（heatmap）是数据分析的常用方法，通过色差、亮度来展示数据的差异、易于理解。Python在Matplotlib库中，调用imshow()函数实现热图绘制。

import numpy as np
import matplotlib.pyplot as plt

'''先给出一张伪图像，用一个3x3的矩阵来表示一张图像，
每一个元素表示一个像素，元素的值映射着具体的颜色'''
a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
              0.365348418405, 0.439599930621, 0.525083754405,
              0.423733120134, 0.525083754405, 0.651536351379]).reshape(3, 3)
print(a.shape)

plt.imshow(a, interpolation='nearest', cmap='bone', origin='upper')
'''interpolation表示内插法的出图方式，cmap表示使用的颜色映射，origin表示使用什么排列方式
可以在matplotlib的官网上看到不同内插法的出图方式，详见：
http://matplotlib.org/examples/images_contours_and_fields/interpolation_methods.html
bone 是 plt.cmap.bone 的缩写
origin = 'upper'表示将数组的[0,0]索引放在轴的左上角，upper常用语矩阵或图像
若为'lower'表示将数组的[0,0]索引放在轴的左下角'''

plt.colorbar(shrink=0.9)      # 添加颜色标注，shrink=0.9表示标注长度变短为原来的0.9倍

plt.show()

输出

9 三维图像

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
'''-----------------------------------------------------------------------'''
fg = plt.figure(num=1)
'''生成一张平面网格'''
x = np.arange(-4, 4, 0.25)
y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(x, y)

'''计算网格点上的函数值'''
R = np.sqrt(X ** 2 + Y ** 2)
Z = np.sin(R)

'''在窗口中添加3D坐标轴'''
ax = Axes3D(fg)     # ax即为三维图像，后面要在图像中添加信息，就是通过ax

'''绘制函数图'''
ax.plot_surface(X, Y, Z,  rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
''''rstride 和 cstride 用来表示网格间距，r是 row 的意思，c是 column 的意思
若为1，则表示网格线间距是0.25个坐标单位，若为2，则表示间距是0.5'''

'''绘制投影图（等高线）'''
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
'''zdir='z' 和 offset=-2，表示等高线投影到 z=-2 所在平面'''
'''之前等高线的那一节，用的函数是ax.contour'''
'''函数图和等高线图，最好使用相同的颜色映射'''

'''设置 z 的显示区间，相当于二维图形中的 plt.xlim 函数'''
ax.set_zlim(-2, 2)
'''类似的，还有ax.set_xlim 和 ax.set_ylim'''


'''也可以侧向投影，将图像投影到 x=-4 所在平面'''
'''-----------------------------------------------------------------------'''
fg = plt.figure(num=2)
x = np.arange(-4, 4, 0.25)
y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(x, y)
R = np.sqrt(X ** 2 + Y ** 2)
Z = np.sin(R)
ax = Axes3D(fg)
ax.plot_surface(X, Y, Z,  rstride=2, cstride=2, cmap=plt.get_cmap('rainbow'))
ax.contourf(X, Y, Z, zdir='x', offset=-4, cmap=plt.get_cmap('rainbow'))
'''zdir='x' 和 offset=-4，表示投影到 x=-4 所在平面'''
ax.set_zlim(-2, 2)

plt.show()

输出

10 多合一显示

（1）subplot

import numpy as np
import matplotlib.pyplot as plt

plt.figure()

plt.subplot(2, 2, 1)        # 将图划分成2行2列，且在1的位置出图
plt.plot([0, 1], [0, 1])
# 第一个[0, 1]表示，两个点的横坐标分别是0和1，第二个[0, 1]表示两个点的纵坐标分别是0和1
plt.xlabel('I am x')
plt.title('I am title 1')

plt.subplot(2, 2, 2)
plt.plot([0, 1], [0, 1])
plt.title('I am title 2')

plt.subplot(223)        # 223是"2, 2, 3"的缩写
plt.plot([0, 1], [0, 3])
plt.title('I am title 3')

plt.subplot(224)
plt.plot([0, 1], [0, 4])

'''可以试一下plt.subplot(234)效果怎么样'''
'''-----------------------------------------------------------------------'''
plt.figure(num=2)
plt.subplot(2, 1, 1)        # 将图划分成2行1列，且在1的位置出图
plt.plot([0, 1], [0, 1])

plt.subplot(2, 3, 4)        # 将图划分成2行3列，且在4的位置出图
plt.plot([0, 1], [0, 1])
'''之所以要在4的位置出图，是因为1,2,3都被上一张图给占了'''

plt.show()

输出

（2）gridspec.GridSpec

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
'''-----------------------------------------------------------------------'''
plt.figure()
'''将整个图像窗口分成3行3列.'''
gs = gridspec.GridSpec(3, 3)

''' gs[0, :]表示这个图占第0行和所有列, gs[1, :2]表示这个图占第1行和第2列前的所有列'''
ax1 = plt.subplot(gs[0, :])
ax2 = plt.subplot(gs[1, :2])
ax3 = plt.subplot(gs[1:, 2])

''' gs[-1, 0]表示这个图占倒数第1行和第0列, gs[-1, -2]表示这个图占倒数第1行和倒数第2列.'''
ax4 = plt.subplot(gs[-1, 0])
ax5 = plt.subplot(gs[-1, -2])

plt.show()

输出

11 图中图

import numpy as np
import matplotlib.pyplot as plt

'''创建数据'''
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 3, 4, 2, 5, 8, 6]

fig = plt.figure()
'''定义大图的尺寸'''
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
'''0.1表示10%，0.8表示80%，
left表示坐标图离窗口的左边框的距离占窗口的10%，也就是说左边的空白部分占窗口横向的10%
bottom表示坐标图离窗口的下边框的距离占窗口纵向的10%'''

ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x, y, 'r')     # r表示红色
ax1.set_xlabel('x')     # 坐标轴标签
ax1.set_ylabel('y')
ax1.set_title('title')

'''绘制小图'''
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(y, x, 'b')     # 将原来的图形沿 y=x 对称
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside 1')

'''可以使用更为简单的方式绘制小图'''
plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(y[::-1], x, 'g')  # 注意对y进行了逆序处理
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')

plt.show()

输出

12 次坐标轴

import numpy as np
import matplotlib.pyplot as plt

'''所谓主次坐标轴指的是两条线段共享相同的横坐标，但却不共享纵坐标
这种情况一般让其中一条曲线的纵坐标轴位于左边，另一条曲线的纵坐标轴位于右边，
左右两条纵坐标轴分别称为 主次坐标轴'''

'''创建数据'''
x = np.arange(0, 10, 0.1)
y1 = 0.05 * x**2
y2 = -1 * y1        # y1与y2是相互倒置的

'''获取figure默认的坐标系 ax1'''
fig, ax1 = plt.subplots()

'''生成一个新的坐标系 ax2，它与 ax1 共享横坐标轴'''
ax2 = ax1.twinx()

'''绘图'''
ax1.plot(x, y1, 'g-')   # green, solid line
ax1.set_xlabel('X data')
ax1.set_ylabel('Y1 data', color='g')

ax2.plot(x, y2, 'b--')  # b-- 表示蓝色虚线
ax2.set_ylabel('Y2 data', color='b')

plt.show()

输出

13 动画

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import animation

fig, ax = plt.subplots()
'''我们的目的是绘制0-2*pi范围内的正弦曲线'''

'''创建数据'''
x = np.arange(0, 2*np.pi, 0.01)
line, = ax.plot(x, np.sin(x))


def animate(i):
    '''构造自定义动画函数'''
    line.set_ydata(np.sin(x + i/10.0))
    return line,


def init():
    '''构造初始帧函数'''
    line.set_ydata(np.sin(x))
    return line,


'''我们调用FuncAnimation函数生成动画'''
ani = animation.FuncAnimation(fig=fig,
                              func=animate,
                              frames=100,
                              init_func=init,
                              interval=20,
                              blit=False)
'''参数说明，fig用来指定需要绘制动画的窗口，
func 指定动画函数， 
frames 动画长度，一次循环包含的帧数（更新次数），一次循环过后再执行下一次循环
init_func 开始帧函数，
interval 更新频率，以ms计，每隔多少毫秒更新一次
blit 如果每次更新都刷新所有点，那么就选择True，若选False，则只更新发生变化的点'''
'''动画时长 = frames x interval'''

plt.show()

'''保存动画'''
ani.save("test.gif", writer='pillow')

输出结果当前页面暂时无法呈现