Notes_matplotlib_连续线和散点图

matplotlib连续图和散点图的笔记

• 使用jupyter notebook

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
%matplotlib inline

x=np.linspace(0,10,500)
fig=plt.figure()
plt.plot(x,np.sin(x))

[<matplotlib.lines.Line2D at 0x1ca9ae42610>]

fig.savefig('fig_save.png')
from IPython.display import Image
Image('fig_save.png')

fig.canvas.get_supported_filetypes()#支持的图片格式

{'ps': 'Postscript',
 'eps': 'Encapsulated Postscript',
 'pdf': 'Portable Document Format',
 'pgf': 'PGF code for LaTeX',
 'png': 'Portable Network Graphics',
 'raw': 'Raw RGBA bitmap',
 'rgba': 'Raw RGBA bitmap',
 'svg': 'Scalable Vector Graphics',
 'svgz': 'Scalable Vector Graphics'}

plt.style.use('seaborn-whitegrid')#设置风格。
fig=plt.figure()
ax=plt.axes()
x=np.linspace(0,10,1000)
ax.plot(x,np.sin(x))
ax.plot(x,np.cos(x),color='m')
#plt.xlim(-1,10)
#或者用plt.plot(x,np.sin(x))

[<matplotlib.lines.Line2D at 0x1ca9aea4340>]

fig（plt.Figure 类的一个实例）可以被看成是一个能够容纳各种坐标轴、图形、文字和标签的容器。
ax（plt.Axes 类的一个实例）是一个带有刻度和标签的矩形（暂且看做坐标轴），最终会包含所有可视化的图形元素。
在这里也更好的理解了np.linspace()的实际意义。

plt.plot(x-1,np.sin(x),'--g',linestyle='-',label='sinx')
plt.xlim(-10,10)
plt.ylim(-1,1)
#调整x，y的坐标轴，可以逆序如：plt.xlim(10,-1)
#同plt.axis([xmin,xmax,ymin,ymax])
#同ax.axis([xmin,xmax,ymin,ymax])
plt.title('sinx',loc='left')
#pad同下面的labelpad，loc设置位置['left','center','right']
plt.xlabel('x',labelpad=10)
#labelpad设置标签到轴的距离
plt.ylabel('sinx')
plt.axis('tight')#使图像和坐标适配
plt.axis('on')#开始x,y标签和坐标线

(-1.5, 9.5, -1.0999971452300779, 1.099999549246729)

• color:
  1. 标准颜色名称
  2. RGB元组，范围在0~1
  3. 0~1范围内的灰度值
  4. HTML颜色名
  5. 缩写颜色代码（rgbcmykw）:Red,Green,Blue,Cyan(青色),Magenta(品红),Yellow(黄),BlacK(黑)White
  6. 十六进制
• linestyle:
  1. ‘solid’,即’-’,实线
  2. ‘dashed’,即’–'虚线
  3. ‘dashdot’,即’-.'点划线
  4. ‘dotted’,即’:'实点线
• 也可将颜色缩写和linestyle合在一起，如：’–g’绿色实线’k–‘黑色实线，不能用color=’–g’.

plt.plot()中对于线性控制等参数太多，要用时再去看docstring。
== 连续图和散点图其实是一样的 ==,如：‘o’是散点图，’-‘是连续图，’-o’是连续散点图。
plt.axes()的实例ax.plot的docstring和plt.plot 的docstring好像是同一个.
plt.plot()返回line的对象列表》

x=np.linspace(1,10,20)
plt.plot(x,'-mo',label='line 1',linewidth=0.5,alpha=0.5,marker='^')
#注意，这里的x实际上被画成了y。因为参数x是可以选，默认为range(len(y)).
#alpha 是透明度。0~1
#label是图例，绘制图例要使用plt.legend()
#marker是图形'--mo'中已经对marker进行了设定和后面的marker='^'冲突。以关键字实参为准。
plt.legend()#绘制图例。

<matplotlib.legend.Legend at 0x1ca9af8bb80>

Matplotlib 陷阱

虽然绝大多数的 plt 函数都可以直接转换成 ax 方法（例如 plt.plot() → ax.plot()、
plt.legend() → ax.legend() 等），但是== 并非所有 ==的命令都可以这样用。尤其是用来设
置坐标轴上下限、坐标轴标题和图形标题的函数，它们大都稍有差别。一些 MATLAB
风格的方法和面向对象方法的转换如下所示：
• plt.xlabel() → ax.set_xlabel()
• plt.ylabel() → ax.set_ylabel()
• plt.xlim() → ax.set_xlim()
• plt.ylim() → ax.set_ylim()
• plt.title() → ax.set_title()
== 不要写成plt.xlim=(),会覆盖函数名，导致意想不到的错误，可以重启jupyter notebook 的kernel解决 ==
在用面向对象接口画图时，不需要单独调用这些函数，通常采用 ax.set() 方法一次性
设置所有的属性是更简便的方法：
ax = plt.axes() ax.plot(x, np.sin(x)) ax.set(xlim=(0, 10), ylim=(-2, 2),xlabel='x', ylabel='sin(x)', title='A Simple Plot')
——摘自《python数据科学手册》[美] Jake VanderPlas

散点图

markerlist=['.',',','o','v','^','<','>','1','2','3','4','s','p','*','h','H','+','x','D','d','|','_']
for marker in markerlist:
    plt.plot(np.random.rand(5),np.random.rand(5),marker,label="marker='%s'"%marker)
    plt.axis('tight')
    plt.legend(numpoints=1)

plt.plot(x,np.sin(x),'--bH',
        markersize=15,#ms
        markerfacecolor='m',#mfc
        markeredgecolor='c',#mec
        markeredgewidth=3,)#mew

[<matplotlib.lines.Line2D at 0x1ca9b2d2df0>]

df=pd.DataFrame(np.random.randn(5,2),columns=['A','K'],index=range(5))
df=df.reset_index()
df

	index	A	K
0	0	0.459251	-2.682857
1	1	-0.194248	-0.879362
2	2	-1.818532	-0.278777
3	3	1.797815	-0.339322
4	4	0.368426	-0.262445

plt.plot('index','A','K',marker='x',data=df)
#向data传递有索引的数据如：dict，DataFrame，numpy结构化数组
#就可以使用索引名，但不允许用fmt设置格式，只能用关键字实参。
#这里的'index'设置了x轴
#只能统一设置图形。

[<matplotlib.lines.Line2D at 0x1ca9d1ee880>,
 <matplotlib.lines.Line2D at 0x1ca9d1c6910>]

plt.plot(df['index'],df['A'],'--g',df['K'],'-x')
#还可以使用切片，这里的可用格式：
#plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)：
#plot(a,b)解读为x,y,plot(a,b,c)解读为x,y,y2.
#注意这种格式和data参数相斥。

[<matplotlib.lines.Line2D at 0x1ca9d4eea00>,
 <matplotlib.lines.Line2D at 0x1ca9d4fa9a0>]

s=np.linspace(-2,2,1000)
y=np.sqrt(1-(np.abs(s)-1)**2)
z=np.arccos(1-np.abs(s))-np.pi
plt.plot(y,"-m",z,'-c')
#心形线。

[<matplotlib.lines.Line2D at 0x1ca9d61f460>,
 <matplotlib.lines.Line2D at 0x1ca9d61f340>]

plt.scatter(x,np.sin(x),marker='v')#不允许用线性'-'等。

<matplotlib.collections.PathCollection at 0x1ca9d9493a0>

rng=np.random.RandomState(42)
x=rng.randn(100)
y=rng.randn(100)
colors=rng.rand(100)
sizes=1000*rng.rand(100)
plt.scatter(x,y,c=colors,s=sizes,alpha=0.3,cmap='viridis')
plt.colorbar()

<matplotlib.colorbar.Colorbar at 0x1ca9d69b250>

plt.scatter([1,2,3],[1,2,3],s=500,c=['b','m','y'],marker='^',edgecolors='m',linewidth=2)

<matplotlib.collections.PathCollection at 0x1ca9f0d86d0>

plt.scatter([[1,2,3],[0.5,1.5,2.5]],
            [[1,2,3],[0.5,1.5,2.5]],
            c=[[1,7,3],[3,2,9]],cmap='viridis')

<matplotlib.collections.PathCollection at 0x1caa0341100>

plt.scatter(x,y,c,s,marker,cmap,linewidths,alpha,edgecolors,data)

• c:color,可以是’g’,也可以是颜色格式字符串序列，也可以是数序列（这时要用cmap指定数向颜色映射
• s:marker 的大小
• cmap上面提到了
• marker指定形状
• linewidths指定marker边框线大小，这里的数字代表的含义与s中不同，如：25代表的大小linewidths远比s大，像素？
• edgecolors指定marker边框线颜色，可选’face’
• alpha为透明度：0为透明。0~1.
• x,y,c,s都是一维数组，二维会被转为一维。最好，这几个都是同形状
• x,y,c,s都可是masked array，使用numpy.ma模块？。
• data参数的用法同plt.plot,示例如下：

plt.colorbar()是颜色线条参考。
plt.scatter()与plt.plot()相比，可对每个点的属性等指定，但在面对大量数据时，效率不够高，内存消耗大。

data2=pd.DataFrame({'lx':[1,2,3,4,5],
                   'ly':[1,2,3,4,5],
                   'colors':[2,3,4,1,4],
                   'size':[23,45,12,60,34]})
plt.scatter('lx','ly',c='colors',s='size',cmap='viridis',data=data2)
plt.colorbar()

<matplotlib.colorbar.Colorbar at 0x1caa0581a60>

from sklearn.datasets import load_iris
iris=load_iris()
features=iris['data'].T
sepal_length=features[0]#花萼长度
sepal_width=features[1]#花萼宽度
pedal_width=features[3]#花瓣宽度

plt.scatter(sepal_length,sepal_width,
            s=100*pedal_width,
            alpha=0.3,
            c=iris.target,
            cmap='viridis')
plt.xlabel('sepal length(cm)')
plt.ylabel('sepal width(cm)')
plt.colorbar()
#使用颜色代表花色，大小代表花瓣宽度，
#x,y分别代表花萼长度宽度。

<matplotlib.colorbar.Colorbar at 0x18a671eb7c0>