Python科研绘图第一期——线型图（Line）、条型图（Bar）、散点图（Scatter）、子图（subplot）

最新推荐文章于 2023-09-15 23:58:43 发布
最新推荐文章于 2023-09-15 23:58:43 发布
阅读量3k 收藏 36
点赞数 2
分类专栏： Python科研绘图 文章标签： python
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_51009494/article/details/127415449
版权

速览：

 

目录

一、线性图

二、条形图

三、散点图

四、子图

一、线型图

 图1、2代码

import matplotlib.pyplot as plt
import numpy as np
plt.rc('font',family='Times New Roman')

estimation = [42.8, 35.6, 57.24, 67.14, 107.19, 133.84, 175.02, 249.91, 333.99, 371.07]
prediction = [50, 39.199999999999996, 30.200000000000003, 65.34, 76.14,
			  131.69, 159.39000000000001, 208.37, 304.01, 403.09000000000003]

# 绘图 #
fig, ax1 = plt.subplots(figsize=(5, 4))
x = np.linspace(0,400,len(estimation))
ax1.axis('auto')	# 参数 'scale','auto','square'
ax1.plot(x, estimation, 'd--', c='navy', linewidth=2, markerfacecolor='w',
		 markeredgecolor='k', label='kalman estimation')
ax1.plot(x, prediction, '^--', c='purple', linewidth=2, markerfacecolor='w',
		 markeredgecolor='k', label='kalman prediction')
ax1.set_xlabel('time', fontsize=12)
ax1.set_ylabel('estimation/prediction value', fontsize=12)
ax1.set_title('Figure. 1',fontweight='bold', fontsize=12)
ax1.set_xticks(x)
ax1.set_xticklabels(['the' + str(i) for i in range(1, 11, 1)])
ax1.tick_params(top=True,right=True,direction='in')		# 右边和上边的刻度都显示，且刻度向内。
ax1.legend(fontsize=10, edgecolor='black')
ax1.spines['bottom'].set_linewidth(1.5)
ax1.spines['left'].set_linewidth(1.5)
ax1.spines['right'].set_linewidth(1.5)
ax1.spines['top'].set_linewidth(1.5)
ax1.grid(axis='both', ls='--')	# axis = 'both','x','y'

fig2, ax2 = plt.subplots(figsize=(5, 4))
x = np.linspace(0,400,len(estimation))
ax2.axis('auto')	# 参数 'scale','auto','square'
ax2.plot(x, estimation, 'd--', c='navy', linewidth=2, markerfacecolor='w',
		 markeredgecolor='k', label='kalman estimation')
ax2.plot(x, prediction, '^--', c='purple', linewidth=2, markerfacecolor='w',
		 markeredgecolor='k', label='kalman prediction')
ax2.set_xlabel('time', fontsize=12)
ax2.set_ylabel('estimation/prediction value', fontsize=12)
ax2.set_title('Figure. 2',fontweight='bold', fontsize=12)
ax2.set_xticks(x)
ax2.set_xticklabels(['the' + str(i) for i in range(1, 11, 1)])
ax2.legend(fontsize=10, edgecolor='black')
ax2.tick_params(direction='in')
ax2.spines['right'].set_visible(False)
ax2.spines['top'].set_visible(False)
ax2.spines['bottom'].set_linewidth(1.5)
ax2.spines['left'].set_linewidth(1.5)
ax2.spines['right'].set_linewidth(1.5)
ax2.spines['top'].set_linewidth(1.5)
# ax2.grid(axis='y', ls='--')	# axis = 'both','x','y'

plt.show()

 图3 代码

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_excel("时序.xlsx")
time = df["time"]
time_ls = []
for i in range(len(time)):
	temp = str(time[i])
	temp = temp.replace(" 00:00:00", "")
	time_ls.append(str(temp))

cygnss = df['A']
cygnss = np.array(cygnss)
smap = df['B']
smap = np.array(smap)
M = len(smap)
# ========绘图=========== #
plt.rc('font',family='Times New Roman')
fig,ax = plt.subplots(figsize=(6,4))
ax.axis('auto')
ax.plot(cygnss,'-',c='navy',label='cygnss')
ax.plot(smap,'-',c='purple',label='smap')
ax.set_xlabel('time',fontsize=12)
ax.set_ylabel('cygnss/smap value',fontsize=12)
ax.set_title('Figure',fontsize=12,fontweight='bold')
ax.tick_params(direction='in')
ax.legend(fontsize=10,edgecolor='black')
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
ax.spines['bottom'].set_linewidth(1.5)
ax.spines['left'].set_linewidth(1.5)
ax.spines['right'].set_linewidth(1.5)
ax.spines['top'].set_linewidth(1.5)
ax.set_xticks(np.arange(0,M,30),[str(i)+'st' for i in np.arange(0,M,30)])
plt.show()

 

二、条形图

 图4，5，6代码（图6 将误差参数去掉即为图5）

import matplotlib.pyplot as plt
import numpy as np
plt.rc('font',family='Times New Roman')

fig, ax = plt.subplots(figsize=(5,4))
ax.axis('auto')
fruits = ['apple', 'blueberry', 'cherry', 'orange','banana','others']
counts = [40, 100, 30, 55, 70, 35]
ax.bar(fruits,counts,width=0.4,edgecolor='black',color='mediumblue')
ax.set_xlabel('Category',fontsize=12)
ax.set_ylabel('Value',fontsize=12)
ax.tick_params(direction='in')
ax.set_title('Figure. 1',fontsize=12,fontweight='bold')
for i in ['bottom','left','right','top']:
	ax.spines[i].set_linewidth(1.5)
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)


fig2,ax2 = plt.subplots(figsize=(5,4))
ax2.axis('auto')
fruits = ['apple', 'blueberry', 'cherry', 'orange','banana','others']
count1 = [40, 100, 30, 55, 70, 35]
count2 = [60, 80, 38, 65, 29, 42]
x = np.arange(len(count2))
width = 0.4
error = np.array([3,5,6,10,7,9])
for i in ['bottom','left','right','top']:
	ax2.spines[i].set_linewidth(1.5)
ax2.bar(x-width/2,count1,width=width,yerr=error,label='male',color='mediumblue',edgecolor='black')
ax2.bar(x+width/2,count2,width=width,yerr=error,label='famale',color='maroon',edgecolor='black')
ax2.legend(fontsize=10,edgecolor='black')
ax2.set_xticks(x,fruits)
ax2.set_xlabel('Category',fontsize=12)
ax2.tick_params(top=True,right=True,direction='in')
ax2.set_ylabel('Value',fontsize=12)
ax2.set_title('Figure. 2',fontsize=12,fontweight='bold')
plt.show()

三、散点图 

 图7 代码

import matplotlib.pyplot as plt
import numpy as np
x = np.random.rand(50,1)
y = np.random.rand(50,1)

plt.rc('font',family='Times New Roman')

fig,ax = plt.subplots(figsize=(5,4))
for i in ['bottom','left','right','top']:
	ax.spines[i].set_linewidth(1.5)
ax.scatter(x,y,marker='x',color='r',label='item 1')

a = np.random.rand(50,1)
b = np.random.rand(50,1)
ax.scatter(a,b,marker='.',color='b',label='item 2')
ax.set_xlabel('Value',fontsize=12)
ax.set_ylabel('Value',fontsize=12)
ax.tick_params(right=True,top=True,direction='in')
ax.set_title('Figure. 1',fontsize=12)
ax.legend(loc='best',fontsize=10,edgecolor='black')
plt.show()

四、子图

图8 代码 

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
plt.rc('font',family='Times New Roman')

df = pd.read_excel("时序.xlsx")
time = df["time"]
time_ls = []
for i in range(len(time)):
	temp = str(time[i])
	temp = temp.replace(" 00:00:00", "")
	time_ls.append(str(temp))

cygnss = df['A']
cygnss = np.array(cygnss)
smap = df['B']
smap = np.array(smap)
M = len(smap)

fig,[ax1,ax2] = plt.subplots(2,1,figsize=(8,5))

ax1.axis('auto')
ax1.plot(cygnss,'-',color='darkred',label='cygnss',)
ax1.spines['right'].set_visible(False)
ax1.spines['top'].set_visible(False)
ax1.set_ylabel('Cygnss',fontsize=12)
ax1.legend(fontsize=10,edgecolor='black',loc='upper right')
ax1.set_title('Figure. 1',fontweight='bold',loc='left')
ax1.set_xlabel('Time',fontsize=12)

for i in ['bottom','left','right','top']:
	ax1.spines[i].set_linewidth(1.5)
	ax2.spines[i].set_linewidth(1.5)

ax2.plot(smap,label='smap',color='mediumblue')
ax2.spines['right'].set_visible(False)
ax2.spines['top'].set_visible(False)
ax2.set_ylabel('Smap',fontsize=12)
ax2.set_xlabel('Time',fontsize=12)
ax2.legend(fontsize=10,edgecolor='black',loc='upper right')
ax2.set_title('Figure. 2',fontweight='bold',loc='left')

fig.tight_layout()  # 紧凑布局
plt.show()

撞南墙者
关注
  • 2
    点赞
  • 踩
  • 36
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
flash统计图- flash柱形图- flash圆饼图- flash折线图 多款flash统计图动画
08-06
xml灵活配置 flash统计图- flash柱形图- flash圆饼图- flash折线图 多款flash统计图动画
【Python】50种Matplotlib科研论文绘图合集，含代码实现
fengdu78的博客
06-10 3506
来源丨和鲸社区编辑丨极市平台导读本文分享了50个令人眼前一亮的Matplotlib可视化项图表，每个图表都有其相应的生成代码，并将它们分为了关联、偏差、排序、分布、组成、变化、分组等7个类别，是科研作图时很好的参考。本文由lqy上传，翻译自machinelearningplus.com来源链接（含代码）：https://www.machinelearningplus....
python科研作图
最新发布
T20151470的博客
09-15 464
箭靶图的主要优点是它可以同时显示多个变量的数值大小，并且可以通过线段的长度和角度来表示各个变量之间的关系。在散点图中，每个点代表一个数据点，x轴和y轴分别表示两个变量，通过观察点的位置可以大致了解这两个变量之间的关系。在热图中，行列的坐标是二维数据的标识符，每个单元格的颜色深浅表示其对应值的大小。点热图以点的颜色来表示每个单元格的值，而条形图热图则使用条形的长度和颜色来表示每个单元格的值。如果数据集中存在极端的或异常的数据点，它们会被单独标示出来，通常会以小圆圈或者是其他特殊的标记来表示。
python pyplot 画图：直线
木头大左的博客
07-04 5938
一、直线 #添加水平直线 plt.axhline(y=0,ls=":",c="yellow") #添加垂直直线 plt.axvline(x=4,ls="-",c="green")
Python科研绘图——介绍
weixin_42814075的博客
03-21 1219
Python科研绘图——介绍
使用python进行科研画图
xyfyi45的博客
06-24 5152
Figure1.py # -*- coding: utf-8 -*- """ Created on Mon Dec 28 13:47:07 2020 """ ##+++++++++++++++++++++++++++（一）绘图所需的基础库+++++++++++++++++++++++++++## import pandas as pd # 用于处理表格数据 import numpy as np # 用于科学计算 import matplotlib.pyplot as plt # 绘图的核心库 fr
python绘制线型图
vergil_zsh的博客
03-04 6464
matplotlib线型图详解
Python数据可视化的例子——条形图（bar）
Fo*(Bi)的博客
08-17 4万+
1．matplotlib模块 应用matplotlib模块绘制条形图，需要调用bar函数，关于该函数的语法和参数含义如下： bar(x, height, width=0.8, bottom=None, color=None, edgecolor=None, linewidth=None, tick_label=None, xerr=None, yerr=None, label = None, ecolor=None, align, log=False, **kwargs) x：传递数值序列，
Python科研绘图——线型图
weixin_51009494的博客
02-25 1312
使用Python来绘制线型图，平时需要对其进行一些美化。
python用line画直线_Python Matplotlib 线(Line)
weixin_39766867的博客
12-20 7426
1、线(Line)可以使用关键字参数linestyle或更短的ls来更改绘制线的样式：例如：使用虚线：import matplotlib.pyplot as pltimport numpy as npypoints = np.array([3, 8, 1, 10])plt.plot(ypoints, linestyle = 'dotted')plt.show()Result:例如：使用虚线：plt...
Python数据可视化的例子——折线图（line）
热门推荐
Fo*(Bi)的博客
09-08 4万+
对于时间序列数据而言，一般都会使用折线图反映数据背后的趋势。通常折线图的横坐标指代日期数据，纵坐标代表某个数值型变量，当然还可以使用第三个离散变量对折线图进行分组处理。接下来仅使用Python中的matplotlib模块和pandas模块实现折线图的绘制。尽管seaborn模块中的tsplot函数也可以绘制时间序列的折线图，但是该函数非常不合理，故不进行介绍。 1．matplotlib模块 折线图的绘制可以使用matplotlib模块中的plot函数实现。关于该函数的语法和参数含义如下： plt.plot(
条型基础支模示意图
08-25
条型基础支模示意图
柱状条形图
11-26
柱状条型图，自己修改了下方向。自己备用。
pipits:自动流水线用于分析Illumina中的真菌ITS
05-09
画中画 :mushroom: 用于从Illumina测序平台分析真菌内部转录间隔区（ITS）序列的自动化管道 显示出比QIIME2和Galaxy更好的性能！ - 更新/通知/新闻 更新（2020年4月28日）-PIPITS 2.7 WARCUP系统表错误已修复。 现在，它会生成正确的汇总表（它曾经在“族”级别进行汇总，但现在在“物种”级别进行了汇总） 更新（2020年4月26日）-PIPITS 2.6 BIOM修复了系统表错误。 在升级BIOM（依赖项之一）之后，系统型表无意间被归一化值填充。 现在，此问题已得到纠正，并且可以恢复到以前的行为。 对于只想将OTU表转换为系统型表而又无需再次运行PIPITS的用户，请更新PIPITS，然后（在pipits_env中）： pipits_phylotype_biom -i otu_table.biom -o phylotype_table.txt -l 6
python的智能算法-Python智能优化算法库小汇总.pdf
02-27
python的智能算法_Python智能优化算法库⼩汇总 最近查了⼀圈python的智能优化算法库，发现在python⾥⾯这样的库相对⼀些传统的语⾔还真是不太多(⽐如Matlab)。总的看起来似乎起 步都还⽐较晚(个⼈认为有可能是因为智能算法本⾝相对复杂并且过于专业，多数应该还是集中在专业做优化的圈⼦⾥)。 ⽬前总结了以下库： 1、DEAP 2、mealpy 3、scikit-opt (国产良⼼) 4、Geatpy2(国产⽤⼼) 5、pygmo2 6、pyswarms 7、SciPy 1、DEAP 安装： pip install deap 优点：起点⾼，发表在Journal of Machine Learning Research ⽤法灵活，所有模块均可⾃定义 缺点：上⼿⿇烦⽐较⿇烦 2、mealpy 安装： pip install meaply 优点：算法丰富，集成了现有的62种算法，⽬测应该还在继续更新添加 上⼿容易，代码简单，⽐如对标准函数库的函数进⾏优化： 缺点：整体设计似乎不太规范，⽂档解释不够 语⾔上似乎还存在⼀点⼩问题，英语应⽤不够规范(这可能也是作者没有发表很好的杂志的原因之⼀) 集成了多种算法但未列举参考⽂献，不⽅便论⽂引⽤ 3、scikit-opt (国产良⼼) 安装： pip install scikit-opt 优点：上⼿容易，代码简单，尤其许多⽤法很像Matlab。⽐如官⽅⽂档就提供了⼀些例⼦：使⽤遗传算法进⾏曲线拟合 中⽂⽂档，并且⽂档很全。⼤佬的CSDN主页。(作者 @幼鹰me 曾经是京东算法⼯程师，现在是蚂蚁算法⼯程师，这个库也的确感觉得到 ⼀些情怀，⽅便实⽤的感觉) 在使⽤⽅便的基础上，也提供了不少接⼝⽤于⾃⾏修改。尤其可以⾃定义算⼦。 ⼀些较好玩的特性：GPU加速、断点运⾏等。 缺点：⽬前似乎还没有集成⾜够多的⽅法。⼤类有3类，共7种算法。 算法本⾝的优化似乎还不⾜(未仔细测试) 4、Geatpy2(国产⽤⼼) 安装： pip install geatpy 或者强制版本 pip install geatpy==2.5.1 优点：上⼿容易，实现简单 ⽂档完整，⽰例丰富(中⽂⽂档) 功能齐全，除算法以外也封装了许多实⽤的功能，⽐如数据可视化等 缺点：代码风格诡异 英⽂⽤语不规范，变量命名相对随意，⽐如⼊门⽂档中，将⽬标函数翻译成"aimFunc"，变量名称XM？等。 ⽂档开展还显得⽐较稚嫩，⽐如主页⽂档就⽤插件显⽰，官⽹体验还⽋些⽕候 注：这个项⽬得多补充⼏句，⽬测应该是硕⼠⽣写的。总体的设计、DEMO、⽂档上给⼈感觉都远不如上⾯⼏个⽼练(尤其和DEAP相⽐)。 但⼏个学⽣跨校合作，在不长的时间内能够完成如此完整的⼀个⼯作也实⾮易事。也希望他们能够继续进步。综合来看，这个项⽬个⼈认为 属于国产⽤⼼。 5、pygmo2 安装： pip install pygmo 注：安装还依赖如下环境 其它可能会⽤到的环境： 优点：功能丰富 ⽀持并⾏和分布式计算(本⾝运⾏效率也很⾼) ⽤法灵活 感觉测试相对稳定(未仔细测试) 缺点：上⼿相对⿇烦 依赖项较多，尤其要求对应C++版的软件环境 算法有限 注：这个库也吐槽⼀句，⽹传很厉害，但真没看出来除了看起来专业以外有何厉害之处。当然通常以C++为底层的东西有可能在⼤量级问题 上的处理更加容易部署，但⼀般的⽤户也⽤不到。 6、pyswarms 安装： pip install pyswarms 优点：简单，易上⼿，基本上也属于⼏⾏代码⼊门型 可视化，尤其动态可视化做得好。(亮点)，⽐如画出图形，基本上就是⼀句代码： 缺点：算法少。只有基于PSO的各类问题的算法(本质上其实就只是⼀个算法) 灵活度不够。 起点低。发表的论⽂既没进⼊CCF推荐，也没进⼊SCI。同时虽然号称有许多研究论⽂⽤过，但仔细看级别都不⾼(基本都属于三⽆型) 7、SciPy(想不到吧) 安装(当然其实当你装上Python的时候它就在了)： pip install scipy 特别说明： scipy作为⼀个相对严谨和'传统'的数值计算库，基本上常⽤的数值计算⽅法都有涉及。当然数值计算型的库通常都不会把智 能优化(启发式算法)作为重点。它集成了⼗分有限的⼏种优化算法：差分进化、模拟退⽕等。但它仍然有不少优点： 优点：作为严谨的数值计算库，它的正确性和稳定性值得信赖(超过800个contributor，其中有不少是名校的教师、博⼠等) 使⽤⽅便、简单 scipy也可以⾃定义优化算法 缺点：⾃然就是算法太少了 虽然可以⾃定义，但⿇烦程度⼏乎相当于完全⾃⼰造轮⼦ 后续如果再发现好⽤的库我们会继续更新，如果⼤家有好的建议也欢迎评论补充！ 写在后⾯没想到这么个⼩破⽂章居然招来了两位作者( @幼鹰me @秋宏 )的亲⾃
施工常用图库-条型基础支模示意图.zip
09-03
施工常用图库-条型基础支模示意图.zip
zedGraph统计图制作
11-24
ZedGraph是用于创建任意数据的二维线型、条型、饼型图表的一个类库，也可以作为Windows窗体用户控件和Asp.Net网页控件。这个类库具有高度的适应性，几乎所有式样的图表都能够被创建。这个类库的用法在于通过提供所有...
Python pyecharts Bar图
03-19 5186
本篇博客主要是针对pyecharts的bar图的一些代码的实战与解释，都是一些对官网的bar图的理解。》》pyecharts官网 文章目录一、简介二、整理数据1、配置主题1、柱状图2、Bar - Bar_base_dict_config3、样例数据4、Bar - Bar_datazoom_slider 一、简介 关于具体详情，请咨询：pyecharts官网 pyecharts是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而Python 是一门富有表达力的语言，很适
python 中的matplotlib.pylot 模块中的plot 用法
duan1522630316的专栏
06-02 2万+
>>>import matplotlib >>>from pylab import * >>>help(plot) 运行后见下图所示 Help on function plot in module matplotlib.pyplot: plot(*args, **kwargs)     Plot lines and/or markers to the     :cla
echarts散点图缩放
05-12
在 ECharts 中，可以通过 dataZoom 组件来实现散点图的缩放。dataZoom 组件是一个专门用于数据区域缩放的组件，可以通过滑动或拖拽的方式进行缩放。 首先需要在 option 中配置 dataZoom 组件，例如： ``` option = { ... dataZoom: [{ type: 'slider', // 滑动条型 dataZoom 组件 xAxisIndex: 0, // 对应散点图中的 x 轴 start: 0, // 起始位置为 0 end: 100 // 结束位置为 100 }, { type: 'slider', // 滑动条型 dataZoom 组件 yAxisIndex: 0, // 对应散点图中的 y 轴 start: 0, // 起始位置为 0 end: 100 // 结束位置为 100 }] ... } ``` 然后在散点图的系列中设置 xAxisIndex 和 yAxisIndex 属性，将数据和 dataZoom 组件关联起来，例如： ``` series: [{ type: 'scatter', data: [ [10.0, 8.04], [8.0, 6.95], ... ], xAxisIndex: 0, // 对应 dataZoom 中的第一个 xAxisIndex yAxisIndex: 0, // 对应 dataZoom 中的第一个 yAxisIndex ... }] ``` 这样就可以实现散点图的缩放了。当然，还可以通过其他属性来调整 dataZoom 组件的样式和行为，更多详细信息可以参考 ECharts 的官方文档。

“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