007、绘制数据plt.plot

plt.plot 是 Matplotlib 中最常用的函数之一,用于绘制线形图。该函数非常灵活,可以通过各种参数自定义图形的外观。下面将深入讲解 plt.plot 的使用,并通过多个例子展示其功能。

理论概述

plt.plot 的基本语法:

plt.plot(x, y, format_string, **kwargs)

• x：x 轴数据。
• y：y 轴数据。
• format_string：可选,指定线条颜色、标记和线型的格式字符串(如 'r*--')。
• **kwargs：可选,用于设置线条属性的关键字参数。

format_string 详解

• 颜色(color)：可以使用单个字母表示颜色,如 ‘r’(红色)、‘b’(蓝色)、‘g’(绿色)、‘k’(黑色)等。
• 标记(marker)：用于表示数据点的标记样式,如 ‘*’(星号)、‘o’(圆圈)、‘s’(方块)等。
• 线型(linestyle)：用于指定线条样式,如 ‘-’(实线)、‘–’(虚线)、‘-.’(点划线)、‘:’(点线)等。

实际例子

示例1：基本线形图

import matplotlib.pyplot as plt

x = range(1, 11)
y = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29]

plt.plot(x, y)
plt.title('基本线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

示例2：使用格式字符串自定义图形

import matplotlib.pyplot as plt

x = range(1, 11)
y1 = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29]
y2 = [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

plt.plot(x, y1, 'r*--', label='质数')
plt.plot(x, y2, 'bo-', label='平方数')
plt.title('自定义格式的线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()
plt.show()

示例3：使用关键字参数自定义图形

import matplotlib.pyplot as plt

x = range(1, 11)
y1 = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29] 
y2 = [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

plt.plot(x, y1, color='red', marker='*', linestyle='--', label='质数')
plt.plot(x, y2, color='blue', marker='o', linestyle='-', label='平方数')
plt.title('使用关键字参数的线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()
plt.show()

示例4：绘制带有误差棒的图形

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 10)
y = np.sin(x)
yerr = 0.2

plt.errorbar(x, y, yerr=yerr, fmt='o-', ecolor='red', capsize=5)
plt.title('带有误差棒的线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

示例5：绘制多条线并使用不同的样式

import matplotlib.pyplot as plt

x = range(1, 11)
y1 = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29]
y2 = [1, 4, 9, 16, 25, 36, 49, 64, 81, 100] 
y3 = [1, 8, 27, 64, 125, 216, 343, 512, 729, 1000]

plt.plot(x, y1, 'r*--', label='质数')
plt.plot(x, y2, 'bo-', label='平方数')
plt.plot(x, y3, 'gs-.', label='立方数')
plt.title('多条线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()
plt.show()

示例6：使用不同的线宽和标记大小

import matplotlib.pyplot as plt

x = range(1, 11)
y1 = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29]
y2 = [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

plt.plot(x, y1, 'r*--', linewidth=2, markersize=10, label='质数')
plt.plot(x, y2, 'bo-', linewidth=4, markersize=5, label='平方数') 
plt.title('使用不同线宽和标记大小的线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()
plt.show()

示例7：绘制对数坐标轴的图形

import matplotlib.pyplot as plt

x = range(1, 11)
y = [10, 100, 1000, 10000, 100000, 1000000, 10000000, 100000000, 1000000000, 10000000000]

plt.plot(x, y, 'g*-')
plt.yscale('log')
plt.title('对数坐标轴的线形图')
plt.xlabel('X轴')
plt.ylabel('Y轴(对数)')
plt.show()

示例8：自定义图例位置和样式

import matplotlib.pyplot as plt

x = range(1, 11)
y1 = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29]
y2 = [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

plt.plot(x, y1, 'r*--', label='质数')
plt.plot(x, y2, 'bo-', label='平方数')
plt.title('自定义图例位置和样式')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend(loc='upper left', fontsize='large', shadow=True)
plt.show()

其他常用参数

除了 format_string 之外,plt.plot 还支持许多其他参数,用于调整图形细节:

• linewidth/lw：线宽。
• markersize/ms：标记大小。
• markeredgecolor/mec：标记边缘颜色。
• markerfacecolor/mfc：标记填充颜色
• markeredgewidth/mew：标记边缘线宽
• alpha：透明度,0到1之间的浮点数
• zorder：绘制顺序,数值越大绘制越在上层
• label：图例标签
• linestyle/ls：同 format_string 中的 linestyle

设置坐标轴范围和比例

通过一些特殊参数,我们还可以控制坐标轴的范围和比例尺度:

• xlim/ylim：设置 x/y 轴的数据显示范围
• xscale/yscale：设置 x/y 轴的刻度规则,如线性(linear)、对数(log)等
• xticks/yticks：设置 x/y 轴应显示的刻度位置

示例:

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-10, 10, 100)
y = x**2

plt.plot(x, y)
plt.xlim([-5, 5])  # 设置 x 轴显示范围
plt.ylim([0, 30])  # 设置 y 轴显示范围 
plt.xscale('symlog', linthresh=0.01)  # 对数坐标轴,但在 0 附近使用线性比例
plt.xticks([-5, -1, 0, 1, 5])  # 自定义 x 轴刻度
plt.title('自定义坐标轴范围和比例')
plt.show()

多子图布局

plt.subplot可以将图形区域分割成多个子区域,每个子区域中可绘制不同的图形。它的语法是:

plt.subplot(nrows, ncols, index)

• nrows：子图的行数
• ncols：子图的列数
• index：子图的索引,从1开始递增

示例:

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-2*np.pi, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.figure(figsize=(8, 4))
plt.subplot(1, 2, 1)  # 1行2列,第1个子图
plt.plot(x, y1)
plt.title('Sine Wave')

plt.subplot(1, 2, 2)  # 1行2列,第2个子图 
plt.plot(x, y2, 'r--')
plt.title('Cosine Wave')

plt.tight_layout()
plt.show()

除了subplot之外,matplotlib还提供了subplot2grid和gridspec.GridSpec等更灵活的子图布局方式。

图形输出

plt.savefig可以将当前图形保存为文件,支持多种格式如PNG、JPG、EPS、SVG等:

plt.savefig('figure.png', dpi=300, bbox_inches='tight')

其中dpi设置输出分辨率,bbox_inches控制输出时是否剪裁掉图形周围的空白区域。

交互式可视化

除了静态的图像输出,Matplotlib 还支持交互式的数据可视化。我们可以使用 plt.ion() 打开交互模式,然后使用 plt.show(block=False) 不阻塞地显示图形。

在交互模式下,我们可以动态更新图形内容,实现实时数据可视化等功能。示例:

import matplotlib.pyplot as plt
import numpy as np

plt.ion()  # 打开交互模式

fig, ax = plt.subplots()
ln, = ax.plot([], [], 'r-')  # 创建初始化的空线条

ax.set_xlim(0, 10)
ax.set_ylim(-1, 1)

x = np.linspace(0, 10, 100)

for i in range(100):
    y = np.sin(x + i/10)
    ln.set_data(x, y)
    fig.canvas.draw()
    fig.canvas.flush_events()

plt.ioff()  # 关闭交互模式

该示例会实时绘制一条正弦波,波形随时间推移而移动。

plt.ginput则允许用户在图形上点击鼠标进行交互,常用于标记数据点等功能。

使用 OO 接口自定义图形

Matplotlib 不仅提供了像 plt.plot 这样的快捷函数接口,也支持面向对象编程风格。通过显式创建 Figure 和 Axes 对象,并使用相应的方法,我们可以实现更细粒度的图形自定义。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-np.pi, np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建 Figure 和 Axes 对象
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(6, 6))

# 使用对象方法设置属性
ax1.plot(x, y1, 'b-')
ax1.set_title('Sine Wave')
ax1.set_ylim([-1.5, 1.5])

ax2.plot(x, y2, 'r--')
ax2.set_title('Cosine Wave')
ax2.set_ylim([-1.5, 1.5])

fig.tight_layout()
plt.show()

使用 OO 接口可以更灵活地控制图形元素,但代码也会变得更加冗长。在简单的场景下,使用快捷函数接口就可以了,但在需要高度自定义时,OO 接口会更加有用。

自定义 Colormap

Colormap 用于将数值数据映射到颜色值,对于可视化大量数据非常有用。Matplotlib 内置了多种 colormap,也支持自定义颜色映射。

内置的 colormap 可以通过 plt.cm.名称 访问,例如 plt.cm.viridis 是一种很流行的 colormap。

我们可以通过指定颜色列表来定义新的 colormap:

import matplotlib.pyplot as plt
import numpy as np

# 自定义 colormap
cmap = plt.colormaps['viridis']
my_cmap = cmap.from_list('my_cmap', ['navy', 'royalblue', 'skyblue', 'lime'])

data = np.random.randn(30, 30)
fig, ax = plt.subplots()
im = ax.imshow(data, cmap=my_cmap)
fig.colorbar(im)
plt.show()

该示例创建了一个新的 colormap my_cmap,包含了从深蓝到浅绿的四种颜色。然后使用该 colormap 可视化二维数据。

plt.colormaps.register 还允许我们将自定义的 colormap 注册到 Matplotlib 中,以供全局访问。

自定义 Colorbar

Colorbar 可以将数据值和颜色直观地关联起来。我们可以使用 plt.colorbar 或者 fig.colorbar(im) 显示 colorbar。

也可以通过参数对 colorbar 进行自定义,如修改尺寸、位置、刻度值和标签等:

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randn(30, 30)
fig, ax = plt.subplots(figsize=(6, 4))
im = ax.imshow(data, cmap='RdBu')

# 自定义 colorbar
cbar = fig.colorbar(im, ax=ax, orientation='horizontal', shrink=0.6, pad=0.05)
cbar.set_label('Data Values', fontsize=12)
cbar.set_ticks([-2, -1, 0, 1, 2])
cbar.ax.tick_params(labelsize=10)

plt.show()

这个例子创建了一个水平放置的 colorbar,调整了它的大小和填充,并自定义了标签和刻度值。

总的来说,Matplotlib 提供了全面的工具来自定义 colormap 和 colorbar,使数据可视化更加清晰和富有吸引力。