精华内容
下载资源
问答
  • python做图
    2020-11-11 14:32:01

    在前面的几篇文章中,我们分享了一些用PyGame制作小游戏的教程。我们今天的分享使用的仍然是PyGame,只不过这次不是写游戏啦~我们要用PyGame制作一张马赛克版的蒙娜丽莎。

    下载图片

    下载蒙娜丽莎图片

    这张图片将作为底图,我们要使用这张图片来制作马赛克效果。注意记下图片的像素尺寸,因为我们需要在之后的代码中用到这一像素尺寸。

    将图片储存为“mona.jpg”

    我们提供的图片尺寸是743像素 x 1155 像素的。请在开始写代码前确认图片是这个尺寸,否则之后的马赛克可能会出错。

    编写主程序

    1. 新建 .py文件

    在Python IDE中新建一个名为”makeMona.py”的文件;我们在之后的代码中要使用这个文件名。

    2. 导入库

    和先前我们写游戏时一样,由于我们要使用PyGame库来显示(display)图片,并使用Math库来做必要的计算,我们要先使用import命令来把这两个库导入:

    from pygame import * #导入Pygame库

    from math import * #导入 Math库

    3. 设置图片参数

    在我们开始放置图片之前,我们要先创建一个画布。载入蒙娜丽莎的图片之后,她便能够显示在这张画布上。

    我们要使用display.set_mode((743,1155))来对图片进行设置。(743,1155)表示画布的大小,这个大小和我们的蒙娜丽莎图片大小一致:

    screen = display.set_mode((743,1155)) #设置画布尺寸

    m = image.load("mona.jpg") #将底图存入变量m并加载底图

    screen.blit(m,(0,0)) #以画布左上角为参考点放入底图

    4. 为程序创建一个文件

    在makeMona程序中,你需要创建一个新文件,并向新文件写入程序内容。

    我们使用变量mon来指代这个新文件。在引号内,我们将这个新文件命名为“mona.py”。“w”表示你将要向这个新文件写入内容。

    mon = open("mona.py", "w")

    5. 初始化程序

    你现在可以开始向mona.py写入内容了。在这里,你需要导入你将要使用的库并设定显示尺寸:

    mon.write("""from pygame import *

    from math import *

    screen = display.set_mode((743,1155))

    """) #使用三引号来标示要向新文件写入的代码

    6. 在makeMona.py中显示图片

    为了保证你的图片正确载入到程序中,你需要把图片显示到画布上:

    running = True #让程序运行

    display.flip() #显示图片

    7. 制作马赛克图案

    我们现在要把图片分割成小小的矩形,然后制作马赛克图案。为了在制作马赛克图案的同时保持图片的可识别性,我们把每个矩形大小定为5像素。

    mon.write("draw.rect(screen,"+c+",("+str(x)+","+str(y)+",4,4)) ")是最需要注意的一行,我们把这行拆解为下面几个部分:

    draw.rect(screen,"+c+"表示绘制马赛克单元,也就是画布上的单个小矩形。追加(append)的“c”与str(screen.get_at((x,y))相关,这部分代码让你给每个像素填上颜色。

    ("+str(x)+","+str(y)中的“x”和“y”代表矩形的位置。我们在这里使用str(),这是因为我们要让程序把x和y的值作为字符串读入(因为x和y的值将成为三引号内的多行字符串的一部分,它们的格式也必须是字符串)。

    +",4,4)) ")中的两个4代表马赛克单元中有图片信息的部分,这将给每个马赛克单元留下一个黑边,这是使图片马赛克化的关键。“ ”是换行符,这个符号让程序换行,接下来写入的内容将从下一行开始写。

    下面是这一部分的代码:

    for x in range(0,743,5): #将马赛克单元x方向的边长定为5像素

    for y in range(0,1155,5): #将马赛克单元y方向的边长定为5像素

    c = str(screen.get_at((x,y))) #获取每个(x,y)坐标处的图像颜色

    mon.write("draw.rect(screen,"+c+",("+str(x)+","+str(y)+",4,4)) ")

    #把像素坐标写到mona.py文件中,划定有图像内容的矩形大小(4x4)

    mon.write("display.flip() ") #显示图片

    8. 创建while-running循环

    和其他所有PyGame程序一样,我们要在mona.py里加上“while running”循环:

    mon.write("""running = True

    while running:

    for evnt in event.get(): # checks all events that happen

    if evnt.type == QUIT:

    running = False

    quit()""")

    mon.close() #保存并关闭mona.py

    检查并测试代码

    所有的代码已经完成了!是不是很简单呢?在文末我们提供了这个程序的完整代码,只需扫描二维码就可以获取哦!

    接下来我们要检查并运行我们的代码!

    1. 打开mona.py

    在你保存makeMona.py的位置,你也可以找到mona.py。

    如果你打开这个文件,你会看到几百行代码。太神奇了!这些代码代表了马赛克的每一小块。每一行都表示一个小矩形。

    打开这个文件可能需要几秒钟时间,这很正常,因为这个文件比较大。

    2. 运行mona.py

    现在如果你的代码没有什么问题,我们就可以进行最后一步了!运行mona.py,然后你就能看见的你自己做的马赛克版蒙娜丽莎了!

    常见问题

    在我们制作上面的马赛克时,很可能遇到一些小错误。下面是一些常见的错误及解决方法:

    1. 找不到mona.py文件

    在运行主程序makeMona.py之后,mona.py文件会出现在同一个文件夹中。

    2. 新程序mona.py无法运行

    所有要写入新程序的内容都需要放在三引号内。如果你的程序无法正常运行,检查这些部分,所有的括号、引号都应该是正确配对的。

    3. 图片变形了

    这很有可能是你设定的显示尺寸有误。确保你使用display.set_mode()设置的图片尺寸都是一样的。

    更多相关内容
  • Python做图系列一

    2022-06-17 07:28:27
    python建模

    提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档


    前言

    Python做图笔记


    一、csv / txt的操作(合并)

    import pandas as pd
    a=pd.read_csv("Pdata2_32.txt",sep=',',encoding= 'utf-8',parse_dates={'birthday':[0,1,2]},
      #parse_dates参数通过字典实现前三列的日期解析,并合并为新字段birthday
      skiprows=2,skipfooter=2,comment='#',thousands='&',engine='python')
    print(a)
    a.to_csv('gym.txt')
    

    这里是数据集
    dasdnjkadasjc
    sasdasndkaslkdasll
    year,month,day,gender,name,income
    2019,3,7,男,张三,6&000
    2019,5,2,男,李四,13&000
    2019,2,1,女,王玲,8&00
    ajsdsknkjsscn
    cnajskcdscda不影响结果

    二、提取csv数据

    代码如下(示例):

    import pandas as pd
    a=pd.read_excel("Pdata2_33.xlsx",usecols=range(1,4))  #提取第1列到第4列的数据
    b=a.values  #提取其中的数据
    c=a.describe()  #对数据进行统计描述
    print(c)
    

    三、复制

    import pandas as pd
    import numpy as np
    a=pd.read_excel("Pdata2_33.xlsx",usecols=range(1,4)) #提取第1列到第4列的数据
    b=a.values  #提取其中的数据
    #生成DataFrame类型数据
    c=pd.DataFrame(b,index=np.arange(1,11),columns=["用户A","用户B","用户C"])
    f=pd.ExcelWriter('Pdata2_34.xlsx')  #创建文件对象
    c.to_excel(f,"sheet1")  #把c写入Excel文件
    c.to_excel(f,"sheet2")  #c再写入另一个表单中
    f.save()
    
    

    四、 筛选

    import pandas as pd
    import numpy as np
    a=pd.read_excel("Pdata2_33.xlsx",usecols=range(1,4)) #提取第1列到第4列的数据
    b1=a.iloc[np.arange(6),[0,1]]  #通过标号筛选数据
    b2=a.loc[np.arange(6),["用户A","用户B"]]  #通过标签筛选数据
    

    五、柱状图

    import numpy as np, pandas as pd
    from matplotlib.pyplot import *
    a=pd.read_excel("Pdata2_33.xlsx",usecols=range(1,4))  #提取第2列到第4列的数据
    c=np.sum(a)  #求每一列的和
    ind=np.array([1,2,3]); width=0.2
    rc('font',size=16); bar(ind,c,width); ylabel("消费数据")
    xticks(ind,['用户A','用户B','用户C'],rotation=20)  #旋转20度
    rcParams['font.sans-serif']=['SimHei']   #用来正常显示中文标签
    savefig('figure2_36.png',dpi=500)   #保存图片为文件figure2_36.png,像素为500
    show()
    

    六、x y 数据大小一致

    import numpy as np
    from matplotlib.pyplot import *
    x=np.array(range(8))
    y='27.0  26.8	  26.5	26.3	 26.1  25.7	 25.3	24.8'  #数据是粘贴过来的
    y=",".join(y.split())    #把空格替换成逗号
    y=np.array(eval(y))      #数据之间加逗号太麻烦,我们用程序转换
    scatter(x,y)
    savefig('figure2_23.png',dpi=500); show()
    

    七、画图 三维例题 映射

    import matplotlib.pyplot as plt
    import numpy as np
    x=np.linspace(-6,6,30)
    y=np.linspace(-6,6,30)
    X,Y=np.meshgrid(x, y)
    Z= np.sin(np.sqrt(X ** 2 + Y ** 2))
    ax1=plt.subplot(1,2,1,projection='3d')
    ax1.plot_surface(X, Y, Z,cmap='viridis')
    ax1.set_xlabel('x'); ax1.set_ylabel('y'); ax1.set_zlabel('z')
    ax2=plt.subplot(1,2,2,projection='3d'); 
    ax2.plot_wireframe(X, Y, Z,color='c')
    ax2.set_xlabel('x'); ax2.set_ylabel('y'); ax2.set_zlabel('z')
    plt.savefig('figure2_41.png',dpi=500); plt.show()
    
    

    八、改变tensorflow环境

    打开cmd
    
    conda activate tensorflow1
    
    切换环境(如base)
    
    conda deactivate
    conda activate base
    
    
    
    Microsoft Windows [版本 10.0.19044.1645]
    (c) Microsoft Corporation。保留所有权利。
    
    C:\Users\gym>conda activate tensorflow1
    
    (tensorflow1) C:\Users\gym>
    

    九、三维 等高线

    from mpl_toolkits import mplot3d
    import matplotlib.pyplot as plt
    import numpy as np
    z=np.loadtxt("Pdata2_42.txt")  #加载高程数据
    x=np.arange(0,1500,100)
    y=np.arange(1200,-10,-100)
    ax1=plt.subplot(1,2,1)
    contr=plt.contour(x,y,z); plt.clabel(contr)  #画等高线并标注
    plt.xlabel('$x$'); plt.ylabel('$y$',rotation=0)
    ax2=plt.subplot(1,2,2,projection='3d')
    plt.sca(ax2)
    X,Y=np.meshgrid(x,y)
    ax2.plot_surface(X, Y, z,cmap='viridis')
    ax2.set_xlabel('x'); ax2.set_ylabel('y'); ax2.set_zlabel('z')
    plt.savefig('figure2_42_2.png',dpi=500); plt.show()
    
    

    我是文本信息(15 x 15)
    1350 1370 1390 1400 1410 960 940 880 800 690 570 430 290 210 150
    1370 1390 1410 1430 1440 1140 1110 1050 950 820 690 540 380 300 210
    1380 1410 1430 1450 1470 1320 1280 1200 1080 940 780 620 460 370 350
    1420 1430 1450 1480 1500 1550 1510 1430 1300 1200 980 850 750 550 500
    1430 1450 1460 1500 1550 1600 1550 1600 1600 1600 1550 1500 1500 1550 1550
    950 1190 1370 1500 1200 1100 1550 1600 1550 1380 1070 900 1050 1150 1200
    910 1090 1270 1500 1200 1100 1350 1450 1200 1150 1010 880 1000 1050 1100
    880 1060 1230 1390 1500 1500 1400 900 1100 1060 950 870 900 936 950
    830 980 1180 1320 1450 1420 400 1300 700 900 850 810 380 780 750
    740 880 1080 1130 1250 1280 1230 1040 900 500 700 780 750 650 550
    650 760 880 970 1020 1050 1020 830 800 700 300 500 550 480 350
    510 620 730 800 850 870 850 780 720 650 500 200 300 350 320
    370 470 550 600 670 690 670 620 580 450 400 300 100 150 250

    总结

    展开全文
  • Python做图的方法

    2020-12-13 11:03:28
    然后业余在kaggle那里瞎转,对Python常用的作图摸了个遍,本文将对这些作图方法做个简单介绍一般我们作图主要是为了看数据分布、数据趋势、以及比较大小。常用的图包括:line(折线图):展示趋势scatter (散点图):...

    最近一直没有更新文章,在学习Machine learning。然后业余在kaggle那里瞎转,对Python常用的作图摸了个遍,本文将对这些作图方法做个简单介绍

    一般我们作图主要是为了看数据分布、数据趋势、以及比较大小。常用的图包括:

    line(折线图):展示趋势

    scatter (散点图):展示分布(机械学习中经常使用)

    bar (柱状图):感觉柱状图主要是多项目的趋势比较

    pie (饼图):展示分布

    box (箱型图):展示单个项目数据的分布细节

    heatmap (热力图):主要是列联表表示数据相对大小

    作图的工具有很多,例如Pandas、Seaborn、ggplot、Bokeh、Plotly、Pypal。而对于我来说,作图的工具主要就是两种matplotlib和seaborn两种。matplotlib可以在numpy数组里面使用,也可以处理pandas中的dataframe。

    此外matplotlib还是python作图的基础包,大部分作图模块都是基于matplotlib来的,因此matplotlib的自定义属性最高。为了减少美化以及配色的麻烦,我一般时候喜欢作图的使用通过引用ggplot的style来解决美化问题:

    import pandas as pd

    import numpy as np

    import matplotlib.pyplot as plt

    plt.style.use('ggplot') ##使得作图自带色彩,这样不用费脑筋去考虑配色什么的;

    %matplotlib inline

    numpy array的作图

    numpy数组主要是出现在python的数据分析里面,例如,在监督型学习的时候,需要做对分布的散点进行模式识别,并拟合。在拟合的过程中,需要用到梯度下降法,为了快速了解收敛的过程,需要对cost function进行监督。

    在这里先不描述梯度下降法的作图方法,先简单介绍numpy数组的散点图以及拟合方法(注意poly1d不是拟合方法,而是一个多项式生成器,真正的拟合在polyfit那里)。通过linspace生成一组数据,并引入random:

    x = np.linspace(1,10,80)

    y = x + np.random.standard_normal(size=80)

    y_s = np.ploy1d(np.plotfit(x,y,1))(x)

    plt.scatter(x,y)

    plt.plot(x, y_s)

    plt.show()

    这样就可以生成下面的这个图了:

    一维拟合

    当然,可以看到。这个图里面散点的点比较大,可以通过改变s参数更改散点的大小(如果将s变为一个函数,那么散点图就可以成为泡沫图了),线可以通过linewidth 加粗。在这里,我们将s调大,并将其调成半透明,将线加粗,加入轴说明和图表抬头(title的字号大小通过fontsize来改变):

    x = np.linspace(1,10,80)

    y = x + np.random.standard_normal(size=80)

    plt.scatter(x,y, s = 20, alpha=0.2)

    plt.plot(x, y_s, linewidth = 2)

    plt.xlabel('area')

    plt.ylabel('price')

    plt.legend(('fit', 'origin'), loc = 'best', fontsize = 8)

    plt.title('the price of the house with various area', {'fontsize':10})

    plt.show()

    更改后的一维拟合

    Pandas的作图方法

    dataframe里面一般涉及几组参数,一般无外乎是通过作图来发现参数组之间的规律或者关系。并且Pandas里面所有的作图可以都可以通过df.plot来实现,不同的图仅仅需要plot函数中的kind参数,将其改为ine、scatter、bar和pie等可以生成对应的图,详细需要看Visualization章节。在这里,我将以散点图为例做一个讲解:

    x = np.linspace(0,10,101) + np.random.normal(1,0.5,101)

    y = np.linspace(20,30,101) + np.random.normal(1,0.5,101)

    z = np.linspace(40,50,101) + np.random.normal(1,0.5,101)

    df = pd.DataFrame({'x':x, 'y':y, 'z':z, 'H' : 2*x ** 3 + 3*np.log10(y)+4*z})

    df.head(5)

    先生成一个数据表格:

    df

    例如,我想看x-H的散点图关系。可以将其中的kind参数设置为scatter,x和y的值取为对应列的名称,加入title就可以了:

    df.plot(kind='scatter', x='x', y='H')

    plt.title('x vs H')

    plt.show()

    x vs H

    当然,如果我想同时看x,y,z对H的影响,似乎就要将上面的这个图重复三遍,比较麻烦。Pandas里面的scatter_matrix就可以解决这个问题,引用pandas.tools.plotting中的scatter_matrix函数:

    from pandas.tools.plotting import scatter_matrix

    scatter_matrix(df, figsize=(10,1 0), diagonal='kde')

    plt.suptitle('the inflence of x,y,z to H')

    plt.show()

    xyz vs H

    Heatmap

    这是一种比较特殊的图,一般是对pivot_table的可视化展出,由于这种展示效果比较好,也比较直观,所以想在这里稍微提一下。先给出heatmap中的例子,稍微作了下改动,展示的是6*6随机数矩阵:

    import numpy as np

    import seaborn as sns

    random_set = np.random.randint(0,10,(6,6))

    sns.heatmap(random_set)

    在一开始我提到了,这个东西比较多的可以用在pivot_table里面,举个例子,我要展示几个旗舰店(A店、B店、C店)的商品(a、b、c、d、e)的销量。手头上没有数据,生成个随机数组凑合着用吧:

    mall_all = ['mall_A', 'mall_B', 'mall_C']

    com_all = ['commodity_a', 'commodity_b','commodity_c', 'commodity_d', 'commodity_e']

    mall = np.random.choice(mall_all,(1,100))[0]

    com = np.random.choice(com_all, (1,100))[0]

    ammout = np.random.randint(1,10,(100))

    index = np.linspace(1,100, 100)

    df = pd.DataFrame({'mall':mall, 'com':com, 'amount':ammout}, index=index, columns=['mall', 'com', 'amount'])

    df.head()

    生成出来的数据大概是这个样子的:

    随机原始数据

    对其进行数据透视,以Mall为列,以Commodity为行,总计售出商品数量:

    pivot_df = pd.pivot_table(df, index='com', columns='mall', values=['amount'], aggfunc=np.sum)

    pivot_df

    数据透视后

    通过heatmap将其进行可视化转化:

    sns.heatmap(pivot_df)

    plt.xlabel('Mall')

    plt.ylabel('Commodity')

    plt.title('Mall_Commodity')

    plt.show()

    数据透视的可视化

    使用heatmap的几个重要的参数,vmin和vmax可以控制整图的最小和最大值,cmap为整体配色方案,annot参数用来控制是否显示原始数据,fmt用来控制展示数据格式,linewidths和linecolor用来控制分割线的粗细以及颜色,cbar用来确认是否显示图例。下面将调整一下最大和最小值,并且打开annot,更改整体配色方案,将分割线加粗并设置为白色看看:

    sns.heatmap(pivot_df, vmax=80, annot=True, linecolor='white', linewidths=0.5, cmap='RdBu_r')

    plt.xlabel('Mall')

    plt.ylabel('Commodity')

    plt.title('Mall_Commodity')

    plt.show()

    数据透视的可视化_改

    小结

    想想,作图也是我在python学习里面的一个巨坑,因为命令和参数比较多,但是用的比较少,偏偏作图包还比较多,一直搞不太懂各种的逻辑,所以一直忘记。这一次经过给自己一个详细的总结之后,应该会好很多。

    在Python作图里面,还有一类图比较常见,就是地图。之前虽然我也有利用plotly玩过,但感觉还是没有进到里面的细节。我会再用一篇文章详细讲述一下,敬请期待。

    展开全文
  • python做图

    2016-09-09 21:10:00
    2019独角兽企业重金招聘Python工程师标准>>> ...
    # -*- coding: utf-8 -*-
    import numpy as np
    from scipy.optimize import leastsq
    import pylab as pl
    
    pl.mpl.rcParams['font.sans-serif'] = ['SimHei'] #指定默认字体  
    pl.mpl.rcParams['axes.unicode_minus'] = False #解决保存图像是负号'-'显示为方块的问题
    
    def func(x, p):
        """
        数据拟合所用的函数: A*sin(2*pi*k*x + theta)
        """
        A, k, theta = p
        return A*np.sin(2*np.pi*k*x+theta)   
    
    def residuals(p, y, x):
        """
        实验数据x, y和拟合函数之间的差,p为拟合需要找到的系数
        """
        return y - func(x, p)
    
    x = np.linspace(0, -2*np.pi, 100)
    A, k, theta = 10, 0.34, np.pi/6 # 真实数据的函数参数
    y0 = func(x, [A, k, theta]) # 真实数据
    y1 = y0 + 2 * np.random.randn(len(x)) # 加入噪声之后的实验数据    
    
    p0 = [7, 0.2, 0] # 第一次猜测的函数拟合参数
    
    # 调用leastsq进行数据拟合
    # residuals为计算误差的函数
    # p0为拟合参数的初始值
    # args为需要拟合的实验数据
    plsq = leastsq(residuals, p0, args=(y1, x))
    
    print u"真实参数:", [A, k, theta] 
    print u"拟合参数", plsq[0] # 实验数据拟合后的参数
    
    pl.plot(x, y0, label=u"真实数据")
    pl.plot(x, y1, label=u"带噪声的实验数据")
    pl.plot(x, func(x, plsq[0]), label=u"拟合数据")
    pl.legend()
    pl.show()
    

    图像:

    211032_tQu3_2416678.png

     

    转载于:https://my.oschina.net/wtzheng/blog/745022

    展开全文
  • 数据是2010-2020年的,坐标轴只显示2010、2012、2014,不显示2011、2013
  • 参考链接
  • python的海龟作图中怎么取一个图形的对称图形用坐标法吧,turtle默认的初始位置是(0,0),用penup(),goto(),pendown()移动到某个位置,自己算一下就可以。然后,用stamp()在当前位置复制一个原图形。...
  • python做图笔记

    2018-07-16 11:44:00
     (1)基本python,下载安装python的最新版(目前是python3.7).注意要使用安装版。安装好后,一般系统路径会加入python的安装目录和其下的scripts。scripts里包含pip。  安装完成后,可以在cmd命令行里键入...
  • Python做图时遇到中文标题乱码

    千次阅读 2019-03-27 13:07:06
    Python做图时遇到中文标题乱码的情况 ,试了好几个该方法都不行,最后终于解决了 利用在代码开始添加 from matplotlib.font_manager import FontProperties font_set = FontProperties(fname=r"c:\windows\fonts...
  • 主要介绍了Python科学画图代码分享,涉及matplotlib库的简单介绍,分享了matplotlib绘图库书籍的下载地址,具有一定参考价值,需要的朋友可以了解下。
  • Python 各种画图

    万次阅读 多人点赞 2021-09-03 20:20:51
    Python 画各种图所作的简单笔记,不断更新
  • 一次性掌握所有 Python 画图基础操作

    万次阅读 多人点赞 2019-12-22 16:01:08
    本文以实用为第一目标,保证读者在看完此文之后可以迅速上手 python 画图,掌握所有画图的基本技巧。
  • 可视化对于大家来说确实是有关的,因为确实是直观的,每一组大数据如果可以用可视化进行展示的话可以让大家豁然开朗。但在另外一些场景中,辅之以少量的文字提示(textual cue)和标签是必不可少的。...
  • Python 常用模块

    2020-12-07 12:39:49
    用来写文档的 dpkt:数据包的解包和组包 MySQLdb:连接MySQL数据库的 py2exe:用来生成windows可执行文件 Pylons:我们领导推荐的web framework pysqlite2:SQLite的连接组件 pythonwin:Python的Windows扩展 ...
  • python绘图技巧(高清图)

    千次阅读 2022-08-10 15:49:58
    代码】python绘图技巧(高清图)
  • Python画图

    2021-05-25 21:36:36
    Python中画图通常使用matplotlib来画折线图、柱状图、散点图等,习惯用seaborn来画热力图。 import matplotlib.pyplot as plt import seaborn as sns import numpy as np 折线图 x = np.linspace(0, 10, 10) y = 3*...
  • Python在很多人口中无所不能,比如说编写一些自动化程序、黑别人网站、做游戏外挂之类那么,Python真的那么神奇吗?首先,两种语言都能做胶水语言的工作没有疑问描述:Python事实上应用范围更为广泛,而R语言一定程度...
  • 如何利用python实现简单的作图

    千次阅读 2020-07-18 18:21:27
    * 如何利用python实现简单的作图* 首先,了解一下python的海龟绘图法。 绘图法指的是一只类似于海龟的机器人.我们可以利用机器人进行前进后退及向左向右的旋转,而机器人行走的路径就是你所要绘制的图形。接下来介绍...
  • 今天小编就为大家分享一篇Python利用matplotlib做图中图及次坐标轴的实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
  • 为了设置刻度线的位置,你可以使用一个matplotlib.dates.MonthLocator。为了使刻度具有特定的格式,您可以使用matplotlib.dates.DateFormatter。为了使标签不重叠,您可以使用autofmt_xdate()。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,113
精华内容 845
关键字:

python做图