精华内容
下载资源
问答
  • 感谢你所做的一切,向你致敬!

    感谢你所做的一切,向你致敬!

    展开全文
  • Matplotlib 教程

    2017-06-05 20:11:53
    本文欢迎转载,但请保留本段文字,尊重作者和译者的权益。谢谢。: ) 介绍 Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化,并且提供多样化的输出格式。这里将...

    Matplotlib 教程


    Matplotlib 教程

    本文为译文,原文载于此,译文原载于此。本文欢迎转载,但请保留本段文字,尊重作者和译者的权益。谢谢。: )

    介绍

    Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化,并且提供多样化的输出格式。这里将会探索 matplotlib 的常见用法。

    IPython 以及 pylab 模式

    IPython 是 Python 的一个增强版本。它在下列方面有所增强:命名输入输出、使用系统命令(shell commands)、排错(debug)能力。我们在命令行终端给 IPython 加上参数 -pylab (0.12 以后的版本是 --pylab)之后,就可以像 Matlab 或者 Mathematica 那样以交互的方式绘图。

    pylab

    pylab 是 matplotlib 面向对象绘图库的一个接口。它的语法和 Matlab 十分相近。也就是说,它主要的绘图命令和 Matlab 对应的命令有相似的参数。

    初级绘制

    这一节中,我们将从简到繁:先尝试用默认配置在同一张图上绘制正弦和余弦函数图像,然后逐步美化它。

    第一步,是取得正弦函数和预先函数的值:

    1
    2
    3
    4
    
    from pylab import *
    
    X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
    C,S = np.cos(X), np.sin(X)
    

    X 是一个 numpy 数组,包含了从 π−π 到 +π 等间隔的 256 个值。C 和 S 则分别是这 256 个值对应的余弦和正弦函数值组成的numpy 数组。

    你可以在 IPython 的交互模式下测试代码,也可以下载代码(下载链接就是这些示例图),然后执行:

    1
    
    python exercise_1.py
    

    使用默认配置

    Matplotlib 的默认配置都允许用户自定义。你可以调整大多数的默认配置:图片大小和分辨率(dpi)、线宽、颜色、风格、坐标轴、坐标轴以及网格的属性、文字与字体属性等。不过,matplotlib 的默认配置在大多数情况下已经做得足够好,你可能只在很少的情况下才会想更改这些默认配置。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    
    from pylab import *
    
    X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
    C,S = np.cos(X), np.sin(X)
    
    plot(X,C)
    plot(X,S)
    
    show()
    

    点击图片下载相应 Python 代码

    默认配置的具体内容

    下面的代码中,我们展现了 matplotlib 的默认配置并辅以注释说明,这部分配置包含了有关绘图样式的所有配置。代码中的配置与默认配置完全相同,你可以在交互模式中修改其中的值来观察效果。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    
    # 导入 matplotlib 的所有内容(nympy 可以用 np 这个名字来使用)
    from pylab import *
    
    # 创建一个 8 * 6 点(point)的图,并设置分辨率为 80
    figure(figsize=(8,6), dpi=80)
    
    # 创建一个新的 1 * 1 的子图,接下来的图样绘制在其中的第 1 块(也是唯一的一块)
    subplot(1,1,1)
    
    X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
    C,S = np.cos(X), np.sin(X)
    
    # 绘制余弦曲线,使用蓝色的、连续的、宽度为 1 (像素)的线条
    plot(X, C, color="blue", linewidth=1.0, linestyle="-")
    
    # 绘制正弦曲线,使用绿色的、连续的、宽度为 1 (像素)的线条
    plot(X, S, color="green", linewidth=1.0, linestyle="-")
    
    # 设置横轴的上下限
    xlim(-4.0,4.0)
    
    # 设置横轴记号
    xticks(np.linspace(-4,4,9,endpoint=True))
    
    # 设置纵轴的上下限
    ylim(-1.0,1.0)
    
    # 设置纵轴记号
    yticks(np.linspace(-1,1,5,endpoint=True))
    
    # 以分辨率 72 来保存图片
    # savefig("exercice_2.png",dpi=72)
    
    # 在屏幕上显示
    show()
    

    点击图片下载相应 Python 代码

    改变线条的颜色和粗细

    首先,我们以蓝色和红色分别表示余弦和正弦函数,而后将线条变粗一点。接下来,我们在水平方向拉伸一下整个图。

    1
    2
    3
    4
    5
    
    ...
    figure(figsize=(10,6), dpi=80)
    plot(X, C, color="blue", linewidth=2.5, linestyle="-")
    plot(X, S, color="red",  linewidth=2.5, linestyle="-")
    ...
    

    点击图片下载相应 Python 代码

    设置图片边界

    当前的图片边界设置得不好,所以有些地方看得不是很清楚。

    1
    2
    3
    4
    
    ...
    xlim(X.min()*1.1, X.max()*1.1)
    ylim(C.min()*1.1, C.max()*1.1)
    ...
    

    更好的方式是这样:

    1
    2
    3
    4
    5
    6
    7
    8
    
    xmin ,xmax = X.min(), X.max()
    ymin, ymax = Y.min(), Y.max()
    
    dx = (xmax - xmin) * 0.2
    dy = (ymax - ymin) * 0.2
    
    xlim(xmin - dx, xmax + dx)
    ylim(ymin - dy, ymax + dy)
    

    点击图片下载相应 Python 代码

    设置记号

    我们讨论正弦和余弦函数的时候,通常希望知道函数在 ±π±π 和 ±π2±π2 的值。这样看来,当前的设置就不那么理想了。

    1
    2
    3
    4
    
    ...
    xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
    yticks([-1, 0, +1])
    ...
    

    点击图片下载相应 Python 代码

    设置记号的标签

    记号现在没问题了,不过标签却不大符合期望。我们可以把 3.1423.142 当做是 ππ,但毕竟不够精确。当我们设置记号的时候,我们可以同时设置记号的标签。注意这里使用了 LaTeX。

    1
    2
    3
    4
    5
    6
    7
    
    ...
    xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
           [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
    
    yticks([-1, 0, +1],
           [r'$-1$', r'$0$', r'$+1$'])
    ...
    

    点击图片下载相应 Python 代码

    移动脊柱

    坐标轴线和上面的记号连在一起就形成了脊柱(Spines,一条线段上有一系列的凸起,是不是很像脊柱骨啊~),它记录了数据区域的范围。它们可以放在任意位置,不过至今为止,我们都把它放在图的四边。

    实际上每幅图有四条脊柱(上下左右),为了将脊柱放在图的中间,我们必须将其中的两条(上和右)设置为无色,然后调整剩下的两条到合适的位置——数据空间的 0 点。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    
    ...
    ax = gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    ax.xaxis.set_ticks_position('bottom')
    ax.spines['bottom'].set_position(('data',0))
    ax.yaxis.set_ticks_position('left')
    ax.spines['left'].set_position(('data',0))
    ...
    

    点击图片下载相应 Python 代码

    添加图例

    我们在图的左上角添加一个图例。为此,我们只需要在 plot 函数里以「键 - 值」的形式增加一个参数。

    1
    2
    3
    4
    5
    6
    
    ...
    plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")
    plot(X, S, color="red",  linewidth=2.5, linestyle="-", label="sine")
    
    legend(loc='upper left')
    ...
    

    点击图片下载相应 Python 代码

    给一些特殊点做注释

    我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先,我们在对应的函数图像位置上画一个点;然后,向横轴引一条垂线,以虚线标记;最后,写上标签。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    
    ...
    
    t = 2*np.pi/3
    plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")
    scatter([t,],[np.cos(t),], 50, color ='blue')
    
    annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
             xy=(t, np.sin(t)), xycoords='data',
             xytext=(+10, +30), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
    
    plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")
    scatter([t,],[np.sin(t),], 50, color ='red')
    
    annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
             xy=(t, np.cos(t)), xycoords='data',
             xytext=(-90, -50), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
    ...
    

    点击图片下载相应 Python 代码

    精益求精

    坐标轴上的记号标签被曲线挡住了,作为强迫症患者(雾)这是不能忍的。我们可以把它们放大,然后添加一个白色的半透明底色。这样可以保证标签和曲线同时可见。

    1
    2
    3
    4
    5
    
    ...
    for label in ax.get_xticklabels() + ax.get_yticklabels():
        label.set_fontsize(16)
        label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 ))
    ...
    

    点击图片下载相应 Python 代码

    图像、子图、坐标轴和记号

    到目前为止,我们都用隐式的方法来绘制图像和坐标轴。快速绘图中,这是很方便的。我们也可以显式地控制图像、子图、坐标轴。Matplotlib 中的「图像」指的是用户界面看到的整个窗口内容。在图像里面有所谓「子图」。子图的位置是由坐标网格确定的,而「坐标轴」却不受此限制,可以放在图像的任意位置。我们已经隐式地使用过图像和子图:当我们调用 plot 函数的时候,matplotlib 调用 gca() 函数以及 gcf() 函数来获取当前的坐标轴和图像;如果无法获取图像,则会调用 figure() 函数来创建一个——严格地说,是用 subplot(1,1,1) 创建一个只有一个子图的图像。

    图像

    所谓「图像」就是 GUI 里以「Figure #」为标题的那些窗口。图像编号从 1 开始,与 MATLAB 的风格一致,而于 Python 从 0 开始编号的风格不同。以下参数是图像的属性:

    参数 默认值 描述
    num 1 图像的数量
    figsize figure.figsize 图像的长和宽(英寸)
    dpi figure.dpi 分辨率(点/英寸)
    facecolor figure.facecolor 绘图区域的背景颜色
    edgecolor figure.edgecolor 绘图区域边缘的颜色
    frameon True 是否绘制图像边缘

    这些默认值可以在源文件中指明。不过除了图像数量这个参数,其余的参数都很少修改。

    你在图形界面中可以按下右上角的 X 来关闭窗口(OS X 系统是左上角)。Matplotlib 也提供了名为 close 的函数来关闭这个窗口。close 函数的具体行为取决于你提供的参数:

    1. 不传递参数:关闭当前窗口;
    2. 传递窗口编号或窗口实例(instance)作为参数:关闭指定的窗口;
    3. all:关闭所有窗口。

    和其他对象一样,你可以使用 setp 或者是 set_something 这样的方法来设置图像的属性。

    子图

    你可以用子图来将图样(plot)放在均匀的坐标网格中。用 subplot 函数的时候,你需要指明网格的行列数量,以及你希望将图样放在哪一个网格区域中。此外,gridspec 的功能更强大,你也可以选择它来实现这个功能。

    点击图片下载相应 Python 代码

    点击图片下载相应 Python 代码

    点击图片下载相应 Python 代码

    点击图片下载相应 Python 代码

    坐标轴

    坐标轴和子图功能类似,不过它可以放在图像的任意位置。因此,如果你希望在一副图中绘制一个小图,就可以用这个功能。

    点击图片下载相应 Python 代码

    点击图片下载相应 Python 代码

    记号

    良好的记号是图像的重要组成部分。Matplotlib 里的记号系统里的各个细节都是可以由用户个性化配置的。你可以用 Tick Locators 来指定在那些位置放置记号,用 Tick Formatters 来调整记号的样式。主要和次要的记号可以以不同的方式呈现。默认情况下,每一个次要的记号都是隐藏的,也就是说,默认情况下的次要记号列表是空的——NullLocator

    Tick Locators

    下面有为不同需求设计的一些 Locators。

    类型 说明
    NullLocator

    No ticks.

    IndexLocator

    Place a tick on every multiple of some base number of points plotted.

    FixedLocator

    Tick locations are fixed.

    LinearLocator

    Determine the tick locations.

    MultipleLocator

    Set a tick on every integer that is multiple of some base.

    AutoLocator

    Select no more than n intervals at nice locations.

    LogLocator

    Determine the tick locations for log axes.

    这些 Locators 都是 matplotlib.ticker.Locator 的子类,你可以据此定义自己的 Locator。以日期为 ticks 特别复杂,因此 Matplotlib 提供了 matplotlib.dates 来实现这一功能。

    其他类型的图

    接下来的内容是练习。请运用你学到的知识,从提供的代码开始,实现配图所示的效果。具体的答案可以点击配图下载。

    普通图

    1
    2
    3
    4
    5
    6
    7
    8
    9
    
    from pylab import *
    
    n = 256
    X = np.linspace(-np.pi,np.pi,n,endpoint=True)
    Y = np.sin(2*X)
    
    plot (X, Y+1, color='blue', alpha=1.00)
    plot (X, Y-1, color='blue', alpha=1.00)
    show()
    

    点击图片下载相应 Python 代码

    散点图

    1
    2
    3
    4
    5
    6
    7
    8
    
    from pylab import *
    
    n = 1024
    X = np.random.normal(0,1,n)
    Y = np.random.normal(0,1,n)
    
    scatter(X,Y)
    show()
    

    点击图片下载相应 Python 代码

    条形图

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    
    from pylab import *
    
    n = 12
    X = np.arange(n)
    Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
    Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
    
    bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
    bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
    
    for x,y in zip(X,Y1):
        text(x+0.4, y+0.05, '%.2f' % y, ha='center', va= 'bottom')
    
    ylim(-1.25,+1.25)
    show()
    

    点击图片下载相应 Python 代码

    等高线图

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    
    from pylab import *
    
    def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
    
    n = 256
    x = np.linspace(-3,3,n)
    y = np.linspace(-3,3,n)
    X,Y = np.meshgrid(x,y)
    
    contourf(X, Y, f(X,Y), 8, alpha=.75, cmap='jet')
    C = contour(X, Y, f(X,Y), 8, colors='black', linewidth=.5)
    show()
    

    点击图片下载相应 Python 代码

    灰度图(Imshow)

    1
    2
    3
    4
    5
    6
    7
    8
    9
    
    from pylab import *
    
    def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
    
    n = 10
    x = np.linspace(-3,3,4*n)
    y = np.linspace(-3,3,3*n)
    X,Y = np.meshgrid(x,y)
    imshow(f(X,Y)), show()
    

    点击图片下载相应 Python 代码

    饼状图

    1
    2
    3
    4
    5
    
    from pylab import *
    
    n = 20
    Z = np.random.uniform(0,1,n)
    pie(Z), show()
    

    点击图片下载相应 Python 代码

    量场图(Quiver Plots)

    1
    2
    3
    4
    5
    
    from pylab import *
    
    n = 8
    X,Y = np.mgrid[0:n,0:n]
    quiver(X,Y), show()
    

    点击图片下载相应 Python 代码

    网格

    1
    2
    3
    4
    5
    6
    7
    8
    9
    
    from pylab import *
    
    axes = gca()
    axes.set_xlim(0,4)
    axes.set_ylim(0,3)
    axes.set_xticklabels([])
    axes.set_yticklabels([])
    
    show()
    

    点击图片下载相应 Python 代码

    多重网格

    1
    2
    3
    4
    5
    6
    7
    
    from pylab import *
    
    subplot(2,2,1)
    subplot(2,2,3)
    subplot(2,2,4)
    
    show()
    

    点击图片下载相应 Python 代码

    极轴图

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    
    from pylab import *
    
    axes([0,0,1,1])
    
    N = 20
    theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)
    radii = 10*np.random.rand(N)
    width = np.pi/4*np.random.rand(N)
    bars = bar(theta, radii, width=width, bottom=0.0)
    
    for r,bar in zip(radii, bars):
        bar.set_facecolor( cm.jet(r/10.))
        bar.set_alpha(0.5)
    
    show()
    

    点击图片下载相应 Python 代码

    3D 图

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    
    from pylab import *
    from mpl_toolkits.mplot3d import Axes3D
    
    fig = figure()
    ax = Axes3D(fig)
    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.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='hot')
    
    show()
    

    点击图片下载相应 Python 代码

    手稿

    点击图片下载相应 Python 代码

    结束篇

    Matplotlib 能有今天这样强大的功能和广泛的使用得益于大量的文档和社区开发者。这里提供一些有益的链接。

    入门教程

    Matplotlib 文档

    随代码分发的文档

    Matplotlib 的代码是自文档(Self-documented)的。你可以在 Python 中快速查询某个命令的用法。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    
    >>> from pylab import *
    >>> help(plot)
    Help on function plot in module matplotlib.pyplot:
    
    plot(*args, **kwargs)
       Plot lines and/or markers to the
       :class:`~matplotlib.axes.Axes`.  *args* is a variable length
       argument, allowing for multiple *x*, *y* pairs with an
       optional format string.  For example, each of the following is
       legal::
    
           plot(x, y)         # plot x and y using default line style and color
           plot(x, y, 'bo')   # plot x and y using blue circle markers
           plot(y)            # plot y using x as index array 0..N-1
           plot(y, 'r+')      # ditto, but with red plusses
    
       If *x* and/or *y* is 2-dimensional, then the corresponding columns
       will be plotted.
       ...
    

    画廊

    Matplotlib 画廊 也非常有用。其中的例子都有配图和对应的代码,当你不知道某一个效果如何实现的时候,你可以在这里找找。

    哦,这里还有一个小一点的画廊

    邮件列表

    你可以在用户邮件列表提问,或者在开发者邮件列表里交流技术。

    译注:邮件列表是一个很正式的交流平台,其内的每一封邮件,列表的收听者都会看到,所以请不要在邮件列表灌水或发表质量低劣的文章。

    快速查询

    你可以在这里找到 Matplotlib 主要的属性表,以便按照需求个性化配置你的输出图样。

    展开全文
  • matplotlib 绘图

    2019-05-09 22:24:56
    #matplotlib是最基础的绘图工具,以柱状图为例,演示matplotlib绘图时可以对图表中的各元素进行操作 #在做图前有必要对图表进行相关的分析研究,这样我们可以在未作图前就能清楚的知道一个完整的图表中应该包含哪些...

    #matplotlib是最基础的绘图工具,以柱状图为例,演示matplotlib绘图时可以对图表中的各元素进行操作

    #在做图前有必要对图表进行相关的分析研究,这样我们可以在未作图前就能清楚的知道一个完整的图表中应该包含哪些元素,

    #知道包含的元素对象后,我们就能知道在一个图表中我们可以操作哪些内容,这样学习作图会比较快的掌握作图

    #本文中作者提出一些图表中包含的元素(因为不确定是否完整,所以只能表达的含蓄一点)

    坐标轴(刻度  标签  坐标位置  )    图  图例  标题  网格线  字体   颜色   大小    边框线
     

    '''from matplotlib import pyplot as plt
    from pylab import mpl
    import numpy as np
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    x = ['衬衫', '羊毛衫', '雪纺衫', '裤子', '高跟鞋', '袜子']
    b1 = [5, 20, 36, 10, 75, 90]
    b2 = [10, 25, 8, 60, 20, 80]
    #获取当前坐标轴对象
    ax = plt.gca()
    #去掉右侧边框线
    ax.spines['right'].set_color('none')
    #去掉左侧边框线
    ax.spines['top'].set_color('none')
    #指定X轴
    ax.xaxis.set_ticks_position('bottom')
    #指定Y轴
    ax.yaxis.set_ticks_position('left')
    #指定X轴位置 data中可通过数字控制坐标轴的位置
    ax.spines['bottom'].set_position(('data',0))
    #指定Y轴的位置,控制方式与上面相同
    ax.spines['left'].set_position(('data',-0.5))
    #指定Y轴的长度
    plt.ylim(0,200)
    #指定Y轴的刻度线
    plt.yticks(np.arange(0,200,5))
    plt.bar(x,b1)
    plt.bar(x,b2,bottom=b1)
    plt.show()'''
    from matplotlib import pyplot as plt
    import numpy as np
    from pylab import mpl
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    x = ['衬衫', '羊毛衫', '雪纺衫', '裤子', '高跟鞋', '袜子']
    b1 = [5, 20, 36, 10, 75, 90]
    b2 = [10, 25, 8, 60, 20, 80]
    #rotation旋转   在程序中可以控制坐标轴中数字把刻度的旋转角度
    # ax = plt.gca()
    # ax.spines['top'].set_color('none')
    # ax.spines['left'].set_color('none')
    plt.yticks(np.arange(0,100,10),rotation=90)
    plt.xlabel('X轴')
    plt.ylabel('Y轴')
    plt.title('bar plot')
    
    #hatch控制内部填充 alpha控制透明度 edgecolor边框颜色  linewidth边框线的宽度
    plt.bar(x,b1,color='red',width=0.7,label='b1',hatch='*',alpha=0.4,edgecolor='blue',linewidth=0.7)
    plt.bar(x,b2,color='purple',width=0.4,label='b2')
    #for b11,b12 in zip(b1,b2):
    #    plt.text(b11+1,b12+1,x)
    plt.legend()
    plt.show()
    展开全文
  • Matplotlib入门

    2018-07-30 10:54:00
    标题中的英文首字母大写比较规范,但在python实际使用中...作者的集成开发环境是jupyter,Python版本为3.6 建议阅读本文的读者安装anaconda3,里面包含了jupyter、python3.6和matplotlib库 下载链接: https://pan.ba...

    标题中的英文首字母大写比较规范,但在python实际使用中均为小写。
    2018年7月30日笔记
    作者的集成开发环境是jupyter,Python版本为3.6
    建议阅读本文的读者安装anaconda3,里面包含了jupyter、python3.6和matplotlib库
    下载链接: https://pan.baidu.com/s/1kKCvpXAlTdRri4lSP6gykA 密码: pygy

    1.简介

    Matplotlib是一个Python的绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。这个绘图系统操作起来相对复杂,但是Matplotlib的复杂给其带来了很强的定制性。其具有面对对象的方式以及pyplot的经典高层封装。
    Matplotlib是基于Python语言的开源项目,旨在为Python提供一个数据绘图包。用户在熟悉了核心对象之后,就可以轻易的定制图像。
    由John Hunter发起(1968-2012)发起,John由于癌症于2012年过世。感谢John对于matplotlib做出的贡献。


    img_9f7efd734dd38419ab703d9a71fff4df.png
    matplotlib库创始人.png

    函数式绘图和面对对象绘图:
    1.函数式绘图,参考了matlab里面的绘图函数语法,简单易上手
    2.面对对象绘图,更懂matplotlib底层架构,有更多的功能

    2.Matplotlib快速预览

    在matplotlib中,整个图像为一个Figure对象,在Figure对象中可以包含一个或者多个Axes对象。
    每个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。

    img_7308eb1ed4afd3906378468ca5595600.png
    image.png

    一个Figure可以理解为一个画布或装图片的容器,是绘图的承载对象,画布上有很多绘图方法可供使用。title为标题,axis为坐标轴,label为坐标轴标注,tick为刻度线,tick label为刻度注释。
    img_3c48c1a25d7877244f5f3c6a9cb1da94.png
    image.png

    调用figure创建一个绘图对象:plt.figure(figsize=(8,4))
    也可以不创建绘图对象直接调用接下来的plot函数直接绘图,matplotlib会为我们自动创建一个绘图对象。
    如果需要同时绘制多个图表的话,可以给figure传递一个参数制定图表的序号,如果所指定序号的绘图对象已经存在的话,将不创建新的对象,而只是让它成为当前绘图对象,
    figsize:制定绘图对象的宽度与高度,单位为英寸;
    dpi:制定绘图对象的分辨率,每英寸多少个像素,缺省值为80.因此本例中所创建的图表窗口的宽度为880=640像素,高度为480像素。

    import matplotlib.pyplot as plt
    plt.figure(figsize=(8,4))
    x = [1,2,3]
    y = [5,7,4]
    plt.plot(x,y)
    plt.show()
    

    如果出现画出多张图的情况,需要更新matplotlib到最新版本,更新命令:pip install matplotlib
    如果出现更新慢的问题,需要对pip换源,相关链接:https://www.cnblogs.com/walk1314/p/7076853.html
    换源以后下载速度提高到2M/s。

    img_4866c0797b26a303a140daa650eca413.png
    简单画图示例.png

    3.美化图表-为图表加上图例、标题和标签

    首先,2行代码解决编码问题:

    plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
    

    加上图例、标题、标签3中效果的代码如下:

    import matplotlib.pyplot as plt
    plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
    x = [1,2,3]
    y1 = [5,7,4]
    y2 = [10,14,12]
    plt.figure(figsize=(8,4))
    plt.plot(x,y1,label='第一条线')
    plt.plot(x,y2,label='第二条线')
    plt.xlabel('x轴')
    plt.ylabel('y轴')
    plt.title('为图表加入\n图例、标题和标签')
    plt.legend()
    plt.show()
    

    plt.legend()作用是显示图例,图例是下图中红色方框所指内容。


    img_b97a90517baca732a244740ec5bd422c.png
    简单图形.png

    4.利用Matplotlib绘制常见图表

    4.1 绘制折线图plt.plot

    注意:解决编码问题和导入库的3行代码在后面的代码中不再重复添加,以免冗余。

    折线图是matplotlib中最简单的一种绘图方式。

    x = range(1,9)
    y = [5,2,4,2,1,4,5,2]
    plt.plot(x,y,label='折线图')
    plt.xlabel('x')
    plt.ylabel('y')
    plt.title('绘制折线图')
    plt.legend()
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_e788de7511bc9e5320fb944a546decd5.png
    折线图.png

    4.2绘制柱形图plt.bar

    适用场景:显示各个项目的比较请况
    优势:每个条都清晰表示数据,直观
    劣势:柱形图的局限在于只适用于小规模的数据集
    延伸图表:堆积条形图、百分比堆积条形图

    x1 = range(1,10,2)
    y1 = [5,2,7,8,2]
    x2 = range(2,11,2)
    y2 = [8,6,2,5,6]
    plt.bar(x1,y1,label='柱状图-1')
    plt.bar(x2,y2,label='柱状图-2',color='r')
    plt.legend()
    plt.xlabel('x轴')
    plt.ylabel('y轴')
    plt.title('Matplotlib绘制柱状图')
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_ce39eda10bd727d53c7d2803790a4ae9.png
    柱状图.png

    4.3 绘制条形图plt.barh

    plt.barh为我们创建条形图。本质上条形图就是横向的柱形图,故两个的配置几乎完全相同。
    不同的是用柱形图表达数据较少的数据,如果数据量较大(超过10条),建议使用条形图。

    x1 = range(1,10,2)
    y1 = [5,2,7,8,2]
    x2 = range(2,11,2)
    y2 = [8,6,2,5,6]
    plt.barh(x1,y1,label='条形图-1')
    plt.barh(x2,y2,label='条形图-2',color='r')
    plt.legend()
    plt.xlabel('x轴')
    plt.ylabel('y轴')
    plt.title('Matplotlib绘制条形图')
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_41b9eec57a9c1fc72febd04c96629d99.png
    条形图.png

    4.4 绘制直方图plt.hist

    直方图又称质量分布图,它是表示资料变化情况的一种主要工具。
    用直方图可以解析出资料的规则性,比较直观地看出产品质量特性的分布状态,对于资料分布状况一目了然,便于判断其总体质量分布情况。
    直方图非常像条形图,倾向于通过将区段组合在一起来显示分布。这个例子可能是年龄的分组,或测试的分数。它并不是显示每一组的年龄,而是按照20-25,25-30,30-35等等来显示年龄。
    对于plt.hist,你首先要放入所有的值,然后制定放入哪个桶或者容器。在下面的例子中,绘制了一组年龄,并希望以10年的增量来显示它们。将条形的宽度设为rwidth=0.8,但是如果你想让条形变宽,或者变窄,你可以选择其他的宽度。

    population_ages =[22,55,62,45,21,22,34,42,42,4,99,102,110,120,121,\
                      122,130,111,115,112,80,75,65,54,44,43,42,48]
    bins =[0,10,20,30,40,50,60,70,80,90,100,110,120,130]
    plt.hist(population_ages,bins,histtype='bar')
    plt.xlabel("x")
    plt.ylabel("y")
    plt.title("Interesting Graph\n Check it out")
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_ea351eb106255fa2725f3da55f74ae9b.png
    直方图.png

    4.5 绘制饼图plt.pie

    适用场景:显示各项的大小与各项总和的比例。适用于简单的占比比例图,在不要求数据精细的情况适用。
    优势:明确显示数据的比例情况,尤其适合渠道来源等场景。
    劣势:不会显示具体的数值,只是整体的占比情况。
    在plt.pie中,参数slices是每个部分的相对大小,数据类型为列表list;
    参数colors指定每个部分对应切片的颜色列表,数据类型为列表list;
    参数startangle是饼图开始的角度,数据类型为整数int;
    参数shadow是是否给饼图添加阴影,数据类型为布尔bool;
    参数explode是选择拉出对应切片,数据类型为元组tuple;
    参数autopct是将百分比展示形式放置到图表上面,数据类型为字符串str。

    params = dict(
        labels = ['sleeping','eating','working','playing'],
        colors = ['c','m','r','b'],
        startangle = 90,
        shadow = True,
        explode = (0.1,0,0,0),
        autopct = "%.2f%%"
    )
    plt.title("饼图")
    plt.pie([7,2,2,13],**params)
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_dfa3669a88e0a352882b34e06e13e143.png
    饼图.png

    4.6 绘制散点图plt.scatter

    使用场景:显示若干数据系列中各数值的变化,类似XY轴、判断变量之间是否存在某种关联。散点图适用于三维数据集,但其中只有两位数据是比较需要的,另外,散点图还可以看出极值的分布情况。
    优势:处理值的分布和数据点的分簇区域。如果数据集中包含非常多的点,那么散点图便是最佳图表类型。
    劣势:在点状图显示多个序列看上去非常混乱
    散点图通常用于比较2个变量来寻找相关性或者分组,plt.scatter不仅可以绘制x和y,而且还可以选择使用的标记颜色,大小和类型。

    x = range(1,9)
    y = [5,2,4,2,1,4,5,2]
    plt.scatter(x, y,label='skitscat', color='k', s=25, marker='o')
    plt.xlabel("x")
    plt.ylabel("y")
    plt.title("Scatter Diagram")
    plt.legend()
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_57cf0baa80b4fd3345af2a40f05024f7.png
    散点图.png

    4.7绘制堆叠图plt.stackplot

    堆叠图常用于“部分相对整体”随时间的关系。堆叠图基本上类似于饼图,只是随时间而变化。
    考虑一个情况,一天有24小时,想看看我们如何花费时间,将活动分为:睡觉、吃饭、工作和玩耍。
    假设在5天的时间内跟踪它,x轴包括day变量,即1 2 3 4 5

    days = range(1,6)
    sleeping = [7,8,6,11,7]
    eating = [2,3,4,3,2]
    working = [7,8,7,2,2]
    playing = [8,5,7,8,13]
    plt.stackplot(days,sleeping,eating,working,playing,
                 colors=['m','c','r','k'],
                 labels=['sleeping','eating','working','playing'])
    plt.xlabel("x")
    plt.ylabel("y")
    plt.title("堆叠图")
    plt.legend()
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_19377c5d4a81786f20dfb19af4b40859.png
    image.png

    5.综合演练

    import matplotlib.pyplot as plt
    import numpy as np
    from numpy import pi
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    x = np.linspace(-pi,pi,256,endpoint=True)
    c,s = np.cos(x),np.sin(x)
    x1 = np.array([-pi,-pi/2,0,pi/2,pi])
    x_ticks = [r'$-\pi$',r'$-\pi/2$',r'$0$',r'$\pi/2$',r'$\pi$']
    
    plt.figure(figsize=(8,6))
    plt.xticks(x1,x_ticks)
    y_ticks = [-1,0,1]
    plt.yticks(y_ticks)
    ax = plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    ax.xaxis.set_ticks_position("bottom")
    ax.spines['bottom'].set_position(('data',0))
    ax.yaxis.set_ticks_position("left")
    ax.spines['left'].set_position(('data',0))
    plt.xlim(x.min()*1.5,x.max()*1.5)
    plt.ylim(c.min()*1.5,c.max()*1.5)
    
    t = 2 * pi / 3
    x2 = [t,t]
    y2 = [0,np.cos(t)]
    plt.plot(x2,y2,color='blue',linewidth=2.5,linestyle='--')
    plt.scatter(x2[1:],y2[1:],50,color='blue')
    kwargs = dict(
        xy = (t,np.cos(t)),
        xycoords = 'data',
        xytext = (-90,-50),
        textcoords = 'offset points',
        fontsize = 16,
        arrowprops = dict(
            arrowstyle = '->',
            connectionstyle = 'arc3,rad=.2'
        )
    )
    plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',**kwargs)
    
    x3 = [t,t]
    y3 = [0,np.sin(t)]
    plt.plot(x3,y3,color='red',linewidth=2.5,linestyle='--')
    plt.scatter(x3[1:],y3[1:],50,color='red')
    kwargs = dict(
        xy = (t,np.sin(t)),
        xycoords= 'data',
        xytext = (20,30),
        textcoords = 'offset points',
        fontsize =16,
        arrowprops = dict(
            arrowstyle = '->',
            connectionstyle = 'arc3,rad=.2'
        )
    )
    plt.annotate(r'$\sin(\frac{2\pi}{3})=-\frac{\sqrt{3}}{2}$',**kwargs)
    
    plt.plot(x,c,'b',lw=2.5,label='cos')
    plt.plot(x,s,'r',lw=2.5,label='sin')
    plt.legend(loc='upper left')
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_66f20d006fe26cd4c9258a787757fa4a.png
    image.png

    6.Matplotlib高级篇

    6.1 柱状图高级

    新建一个base.ipynb,在其他文件中就可以先运行此文件导入其相关配置

    img_711a08aaa0ec59a3add9c4c3aa623326.png
    image.png

    运行同目录文件命令:%run base.ipynb
    img_d8e463824837feec39618482c647ad92.png
    image.png

    将y轴的4个值的列表赋值给data变量
    将[0,1,2,3]这个列表赋值给x_bar变量
    params变量是plt.bar方法中所有参数封装成的字典
    代码第10-13行的作用是给图片添加字,即图中的15W、20W、18W、25W。
    plt.xticks是给x轴制作标签
    plt.grid是给图片画格子
    plt.ylim是定制y轴的长度,没有设置的情况,读者可以自行试一下效果。

    from matplotlib import pyplot as plt
    import numpy as np
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    data = np.array([15,20,18,25])
    x_bar = np.arange(4)
    params = dict(
        x=x_bar, 
        height=data, 
        width=0.5, 
        color='lightblue'
    )
    rect = plt.bar(**params)
    for rec in rect:
        x = rec.get_x()
        height = rec.get_height()
        plt.text(x+0.2, 1.02*height,str(height)+"W")
    labels = ['第一季度','第二季度','第三季度','第四季度']
    plt.xticks(x_bar,labels)
    plt.ylabel("销量(单位:万件)")
    plt.title("2017年季度销售量统计")
    plt.grid(True)
    plt.ylim(0,28)
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_be92dedd9eb7145bd829cb1707647071.png
    柱状图高级.png

    6.2 绘制多幅图形plt.subplot

    plt.subplot方法中的121表示画布被分成1行2列,取2块区域的第1块;
    plt.subplot方法中的122表示画布被分成1行2列,取2块区域的第2块;

    from matplotlib import pyplot as plt
    import numpy as np
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    
    plt.figure(1,figsize=(8,4))
    plt.subplot(121)
    plt.plot(range(1,4))
    plt.title("第一个画板(区域1)")
    plt.subplot(122)
    plt.plot(range(4,7))
    plt.title("第一个画板(区域2)")
    
    plt.figure(2)
    plt.plot([4,5,6])
    plt.title("第二个画板")
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_e255c3254da1d1f60220320a54185fa3.png
    image.png

    6.3 从文件中加载数据并用matplotlib可视化

    demo.csv文件下载链接: https://pan.baidu.com/s/1RzgbF5sNmLSASL90neWWuQ 密码: yxfi

    import matplotlib.pyplot as plt
    import csv
    
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    with open("demo.csv") as file:
        reader = csv.reader(file,delimiter=',')
        x = []
        y = []
        for row in reader:
            x.append(int(row[0]))
            y.append(int(row[1]))
    plt.plot(x,y)
    plt.title("从文件中加载数据并用matplotlib可视化")
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_7b95c431b1709e42d89d209e613be88c.png
    加载文件并可视化.png

    6.4 从网络中加载数据并用matplotlib可视化

    import matplotlib.pyplot as plt
    import requests
    import json
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    url = "https://api.douban.com/v2/book/1220562"
    response = requests.get(url)
    jsonLoad = json.loads(response.text)
    tags = jsonLoad['tags']
    x = []
    y = []
    for tag in tags:
        x.append(tag['name'])
        y.append(tag['count'])
    plt.bar(x,y,label='图书搜索热词',color='b')
    plt.legend()
    plt.xlabel("x轴-图书搜索热词")
    plt.ylabel("y轴-搜索热词排名")
    plt.title("图书热词搜索排名")
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_137512ea6df13e978b2ddd7739eded84.png
    image.png

    让柱形图按照y轴值的大小排序后画出,因为网站传回的数据已经排序好,只需要按x标签顺序画图即可。

    import matplotlib.pyplot as plt
    import requests
    import json
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    url = "https://api.douban.com/v2/book/1220562"
    response = requests.get(url)
    jsonLoad = json.loads(response.text)
    tags = jsonLoad['tags']
    x = []
    y = []
    for tag in tags:
        x.append(tag['name'])
        y.append(int(tag['count']))
    
    x_ticks = x
    x = range(len(x_ticks))
    plt.xticks(x,x_ticks)
    plt.bar(x,y,label='图书搜索热词',color='b')
    
    plt.legend()
    plt.xlabel("x轴-图书搜索热词")
    plt.ylabel("y轴-搜索热词排名")
    plt.title("图书热词搜索排名")
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_6ee204ece6ea342153619ca391c14b04.png
    image.png

    6.5 从文件中加载数据并用matplotlib可视化-进阶版

    将7行加载数据的代码用np.loadtxt精简为1行,代码如下所示:

    import matplotlib.pyplot as plt
    import numpy as np
    
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    x,y = np.loadtxt("demo.csv", delimiter=',', usecols=(0,1), unpack=True)
    plt.plot(x,y)
    plt.title("从文件中加载数据并用matplotlib可视化")
    plt.xlabel("x轴")
    plt.ylabel("y轴")
    plt.show()
    

    上面一段代码的运行结果如下图所示:


    img_4515cc0b66a386f42e92ff0995ec306b.png
    加载文件数据并可视化-进阶版.png
    展开全文
  • 作者:黄伟呢来源:凹凸数据「Python数据之道」导读:matplotlib是基于Python语言的开源项目,旨在为Python提供一个数据绘图包。相信大家都用过它来数据可视化,之前我还分享过Matplotlib可视化最有价值的50个图表...
  • matplotlib 点线动画

    2020-07-03 19:11:37
    作者的Github [ 主写(Web Development(HTML, PHP, CSS, JS), node.js, Ruby(Sketchup API), Python(Tkinter, Django, Matplotlib), Batch Script) ] Github开源群,代码交流,分享有意思的项目 若二维码过期,请扫描...
  • 使用matplotlib绘图的完整流程在matplotlib中存在两套画图命令:基于面向对象的方式OO基于pyplot函数接口的方式 作者还是推荐我们使用object-oriented interface的方式绘制图形以后绘图中涉及到的一些常见操作,我用...
  • 再用Matplotlib绘图时,图中出现中文会乱码,是因为没有配置中文字体。解决步骤如下1 下载中文字体 SimHei.ttf, 网址是...print(matplotlib.matplotlib_fname())可以看出,作者...
  • 来源 / python开发作者 / 伯乐在线李大萌Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表。本文主要推荐一个学习使用Matplotlib的步骤。基本前提如果你除了本文...
  • 导读:Matplotlib是基于Python语言的...作者:黄伟呢来源:凹凸数读(ID:aotodata)01 核心原理讲解使用Matplotlib绘图的原理,主要就是理解figure(画布)、axes(坐标系)、axis(坐标轴)三者之间的关系。以“美院学生...
  • Matplotlib vs ggplot2

    2020-10-21 22:00:00
    作者|Dario Radečić 编译|VK 来源|Towards Datas Science 2020年即将结束(终于),数据可视化再重要不过了。呈现一个看起来像5岁小孩的东西已经不再是一个选择,所以数据科学家需要一个有吸引力和简单易用的数据...
  • 再用Matplotlib绘图时,图中出现中文会乱码,是因为没有配置中文字体。解决步骤如下1 下载中文字体 SimHei.ttf, 网址是...print(matplotlib.matplotlib_fname())可以看出,作者...
  • matplotlib 学习总结

    2018-01-15 10:05:00
    作者:csj更新时间:01.09 email:59888745@qq.com 说明:因内容较多,会不断更新 xxx学习总结; 回主目录:2017 年学习记录和总结 # matplotlib 及环境配置 # 数据图的组成结构,与 matplotlib 对应的名称 # ...
  • matplotlib 中比较常用的有text和annotate两种标注方法,其中:text称为无指向型标注,标注仅仅包含注释的文本内容;annotate称为指向型注释,标注不仅包含注释的文本内容还包含箭头指向,能够突显细节;plt.text...
  • 原创作者:牵引小哥微信公众号:牵引小哥讲Python注:转载或复制请注明出处——牵引小哥Matplotlib是一个面向对象的绘图库。在实际应用中,常常新建一个Figure对象,作为容器。再在Figure对象中创建Axes对象绘图。...
  • matplotlib核心剖析

    2018-08-01 09:30:52
    作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!   matplotlib是基于Python语言的开源项目,旨在为Python提供一个数据绘图包。我将在这篇文章中介绍matplotlib API的核心...
  • 时间:2018-01-04 作者:魏文应安装matplotlib一、简介在python中使用matplotlib库,可以用于一些数学上的绘图工作,例如下图:matplotlib绘制的图二、pip方式安装matplotlib库这里我们使用pip方式安装。1、安装环境...
  • Matplotlib使用教程

    2016-12-07 14:36:35
    本文欢迎转载,但请保留本段文字,尊重作者和译者的权益。谢谢。: ) 介绍 Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化,并且提供多样化的输出格式。这里将会...
  • 点击上方"蓝字"关注我们Python大数据分析记录 分享 成长作者:雪山飞猪博客地址:https://www.cnblogs.com/chenqionghe/p/12355018.html说明:本文经作者授权转载,禁止二次转载Matplotlib是Python的底层绘图工具,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,300
精华内容 520
热门标签
关键字:

matplotlib作者