首页 > 编程语言 > 详细

python---matplotlib

时间:2018-07-19 15:39:51      阅读:272      评论:0      收藏:0      [点我收藏+]

一 概述

   matplotlib在Python中是应用最多的2D图像的绘图工具包,使用matplotlib能够非常简单的可视化数据。在matplotlib中使用最多的模块就是pyplot。pyplot非常接近Matlab的绘图实现,而且大多数的命令极其类似Matlab.当然,与Matlab类似,需要很多的数学运算,因此numpy这个组件同样是必不可少的。所以很多人说python+matplotlib+numpy就是MATLAB。

使用

2.1 绘制折线图

首先,matplotlib建议使用别名,这样方便以后模块的使用,一般以以下两句开始:

import numpy as np
import matplotlib.pyplot as plt

接下来以绘制正弦余弦函数曲线为例,介绍相应的函数。

(1) 使用默认的绘图属性绘图


 

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(-np.pi,np.pi,256)
C,S=np.cos(x),np.sin(x)
plt.plot(x,C)
plt.plot(x,S)
plt.show()

结果如下图所示:

技术分享图片

(2)对线条的颜色,宽度进行设置,就像在matlab中一样:


 

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(-np.pi,np.pi,256)
C,S=np.cos(x),np.sin(x)
plt.plot(x,C,color=red,linewidth=2.5,linestyle=-)
plt.plot(x,S,color=green,linewidth=2.5,linestyle=-)
plt.show()

结果如下图所示:

技术分享图片

注:对于plot,讲解如下:

  上面介绍了简单的绘图,用的基本上都是plot,因此有必要对plot函数进行简单的介绍(想要详细了解plot的使用,官方的网址为https://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.plot)熟悉Matlab的人对plot不会陌生,在matplotlib中的使用方式大致和Matlab中是一致的,使用plot,可以对点的标记的样式以及线条的样式进行设置。函数的声明为:matplotlib.pyplot.plot(*args**kwargs)。args的参数的长度是不定 的,可以设置很多的属性,kwargs主要是应用于设置线条的属性。对于标注和线条的样式,可以通过简单的字符来表示,如下图所示:

characterdescription
‘-‘ solid line style
‘--‘ dashed line style
‘-.‘ dash-dot line style
‘:‘ dotted line style
‘.‘ point marker
‘,‘ pixel marker
‘o‘ circle marker
‘v‘ triangle_down marker
‘^‘ triangle_up marker
‘<‘ triangle_left marker
‘>‘ triangle_right marker
‘1‘ tri_down marker
‘2‘ tri_up marker
‘3‘ tri_left marker
‘4‘ tri_right marker
‘s‘ square marker
‘p‘ pentagon marker
‘*‘ star marker
‘h‘ hexagon1 marker
‘H‘ hexagon2 marker
‘+‘ plus marker
‘x‘ x marker
‘D‘ diamond marker
‘d‘ thin_diamond marker
‘|‘ vline marker
‘_‘ hline marker

其中上表中从第四行以后均为点的样式,使用时需指定(marker=‘*‘)。线条的颜色如下表所示:

charactercolor
‘b’ blue
‘g’ green
‘r’ red
‘c’ cyan
‘m’ magenta
‘y’ yellow
‘k’ black
‘w’ white

当然线条的颜色可以以其他方式定制。比如16进制的字符串(‘#008000‘)或者是RGB、RGBA元组的方式RGB or RGBA ((0,1,0,1)) 来实现不同的颜色。

(3)设置横轴、纵轴的界限以及标注


 很多时候,需要设置横轴和纵轴的界面,从而得到更加清晰明了的图形:

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(-np.pi,np.pi,256)
C,S=np.cos(x),np.sin(x)
plt.plot(x,C,color=red,linewidth=2.5,linestyle=-)
plt.plot(x,S,color=green,linewidth=2.5,linestyle=-)
plt.xlim(x.min()*1.1, x.max()*1.1)
plt.ylim(C.min()*1.1, C.max()*1.1)
plt.show()

 图形如下所示:

技术分享图片

此外为了更好的表示横轴和纵轴数据的含义,可以通过ticks对横轴和纵轴的含义进行设置和定制。

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(-np.pi,np.pi,20)
C,S=np.cos(x),np.sin(x)
plt.plot(x,C,color=red,linewidth=2.5,linestyle=-)
plt.plot(x,S,color=green,linewidth=2.5,linestyle=-)
plt.xlim(x.min()*1.1, x.max()*1.1)
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
       [r$-\pi$, r$-\pi/2$, r$0$, r$+\pi/2$, r$+\pi$])
plt.ylim(C.min()*1.1,C.max()*1.1)
plt.yticks([-1, 0, +1],
       [r$-1$, r$0$, r$+1$])
plt.show()

  看到xticks和yticks后面一串的数字,看到就觉得可能有点不知道写的什么,熟悉LaTex的人觉得我们这种想法的人有点傻。其实就是很简单的字符串,但是是为了方便Latex去解析这段字符串。一般以r开始,中间的字符串用$字符串$包围起来。更多关于matplotlib中LaTex的介绍参见:https://matplotlib.org/users/mathtext.html。上面的\pi代表的意义就是π。以下是有关希腊字符的表示:

技术分享图片

最后的显示图像为:

技术分享图片

 

(4)设置Spines的位置。


   Spines应该可以理解为坐标轴的位置。但是也不全是,因为它分为上下左右四个位置,就如上图的四个边界,那么左边界和下边界就是我们通常认为的横坐标和纵坐标。我们可以将上边界和右边界隐藏,同时将左边界和下边界移动至中心的位置,实现的完整代码是:

import numpy as np
import matplotlib.pyplot as plt

ax = plt.subplot(111)
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))
 
x=np.linspace(-np.pi,np.pi,256,endpoint=True)
C,S=np.cos(x),np.sin(x)
 
plt.plot(x,C,color=red,linewidth=2.5,linestyle=-,label=r$cos(t)$)
plt.plot(x,S,color=blue,linewidth=2.5,linestyle=-,label=r$sin(t)$)
  
plt.xlim(x.min()*1.1, x.max()*1.1)
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
       [r$-\pi$, r$-\pi/2$, r$0$, r$+\pi/2$, r$+\pi$])
 
plt.ylim(C.min()*1.1,C.max()*1.1)
plt.yticks([-1, 0, +1],
       [r$-1$, r$0$, r$+1$])
plt.show()

 上述程序对应的显示图像为:

技术分享图片

 

(5)添加图例说明


   说到作图,当然必须要有图例,图例是帮助我们理解曲线指代的类型,如果让我们不去仔细分析曲线,就可以知道曲线指代的类型。比如上图的正弦和余弦,我们要经过分析过后,才知道红色是余弦函数,蓝色是正弦函数,因此图例就非常重要的帮助我们分析图形。在画图时候,我们需要多线条加上label,这样才可以在最后将图例显示出来。

 

import numpy as np
import matplotlib.pyplot as plt

ax = plt.subplot(111)
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))
 
x=np.linspace(-np.pi,np.pi,256,endpoint=True)
C,S=np.cos(x),np.sin(x)
 
plt.plot(x,C,color=red,linewidth=2.5,linestyle=-,label=r$cos(t)$)
plt.plot(x,S,color=blue,linewidth=2.5,linestyle=-,label=r$sin(t)$)
plt.legend(loc=upper left,frameon=False)
  
plt.xlim(x.min()*1.1, x.max()*1.1)
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
       [r$-\pi$, r$-\pi/2$, r$0$, r$+\pi/2$, r$+\pi$])
 
plt.ylim(C.min()*1.1,C.max()*1.1)
plt.yticks([-1, 0, +1],
       [r$-1$, r$0$, r$+1$])
plt.show()

对应的图像为:

技术分享图片

 

位置的可选参数有:
技术分享图片

legend函数的参数的关键字有:

技术分享图片

 2.2 绘制散点图

在matplotlib库中通过scatter函数绘制散点图,scatter函数的介绍如下:

技术分享图片

 

  • x,y 形如shape(n,)的数组,可选值,
  • s 点的大小(也就是面积)默认20
  • c 点的颜色或颜色序列,默认蓝色。其它如c = ‘r‘ (red); c = ‘g‘ (green); c = ‘k‘ (black) ; c = ‘y‘(yellow)
  • marker 形状,可选值,默认是圆,其他的见下表。
  • 技术分享图片alpha:标量,可选,默认值:无, 0(透明)和1(不透明)之间的alpha混合值
  • edgecolors,顾名思义,边缘颜色或颜色序列,可选值,默认值:None

简单的例子:

import numpy as np
import matplotlib.pyplot as plt
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
plt.scatter(x, y)
plt.show()

对应的图形如下:

技术分享图片

2.3 绘制多子图与多图表

  Matplotlib 里的常用类的包含关系为 Figure -> Axes -> (Line2D, Text, etc.)一个Figure对象可以包含多个子图(Axes),在matplotlib中用Axes对象表示一个绘图区域,可以理解为子图。可以使用subplot()快速绘制包含多个子图的图表,它的调用形式为:subplot(numRows, numCols, plotNum)。

  subplot将整个绘图区域等分为numRows行* numCols列个子区域,然后按照从左到右,从上到下的顺序对每个子区域进行编号,左上的子区域的编号为1。如果numRows,numCols和plotNum这三个数都小于10的话,可以把它们缩写为一个整数,例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话,之前的轴将被删除。

  如果需要同时绘制多幅图表,可以给figure()传递一个整数参数指定Figure对象的序号,如果序号所指定的Figure对象已经存在,将不创建新的对象,而只是让它成为当前的Figure对象。

import numpy as np

import matplotlib.pyplot as plt

plt.figure(1) # 创建图表1

plt.figure(2) # 创建图表2

ax1 = plt.subplot(211) # 在图表2中创建子图1

ax2 = plt.subplot(212) # 在图表2中创建子图2

x = np.linspace(0, 3, 100)

for i in range(5):

    plt.figure(1)  # 选择图表1

    plt.plot(x, np.exp(i*x/3))

    plt.sca(ax1)    # 选择图表2的子图1

    plt.plot(x, np.sin(i*x))

    plt.sca(ax2)  # 选择图表2的子图2

    plt.plot(x, np.cos(i*x))

plt.show()

上述代码对应的图像为:

技术分享图片

技术分享图片

参考:https://blog.csdn.net/mao19931004/article/details/51915016/

python---matplotlib

原文:https://www.cnblogs.com/Terrypython/p/9332571.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!