东莞企业网站设计排名,软件开发工程师证书怎么考,域名备案好了后怎么做网站,网站域名改了以后新域名3013.7 matplotlib库 目录 1 matplotlib库简介
2 pyplot的plot函数
3 matplotlib基础绘图函数示例
数据可视化有助于深度理解数据。
本节介绍绘制图形的基本方法。 1. matplotlib库简介
matplotlib官网
1.1 matplotlib库概述
matplotlib是Python优秀的数据可视化第三方库是一个非常强大的Python画图工具。它是Python的2D绘图库可以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能绘制线图、散点图、等高线图、条形图、柱状图、3D 图形、甚至是图形动画等等。通过学习matplotlib库可以掌握表示、清洗、统计和展示数据的能力。
1.2 matplotlib库的效果 matplotlib绘图画廊
1.3 matplotlib库的安装和引用
Anaconda里面已经安装matplotlib。
在原生Python中安装在控制台中输入: pip install matplotlib
matplotlib库由各种可视化类构成内部结构复杂受Matlab启发matplotlib.pyplot是绘制各类可视化图形的命令子库相当于快捷方式。
安装之后通过以下方法导入
#plt为约定俗成的matplotlib.pyplot引用别名import matplotlib.pyplot as plt1.4 matplotlib库小试
使用 matplotlib 的 scatter 方法绘制散点图。
# 使用 matplotlib 的 scatter 方法绘制散点图import matplotlib.pyplot as pltx [1, 2, 3, 4, 5]
y [2.3, 3.4, 1.2, 6.6, 7.0]
plt.scatter(x, y,colorr, marker)# plt.show()运行结果 **特别说明**代码中plt.show()用于显示图形在Jupyter Notebook中即使没有plt.show()图形也会显示出来但为了使代码也适用于其他编辑器课件程序将予以保留。 2. pyplot的plot函数
2.1 plot函数的调用 语法plt.plot(x, y, format_string, **kwargs) x : X轴数据列表或数组可选y : Y轴数据列表或数组format_string: 控制曲线的格式字符串可选**kwargs : 第二组或更多(x,y,format_string)当绘制多条曲线时各条曲线的x不能省略
import numpy as npa np.arange(10)
plt.plot(a,2*a,a,3*a,a,4*a,a,5*a)# plt.show()运行结果 format_string: 控制曲线的格式字符串可选由颜色字符、风格字符和标记字符组成
颜色字符说明‘b’蓝色‘g’绿色‘r’红色‘y’黄色‘k’黑色‘w’白色‘c’青绿色cyan‘m’洋红色magenta‘#008000’RGB某颜色‘0.8’灰度值字符串
风格字符说明‘‐’实线‘‐‐’破折线‘‐.’点划线‘:’虚线‘’ ‘’无线条
标记字符说明‘.’点标记‘,’像素标记(极小点)‘o’实心圈标记‘v’倒三角标记‘^’上三角标记‘’右三角标记‘’左三角标记‘1’下花三角标记‘2’上花三角标记‘3’左花三角标记‘4’右花三角标记‘s’实心方形标记‘p’实心五角标记‘*’星形标记‘h’竖六边形标记‘H’横六边形标记‘’十字标记‘x’x标记‘D’菱形标记‘d’瘦菱形标记‘|’垂直线标记
颜色字符、风格字符和标记字符可以组合使用。 import numpy as npa np.arange(10)
plt.plot(a,2*a,g-o,a,3*a,rx:,a,4*a,*m,a,5*a,b-.)# plt.show()运行结果 plot函数的第二种调用方式用命名参数传递参数
**kwargs : 第二组或更多(x,y,format_string)
color : 控制颜色, color‘green’
linewidth线宽, linewidth2
linestyle : 线条风格, linestyle‘dashed’
marker : 标记风格, marker‘o’
markerfacecolor: 标记颜色, markerfacecolor‘blue’
markersize : 标记尺寸, markersize20
import numpy as npa np.arange(10)
plt.plot(a,3*a,colorcyan,linewidth8, linestyle-,marker*,markerfacecolorb,markersize30)
plt.plot(a,2*a,colorbeige,linewidth5, linestyledashed,marker*,markerfacecolorr,markersize20)
plt.show()输出结果
2.2 控制中文显示
方法一pyplot不默认支持中文显示需要用rcParams修改字体来实现。
import matplotlib.pyplot as plt
import matplotlibmatplotlib.rcParams[font.family]SimHei
plt.plot([1,3,5,7,6,4,2])
plt.ylabel(这是纵轴)# plt.show()运行结果
rcParams的属性 属性说明‘font.family’用于显示字体的名字‘font.style’字体风格正常’normal’或斜体’italic’‘font.size’字体大小整数字号或者’large’、‘x‐small’
中文字体说明‘SimHei’中文黑体‘Kaiti’中文楷体‘LiSu’中文隶书‘FangSong’中文仿宋‘YouYuan’中文幼圆‘STSong’华文宋体
import numpy as np
matplotlib.rcParams[font.family]SimHei
matplotlib.rcParams[font.size]20x np.linspace(-4*np.pi,4*np.pi,2000)
plt.xlabel(横轴X值)
plt.ylabel(纵轴正弦值)plt.plot(x,np.sin(x),r:)# plt.show()运行结果 修改rcParams改变的是全局字体留有隐患建议用方法二在有中文输出的地方增加一个属性fontproperties。
import matplotlib.pyplot as plt
import numpy as npx np.linspace(-4*np.pi,4*np.pi,2000)
plt.xlabel(横轴X值, fontproperties Kaiti, fontsize 30)
plt.ylabel(纵轴正弦值, fontproperties Kaiti, fontsize 30)
plt.plot(x,np.sin(x),b:)# plt.show()运行结果
2.3 pyplot的文本显示
函数说明plt.xlabel()对X轴增加文本标签plt.ylabel()对Y轴增加文本标签plt.title()对图形整体增加文本标签plt.text()在任意位置增加文本plt.annotate()在图形中增加带箭头的注解
x np.linspace(-4*np.pi,4*np.pi,2000)
plt.plot(x,np.sin(x),r--)plt.xlabel(横轴X值, fontproperties Kaiti, fontsize 30, colorviolet)
plt.ylabel(纵轴正弦值, fontproperties Kaiti, fontsize 30, colorviolet)
plt.title(正弦值曲线$ysin(2\pi x)$,fontproperties SimHei, fontsize 30, colorc)
plt.text(np.pi/2,0,$sin(\pi/2)0$,fontsize20)
plt.grid(True)# plt.show()运行结果
2.4 pyploy的子绘图区域 复杂的绘图区域 语法格式plt.subplot2grid(GridSpec, CurSpec, colspan1, rowspan1)
基本思想设定网格选中网格确定选中行列区域数量编号从0开始
plt.subplot2grid((3,3), (1,0), colspan2) plt.subplot2grid((3,3), (0,0), colspan3)
plt.subplot2grid((3,3), (1,0), colspan2)
plt.subplot2grid((3,3), (1,2), rowspan3)
plt.subplot2grid((3,3), (2,0))
plt.subplot2grid((3,3), (2,1))运行结果
3. matplotlib基础绘图函数示例
3.1 基础图标函数
函数说明plt.plot(x,y,fmt,…)绘制坐标图plt.scatter(x,y)绘制散点图plt.pie(data,explode)绘制饼图plt.hist(x,bins,normed)绘制直方图plt.contour(X,Y,Z,N)绘制等高线图plt.boxplot(data,notch,position)绘制箱形图plt.bar(left,height,width,bottom)绘制条形图plt.barh(width,bottom,left,height)绘制横向条形图plt.polar(theta,r)绘制极坐标图plt.psd(x,NFFT256,pad_to,Fs)绘制功率谱密度图plt.specgram(x,NFFT256,pad_to,F)绘制谱图plt.cohere(x,y,NFFT256,Fs)绘制X‐Y的相关性函数plt.step(x,y,where)绘制步阶图plt.vlines()绘制垂直图plt.stem(x,y,linefmt,markerfmt)绘制柴火图plt.plot_date()绘制数据日期
3.2 pyplot饼图的绘制
plt.pie()
import matplotlib.pyplot as pltlabels First, Second, Third, fourth
sizes [15,25,30,30]
explode [.1,0,0,0]
plt.pie(sizes,explodeexplode,labelslabels,autopct%1.1f%%,shadowFalse,startangle90)
plt.axis(equal)
plt.show()运行结果
3.3 pyplot直方图的绘制
plt.hist()
import numpy as np
import matplotlib.pyplot as pltnp.random.seed(0)
mu,sigma 100,20
a np.random.normal(mu,sigma,size100)
plt.hist(a,20,histtypestepfilled, facecolorb,alpha.75)
plt.title(Histogram)
plt.show()运行结果
3.4 pyplot散点图的绘制
# 面向对象绘制散点图
import numpy as np
import matplotlib.pyplot as pltfig, ax plt.subplots()
ax.plot(10*np.random.randn(100),10*np.random.randn(100),o)
ax.set_title(Scatter)# plt.show()运行结果
3.5 绘制二维图形示例
绘制折线图
import numpy as np
import matplotlib.pyplot as plt# 创建数据
np.random.seed(1) # 固定随机数
x np.arange(10)
y np.random.rand(10)
# 显示图形
plt.plot(x, y) # 创建折线图plt.show() 运行结果 接下来绘制 f ( x ) ( x − 2 ) x ( x 2 ) f(x)(x-2)x(x2) f(x)(x−2)x(x2)图形。虽然我们可以看出在 x x x为-2、0、2时 f ( x ) f(x) f(x)为0但只有绘制了图形才能知道它整体上是什么形状。
首先定义函数 f ( x ) f(x) f(x)。
import numpy as np
import matplotlib.pyplot as pltdef f(x):return (x - 2) * x * (x 2)定义完毕后把数值代入这个函数中的x。运行如下代码即可获取对应的返回值f。
print(f(1))
#输出-3即使x为ndarray数组程序也会一次性地以ndarray类型返回与各个元素对应的f。
print(f(np.array([1, 2, 3])))
#输出[-3 0 15]下面定义绘制图形的范围令x的范围为从-3到3并定义在此范围内计算的x的间隔为0.5。
x np.arange(-3, 4.5, 0.5)
print(x)
#输出[-3. -2.5 -2. -1.5 -1. -0.5 0. 0.5 1. 1.5 2. 2.5 3. 3.5 4. ]请注意如果写成np.arange(-3, 3, 0.5)则输出的结果到2.5为止所以这里写成了np.arange(-3, 4.5, 0.5)代码中的数值比3大。
但在定义图形中的x时linspace函数也许比arange更加方便。可以写成linspace(n1, n2, n)运行之后程序将返回n个在n1和n2之间等间隔分布的点。
x np.linspace(-3, 3, 10)
print(np.round(x, 2))
#输出[-3. -2.33 -1.67 -1. -0.33 0.33 1. 1.67 2.33 3. ]print语句中的np.round(x, n)是将x四舍五入为保留小数点后n位的数值的函数。
绘制图形
plt.plot(x, f(x))
# plt.show()输出结果 装饰图形
当函数的系数发生变化时图形会如何变化。对函数稍加调整通过下面的代码再次绘制这个函数的图形。
# 定义函数
def f2(x, w):return (x - w) * x * (x 2) #(A) 函数的定义# 定义 x
x np.linspace(-3, 3, 100) # (B) 把 x 分为 100 份# 绘制图形
plt.plot(x, f2(x, 2), colorblack, label$w2$) # (C)
plt.plot(x, f2(x, 1), colorcornflowerblue,label$w1$) # (D)
plt.legend(locupper left) # (E) 显示图例
plt.ylim(-15, 15) # (F) y 轴的范围
plt.title($f_2(x)$) # (G) 标题
plt.xlabel($x$) # (H) x 标签
plt.ylabel($y$) # (I) y 标签
plt.grid(True) # (J) 网格线
plt.show()输出结果 图形变得很平滑其中还加入了网格线、标签、标题和图例。可以清晰地看到函数 f ( x ) ( x − 2 ) x ( x 2 ) f(x)(x-2)x(x2) f(x)(x−2)x(x2)与x轴的交点为-2、0、2黑线w2。还可以看到当w1即 f ( x ) ( x − 1 ) x ( x 2 ) f(x)(x-1)x(x2) f(x)(x−1)x(x2)时函数与x轴的交点为-2、0、1蓝线w1。
以上代码在开头(A)处定义了函数f2(x, w)。除了变量x之外这个函数的参数还有w。改变w就可以改变f2的形状。
接下来定义要计算的数据点x这次把x分为100份((B))。图形用plt.plot表示的通过添加“color‘颜色名’”可以指定图形中线条的颜色。black表黑色(©)cornflowerblue表示浅蓝色((D))。
可以通过以下代码来查看能够使用的颜色。
import matplotlib# print(matplotlib.colors.cnames)基本色可以仅用一个字母来指定r代表红色b代表蓝色g代表绿色c代表蓝绿色m代表品红色y代表黄色k代表黑色w代表白色。还可以像color(255, 0, 0)这样使用元素为0-255的整数的tuple类型的值自由地指定RGB。
在代码的输出中图形左上角显示了图例这是通过代码的©和(D)中的plot的“label‘字符串’”指定的(E)中的plt.legend()用于显示图例。图例的位置可以自动设定也可以使用loc指定。在指定位置时upper right代表右上角upper left代表左上角lower left代表左下角lower right代表右下角。
y轴的显示范围可以用plt.ylim(n1, n2)指定为从n1到n2((F))。同样x轴的范围使用plt.xlim(n1, n2)指定。图形标题使用plt.title(‘字符串’)((G))指定。x轴与y轴的标签分别用plt.xlabel(‘字符串’)((H))和plt.ylabel(‘字符串’)((I))指定。plt.grid(True)用于显示网格线((J))。可以将table和title的字符串指定为用“$”括起来的tex形式的表达式这样就可以显示美观的数学式了。
并列显示多张图形的另一种方法
如果想并列显示多张图形可以像如下代码来使用plt.subplot(n1, n2, n)(©)。可以指定图形的绘制位置——把一个整体分割成纵向n1份、横向n2份的格子之后的第n个区域。区域的编号方式是从左上角开始是1号它的右边是2号以此类推当到达最右边之后就从下一行的左边开始继续编号。请注意plt.subplot中的n它比较特别不是从0开始的而是从1开始的如果令n为0就会出现错误。
plt.figure(figsize(10, 3)) # (A) 指定figure
plt.subplots_adjust(wspace0.5, hspace0.5) # (B) 指定图形间隔
for i in range(6):plt.subplot(2, 3, i 1) # (C) 指定图形的绘制位置plt.title(i 1)plt.plot(x, f2(x, i), k)plt.ylim(-20, 20)plt.grid(True)
plt.show()输出结果 代码清单3-2-(9)中(A)处的plt.figure(figsize(w, h))用于指定整个绘制区域的大小。绘制区域的宽度为w高度为h当使用subplot并列显示时可以通过(B)处的plt.subplots_adjust(wspacew, hspaceh)调节两个相邻区域的横向间隔与纵向间隔。w为横向间隔h为纵向间隔它们的数值越大间隔越大。
3.6 绘制三维图形
包含两个变量的函数
如何绘制包含两个变量的函数的图形比如函数 f ( x 0 , x 1 ) ( 2 x 0 2 x 1 2 ) e x p ( − ( 2 x 0 2 x 1 2 ) ) (4.4-1) f(x_0,x_1)(2x_0^2x_1^2)exp(-(2x_0^2x_1^2)) \tag{4.4-1} f(x0,x1)(2x02x12)exp(−(2x02x12))(4.4-1)
首先在如下代码中将上面的函数定义为f3。然后计算当x0和x1取不同的值时f3的值是多少。
import numpy as np
import matplotlib.pyplot as plt# 定义函数 f3
def f3(x0, x1):ans (2 * x0**2 x1**2) * np.exp(-(2 * x0**2 x1**2))return ans# 根据 x0 和 x1 计算 f3
xn 9
x0 np.linspace(-2, 2, xn) # (A)
x1 np.linspace(-2, 2, xn) # (B)
y np.zeros((len(x0), len(x1))) # (C)
for i0 in range(xn):for i1 in range(xn):y[i1, i0] f3(x0[i0], x1[i1]) # (D)(A)定义了要计算的x0的范围。由于xn9所以运行下面的命令可知x0是由9个元素构成的x1和x0相同((B))。
print(x0)
#输出[-2. -1.5 -1. -0.5 0. 0.5 1. 1.5 2. ]通过©处的代码准备一个用于存放计算结果的二维数组变量y然后在(D)处根据由x0和x1定义的棋盘上的各个点求f3并将结果保存在y[i1, i0]中。请注意这里的元素索引用于指示x1的内容的i1在前i0在后。这是为了与后面的显示方向相对应。
下面通过round函数把矩阵y四舍五入到小数点后1位为了便于查看并输出矩阵。
print(np.round(y, 1))输出结果 仔细看一下矩阵中的数值会发现矩阵的中心和周围都是0其它地方数值较高。但是只看数值很难想象出函数的形状。 接下来介绍绘制三维立体图形的方法即使用surface。
from mpl_toolkits.mplot3d import Axes3D # (A)xx0, xx1 np.meshgrid(x0, x1) # (B)plt.figure(figsize(5, 4.5))
ax plt.subplot(1, 1, 1, projection3d) # (C)
ax.plot_surface(xx0, xx1, y, rstride1, cstride1, alpha0.3,colorblue, edgecolorblack) # (D)
ax.set_zticks((0, 0.2)) # (E)
ax.view_init(75, -95) # (F)
# plt.show()输出结果 绘制三维图形前需要导入mpl_toolkits.mplot3d的Axes3D。
然后根据坐标点x0、x1生成xx0、xx1。
下面确认一下变量x0、x1的内容。
print(x0)
print(x1)
#输出结果
#[-2. -1.5 -1. -0.5 0. 0.5 1. 1.5 2. ]
#[-2. -1.5 -1. -0.5 0. 0.5 1. 1.5 2. ]通过np.meshgrid(x0, x1)生成的xx0是如下所示的二维数组。
print(xx0)输出结果 xx1是如下所示的二维数组。
print(xx0)
print(xx1)输出结果 xx0和xx1是与y一样大的矩阵当输入xx0[i1, i0]和xx1[i1, i0]时f3为y[i1, i0]。
为了在三维坐标系中绘制图形在声明subplot时指定了projection‘3d’代码清单中的©。然后把表示这个图形的id的返回值保存在ax中。这段代码只在figure中指定了一个subplot但实际上也可以像subplot(n1, n2, nproject‘3d’)这样指定多个坐标系。
代码清单(D)中的ax.plot_surface(xx0, xx1, y)用于显示surface。可以把自然数赋给可选项rstride与cstride来指定纵轴与横轴每隔几个元素绘制一条线。数越少线的间隔越短。alpha是用0-1的实数指定图形透明度的选项值越接近1越不透明。
如果z轴的刻度采用默认值那么数值就会重叠在一起。因此使用ax.set_zticks((0, 0, 2))把z的刻度限定为0和0.2(代码清单中的(E))。
(F)中的ax.view_init(变量1, 变量2)用于调节三维图形的方向“变量1”表示纵向旋转角度当它为0时图形是从正侧面观察到的图形当它为90时则是从正上方观察到的图形。“变量2”表示横向旋转角度当它为正数时图形会按照顺时针方向旋转当它为负数时则会按照逆时针方向旋转。
本代码是以9×9的分辨率绘制的函数图形把分辨率提高到50×50即令rstride5、cstride5。分辨率越高图形越清晰。这样可以更加直观地理解函数的形状。
3.7 contour绘制等高线
要想定量了解函数的高度一个方便的方法是使用如下代码绘制等高线。
xn 50
x0 np.linspace(-2, 2, xn)
x1 np.linspace(-2, 2, xn)y np.zeros((xn, xn))
for i0 in range(xn):for i1 in range(xn):y[i1, i0] f3(x0[i0], x1[i1])xx0, xx1 np.meshgrid(x0, x1) # (A)plt.figure(1, figsize(4, 4))
cont plt.contour(xx0, xx1, y, 5, colorsblack) # (B)
cont.clabel(fmt%.2f, fontsize8) # (C)
plt.xlabel($x_0$, fontsize14)
plt.ylabel($x_1$, fontsize14)
plt.show()输出结果 代码清单前半部分以50×50的分辨率生成了xx0、xx1和y到(A)为止的代码。这是因为如果不把分辨率提升到一定程度就无法准确绘制等高线的图形。
(B)中的plt.contour(xx0, xx1, y, 5, colors‘black’)用于绘制等高线。5用于指定显示的高度共有5个级别而colors‘black’用于指定等高线的颜色为黑色。
把plt.contour的返回值保存在cont中并运行。cont.clabel(fmt‘%.2f’, fontsize8)可以在各个等高线上显示高度值©。fmt‘%.2f’用于指定数值格式fontsize选项用于指定字符的大小。 以下内容为附加matplotlib学习资料共两份。
matplotlib学习资料1
目录
1.figure学习
2.设置坐标轴
4.Legend 图例
4.Annotation 标注
5.tick能见度
1.figure学习
import matplotlib.pyplot as plt
import numpy as np
#导入包xnp.linspace(-3,3,50)#产生-3到3之间50个点
y12*x1#定义函数
y2x**2# 绘制直线
plt.figure()
plt.plot(x,y1)运行结果 曲线与直线绘制一块
# num3表示图片上方标题 变为figure3figsize(长宽)设置figure大小
plt.figure(num3,figsize(8,5))
plt.plot(x,y2)
# 红色虚线直线宽度默认1.0
plt.plot(x,y1,colorred,linewidth1.0,linestyle--)
plt.show()
运行结果
2.设置坐标轴
# num3表示图片上方标题 变为figure3figsize(长宽)设置figure大小
plt.figure(num3,figsize(8,5))
plt.plot(x,y2)
# 红色虚线直线宽度默认1.0
plt.plot(x,y1,colorred,linewidth1.0,linestyle--)plt.xlim((-1,2))#设置x轴范围
plt.ylim((-2,3))#设置轴y范围#设置坐标轴含义 注英文直接写中文需要后面加上fontproperties属性
plt.xlabel(u价格,fontpropertiesSimHei)
plt.ylabel(u利润,fontpropertiesSimHei)# 设置x轴刻度
# -1到2区间5个点4个区间平均分[-1.,-0.25,0.5,1.25,2.]
new_ticksnp.linspace(-1,2,5)
print(new_ticks)
plt.xticks(new_ticks)# 设置y轴刻度设置对应坐标用汉字或英文表示后面的属性fontproperties表示中文可见不乱码
内部英文$$表示将英文括起来r表示正则匹配通过这个方式将其变为好看的字体
如果要显示特殊字符比如阿尔法则用转意符\alpha,前面的\ 表示空格转意plt.yticks([-2,-1.8,-1,1.22,4.],[非常糟糕,糟糕,r$good\ \alpha$,r$really\ good$,超级好],fontpropertiesSimHei)
plt.show()运行结果
# num3表示图片上方标题 变为figure3figsize(长宽)设置figure大小
plt.figure(num3,figsize(8,5))
plt.plot(x,y2)
# 红色虚线直线宽度默认1.0
plt.plot(x,y1,colorred,linewidth1.0,linestyle--)
# 设置边框/坐标轴
gcaget current axis/获取当前轴线
axplt.gca()
# spines就是脊梁即四个边框
# 取消右边与上边轴
ax.spines[right].set_color(none)
ax.spines[top].set_color(none)# matlibplot并没有设置默认的x轴与y轴方向下面就开始设置默认轴
ax.xaxis.set_ticks_position(bottom)
ax.yaxis.set_ticks_position(left)# 设置坐标原点
# 实现将(0,-1)设为坐标原点
# 设置y轴上-1为坐标原点的y点,把x轴放置再-1处
ax.spines[bottom].set_position((data,-1)) # 也可以是(axes,0.1)后面是百分比相当于定位到10%处
# 设置x轴上0为坐标原点的x点将y轴移置0处
ax.spines[left].set_position((data,0))# 再写一遍以下代码因为以上使用set_position后中文会显示不出来plt.yticks([-2,-1.8,-1,1.22,4.],[非常糟糕,糟糕,r$good\ \alpha$,r$really\ good$,超级好],fontpropertiesSimHei)
plt.show()运行结果
4.Legend 图例
import matplotlib.pyplot as plt
import numpy as np
xnp.linspace(-3,3,50)
y12*x1
y2x**2
# 绘制直线
plt.figure()
# plt.plot(x,y1)
# 曲线与直线绘制一块
# num3表示图片上方标题 变为figure3figsize(长宽)设置figure大小
plt.figure(num3,figsize(8,5))# 设置x轴范围
plt.xlim((-1,2))
# 设置轴y范围
plt.ylim((-2,3))
# 设置坐标轴含义
# 注英文直接写中文需要后面加上fontproperties属性
plt.xlabel(u价格,fontpropertiesSimHei)
plt.ylabel(u利润,fontpropertiesSimHei)# -1到2区间5个点4个区间平均分[-1.,-0.25,0.5,1.25,2.]
new_ticksnp.linspace(-1,2,5)
# print(new_ticks)
plt.xticks(new_ticks)plt.yticks([-2,-1.8,-1,1.22,4.],[非常糟糕,糟糕,r$good\ \alpha$,r$really\ good$,超级好],fontpropertiesSimHei)# 设置legend图例l1,plt.plot(x,y2) # 可添加label属性只不过如果这里添加了下面legend再添加下面的就会覆盖此处的
# 红色虚线直线宽度默认1.0
l2,plt.plot(x,y1,colorred,linewidth1.0,linestyle--)prop{family:SimHei,size:15}显示中文
legend(hadles[,,],labels[,,],locbest/upper right/upper left/.../lower right)
handles就是你给他添加legend的线,如果要用handles则前面的plt.plot必须用l1,形式(不要忘记逗号)
此处labels会覆盖上述的plt.plot()的label
loc默认是best,给你放在一个合适的位置上如果你拉伸弹框位置会跟着变自动放置合适位置plt.legend(handles[l1,l2],prop{family:SimHei,size:15},loclower right,labels[直线,曲线])
plt.show()运行结果
4.Annotation 标注
import matplotlib.pyplot as plt
import numpy as np
xnp.linspace(-3,3,20)
y2*x1
# 绘制直线
plt.figure(num1,figsize(8,5),)
plt.plot(x,y)
# gcaget current axis/获取当前轴线
axplt.gca()
# spines就是脊梁即四个边框
# 取消右边与上边轴
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)) # 也可以是(axes,0.1)后面是百分比相当于定位到10%处
ax.yaxis.set_ticks_position(left)
ax.spines[left].set_position((data,0))# 绘制特定散点
x01
y02*x01
# plot散点图上述plt.plot(x,y)变为plt.scatter(x,y)绘制出来就是散点图
# s代表大小b代表blue
plt.scatter(x0,y0,s50,colorb)
# 把两个点放进去plot一下画出垂直于x轴的一条线[x0,x0]表示两个点的x,[0,y0]表示两个点的y# 绘制(x0,y0)垂直于x轴的线# k--表示黑色虚线k代表黑色--表示虚线,lw表示线宽
plt.plot([x0,x0],[0,y0],k--,lw2.5)
# 添加注释 annotate
其中参数xycoordsdata 是说基于数据的值来选位置, xytext(30, -30) 和 textcoordsoffset points
对于标注位置的描述 和 xy 偏差值, arrowprops是对图中箭头类型的一些设置.
plt.annotate(r$2x1%s$%y0,xy(x0,y0),xycoordsdata,xytext(30,-30),textcoordsoffset points,fontsize16,arrowpropsdict(arrowstyle-,connectionstylearc3,rad.2))
# 添加注释 text# 其中-4.7, 3,是选取text的位置, 空格需要用到转字符\ ,fontdict设置文本字体.
plt.text(-4.7,3,r$This\ is\ the\ some\ text.\mu\ \sigma_i\ \alpha_t$,fontdict{size:16,color:red})
plt.show()运行结果
5.tick能见度
import matplotlib.pyplot as plt
import numpy as npx np.linspace(-3, 3, 50)
y 0.1*xplt.figure()
# 设置 zorder 给 plot 在 z 轴方向排序
plt.plot(x, y, linewidth10, zorder1)
plt.ylim(-2, 2)
ax plt.gca()
ax.spines[right].set_color(none)
ax.spines[top].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))# 调整坐标# 对被遮挡的图像调节相关透明度本例中设置 x轴 和 y轴 的刻度数字进行透明度设置
for label in ax.get_xticklabels()ax.get_yticklabels():label.set_fontsize(12)其中label.set_fontsize(12)重新调节字体大小bbox设置目的内容的透明度相关参facecolor调节 box 前景色edgecolor 设置边框 本处设置边框为无alpha设置透明度.# 其中label.set_fontsize(12)重新调节字体大小bbox设置目的内容的透明度相关参
# facecolor调节 box 前景色edgecolor 设置边框 本处设置边框为无alpha设置透明度.label.set_bbox(dict(facecolorwhite,edgecolornone,alpha0.7))plt.show()运行结果
matplotlib学习资料2
本部分内容源自《利用python进行数据分析第二版》
目录
1. Figures and Subplots图和子图
2. Colors, Markers, and Line Styles颜色标记物线样式
3. Ticks, Labels, and Legends标记标签图例
4. Annotations and Drawing on a Subplot注释和在subplot上画图
5. Saving Plots to File把图保存为文件
6. matplotlib Configurationmatplotlib设置
要用Jupyter notebook进行可交互式的绘图需要执行下面的语句这样就可以直接在Notebook里绘图了。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pddata np.arange(10)#生成数据
data#输出结果array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])plt.plot(data)输出结果 seaborn和pandas内建的一些绘图函数能帮省去很多画图的繁杂工作但如果想要定制化地做出一些函数无法绘出的图就需要了解一些matplotlib的API了。
1. Figures and Subplots图和子图
在matplotlib中画的图都是在Figure对象中的。可以用plt.figure创建一个
fig plt.figure()输出结果 如果实在ipython里执行可以看到一个空白的绘图窗口出现但是在jupyter中没有任何显示除非输入一些命令。plt.figure有一些选择其中figsize保证figure有固定的大小和长宽比这样也方便保存到磁盘中。
不能在一个空白的figure上绘图必须要创建一个或更多的subplots子图用add_subplot:
ax1 fig.add_subplot(2, 2, 1)这行代码的意思是figure是2x2这样一共有4幅图而且选中4个subplots数字从1到4中的第1个。如果要创建另外两个子图可以输入
ax2 fig.add_subplot(2, 2, 2)
ax3 fig.add_subplot(2, 2, 3)
fig输出结果 有一个注意点在使用Jupyter notebook的时候绘图可能在一个cell之后被重置所以对于一些复杂的绘图必须把绘图命令全部放在一个notebook cell中。
这里在一个cell中执行这些命令
fig plt.figure()
ax1 fig.add_subplot(2, 2, 1)
ax2 fig.add_subplot(2, 2, 2)
ax3 fig.add_subplot(2, 2, 3)# 下面出现交互式界面后不要关闭运行之后的命令可以看到最后一副图中出现了线输出结果 如果输入plt.plot([1.5, 4.5, -2, 1.6])这样的命令matplotlib会把图画在最后一个figure的最后一个子图上。
plt.plot(np.random.randn(50).cumsum(), k--)k–是一个style样式选项它表示使用黑色的虚线。在这里fig_add_subplot返回的是一个AxesSubplot对象可以直接在空白的subplot上绘图直接在对应的AxesSubplot对象上调用方法即可
_ ax1.hist(np.random.randn(100), bins20, colork, alpha0.3)
ax2.scatter(np.arange(30), np.arange(30) 3 * np.random.randn(30))fig输出结果 因为创建一个带有多个subplot的figure是很常见的操作所以matplotlib添加了一个方法plt.subplots来简化这个过程。这个方法会创建一个新的figure并返回一个numpy数组其中包含创建的subplot对象
f, axes plt.subplots(2, 3)输出结果 axes 这个操作是很有用的。axes能用一个二位数据来索引例如axes[0, 1]。可以使用sharex和sharey来指定不同subplot有相同的x-或y-axis其实就是令坐标轴的范围相同这能让在同一范围内进行数据之间的比较。不然的话matplotlib会自动绘图的范围不一定是一样的。
Adjusting the spacing around subplots调整subplot直接的间隔
默认情况下matplotlib会在subplot之间留下一定间隔的边距这取决于绘图的高度和跨度。所以如果调整绘图的大小它会自动调整。可以用Figure对象下的subplots_adjust方法来更改间隔当然也可以用第一层级的函数
subplots_adjust(leftNone, bottomNone, rightNone, topNone, wspaceNone, hspaceNone)wspace和hspace控制figure宽度和长度的百分比可以用来控制subplot之间的间隔。这里有一个例子让间隔为0
fig, axes plt.subplots(2, 2, sharexTrue, shareyTrue)
for i in range(2):for j in range(2):axes[i, j].hist(np.random.randn(500), bins50, colork, alpha0.5)
plt.subplots_adjust(wspace0, hspace0) 输出结果 注意到轴上有些标签重叠了。matplotlib不会检查标签是否重叠所以需要直接规定明确的tick location记号位置和tick labels记号标签这部分会在之后介绍。
2. Colors, Markers, and Line Styles颜色标记物线样式
matplotlib的plot主函数能接受x和y坐标在可选项中字符串能指定颜色和线样式。例如画出x和y用绿色的点线
ax.plot(x, y, g--)
这种方法可以很方便的同时指定颜色和线样式不过有些用户可能不喜欢直接把规定颜色和样式的字符串写在一起当然也可以写得更明确一些
ax.plot(x, y, linestyle--, colorg)
有很多可供选择的颜色缩写当然也可以使用任意的颜色通过制定hex code(十六进制码比如’#CECECE’)。通过查看plot的字符串文档可以看到可供选择的所有线样式直接输入plot?。
另外还可以用markers标记物来高亮实际的数据点。因为matplotlib创建一个continuous line plot连续线条图的话如果想要插入可能看不清楚哪里可以插入数据点。而marker可以作为样式的一部分字符串必须按颜色标记物类型样式这样的顺序
plt.plot(np.random.randn(30).cumsum(), ko--)当然也快成写得更准确一些
plt.plot(np.random.randn(30).cumsum(), colork, linestyledashed, markero)对于点线图注意到默认情况下后续点是通过线性添加上的。这个可以通过drawstyle来更改
data np.random.randn(30).cumsum()
plt.plot(data, k--, labelDefault)
plt.plot(data, k-, drawstylesteps-post, labelsteps-post)
plt.legend(locbest)当运行上面命令时注意到输出有matplotlib.legend.Legend at 0x10906fda0这样的字样。这是matplotlib返回添加的那些子图的索引。大部分时候可以无视这种输出。这里把label传递给了plot这样通过plt.legend显示出每条线的意义。
注意必须调用plt.legend或ax.legend如果有axes的话来创建一个legend图例不论是非传入label。译者经测试如果不调用plt.legend的话是看不到label的
3. Ticks, Labels, and Legends标记标签图例
对于大部分绘图的装饰有两种主要的方法使用pyplotmatplotlib.pyplot和用更对象导向的简单的matplotlib API。
pyplot界面是为交互式使用而设计的它包含很多方法比如xlim, xticks, xticklabels。这些方法控制绘图的范围标记位置标记标签。有两种使用方法
调用的时候不传入参数使用当前的参数设置例如plt.xlim()返回当前X轴的范围调用的时候传入参数使用传入的参数设置例如plt.xlim([0, 10]), 令X轴的范围从0到10
所有这些方法作用于激活的或最新创建的AxesSubplot对象上。每一个都在subplot有对应的两个方法比如对于xlim就有对应的ax.get_xlim和ax.set_xlim。这里作者使用subplot的方法这样会更清晰。
Setting the title, axis labels, ticks, and ticklabels设定标题轴标签标记标记标签
这里创建一个简单的图画一个随机漫步
fig plt.figure() # 直到下一个黑体标题出现前不要关闭这个fig输出结果
ax fig.add_subplot(1, 1, 1)
ax.plot(np.random.randn(1000).cumsum())为了改变x-axis tickx轴标记使用set_xticks和set_xticklabels。前者告诉matplotlib沿着x轴的范围把标记放在哪里默认会把所在位置作为标签但可以用set_xticklabels来设置任意值作为标签
ticks ax.set_xticks([0, 250, 500, 750, 1000])
labels ax.set_xticklabels([one, two, three, four, five],rotation30, fontsizesmall)rotation选项让x轴上的标记标签有一个30度的旋转。set_xlabel给x轴一个名字而set_title给subplot一个标题
ax.set_title(My first matplotlib plot)
#输出Text(0.5, 1.0, My first matplotlib plot)ax.set_xlabel(Stages)
#输出Text(0.5, 0, Stages)用相同的流程来更改y轴把上面代码里的x变为y。axes类有一个set方法能让一次设置很多绘图特性。对于上面的例子可以写成下面这样
props {title: My first matplotlib plot,xlabel: Stage
}ax.set(**props)
#输出[Text(0.5, 1.0, My first matplotlib plot), Text(0.5, 0, Stage)]Adding legends 添加图例
图例对于绘图很重要。有很多方式可以添加图例。最简单的方法是用label参数
from numpy.random import randn
fig plt.figure(); ax fig.add_subplot(1, 1, 1)输出结果
ax.plot(randn(1000).cumsum(), k, labelone)
ax.plot(randn(1000).cumsum(), k--, labeltwo)
ax.plot(randn(1000).cumsum(), k., labelthree)做完了上面的部分调用ax.legend()或plt.legend()来自动创建图例
ax.legend(locbest)legend方法有一些选项比如用loc参数设定位置。更多信息可以参考字符串文档ax.legend?
loc告诉matplotlib把图例放在哪里。如果不挑剔的话直接设定’best’就可以了它会自动选择一个合适的位置。如果想要从图例中排除一个或更多的元素那就不要传入label或设置label_nolegen_。
4. Annotations and Drawing on a Subplot注释和在subplot上画图
除了标准的绘图类型可能希望画出自己的绘图注释包括文本箭头或其他形状。可以添加注释和文本通过textarrow和annotate函数。text能在指定的坐标(x, y)上写出文本还可以自己设定样式
ax.test(x, y, Hello world!, familymonospace, fontsize10)
注释可以画出文本和箭头。这里做一个例子画出SP 500指数自2007年后的价格并用注释指出在2008~2009年经融危机期间一些重要的日期。
下面的内容可以在一个cell里直接执行
from datetime import datetimefig plt.figure()
ax fig.add_subplot(1, 1, 1)data pd.read_csv(examples/spx.csv, index_col0, parse_datesTrue)
spx data[SPX]spx.plot(axax, stylek-)crisis_data [(datetime(2007, 10, 11), Peak of bull market),(datetime(2008, 3, 12), Bear Stearns Fails),(datetime(2008, 9, 15), Lehman Bankruptcy)
]for date, label in crisis_data:ax.annotate(label, xy(date, spx.asof(date) 75),xytext(date, spx.asof(date) 225),arrowpropsdict(facecolorblack, headwidth4, width2, headlength4),horizontalalignmentleft, verticalalignmenttop)# Zoom in on 2007-2010
ax.set_xlim([1/1/2007, 1/1/2011])
ax.set_ylim([600, 1800])ax.set_title(Important dates in the 2008-2009 financial crisis)在这幅图里有一些点是值得强调的ax.annotate方法能在x和y坐标指示的位置画出标签。可以用set_xlim和set_ylim方法来手动地设置开始和结束的边界而不是用matplotlib的默认边界。最后ax.set_title添加一个主标题。
可以联网看matplotlib gallery上查看更多关于标注的例子。
要想画出图形的话更需要细心一些。matplotlib有一些对象可以用来表示一些常见的图形被称之为patches。其中一些比如Rectangle和Circle在matplotlib.pyplot也有但是全套画图形的方法还是在matplotlib.patches里。
给图中添加一个图形必须先添加一个patch对象shp然后通过调用ax.add_patch(shp)把它添加到subplot中
fig plt.figure()
ax fig.add_subplot(1, 1, 1)rect plt.Rectangle((0.2, 0.75), 0.4, 0.15, colork, alpha0.3)
circ plt.Circle((0.7, 0.2), 0.15, colorb, alpha0.3)
pgon plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]],colorg, alpha0.5)ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)输出结果
5. Saving Plots to File把图保存为文件
可以用plt.savefig来保存图。这个方法等同于直接在figure对象上调用savefig方法。例如想要保存一个SVG版本的图片键入
plt.savefig(figpath.svg)保存的文件类型通过文件名后缀来指定。即如果使用 .pdf做为后缀就会得到一个PDF文件。这里有一些重要的设置作者经常用来刊印图片
dpi控制每英寸长度上的分辨率bbox_inches, 能删除figure周围的空白部分
比如想要得到一幅PNG图有最小的空白400 DPI键入
plt.savefig(figpath.png, dpi400, bbox_inchestight)savefig不仅可以写入磁盘还可以导出为任意像是文件一样的对象比如BytesIO
from io import BytesIO
buffer BytesIO()
plt.savefig(buffer)
plot_data buffer.getvalue()6. matplotlib Configurationmatplotlib设置
matplotlib很多默认的设置是可以自己定义的通过修改一些全局设定比如图大小subplot间隔颜色字体大小网格样式等等。一种更累设定的方式是用rc方法例如想要设置全局的图大小为10 x 10键入
plt.rc(figure, figsize(10, 10))rc中的第一个参数是想要自定义的组件比如’figure’, ‘axes’, ‘xtick’, ‘ytick’, ‘grid’, ‘legend’或其他。然后添加一个关键字来设定新的参数。一个比较方便的写法是把所有的设定写成一个dict
font_options {family: monospace,weight: bold,size : small}
plt.rc(font, **font_options)更详细的设定可以去看一下文档matplotlib影城而设置文件matplotlibrc位于matplotlib/mlp-data文件夹下。如果按自己的方式修改这个文件并把这个文件放在主目录下更名为*.matplotlibrc*的话在每次启动matplotlib的时候会自动加载这个文件。
