Python Matplotlib让数据更有趣

参考文档：https://www.matplotlib.org.cn/

1. 基本使用

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-1,1,50)
y = 2*x+1

plt.plot(x,y)

# 显示出图
plt.show()

---

2. figure图像

就是同时生成多张数据图像

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2*x + 1
y2 = x**2


# figure1
plt.figure()
plt.plot(x,y1)

# figure2
plt.figure()
plt.plot(x,y2)

plt.show()

num 和 figsize参数

num 设置如 figure1 figure2 后面的数字

figsize 设置生成的数据图像的长宽

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2*x + 1
y2 = x**2


# figure1
plt.figure(num=3,figsize=(8,5))
plt.plot(x,y1)

# figure2
plt.figure(num=4)
plt.plot(x,y2)

plt.show()

在同一个数据图像中，显示两条函数图像

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2*x + 1
y2 = x**2

# figure2
plt.figure()
plt.plot(x,y2)
plt.plot(x,y1)

plt.show()

plot的属性 color linewidth linestyle

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2*x + 1
y2 = x**2


plt.figure()
plt.plot(x,y2)

# color 线的颜色
# linewidth 线的宽度
# linestyle 线的样式   -- 代表虚线
plt.plot(x,y1,color='green',linewidth=1.0,linestyle='--')

plt.show()

---

3. 设置坐标轴 Axis

3.1 设置坐标轴的的取值范围

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()
plt.plot(x,y1,color='pink',linestyle='--',linewidth=3.0)
plt.plot(x,y2,color='green')

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

plt.show()

3.2 设置坐标轴的label

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()
plt.plot(x,y1,color='pink',linestyle='--',linewidth=3.0)
plt.plot(x,y2,color='green')

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置x轴的label
plt.xlabel('i am x')

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

# 设置y轴的label
plt.ylabel('i am y')

plt.show()

3.3 替换数据图像中的小标

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()
plt.plot(x,y1,color='pink',linestyle='--',linewidth=3.0)
plt.plot(x,y2,color='green')

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置x轴的label
plt.xlabel('i am x')

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

# 设置y轴的label
plt.ylabel('i am y')

new_ticks = np.linspace(-1,2,5)

# 设置x轴的小标
plt.xticks(new_ticks)

# 设置y的小标  替换成文字
plt.yticks([-2,-1,0,1,2,3],['really bad','bad','normal','good','really good','super good'])

plt.show()

改变小标中的文字 字体

通过$来改变，对于空格，我们需要通过\ 来进行转义，在每个字符串前要加上r

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()
plt.plot(x,y1,color='pink',linestyle='--',linewidth=3.0)
plt.plot(x,y2,color='green')

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置x轴的label
plt.xlabel('i am x')

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

# 设置y轴的label
plt.ylabel('i am y')

new_ticks = np.linspace(-1,2,5)

# 设置x轴的小标
plt.xticks(new_ticks)

# 设置y的小标
# 改变字体 通过 $
plt.yticks([-2,-1,1,2,3],[r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$',r'$super\ good$'])

plt.show()

很明显，字体已经改变了

如果我们要打出 α β 等， 我们可以借助\转义，通过\alpha \beta来打印出来

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()
plt.plot(x,y1,color='pink',linestyle='--',linewidth=3.0)
plt.plot(x,y2,color='green')

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置x轴的label
plt.xlabel('i am x')

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

# 设置y轴的label
plt.ylabel('i am y')

new_ticks = np.linspace(-1,2,5)

# 设置x轴的小标
plt.xticks(new_ticks)

# 设置y的小标
# 改变字体  打印出alpha
plt.yticks([-2,-1,1,2,3],[r'$really\ bad$',r'$bad\ \beta$',r'$normal\ \alpha$',r'$good$',r'$really\ good$',r'$super\ good$'])

plt.show()

3.4 修改坐标轴的位置

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()
plt.plot(x,y1,color='pink',linestyle='--',linewidth=3.0)
plt.plot(x,y2,color='green')

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置x轴的label
plt.xlabel('i am x')

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

# 设置y轴的label
plt.ylabel('i am y')

new_ticks = np.linspace(-1,2,5)

# 设置x轴的小标
plt.xticks(new_ticks)

# 设置y的小标
plt.yticks([-2,-1,1,2,3],[r'$really\ bad$',r'$bad\ \beta$',r'$normal\ \alpha$',r'$good$',r'$really\ good$',r'$super\ good$'])

# gca = 'get curren axis'
# gca 代表plt出来的一整张图



# 设置坐标轴的位置
ax = plt.gca()

# 选择图像右边的边
# 将这条边隐藏掉 set_color('none')
ax.spines['right'].set_color('none')

# 选择图像上边的边
# 将这条边隐藏掉 set_color('none')
ax.spines['top'].set_color('none')

# 设置x轴由bottom的ticks代替
ax.xaxis.set_ticks_position('bottom')
# 设置y轴由left的ticks代替
ax.yaxis.set_ticks_position('left')


# 移动x轴和y轴的位置
# 定位的方式由：data，outward，axes：要定位到百分之多少的位置
# 横轴的位置就是纵轴的值为-1的位置 为横轴的原点
ax.spines['bottom'].set_position(('data',-1))

# 纵轴的位置就是横轴的值为-0.25的位置 为纵轴的原点
ax.spines['left'].set_position(('data',-0 .25))

plt.show()

---

4. Legend图例

图片中的图例

使用label来定义 每个图像的名字

legend中有一些参数 handles，labels，loc

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y1 = 2 * x + 1

y2 = x ** 2

plt.figure()

# 设置x坐标轴的取值范围
plt.xlim((-1,2))

# 设置x轴的label
plt.xlabel('i am x')

# 设置y坐标轴的取值范围
plt.ylim((-2,3))

# 设置y轴的label
plt.ylabel('i am y')

new_ticks = np.linspace(-1,2,5)

# 设置x轴的小标
plt.xticks(new_ticks)

# 设置y的小标
plt.yticks([-2,-1,1,2,3],[r'$really\ bad$',r'$bad\ \beta$',r'$normal\ \alpha$',r'$good$',r'$really\ good$',r'$super\ good$'])

# 使用label来定义 每个图像的名字
l1, = plt.plot(x,y1,color='pink',linestyle='--',linewidth=2.0,label='down')
l2, = plt.plot(x,y2,color='green',label='up')

# 图例
# loc取值 upper right ， upper left， center left，center right，best，lower left等
# 如果要传入handles中去，就要在名称定义时 加上逗号
plt.legend(handles=[l1,l2,],labels=['aaa','bbb'],loc='best')

plt.show()

如果图例中只想先输出 l1 ，在handles中只添加l1,即可

plt.legend(handles=[l1,],labels=['aaa'],loc='best')

---

5. annotation 注解

5.1 method 1

在每一条函数图像上进行标注

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y = 2 * x + 1

plt.figure()
plt.plot(x,y)

plt.ylim((-6,8))

ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))

x0 = 1
y0 = 2 * x0 + 1
# s : 大小    color : 颜色
plt.scatter(x0,y0,s=50,color='b')

# 点到x轴的连线 (x0,y0)  (x0,0)
# k--  黑色虚线  lw(linewidth) 线的宽度
plt.plot([x0,x0],[y0,0],'k--',lw=2.5)
# 点到y轴的连线  (x0,y0) (0,y0)
plt.plot([x0,0],[y0,y0],'g--',lw = 2.5)

# annotation
# method 1
# 参数： 参数一：内容  xy： 标注点坐标    xycoords：以data的值作为基准
# textcorrds：内容位置相对哪一个点   xytext：内容基于该点移动的位置
# fontsize：描述文字大小   arrowprops：给一个字典，其中参数，arrowstyle：指定描述内容到点之间的连线方式  connectionstyle：连线的弧度等

plt.annotate(r'$2x+1=%s$' % y0,xy=(x0,y0),xycoords='data',xytext=(+30,-30),textcoords='offset points',fontsize=16,
             arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2',facecolor='k'))

plt.show()

xycoords属性：

参数值	坐标系
‘figure points’	以图片为坐标系，左下角数值低
‘figure pixels’	同上，区别是points和pixels，实际看不出什么差距
‘figure fraction’	以图片为坐标系，数值是图片大小的比例，(0, 0)表示坐下，(1, 1)表示右上
‘axes points’	以坐标轴为参考系，…
‘axes pixels’	以坐标轴为参考系, …
‘axes fraction	以坐标轴为参考系, …
‘data’	使用坐标轴上的数据点，常用！例如上图中标注位置(2, 1)对应横坐标值为2，纵坐标值为1

arrowprops来设置标注箭头的属性：

属性名	介绍
width	箭头的宽度
frac	箭头长度的比例
headwidth	箭头头部的宽度
shrink	标注位置到文字的比例
**kwargs	等等

5.2 method 2

来加上文本描述

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)

y = 2 * x + 1

plt.figure()
plt.plot(x,y)

plt.ylim((-6,8))

ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))

x0 = 1
y0 = 2 * x0 + 1
# s : 大小    color : 颜色
plt.scatter(x0,y0,s=50,color='b')

# 点到x轴的连线 (x0,y0)  (x0,0)
# k--  黑色虚线  lw(linewidth) 线的宽度
plt.plot([x0,x0],[y0,0],'k--',lw=2.5)
# 点到y轴的连线  (x0,y0) (0,y0)
plt.plot([x0,0],[y0,y0],'g--',lw = 2.5)

# annotation
# method 1
# 参数： 参数一：内容  xy： 标注点坐标    xycoords：以data的值作为基准
# textcorrds：内容位置相对哪一个点   xytext：内容基于该点移动的位置
# fontsize：描述文字大小   arrowprops：给一个字典，其中参数，arrowstyle：指定描述内容到点之间的连线方式  connectionstyle：连线的弧度等

plt.annotate(r'$2x+1=%s$' % y0,xy=(x0,y0),xycoords='data',xytext=(+30,-30),textcoords='offset points',fontsize=16,
             arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))


# method 2
# 开始的位置 横坐标 -3.7  纵坐标 3
# fontdict  字体的一些属性
plt.text(-3.7,3,r'$This\ is\ the\ some\ text.\ \mu\ \sigma_i\ \alpha_t$',
         fontdict={'size':16,'color':'r'})

plt.show()

---

6. tick能见度

import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(-3,3,50)
y = 0.1 * x

plt.figure()
# zorder 设置顺序
plt.plot(x,y,color='b',lw=10,zorder=1)
plt.ylim(-2,2)
ax = plt.gca()
ax.spines['top'].set_color('none')
ax.spines['right'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))

for label in ax.get_xticklabels() + ax.get_yticklabels():
    # 设置坐标轴小标label的字体大小
    label.set_fontsize(12)
    # 设置坐标轴小标的背景  facecolor 背景颜色  edgecolor 边框   alpha 透明度  zorder 设置叠加顺序
    label.set_bbox(dict(facecolor='white',edgecolor='None',alpha=0.8,zorder=2))

plt.show()

---

7. Scatter 散点图

import numpy as np
from matplotlib import pyplot as plt

n = 1024

# np.random.normal 正态分布  平均数：0  方差：1  生成n个数
x = np.random.normal(0,1,n)
y = np.random.normal(0,1,n)

# for color value 点的颜色
t = np.arctan2(y,x)

# s 大小   c  颜色   alpha 透明度
plt.scatter(x,y,s=75,c=t,alpha=.5)
plt.xlim((-1.5,1.5))
plt.ylim((-1.5,1.5))

# 隐藏ticks
plt.xticks(())
plt.yticks(())

plt.show()

一条线的散点图

import numpy as np
from matplotlib import pyplot as plt

n = 1024

# np.random.normal 正态分布  平均数：0  方差：1  生成n个数
x = np.random.normal(0,1,n)
y = np.random.normal(0,1,n)

# for color value 点的颜色
t = np.arctan2(y,x)

# s 大小   c  颜色   alpha 透明度
plt.scatter(np.arange(5),np.arange(5))

# 隐藏ticks
plt.xticks(())
plt.yticks(())

plt.show()

---

8. Bar 柱状图

import numpy as np
from matplotlib import pyplot as plt

n = 12
X = np.arange(n)

# uniform 均匀分布
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)

# 生成柱状图 facecolor：主体颜色   edgecolor：边框颜色
plt.bar(X,+Y1,facecolor='#ff686e',edgecolor='white')
plt.bar(X,-Y2,facecolor='#37e174',edgecolor='white')

# zip： 把 x 和 y1  分别传入  a 和 b
for x,y in zip(X,Y1):
    # ha：horizontal alignment  横向对齐方式
    # va：纵向对齐方式
    plt.text(x,y+0.05,'%.2f' % y,ha='center',va='bottom')

for x,y in zip(X,Y2):
    # ha：horizontal alignment  横向对齐方式
    # va：纵向对齐方式
    plt.text(x,-y-0.05,'-%.2f' % y,ha='center',va='top')


plt.xlim(-.5,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())

plt.show()

---

9. Contours 等高线图

import numpy as np
from matplotlib import pyplot as plt

def f(x,y):
    # the height function
    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)


# use plt.contourf to filling contours
# X,Y and value for (X,Y) point  分成10块  画出范围  camp 颜色
plt.contourf(X,Y,f(X,Y),8,alpha = 0.75,cmap=plt.cm.hot)


# use plt.contour to add contour lines  画等高线  分成10块
C = plt.contour(X,Y,f(X,Y),8,colors='black')

# adding label
plt.clabel(C,inline=True,fontsize=10)

plt.xticks(())
plt.yticks(())
plt.show()

---

10. Image 图片

import numpy as np
from matplotlib import pyplot as plt

# image data
a = np.array([0.30642944,0.35382003,0.43035151,0.34313539,0.43530465,0.50380885,0.4084723,0.50661867,0.61025733]).reshape(3,3)

# interpolation：图像显示样式   origin：图像显示方向     
plt.imshow(a,interpolation='nearest',cmap='bone',origin='lower')


plt.xticks(())
plt.yticks(())
plt.show()

interpolation 属性值：

参考网址：https://matplotlib.org/examples/images_contours_and_fields/interpolation_methods.html

colorbar 图例

import numpy as np
from matplotlib import pyplot as plt

# image data
a = np.array([0.30642944,0.35382003,0.43035151,0.34313539,0.43530465,0.50380885,0.4084723,0.50661867,0.61025733]).reshape(3,3)

plt.imshow(a,interpolation='nearest',cmap='bone',origin='lower')

# colorbar   参数 shrink 大小压缩
plt.colorbar(shrink=0.9)

plt.xticks(())
plt.yticks(())
plt.show()

---

11. 3D数据

import numpy as np
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)

# X,Y value
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)
# height value
Z = np.sin(R)

# 画出3D图
# rstride : row stride  行跨度
# cstride : column stride  列跨度
# edgecolor : 边框  k:black
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'),edgecolor='k')

# 等高线
# zdir  从 哪个 轴压下去
ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap=plt.get_cmap('rainbow'))
ax.set_zlim(-2,2)  # 设置等高线的高度

plt.show()

---

12. Subplot 多合一显示

12.1 显示方式 1

import numpy as np
from matplotlib import pyplot as plt

plt.figure()

# 创建小图  把figure分成两行两列  第1个位置
plt.subplot(2,2,1)
plt.plot([0,1],[0,1])

# 第2个位置
plt.subplot(2,2,2)
x = np.linspace(-3,3,50)
y = x**2
plt.plot(x,y)

# 第3个位置
plt.subplot(2,2,3)
x = np.linspace(-3,3,50)
y = np.sin(x)
plt.plot(x,y)

# 第4个位置
plt.subplot(2,2,4)
x = np.linspace(-3,3,50)
y = np.cos(x)
plt.plot(x,y)

plt.show()

12.2 显示方式 2

import numpy as np
from matplotlib import pyplot as plt

plt.figure()

# 创建小图
# 创建两行 第一行为1列
plt.subplot(2,1,1)
plt.plot([0,1],[0,1])

# 第2个位置
plt.subplot(2,3,4)
x = np.linspace(-3,3,50)
y = x**2
plt.plot(x,y)

# 第3个位置
plt.subplot(2,3,5)
x = np.linspace(-3,3,50)
y = np.sin(x)
plt.plot(x,y)

# 第4个位置
plt.subplot(2,3,6)
x = np.linspace(-3,3,50)
y = np.cos(x)
plt.plot(x,y)

plt.show()

---

13. Subplot分格显示

13.1 method 1 : subplot2gird

import numpy as np
from matplotlib import pyplot as plt

# method 1 : subplot2grid
plt.figure()
# 3行3列  从0，0开始plot colspan：列跨度   rowspan：行跨度
ax1 = plt.subplot2grid((3,3),(0,0),colspan=3,rowspan=1)
ax1.plot([1,2],[1,2])
ax1.set_xlabel('i am x')
ax1.set_title('ax1')

ax2 = plt.subplot2grid((3,3),(1,0),colspan=2,rowspan=1)
x = np.linspace(-3,3)
y = x**2
ax2.plot(x,y)
ax2.set_title('ax2')

ax3 = plt.subplot2grid((3,3),(1,2),colspan=1,rowspan=2)
x = np.linspace(-3,3)
y = np.tan(x)
ax3.plot(x,y)
ax3.set_title('ax3')


ax4 = plt.subplot2grid((3,3),(2,0))
x = np.linspace(-3,3)
y = np.sin(x)
ax4.plot(x,y)
ax4.set_title('ax4')

ax5 = plt.subplot2grid((3,3),(2,1))
x = np.linspace(-3,3)
y = np.cos(x)
ax5.plot(x,y)
ax5.set_title('ax5')

plt.tight_layout()
plt.show()

13.2 method 2 : gridspec

from matplotlib import pyplot as plt
from matplotlib import gridspec as gridspec

# method 2 : gridspec
plt.figure()
# 3行3列
gs = gridspec.GridSpec(3,3)
ax1 = plt.subplot(gs[0,:])
ax2 = plt.subplot(gs[1,:2])
ax3 = plt.subplot(gs[1:,2])
ax4 = plt.subplot(gs[-1,0])
ax5 = plt.subplot(gs[-1,-2])

plt.tight_layout()
plt.show()

13.3 method 3 : easy to define structure

from matplotlib import pyplot as plt

# method 3 : easy to define structrue
# sharex : 共享x轴
# sharey : 共享y轴
f,((ax11,ax12),(ax21,ax22)) = plt.subplots(2,2,sharex=True,sharey=True)

ax11.scatter([1,2],[1,2])
ax12.bar([1,2],[1,2])
ax21.plot([1,2],[1,2])
ax22.plot([1,2],[1,2])

plt.tight_layout()
plt.show()

---

14. 图中图

from matplotlib import pyplot as plt

fig = plt.figure()
x = [1,2,3,4,5,6,7]
y = [1,3,4,2,5,8,6]

# 大的axes
# 位置，长宽
left,bottom,width,height = 0.1,.01,0.8,0.8
ax1 = fig.add_axes([left,bottom,width,height])
# 数据：x,y  颜色：red
ax1.plot(x,y,'r')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')


# 位置，长宽
left,bottom,width,height = 0.2,0.5,0.25,0.25
ax2 = fig.add_axes([left,bottom,width,height])
# 数据：x,y  颜色：red
ax2.plot(x,y[::-1],'g')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside 1')


plt.axes([0.6,0.1,0.25,0.25])
plt.plot(y,x,'b')
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')

plt.show()

---

15. 次坐标轴

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(0,10,0.1)
y1 = 0.05*x**2
y2 = -1*y1

fig,ax1 = plt.subplots()

# 镜像 ax1 的数据
ax2 = ax1.twinx()
ax1.plot(x,y1,'g-')
ax2.plot(x,y2,'b--')

ax1.set_xlabel('X data')
ax1.set_ylabel('Y1',color='g')

ax2.set_ylabel('Y2',color='b')

plt.show()

---

16. Animation 动画

import numpy as np
from matplotlib import pyplot as plt
from matplotlib import  animation

fig,ax = plt.subplots()

x = np.arange(0,2*np.pi,0.01)
line, = ax.plot(x,np.sin(x))

# 更新的方式
def animate(i):
    # i : frames
    line.set_ydata(np.sin(x+i/100))
    return line,

# 起始的状态
def init():
    line.set_ydata(np.sin(x))
    return line,

# frames 100个时间点
# interval 隔多久更新一次 单位毫秒
# bilt 是否更新整张图  还是只更新变化了的点
# True : 只更新变化了的     False : 更新整张图的点
ani = animation.FuncAnimation(fig=fig,func=animate,frames=100,init_func=init,interval=20,blit=True)

plt.show()