matplotlib.pyplot.scatter plt.subplots各参数详解

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

各参数的含义

x，y：表示的是大小为(n,)的数组，也就是我们即将绘制散点图的数据点

s:是一个实数或者是一个数组大小为(n,)，这个是一个可选的参数，表示散点图的大小。

c:表示的是颜色，也是一个可选项。默认是蓝色’b’,表示的是标记的颜色，或者可以是一个表示颜色的字符，或者是一个长度为n的表示颜色的序列等等。
marker:表示的是标记的样式，默认的是’o’。

cmap:Colormap实体或者是一个colormap的名字，biao
norm:Normalize实体来将数据亮度转化到0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认为colors.Normalize。

vmin,vmax:实数，当norm存在的时候忽略。用来进行亮度数据的归一化。

alpha：实数，0-1之间。

linewidths:也就是标记点的长度。

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(222)
x=np.random.rand(5)
y=np.random.rand(5)
s = np.array(range(10,110,20))
c = np.array(range(0,5))
plt.scatter(x, y,s=s, c=c)
plt.colorbar()
plt.show()

def subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True,
subplot_kw=None, gridspec_kw=None, **fig_kw):
建立一个fig对象，建立多个axis子图对象

nrows，ncols：

子图的行列数。
sharex, sharey：

设置为 True 或者 ‘all’ 时，所有子图共享 x 轴或者 y 轴，
设置为 False or ‘none’ 时，所有子图的 x，y 轴均为独立，
设置为 ‘row’ 时，每一行的子图会共享 x 或者 y 轴，
设置为 ‘col’ 时，每一列的子图会共享 x 或者 y 轴。
squeeze：

默认为 True，是设置返回的子图对象的数组格式。
当为 False 时，不论返回的子图是只有一个还是只有一行，都会用二维数组格式返回他的对象。
当为 True 时，如果设置的子图是（nrows=ncols=1），即子图只有一个，则返回的子图对象是一个标量的形式，如果子图有（N×1）或者（1×N）个，则返回的子图对象是一个一维数组的格式，如果是（N×M）则是返回二位格式。
subplot_kw:

字典格式，传递给 add_subplot() ，用于创建子图。
gridspec_kw：

字典格式，传递给 GridSpec 的构造函数，用于创建子图所摆放的网格。
class matplotlib.gridspec.GridSpec(nrows, ncols, figure=None, left=None, bottom=None, right=None, top=None, wspace=None, hspace=None, width_ratios=None, height_ratios=None)
如，设置 gridspec_kw={‘height_ratios’: [3, 1]} 则子图在列上的分布比例是3比1。
**fig_kw :

所有其他关键字参数都传递给 figure（）调用。
如，设置 figsize=(21, 12) ，则设置了图像大小。

返回值
fig： matplotlib.figure.Figure 对象
ax：子图对象（ matplotlib.axes.Axes）或者是他的数组 可通过此返回值直接绘制子图

plt.subplot(3, 10,3)#会将原始的图像切割成3*10个子图像，是3行10列，并将现在的操作位置转到第3个子图上，这样便实现了绘制子图的方法。

import matplotlib.pyplot as plt
import numpy as np
show_num = 3
f, a = plt.subplots(3, show_num, figsize=(10,2))
for i in range(show_num):
    a[0][i].imshow(np.reshape([1,2,3,4], (2, 2)))
    a[0][i].set_ylim( 2, -2)
    a[0][i].set_title("title %d"%i)
    a[1][i].imshow(np.reshape([1,2,3,4], (2, 2)))
    a[1][i].axis('off')
    a[2][i].imshow(np.reshape([1,2,3,4], (1, 4)))
#plt.show()
plt.subplot(3, show_num,3)#会将原始的图像切割成3*10个子图像，是3行10列，并将现在的操作位置转到第3个子图上，这样便实现了绘制子图的方法。
plt.plot([1,2,3], [3,4,5])
plt.show()

minist数据集图片

import matplotlib.pyplot as plt
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("D:/code/python/机器学习/deep learning/MNIST_data", one_hot=False)

show_num = 10

f, a = plt.subplots(1, show_num, figsize=(10, 2))
for i in range(show_num):
    a[i].imshow(np.reshape(mnist.test.images[i], (28, 28)))
plt.show()