python中的Matlibplot绘图库

1、概述

Matplotlib的GitHub链接：
https://github.com/matplotlib/matplotlib

Matplotlib的安装链接：
http://blog.csdn.net/walkandthink/article/details/45200597

Matplotlib 是一个在 python 下实现的类 matlab 的纯 python 的三方库,旨在用 python实现 matlab 的功能,是python 下最出色的绘图库,功能很完善，其风格跟 matlab 很相似，同时也继承了 python 的简单明了的风格,其可以很方便地设计和输出二维以及三维的数据， 其提供了常规的笛卡尔坐标， 极坐标， 球坐标， 三维坐标等。

其使用中要先安装 numpy 库 (一个python 下数组处理的三方库， 可以很方便的处理矩阵，数组) ，对于做数据图，其原理很简单，就是把函数变成关X于,Y,Z的坐标点的数组,如函数Y=X2 ,我们画图是也是先找一组特征点(x,y),然后连接成线,matplotlib出图的过程和我 们画图过程差不多,先生成 X 的一个取值数组,如要画区间[0,1]的图像,则先取[0,1]之内的一 组数组(如:x=arange(0,1,0.01)表示 x 以 0.01 为步长取 100 个点),然后去对应 x 的对应 y 的 值的一组数据,这样以坐标(x,y)画出的图就是一条曲线了。

matplotlib 对于图像美化方面的比较完善，可以自定义线条的颜色和样式，可以在一张绘图纸上绘制多张小图，也可以在一张图上绘制多条线， 可以很方便地将数据可视化并对比分析。

各函数含义：

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。各个对象之间有下面的对象隶属关系：

2、numpy处理数据

numpy官方链接： http://www.numpy.org/

matplotlib将数据可视化时基本上用到两种方法：

（1）arange函数类似于python的range函数，通过指定开始值、终值和步长来创建一维数组， 注意数组不包括终值。

#此函数在区间[0,1]之间以0.1为步长生成一个数组。如果第三个参数不存在，则预设为1。
import numpy as np
print np.arange(0,1,0.1)

result:
[ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9]

（2）linspace函数通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定是否包括终值，缺省设置是包括终值。

#np.linspace(0, 1, 12,endpoint=False)，设置不包括终值
import numpy as np
print np.linspace(0, 1, 12)

3、折线图

#绘制折线图
import matplotlib.pyplot as plt
year = [2011,2012,2013,2014]
pop = [1.2,3.4,4.5,6.5]
#折线图绘制函数
plt.plot(year,pop)
plt.show()；

4、散点图

#绘制折线图
import matplotlib.pyplot as plt
year = [2011,2012,2013,2014]
pop = [1.2,3.4,4.5,6.5]
#散点图绘制函数
plt.scatter(year,pop)
plt.show()；

5、直方图

#绘制直方图
import matplotlib.pyplot as plt
values = [0,1,2,3,4,1,2,3,4,4,5,2,4,1]
#直方图绘制函数，bins为直方图间隔份数
plt.hist(values,bins=10)
plt.show()

6、修饰图

title（’图形名称’） （都放在单引号内）
xlabel（’x轴说明’）
ylabel（’y轴说明’）
text（x，y，’图形说明’）
legend（’图例1’，’图例2’，…）

#coding=utf-8
import matplotlib.pyplot as plt

year = [1950,1970,1990,2010]
pop = [2.3,3.4,5.8,6.5]

#折线图，实体填充
plt.fill_between(year,pop,0,color='green')

#轴的标签
plt.xlabel('Year')
plt.ylabel('Population')

#轴的标题
plt.title('World Population')

#轴的y刻度
plt.yticks([0,2,4,6,8,10],['0B','2B','4B','6B','8B','10B'])

7 、绘制多个子图

import matplotlib.pyplot as plt
import numpy as np

def f(t):
    return np.exp(-t) * np.cos(2 * np.pi * t)

t1 = np.arange(0, 5, 0.1)
t2 = np.arange(0, 5, 0.02)

plt.figure(12)
plt.subplot(221)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'r--')

plt.subplot(222)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')

plt.subplot(212)
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

plt.show()

8、绘制三维图像

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
X = [1, 1, 2, 2]
Y = [3, 4, 4, 3]
Z = [1, 2, 1, 1]
ax.plot_trisurf(X, Y, Z)
plt.show()

9、plt.axes()

我们先来看什么是Figure和Axes对象。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对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下：

import matplotlib.pyplot as plt
import numpy as np

# create some data to use for the plot
dt = 0.001
t = np.arange(0.0, 10.0, dt)
r = np.exp(-t[:1000] / 0.05)  # impulse response
x = np.random.randn(len(t))
s = np.convolve(x, r)[:len(x)] * dt  # colored noise

# the main axes is subplot(111) by default
plt.plot(t, s)
plt.axis([0, 1, 1.1 * np.amin(s), 2 * np.amax(s)])
plt.xlabel('time (s)')
plt.ylabel('current (nA)')
plt.title('Gaussian colored noise')

# this is an inset axes over the main axes
a = plt.axes([.65, .6, .2, .2], axisbg='y')
n, bins, patches = plt.hist(s, 400, normed=1)
plt.title('Probability')
plt.xticks([])
plt.yticks([])

# this is another inset axes over the main axes
a = plt.axes([0.2, 0.6, .2, .2], axisbg='y')
plt.plot(t[:len(r)], r)
plt.title('Impulse response')
plt.xlim(0, 0.2)
plt.xticks([])
plt.yticks([])

plt.show()

本文介绍了一些常用的技巧，想了解更多Matlibplot数据可视化内容，请参考：

（1）http://python.jobbole.com/85106/
（2）http://www.cnblogs.com/vamei/archive/2013/01/30/2879700.html#commentform