Python--matplotlib绘图可视化

转载自:Segment Fault


本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找。

强烈推荐ipython
无论你工作在什么项目上,IPython都是值得推荐的。利用ipython --pylab,可以进入PyLab模式,已经导入了matplotlib库与相关软件包(例如Numpy和Scipy),额可以直接使用相关库的功能。

这样IPython配置为使用你所指定的matplotlib GUI后端(TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言,默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。

参考

  • matplotlib-绘制精美的图表

  • matplotlib.pyplot.plt参数介绍

[python] view plain copy print ?
  1. import matplotlib.pyplot as plt  
  2. labels=’frogs’,‘hogs’,‘dogs’,‘logs’  
  3. sizes=15,20,45,10  
  4. colors=’yellowgreen’,‘gold’,‘lightskyblue’,‘lightcoral’  
  5. explode=0,0.1,0,0  
  6. plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct=’%1.1f%%’,shadow=True,startangle=50)  
  7. plt.axis(’equal’)  
  8. plt.show()  
import matplotlib.pyplot as plt
labels='frogs','hogs','dogs','logs'
sizes=15,20,45,10
colors='yellowgreen','gold','lightskyblue','lightcoral'
explode=0,0.1,0,0
plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)
plt.axis('equal')
plt.show()


matplotlib图标正常显示中文

为了在图表中能够显示中文和负号等,需要下面一段设置:

[python] view plain copy print ?
  1. import matplotlib mpl  
  2. mpl.rcParams[’font.sans-serif’]=[‘SimHei’#用来正常显示中文标签  
  3. mpl.rcParams[’axes.unicode_minus’]=False #用来正常显示负号  
import matplotlib mpl
mpl.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
mpl.rcParams['axes.unicode_minus']=False #用来正常显示负号


matplotlib inline和pylab inline

可以使用ipython --pylab打开ipython命名窗口。

[plain] view plain copy print ?
  1. %matplotlib inline #notebook模式下  
  2. %pylab inline #ipython模式下  
%matplotlib inline #notebook模式下
%pylab inline #ipython模式下


这两个命令都可以在绘图时,将图片内嵌在交互窗口,而不是弹出一个图片窗口,但是,有一个缺陷:除非将代码一次执行,否则,无法叠加绘图,因为在这两种模式下,是要有plt出现,图片会立马show出来,因此:

推荐在ipython notebook时使用,这样就能很方便的一次编辑完代码,绘图。


为项目设置matplotlib参数

在代码执行过程中,有两种方式更改参数:

  • 使用参数字典(rcParams)

  • 调用matplotlib.rc()命令 通过传入关键字元祖,修改参数

如果不想每次使用matplotlib时都在代码部分进行配置,可以修改matplotlib的文件参数。可以用matplot.get_config()命令来找到当前用户的配置文件目录。

配置文件包括以下配置项:

axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集(font family)、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条(颜色、线型、宽度等)和标记
patch: 是填充2D空间的图形对象,如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 可以对保存的图形进行单独设置。例如,设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出,如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向,以及标签大小。


线条相关属性标记设置

用来该表线条的属性

线条风格linestyle或ls 描述 线条风格linestyle或ls 描述
‘-‘ 实线 ‘:’ 虚线
‘–’ 破折线 ‘None’,’ ‘,” 什么都不画
‘-.’ 点划线

线条标记

标记maker 描述 标记 描述
‘o’ 圆圈 ‘.’
‘D’ 菱形 ’s’ 正方形
‘h’ 六边形1 ‘*’ 星号
‘H’ 六边形2 ‘d’ 小菱形
‘_’ 水平线 ‘v’ 一角朝下的三角形
‘8’ 八边形 ‘<’ 一角朝左的三角形
‘p’ 五边形 ‘>’ 一角朝右的三角形
‘,’ 像素 ‘^’ 一角朝上的三角形
‘+’ 加号 ‘\ 竖线
‘None’,”,’ ‘ ‘x’ X

颜色

可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。

别名 颜色 别名 颜色
b 蓝色 g 绿色
r 红色 y 黄色
c 青色 k 黑色
m 洋红色 w 白色

如果这两种颜色不够用,还可以通过两种其他方式来定义颜色值:

  • 使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字(’red’,’chartreuse’等)。

  • 也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

很多方法可以介绍颜色参数,如title()。

[python] view plain copy print ?
  1. plt.tilte(‘Title in a custom color’,color=‘#123456’)  
plt.tilte('Title in a custom color',color='#123456')


背景色

通过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数,可以指定坐标这的背景色。

[python] view plain copy print ?
  1. subplot(111,axisbg=(0.1843,0.3098,0.3098)  
subplot(111,axisbg=(0.1843,0.3098,0.3098)


基础

如果你向plot()指令提供了一维的数组或列表,那么matplotlib将默认它是一系列的y值,并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度,因此x的数据是[0,1,2,3].

图片来自:绘图: matplotlib核心剖析


确定坐标范围

  • plt.axis([xmin, xmax, ymin, ymax])
    上面例子里的axis()命令给定了坐标范围。

  • xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围

[python] view plain copy print ?
  1. %matplotlib inline  
  2. import numpy as np  
  3. import matplotlib.pyplot as plt  
  4. from pylab import *  
  5. x = np.arange(-5.05.00.02)  
  6. y1 = np.sin(x)  
  7. plt.figure(1)  
  8. plt.subplot(211)  
  9. plt.plot(x, y1)  
  10. plt.subplot(212)  
  11. #设置x轴范围  
  12. xlim(-2.52.5)  
  13. #设置y轴范围  
  14. ylim(-11)  
  15. plt.plot(x, y1)  
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x = np.arange(-5.0, 5.0, 0.02)
y1 = np.sin(x)
plt.figure(1)
plt.subplot(211)
plt.plot(x, y1)
plt.subplot(212)




#设置x轴范围 xlim(-2.5, 2.5) #设置y轴范围 ylim(-1, 1) plt.plot(x, y1)


叠加图

用一条指令画多条不同格式的线。

[python] view plain copy print ?
  1. import numpy as np  
  2. import matplotlib.pyplot as plt  
  3. # evenly sampled time at 200ms intervals  
  4. t = np.arange(0.5.0.2)  
  5. # red dashes, blue squares and green triangles  
  6. plt.plot(t, t, ’r–’, t, t**2‘bs’, t, t**3‘g^’)  
  7. plt.show()  
import numpy as np
import matplotlib.pyplot as plt




# evenly sampled time at 200ms intervals t = np.arange(0., 5., 0.2) # red dashes, blue squares and green triangles plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^') plt.show()


plt.figure()

你可以多次使用figure命令来产生多个图,其中,图片号按顺序增加。这里,要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常,你并不需要考虑这些事,下面的这个例子为大家演示这一细节。

[python] view plain copy print ?
  1. import matplotlib.pyplot as plt  
  2. plt.figure(1# 第一张图  
  3. plt.subplot(211# 第一张图中的第一张子图  
  4. plt.plot([1,2,3])  
  5. plt.subplot(212# 第一张图中的第二张子图  
  6. plt.plot([4,5,6])  
  7. plt.figure(2# 第二张图  
  8. plt.plot([4,5,6]) # 默认创建子图subplot(111)  
  9. plt.figure(1# 切换到figure 1 ; 子图subplot(212)仍旧是当前图  
  10. plt.subplot(211# 令子图subplot(211)成为figure1的当前图  
  11. plt.title(’Easy as 1,2,3’# 添加subplot 211 的标题  
import matplotlib.pyplot as plt
plt.figure(1) # 第一张图
plt.subplot(211) # 第一张图中的第一张子图
plt.plot([1,2,3])
plt.subplot(212) # 第一张图中的第二张子图
plt.plot([4,5,6])
plt.figure(2) # 第二张图
plt.plot([4,5,6]) # 默认创建子图subplot(111)
plt.figure(1) # 切换到figure 1 ; 子图subplot(212)仍旧是当前图
plt.subplot(211) # 令子图subplot(211)成为figure1的当前图
plt.title('Easy as 1,2,3') # 添加subplot 211 的标题


figure感觉就是给图像ID,之后可以索引定位到它。


plt.text()添加文字说明

  • text()可以在图中的任意位置添加文字,并支持LaTex语法

  • xlable(), ylable()用于添加x轴和y轴标签

  • title()用于添加图的题目

[python] view plain copy print ?
  1. import numpy as np  
  2. import matplotlib.pyplot as plt  
  3. mu, sigma = 10015  
  4. x = mu + sigma * np.random.randn(10000)  
  5. # 数据的直方图  
  6. n, bins, patches = plt.hist(x, 50, normed=1, facecolor=‘g’, alpha=0.75)  
  7. plt.xlabel(’Smarts’)  
  8. plt.ylabel(’Probability’)  
  9. #添加标题  
  10. plt.title(’Histogram of IQ’)  
  11. #添加文字  
  12. plt.text(60, .025, r μ=100,&nbsp;σ=15  μ = 100 , & n b s p ; σ = 15 )  
  13. plt.axis([4016000.03])  
  14. plt.grid(True)  
  15. plt.show()  
import numpy as np
import matplotlib.pyplot as plt
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)




# 数据的直方图 n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75) plt.xlabel('Smarts') plt.ylabel('Probability') #添加标题 plt.title('Histogram of IQ') #添加文字 plt.text(60, .025, r' μ=100, σ=15  μ = 100 ,   σ = 15 ') plt.axis([40, 160, 0, 0.03]) plt.grid(True) plt.show()


text中前两个参数感觉应该是文本出现的坐标位置。


plt.annotate()文本注释

在数据可视化的过程中,图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时,要考虑两个点的坐标:被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。1

[python] view plain copy print ?
  1. import numpy as np  
  2. import matplotlib.pyplot as plt  
  3. ax = plt.subplot(111)  
  4. t = np.arange(0.05.00.01)  
  5. s = np.cos(2*np.pi*t)  
  6. line, = plt.plot(t, s, lw=2)  
  7. plt.annotate(’local max’, xy=(21), xytext=(31.5),  
  8. arrowprops=dict(facecolor=’black’, shrink=0.05),  
  9. )  
  10. plt.ylim(-2,2)  
  11. plt.show()  
import numpy as np
import matplotlib.pyplot as plt
ax = plt.subplot(111)
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='black', shrink=0.05),
)
plt.ylim(-2,2)
plt.show()



plt.xticks()/plt.yticks()设置轴记号

现在是明白干嘛用的了,就是人为设置坐标轴的刻度显示的值。

[python] view plain copy print ?
  1. # 导入 matplotlib 的所有内容(nympy 可以用 np 这个名字来使用)  
  2. from pylab import *  
  3. # 创建一个 8 * 6 点(point)的图,并设置分辨率为 80  
  4. figure(figsize=(8,6), dpi=80)  
  5. # 创建一个新的 1 * 1 的子图,接下来的图样绘制在其中的第 1 块(也是唯一的一块)  
  6. subplot(1,1,1)  
  7. X = np.linspace(-np.pi, np.pi, 256,endpoint=True)  
  8. C,S = np.cos(X), np.sin(X)  
  9. # 绘制余弦曲线,使用蓝色的、连续的、宽度为 1 (像素)的线条  
  10. plot(X, C, color=”blue”, linewidth=1.0, linestyle=“-“)  
  11. # 绘制正弦曲线,使用绿色的、连续的、宽度为 1 (像素)的线条  
  12. plot(X, S, color=”r”, lw=4.0, linestyle=“-“)  
  13. plt.axis([-4,4,-1.2,1.2])  
  14. # 设置轴记号  
  15. xticks([-np.pi, -np.pi/20, np.pi/2, np.pi],  
  16. [r π  − π , r π/2  − π / 2 , r 0  0 , r+π/2  + π / 2 , r +π  + π ])  
  17. yticks([-10, +1],  
  18. [r 1  − 1 , r 0  0 , r+1  + 1 ])  
  19. # 在屏幕上显示  
  20. show()  
# 导入 matplotlib 的所有内容(nympy 可以用 np 这个名字来使用)
from pylab import *




# 创建一个 8 * 6 点(point)的图,并设置分辨率为 80 figure(figsize=(8,6), dpi=80) # 创建一个新的 1 * 1 的子图,接下来的图样绘制在其中的第 1 块(也是唯一的一块) subplot(1,1,1) X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) # 绘制余弦曲线,使用蓝色的、连续的、宽度为 1 (像素)的线条 plot(X, C, color="blue", linewidth=1.0, linestyle="-") # 绘制正弦曲线,使用绿色的、连续的、宽度为 1 (像素)的线条 plot(X, S, color="r", lw=4.0, linestyle="-") plt.axis([-4,4,-1.2,1.2]) # 设置轴记号 xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r' π  − π ', r' π/2  − π / 2 ', r' 0  0 ', r'+π/2  + π / 2 ', r' +π  + π ']) yticks([-1, 0, +1], [r' 1  − 1 ', r' 0  0 ', r'+1  + 1 ']) # 在屏幕上显示 show()


当我们设置记号的时候,我们可以同时设置记号的标签。注意这里使用了 LaTeX。2


移动脊柱 坐标系

[python] view plain copy print ?
  1. ax = gca()  
  2. ax.spines[’right’].set_color(‘none’)  
  3. ax.spines[’top’].set_color(‘none’)  
  4. ax.xaxis.set_ticks_position(’bottom’)  
  5. ax.spines[’bottom’].set_position((‘data’,0))  
  6. ax.yaxis.set_ticks_position(’left’)  
  7. ax.spines[’left’].set_position((‘data’,0))  
ax = gca()
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))


这个地方确实没看懂,囧,以后再说吧,感觉就是移动了坐标轴的位置。


plt.legend()添加图例

[python] view plain copy print ?
  1. plot(X, C, color=“blue”, linewidth=2.5, linestyle=“-“, label=“cosine”)  
  2. plot(X, S, color=”red”, linewidth=2.5, linestyle=“-“, label=“sine”)  
  3. legend(loc=’upper left’)  
plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")
plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")
legend(loc='upper left')



matplotlib.pyplot

使用plt.style.use('ggplot')命令,可以作出ggplot风格的图片。

[python] view plain copy print ?
  1. # Import necessary packages  
  2. import pandas as pd  
  3. %matplotlib inline  
  4. import matplotlib.pyplot as plt  
  5. plt.style.use(’ggplot’)  
  6. from sklearn import datasets  
  7. from sklearn import linear_model  
  8. import numpy as np  
  9. # Load data  
  10. boston = datasets.load_boston()  
  11. yb = boston.target.reshape(-11)  
  12. Xb = boston[’data’][:,5].reshape(-11)  
  13. # Plot data  
  14. plt.scatter(Xb,yb)  
  15. plt.ylabel(’value of house /1000 ($)’)  
  16. plt.xlabel(’number of rooms’)  
  17. # Create linear regression object  
  18. regr = linear_model.LinearRegression()  
  19. # Train the model using the training sets  
  20. regr.fit( Xb, yb)  
  21. # Plot outputs  
  22. plt.scatter(Xb, yb, color=’black’)  
  23. plt.plot(Xb, regr.predict(Xb), color=’blue’,  
  24. linewidth=3)  
  25. plt.show()  
# Import necessary packages
import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('ggplot')
from sklearn import datasets
from sklearn import linear_model
import numpy as np




# Load data boston = datasets.load_boston() yb = boston.target.reshape(-1, 1) Xb = boston['data'][:,5].reshape(-1, 1) # Plot data plt.scatter(Xb,yb) plt.ylabel('value of house /1000 ($)') plt.xlabel('number of rooms') # Create linear regression object regr = linear_model.LinearRegression() # Train the model using the training sets regr.fit( Xb, yb) # Plot outputs plt.scatter(Xb, yb, color='black') plt.plot(Xb, regr.predict(Xb), color='blue', linewidth=3) plt.show()


给特殊点做注释

好吧,又是注释,多个例子参考一下!

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先,我们在对应的函数图像位置上画一个点;然后,向横轴引一条垂线,以虚线标记;最后,写上标签。

[python] view plain copy print ?
  1. t = 2*np.pi/3  
  2. # 作一条垂直于x轴的线段,由数学知识可知,横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。  
  3. plot([t,t],[0,np.cos(t)], color =‘blue’, linewidth=2.5, linestyle=“–”)  
  4. scatter([t,],[np.cos(t),], 50, color =‘blue’)  
  5. annotate(r sin(2π3 )=3   2   sin ⁡ ( 2 π 3 ) = 3 2 ,  
  6. xy=(t, np.sin(t)), xycoords=’data’,  
  7. xytext=(+10, +30), textcoords=‘offset points’, fontsize=16,  
  8. arrowprops=dict(arrowstyle=”->”, connectionstyle=“arc3,rad=.2”))  
  9. plot([t,t],[0,np.sin(t)], color =‘red’, linewidth=2.5, linestyle=“–”)  
  10. scatter([t,],[np.sin(t),], 50, color =‘red’)  
  11. annotate(r cos(2π3 )=12   cos ⁡ ( 2 π 3 ) = − 1 2 ,  
  12. xy=(t, np.cos(t)), xycoords=’data’,  
  13. xytext=(-90, -50), textcoords=‘offset points’, fontsize=16,  
  14. arrowprops=dict(arrowstyle=”->”, connectionstyle=“arc3,rad=.2”))  
t = 2*np.pi/3




# 作一条垂直于x轴的线段,由数学知识可知,横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。 plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--") scatter([t,],[np.cos(t),], 50, color ='blue') annotate(r' sin(2π3 )=3   2   sin ⁡ ( 2 π 3 ) = 3 2 ', xy=(t, np.sin(t)), xycoords='data', xytext=(+10, +30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--") scatter([t,],[np.sin(t),], 50, color ='red') annotate(r' cos(2π3 )=12   cos ⁡ ( 2 π 3 ) = − 1 2 ', xy=(t, np.cos(t)), xycoords='data', xytext=(-90, -50), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))


plt.subplot()

plt.subplot(2,3,1)表示把图标分割成2*3的网格。也可以简写plt.subplot(231)。其中,第一个参数是行数,第二个参数是列数,第三个参数表示图形的标号。


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34

plt.axes-官方文档

  • axes() by itself creates a default full subplot(111) window axis.

  • axes(rect, axisbg=’w’) where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.

  • axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写,这里的数值都是以figure大小为比例,因此,若是要两个axes并排显示,那么axes[2]的左=axes[1].左+axes[1].宽,这样axes[2]才不会和axes[1]重叠。

show code:

[python] view plain copy print ?
  1. http://matplotlib.org/examples/pylab_examples/axes_demo.html  
  2. import matplotlib.pyplot as plt  
  3. import numpy as np  
  4. # 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()  
  5. dt = 0.001  
  6. t = np.arange(0.010.0, dt)  
  7. r = np.exp(-t[:1000]/0.05# impulse response  
  8. x = np.random.randn(len(t))  
  9. s = np.convolve(x, r)[:len(x)]*dt # colored noise  
  10. # the main axes is subplot(111) by default  
  11. plt.plot(t, s)  
  12. plt.axis([011.1*np.amin(s), 2*np.amax(s)])  
  13. plt.xlabel(’time (s)’)  
  14. plt.ylabel(’current (nA)’)  
  15. plt.title(’Gaussian colored noise’)  
  16. # this is an inset axes over the main axes  
  17. a = plt.axes([.65, .6, .2, .2], axisbg=‘y’)  
  18. n, bins, patches = plt.hist(s, 400, normed=1)  
  19. plt.title(’Probability’)  
  20. plt.xticks([])  
  21. plt.yticks([])  
  22. # this is another inset axes over the main axes  
  23. a = plt.axes([0.20.6, .2, .2], axisbg=‘y’)  
  24. plt.plot(t[:len(r)], r)  
  25. plt.title(’Impulse response’)  
  26. plt.xlim(00.2)  
  27. plt.xticks([])  
  28. plt.yticks([])  
  29. plt.show()  
http://matplotlib.org/examples/pylab_examples/axes_demo.html
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() 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()


pyplot.pie参数

  • matplotlib.pyplot.pie

colors颜色

找出matpltlib.pyplot.plot中的colors可以取哪些值?

  • so-Named colors in matplotlib

  • CSDN-matplotlib学习之(四)设置线条颜色、形状

[python] view plain copy print ?
  1. for name,hex in matplotlib.colors.cnames.iteritems():  
  2.   print name,hex  
for name,hex in matplotlib.colors.cnames.iteritems():
  print name,hex


打印颜色值和对应的RGB值。

  • plt.axis('equal')避免比例压缩为椭圆

autopct

  • How do I use matplotlib autopct?

autopct enables you to display the percent value using Python string formatting. For example, if autopct='%.2f', then for each pie wedge, the format string is '%.2f' and the numerical percent value for that wedge is pct, so the wedge label is set to the string '%.2f'%pct.


  1. DataHub-Python 数据可视化入门1↩
  2. Matplotlib 教程↩
  3. 绘图: matplotlib核心剖析↩
  4. python如何调整子图的大小?↩

延伸阅读:Matplotlib绘图双纵坐标轴设置及控制设置时间格式 


        

你可能感兴趣的:(python)