AI算法工程师 | 03人工智能基础-Python科学计算和可视化（二）Matplotlib

Python 之 数据可视化模块 Matplotlib

关于 Matplotlib：Matplotlib 是 Python 的库（数据可视化库），又是开发中常用的库。 Matplotlib 的功能强大，可以很容易与Numpy、Pandas 等程序库结合在一起使用。

Matplotlib 的功能：Matplotlib 是一个 Python 的 2D 绘图库。通过 Matplotlib，开发者可以仅需要几行代码，便可生成绘图，直方图，功率谱，条形图，错误图，散点图等。

使用 Matplotlib 好处：学习 Matplotlib，可让数据可视化，更直观的真实给用户。使数据更加客观、更具有说服力。

小贴士：

• 下文中多处使用到 Numpy 模块，若对其不熟悉，可先浏览：AI算法工程师 | 03人工智能基础-Python科学计算和可视化（一）Numpy

一、Matplotlib 开发环境搭建

说明

• 如果使用的是 Anaconda Python 开发环境，那么 Matplotlib 已经被集成进 Anaconda，并不需要单独安装。（由于自己使用的是Miniconda Python 开发环境，需要单独安装 Matplotlib）
• 如果使用的是标准的 Python 开发环境，可以使用命令安装 Matplotlib，语法格式：pip install matplotlib

测试与安装

若不清楚 Python 环境是否安装了 Matplotlib，可先测试：

• Windows电脑中按键 win + R 后输入“cmd” → 在 cmd 的命令窗口输入 python →
• 进入 python 环境中后，输入 import matplotlib 并回车 →
• 若输入后提示模块没有找到“ModuleNotFoundError: No module named 'Matplotlib'”，说明未安装 Numpy；若什么都没显示，则说明已安装。
• 注：输入 exit() 可退出 python 环境。

cmd 中使用 pip 命令安装 Matplotlib：（注意该命令是在 cmd 中，而非 python 环境中）

# 安装命令（不指定版本）
pip install matplotlib

# 注意：该安装方式相对简单，但可能存在当前 Matplotlib 版本与 Python 环境不兼容情况，不适用所有
# ——（相对谨慎的做法：根据当前的 python 版本选择对应适用的 Matplotlib 版本）

安装完成后，可以测试一下 Matplotlib 是否安装成功。下面是导入 matplotlib.pyplot 模块的语句，若不出错，说明 Matplotlib 已经安装成功了。如：（该语句是在 python 环境中输入）

# Pyplot 是 Matplotlib 的子库，是常用的绘图模块，且包含一系列绘图函数的相关函数，能很方便的让用户绘制出 2D 图表。
# Pyplot 是 Matplotlib 中常使用的库，所以经常需要导入它进行使用。

# 导入 matplotlib 的子模块 pyplot，并起别名为 plt
import matplotlib.pyplot as plt 

# 扩：这是查看 matplotlib 库的版本号的命令
import matplotlib
matplotlib.__version__

图示

二、绘制基础

在使用 Matplotlib 绘制图形时，其中有两个最为常用的场景：① 画点，② 画线

pyplot 基本方法：

方法名	说明
title()	设置图表的名称
xlabel()	设置 x 轴名称
ylabel()	设置 y 轴名称
xticks(x,ticks,rotation)	设置 x 轴的刻度，rotation 旋转角度
yticks()	设置 y 轴的刻度
plot()	绘制线性图表
show()	显示图表
legend()	显示图例
text(x,y,text)	显示每条数据的值（x,y 值的位置）
figure(name,figsize=(w,h),dpi=n)	设置图片大小

1. 绘制直线

关于直线的绘制

在使用 Matplotlib 绘制线性图时，其中最简单的是绘制线图。

以后续的使用 Matplotlib 绘制一个简单的直线的代码为例，其具体实现过程为：

• ① 导入模块 pyplot，并给它指定别名 plt，以免反复输入 pyplot。在模块 pyplot 中包含很多用于生产图表的函数；
• ② 将绘制的直线坐标传递给函数 plot()；
• ③ 通过函数 plt.show() 打开 Matplotlib 查看器，显示绘制的图形。

示例 - 绘制直线

• 使用 matplotlib 根据两点绘制一条线

import matplotlib.pyplot as plt # 导入 matplotlib.pyplot 模块，并起别名为 plt

plt.plot([0,2],[1,3]) # 将(0,1)点和(2,3)连起来（plot 默认画直线图 ）
plt.show() # 展示图形

2. 绘制折线

示例 - 绘制折线

• 使用 matplotlib 绘制折线图

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
squares=[1,4,9,16,25] # 平方数序列
plt.plot(x,squares) # 将5个点连接起来:(1,1) (2,4) (3,9) (4,16) (5,25)
plt.show()

3. 设置标签文字和线条粗细

示例 - 设置样式

• 使用 matplotlib 绘制折线图并设置样式

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
squares=[1,4,9,16,25]
plt.plot(x,squares,linewidth=4) #设置线条宽度

#设置图标标题，并在坐标轴上添加标签
plt.title("数字",fontsize=18)
plt.xlabel('datas',fontsize=14)
plt.ylabel('squares',fontsize=14)

plt.show() # 展示图形

• 由上方结果可知，Matplotlib 默认情况不支持中文，简单的解决方法：在代码中添加一条语句plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签。SimHei（黑体）

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
squares=[1,4,9,16,25]
plt.plot(x,squares,linewidth=4) #设置线条宽度

#设置图标标题，并在坐标轴上添加标签
plt.title("数字",fontsize=18)
plt.xlabel('datas',fontsize=14)
plt.ylabel('squares',fontsize=14)

plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签（中文乱码问题）

plt.show() # 展示图形

4. 绘制一元二次方程的曲线 $y=x^2$

Matplotlib 有很多函数用于绘制各种图形，其中 plot 函数用于曲线，需要将 200 个点的 $x$ 坐标和 $y$ 坐标分别以序列的形式传入 plot 函数，然后调用 show 函数显示绘制的图形——一元二次方程的曲线。

示例 - 绘制曲线

• 使用 matplotlib 绘制一元二次方程曲线

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-100,100) # 200 个点的 x 坐标
y=[i*i for i in x]  # 生成 y 点的坐标：遍历x，把里面的每个元素进行平方

plt.plot(x,y)  #绘制一元二次曲线
plt.show()

• 设置完中文字符后，若坐标轴存在负数，则可能存在负号显示问题。解决方法：在代码中添加一条语句 plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-100,100) # 200 个点的 x 坐标
y=[i*i for i in x]  # 生成 y 点的坐标

plt.plot(x,y)  #绘制一元二次曲线

plt.rcParams['axes.unicode_minus'] = False # 解决中文字体下坐标轴负数的负号显示问题

plt.show()

• 调用 savefig 可将绘制后的图形保存为图片：
  ① plt.savefig('name.jpg') # 括号中内容的含义：保存图片命名为 name.jpg
  ② plt.savefig('name') # 括号中内容的含义：保存图片命名为 name.png

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-100,100) # 200 个点的 x 坐标
y=[i*i for i in x]  # 生成 y 点的坐标

plt.plot(x,y)  #绘制一元二次曲线

plt.rcParams['axes.unicode_minus'] = False # 解决中文字体下坐标轴负数的负号显示问题

# 将绘制后的图形 保存 为图片

plt.savefig('result.jpg') # 可以保存图形（在脚本所在位置可以看到图片）
# plt.savefig('result')  # 会生成 result.png

plt.show()

5. 绘制正弦曲线和余弦曲线

使用 matplotlib 根据两点绘制一条线使用 plt 函数绘制任何曲线的第一步都是生成若干个坐标点（x,y），理论上坐标点是越多越好。

示例 - 绘制正弦、余弦曲线

• 使用 matplotlib 绘制正弦曲线和余弦曲线

import matplotlib.pyplot as plt
import numpy as np

# 生成 x 的坐标（0-20 的 100 个等差数列）
x = np.linspace(0,20,100)  # linspace 用于创建一个一维数组（等差数列构成）

# 将 100 个 x 坐标值一起传入 Numpy 的 sin 和 cos 函数
sin_y = np.sin(x) 
cos_y = np.cos(x)

# 使用 plot 函数绘制正弦曲线和余弦曲线
plt.plot(x,sin_y)
plt.plot(x,cos_y)

plt.show()

• 其中，上方的使用 plot 函数绘制正弦曲线和余弦曲线，可合并成在一个plot 函数中

import matplotlib.pyplot as plt
import numpy as np

# 生成 x 的坐标（0-20 的 100 个等差数列）
x = np.linspace(0,20,100)  

# 将 100 个 x 坐标值一起传入 Numpy 的 sin 和 cos 函数
sin_y = np.sin(x) 
cos_y = np.cos(x)

# 使用 plot 函数绘制正弦曲线和余弦曲线

# 可直接plt.plot(x, sin_y)、plt.plot(x, cos_y)合写成如下语句
# 语句说明：在 plt.plot() 参数中包含两对 x,y 值，
# —— 第一对是 x,sin_y，（对应于正弦函数）；第二对是 x,cos_y，（对应于正弦函数）
plt.plot(x,sin_y,x,cos_y) 

plt.show()

• 如果感觉展示的图形太小了，可以使用 figure 调整画布大小

# figure(name,figsize=(w,h),dpi=n)  设置图片大小
# 参数说明：
# name: 设置图像编号或名称（可选）；
# figsize：设置画布的大小，单位为英寸（w：宽；h: 高）；
# dpi: 指定绘图对象的分辨率（每英寸多少个像素）,默认为80

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0,20,100) # 生成 x 的坐标
sin_y = np.sin(x)
cos_y = np.cos(x)

# 使用画布调整大小
plt.figure(figsize=(8,5), dpi=80)  # 创建一个 8 * 5 点（point）的图，并设置分辨率为 80

plt.plot(x,sin_y,x,cos_y)  # 使用 plot 函数绘制正弦曲线和余弦曲线
plt.show()

小贴士：

• 关于 Matplotlib 中 pyplot 的 figure 函数的使用，可参考： Matplotlib之Figure的使用 by樊i

• 前面的图形中，正弦曲线和余弦曲线都在同一个画布中。如果想要将它们分开展示，需要怎么做呢 ?

# subplot()函数将画布分区的使用

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0,20,100) # 生成 x 的坐标

# 将画布分为 2 行 2 列：

plt.subplot(2,2,1) # 将图画到画布的 1 区域
plt.plot(x,np.sin(x))  # 绘制正弦曲线

plt.subplot(2,2,3) # 将图画到画布的 3 区域
plt.plot(x,np.sin(x))  # 绘制余弦曲线

plt.show()

小贴士：

• 关于画布分区的详细介绍，可参考： 菜鸟教程——Matplotlib 绘制多图：subplot() 和 subplots() 方法

三、绘制散点图

使用 scatter 函数可以绘制随机点，该函数需要接收 $x$ 坐标和 $y$ 坐标的序列。

示例1 - 绘制散点图

• 使用 matplotlib 绘制 sin() 函数的散点图

import matplotlib.pyplot as plt
import numpy as np

# 画散点图
x = np.linspace(0,10,100) # 生成0到10中100个等差数
plt.scatter(x,np.sin(x))
plt.show()

• 绘制 100 种大小 100 种颜色的散点图

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(66666) # 设定随机种子（每次执行结果一样）

x=np.random.rand(100) # 生成一百个随机点（[0, 1)之间的均匀随机数）
y=np.random.rand(100)
colors=np.random.rand(100)
size=np.random.rand(100)*1000  # 乘以1000是为了让数值变大些

plt.scatter(x,y,c=colors,s=size,alpha=0.7) # alpha：透明度
plt.show()

示例2 - 绘制线

作为线性图的替代，可以通过向 plot() 函数添加格式字符串来显示离散值。

• 绘制不同种类不同颜色的线

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0,10,100) # 生成0到10中100个等差数

plt.plot(x,x+0,'-b') # 实线 蓝色
plt.plot(x,x+1,'--g') # 短横线 绿色
plt.plot(x,x+2,'-.y') # 点划线 黄色
plt.plot(x,x+3,':c') # 虚线 青色
plt.plot(x,x+4,'dr') # 窄菱形标记 红色
plt.plot(x,x+5,'o') # 圆标记 默认蓝色
plt.plot(x,x+6,'x') # 叉叉 默认橙色

plt.show()

• 上图中虽然绘制出了不同颜色的线，可是却不知其所代表的的内容。该如何改进呢？这时图例就站出来了！

import matplotlib.pyplot as plt
import numpy as np

# 不同种类不同颜色的线并添加图例

x = np.linspace(0,10,100) # 生成0到10中100个等差数

plt.plot(x,x+0,'-b',label='-b') # 实线 蓝色
plt.plot(x,x+1,'--g',label='--g') # 短横线 绿色
plt.plot(x,x+2,'-.y',label='-.y') # 点划线 黄色
plt.plot(x,x+3,':c',label=':c') # 虚线 青色
plt.plot(x,x+4,'dr',label='dr') # 窄菱形标记 红色
plt.plot(x,x+5,'o',label='o') # 圆标记 默认蓝色
plt.plot(x,x+6,'x',label='x') # 叉叉 默认橙色

# 添加图例(右下角lower right  左上角upper left) 边框  透明度  阴影  边框宽度
plt.legend(loc='lower right',fancybox=True,framealpha=1,shadow=True,borderpad=0.4)
plt.show()

补充 - 可以使用的 格式化字符、颜色的缩写：

四、绘制柱状图

关于柱状图的绘制

使用 pyplot 中的 bar 函数可以绘制柱状图

• 柱状图需要水平的 $x$ 坐标值，以及每一个 $x$ 坐标值对应的 $y$ 坐标值，从而形成柱状的图；
• 柱状图主要用来：纵向对比（如：pyplot.bar(x,y) # 竖直柱状图 ）、横向对比（如：pyplot.barh(x,y) # 水平柱状图）。

语法格式：

# bar() 方法绘制柱形图
matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)

"""
参数说明：
· x：柱形图的 x 轴数据
· height：柱形图的高度
· width：柱形图的宽度（默认 0.8）
· bottom：y 坐标（默认 0）
· align：柱形图与 x 坐标的对齐方式
		① 'center' 以 x 位置为中心（默认值）；
		② 'edge'：将柱形图的左边缘与 x 位置对齐；
		③ 若要对齐右边缘的条形：可传递负数的宽度值及 align='edge'。
· **kwargs：其他参数
"""

示例1 - 绘制柱状图

• 使用 bar() 绘制柱状图

import matplotlib.pyplot as plt # 导入模块
import numpy as np

x = [1980,1985,1990,1995]
y = [1000,3000,4000,5000]

plt.bar(x,y) # 绘制柱状图

plt.show() # 展示图形

• 上方通过几行代码，一个简单的柱形图就绘制成了。但看起来有些简陋，各坐标轴对应含义及图形要表达的内容均不知，此时可以给它润润色，让绘制的图看起来更丰富、直观些。

import matplotlib.pyplot as plt # 导入模块
import numpy as np

# 数据
x = [1980,1985,1990,1995]
x_labels=['1980年','1985年','1990年','1995年']
y = [1000,3000,4000,5000]

# 绘制柱状图
plt.bar(x,y) 

# 润色（标签、名称、标题）
plt.xticks(x,x_labels) # 设置x轴替换标签
plt.xlabel('年份') # 显示 x 轴名称
plt.ylabel('销量')  # 显示 y 轴名称
plt.title('根据年份销量对比图') # 图的标题

# 将全局的字体设置为黑体 （使中文正常显示）
plt.rcParams['font.sans-serif']=['SimHei']  

plt.show()

• 还可以设置柱的宽度，更换颜色等

import matplotlib.pyplot as plt # 导入模块
import numpy as np

# 数据
x = [1980,1985,1990,1995]
x_labels=['1980年','1985年','1990年','1995年']
y = [1000,3000,4000,5000]

# 绘制柱状图（设置柱的宽度、颜色）
plt.bar(x,y,width=2,color="red") # 颜色也可用缩写，如：红色 color="r"

# 润色（标签、名称、标题）
plt.xticks(x,x_labels) # 设置x轴替换标签
plt.xlabel('年份') # 显示 x 轴名称
plt.ylabel('销量')  # 显示 y 轴名称
plt.title('根据年份销量对比图') # 图的标题

# 将全局的字体设置为黑体 （使中文正常显示）
plt.rcParams['font.sans-serif']=['SimHei']  
plt.show()

示例2 - 绘制水平柱状图

• 使用 barh() 绘制水平的柱形图

import matplotlib.pyplot as plt # 导入模块
import numpy as np

x = [1980,1985,1990,1995]
x_labels=['1980年','1985年','1990年','1995年']
y = [1000,3000,4000,5000]

plt.barh(x,y) # 水平的柱子

plt.yticks(x,x_labels) # 设置y轴替换标签
plt.ylabel('年份')  # 显示 y 轴名称
plt.xlabel('销量') # 显示 x 轴名称
plt.title('根据年份销量对比图') # 图的标题

plt.rcParams['font.sans-serif']=['SimHei']  # 将全局的字体设置为黑体 （使中文正常显示）
plt.show()

• 注意：设置柱形图的宽度，barh() 中设置的是参数 height，而非 width

import matplotlib.pyplot as plt # 导入模块
import numpy as np

x = [1980,1985,1990,1995]
x_labels=['1980年','1985年','1990年','1995年']
y = [1000,3000,4000,5000]

plt.barh(x,y,height=2) # 水平的柱子，通过 hight 设置柱子的“宽度”

plt.yticks(x,x_labels) # 设置y轴替换标签
plt.ylabel('年份')  # 显示 y 轴名称
plt.xlabel('销量') # 显示 x 轴名称
plt.title('根据年份销量对比图') # 图的标题

plt.rcParams['font.sans-serif']=['SimHei']  # 将全局的字体设置为黑体 （使中文正常显示）
plt.show()

• 使用 bar() 和 barh() 绘制柱状图，并通过 subplot() 函数使画布分区展示

import matplotlib.pyplot as plt # 导入模块
import numpy as np

# 数据
np.random.seed(6)
x=np.arange(5)
y=np.random.randint(-5,5,5)
print(x,y)

# 左侧绘竖直柱状图
plt.subplot(1,2,1) # 将画布分隔成 一行两列，在左侧画（第一列画）
v_bar=plt.bar(x,y) # 在第一列中画图
plt.axhline(0,color='blue',linewidth=2) # 在第一列的画布中 0位置画一条蓝线

# 右侧绘水平柱状图
plt.subplot(1,2,2) # 在右侧画（第二列画）
h_bar=plt.barh(x,y,color='red') # barh 将y和x轴对换 竖着方向为 x 轴
plt.axvline(0,color='red',linewidth=2) # 在第二列的画布中0位置处画红色的线

示例3 - 综合

• 绘制上映三天的四部影片的单日票房变化

import matplotlib.pyplot as plt # 导入模块
import numpy as np

# 数据
names=['唐人街探案3','捉妖记2','中国机长','你好，李焕英']
y_num1=[10.11,8.18,7.5]
y_num2=[5.47,3.73,2.85]
y_num3=[2.09,2.61,2.87]
y_num4=[2.91,3.02,4.56]

# 生成 x  第1天   第2天   第3天
x=np.arange(len(y_num1)) # 求有多少天，并生成一个序列
print(x)
x_label=['第{}天'.format(i+1) for i in range(len(y_num1))] # 遍历
print(x_label)

# 绘制柱状图

plt.figure(figsize=[8,6], dpi=80)  # 设置图形大小

width=0.2 # 设置单个柱状图宽度
plt.bar(x,y_num1,color='#ff7f50',width=width,label=names[0])
plt.bar([i+width for i in x],y_num2,color='#87cefa',width=width,label=names[1])
plt.bar([i+2*width for i in x],y_num3,color='#DA70D6',width=width,label=names[2])
plt.bar([i+3*width for i in x],y_num4,color='#32CD32',width=width,label=names[3])

# 将全局的字体设置为黑体
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

# 设置 x轴、y轴
plt.xticks([i+(3*width)/2 for i in x],x_label)# index+3*width/2 使得标签居中显示
plt.xlabel('上映天数', size=12) # 显示 x 轴名称
plt.ylabel('票房数（单位：亿）', size=12)  # 显示 y 轴名称

# 设置图例及标题属性
plt.legend() # 添加图例（默认右上角）
plt.title('上映3天的影片单日票房数', size=16) # 添加标题

plt.savefig('票房对比.jpg') # 保存图形（在脚本所在位置可以看到图片）
plt.show()  # 展示图形

代码参考：Python绘制并列柱状图
数据来源：https://ys.endata.cn/BoxOffice/Ranking

说明 - 关于bar 函数中的 width 参数

需要注意的是 bar 函数的宽度并不是像素宽度！

• bar 函数会根据二维坐标系的尺寸，以及 x 坐标值的多少，自动确定每一个柱的宽度，而 width 指定的宽度就是这个标准柱宽度的倍数；
• 该参数值可以是浮点数，如 0.5，表示柱的宽度是标准宽度的 0.5 倍。

示例：感受同一 width 值带来的不同宽度

小贴士：

• 设置柱形图的宽度：① bar 函数使用 width 设置；② barh 函数使用 height 设置 height
• bar 函数中的 width：其宽度并不是像素宽度，width 指定的宽度是通过计算得到的标准柱宽度的倍数。（同样的，barh 函数中的 height 也是如此）

五、绘制饼状图

pie 函数可以绘制饼状图，饼图主要是用来呈现比例的。只要传入比例数据即可。

示例 - 绘制饼状图

• 绘制简单的饼状图

import matplotlib.pyplot as plt # 导入模块
import numpy as np

nums = np.array([12, 22, 6, 18]) 
plt.pie(nums) # 传入数据，绘制饼图
plt.show()

• 饼状图之男女比例占比

import matplotlib.pyplot as plt # 导入模块

# 数据(男、女人数及比例)
man = 88888
woman =  66666
man_perc = man/(man+woman)
woman_perc = woman/(man+woman)

labels = ['男','女'] # 标签
colors = ['blue','red'] # 颜色

# 设置字体（用来正常显示中文标签）
plt.rcParams['font.sans-serif']=['SimHei']

# 绘制饼状图

# labels：标签名称 colors：颜色，explode：分裂程度  autopct：显示百分比
paches,texts,autotexts = plt.pie([man_perc,woman_perc],labels=labels,
                                 colors=colors,explode=(0,0.1),autopct='%0.1f%%')

for text in autotexts: # 遍历，设置饼状图中的字体颜色
    text.set_color('white')
    
for text in texts+autotexts: # 设置字体大小
    text.set_fontsize(18)

plt.show() # 展示图形

六、绘制直方图

直方图与柱状图都是由若干个柱组成，其分格类似，但含义不同：

• 直方图：用来观察分布状态（关注的是分布，并不关心具体的某个值）
• 柱状图：用来看每一个 $x$ 坐标对应的 $y$ 的值（关心的是具体的某个值）

使用 hist 函数可绘制直方图（Histogram）。

示例 - 绘制直方图

• 使用 hist() 绘制直方图

import matplotlib.pyplot as plt # 导入模块
import numpy as np

x = np.random.randn(1000) # 生成1000个值（标准正态分布）
plt.hist(x) # 绘制直方图（1000个值 会按照 x 轴分割，分成10个组，每组求平均值）

• 若是想让直方图的柱数更多，可通过参数 bins 实现

import matplotlib.pyplot as plt # 导入模块
import numpy as np

x = np.random.randn(1000) # 生成1000个值（标准正态分布）
# plt.hist(x)  # （1000个值 会按照 x 轴分割，分成10个组，每组求平均值）
plt.hist(x, bins=100) # 装箱（bins 柱数，默认10，此处设置100：分成100份，使每个柱看起来更平滑）

• 同一画布绘制三个直方图

import matplotlib.pyplot as plt # 导入模块
import numpy as np

# normal：正太分布 （第一个参数 loc：期望）（第二个 scale：方差） （第三个 size 形状）
x1=np.random.normal(0,0.8,1000)
x2=np.random.normal(-2,1,1000)
x3=np.random.normal(3,2,1000)

# 参数 bins：装箱，alpha：透明度
kwargs=dict(bins=100,alpha=0.4) # 设置字典

plt.hist(x1,**kwargs) # **kwargs：以字典的形式传参 
plt.hist(x2,**kwargs)
plt.hist(x3,**kwargs)

小贴士：

• 由于使用的 Jupyter Notebook 编写的代码，所以最后省略 plt.show() 这一步也可展示图形。
• 当然，若是无法显示图形，可在代码开头写上 %matplotlib inline ，其功能为：可以内嵌绘图。 （注意：该语句对其他工具，如 pycharm 不适用）

七、绘制等高线图

等高线图实际上是个三维图形，有 $x,y,z$ 轴。而呈现的是俯视效果，即：将三维映射到二维中画图。

示例 - 绘制等高线图

• 使用 matplotlib 绘制等高线图

import matplotlib.pyplot as plt # 导入模块
import numpy as np

# 生成数据
x = np.linspace(-10,10,100) # 等份切分，根据 linspace 找到100个点
y = np.linspace(-10,10,100)

X,Y = np.meshgrid(x,y) # 计算 x 和 y 的相交点 a（网格线）
print(X.shape,Y.shape) # 查看 X 和 Y 的形状

Z = np.sqrt(X**2+Y**2) # 计算 Z 的坐标
print(Z.shape) # 查看 Z 的形状

# 画等高线图
plt.contourf(X,Y,Z) 

# 图形中：颜色越深表示值越小，中间的黑色表示 z=0

• 通过 contour 可绘制不填充颜色的等高线图

# 使用的是上方的数据
plt.contour(X,Y,Z) # 画等高线图，但不填充颜色

八、绘制三维图

使用 pyplot 包和 Matplotlib 绘制三维图。

示例 - 绘制三维图

• 使用 Matplotlib 绘制三维图

import matplotlib.pyplot as plt # 导入模块
from mpl_toolkits.mplot3d import Axes3D # 导入 3D 包

# 创建 X、Y、Z 坐标
X=[1,1,2,2]
Y=[3,4,4,3]
Z=[1,100,1,1]

fig = plt.figure() # 创建画布
ax = Axes3D(fig) # 创建了一个 Axes3D 的子图放到 figure 画布里
ax.plot_trisurf(X, Y, Z) # 绘制3D曲面

plt.show()

• 上方的代码虽然展示出来了图形，但出现了警告，优化如下：

import matplotlib.pyplot as plt # 导入模块
from mpl_toolkits.mplot3d import Axes3D # 导入 3D 包

# 创建 X、Y、Z 坐标
X=[1,1,2,2]
Y=[3,4,4,3]
Z=[1,100,1,1]

fig = plt.figure() # 创建画布

# ax = Axes3D(fig) # 创建了一个 Axes3D 的子图放到 figure 画布里
ax = Axes3D(fig,auto_add_to_figure=False)
fig.add_axes(ax)

ax.plot_trisurf(X, Y, Z) # 绘制3D曲面
plt.show()

---

—— 说明：本文内容基于python3，使用工具 Jupyter Notebook 编写的代码
（本文写于 2022.7.24 ~ 7.30）