matplotlib绘制函数图像

matplotlib绘制函数图像

  • 一.函数曲线
  • 二.饼图
  • 三.二维条形直方图
  • 四.箱线图
  • 五.对数曲线图

一.函数曲线

y = sin ⁡ x + 1 y = cos ⁡ x 2 + 1 y=\sin x+1 \\ y=\cos x^2+1 y=sinx+1y=cosx2+1

# coding=gbk
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']#用来正常显示中文标签
x=np.linspace(0,10,1000)
y=np.sin(x)+1
z=np.cos(x**2)+1
plt.figure(figsize=(8,4))#设置图像大小
plt.plot(x,z,label='$\sin x +1$',color='red',linewidth=2)
plt.plot(x,y,"b--",label='$\cos x^2 +1$')#"b--"表示在原图的基础添加图形
plt.xlabel("时间(s)")#X轴标题
plt.ylabel('Volt')#Y轴标题
plt.title("A Simple Example")#添加主标题
plt.ylim(0,2.2)#显示y轴范围
plt.legend()#显示图例
plt.grid()#添加网格
plt.show()#显示作图结果
plt.rcParams['axes.unicods_minus']=False#解决保存图像负号无法显示的问

matplotlib绘制函数图像_第1张图片

二.饼图

# coding=gbk
import matplotlib.pyplot as plt
labels='A','B','C','D'#定义标签
sizes=[15,20,25,40]#每一块的比例
colors=['yellowgreen','gold','lightskyblue','lightcoral']#每一块的颜色
explode=(0,0.1,0,0)#突出显示第二部分
plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=90)
plt.axis("equal")#设置为圆,防治压缩为椭圆
plt.show()

matplotlib绘制函数图像_第2张图片

三.二维条形直方图

绘制二维条形直方图,随机产生1000个服从正态分布的数组,分成10组绘制直方图

# coding=gbk
import matplotlib.pyplot as plot
import numpy as np
x=np.random.randn(1000)#1000个服从正态分布的随机数
plot.hist(x,10)
plot.show()

matplotlib绘制函数图像_第3张图片

四.箱线图

样本由两组正态分布的随机数据组成,其中一组数据的标准差是0,标准差为1,另外一组数据的均值为1,标准差为1

# coding=gbk
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
x=np.random.randn(1000)#1000个服从正态分布的随机数
D=pd.DataFrame([x,x+1]).T
D.plot(kind='box')#使用pandas中的plot函数
plt.grid()
plt.show()

matplotlib绘制函数图像_第4张图片

五.对数曲线图

对x轴或者y轴取对数

# coding=gbk
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
plt.rcParams['font.sans-serif']=['SimHei']#用来正常显示中文标签
plt.figure(figsize=(8,9))#设置画布大小
x=pd.Series(np.exp(np.arange(20)))#原始数据
ax1=plt.subplot(2,1,1)
x.plot(label="原始数据图",legend=True)
ax1=plt.subplot(2,1,2)
x.plot(logy=True,label="对数数据图",legend=True)
plt.show()

matplotlib绘制函数图像_第5张图片

你可能感兴趣的:(python,matplotlib,python,机器学习)