Matplotlib学习总结
数据可视化
指将结构或非结构数据转换成适当的可视化图表，然后将隐藏在数据中的信息直接展现于人们面前。相比传统的用表格或文档展现数据的方式，可视化能将数据以更加直观的方式展现出来，使数据更加客观、更具说服力。
数据可视化已经被用于工作科研的方方面面，如工作报表、科研论文等，成为了不可或缺的基础技能。
初识Matplotlib
- Matplotlib 是 Python 最著名的绘图库，它提供了一整套和 MATLAB 相似的命令 API，十分适合交互式地进行制图。
- Matplotlib是一个Python 2D绘图库（使用Matplotlib发布的mpl_toolkits库可以画3D图形 ），能够以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形，用来绘制各种静态，动态，交互式的图表。
Matplotlib全貌
- Figure：顶层级，用来容纳所有绘图元素。
- Axes：matplotlib宇宙的核心，容纳了大量元素用来构造一幅幅子图，一个figure可以由一个或多个子图组成。
- Axis：axes的下属层级，用于处理所有和坐标轴，网格有关的元素。
- Tick：axis的下属层级，用来处理所有和刻度有关的元素。
为了绘图，我们先导入两个模块
import matplotlib.pyplot as plt
import numpy as np
绘图
- 通过x=np.linspace(-2,2,50)生成一个列表作为x，再设定一个y关于x的函数，用plt.plot(x,y),plt.show()即可。
x=np.linspace(-2,2,50)
y1=2*x+1
plt.figure()#定义第一张figure,参数figsize=(a,b)，figsize用来设置图形的大小，a为图形的宽， b为图形的高
plt.xlabel('x')
plt.ylabel('y')
plt.plot(x,y1)
plt.show()
运行结果：
- 对坐标轴范围的一些修改
plt.xlim((-1,1))
plt.ylim((-1,1))
运行结果：
- 重新定义坐标轴
plt.xticks(np.linspace(-2,0,5))
plt.yticks([-1,-0.5,0,0.5,1],
[r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
运行结果：
- 利用plt.gca( )进行坐标轴的移动
figure图中黑色边界框线在Matplotlib中被称为spines，中文译为脊柱，或者叫做支柱，有四个，其中plt.gca()的gca就是get current axes（获取当前坐标轴）的意思。
将右部和顶部设置颜色为空
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
运行结果：
在上面的基础上，加几行平移坐标轴x，y的代码
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))#outward,axes
ax.spines['left'].set_position(('data',0))
运行结果：
Legend图例
- 给图做图例，只需要在plt.plot()加上label参数即可，然后执行plt.legend()即可
x=np.linspace(-2,2,50)
y1=2*x+1
y2=x**2
plt.plot(x,y2,label='up')
plt.plot(x,y1,color='red',linewidth=1.0,linestyle='--',label='down')
plt.legend()
plt.show()
运行结果：
- 对于legend()的参数，可以修改，handles=[l1,l2,],labels=[‘aaa’,‘bbb’],loc=‘best’，handles和labels一一对应（l1,和l2,都要加逗号），loc指图例的位置。
x=np.linspace(-2,2,50)
y1=2*x+1
y2=x**2
l1,=plt.plot(x,y2,label='up')
l2,=plt.plot(x,y1,color='red',linewidth=1.0,linestyle='--',label='down')
plt.legend(handles=[l1,l2,],labels=['aaa','bbb'],loc='best')
plt.show()
运行结果：
Annotation注解
- plt.annotate()函数用于标注文字。
plt.annotate(s='', xy=(), xycoords='', xytext=() , ...)
**参数：**
1. s 为注释文本内容
2. xy 为被注释的坐标点
3. xycoords和textcoords可以指定数据点的坐标系和注释内容的坐标系
4. xytext 为注释文字的坐标位置
5. arrowprops可以指定箭头的风格支持，输入一个字典
x=np.linspace(-2,2,50)
y1=2*x+1
y2=x**2
plt.plot(x,y2)
plt.plot(x,y1,color='red',linewidth=1.0,linestyle='--')
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))#outward,axes
ax.spines['left'].set_position(('data',0))
#
x0=1
y0=2*x0+1
plt.scatter(x0,y0,s=50,color='r')#画一个点
plt.plot([x0,x0],[y0,0],'r--',lw=2)#画点(x0,y0)和点(x0,0)连成的一条线
#method1
plt.annotate(r'$2x+1=%s$' % y0,xy=(x0,y0),xycoords='data',
xytext=(+1.5,+3),textcoords='data',
arrowprops=dict(arrowstyle="->"))
#method2
plt.text(-1.5,3.5,r'$\sigma_1\ \mu_2\ \alpha_3$',
fontdict={'size':16,'color':'r'})
plt.show()
运行结果：
tick能见度
x=np.linspace(-2,2,50)
y1=2*x+1
y2=x**2
plt.plot(x,y2,linewidth=1)
plt.plot(x,y1,color='red',linewidth=10,linestyle='-')
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))#outward,axes
ax.spines['left'].set_position(('data',0))
for label in ax.get_xticklabels()+ax.get_yticklabels():
label.set_fontsize(12)
label.set_bbox(dict(facecolor='y',edgecolor='none',alpha=0.1))
pass
plt.show()
运行结果：
Scatter散点图
- 我们知道np.random.normal(loc=0.0, scale=1.0, size=None)的意思是一个正态分布，normal这里是正态的意思。 其中第一个参数为均值，第二个参数为标准差，第三个参数为输出的值的个数。
n=1024
X=np.random.normal(0,1,n)
Y=np.random.normal(0,1,n)
T=np.arctan2(Y,X)#求反正切
plt.scatter(X,Y,s=75,c=T,alpha=0.5)#c=T用rgb颜色
plt.xlim(-1.5,1.5)
plt.ylim(-1.5,1.5)
plt.xticks(())
plt.yticks(())
plt.show()
运行结果：
Bar柱状图
- numpy.random.uniform(low,high,size).功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high. size为个数
n=12
X=np.arange(n)
Y1=(1-X/float(n))*np.random.uniform(0.5,1,n)
Y2=(1-X/float(n))*np.random.uniform(0.5,1,n)
plt.bar(X,Y1)#向上生成柱状图
plt.bar(X,-Y2)#向下生成柱状图
for x,y in zip(X,Y1):
plt.text(x,y+0.005,'%.2f'%y,ha='center',va='bottom')#ha：horizontal alignment，va：vertical alignment
for x,y in zip(X,Y2):
plt.text(x,-y-0.005,'%.2f'%y,ha='center',va='top')
plt.xticks(())
plt.yticks(())
plt.show()
运行结果：
Contours等高线图
- contourf()函数用于绘制轮廓,contour()用于绘制轮廓线
#计算高度的方法
def z(x,y):
return (1-x/2+x**5+y**3)*np.exp(-(x**2+y**2))
n=256
x=np.linspace(-3,3,n)
y=np.linspace(-3,3,n)
X,Y=np.meshgrid(x,y)
#用plt.contourf()填充contours
#8是等高线分为10部分,0是分为2部分
plt.contourf(X,Y,z(X,Y),8,alpha=0.75,cmap='jet')#color map
C=plt.contour(X,Y,z(X,Y),8,colos='black',linewiths=0.5)
plt.clabel(C,fontsize=10,colors='black')
plt.xticks(())
plt.yticks(())
plt.show()
运行结果：
Image图片
- imshow()接收一张图像，只是画出该图，并不会立刻显示出来。
a=np.random.random(9).reshape(3,3)
#interpolation(插值方法，默认'nearest')
#origin(坐标轴的样式，可选值为upper和lower)
plt.imshow(a,interpolation='nearest',cmap='bone',origin='upper')
plt.colorbar()#给图添加颜色渐变条
plt.xticks(())
plt.yticks(())
plt.show()
运行结果：
3D数据
- Matplotlib 也可以绘制 3D 图像，与二维图像不同的是，绘制三维图像主要通过 mplot3d 模块实现。但是，使用 Matplotlib 绘制三维图像实际上是在二维画布上展示，所以一般绘制三维图像时，同样需要载入 pyplot 模块。
from mpl_toolkits.mplot3d import Axes3D
fig=plt.figure()#生成窗口
ax=Axes3D(fig)#生成空间图
X=np.arange(-4,4,0.25)
Y=np.arange(-4,4,0.25)
X,Y=np.meshgrid(X,Y)
R=np.sqrt(X**2+Y**2)
Z=np.cos(R)
#rstride：行跨,cstride：列跨
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap='rainbow',edgecolors='k')
#画等高线图,zdir表示投到哪个平面，offset表示投到对应轴的数值
ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap='rainbow')
ax.set_zlim(-2,2)
plt.show()
运行结果：
Subplot
- 方法1：
plt.subplot(2,1,1)#2行1列，第一张图（按数字索引）
plt.plot([0,1],[0,1])
plt.subplot(2,3,4)#2行3列，第二张图
plt.plot([0,1],[0,2])
plt.subplot(2,3,5)#2行3列，第三张图
plt.plot([0,1],[0,3])
plt.subplot(2,3,6)#2行3列，第四张图
plt.plot([0,1],[0,4])
plt.show()
运行结果：
- 方法2：
#设定3行3列，从第0行0列开始，列跨度为3，行跨度为1
ax1=plt.subplot2grid((3,3),(0,0),colspan=3,rowspan=1)
ax1.plot([1,2],[1,2])
ax1.set_title('a')
#设定3行3列，从第1行0列开始，列跨度为2，行跨度为1
ax2=plt.subplot2grid((3,3),(1,0),colspan=2,rowspan=1)
#设定3行3列，从第1行2列开始，列跨度为1，行跨度为2
ax3=plt.subplot2grid((3,3),(1,2),colspan=1,rowspan=2)
#设定3行3列，从第2行0列开始，列跨度为1，行跨度为1
ax4=plt.subplot2grid((3,3),(2,0),colspan=1,rowspan=1)
#设定3行3列，从第2行1列开始，列跨度为1，行跨度为1
ax5=plt.subplot2grid((3,3),(2,1),colspan=1,rowspan=1)
plt.show()
运行结果：
- 方法3：
import matplotlib.gridspec as gridspec
gs=gridspec.GridSpec(3,3)
ax1=plt.subplot(gs[0,:])
ax2=plt.subplot(gs[1,:2])
ax3=plt.subplot(gs[1:,2])
ax4=plt.subplot(gs[2,0])
ax5=plt.subplot(gs[2,1])
plt.show()
运行结果：
次坐标轴
- plt.subplots()
返回两个参数，第一个是figure图片对象，第二个是轴axes对象或者是轴对象组成的数组。
x=np.arange(0,10,0.1)
y1=0.05*x**2
y2=-y1
fig,ax1=plt.subplots()
ax2=ax1.twinx()
ax1.plot(x,y1,'g-')
ax2.plot(x,y2,'b--')
ax1.set_xlabel("X data")
ax1.set_ylabel("Y1",color='g')
ax2.set_ylabel("Y2",color='b')
plt.show()
运行结果：
Animation动画
from matplotlib import animation
fig,ax=plt.subplots()
x=np.arange(0,2*np.pi,0.01)
line,=ax.plot(x,np.sin(x))#返回列表
#动画的核心是动画函数，你可以在其中定义视频的每一帧发生什么。这里的 i表示动画中帧的索引。
def animate(i):
line.set_ydata(np.sin(x+i/10))
return line,
def init():
line.set_ydata(np.sin(x))
return line,
ani=animation.FuncAnimation(fig=fig,func=animate,frames=100,init_func=init,interval=20,blit=False)
plt.show()
其他文章：
Numpy学习总结
Pandas学习总结