Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化,并且提供多样化的输出格式。
加上mpl_toolkits.mplot3d
的3D绘图功能,感觉跟Matlab的绘图功能有的比了,更重要的是可以直接用python绘图,非常适合给机器学习的代码用作可视化工具。
强烈推荐莫烦大神的视频教程《matplotlib》
安装方法:pip install matplotlib
几个常用的绘图方法
- 直线/曲线图:
plot
- 柱状图:
bar
- 点状图:
scatter
- 等高线图:
contourf
contour
- 3D曲面:
plot_surface
(需要配合mpl_toolkits库) - 多个子图:
subplot
下面我列举了不同图形的代码和图片效果,主要摘抄莫烦大神的教程,不过我加上了额外的一些详细注释。上手就能运行。
直线/曲线图
import matplotlib.pyplot as plt
import numpy as np
# 画二维图
x = np.linspace(-3, 3, 50) # 范围和个数
y1 = 2 * x + 1 # 直线
y2 = x ** 2 # 曲线
# -------------- 最简单的图像展示 --------------
# plt.figure()
# plt.plot(x, y2)
# plt.show()
# -------------- 带参数的图像展示 --------------
plt.figure(num=3, figsize=(8,5),) # num:编号(图像文件标题为Figure_num), figsize:大小
# 直接绘图
# plt.plot(x, y2)
# plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
# 带图例的图像展示,显示哪根线是哪根线
l1, = plt.plot(x, y1, label='linear line') # l1以逗号结尾,因为plt返回的是一个列表
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')
# plt.legend(loc='lower right') # 把图例放在不同的位置组合 upper lower center right left
plt.legend(handles=[l1, l2], labels=['l1', 'l2'], loc='best') # 可以重命名label, 并自动选择最佳位置放图例
# 'best' : 0,
# 'upper right' : 1,
# 'upper left' : 2,
# 'lower left' : 3,
# 'lower right' : 4,
# 'right' : 5,
# 'center left' : 6,
# 'center right' : 7,
# 'lower center' : 8,
# 'upper center' : 9,
# 'center' : 10,
# 坐标轴设置
plt.xlabel('X axis') # x坐标轴
plt.ylabel('Y axis') # y坐标轴
plt.xlim((-1, 2)) # x刻度范围
plt.ylim((-2, 3)) # y刻度范围
plt.xticks(np.linspace(-1, 2, 5)) # 重定义x轴刻度
plt.yticks([-2, -1.8, -1, 1.22, 3], [r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$']) # 重定义y轴刻度
axy = plt.gca() # 获取当前坐标轴信息
axy.spines['right'].set_color('none') # 设置右边框为空
axy.spines['top'].set_color('none') # 设置顶边框为空
axy.xaxis.set_ticks_position('bottom') # 设置x轴坐标刻度数字的位置为bottom(还有top\both\default\none)
axy.spines['bottom'].set_position(('data', 0)) # 把bottom边框移到y=0的位置 (位置属性:outward\axes\data)
axy.yaxis.set_ticks_position('left') # 设置y轴坐标刻度数字为left
axy.spines['left'].set_position(('data', 0)) # 把left边框移动到x=0的位置
# 画点和垂直线,并对点进行标注
x0 = 0.5
y0 = 2*x0 + 1
plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) # 画出一条垂直于x轴的虚线.
plt.scatter([x0, ], [y0, ], s=50, color='b') # 画点
plt.annotate(r'$2x+1=%s$' % y0, # 标注的文字
xy=(x0, y0), # 标注的数据点
xycoords='data', # 基于数据的值来选位置
xytext=(+20, -30), # 标注的位置(相对坐标位置)
textcoords='offset points', # xy偏差值
fontsize=12, # 字体大小
arrowprops=dict(arrowstyle='->', connectionstyle="arc3, rad=.3")) # 连线类型设置为箭头,有弧度, rad为弧度值
# 添加注释
plt.text(0.5, -1.8, r'$Text:\ \mu\ \sigma_i\ \alpha_t.\ written\ by\ likejiao.$')
# 最后展示图片
plt.show()
柱状图
import matplotlib.pyplot as plt
import numpy as np
n = 12 # 生成n个数据
X = np.arange(n) # X为0到n-1的整数
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n) # Y1和Y2都是随机分布的数据
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
plt.bar(X, +Y1) # 画在坐标轴上方
plt.bar(X, -Y2) # 画在坐标轴下方
# 设置横纵坐标的边界,去掉横坐标的线
plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())
# 加颜色优化图像,facecolor设置主体颜色,edgecolor设置边框颜色
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
# 加数值优化图像
for x, y in zip(X, Y1):
# ha: horizontal alignment 横向对齐
# va: vertical alignment 纵向对齐
plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')
for x, y in zip(X, Y2):
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')
# 最后展示图片
plt.show()
点状图
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # 数据集的大小,下面两行生产1024个呈正态分布的二维数据组(平均数是0,方差是1)
X = np.random.normal(0, 1, n) # 每一个点的X值
Y = np.random.normal(0, 1, n) # 每一个点的Y值
T = np.arctan2(Y, X) # 计算每一个点的颜色
plt.scatter(X, Y, s=75, c=T, alpha=.5) # s:size, c:color, alpha透明度为50%
plt.xlim(-1.5, 1.5)
plt.xticks(()) # 隐藏x坐标轴
plt.ylim(-1.5, 1.5)
plt.yticks(()) # 隐藏y坐标轴
# 最后展示图片
plt.show()
等高线图
import matplotlib.pyplot as plt
import numpy as np
def f(x,y):
# the height function 生成高度值
return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)
# 生成n个数值
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y) # 在二维平面上把每一个x和y一一对应编织成栅格
# plt.contourf 填充颜色
# X, Y and value for (X,Y) point
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot) # alpha:透明度, cmap:可以生成对应的暖色组, 其中8代表等高线的密集程度
# contour等高线绘制
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidths=.5) # colors:颜色, linewidth:线宽, 其中8代表等高线的密集程度
# 等高线中加入文字标注
plt.clabel(C, inline=True, fontsize=10) # inline:是否把文字画在线里
plt.xticks(()) # 隐藏x坐标轴
plt.yticks(()) # 隐藏y坐标轴
# 最后展示图片
plt.show()
3D曲面
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 先定义一个图像窗口,在窗口上添加3D坐标轴
fig = plt.figure()
ax = Axes3D(fig)
# 给X, Y赋值
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y) # x-y 平面的网格
R = np.sqrt(X ** 2 + Y ** 2)
# 计算高度值
Z = np.sin(R)
# Z = (1 - X / 2 + X**5 + Y**3) * np.exp(-X**2 -Y**2) # drawcontours.py里的等高线函数
# 三维曲面,并将一个 colormap rainbow 填充颜色,之后将三维图像投影到 XY 平面上做一个等高线图。
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) # rstride:row的跨度, cstride:column的跨度
# 添加XY平面的等高线
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow')) # zdir:沿着z轴方向投影, offset相对于z=0的偏移距离
# 设置z轴的坐标范围,显得好看一点
ax.set_zlim(-2,2)
# 最后展示图片
plt.show()
多个子图
import matplotlib.pyplot as plt
plt.figure()
# 创建小图
plt.subplot(2,2,1)
plt.plot([0,1],[0,1]) # 在第1个位置创建一个小图.
plt.subplot(2,2,2)
plt.plot([0,1],[0,2]) # 在第2个位置创建一个小图.
plt.subplot(223) #plt.subplot(2,2,3)可以简写
plt.plot([0,1],[0,3])
plt.subplot(224)
plt.plot([0,1],[0,4])
# 最后展示图片
plt.show() # 展示
最后推荐一下50个高级画图案例:>>>传送门<<<