matplotlib的使用

matplotlib.pyplot 绘制线性直线

例如

import matplotlib.pyplot as plt
x1 = range(1, 5)
y1 = range(5, 9)
x2 = range(2, 6)
y2 = [0, 3, 5, 6]
plt.plot(x1, y1, label='line one')
plt.plot(x2, y2, label='line two')
plt.legend(loc=0)  # 显示曲线的label说明，loc参数表示label的显示位置，例如0表示best space
plt.xlabel('x_data')  # 图形的x轴
plt.ylabel('y_data')  # 图形的y轴
plt.title('title is here!')  # 图形的标题

plt.show()  # 在同一个画布上显示

柱形图、直方图、散点图的绘制

import matplotlib.pyplot as plt

# 柱状图
plt.bar(x, y)

# 设置刻度范围
plt.axis([x_start, x_end, y_start, y_end])  # e.g plt.axis([0, 10, 0, 12])

# 直方图
x = np.random.randint(1, 100, 100)  # (start, end, total)
bins = range(0, 100, 10)
plt.hist(x, bins)

# 散点图
x = np.random.randint(1, 10, 50)
y = np.random.randint(1, 10, 50)
plt.scatter(x, y)
## 也可以使用多组图形来显示
x1 = np.random.randint(1, 10, 50)
y1 = np.random.randint(1, 10, 50)
plt.scatter(x, y, x1, y1)
plt.show()

面向对象形式的绘图与饼图的绘制

# 面向对象的方式
fig, ax = plt.subplots()  # 初始化绘图对象 fig是画布 ax是图像
ax.scatter(x, y)
plt.show()

# 饼图
fig, ax = plt.subplots()
size = [10, 20, 35, 23]
label = ['a', 'b', 'c', 'd']
explode = (0, 0.1, 0, 0)  # 用于表示图形哪一块突出来的像素，例如这里是表示'b'突出来0.1个像素
ax.pie(size, labels=label, autopct='%1.1f%%', shadow=True, startangle=90, explode=explode)  
# autopct 表示显示百分比；shadow 表示阴影；startangle 表示'a'从那里开始绘图，90度开始，abcd逆时针绘图
ax.axis('equal')  # 表示显示的是一个正圆
plt.show()

绘制多个子图

# 绘制三个子图
x1 = np.linspace(0.0, 5.0)
x2 = np.linspace(0.0, 2.0)
x3 = np.linspace(0.0, 10.0)

y1 = np.cos(2 * np.pi * x1) * np.exp(-x1)
y2 = np.cos(2 * np.pi * x2)
y3 = x3 ** 2 + 2

plt.subpot(2, 2, 1)
plt.plot(x1, y1, 'o-')
plt.title('cos(2*pie*x) * exp(-x)')

plt.subplot(2, 2, 2)
plt.plot(x2, y2, '.-')
plt.tilte('cos(2*pie*x)')

plt.subplot(2, 1, 2)
plt.plot(x3, y3, '^-')
plt.title('x^2 + 2')

plt.show()
# 
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)  # 表示生成一组满足正太分布N(mu, sigma^2)的10000个浮点数据
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)

绘制3D图像

#
fig = plt.figure()
ax1 = fig.add_subplot(111, projection='3d')
x = []
y = []
z = []

ax1.scatter()


# 二次抛物面 z=x^2+y^2
x = np.linspace(-10, 10, 10)
y = x
x, y = np.meshgrid(x, y)  # 生成数据
z = x ** 2 + y ** 2
ax = plt.subplot(111, projection='3d')
ax.plot_wireframe(x, y, z)  # 画线图
plt.show()

使用中文

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 例子
x = [1, 2, 3, 4]
y = [5, 6, 7, 1]

x1 = [1, 2, 3, 4]
y1 = [9, 4, 5, 1]
plt.plot(x, y, label='x')
plt.plot(x1, y1, label='y')
plt.xlabel('x坐标')
plt.ylabel('y坐标')
plt.title('例子')
plt.legend(loc=0)  # 可选位置参数loc，0是最优

# 叠加图
t = np.arange(0., 5., 0.2)
## red dashes, blue squares and green triangles
### 可以在一个图标中画多条图形，另外可以用简写来画图，例如 'r--'
plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
plt.show()

# 练习
x = np.linspace(-np.pi, np.pi, 256)
plt.plot(x, np.sin(x), color='blue', linestyle='-', lw=2, label='sin line')
plt.plot(x, np.cos(x), 'r--', label='cos line')
plt.show()

## 调整坐标范围
plt.xlim(-4, 4)
plt.ylim(-1.1, 1.1)

## 调整坐标刻度 第一个列表是位置，第二个列表是位置对应的值
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$\pi/2$', r'$\pi$'])
plt.yticks([-1, 0, 1])

## 调整坐标中横纵轴的位置

ax = plt.gca()  # 获取当前图标， get current axis
ax.spines['right'].set_color('none')  #先把右边和上边的边界设置为不可见
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))  # 把下边界和左边界移动到0点
ax.spines['left'].set_position(('data', 0))
plt.legnd()

plt.show()

绘制colormap图形

# 这里绘制 sklearn.datasets.load_digits() 中手写数字的图形
from sklearn import datasets
import matplotlib.pyplot as plt

digits = datasets.load_digtis()
plt.figure(1, figsize=(3, 3))
# 这里绘制最后一个图形，并且采用彩色图形，颜色是灰色gray，gray_r表示，插值采用临近方式
plt.imshow(digits.images[-1], cmap=plt.cm.gray_r, interpolation='nearest')  
plt.show()

# 这里说明一下 interpolation 插值的使用
- None 那么就是使用配置 rc 中的参数 image.interpolation 
- "none" 那么就没有任何interpolation设置在这个图片上
- 其他的默认都是 "neareast"

# 关于 cmap 的颜色设置可以参考如下链接 http://www.cnblogs.com/denny402/p/5122594.html