pyhthon中星号_pyhthon的Matplotlib库的详细信息,之,matplotlib,详解

首先要导入mayplotlib，是一个类似于matlab的工具包。

一.认识matplotlib

在任何绘图之前，我们需要一个Figure对象，可以理解成我们需要一张画板才能开始绘图。在拥有Figure对象之后，在作画前我们还需要轴，没有轴的话就没有绘图基准，所以需要添加Axes。

import matplotlib.pyplot as plt

fig = plt.figure()

ax = fig.add_subplot(111)

ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title=’An Example Axes’,

ylabel=’Y-Axis’, xlabel=’X-Axis’)

plt.show()

在处理复杂的绘图工作时，需要使用 Axes 来完成作画

fig = plt.figure()

ax1 = fig.add_subplot(221)

ax2 = fig.add_subplot(222)

ax3 = fig.add_subplot(223)

ax4 = fig.add_subplot(224)

fig, axes = plt.subplots(nrows=2, ncols=2)

axes[0,0].set(title=’Upper Left’)

axes[0,1].set(title=’Upper Right’)

axes[1,0].set(title=’Lower Left’)

axes[1,1].set(title=’Lower Right’)

二.多种绘图方式

1.plot二维图

用linespace生成一组等间隔数据

import matplotlib.pyplot as plt

import numpy as np

x = np.linspace(0.05, 10, 1000)

y = np.cos(x)

z=np.cos(2*x)

plt.plot(x, y, x,z,ls=”-“, lw=2, label=”plot figure”)

plt.legend()

plt.show()

进一步从数组中选择元素

mask=y>=0 //产生一组bool值

plt.plot(x[mask],y[mask],’ro-‘) //参数例如颜色，线条等和matlab基本类似

plt.legend()

plt.show()

以通过关键字参数的方式绘图

x = np.linspace(0, 10, 200)

data_obj = {‘x’: x,

‘y1’: 2 * x + 1,

‘y2’: 3 * x + 1.2,

‘mean’: 0.5 * x * np.cos(2*x) + 2.5 * x + 1.1}

fig, ax = plt.subplots()

#填充两条线之间的颜色

ax.fill_between(‘x’, ‘y1’, ‘y2′, color=’yellow’, data=data_obj)

ax.plot(‘x’, ‘mean’, color=’black’, data=data_obj)

plt.show()

2.scatter散点图

只画点，但是不用线连接起来。

x = np.arange(10) //arange函数用于创建等差数组,返回array对象

y = np.random.randn(10)

plt.scatter(x, y, color=’black’, marker=’o’)

plt.show()

np.random.seed()

N = 50

x = np.random.rand(N)

y = np.random.rand(N)

colors = np.random.rand(N)

area = (30 * np.random.rand(N))2 # 0 to 15 point radii

plt.scatter(x, y, s=area, c=colors, alpha=0.5)

plt.show()

3.条形图

np.random.seed(1)

x = np.arange(5)

y = np.random.randn(5)

fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1./2))

vert_bars = axes[0].bar(x, y, color=’black’, align=’center’)

horiz_bars = axes[1].barh(x, y, color=’blue’, align=’center’)

#在水平或者垂直方向上画线

#plt.axhline(y=0.0, c=”r”, ls=”–“, lw=2)

#y：水平参考线的出发点,c：参考线的线条颜色,ls：参考线的线条风格,lw：参考线的线条宽度

axes[0].axhline(0, color=’gray’, linewidth=2)

axes[1].axvline(0, color=’gray’, linewidth=2)

plt.show()

条形图还返回了一个Artists 数组，对应着每个条形，例如上图 Artists 数组的大小为5，我们可以通过这些 Artists 对条形图的样式进行更改，如下例：

ig, ax = plt.subplots()

vert_bars = ax.bar(x, y, color=’lightblue’, align=’center’)

# We could have also done this with two separate calls to `ax.bar` and numpy boolean indexing.

#zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

for bar, height in zip(vert_bars, y):

if height < 0:

bar.set(edgecolor=’darkred’, color=’salmon’, linewidth=3)

plt.show()

堆积图:

x=np.arange(5)#给出在y轴上的位置

y=np.array([5,4,7,2,9])#给出具体每个直方图的数值

y1=np.array([3,5,2,4,10])#给出第二组直方图信息

y2=np.array([3,4,6,2,5])#给出第三组数据

plt.bar(x,y,label=’workday’)

plt.bar(x,y1,bottom=y,label=’weekend’)

plt.bar(x,y2,bottom=y+y1,label=’Christmas’)

plt.legend()#列出图例

plt.show()

需要注意的是x,y1,y2即数据来源最好使用np.ndarray格式的数据，普通的python列表数据很可能失败报错。其中将python list数据转为np.ndarray的方式为

list_a=[1,2,3,4]

list_b=np.array(list_a)

4.直方图

用于统计数据出现的次数或者频率，有多种参数可以调整，主要用hist()函数

np.random.seed()

n_bins = 10

x = np.random.randn(1000, 3)

fig, axes = plt.subplots(nrows=2, ncols=2)

#flatten()用于将二维数组转化成一维，只用于array和mat

ax0, ax1, ax2, ax3 = axes.flatten()

colors = [‘red’, ‘tan’, ‘lime’]

#hist()函数参数设置，density控制Y轴是概率还是数量

ax0.hist(x, n_bins, density=True, histtype=’bar’, color=colors, label=colors)

ax0.legend(prop={‘size’: 10})

ax0.set_title(‘bars with legend’)

ax1.hist(x, n_bins, density=True, histtype=’barstacked’)

ax1.set_title(‘stacked bar’)

ax2.hist(x, histtype=’barstacked’, rwidth=0.9)

ax3.hist(x[:, 0], rwidth=0.9)

ax3.set_title(‘different sample sizes’)

fig.tight_layout()

plt.show()

5.饼图

autopct=%1.1f%%

表示格式化百分比精确输出，

explode

，突出某些块，不同的值突出的效果不一样。

pctdistance=1.12

百分比距离圆心的距离，默认是0.6.

labels = ‘Math’, ‘English’, ‘Physics’, ‘Chemistry’

sizes = [15, 30, 45, 10]

explode = (0, 0.1, 0, 0) # only “explode” the 2nd slice (i.e. ‘Hogs’)

fig1, (ax1, ax2) = plt.subplots(2)

ax1.pie(sizes, labels=labels, autopct=’%1.1f%%’, shadow=True)

ax1.axis(‘equal’)

ax2.pie(sizes, autopct=’%1.2f%%’, shadow=True, startangle=90, explode=explode,

pctdistance=1.12)

ax2.axis(‘equal’)

ax2.legend(labels=labels, loc=’upper right’)

plt.show()

6.网格图：

X,Y = numpy.meshgrid(x, y)

输入的

x

，

y

，就是

网格点

的横纵坐标列向量(非矩阵)

输出的

X

，

Y

，就是

坐标矩阵

。

ret = np.mgrid[ 第1维，第2维 ，第3维 ， …]

返回多值，以多个矩阵的形式返回，

第1返回值为第1维数据在最终结构中的分布，

第2返回值为第2维数据在最终结构中的分布，以此类推。

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

x = np.arange(-5, 5, 0.1)

y = np.arange(-5, 5, 0.1)

xx, yy = np.meshgrid(x, y ) # 转换成二维的矩阵坐标

fig = plt.figure(1, figsize=(12, 8))

zz = (xx2 + yy2)

ax = fig.add_subplot(2, 2, 1, projection=’3d’)

ax.set_top_view()

ax.plot_surface(xx, yy, zz, rstride=1, cstride=1, cmap=’rainbow’)

plt.show()

7.轮廓图：

机器学习用的决策边界也常用轮廓图来绘画

contourf会填充轮廓线之间的颜色。数据x, y, z通常是具有相同 shape 的二维矩阵。x, y 可以为一维向量，但是必需有 z.shape = (y.n, x.n) ，这里 y.n 和 x.n 分别表示x、y的长度。Z通常表示的是距离X-Y平面的距离，传入X、Y则是控制了绘制等高线的范围。

fig, (ax1, ax2) = plt.subplots(2)

x = np.arange(-5, 5, 0.1)

y = np.arange(-5, 5, 0.1)

xx, yy = np.meshgrid(x, y, sparse=True)

z = np.sin(xx2 + yy2) / (xx2 + yy2)

ax1.contourf(x, y, z)

ax2.contour(x, y, z)

三.布局，图例说明等

1.区间上下限

ax.set_xlim([xmin, xmax]) #设置X轴的区间

ax.set_ylim([ymin, ymax]) #Y轴区间

ax.axis([xmin, xmax, ymin, ymax]) #X、Y轴区间

ax.set_ylim(bottom=-10) #Y轴下限

ax.set_xlim(right=25) #X轴上限

2.图例说明

fig, ax = plt.subplots()

ax.plot([1, 2, 3, 4], [10, 20, 25, 30], label=’Philadelphia’)

ax.plot([1, 2, 3, 4], [30, 23, 13, 4], label=’Boston’)

ax.scatter([1, 2, 3, 4], [20, 10, 30, 15], label=’Point’)

ax.set(ylabel=’Temperature (deg C)’, xlabel=’Time’, title=’A tale of two cities’)

#加标题，x,y轴标签

ax.set_title(“title”);

ax.set_xlabel(“x”)

ax.set_ylabel(“y”);

ax.legend() //显示条例说明，legend()自身也可以设置

plt.show()

3.区间分段

data = [(‘apples’, 2), (‘oranges’, 3), (‘peaches’, 1)]

fruit, value = zip(*data)

fig, (ax1, ax2) = plt.subplots(2)

x = np.arange(len(fruit))

ax1.bar(x, value, align=’center’, color=’gray’)

ax2.bar(x, value, align=’center’, color=’gray’)

ax2.set(xticks=x, xticklabels=fruit)

#ax.tick_params(axis=’y’, direction=’inout’, length=10) #修改 ticks 的方向以及长度

plt.show()

4.布局

fig, axes = plt.subplots(2, 2, figsize=(9, 9))

#水平之间的间隔wspace，垂直方向上的间距hspace，左边距left等等，这里数值都是百分比的

fig.subplots_adjust(wspace=0.5, hspace=0.3,

left=0.125, right=0.9,

top=0.9, bottom=0.1)

#fig.tight_layout() #自动调整布局，使标题之间不重叠

plt.show()

可以调整使他们使用一样的X、Y轴：

fig, (ax1, ax2) = plt.subplots(1, 2, sharex=True, sharey=True)

5.轴相关

fig, ax = plt.subplots()

ax.plot([-2, 2, 3, 4], [-10, 20, 25, 5])

ax.spines[‘top’].set_visible(False) #顶边界不可见

ax.xaxis.set_ticks_position(‘bottom’) # ticks 的位置为下方，分上下的。

ax.spines[‘right’].set_visible(False) #右边界不可见

ax.yaxis.set_ticks_position(‘left’)

# “outward”

# 移动左、下边界离 Axes 10 个距离

#ax.spines[‘bottom’].set_position((‘outward’, 10))

#ax.spines[‘left’].set_position((‘outward’, 10))

# “data”

# 移动左、下边界到 (0, 0) 处相交

ax.spines[‘bottom’].set_position((‘data’, 0))

ax.spines[‘left’].set_position((‘data’, 0))

# “axes”

# 移动边界，按 Axes 的百分比位置

#ax.spines[‘bottom’].set_position((‘axes’, 0.75))

#ax.spines[‘left’].set_position((‘axes’, 0.3))

#ax.spines[‘left’].set_color(‘red’)

#ax.spines[‘left’].set_linewidth(2)

plt.show()

也可以将轴的刻度设置成对数刻度，调用 set_xscale 与 set_yscale 设置刻度，参数选择 “log”

或者改变刻度

fig, axes = plt.subplots(1, 2, figsize=(10,4))

axes[0].plot(x, x2, x, exp(x))

axes[0].set_title(“Normal scale”)

axes[1].plot(x, x2, x, exp(x))

axes[1].set_yscale(“log”)

axes[1].set_yticks([0, 50, 100, 150])

axes[1].set_title(“Logarithmic scale (y)”)