数据分析与科学计算可视化-----用于科学计算的numpy库与可视化工具matplotlib

1、numpy库与matplotlib库的基本介绍

1.安装

（1）经过pip安装：

>> pip install matplotlib

                                                                                                     安装完成 

安装matplotlib的方式和numpy很像，下面再也不介绍。

2.做用

（1）numpy：科学计算包，支持N维数组运算、处理大型矩阵、成熟的广播函数库、矢量运算、线性代数、傅里叶变换、随机数生成，并可与C++/Fortran语言无缝结合。树莓派Python v3默认安装已经包含了numpy。

numPy 是一个运行速度很是快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合 C/C++/Fortran 代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

（2）

matplotlib： 多是 Python 2D-绘图领域使用最普遍的套件。它能让使用者很轻松地将数据图形化，能够绘制多种形式的图形，包括线图、直方图、饼状图、散点图、偏差线图等等而且提供多样化的输出格式。是数据可视化的重要工具。

2、扩展库numpy的简介

导入模块 >>> import numpy as np

生成数组 >>> np.array([1, 2, 3, 4, 5])        # 把列表转换为数组
array([1, 2, 3, 4, 5]) >>> np.array((1, 2, 3, 4, 5))        # 把元组转换成数组
array([1, 2, 3, 4, 5]) >>> np.array(range(5))               # 把range对象转换成数组
array([0, 1, 2, 3, 4]) >>> np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组
array([[1, 2, 3], [4, 5, 6]]) >>> np.arange(8)                     # 相似于内置函数range()
array([0, 1, 2, 3, 4, 5, 6, 7]) >>> np.arange(1, 10, 2) array([1, 3, 5, 7, 9])
生成各类各样的矩阵或数组，下面再也不介绍

数组与数值的运算 >>> x = np.array((1, 2, 3, 4, 5))    # 建立数组对象
>>> x array([1, 2, 3, 4, 5]) >>> x * 2                            # 数组与数值相乘，返回新数组
array([ 2, 4, 6, 8, 10]) >>> x / 2                            # 数组与数值相除
array([ 0.5, 1. , 1.5, 2. , 2.5]) >>> x // 2                           # 数组与数值整除
array([0, 1, 1, 2, 2], dtype=int32) >>> x ** 3                           # 幂运算
array([1, 8, 27, 64, 125], dtype=int32) >>> x + 2                            # 数组与数值相加
array([3, 4, 5, 6, 7]) >>> x % 3                            # 余数
array([1, 2, 0, 1, 2], dtype=int32)

　>>> 2 ** x

　array([2, 4, 8, 16, 32], dtype=int32)

  >>> 2 / x

  array([2. ,1. ,0.66666667, 0.5, 0.4])

  >>> 63 // x

　array([63, 31, 21, 15, 12], dtype=int32)

数组与数组的运算 >>> a = np.array((1, 2, 3)) >>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9])) >>> c = a * b                   # 数组与数组相乘
>>> c                           # a中的每一个元素乘以b中的对应列元素
array([[ 1, 4, 9], [ 4, 10, 18], [ 7, 16, 27]]) >>> c / b                       # 数组之间的除法运算
array([[ 1.,  2.,  3.], [ 1.,  2.,  3.], [ 1.,  2.,  3.]]) >>> c / a array([[ 1.,  2.,  3.], [ 4.,  5.,  6.], [ 7.,  8.,  9.]]) >>> a + a                         # 数组之间的加法运算
array([2, 4, 6]) >>> a * a                         # 数组之间的乘法运算
array([1, 4, 9]) >>> a - a                         # 数组之间的减法运算
array([0, 0, 0]) >>> a / a                         # 数组之间的除法运算
array([ 1.,  1.,  1.])

转置 >>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9])) >>> b array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> b.T                           # 转置
array([[1, 4, 7], [2, 5, 8], [3, 6, 9]])

参考资料：http://www.runoob.com/numpy/numpy-matplotlib.html

3、matplotlib库的简介

matplotlib中最基础的模块是pyplot

由于matplotlib库源于matlab，其操做基本如matlab的操做，如下用绘制一个函数的例子介绍matplotlib库。

import numpy as np import matplotlib.pyplot as plt X = np.linspace(-np.pi, np.pi, 256, endpoint=True) C,S = np.cos(X), np.sin(X) plt.plot(X,C) plt.plot(X,S) plt.show()

效果以下。

参考资料：http://www.runoob.com/w3cnote/matplotlib-tutorial.html

4、绘制雷达图

代码实现：

import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'SimHei'        # 设置字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体
 labels = np.array(['发育','死亡','击杀','助攻','团战','出装']) # 设置标签
datas = np.array([5, 2, 9, 13, 11, 7])       # 设置数据
angles = np.linspace(0, 2*np.pi, 6, endpoint = False) # 设置角度
datas = np.concatenate((datas, [datas[0]])) angles = np.concatenate((angles, [angles[0]])) fig = plt.figure(facecolor = 'white')         # 建立绘图区域
plt.subplot(111, polar = True)                # 极坐标
plt.plot(angles, datas, 'bo-', color = 'g', linewidth = 1) # 画图
plt.fill(angles, datas, facecolor = 'g', alpha = 0.25)     # 填充
plt.thetagrids(angles*180/np.pi, labels)      # 设置极坐标的位置
plt.figtext(0.52, 0.95, '28-lie', ha = 'center') # 设置标题
plt.grid(True)   # 打开网格线
plt.show()       # 展现图片

 

 

 5、此处展现PIL制做手绘风格
1.手绘图像的基本思想是利用像素之间的梯度值重构每一个像素值，为了体现光照效果，设计一个光源，创建光源对个点梯度值的影响函数，进而运算出新的像素值，从而体现边界点灰度变化，造成手绘效果。
2.代码实现

from PIL import Image import numpy as np vec_el = np.pi/2.2 # 光源的俯视角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
depth = 10. # (0-100)
im = Image.open(r'C:\Users\80939\Desktop\tiantan.jpg').convert('L') a = np.asarray(im).astype('float') grad = np.gradient(a) #取图像灰度的梯度值
grad_x, grad_y = grad #分别取横纵图像梯度值
grad_x = grad_x*depth/100. grad_y = grad_y*depth/100. dx = np.cos(vec_el)*np.cos(vec_az) #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az) #光源对y 轴的影响
dz = np.sin(vec_el) #光源对z 轴的影响
A = np.sqrt(grad_x**2 + grad_y**2 + 1.) uni_x = grad_x/A uni_y = grad_y/A uni_z = 1./A a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
a2 = a2.clip(0,255) im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save(r'C:\Users\80939\Desktop\tiantan1.jpg')

3.效果对比