python_matplotlib知识点总结

时间  2019-11-13
标签 python matplotlib 知识 总结 栏目 Python 繁體版
原文   原文链接

文做为学习过程当中对matplotlib一些经常使用知识点的整理，方便查找。html

强烈推荐ipython
不管你工做在什么项目上，IPython都是值得推荐的。利用ipython --pylab，能够进入PyLab模式，已经导入了matplotlib库与相关软件包（例如Numpy和Scipy)，额能够直接使用相关库的功能。python

这样IPython配置为使用你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。后端

参考

 

 

[python]  view plain  copy
 
  1. import matplotlib.pyplot as plt  
  2. labels='frogs','hogs','dogs','logs'  
  3. sizes=15,20,45,10  
  4. colors='yellowgreen','gold','lightskyblue','lightcoral'  
  5. explode=0,0.1,0,0  
  6. plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)  
  7. plt.axis('equal')  
  8. plt.show()  



 

matplotlib图标正常显示中文

为了在图表中可以显示中文和负号等，须要下面一段设置：dom

 

 

[python]  view plain  copy
 
  1. import matplotlib mpl  
  2. mpl.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签  
  3. mpl.rcParams['axes.unicode_minus']=False #用来正常显示负号  



 

matplotlib inline和pylab inline

可使用ipython --pylab打开ipython命名窗口。函数

 

 

[plain]  view plain  copy
 
  1. %matplotlib inline #notebook模式下  
  2. %pylab inline #ipython模式下  



 

这两个命令均可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，可是，有一个缺陷：除非将代码一次执行，不然，没法叠加绘图，由于在这两种模式下，是要有plt出现，图片会立马show出来，所以：学习

推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。字体

 

为项目设置matplotlib参数

在代码执行过程当中，有两种方式更改参数：this

  • 使用参数字典(rcParams)

  • 调用matplotlib.rc()命令 经过传入关键字元祖，修改参数

若是不想每次使用matplotlib时都在代码部分进行配置，能够修改matplotlib的文件参数。能够用matplot.get_config()命令来找到当前用户的配置文件目录。

配置文件包括如下配置项：

axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集（font family）、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条（颜色、线型、宽度等）和标记
patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 能够对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

 

线条相关属性标记设置

用来该表线条的属性

线条风格linestyle或ls 描述 线条风格linestyle或ls 描述
'-' 实线 ':' 虚线
'--' 破折线 'None',' ','' 什么都不画
'-.' 点划线

线条标记

标记maker 描述 标记 描述
'o' 圆圈 '.' 点
'D' 菱形 's' 正方形
'h' 六边形1 '*' 星号
'H' 六边形2 'd' 小菱形
'_' 水平线 'v' 一角朝下的三角形
'8' 八边形 '<' 一角朝左的三角形
'p' 五边形 '>' 一角朝右的三角形
',' 像素 '^' 一角朝上的三角形
'+' 加号 '\ ' 竖线
'None','',' ' 无 'x' X

颜色

能够经过调用matplotlib.pyplot.colors()获得matplotlib支持的全部颜色。

别名 颜色 别名 颜色
b 蓝色 g 绿色
r 红色 y 黄色
c 青色 k 黑色
m 洋红色 w 白色

若是这两种颜色不够用，还能够经过两种其余方式来定义颜色值：

  • 使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字（'red','chartreuse'等）。

  • 也能够传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

不少方法能够介绍颜色参数，如title()。

[python]  view plain  copy
 
  1. plt.tilte('Title in a custom color',color='#123456'）  



 

背景色

经过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数，能够指定坐标这的背景色。

 

[python]  view plain  copy
 
  1. subplot(111,axisbg=(0.1843,0.3098,0.3098)  



 

基础

若是你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始而且具备和y一样的长度，所以x的数据是[0,1,2,3].

图片来自:绘图: matplotlib核心剖析

 

肯定坐标范围

  • plt.axis([xmin, xmax, ymin, ymax])
    上面例子里的axis()命令给定了坐标范围。

  • xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围

 

 

[python]  view plain  copy
 
  1. %matplotlib inline  
  2. import numpy as np  
  3. import matplotlib.pyplot as plt  
  4. from pylab import *  
  5. x = np.arange(-5.0, 5.0, 0.02)  
  6. y1 = np.sin(x)  
  7. plt.figure(1)  
  8. plt.subplot(211)  
  9. plt.plot(x, y1)  
  10. plt.subplot(212)  
  11. #设置x轴范围  
  12. xlim(-2.5, 2.5)  
  13. #设置y轴范围  
  14. ylim(-1, 1)  
  15. plt.plot(x, y1)  



 

 

叠加图

用一条指令画多条不一样格式的线。

 

 

[python]  view plain  copy
 
  1. import numpy as np  
  2. import matplotlib.pyplot as plt  
  3. # evenly sampled time at 200ms intervals  
  4. t = np.arange(0., 5., 0.2)  
  5. # red dashes, blue squares and green triangles  
  6. plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')  
  7. plt.show()  



 

 

plt.figure()

你能够屡次使用figure命令来产生多个图，其中，图片号按顺序增长。这里，要注意一个概念当前图和当前坐标。全部绘图操做仅对当前图和当前坐标有效。一般，你并不须要考虑这些事，下面的这个例子为你们演示这一细节。

 

 

[python]  view plain  copy
 
  1. import matplotlib.pyplot as plt  
  2. plt.figure(1) # 第一张图  
  3. plt.subplot(211) # 第一张图中的第一张子图  
  4. plt.plot([1,2,3])  
  5. plt.subplot(212) # 第一张图中的第二张子图  
  6. plt.plot([4,5,6])  
  7. plt.figure(2) # 第二张图  
  8. plt.plot([4,5,6]) # 默认建立子图subplot(111)  
  9. plt.figure(1) # 切换到figure 1 ; 子图subplot(212)仍旧是当前图  
  10. plt.subplot(211) # 令子图subplot(211)成为figure1的当前图  
  11. plt.title('Easy as 1,2,3') # 添加subplot 211 的标题  



 

figure感受就是给图像ID，以后能够索引定位到它。

 

plt.text()添加文字说明

  • text()能够在图中的任意位置添加文字，并支持LaTex语法

  • xlable(), ylable()用于添加x轴和y轴标签

  • title()用于添加图的题目

 

 

[python]  view plain  copy
 
  1. import numpy as np  
  2. import matplotlib.pyplot as plt  
  3. mu, sigma = 100, 15  
  4. x = mu + sigma * np.random.randn(10000)  
  5. # 数据的直方图  
  6. n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)  
  7. plt.xlabel('Smarts')  
  8. plt.ylabel('Probability')  
  9. #添加标题  
  10. plt.title('Histogram of IQ')  
  11. #添加文字  
  12. plt.text(60, .025, r'$\mu=100,\ \sigma=15$')  
  13. plt.axis([40, 160, 0, 0.03])  
  14. plt.grid(True)  
  15. plt.show()  



 


text中前两个参数感受应该是文本出现的坐标位置。

 

plt.annotate()文本注释

在数据可视化的过程当中，图片中的文字常常被用来注释图中的一些特征。使用annotate()方法能够很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。1

 

 

[python]  view plain  copy
 
  1. import numpy as np  
  2. import matplotlib.pyplot as plt  
  3. ax = plt.subplot(111)  
  4. t = np.arange(0.0, 5.0, 0.01)  
  5. s = np.cos(2*np.pi*t)  
  6. line, = plt.plot(t, s, lw=2)  
  7. plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),  
  8. arrowprops=dict(facecolor='black', shrink=0.05),  
  9. )  
  10. plt.ylim(-2,2)  
  11. plt.show()  



 

 

plt.xticks()/plt.yticks()设置轴记号

如今是明白干吗用的了，就是人为设置坐标轴的刻度显示的值。

 

 

[python]  view plain  copy
 
  1. # 导入 matplotlib 的全部内容（nympy 能够用 np 这个名字来使用）  
  2. from pylab import *  
  3. # 建立一个 8 * 6 点（point）的图，并设置分辨率为 80  
  4. figure(figsize=(8,6), dpi=80)  
  5. # 建立一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是惟一的一块）  
  6. subplot(1,1,1)  
  7. X = np.linspace(-np.pi, np.pi, 256,endpoint=True)  
  8. C,S = np.cos(X), np.sin(X)  
  9. # 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条  
  10. plot(X, C, color="blue", linewidth=1.0, linestyle="-")  
  11. # 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条  
  12. plot(X, S, color="r", lw=4.0, linestyle="-")  
  13. plt.axis([-4,4,-1.2,1.2])  
  14. # 设置轴记号  
  15. xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],  
  16. [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])  
  17. yticks([-1, 0, +1],  
  18. [r'$-1$', r'$0$', r'$+1$'])  
  19. # 在屏幕上显示  
  20. show()  



 


当咱们设置记号的时候，咱们能够同时设置记号的标签。注意这里使用了 LaTeX。2

 

移动脊柱 坐标系

 

 

[python]  view plain  copy
 
  1. ax = gca()  
  2. ax.spines['right'].set_color('none')  
  3. ax.spines['top'].set_color('none')  
  4. ax.xaxis.set_ticks_position('bottom')  
  5. ax.spines['bottom'].set_position(('data',0))  
  6. ax.yaxis.set_ticks_position('left')  
  7. ax.spines['left'].set_position(('data',0))  



 

这个地方确实没看懂，囧，之后再说吧，感受就是移动了坐标轴的位置。

 

plt.legend()添加图例

 

 

[python]  view plain  copy
 
  1. plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")  
  2. plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")  
  3. legend(loc='upper left')  



 

 

matplotlib.pyplot

使用plt.style.use('ggplot')命令，能够做出ggplot风格的图片。

 

 

[python]  view plain  copy
 
  1. # Import necessary packages  
  2. import pandas as pd  
  3. %matplotlib inline  
  4. import matplotlib.pyplot as plt  
  5. plt.style.use('ggplot')  
  6. from sklearn import datasets  
  7. from sklearn import linear_model  
  8. import numpy as np  
  9. # Load data  
  10. boston = datasets.load_boston()  
  11. yb = boston.target.reshape(-1, 1)  
  12. Xb = boston['data'][:,5].reshape(-1, 1)  
  13. # Plot data  
  14. plt.scatter(Xb,yb)  
  15. plt.ylabel('value of house /1000 ($)')  
  16. plt.xlabel('number of rooms')  
  17. # Create linear regression object  
  18. regr = linear_model.LinearRegression()  
  19. # Train the model using the training sets  
  20. regr.fit( Xb, yb)  
  21. # Plot outputs  
  22. plt.scatter(Xb, yb, color='black')  
  23. plt.plot(Xb, regr.predict(Xb), color='blue',  
  24. linewidth=3)  
  25. plt.show()  



 

 

给特殊点作注释

好吧，又是注释，多个例子参考一下！

咱们但愿在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，咱们在对应的函数图像位置上画一个点；而后，向横轴引一条垂线，以虚线标记；最后，写上标签。

 

 

[python]  view plain  copy
 
  1. t = 2*np.pi/3  
  2. # 做一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。  
  3. plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")  
  4. scatter([t,],[np.cos(t),], 50, color ='blue')  
  5. annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',  
  6. xy=(t, np.sin(t)), xycoords='data',  
  7. xytext=(+10, +30), textcoords='offset points', fontsize=16,  
  8. arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))  
  9. plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")  
  10. scatter([t,],[np.sin(t),], 50, color ='red')  
  11. annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',  
  12. xy=(t, np.cos(t)), xycoords='data',  
  13. xytext=(-90, -50), textcoords='offset points', fontsize=16,  
  14. arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))  



 

 

plt.subplot()

plt.subplot(2,3,1)表示把图标分割成2*3的网格。也能够简写plt.subplot(231)。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。

plt.axes()

咱们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中能够包含一个，或者多个Axes对象。每一个Axes对象都是一个拥有本身坐标系统的绘图区域。其逻辑关系以下34：

plt.axes-官方文档

  • axes() by itself creates a default full subplot(111) window axis.

  • axes(rect, axisbg='w') where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.

  • axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，所以，如果要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。

show code:

 

 

[python]  view plain  copy
 
  1. http://matplotlib.org/examples/pylab_examples/axes_demo.html  
  2. import matplotlib.pyplot as plt  
  3. import numpy as np  
  4. # create some data to use for the plot dt = 0.001 t = np.arange(0.0, 10.0, dt) r = np.exp(-t[:1000]/0.05) # impulse response x = np.random.randn(len(t)) s = np.convolve(x, r)[:len(x)]*dt # colored noise # the main axes is subplot(111) by default plt.plot(t, s) plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)]) plt.xlabel('time (s)') plt.ylabel('current (nA)') plt.title('Gaussian colored noise') # this is an inset axes over the main axes a = plt.axes([.65, .6, .2, .2], axisbg='y') n, bins, patches = plt.hist(s, 400, normed=1) plt.title('Probability') plt.xticks([]) plt.yticks([]) # this is another inset axes over the main axes a = plt.axes([0.2, 0.6, .2, .2], axisbg='y') plt.plot(t[:len(r)], r) plt.title('Impulse response') plt.xlim(0, 0.2) plt.xticks([]) plt.yticks([]) plt.show()  
  5. dt = 0.001  
  6. t = np.arange(0.0, 10.0, dt)  
  7. r = np.exp(-t[:1000]/0.05) # impulse response  
  8. x = np.random.randn(len(t))  
  9. s = np.convolve(x, r)[:len(x)]*dt # colored noise  
  10. # the main axes is subplot(111) by default  
  11. plt.plot(t, s)  
  12. plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])  
  13. plt.xlabel('time (s)')  
  14. plt.ylabel('current (nA)')  
  15. plt.title('Gaussian colored noise')  
  16. # this is an inset axes over the main axes  
  17. a = plt.axes([.65, .6, .2, .2], axisbg='y')  
  18. n, bins, patches = plt.hist(s, 400, normed=1)  
  19. plt.title('Probability')  
  20. plt.xticks([])  
  21. plt.yticks([])  
  22. # this is another inset axes over the main axes  
  23. a = plt.axes([0.2, 0.6, .2, .2], axisbg='y')  
  24. plt.plot(t[:len(r)], r)  
  25. plt.title('Impulse response')  
  26. plt.xlim(0, 0.2)  
  27. plt.xticks([])  
  28. plt.yticks([])  
  29. plt.show()  



 

pyplot.pie参数

colors颜色

找出matpltlib.pyplot.plot中的colors能够取哪些值？

 

 

[python]  view plain  copy
 
  1. for name,hex in matplotlib.colors.cnames.iteritems():  
  2.   print name,hex  



 

打印颜色值和对应的RGB值。

  • plt.axis('equal')避免比例压缩为椭圆

autopct

  
autopct enables you to display the percent value using Python string formatting. For example, if autopct='%.2f', then for each pie wedge, the format string is '%.2f' and the numerical percent value for that wedge is pct, so the wedge label is set to the string '%.2f'%pct.
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程