Numpy与Matplotlib学习笔记

Numpy与Matplotlib读书笔记2020-05-06

1、numpy

简介

• numpy 是用于处理含有同种元素的多维数组运算的第三方库；

• numpy 库还包括三角运算函数、傅里叶变换、随机和几率分布、基本数值统计、位运算、矩阵运算等很是丰富的功能；

• numpy 库处理的最基础数据类型是由同种元素构成的多维数组（ndarray），简称“数组”；

• 数组中全部元素的类型必须相同，数组中元素能够用整数索引，序号从0开始。ndarray 类型的维度(dimensions)叫作轴(axes)，轴的个数叫作秩(rank)。一维数组的秩为1，二维数组的秩为2，二维数组至关于由两个一维数组构成；

• 因为numpy 库中函数较多且命名容易与经常使用命名混淆，建议采用以下方式引用numpy 库： >>>import numpy as np；

• 其中，as 保留字与import 一块儿使用可以改变后续代码中库的命名空间，有助于提升代码可读性。简单说，在程序的后续部分中，np 代替numpy。

numpy 库经常使用的建立数组函数

函数	描述
np.array([x,y,z],dtype=int)	从Python列表和元祖创造数组
np.arange(x,y,i)	建立一个由x到y，以i为步长的数组
np.linspace(x,y,n)	建立一个由x到y，等分红n个元素的数组
np.indices((m,n))	建立一个m行n列的矩阵
np.random.rand(m,n)	建立一个m行n列的随机数组
np.ones((m,n),dtype)	建立一个m行n列全1的数组，dtype是数据类型
np.empty((m,n),dtyoe)	建立一个m行n列全0的数组，dtype是数据类型

 

 

 

 

 

 

 

 

 

 

numpy 库的算术运算函数

函数	描述
np.add(x1,x2[,y])	y=x1+x2
np.subtract(x1,x2[,y])	y=x1-x2
np.multiply(x1,x2[,y])	y=x1*x2
np.divide(x1,x2[,y])	y=x1/x2
np.floor_divide(x1,x2[,y])	y=x1//x2
np.negative(x[,y])	y=-x
np.power(x1,x2[,y])	y=x1**x2
np.remainder(x1,x2[,y])	y=x1%x2

 

 

 

 

 

 

 

 

 

 

 

 

• 这些函数中，输出参数y 可选，若是没有指定，将建立并返回一个新的数组保存计算结果；若是指定参数，则将结果保存到参数中。例如，两个数组相加能够简单地写为a+b，而np.add(a,b,a)则表示a+=b。

numpy 库的比较运算函数

函数	符号概述
np.equal(x1,x2[,y])	y=x1==x2
np.not_equal(x1,x2[,y])	y=x1!=x2
np.less(x1,x2[,y])	y=x1<x2
np.less_equal(x1,x2[,y])	y=x1<=x2
np.greater(x1,x2[,y])	y=x1>x2
np.greater_equal(x1,x2[,y])	y=x1>=x2
np.where(condition[x,y])	根据给出的条件判断输出x仍是y

 

 

 

 

 

 

 

 

 

 

• 其将返回一个布尔数组，它包含两个数组中对应元素值的比较结果；

• where()函数是三元表达式x if condition else y 的矢量版本。

numpy 库的其余运算函数

函数	描述
np.abs(x)	计算基于元素的整形，浮点或复数的绝对值
np.sqrt(x)	计算每一个元素的平方根
np.squre(x)	计算每一个元素的平方
np.sign(x)	计算每一个元素的符号：1(+),0,-1(-)
np.ceil(x)	计算大于或等于每一个元素的最小值
np.floor(x)	计算小于或等于每一个元素的最大值
np.rint(x[,out])	圆整，取每一个元素为最近的整数，保留数据类型
np.exp(x[,out])	计算每一个元素的指数值
np.log(x),np.log10(x),np.log2(x)	计算天然对数（e），基于10,2的对数

 

 

 

 

 

 

 

 

 

 

 

 

 

2、matplotlib库

简介 

• matplotlib 是提供数据绘图功能的第三方库，其pyplot 子库主要用于实现各类数据展现图形的绘制；
• matplotlib.pyplot 是matplotlib 的子库，引用方式以下： >>>import matplotlib.pyplot as plt；
• 上述语句与import matplotlib.pyplot 一致，as 保留字与import 一块儿使用可以改变后续代码中库的命名空间，有助于提升代码可读性。简单说，在后续程序中，plt 将代替matplotlib.pyplot；
• matplotlib 库由一系列有组织有隶属关系的对象构成，这对于基础绘图操做来讲显得过于复杂。所以，matplotlib 提供了一套快捷命令式的绘图接口函数，即pyplot 子模块。pyplot 将绘图所须要的对象构建过程封装在函数中，对用户提供了更加友好的接口。pyplot 模块提供一批预约义的绘图函数，大多数函数能够从函数名辨别它的功能。

plt 库的绘图区域函数

plt.figure(figsize=None,facecolor=None)	建立一个全局绘图区域
plt.axes(rect.axisbg='w')	建立一个坐标系风格的子绘图区域
plt.subplot(nrows,ncols,plot_number)	在全局绘图区域中建立一个子绘图区域
plt.subplots_adjust()	调整子绘图区域的布局

 

 

 

 

 

 

• 使用figure()函数建立一个全局绘图区域，而且使它成为当前的绘图对象，figsize参数能够指定绘图区域的宽度和高度，单位为英寸。鉴于figure()函数参数较多，这里采用指定参数名称的方式输入参数。 >>> plt.figure(figsize=(8,4))
• subplot()都用于在全局绘图区域内建立子绘图区域，其参数表示将全局绘图区域分红nrows 行和ncols 列，并根据先行后列的计数方式在plot_number 位置生成一个坐标系，实例代码以下，三个参数关系如图10.3 所示。其中，全局绘图区域被风割成3x2 的网格，其中，在第4 个位置绘制了一个坐标系；
• axes()默认建立一个subplot(111)坐标系，参数rec = [left,bottom,width,height]中四个变量的范围都为[0,1]，表示坐标系与全局绘图区域的关系；axisbg 指背景色，默认为white。

plt 库的读取和显示函数

函数	描述
plt.legend()	在绘图区域中方式绘图标签（也称图注）
plt.show()	显示建立的绘图对象
plt.matshow()	在窗口显示数组矩阵
plt.inshow()	在axes上显示图像
plt.imsave()	保存数组为图像文件
plt.imread()	从图像文件中读取数组

 

 

 

 

 

 

 

 

 

plt 库的基础图表函数

操做	描述
plt.plot(x,y,label,color,width)	根据x，y数组绘制直/曲线
plt.boxplot(data,notch,position)	绘制一个箱型图（Box-plot）
pli.bar(left,height,width,bottom)	绘制一个条形图
plt.barh(bottom,width,height,left)	绘制一个横向条形图

 

 

 

 

 

 

 

plt 库的基础图表函数

plt.polar(theta,r)	绘制横坐标图
plt.pie(data.explode)	绘制饼图
plt.psd(x,NFFT=256,pad_to,Fs)	绘制功率谱密度图
plt.specgram(x,NFFT=256,pad_to,F)	绘制谱图
plt.cohere(x,y,NFFT=256,Fs)	绘制X-Y的相关性函数
plt.scatter()	绘制散点图（x，y长度相同的序列）
plt.steo(x,y,where)	绘制步阶图
plt.hist(x,bins,normed)	绘制直方图

 

 

 

 

 

 

 

 

 

 

 

 

将Python123中做业成绩绘制成雷达图

 1 import numpy as np
 2 import matplotlib.pyplot as plt
 3 
 4 #标签
 5 labels = np.array(['第一周','第二周','第三周','第四周','第五周','第六周'])
 6 #数据个数
 7 dataLenth = 6
 8 #数据
 9 data = np.array([50,100,93,107,110,60])
10 
11 angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False)
12 data = np.concatenate((data, [data[0]])) # 闭合
13 angles = np.concatenate((angles, [angles[0]])) # 闭合
14 
15 fig = plt.figure()
16 ax = fig.add_subplot(111, polar=True)# polar参数！！
17 ax.plot(angles, data, 'bo-', linewidth=2)# 画线
18 ax.fill(angles, data, facecolor='r', alpha=0.55)# 填充
19 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
20 ax.set_title("马晓嘉（学号：2019310143026）成绩雷达图", va='bottom', fontproperties="SimHei")
21 ax.set_rlim(0,110)
22 ax.grid(True)
23 plt.show()

View Code

 

 自定义手绘风

 1 from PIL import Image
 2 import numpy as np
 3 
 4 a = np.asarray(Image.open("d:\GEM.jpg").convert('L')).astype('float')
 5 
 6 depth = 10.     #(0-100)
 7 grad = np.gradient(a)       #取图像灰度的梯度值
 8 grad_x, grad_y = grad       #分别取横纵图像的梯度值
 9 grad_x = grad_x*depth/100.
10 grad_y = grad_y*depth/100.
11 A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
12 uni_x = grad_x/A
13 uni_y = grad_y/A
14 uni_z = 1./A
15 
16 vec_el = np.pi/2.2      # 光源的俯视角度，弧度值
17 vec_az = np.pi/4.       # 光源的方位角度，弧度值
18 dx = np.cos(vec_el)*np.cos(vec_az)  #光源对x 轴的影响
19 dy = np.cos(vec_el)*np.sin(vec_az)  #光源对y 轴的影响
20 dz = np.sin(vec_el)                 #光源对z 轴的影响
21 
22 b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)    #光源归一化
23 b = b.clip(0,255)
24 
25 im = Image.fromarray(b.astype('uint8')) #重构图像
26 im.save('GEM.jpg')
27 print("图像手绘化已完成")

View Code

这里我用了我偶像GEM邓紫棋的新专辑图片，来看看效果吧！

                 

使用matplotlib绘制sinx,cosx图像

 

 1 from matplotlib import pyplot as plt
 2 import numpy as np
 3 plt.figure(figsize=(4,2))#生成的图片的大小
 4 x = np.linspace(-2 * np.pi,2*np.pi,100)#设置一个序列(-2pi,2pi,之间设置100个点)
 5 y = np.sin(x)#须要绘制的函数
 6 y1 = np.cos(x)
 7 
 8 plt.ylim(-1,1)#限制y轴的范围
 9 plt.xlim(-4,4)#x轴的范围
10 
11 plt.xlabel("X")
12 plt.ylabel("Y")
13 plt.title("sinx cosx ")
14 plt.plot(x,y,label="sinx")
15 plt.plot(x,y1,label = "cosx")
16 plt.text(1,1,"Text",fontdict={'size':16,'color':'r'})
17 plt.annotate('sin(np.pi)=',xy =(-np.pi,0),xytext=(-np.pi,2),fontsize=16,
18              arrowprops = dict(facecolor='black',shrink=0.01))#设置注释 
19 plt.show()

View Code