数据可视化(matplotilb)

一，matplotilb库（数学绘图库）

　　　　mat数学 plot绘图  lib库

　　　　matplotlib.pyplot(缩写mp)->python 最常用接口

　　　　mp.plot(水平坐标，垂直坐标数组)

　　　　X:[1 2 3 4]

　　　　Y:[5 6 7 8]

　　　　.mp.plot(X,Y)

　　　　代码：plot(xxx,linestyle=线型，linewidth=线宽，color=颜色)

　　例：

　　

 import numpy as np
 import matplotlib.pyplot as mp
 from numpy import pi

 x= np.linspace(-np.pi,np.pi,1000)  #线性空间划分  1000个横坐标
 #余弦曲线坐标
 cos_y = np.cos(x)/2  #x是一个数组 numpy的cos可以接受数组，无需遍历矢量化
 #正弦曲线坐标
 sin_y = np.sin(x)
 #x水平坐标,cos_y , sin_y 垂直坐标
 # mp.plot((x,cos_y),color='limegreen')
 mp.plot(x,cos_y,linestyle='--',linewidth=10,color='black')
 mp.plot(x,sin_y)
 mp.show()

　　看手册功能：help(mp.plot)

　　设置图标范围

　　　　mp.xlim(左边界，右边界)

　　　　mp.xlim(地边界，顶边界)

　　　　功能：设置图标范围

　　　　如果设置最大值最小值，则全部填满。

　　显示弧度值：

　　　　mp.xticks(刻度位置数组，刻度文本数组)

　　　　mp.yticks(刻度位置数组，刻度文本数组)

　　　　刻度文本数组转义字符串写法：

　　　　　　[r'$\pi$,r'$\frac{分子}{分母}$',r'$0$']

　　　　　　3/4pi = >r'$\frac{3\pi}{4}$'

　　引十字座标：

　　　　作用：拿到框线的轴

　　　　　　ax=mp.gca()  　　#获取等前坐标轴

　　　　　　ax.spines['left'].set_position(('data',0))　　#设置位置边框（有四边）　　　　

　　　　　   ax.spines['left'].set_color(颜色)  　　#设置位置边框颜色

　　　　显示图列和位置

　　　　　　mp.plot(...,label=r'$y=sin(x)$')

　　　　　　mp.legend(loc='upper left')

　　　　标记一些特殊的点：

　　　　　　散点图（不连线）

　　　　　　mp.scatter(水平坐标数组，垂直坐标数组，marker=点型，s=大小，edgecolor=勾边色，faceolor=填充色，zorder=Z序)

　　　　　　Z序就是绘画的顺序，zorder数越大，点越晚压在线上

　　　　　　　　Matplotilb绘画顺序是线画点，再画线

　　　　　图上做注释：

　　　　　　mp.annotate(备注文本，xy=目标位置，需要coords=目标坐标系，xytext=文本位置，Textcoords=文本坐标系，fontsize=字体大小，arrowprops=箭头属性)

　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 x =np.linspace(-np.pi,np.pi,1000)  #线性空间划分

 cos_y = np.cos(x)/2     #x是一个数组nupmy的cos可以接受数组，无需遍历矢量化
 sin_y=np.sin(x)
 xo=np.pi*3/4
 yo_cos=np.cos(xo)/2
 yo_sin = np.sin(xo)

 # mp.xlim(x.min(),x.max())  #取最小的值做x的左边界，最大值右边界
 # mp.ylim(sin_y.min(),sin_y.max())

 #乘上1.1，上下左右都空开距离
 mp.xlim(x.min()*1.1,x.max()*1.1)
 mp.ylim(sin_y.min()*1.1,sin_y.max()*1.1)

 mp.xticks([
     -np.pi,-np.pi/2,0,np.pi/2,np.pi*3/4,np.pi],
     [r'$-\pi$',r'$-\frac{\pi}{2}$',r'$0$',r'$\frac{\pi}{2}$',r'$\frac{3\pi}{4}$',r'$\pi$']
 )
 mp.yticks([-1,-0.5,0,5,1])

 ax = mp.gca()
 ax.spines['left'].set_position(('data',0))
 ax.spines['bottom'].set_position(('data',0))
 ax.spines['right'].set_color('none')       #设置为color=none就没有边框了
 ax.spines['top'].set_color('none')      #设置为color=none就没有边框了

 mp.scatter([xo,xo],[yo_cos,yo_sin],s=60,
            edgecolors='limegreen',facecolor='white',zorder=10
            )

 mp.annotate(
     r'$\frac{1}{2}cos(\frac{3\pi}{4})=-\frac{\sqrt{2}}{4}$',
     xy=(xo,yo_cos),xycoords='data',
     xytext=(-90,-40),textcoords='offset points',
     fontsize=14,
     arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))

 mp.annotate(
     r'$sin(\frac{3\pi}{4})=-\frac{\sqrt{2}}{2}$',
     xy=(xo,yo_sin),xycoords='data',
     xytext=(20,20),textcoords='offset points',
     fontsize=14,
     arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=.2'))

 mp.plot([xo,xo],[yo_cos,yo_sin],linestyle='--',linewidth=1,color='limegreen')

 mp.plot(x,cos_y,linestyle='-',linewidth=2,color='dodgerblue',label =r'$y=cos(x)$')
 mp.plot(x,sin_y,linestyle='-',linewidth=2,color='orangered',label =r'$y=sin(x)$')
 mp.legend(loc='upper left')
 mp.show()

==============================================以上是常用matplotilb方法=====================================================

图形对象

　　1.具体写法：

　　　　　　mp.figure(图形对象名，figsize=窗口大小，dpi=分辨率，facecolor=窗口颜色)

　　　　　　mp.figure()方法：

　　　　　　　　第一次调用是创建，第二次创建为再次置为当前口

　　　　　　mp.title()写标题

　　　　　　　　mp.title('XXXX',fontsize=20)

　　　　　　mp.xlabel()坐标轴的标签

　　　　　　　　mp.xlabel(标签文字，字体大小)

　　　　　　　　mp.xlabel('x',fortsize=12)

　　　　　　mp.tick_params()设置刻度参数

　　　　　　　　mp.tick_params(labelsize=10)

　　　　　　mp.grid()设置格线

　　　　　　　　mp.grid(linestyle=':')

　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 x= np.linspace(-np.pi,np.pi,1000)
 cos_y = np.cos(x)/2
 sin_y=np.sin(x)

 mp.figure('Figuer Objecti 1',figsize=(6,4),dpi=120,facecolor='lightgray')
 mp.title('Figure Objcet 1',fontsize=16)

 mp.xlabel('x',fontsize=12)
 mp.xlabel('y',fontsize=12)
 mp.tick_params(labelsize=10)
 mp.grid(linestyle=':')

 mp.figure('Figuer Objecti 2',figsize=(6,4),dpi=120,facecolor='lightgray')
 mp.title('Figure Objcet 2',fontsize=16)

 mp.xlabel('x',fontsize=12)
 mp.xlabel('y',fontsize=12)
 mp.tick_params(labelsize=10)
 mp.grid(linestyle=':')

 mp.figure('Figuer Objecti 1') #再调用一下figuer o1,就会到1的窗口下绘画
 mp.plot(x,cos_y,label=r'$y=\frac{1}{2}cos(x)$')
 mp.legend()
 mp.figure('Figuer Objecti 2') #再调用一下figuer o2,就会到2的窗口下绘画
 mp.plot(x,sin_y,label=r'$y=sin(x)$')
 mp.legend()

 mp.show()   #只有show针对所有，其余的函数都只针对当前对象

　　2.图形

　　　　1）子图

　　　　　　创建子图，大图里创建子图

　　　　　　1.缺省（默认）布局：

　　　　　　　　mp.subplot(行数，列数，图号)　　

　　　　　　例：mp.subplot(2,3,1)或者mp.subplot(231)

　　　　　　　　子图显示文字：

　　　　　　　　　　mp.text(对应中心位置的比例，对应中心位置的比例，图号数值，

　　　　　　　　　　　　　　ha=水平对其方式，va=垂直对齐方式，

　　　　　　　　　　　　　　size=尺寸大小，alpha=透明度)

　　　　　　　　　　mp.tight_layout()     紧凑 不空很多格 边距变窄　　

　　　　　　 例：

 import matplotlib.pyplot as mp
 mp.figure(facecolor='lightgray')
 for i in range(2):      #2代表2行
     for j in range(3):      #3代表3列
             k= i * 3+j+1
             #mp.subplot(231)    #2行3列第一张
             mp.subplot(2,3,k)
             mp.xticks(())       #不带刻度线
             mp.yticks()
             mp.text(0.5,0.5,str(k),ha='center',va='center',size=36,alpha=0.5)

 mp.tight_layout()       #紧凑 不空很多格 边距变窄
 mp.show()

　　　　　2.栅格布局

　　　　　　　　先建立一个栅格布局器：

　　　　　　　　　　import matplotlib.gridspes as mg

　　　　　　　　　　gs = mg.GridSpes(行数，列数)　　　　<-栅格布局器

　　　　　　　　　　mp.subplot(gs[行，列])

　　　　　　栅格布局优势：布局均匀

　　　　　　　例：

 import matplotlib.pyplot as mp
 import matplotlib.gridspec as mg

 mp.figure(facecolor='lightgray')
 gs=mg.GridSpec(3,3)  #生成栅格布局器，3行3列  九宫格
 mp.subplot(gs[0,:2])      #gs[0,:2]，0代表第0行，:2代表前两例
 mp.xticks(())
 mp.yticks(())
 mp.text(0.5,0.5,'',ha='center',va='center',size=36,alpha=0.5)

 mp.subplot(gs[1:,0])
 mp.xticks(())
 mp.yticks(())
 mp.text(0.5,0.5,'',ha='center',va='center',size=36,alpha=0.5)

 mp.subplot(gs[2,1:])
 mp.xticks(())
 mp.yticks(())
 mp.text(0.5,0.5,'',ha='center',va='center',size=36,alpha=0.5)

 mp.tight_layout()
 mp.show()

　　　　　3.自由布局

　　　　　　　　mp.axes([左下角水平坐标，左下角垂直坐标，宽度，高度])

　　　　　　　　优点：所有尺寸参数都是相对比例

　　　　　　　　缺点：同时输入几个，最后一张图能在另一张里面

　　　　　　　例：

 import matplotlib.pyplot as mp

 mp.figure(facecolor='lightgray')
 mp.axes([0.03,0.038,0.94,0.924])
 mp.xticks(())
 mp.yticks(())
 mp.text(0.5,0.5,'',ha='center',va='center',size=36,alpha=0.5)

 mp.axes([0.63,0.076,0.31,0.308])
 mp.xticks(())
 mp.yticks(())
 mp.text(0.5,0.5,'',ha='center',va='center',size=36,alpha=0.5)

 mp.show()

　　　2）坐标刻度定位器

　　　　　　　定位器对象=mp.xxLocator(...)

　　　　　　　　　　ax=mp.gca()

　　　　　　　主刻度：ax.xaxis.set_major_locator(定位器对象)#x轴，让定位器对象帮我们定义刻度。

　　　　　　　次刻度：ax.xaxis.set_minor_locator(定位器对象)#x轴，让定位器对象帮我们定义刻度

　　　　　　　locators=[

　　　　　　　　　　　　'mp.NullLocator()',　　　　#空定位器。不需要参数，可以被解释执行

　　　　　　　　　　　　'mp.MaxNLocator(nbins=3,steps=[1,3,5,7,9])',　　#等分定位器。最多分n段，从后续列表中选一个等分的点

　　　　　　　　　　　    'mp.FixedLocator(locs=[0,2,5,5,7,5,10])', 　　　　#固定定位器。等价于直接调用xticks。
　　　　　　　　　　　　 'mp.AutoLocator()',　　　　　　　　　　　　#自动定位器。特点：隔间不太密也不太疏，自动匹配
　　　　　　　　　　　 　'mp.IndexLocator(offset=0.5,base=1.5)',　　#索引定位器。Offset起始点，base是隔间。
　　　　　　　　　　　　'mp.MultipleLocator()',　　　　　　　　　　#次刻度定位器。
　　　　　　　　　 　　   'mp.LinearLocator(numticks=21)',　　　　　#线性均分定位。如例子，等分20份。
　　　　　　　　　　　　mp.LogLocator(base=2,subs=[1.0])'　　　　#指数定位器。
　　　　　　　　　　　　]

　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 mp.figure()

 locators = [
     'mp.NullLocator()',
     'mp.MaxNLocator(nbins=3,steps=[1,3,5,7,9])',
     'mp.FixedLocator(locs=[0,2.5,5,7.5,10])',
     'mp.AutoLocator()',
     'mp.IndexLocator(offset=0.5,base=1.5)',
     'mp.MultipleLocator()',
     'mp.LinearLocator(numticks=21)',
     'mp.LogLocator(base=2,subs=[1.0])']

 n_locators = len(locators)

 for i, locator in enumerate(locators):
     mp.subplot(n_locators,1,i+1)
     mp.xlim(0,10)
     mp.ylim(-1,1)
     mp.yticks(())
     mp.xticks(())
     ax = mp.gca()
     ax.spines['left'].set_color('none')
     ax.spines['top'].set_color('none')
     ax.spines['right'].set_color('none')
     ax.spines['bottom'].set_position(('data',0)) #底轴放中间 因为1到-1,0在中间
     ax.xaxis.set_major_locator(eval(locator)) #eval函数解释执行 产生类的对象，主刻度执行器
     ax.xaxis.set_minor_locator(mp.MultipleLocator(0.1))#此刻度定位 0.1为间隔
     #上面做完但是没有图
     mp.plot(np.arange(11),np.zeros(11),c='none')  #zeros是全零 y坐标
     mp.text(5,0.3, locator[3:], ha='center',size=12)

 mp.tight_layout()
 mp.show()

　　　　　　3.散点图

　　　　　　　　散点图的意义：

　　　　　　　　　　　　可以让一个点附带更多信息。

　　　　　　　　　　　　总是用两个坐标想，y坐标来表示。

　　　　　　　　例子：x代表身高，y代表年龄

　　　　　　　　　　X=np.random.normal(0,　　　　 1,       　　n)这是正态分布规律的随机数　　　　　

　　　　　　　　　　　　　　　　　　　　|　　　  　|　　　　|

　　　　　　　　　　　　　　　　　　　　V　　　　V　　　　v

　　　　　　　　　　　　　　　　　　平均值u　　标志差　　n个

　　　　　　　　　　u=0

　　　　　　　　　　o=1　　代表标准的正太分布

　　　　　　　　　　o　　表示标准差  o 值越大就越集中； o值越小瘦高 ， o越大越平坦。

　　　　　　　　　　o²方差

　　　　　　　　　　区域填充

　　　　　　　　　　mp.fill_between(水平座标数组,垂直座标数组,垂直座标终点数组,条件,color=颜色,alpha=透明度)

 import numpy as np
 import matplotlib.pyplot as mp

 n=1000
 x=np.linspace(0,8*np.pi,n)#线性分隔
 sin_y =np.sin(x)
 cos_y=np.cos(x/2)/2     #周期短频率高

 mp.figure('Fill',facecolor='lightgray')
 mp.title('Fill',fontsize=20)
 mp.xlabel('x',fontsize=14)
 mp.ylabel('y',fontsize=14)
 mp.tick_params(labelsize=10)            #标签文本的字体大小
 mp.grid(linestyle=':')

 mp.plot(x,sin_y,c='dodgerblue',label=r'$y=sin(x)$') #线用plot来画
 mp.plot(x,cos_y,c='orangered',label=r'$y=\frac{1}{2}cos(\frac{x}{2})$')
 mp.fill_between(x,cos_y,sin_y,cos_y < sin_y,color='dodgerblue',alpha=0.5)
 mp.fill_between(x,cos_y,sin_y,cos_y > sin_y,color='orangered',alpha=0.5)
 mp.legend()

 mp.tight_layout()
 mp.show()

　　　　　　4.柱状图

　　　　　　　　mp.bar(水平坐标数组，高度数组，ec=边缘颜色，fc=填充颜色，label=标签文本，alpha=透明度)

　　　　　　　　y1=np.random.uniform(0.5,1.0,n)

　　　　　　　　在0.5和1.0内产生n个随机数

　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 n=12
 x=np.arange(n)  #生成整数数组
 y1 =(1-x/n)*np.random.uniform(0.5,1.0,n)
 y2 =(1-x/n)*np.random.uniform(0.5,1.0,n)
 mp.figure('Bar',facecolor='lightgray')
 mp.title('Bar',fontsize=20)
 mp.ylim(-1.25,1.25)
 mp.xlabel('x',fontsize=14)
 mp.ylabel('y',fontsize=14)    #12个数字
 mp.tick_params(labelsize=10)
 mp.grid(axis='y',linestyle=':')     #axis='y'   只有水平线的网格

 for _x,_y in zip(x,y1):
     #取矩形条的位置和高度
     #显示文字，两位小数精度的浮点数来表示格式化占位符
     mp.text(_x,_y,'%.2f'% _y,ha='center',va='bottom')  #块在水平底下

 for _x, _y in zip(x,y2):
     #取矩形条的位置和高度
     #显示文字，两位小数精度的浮点数来表示格式化占位符
     mp.text(_x, -_y-0.015,'%.2f'% _y,ha='center',va='top')  #块在水平底下

 mp.bar(x,y1,ec='white',fc='dodgerblue',label='Sample 1')
 mp.bar(x,-y2,ec='white',fc='dodgerblue',alpha=0.5,label='Sample 2')
 mp.legend()

 mp.show()

　　　　　　5.饼图

　　　　　　　　mp.pie(值，间隙，标签，颜色，格式串，shadow=是否带阴影，startangle=起始角度)

　　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 valuse=[26,17,21,29,11]
 spaces=[0.05,0.01,0.01,0.01,0.01]     #偏移值，每个饼图之间的间距
 labels=['Python','JavaScript','C++','Java','PHP']
 colors=['dodgerblue','orangered','limegreen','violet','gold']

 mp.figure('Pie',facecolor='lightgray')
 mp.title('Pie',fontsize=20)
 mp.pie(valuse,spaces,labels,colors,'%d%%',shadow=True,startangle=90)
 mp.axis('equal') #等轴比例
 mp.show()

　　　　　　6.等高线图

　　　　　　　　用途：用二维的图形来展示三维的数据，多用在地理中。

　　　　　　　　　　mp.contour(x,y,z,线数，colors=颜色，linewidth=线宽)　　　　#一根根线

　　　　　　　　　　mp.contourf(x,y,z,线数，cmap=颜色映射)　　　　#一根根色带线（颜色鲜明点）

　　　　　　　　　　　　　　　　　　|

　　　　　　　　　　　　　　　　　　V

　　　　　　　　　　　　　　　　　　N个线数，n个间隔，间隔越多，色带越密集。

　　　　　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 n=1000
 x,y=np.meshgrid(np.linspace(-3,3,n),np.linspace(-3,3,n))

 #结果是一个空间曲面
 z= (1 -x /2+x**5+y**3)*np.exp(-x**2-y**2)

 mp.figure('Contour',facecolor='lightgray')
 mp.title('Contour',fontsize=20)
 mp.xlabel('x',fontsize=14)
 mp.ylabel('y',fontsize=14)
 mp.tick_params(labelsize=10)
 mp.grid(linestyle=':')
 #颜色填充等高线
 mp.contourf(x,y,z,8,cmap='jet')
 cntr= mp.contour(x,y,z,8,colors='black',linewidths=0.5)

 mp.clabel(cntr,inline_spacing=1,fmt='%.1f',fontsize=10) #填充数字
 mp.show()

　　　　　　meshgrid函数：

　　　　　　　　适合于生成网格型数据，它可以接受两个一个数维组生成两个二维矩阵，对应两个数组中所有的(x,y)对。

　　　　　　　　meshgrid的作用是 根据传入的两个一维数组参数生成两个数组元素的列表。

　　　　　　如果第一个参数xarray,维度就是xdimension

　　　　　　如果第二个参数是yarray,维度就是ydimension

　　　　　　那么生成第一个二维数组是以xarray作为行，共ydimension行，而第二个二维数组以yarray的转置为列，共xdimension列的向量

　　　　　　例：

　　　　　　

 #meshgrid

 # 二维坐标，X轴取三个值1,2,3，Y轴取两个值7,8.
 #思考：可以获得几个点的坐标
 #6个坐标点
 #(1,7)(2,7)(3,7)
 #(1,8)(2,8)(3,8)

 import numpy as np
 #坐标向量a
 a=np.array([1,2,3])
 #坐标向量b
 b=np.array([7,8])

 #从坐标中量中返回坐标矩阵
 #返回一个list,第一个元素就是x轴的取值，第二个元素是y轴的取值
 res=np.meshgrid(a,b)
 print(res)

 a2=np.arange(4)
 b2=np.arange(5)

 datalist=np.meshgrid(a2,b2)
 # print(datalist)
 x,y=datalist
 print(x.shape)
 print(x)
 print("*"*123)
 print(y)

　　　　　　返回结果：

　　　　　　　　　　第一个二维数组是：以xarray作为行，共ydimension行的向量:

　　　　　　　　　　　　[[0 1 2 3]
　　　　　　　　　　　　[0 1 2 3]
　　　　　　　　　　　　[0 1 2 3]
　　　　　　　　　　　　[0 1 2 3]
　　　　　　　　　　　　[0 1 2 3]]

　　　　　　　　　　第为个二维数组是：以yarray作为行，共xdimension行的向量:

　　　　　　　　　　　　[[0 0 0 0]
　　　　　　　　　　　　[1 1 1 1]
　　　　　　　　　　　　[2 2 2 2]
　　　　　　　　　　　　[3 3 3 3]
　　　　　　　　　　　　[4 4 4 4]]

　　　　　　

　　　　　　7.热像图：

　　　　　　　　　　mp.imshow(矩阵,cmap=颜色映射，origin=确定y轴方向

　　　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp

 n=1000
 x,y=np.meshgrid(np.linspace(-3,3,n),np.linspace(-3,3,n))

 #结果是一个空间曲面
 z= (1 -x /2+x**5+y**3)*np.exp(-x**2-y**2)

 mp.figure('Hot',facecolor='lightgray')
 mp.title('Hot',fontsize=20)
 mp.xlabel('x',fontsize=14)
 mp.ylabel('y',fontsize=14)
 mp.tick_params(labelsize=10)
 mp.grid(linestyle=':')

 mp.imshow(z,cmap='jet',origin='low')    #origin是上下颠倒的顺序(没什么必要)
 mp.show()

　　　　　　

　　　　　　8.三维曲面图：

　　　　　　　　　　主要指：三维贴面和三维线框

　　　　　　　　　　引入库：

　　　　　　　　　　　　　　from mpl_toolkits.mplot3d import axes3d

　　　　　　　　　　　　　　ax= mp.gca(projection='3d')　　　　#创建三维效果的坐标轴

　　　　　　　　　　　　　　ax.plot_surface(x,y,z,rstride=行距，cstride=列距，cmap=颜色映射)

　　　　　　　　　　　　　　ax.plot_wireframe(x,y,z,rstride=行距，cstride=列距，linewidth=线宽,cmap=颜色映射)

　　　　　　　　　例：

 from mpl_toolkits.mplot3d import axes3d
 import numpy as np
 import matplotlib.pyplot as mp

 n=1000
 x,y=np.meshgrid(np.linspace(-3,3,n),np.linspace(-3,3,n))

 #结果是一个空间曲面
 z= (1 -x /2+x**5+y**3)*np.exp(-x**2-y**2)

 mp.figure('3d Wireframe')
 ax = mp.gca(projection='3d')    #生成ax 3d对象
 mp.title('3d Wireframe',fontsize=20)
 #3d图里不能再用mp画标签，mp是2d的
 ax.set_xlabel('x', fontsize=14)
 ax.set_ylabel('y', fontsize=14)
 ax.set_zlabel('z', fontsize=14)
 mp.tick_params(labelsize=10)
 ax.plot_wireframe(x,y,z,rstride=30,cstride=30,linewidth=0.5,color='orangered')
 #ax.plot_wireframe(x,y,z,rstride=30,cstride=30,cmap='jet')
 mp.show()

　　　　　　

　　　　　　9.三维三点图：

　　　　　　　　　　from mpl_toolkits.mplot3d import axes3d

　　　　　　　　　　ax=mp.gca(projection='3d')　　　　#创建三维效果的坐标轴

　　　　　　　　　　ax.scatter(x,y,z,s=大小，c=颜色,marker=点型)

　　　　　　　　例：

　　　　　　　　

 from mpl_toolkits.mplot3d import axes3d
 import numpy as np
 import matplotlib.pyplot as mp

 n=1500
 x=np.random.normal(0,1,n)
 y=np.random.normal(0,1,n)
 z=np.random.normal(0,1,n)
 d=np.sqrt( x **2+y**2+z**2)     #距离正下方的点 空间原点距离

 mp.figure('Scatter3D')
 ax = mp.gca(projection='3d')    #生成ax 3d对象
 mp.title('Scatter3D',fontsize=20)
 #3d图里不能再用mp画标签，mp是2d的
 ax.set_xlabel('x', fontsize=14)
 ax.set_ylabel('y', fontsize=14)
 ax.set_zlabel('z', fontsize=14)
 mp.tick_params(labelsize=10)    #标签文本的字体

 ax.scatter(x,y,z,s=60,c=d,cmap='jet_r',alpha=0.5,marker='*')   #用距离来做颜色，cmap颜色映射,颜色就和距离对应起来
 #jet_c 0对应深红，最大值对应深蓝；marker='*' 五角星 marker="s"方块，marker="D"菱形
 mp.show()

　　　　

　　　　　　10.极坐标系

　　　　　　　　　　ax=mp.gca(Projection='Polar')　　　　#二维

　　　　　　　　　　mp.plot...(画曲线)

　　　　　　　　　　mp.scatter...

　　　　　　　　x,y(x代表极角，y代表极径）

　　　　　　 　　六元回归线　　六片花瓣

　　　　　　　　　　六元回归线 表达由线尺寸和角度尺寸之间的函数关系 比较容易角度作极角，线性尺寸作极径。它往往是一个简单的线性方程，使整个操作个能简单化。

　　　　　　　　例：

　　　　

 from mpl_toolkits.mplot3d import axes3d
 import numpy as np
 import matplotlib.pyplot as mp

 t = np.linspace(0,2 * np.pi,1001)#线性等分  0,2pi 一圈
 r_spiral=0.8*t #螺旋线方程
 r_rose=5*np.sin(6*t)#玫瑰线   六元回归线    六瓣
 mp.figure('Polar',facecolor='lightgray')
 mp.gca(projection='polar')
 mp.title('Polar',fontsize=20)
 mp.xlabel(r'$\theta$',fontsize=14)
 mp.ylabel(r'$\rho$',fontsize=14)
 mp.tick_params(labelsize=10)        #标签文本的字体
 mp.grid(linestyle=':')
 mp.plot(t,r_spiral,c='dodgerblue',label=r'$\rho=0.8\theta$')

 mp.plot(t,r_rose,c='orangered',label=r'$\rho=5sin(6\theta)$')
 mp.legend()
 mp.show()

　　　　　　11.简单动画

　　　　　　　　　　引入库:import matplotlib.animation as ma

　　　　　　　　　　1.第一种方式：给定一个函数，自己不调取，让别人调取

　　　　　　　　　　Eg.:def 更新函数（顺序号）：　　#（）这个函数不调取；这步完成一个图像生成器，按照一定的频率去刷新显示。每刷新一次，图形变化一次，产生动画效果）

　　　　　　　　　　　　　　更新画面帧 　　　　#给FuncAnimation调取

　　　　　　　　　　　　ma.FuncAnimation(图形对象，更新函数，interval=间隔时间(毫秒),)

　　　　　　　　　　　　#作用：每间隔多少毫秒，就会调取这个更新函数。

　　　　　　　　　　　　注：一定要绑定anim = ma.FuncAnimation(mp.gcf(),update,interval=10)

　　　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp
 import matplotlib.animation as ma

 n_bubbles=100
 #自定义结构 每个数组就是每个气泡（气泡数组）
 #dtype自定义符合结构
 bubbles = np.zeros(n_bubbles,dtype=[
                                     ('position',float, 2),
                                     ('size',float,1),
                                     ('growth',float,1),
                                     ('color',float,4)])
 #初始化位置数组
 #np.random.uniform均匀分布随机数（最小值）
 bubbles['position']=np.random.uniform(0,1,(n_bubbles,2))
 bubbles['size']=np.random.uniform(50,750,n_bubbles)
 bubbles['growth']=np.random.uniform(30,150,n_bubbles)
 bubbles['color']=np.random.uniform(0,1,(n_bubbles,4))
 mp.figure('Bubbles',facecolor='lightgray')
 mp.title('Bubbles',fontsize=20)
 mp.xticks(())
 mp.yticks(())
 #用散点图画
 #x轴:bubbles['position'][:,0];y轴:bubbles['position'][:,1],
 #不能用s=数值，这么写所有气泡都一个大小了。
 sc = mp.scatter(bubbles['position'][:,0],
            bubbles['position'][:,1],
            s=bubbles['size'],
            c=bubbles['color'])
 def update(number):
     bubbles['size'] += bubbles['growth']
     #气泡破裂方法
     #根据number数，让不同的气泡发生破裂。
     #变成0-99之间的循环 做取余运算 让下标总是合理
     burst = number % n_bubbles
     bubbles['position'][burst] = np.random.uniform(0, 1, 2)
     bubbles['size'][burst] = 0 #初始大小等于0
     bubbles['growth'][burst] = np.random.uniform(30,150) #更新膨胀速度
     bubbles['color'][burst] = np.random.uniform(0, 1, 4)
     #修改位置的值
     sc.set_offsets(bubbles['position'])
     #修改颜色 ,破裂效果产生了
     sc.set_facecolor(bubbles['color'])

     sc.set_sizes(bubbles['size'])
     #修改size里的值
     sc.set_sizes(bubbles['size'])
 anim = ma.FuncAnimation(mp.gcf(),update,interval=10)
 mp.show()

　　　　　　　　　　2.第二种方式：多加一个生成器，把这个生成器当作一个可迭代对象取迭代。迭代中不断生成数据作为参数来调用。通过第二个函数传入的更新函数，由它完成渲染。通过一个函数产生的数据，另一个函数渲染数据，从设计结构上更合理，符合低耦合的设计原则。

　　　　　　　低耦合的设计原则。

　　　　　　　　　　写法：

　　　　　　　　　　　　　　def 更新函数（生成值）：

　　　　　　　　　　　　　　　　　　更新画面帧

　　　　　　　　　　　　　　def 生成器():

　　　　　　　　　　　　　　　　for XXX in YYY:

　　　　　　　　　　　　　　　　　　产生新数据

　　　　　　　　　　　　　　　　　　yield生成值

　　　　　　　　　　　　　　ma.FuncAnimation(图形对象,更新函数，生成器，interval=间隔时间)

　　　　　　　　实时信号产生动画：

　　　　　　　　　　　　代码：

 import numpy as np
 import matplotlib.pyplot as mp
 import matplotlib.animation as ma

 mp.figure('Signal',facecolor='lightgray')      #创建图形窗口
 mp.title('Signal',fontsize=20)
 mp.xlabel('Time',fontsize=14)       #水平轴x轴代表时间
 mp.ylabel('Signal',fontsize=14)     #垂直轴y轴代表信号值
 #设置水平轴和垂直轴的坐标范围

 ax=mp.gca()     #当前轴
 ax.set_ylim(-3,3)   #设置y轴坐标范围
 ax.set_xlim(0,10)   #设置x轴坐标范围
 mp.tick_params(labelsize=10)        #设置坐标刻度的字体
 mp.grid(linestyle=':')      #加上网格线

 #mp.show#生成空的图片
 p1= mp.plot([],[],c='orangered')[0]     #封装p1,必须拿最第0个元素
 p1.set_data([],[])  #把x,y空数组对象保存起来

 #data存的是数据，我们自己第一
 def update(data):
     #data里放的是时间和信息
     #t，v是我新加点的坐标
     t,v=data
     x,y=p1.get_data()
     x.append(t)     #在现有坐标后面加上新的，做追加
     y.append(v)
     x_min,x_max=ax.get_xlim()   #左右边界
     if t >= x_max:
         ax.set_xlim(t-(x_max-x_min),t)
         #把新的t当做最大值，就是新范围
         ax.figure.canvas.draw()     #重新画

     #告诉x,y我改了
     p1.set_data(x,y)
     #接下来写生成器函数
 def generator():
     t=0     #时间容器，代表信号采集时间
     while True:
         #模拟  np.exp代表振幅
         #振幅呈正归位变化的正弦函数
         #np.sin(2**np.pi*t)高频信号；
         #np.sin(0.2*np.pi*t)低频信号
         v=np.sin(2**np.pi*t) *np.exp(np.sin(0.2*np.pi*t))

         #yield会把当前的帧保存下来
         yield t,v
         t+=0.05

 anim=ma.FuncAnimation(mp.gcf(),update,generator,interval=5)
 mp.show()

　　　　　　　　12.对数坐标

　　　　　　　　　　　　对数：值越小，放大的尺寸越大；

　　　　　　　　　　　　　　　值越大，放大的尺寸越小。

　　　　　　　　　　　　我们称为非线性特征。

　　　　　　　　　　　　对数体现出了倍数。

　　　　　　　　　　　　半对数坐标：

　　　　　　　　　　　　　　mp.semilog(y,c=颜色,label="semilog")

　　　　　　　　　　　　为什么用对数：

　　　　　　　　　　　　　　　　等分坐标的缺点：当尺寸相差比较悬殊的时候。往往大尺寸变化率会把小尺寸变换率淹没了。

　　　　　　　　　　　　　　　　例：y值 1-1000小于1的几乎看不出区别。

　　　　　　　　　　例：

 import numpy as np
 import matplotlib.pyplot as mp
 y = np.array([1, 10, 100, 1000, 100, 10, 1])
 mp.figure('Normal & Log', facecolor='lightgray')
 mp.subplot(211)
 mp.title('Normal', fontsize=16)
 mp.ylabel('y', fontsize=12)
 ax = mp.gca()
 ax.xaxis.set_major_locator(
         mp.MultipleLocator(1))
 #多点定位器，主刻度间隔1
 ax.xaxis.set_minor_locator(
         mp.MultipleLocator(0.1))

 ax.yaxis.set_major_locator(
         mp.MultipleLocator(250))

 ax.yaxis.set_minor_locator(
         mp.MultipleLocator(50))
 mp.tick_params(labelsize=10)
 #沿着主刻度来画标线
 mp.grid(which='major',axis='both',
         linewidth=0.75,linestyle='-',
         color='lightgray')
 mp.grid(which='minor',axis='both',
         linewidth=0.25,linestyle='-',
         color='lightgray')
 mp.plot(y, 'o-', c='dodgerblue', label='plot')
 mp.legend()

 mp.subplot(212)
 mp.title('Log', fontsize=16)
 mp.xlabel('x', fontsize=12)
 mp.ylabel('y', fontsize=12)
 ax = mp.gca()
 ax.xaxis.set_major_locator(
         mp.MultipleLocator(1))
 #多点定位器，主刻度间隔1
 ax.xaxis.set_minor_locator(
         mp.MultipleLocator(0.1))

 mp.tick_params(labelsize=10)
 #沿着主刻度来画标线
 mp.grid(which='major',axis='both',
         linewidth=0.75,linestyle='-',
         color='lightgray')
 mp.grid(which='minor',axis='both',
         linewidth=0.25,linestyle='-',
         color='lightgray')

 mp.semilogy(y, 'o-', c='orangered',
             label='semilog')
 mp.legend()

 mp.tight_layout()
 mp.show()