1.Matplotlib介绍(2D)

　　Matplotlib 是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。

　　pylab 是 matplotlib 面向对象绘图库的一个接口。

　　pylab模块里面集成了matplotlib和numpy，也可以导入pylab模块。
　　模块导入：

import numpy as np

import matplotlib.pyplot as plt

　　或者

from pylab import *

1.1 简单的例子

from pylab import *

# 生成一个数组，类似range

a = np.arange(1,9,1)

# 例子1：正弦和余弦函数

# np.pi就是π，x→[-π，π]，步长0.01

x = np.arange(-np.pi,np.pi,0.01)

y = np.sin(x)

y1 = np.cos(x)

plt.plot(x,y)

plt.plot(x,y1)

plt.show()

还有一种X的写法：

# endpoint:True一定包括终点，False不包括终点；x→[-π，π]，生成256个值，包括终点

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)

图形如下

1.2  默认配置的内容

# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用）

from pylab import *

# 创建一个 8 * 6 点（point）的图，并设置分辨率为 80

figure(figsize=(8,6), dpi=80)

# 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块）

subplot(1,1,1)

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)

C,S = np.cos(X), np.sin(X)

# 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条

plot(X, C, color="blue", linewidth=1.0, linestyle="-")

# 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条

plot(X, S, color="green", linewidth=1.0, linestyle="-")

# 设置横轴的上下限

xlim(-4.0,4.0)

# 设置横轴记号

xticks(np.linspace(-4,4,9,endpoint=True))

# 设置纵轴的上下限

ylim(-1.0,1.0)

# 设置纵轴记号

yticks(np.linspace(-1,1,5,endpoint=True))

# 以分辨率 72 来保存图片

savefig("0001png",dpi=72)

# 在屏幕上显示

show()

图形如下：

　

1.3 改变线条的颜色、粗细及图形的尺寸

from pylab import *

figure(figsize=(12,6), dpi=80)

x = np.arange(-np.pi,np.pi,0.01)

y = np.sin(x)

y1 = np.cos(x)

plt.plot(x,y,color="blue", linewidth=3.0, linestyle="-")

plt.plot(x,y1,color="red", linewidth=3.0, linestyle="-")

savefig("0001png",dpi=72)

plt.show()

图形为：

1.4 设置图片边界

　　直接设定大小或等比例设定大小

# 设定坐标轴的上下限

xlim(-4.0, 4.0)

ylim(-1.0, 1.0)

# 按照具体的最大最小值设定上下限（这里设定为1.5倍）

xlim(x.min() * 1.5, x.max() * 1.5)

ylim(y.min() * 1.5, y.max() * 1.5)

# 通过差值的倍数去衡量更好

xmin, xmax = x.min(), x.max()

ymin, ymax = y.min(), y.max()

dx = (xmax - xmin) * 0.01

dy = (ymax - ymin) * 0.01　

图片为：

1.5 设置记号和对应的标签

# 记号-π，-π/2,0,π/2,π;第二行的标签使用了LaTeX（类似于HTML,长于写公式）

xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],

       [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])

yticks([-1, 0, +1],

       [r'$-1$', r'$0$', r'$+1$'])

图像为：

1.6 编写坐标轴

# 获取当前坐标轴对象

ax = gca()

# 一共有上下左右四条边框，设定2个边框为无色none,然后移动另外边框的位置，形成坐标轴

# 设定右边框为无色

ax.spines['right'].set_color('none')

# 设定上边框为无色

ax.spines['top'].set_color('none')

# 将水平坐标的刻度置于底边框（X轴下边）

ax.xaxis.set_ticks_position('bottom')

# 以底边框为X轴，将其置于数据坐标的原点

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

# 将垂直坐标的刻度置于左边框（Y轴左边）

ax.yaxis.set_ticks_position('left')

# 以左边框为Y轴，将其置于数据坐标的原点

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

图像为：

1.7  添加图例（小标签）

　　仅需要在画图的时候加一个label就行，类似：

plt.plot(x, y, color="blue", linewidth=3.0, linestyle="-",label="sin(x)")

plt.plot(x, y1, color="red", linewidth=3.0, linestyle="-",label="cos(x)")

plt.legend(loc=0)

# 跟上面作用一样

# legend(loc=0)

# legend(loc='upper left')

　　其中loc的值对应图例的位置，对应关系如下表：

图像为：

1.8 坐标轴描述（文字说明）

　　主要是没有用坐标轴的时候使用，作为X轴和Y轴的说明

# import matplotlib as mpl

# 正常显示中文

mpl.rcParams['font.sans-serif']=['SimHei']

# 正常显示负数

mpl.rcParams['axes.unicode_minus']=False

# 添加X轴文字说明

plt.xlabel("abcdefg中文")

# 添加Y轴的文字说明

plt.ylabel("-1234567")

 图像为：

1.9 特殊点的标注（注释）

# annotate(注解，标注)，标注的文字，xy指箭头尖端位置[t，np.cos(t)],箭头的位置

# 文字的最左端的坐标（正数图像右边，负数图像左边），文字的位置，文字的大小

# 箭头类型

annotate(r'$\cos(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',

         xy=(t, np.cos(t)), xycoords='data',

         xytext=(-90, -50), textcoords='offset points', fontsize=16,

         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

# 同理

plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")

scatter([t,],[np.sin(t),], 50, color ='red')

annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',

         xy=(t, np.sin(t)), xycoords='data',

         xytext=(+10, +30), textcoords='offset points', fontsize=16,

         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

xycoords及textcoords的值：

| 参数 | 坐标系 | 
| 'figure points' | 距离图形左下角的点数量 | 
| 'figure pixels' | 距离图形左下角的像素数量 | 
| 'figure fraction' | 0,0 是图形左下角，1,1 是右上角 | 
| 'axes points' | 距离轴域左下角的点数量 | 
| 'axes pixels' | 距离轴域左下角的像素数量 | 
| 'axes fraction' | 0,0 是轴域左下角，1,1 是右上角 | 
| 'data' | 使用轴域数据坐标系 |

图像为：

1.10 显示坐标轴上被曲线挡住的标签

# 对于X和Y轴的的标签，设置大小为20，设置标签的底色，边框颜色，透明度

for label in ax.get_xticklabels() + ax.get_yticklabels():

    label.set_fontsize(20)

    label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.85))

图像为：

　　大小的改变实现了，挡住的标签貌似还是被挡住

1.11 子图的绘制

from pylab import *

# 两个子图的摆放

# (2,1,1) 分别代表：行数，列数，编号

plt.subplot(2, 1, 1)

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'subplot(2,1,1)', ha='center', va='center',

        size=20, alpha=.5)

plt.subplot(2, 1, 2)

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'subplot(2,1,2)', ha='center', va='center',

        size=20, alpha=.5)

# 自动调整子图参数，使之填充整个图像区域。它仅仅检查坐标轴标签、刻度标签以及标题的部分。

plt.tight_layout()

savefig("0002", dpi=72)

plt.show()

图像为：

以此类推：类似子图

另一种类型：

from pylab import *

import matplotlib.gridspec as gridspec

plt.figure(figsize=(18, 4))

# 设置三行三列

G = gridspec.GridSpec(3, 3)

# 第一行

axes_1 = plt.subplot(G[0, :])

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'Axes 1', ha='center', va='center', size=24, alpha=.5)

# 第二行第一个

axes_2 = plt.subplot(G[1:, 0])

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'Axes 2', ha='center', va='center', size=24, alpha=.5)

# 第二行最后一个

axes_3 = plt.subplot(G[1:, -1])

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'Axes 3', ha='center', va='center', size=24, alpha=.5)

# 第二行倒数第二个

axes_4 = plt.subplot(G[1, -2])

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'Axes 4', ha='center', va='center', size=24, alpha=.5)

# 最后一行（第三行）倒数第二个

axes_5 = plt.subplot(G[-1, -2])

plt.xticks(())

plt.yticks(())

plt.text(0.5, 0.5, 'Axes 5', ha='center', va='center', size=24, alpha=.5)

# 自动调整

plt.tight_layout()

savefig("0002", dpi=72)

plt.show()

图像为：

大图里面画小图（可以形成折叠效果）

from pylab import *

plt.figure(figsize=(8, 8))

# 最底下，初始位置（相对占比x,y），占据大小

plt.axes([.1, .1, .5, .5])

plt.xticks(())

plt.yticks(())

# 标签位置 内容等

plt.text(.5, .1, 'axes([0.1, 0.1, .5, .5])', ha='center', va='center',

		 size=20, alpha=.5)

# 倒数第二

plt.axes([.2, .2, .5, .5])

plt.xticks(())

plt.yticks(())

plt.text(.5, .1, 'axes([0.2, 0.2, .5, .5])', ha='center', va='center',

		 size=20, alpha=.5)

# 最上面

plt.axes([.3, .3, .5, .5])

plt.xticks(())

plt.yticks(())

plt.text(.5, .1, 'axes([0.3, 0.3, .5, .5])', ha='center', va='center',

		 size=16, alpha=.5)

plt.tight_layout()

savefig("0002", dpi=72)

plt.show()

　　

图像为：

1.12 各种类型的2D图

普通图

from pylab import *

n = 256

X = np.linspace(-np.pi,np.pi,n,endpoint=True)

Y = np.sin(2*X)

plot (X, Y+1, color='blue', alpha=1.00)

plot (X, Y-1, color='blue', alpha=1.00)

savefig("0003", dpi=72)

plt.show()

图像为：

散点图

from pylab import *

n = 1024

X = np.random.normal(0,1,n)

Y = np.random.normal(0,1,n)

scatter(X,Y)

savefig("0003", dpi=72)

plt.show()

图像为：

条形图

from pylab import *

n = 12

X = np.arange(n)

Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)

Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)

bar(X, +Y1, facecolor='#9999ff', edgecolor='white')

bar(X, -Y2, facecolor='#ff9999', edgecolor='white')

for x,y in zip(X,Y1):

    text(x+0.05, y+0.05, '%.2f' % y, ha='center', va= 'bottom')

ylim(-1.25,+1.25)

savefig("0003", dpi=72)

plt.show()

图像为：

等高线图

from pylab import *

def f(x, y): return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)

n = 256

x = np.linspace(-3, 3, n)

y = np.linspace(-3, 3, n)

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

contourf(X, Y, f(X, Y), 8, alpha=.75, cmap='jet')

C = contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)

savefig("0003", dpi=72)

plt.show()

图像为：

灰度图

from pylab import *

def f(x, y): return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)

n = 10

x = np.linspace(-3, 3, 4 * n)

y = np.linspace(-3, 3, 3 * n)

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

imshow(f(X, Y))

savefig("0003", dpi=72)

plt.show()

　　

图像为：

饼状图

from pylab import *

n = 20

Z = np.random.uniform(0,1,n)

pie(Z)

savefig("0003", dpi=72)

plt.show()

图像为：

量场图

from pylab import *

n = 8

X,Y = np.mgrid[0:n,0:n]

quiver(X,Y)

savefig("0003", dpi=72)

plt.show()

图像为：　

2.Matplotlib介绍(3D)

3D图

from pylab import *

from mpl_toolkits.mplot3d import Axes3D

fig = figure()

ax = Axes3D(fig)

X = np.arange(-4, 4, 0.25)

Y = np.arange(-4, 4, 0.25)

X, Y = np.meshgrid(X, Y)

R = np.sqrt(X**2 + Y**2)

Z = np.sin(R)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='hot')

savefig("0003", dpi=72)

plt.show()

图像为：

2.1 3D图例子

普通图3D系列

from pylab import *

from mpl_toolkits.mplot3d import Axes3D

# 绘制三维图形

fig = plt.figure()

ax = fig.gca(projection="3d")

# 生成测试数据

theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)

z = np.linspace(-4, 4, 100) * 0.3

r = z**4 +1

x = r*np.sin(theta)

y = r*np.cos(theta)

# 绘制三维曲线，标签

ax.plot(x,y,z,'rv-',label="参数曲线")

# 可以设置字体，字号，显示图例

mpl.rcParams['legend.fontsize'] = 10

mpl.rcParams['font.sans-serif']=['SimHei']

mpl.rcParams['axes.unicode_minus']=False

ax.legend()

savefig("0003", dpi=72)

plt.show()

图像为：

三维曲面

from pylab import *

from mpl_toolkits.mplot3d import Axes3D

import mpl_toolkits.mplot3d

# 生成测试数据

x,y = np.mgrid[-2:2:20j,-2:2:20j]

z = 50 * np.sin(x+y*2)

# 创建三维图像

ax = plt.subplot(111,projection='3d')

# 绘制三维曲面

ax.plot_surface(

	x,y,z,

	rstride=3,cstride=2,

	cmap=plt.cm.coolwarm,

)

# 设置坐标轴标签

ax.set_xlabel("X")

ax.set_ylabel("Y")

ax.set_zlabel("Z")

# 设置图形标题

ax.set_title("三维曲面",fontproperties='simhei',fontsize=24)

plt.show()

　　图像为：

三维柱状图

from pylab import *

from mpl_toolkits.mplot3d import Axes3D

import mpl_toolkits.mplot3d

# 生成测试数据

x = np.random.randint(0,40,10)

y = np.random.randint(0,40,10)

z = 80*abs(np.sin(x+y))

# 创建三维图像

ax = plt.subplot(111,projection='3d')

# 绘制三维曲面

ax.bar3d(

	x,y,

	np.zeros_like(z), #设置z的起始坐标为0

	dx =1,

	dy =1,

	dz =1, # x,y,z方向的宽度，厚度，高度

	color = 'red',

)

# 设置坐标轴标签

ax.set_xlabel("X")

ax.set_ylabel("Y")

ax.set_zlabel("Z")

# 设置图形标题

ax.set_title("三维柱形图",fontproperties='simhei',fontsize=24)

plt.show()

　　图像:

三维散点图

from pylab import *

from mpl_toolkits.mplot3d import Axes3D

import mpl_toolkits.mplot3d

# 生成测试数据

x = np.random.randint(0,40,100)

y = np.random.randint(0,40,100)

z = np.random.randint(0,40,100)

# 创建三维图像

ax = plt.subplot(projection='3d')

# 绘制三维散点

for xx,yy,zz in zip(x,y,z):

	color = 'r'

	if 10<zz<20:

		color='b'

	elif zz>=20:

		color='g'

	ax.scatter(xx,yy,zz,c=color,marker='*',

			   s=160,linewidths=1,edgecolor='b')

# 设置坐标轴标签

ax.set_xlabel("X")

ax.set_ylabel("Y")

ax.set_zlabel("Z")

# 设置图形标题

ax.set_title("三维散点图",fontproperties='simhei',fontsize=24)

plt.show()

图像为

<数据可视化>Matplotlib（2D+3D）的更多相关文章

  1. python 爬虫与数据可视化--matplotlib模块应用

    一.数据分析的目的(利用大数据量数据分析,帮助人们做出战略决策) 二.什么是matplotlib? matplotlib: 最流行的Python底层绘图库,主要做数据可视化图表,名字取材于MATLAB ...

  2. 数据可视化matplotlib、seaborn、pydotplus

    如需转发,请注明出处:小婷儿的python  https://www.cnblogs.com/xxtalhr/p/10486560.html 一.数据可视化 data.mat 链接:https://p ...

  3. 数据可视化——Matplotlib(1)

    导入相关模块 import matplotlib.pyplot as plt import pandas as pd import numpy as np 基本图表 散点图:scatter N = 1 ...

  4. Python数据可视化--matplotlib

    抽象化|具体化: 如盒形图 | 现实中的图 功能性|装饰性:没有装饰和渲染 | 包含艺术性美学上的装饰 深度表达|浅度表达:深入层次的研究探索数据 | 易于理解的,直观的表示 多维度|单一维度:数据的 ...

  5. Python数据可视化matplotlib和seaborn

    Python在数据科学中的地位,不仅仅是因为numpy, scipy, pandas, scikit-learn这些高效易用.接口统一的科学计算包,其强大的数据可视化工具也是重要组成部分.在Pytho ...

  6. python数据可视化-matplotlib入门(7)-从网络加载数据及数据可视化的小总结

    除了从文件加载数据,另一个数据源是互联网,互联网每天产生各种不同的数据,可以用各种各样的方式从互联网加载数据. 一.了解 Web API Web 应用编程接口(API)自动请求网站的特定信息,再对这些 ...

  7. 数据可视化——matplotlib(2)

    导入相关模块 import matplotlib.pyplot as plt import numpy as np import pandas as pd 图表设置 添加X.Y轴标签以及图标标题 a ...

  8. 数据可视化-matplotlib包

    pyplot官网教程https://matplotlib.org/users/pyplot_tutorial.html #导入matplotlib的pyplot模块 import matplotlib ...

  9. 数据可视化----matplotlib.pylot

    一.输入具体数 plt.plot([3,1,4,5,2]) #自动生成y轴 plt.ylabel("Grade") #y轴的标签 plt.savefig('test1',dpi=6 ...

随机推荐

  1. join加入线程

    join线程会抢先拿到cup来执行线程,然后其他的线程再来执行. 案例: public static void main(String args[]){ //创建线程对象 Thread myThrea ...

  2. Android NDK 环境变量配置

    NDK_ROOT = C:\__S_D_K__\AndroidNDK\android-ndk-r20 在path 中加入  %NDK_ROOT% 我的路径在C盘 //个别的程序可能需要 NDK_ROO ...

  3. Java高新技术第二篇：反射技术

    今天我们来看一下Java中的反射技术: 首先来了解一下Java中的反射的一些概念: Java中的反射是1.2引入的 反射的基石:class类 Class类的各个实例对象分别对应各个类在内存中的字节码, ...

  4. delphi 获取所有窗口标题

    unit Unit1; interface usesWindows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, ...

  5. luoguP3281 [SCOI2013]数数

    传送门 抄的llj的代码 还有点问题没弄懂,先码着 //Achen #include<algorithm> #include<iostream> #include<cst ...

  6. JVM内核-原理、诊断与优化学习笔记（四）：GC算法与种类

    文章目录 GC的概念 GC算法 引用计数法 引用计数法的问题 标记清除 标记压缩 小问题 复制算法 复制算法的最大问题是:空间浪费 整合标记清理思想 -XX:+PrintGCDetails的输出 gc ...

  7. （转）python常用模块(模块和包的解释，time模块，sys模块，random模块，os模块，json和pickle序列化模块)

    阅读目录 1.1.1导入模块 1.1.2__name__ 1.1模块 什么是模块: 在计算机程序的开发过程中,随着程序代码越写越多,在一个文件里代码就会越来越长,越来越不容易维护. 为了编写可维护的代 ...

  8. 20130324 LBP CSLBP 全局存储区 局部存储区 char c[]=”hello world”和char *str=”hello world”的区别

    1.LBP and CSLBP 2.再论char c[]=”hello world”和char *str=”hello world”的区别 /**************代码1************ ...

  9. 活动：新春第一次送书，价值78元 X 3本

    新春第一次送书活动,送出3本重量级书籍<深入分布式缓存:从原理到实践>. 作者介绍: 于君泽:蚂蚁金服高级技术专家.花名右军,IT从业超过十五年.对高并发.分布式架构.内建质量.研发管理有 ...

  10. [笔记]Android开发环境配置及HelloWorld程序

    Android的开发须要下面四个工具: 1.JDK 2.Eclipse 3.Android SDK 4.ADT   具体功能: 1.JDK.JDK即Java Development Kit(Java开 ...