【Python开发】使用python中的matplotlib进行绘图分析数据

matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。

它的文档相当完备，并且 Gallery页面中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。

在Linux下比较著名的数据图工具还有gnuplot，这个是免费的，Python有一个包可以调用gnuplot，但是语法比较不习惯，而且画图质量不高。

而 Matplotlib则比较强：Matlab的语法、python语言、latex的画图质量（还可以使用内嵌的latex引擎绘制的数学公式）。

快速绘图

matplotlib的pyplot子库提供了和matlab类似的绘图API，方便用户快速绘制2D图表。例子：

#

 coding=gbk

'''

Created

 on Jul

12,2014

python

 科学计算学习：numpy快速处理数据测试

@author

:

 皮皮

'''

importstring

import

matplotlib.pyplot

 as plt

import

numpy

 as np

if

__name__

 ==

'__main__':

file

 = open(E:machine_learningdatasetshousing_datahousing_data_ages.txt,

'r')

linesList

 = file.readlines()

#    

 print(linesList)

linesList

 = [line.strip().split(,)

for

line

 in linesList]

file.close()

print(linesList:)

print(linesList)

#    

 years = [string.atof(x[

0])for

x

 in linesList]

years

 = [x[

0]for

x

 in linesList]

print(years)

price

 = [x[

1]for

x

 in linesList]

print(price)

plt.plot(years,

 price,

'b*')#,label=$cos(x^2)$)

plt.plot(years,

 price,

'r')

plt.xlabel(years(+2000))

plt.ylabel(housing

 average price(*

2000yuan))

plt.ylim(0,15)

plt.title(

'line_regression

 & gradient decrease'

)

plt.legend()

plt.show()

matplotlib中的快速绘图的函数库可以通过如下语句载入：

1	`importmatplotlib.pyplot as plt`

pylab模块

matplotlib还提供了名为pylab的模块，其中包括了许多numpy和pyplot中常用的函数，方便用户快速进行计算和绘图，可以用于IPython中的快速交互式使用。

接下来调用figure创建一个绘图对象，并且使它成为当前的绘图对象。

1	`plt.figure(figsize=(8,4))`

也可以不创建绘图对象直接调用接下来的plot函数直接绘图，matplotlib会为我们自动创建一个绘图对象。如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。

通过figsize参数可以指定绘图对象的宽度和高度，单位为英寸；dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80。因此本例中所创建的图表窗口的宽度为8*80 = 640像素。

但是用工具栏中的保存按钮保存下来的png图像的大小是800*400像素。这是因为保存图表用的函数savefig使用不同的DPI配置，savefig函数也有一个dpi参数，如果不设置的话，将使用matplotlib配置文件中的配置，此配置可以通过如下语句进行查看：

>>>importmatplotlib

>>>

 matplotlib.rcParams[savefig.dpi]

100

下面的两行程序通过调用plot函数在当前的绘图对象中进行绘图：

1 2	`plt.plot(years, price,'b*')#,label=$cos(x^2)$)` `plt.plot(years, price,'r')`

plot函数的调用方式很灵活，第一句将x,y数组传递给plot之后，用关键字参数指定各种属性：

label : 给所绘制的曲线一个名字，此名字在图示(legend)中显示。只要在字符串前后添加$符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。
color : 指定曲线的颜色

linewidth : 指定曲线的宽度

第二句直接通过第三个参数b--指定曲线的颜色和线型，这个参数称为格式化参数，它能够通过一些易记的符号快速指定曲线的样式。其中b表示蓝色，--表示线型为虚线。

在IPython中输入 plt.plot? 可以查看格式化字符串的详细配置。

接下来通过一系列函数设置绘图对象的各个属性：

plt.xlabel(years(+2000))

plt.ylabel(housing

 average price(*

2000yuan))

plt.ylim(0,15)

plt.title(

'line_regression

 & gradient decrease'

)

plt.legend()

xlabel : 设置X轴的文字
ylabel : 设置Y轴的文字
title : 设置图表的标题
ylim : 设置Y轴的范围

legend : 显示图示

最后调用plt.show()显示出我们创建的所有绘图对象。

配置属性

matplotlib所绘制的图的每个组成部分都对应有一个对象，我们可以通过调用这些对象的属性设置方法set_*或者pyplot的属性设置函数setp设置其属性值。例如plot函数返回一个 matplotlib.lines.Line2D 对象的列表，下面的例子显示如何设置Line2D对象的属性：

>>>import

numpy

 as np

>>>import

matplotlib.pyplot

 as plt

>>>

 x = np.arange(

0,5,0.1)

>>>

 line, = plt.plot(x, x*x) # plot返回一个列表，通过line,获取其第一个元素

>>>

 # 调用Line2D对象的set_*方法设置属性值

>>>

 line.set_antialiased(False)

>>>

 # 同时绘制sin和cos两条曲线，lines是一个有两个Line2D对象的列表

>>>

 lines = plt.plot(x, np.sin(x), x, np.cos(x)) #

>>>

 # 调用setp函数同时配置多个Line2D对象的多个属性值

>>>

 plt.setp(lines, color=r, linewidth=

2.0)

这段例子中，通过调用Line2D对象line的set_antialiased方法，关闭对象的反锯齿效果。或者通过调用plt.setp函数配置多个Line2D对象的颜色和线宽属性。

同样我们可以通过调用Line2D对象的get_*方法，或者plt.getp函数获取对象的属性值：

>>>

 line.get_linewidth()

1.0

>>>

 plt.getp(lines[

0

],

 color) # 返回color属性

'r'

>>>

 plt.getp(lines[

1

])

 # 输出全部属性

alpha

 =

1.0

animated

 = False

antialiased

 or aa = True

axes

 = Axes(

0.125,0.1;0.775x0.8)

...

 ...

注意getp函数只能对一个对象进行操作，它有两种用法：

指定属性名：返回对象的指定属性的值

不指定属性名：打印出对象的所有属性和其值

matplotlib的整个图表为一个Figure对象，此对象在调用plt.figure函数时返回，我们也可以通过plt.gcf函数获取当前的绘图对象：

>>>

 f = plt.gcf()

>>>

 plt.getp(f)

alpha

 =

1.0

animated

 = False

...

Figure对象有一个axes属性，其值为AxesSubplot对象的列表，每个AxesSubplot对象代表图表中的一个子图，前面所绘制的图表只包含一个子图，当前子图也可以通过plt.gca获得：

>>>

 plt.getp(f, axes)

[<matplotlib.axes.axessubplot0x05cdd170=""at=""object="">]

>>>

 plt.gca()

<matplotlib.axes.axessubplot0x05cdd170=""at=""object="">

</matplotlib.axes.axessubplot></matplotlib.axes.axessubplot>

用plt.getp可以发现AxesSubplot对象有很多属性，例如它的lines属性为此子图所包括的 Line2D 对象列表：

>>>

 alllines = plt.getp(plt.gca(), lines)

>>>

 alllines

>>>

 alllines[

0

]

 == line # 其中的第一条曲线就是最开始绘制的那条曲线

True

通过这种方法我们可以很容易地查看对象的属性和它们之间的包含关系，找到需要配置的属性。

Python图表绘制：matplotlib绘图库入门

matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。

它的文档相当完备，并且Gallery页面中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。

在Linux下比较著名的数据图工具还有gnuplot，这个是免费的，Python有一个包可以调用gnuplot，但是语法比较不习惯，而且画图质量不高。

而 Matplotlib则比较强：Matlab的语法、python语言、latex的画图质量（还可以使用内嵌的latex引擎绘制的数学公式）。

本文目录

1. Matplotlib.pyplot快速绘图

2. 面向对象画图

3. Matplotlib.pylab快速绘图

Matplotlib.pyplot快速绘图

快速绘图和面向对象方式绘图

matplotlib实际上是一套面向对象的绘图库，它所绘制的图表中的每个绘图元素，例如线条Line2D、文字Text、刻度等在内存中都有一个对象与之对应。

为了方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。我们只需要调用pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。pyplot模块虽然用法简单，但不适合在较大的应用程序中使用。

为了将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用plt.gcf()和plt.gca()获得，分别表示Get Current Figure和Get Current Axes。在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：

plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图。

可以在Ipython中输入类似plt.plot??的命令查看pyplot模块的函数是如何对各种绘图对象进行包装的。

配置属性

matplotlib所绘制的图表的每个组成部分都和一个对象对应，我们可以通过调用这些对象的属性设置方法set_*()或者pyplot模块的属性设置函数setp()设置它们的属性值。

因为matplotlib实际上是一套面向对象的绘图库，因此也可以直接获取对象的属性

配置文件

绘制一幅图需要对许多对象的属性进行配置，例如颜色、字体、线型等等。我们在绘图时，并没有逐一对这些属性进行配置，许多都直接采用了matplotlib的缺省配置。

matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件中，通过修改配置文件，我们可以修改图表的缺省样式。配置文件的读入可以使用rc_params()，它返回一个配置字典；在matplotlib模块载入时会调用rc_params()，并把得到的配置字典保存到rcParams变量中；matplotlib将使用rcParams字典中的配置进行绘图；用户可以直接修改此字典中的配置，所做的改变会反映到此后创建的绘图元素。

绘制多子图（快速绘图）

Matplotlib 里的常用类的包含关系为 Figure -> Axes -> (Line2D, Text, etc.)一个Figure对象可以包含多个子图(Axes)，在matplotlib中用Axes对象表示一个绘图区域，可以理解为子图。

可以使用subplot()快速绘制包含多个子图的图表，它的调用形式如下：

1 2	`subplot(numRows, numCols, plotNum)`

subplot将整个绘图区域等分为numRows行* numCols列个子区域，然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1。如果numRows，numCols和plotNum这三个数都小于10的话，可以把它们缩写为一个整数，例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。

s ubplot()返回它所创建的Axes对象，我们可以将它用变量保存起来，然后用sca()交替让它们成为当前Axes对象，并调用plot()在其中绘图。

绘制多图表（快速绘图）

如果需要同时绘制多幅图表，可以给figure()传递一个整数参数指定Figure对象的序号，如果序号所指定的Figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。

1 2	`importnumpy as np`

1 2	`importmatplotlib.pyplot as plt`

1 2	`plt.figure(1) # 创建图表1`

1 2	`plt.figure(2) # 创建图表2`

1 2	`ax1 = plt.subplot(211) # 在图表2中创建子图1`

1 2	`ax2 = plt.subplot(212) # 在图表2中创建子图2`

1 2	`x = np.linspace(0,3,100)`

1 2	`fori in xrange(5):`

1 2	`plt.figure(1) #? # 选择图表1`

1 2	`plt.plot(x, np.exp(i*x/3))`

1 2	`plt.sca(ax1) #? # 选择图表2的子图1`

1 2	`plt.plot(x, np.sin(i*x))`

1 2	`plt.sca(ax2) # 选择图表2的子图2`

1 2	`plt.plot(x, np.cos(i*x))`

1 2	`plt.show()`

在图表中显示中文

matplotlib的缺省配置文件中所使用的字体无法正确显示中文。为了让图表能正确显示中文，可以有几种解决方案。

在程序中直接指定字体。
在程序开头修改配置字典rcParams。
修改配置文件。
比较简便的方式是，中文字符串用unicode格式，例如：u''测试中文显示''，代码文件编码使用utf-8 加上 # coding = utf-8 一行。

matplotlib输出图象的中文显示问题

面向对象画图

matplotlib API包含有三层，Artist层处理所有的高层结构，例如处理图表、文字和曲线等的绘制和布局。通常我们只和Artist打交道，而不需要关心底层的绘制细节。

直接使用Artists创建图表的标准流程如下：
- 创建Figure对象
- 用Figure对象创建一个或者多个Axes或者Subplot对象
- 调用Axies等对象的方法创建各种简单类型的Artists
  import matplotlib.pyplot as plt
  
  ?
  
  X1 = range(0, 50) Y1 = [num**2 for num in X1] # y = x^2 X2 = [0, 1] Y2 = [0, 1] # y = x
  
  ?
  
  Fig = plt.figure(figsize=(8,4)) # Create a `figure' instance Ax = Fig.add_subplot(111) # Create a `axes' instance in the figure Ax.plot(X1, Y1, X2, Y2) # Create a Line2D instance in
  the axes
  
  ?
  
  Fig.show() Fig.savefig(test.pdf)
  
  参考：
  
  《Python科学计算》(Numpy视频) matplotlib-绘制精美的图表(快速绘图)(面向对象绘图)（深入浅出适合系统学习）
  
  什么是 Matplotlib （主要讲面向对象绘图，对于新手可能有点乱）
  
  Matplotlib.pylab快速绘图
  
  matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。这里使用下面的方式载入pylab模块：
  
  ?
  
  1
  
  2
  
  >>>importpylab as pl
  
  1 安装numpy和matplotlib
  
  >>> import numpy
  
  >>> numpy.__version__
  
  >>> import matplotlib
  
  >>> matplotlib.__version__
  
  2 两种常用图类型：Line and scatter plots(使用plot()命令), histogram(使用hist()命令)
  
  2.1 折线图&散点图 Line and scatter plots
  
  2.1.1 折线图 Line plots(关联一组x和y值的直线)
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  importpylab as pl
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  x = [1,2,3,4,5]# Make an array of x values
  
  ?
  
  1
  
  2
  
  y = [1,4,9,16,25]# Make an array of y valuesforeach x value
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.plot(x, y)# use pylab to plot x and y
  
  ?
  
  1
  
  pl.show()# show the plot on the screen
  
  2.1.2 散点图 Scatter plots
  
  把pl.plot(x, y)改成pl.plot(x, y, 'o')即可，下图的蓝色版本
  
  2.2 美化 Making things look pretty
  
  2.2.1 线条颜色 Changing the line color
  
  红色：把pl.plot(x, y, 'o')改成pl.plot(x, y, ’or’)
  
  2.2.2 线条样式 Changing the line style
  
  虚线:plot(x,y, '--')
  
  2.2.3 marker样式 Changing the marker style
  
  蓝色星型markers：plot(x,y, ’b*’)
  
  2.2.4 图和轴标题以及轴坐标限度 Plot and axis titles and limits
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  importpylab as pl
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  x = [1,2,3,4,5]# Make an array of x values
  
  ?
  
  1
  
  2
  
  y = [1,4,9,16,25]# Make an array of y valuesforeach x value
  
  ?
  
  1
  
  2
  
  pl.plot(x, y)# use pylab to plot x and y
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.title(’Plot of y vs. x’)# give plot a title
  
  ?
  
  1
  
  2
  
  pl.xlabel(’x axis’)# make axis labels
  
  ?
  
  1
  
  2
  
  pl.ylabel(’y axis’)
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.xlim(0.0,7.0)# set axis limits
  
  ?
  
  1
  
  2
  
  pl.ylim(0.0,30.)
  
  ?
  
  1
  
  ?
  
  1
  
  pl.show()# show the plot on the screen
  
  2.2.5 在一个坐标系上绘制多个图 Plotting more than one plot on the same set of axes
  
  做法是很直接的，依次作图即可:
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  importpylab as pl
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  x1 = [1,2,3,4,5]# Make x, y arraysforeach graph
  
  ?
  
  1
  
  2
  
  y1 = [1,4,9,16,25]
  
  ?
  
  1
  
  2
  
  x2 = [1,2,4,6,8]
  
  ?
  
  1
  
  2
  
  y2 = [2,4,8,12,16]
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.plot(x1, y1, ’r’)# use pylab to plot x and y
  
  ?
  
  1
  
  2
  
  pl.plot(x2, y2, ’g’)
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.title(’Plot of y vs. x’)# give plot a title
  
  ?
  
  1
  
  2
  
  pl.xlabel(’x axis’)# make axis labels
  
  ?
  
  1
  
  2
  
  pl.ylabel(’y axis’)
  
  ?
  
  1
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.xlim(0.0,9.0)# set axis limits
  
  ?
  
  1
  
  2
  
  pl.ylim(0.0,30.)
  
  ?
  
  1
  
  ?
  
  1
  
  ?
  
  1
  
  pl.show()# show the plot on the screen
  
  2.2.6 图例 Figure legends
  
  pl.legend((plot1, plot2), (’label1, label2’), 'best’, numpoints=1)
  
  其中第三个参数表示图例放置的位置:'best’‘upper right’, ‘upper left’, ‘center’, ‘lower left’, ‘lower right’.
  
  如果在当前figure里plot的时候已经指定了label，如plt.plot(x,z,label=cos(x2))，直接调用plt.legend()就可以了哦。
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  importpylab as pl
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  x1 = [1,2,3,4,5]# Make x, y arraysforeach graph
  
  ?
  
  1
  
  2
  
  y1 = [1,4,9,16,25]
  
  ?
  
  1
  
  2
  
  x2 = [1,2,4,6,8]
  
  ?
  
  1
  
  2
  
  y2 = [2,4,8,12,16]
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  plot1 = pl.plot(x1, y1, ’r’)# use pylab to plot x and y : Give your plots names
  
  ?
  
  1
  
  2
  
  plot2 = pl.plot(x2, y2, ’go’)
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.title(’Plot of y vs. x’)# give plot a title
  
  ?
  
  1
  
  2
  
  pl.xlabel(’x axis’)# make axis labels
  
  ?
  
  1
  
  2
  
  pl.ylabel(’y axis’)
  
  ?
  
  1
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.xlim(0.0,9.0)# set axis limits
  
  ?
  
  1
  
  2
  
  pl.ylim(0.0,30.)
  
  ?
  
  1
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  pl.legend([plot1, plot2], (’red line’, ’green circles’), ’best’, numpoints=1)# make legend
  
  ?
  
  1
  
  pl.show()# show the plot on the screen
  
  2.3 直方图 Histograms
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  importpylab as pl
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  # make an array of random numbers with a gaussian distribution with
  
  ?
  
  1
  
  2
  
  # mean =5.0
  
  ?
  
  1
  
  2
  
  # rms =3.0
  
  ?
  
  1
  
  2
  
  # number of points =1000
  
  ?
  
  1
  
  2
  
  data = np.random.normal(5.0,3.0,1000)
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  # make a histogram of the data array
  
  ?
  
  1
  
  2
  
  pl.hist(data)
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  # make plot labels
  
  ?
  
  1
  
  2
  
  pl.xlabel(’data’)
  
  ?
  
  1
  
  pl.show()
  
  如果不想要黑色轮廓可以改为pl.hist(data, histtype=’stepfilled’)
  
  2.3.1 自定义直方图bin宽度 Setting the width of the histogram bins manually
  
  增加这两行
  
  bins = np.arange(-5., 16., 1.) #浮点数版本的range
  
  pl.hist(data, bins, histtype=’stepfilled’)
  
  3 同一画板上绘制多幅子图 Plotting more than one axis per canvas
  
  如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定
  
  序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。
  
  fig1 = pl.figure(1)
  
  pl.subplot(211)
  
  subplot(211)把绘图区域等分为2行*1列共两个区域, 然后在区域1(上区域)中创建一个轴对象. pl.subplot(212)在区域2(下区域)创建一个轴对象。
  
  You can play around with plotting a variety of layouts. For example, Fig. 11 is created using the following commands:
  
  f1 = pl.figure(1)
  
  pl.subplot(221)
  
  pl.subplot(222)
  
  pl.subplot(212)
  
  当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。
  
  pl.subplots_adjust(left=0.08, right=0.95, wspace=0.25, hspace=0.45)
  
  4 绘制文件中的数据Plotting data contained in files
  
  4.1 从Ascii文件中读取数据 Reading data from ascii files
  
  读取文件的方法很多，这里只介绍一种简单的方法，更多的可以参考官方文档和NumPy快速处理数据(文件存取)。
  
  numpy的loadtxt方法可以直接读取如下文本数据到numpy二维数组
  
  **********************************************
  
  # fakedata.txt
  
  0 0
  
  1 1
  
  2 4
  
  3 9
  
  4 16
  
  5 25
  
  6 36
  
  7 49
  
  8 64
  
  9 81
  
  0 0
  
  1 1
  
  2 4
  
  3 9
  
  4 16
  
  5 25
  
  6 36
  
  7 49
  
  8 64
  
  9 81
  
  **********************************************
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  importpylab as pl
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  # Use numpy to load the data contained in the file
  
  ?
  
  1
  
  2
  
  # ’fakedata.txt’ into a2-D array called data
  
  ?
  
  1
  
  2
  
  data = np.loadtxt(’fakedata.txt’)
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  # plot the first column as x, and second column as y
  
  ?
  
  1
  
  2
  
  pl.plot(data[:,0], data[:,1], ’ro’)
  
  ?
  
  1
  
  2
  
  pl.xlabel(’x’)
  
  ?
  
  1
  
  2
  
  pl.ylabel(’y’)
  
  ?
  
  1
  
  2
  
  pl.xlim(0.0,10.)
  
  ?
  
  1
  
  pl.show()
  
  4.2 写入数据到文件 Writing data to a text file
  
  写文件的方法也很多，这里只介绍一种可用的写入文本文件的方法，更多的可以参考官方文档。
  
  ?
  
  1
  
  2
  
  importnumpy as np
  
  ?
  
  1
  
  2
  
  # Let’s make2arrays (x, y) which we will write to a file
  
  ?
  
  1
  
  2
  
  # x is an array containing numbers0to10, with intervals of1
  
  ?
  
  1
  
  2
  
  x = np.arange(0.0,10.,1.)
  
  ?
  
  1
  
  2
  
  # y is an array containing the values in x, squared
  
  ?
  
  1
  
  2
  
  y = x*x
  
  ?
  
  1
  
  2
  
  print ’x = ’, x
  
  ?
  
  1
  
  2
  
  print ’y = ’, y
  
  ?
  
  1
  
  ?
  
  1
  
  2
  
  # Now open a file to write the data to
  
  ?
  
  1
  
  2
  
  # ’w’ means openfor’writing’
  
  ?
  
  1
  
  2
  
  file = open(’testdata.txt’, ’w’)
  
  ?
  
  1
  
  2
  
  # loop over each line you want to write to file
  
  ?
  
  1
  
  2
  
  fori in range(len(x)):
  
  ?
  
  1
  
  2
  
  # make a stringforeach line you want to write
  
  ?
  
  1
  
  2
  
  # ’ ’ means ’tab’
  
  ?
  
  1
  
  2
  
  3
  
  # ’
  
  ’ means ’newline’
  
  ?
  
  1
  
  2
  
  # ’str()’ means you are converting the quantity in brackets to a string type
  
  ?
  
  1
  
  2
  
  3
  
  txt = str(x[i]) + ’ ’ + str(y[i]) + ’
  
  ’
  
  ?
  
  1
  
  2
  
  # write the txt to the file
  
  ?
  
  1
  
  2
  
  file.write(txt)
  
  ?
  
  1
  
  2
  
  # Close your file
  
  ?
  
  1
  
  2
  
  file.close()
  
  这部分是翻译自：Python Plotting Beginners Guide
  
  对LaTeX数学公式的支持
  
  Matlplotlib对LaTeX有一定的支持，如果记得使用raw字符串语法会很自然：
  
  xlabel(rx2y4)
  
  在matplotlib里面，可以使用LaTex的命令来编辑公式，只需要在字符串前面加一个“r”即可
  
  Here is a simple example:
  
  # plain text
  
  plt.title('alpha > beta')
  
  produces “alpha > beta”.
  
  Whereas this:
  
  produces.
  
  这里给大家看一个简单的例子。
  
  import matplotlib.pyplot as plt
  
  x = arange(1,1000,1)
  
  r = -2
  
  c = 5
  
  y = [5*(a**r) for a in x]
  
  fig = plt.figure()
  
  ax = fig.add_subplot(111)
  
  ax.loglog(x,y,label = ry=12σ21,c=5,σ1=−2)
  
  ax.legend()
  
  ax.set_xlabel(rx)
  
  ax.set_ylabel(ry)
  
  程序执行结果如图3所示，这实际上是一个power-law的例子，有兴趣的朋友可以继续google之。
  
  再看一个《用Python做科学计算》中的简单例子，下面的两行程序通过调用plot函数在当前的绘图对象中进行绘图：
  
  plt.plot(x,y,label=sin(x),color=red,linewidth=2)
  
  plt.plot(x,z,b--,label=cos(x2))
  
  plot函数的调用方式很灵活，第一句将x,y数组传递给plot之后，用关键字参数指定各种属性：