Matplotlib
本文档介绍Python中数据可视化，不仅仅包含Matplotlib这个库
import matplotlib.pyplot as plt
%matplotlib inline # %matplotlib widget 交互式Matplotlib有四类基础类型的对象容器：Figure、Axes、Axis、Tick。figure即图片本身，负责图形大小、位置；Axes负责坐标轴位置、绘图；Axis负责坐标轴的设�置等；Tick负责格式化样式等。下面是Matplotlib figure的组成
matplotlib绘制的图都位于figure对象中，可以使用figure方法生成一个新的图片
fig = plt.figure()此时的图为一个空白图，可以在该图上添加一个或多个子图
- 使用add_subplot添加子图
# 创建2*2个子图的1～3图
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)agg_subplot返回Axes Subplot对象，使用这些对象可以直接在子图上调用对象的方法进行绘图，若此时直接使用plt.plot进行绘图，则会在最后创建的子图上进行绘图。
ax1.hist(np.random.randn(100), bins=20, color='k', alpha=0.4)
ax2.scatter(np.arange(30), np.arange(30) + 3*np.random.randn(30))
plt.plot(np.random.randn(50).cumsum(), 'k--') # 直接绘制在最后一个子图上
-
subplots函数
subplots函数可以绘制x*y个子图，返回一个figure对象和一个Axes对象:fig, axes = subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True,subplot_kw=None, gridspec_kw=None, **fig_kw)
- fig为figure对象，可以用来保存图片使用`fig.savefig('name')
- axes可以通过二维数组的方法来访问子图，例如axes[0,1]这样
- nrows and ncols：行和列的个数。
- sharex and sharey: 是否共享x y 轴。
- subplot_kw: 传入add_subplot的关键字参数字典，用于生成子图。
- **fig_kw：生成图片时使用的figure参数，如 figsize、facecolor等。
-
调整子图间距
subplots_adjust(left=None, bootm=None, right=None, top=None, wspace=None, hspce=None)
- left: 子图左边缘的位置
- right: 子图右边缘的位置
- bottom: 子图底部边缘的位置
- top: 子图顶端边缘的位置
- wspace: 子图只之间的宽度
- hspace: 每行子图之间padding的高度
子图之间若出现遮挡，也可以使用
tight_layout方法自动调整，也支持使用参数自行调整plt.tight_layout(pad=0.4, w_pad=0.5, h_pad=1.0)
下面是plot函数的详细介绍
plot(x, y, linestyle, linewidth, color, marker, markersize, markeredgecolor, markerfacecolor, markeredgewidth, label, alpha)其中x为x轴数值，y为y轴数值，此外也可以传入多个x1, y1, x2, y2同时绘制多个图，下面为其他参数解释:
- linestyle: 折线类型，实线、虚线和点画线等
- linewidth: 折线宽度
- marker: 为折线图添加点，并设置形状
- markersize: 点的大小
- markeredgecolor: 点的边框颜色
- markerfacecolor: 点的填充颜色
- markeredgewidth: 点的边框宽度
- label: 折线图标签(用于标签)
- alpha: 折线图透明度
还有绘制其他形状图形的常用函数
| 函数 | 说明 |
|---|---|
| pie | 绘制饼状图 |
| bar | 绘制柱状图 |
| hist | 绘制二维直方图 |
| scatter | 绘制散点图 |
下面是调整绘图样式的详细参数选项
| 符号参数 | 可选类型 | 说明 |
|---|---|---|
| color 线条颜色 | b | 蓝色 |
| c | 青色 | |
| g | 绿色 | |
| k | 黑色 | |
| m | 洋红色 | |
| r | 红色 | |
| w | 白色 | |
| y | 黄色 | |
| linestyle 线条样式 | - | 实线 |
| -- | 虚线 | |
| -. | 点画线 | |
| : | 点线 | |
| marker 数据点形状 | . | 点 |
| o | 圆圈 | |
| * | 星形 | |
| x | 十字 | |
| s | 正方形 | |
| p | 五角星 | |
| d | 钻石 | |
| h | 六角形 | |
| + | 加号 | |
| ^ < > | 各种三角形 | |
| 1234 | Tropod向上下左右各个方向 |
特殊属性 drawstyle='steps-post'绘制梯形图形
-
设置标题、轴标签、刻度和刻度标签
设置标题使用set_title方法fig = plt.figure() ax = fig.add_subplot(1, 1, 1) ax.set_title('My first matplotlib plot')
使用
xlim函数不加参数返回当前x轴范围，加上参数后可以设置x轴范围plt.xlim([0,10]) # 设置x轴范围从0到10
使用
set_xticks和set_xticklabels分别设置x轴刻度和标签(指出要显示的刻度，并在下面写个标签，可以为数据也可以为字符串)对于y轴同理，将x换成y即可
还可以使用
set方法批量设置绘图属性props = { 'title': 'My first matplotlib plot', 'xlabel': 'Stages' } ax.set(**props)
-
添加图例
plt.plot(np.random.randn(1000).cumsum(), 'k', label = 'one') plt.legend(loc='best')
legend函数显示标签，与之前绘图添加的label对应，参数loc可以使用'best'会自动将图例放在合适的地方。 -
注释与子图加工 使用
text方法在图中位置添加注释plt.text(x, y, 'string', family='font', fontsize=n)
- x y: 分别为注释的位置
- 'string': 注释内容
- family: 注释字体
- fontsize: 字体大小
使用arrow函数可以添加箭头，和注释搭配起来很好用
matplotlib.pyplot.arrow(x, y, dx, dy, hold=None, **kwargs)
参数
- x, y: 箭头起点做I报
- dx, dy: 箭头在xy轴上的长度
- width: 箭头宽度，默认0.001
- length_includes_head: 头是否包含在长度之中，默认False
- head_width: 箭"头"的宽度，默认 3*width
- head_length: 箭"头"的长度，默认 1.5*head_width
- shape: [‘full’, ‘left’, ‘right’]，箭头形状，默认‘full’
annotate方法用于直接添加带箭头的注解
Axes.annotate(s, xy, *args, **kwargs) `` - s: 注解文本 - xy: (float, float) 注解的点(箭头指向)的坐标 - xytext:(float,float) 注释内容的坐标位置 - xycoords：被注释点的坐标系属性 - color: 设置字体颜色
-
添加图像
添加图像需要生成patch(补丁)对象，并使用ax.add_patch(shp)将其加入子图中
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
rect = plt.Rectangle((0.2, 0.75), 0.4, 0.25, color='k', alpha=0.3)
circ = plt.Circle((0.7, 0.2), 0.15, color='b', alpha=0.3)
pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]], color='g', alpha=0.5)
ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)
plt.contour()函数可以绘制等高线图，x y z为绘制点,后面为等高线密度
plt.clabel()用于对等高线加上数值标记，并设置字体大小
x = np.arange(-2.0,2.0,0.01)
y = np.arange(-2.0,2.0,0.01)
X,Y = np.meshgrid(x,y)
def f(x,y):
return (1-y**5+x**5)*np.exp(-x**2-y**2)
C = plt.contour(X,Y,f(X,Y),8)
plt.clabel(C,inline=1,fontsize=10)
plt.show()
此外，还可以通过contour函数的参数，给图片自定义颜色color='black'，或使用颜色库中的渐变色cmap=plt.cm.hot
使用这两个参数后的图片:
最后，我们还可以使用函数plt.colorbar()给图片添加颜色值
x = np.arange(-2.0,2.0,0.01)
y = np.arange(-2.0,2.0,0.01)
X,Y = np.meshgrid(x,y)
def f(x,y):
return (1-y**5+x**5)*np.exp(-x**2-y**2)
C = plt.contour(X,Y,f(X,Y), 10)
plt.clabel(C,inline=1,fontsize=10)
plt.colorbar() # 显示颜色值
plt.show()
极区图呈放射延伸状，每块会占一定的角度。其半径大小表示它代表的某一类数据的大小。其角度大小表示它所占总类别的比例。
plt.bar(角度, 半径, width=宽度, bottom= , color=颜色)例如下面的例子
theta = np.arange(0.,2*np.pi,2*np.pi/8)
radii = np.array([4,7,5,3,1,5,6,7])
plt.axes([0.025,0.025,0.95,0.95],polar=True)
colors = np.array(['#4bb2c5','#c5b47f','#EAA228','#579575','#839557','#958c12','#953579','#4b5de4'])
bars = plt.bar(theta,radii,width=(2*np.pi/8),bottom=0.0,color=colors)
plt.show()
使用projection='3d'来创建一个Axes3D对象
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')-
绘制曲线和散点图
# 绘制螺旋线 zline = np.linspace(0, 15, 1000) xline = np.sin(zline) yline = np.cos(zline) ax.plot3D(xline, yline, zline, 'gray') # 绘制散点图 zdata = 15 * np.random.random(100) xdata = np.sin(zdata) + 0.1 * np.random.randn(100) ydata = np.cos(zdata) + 0.1 * np.random.randn(100) ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens') # c为颜色深度渐变方向 plt.show()
-
三维轮廓图
coutour3D函数提供绘制三维轮廓图的方法，第四个参数50表示线的密度，set_*label函数为各个轴设置标签def f(x, y): return np.sin(np.sqrt(x ** 2 + y ** 2)) x = np.linspace(-6, 6, 30) y = np.linspace(-6, 6, 30) X, Y = np.meshgrid(x, y) Z = f(X, Y) fig = plt.figure() ax = plt.axes(projection='3d') ax.contour3D(X, Y, Z, 50, cmap='binary') ax.set_xlabel('x') ax.set_ylabel('y') ax.set_zlabel('z')
若视图不直观，可以使用ax.view_init()函数修改视角-
表面三角测量
使用函数plot_wireframe绘制线框图
fig = plt.figure() ax = plt.axes(projection='3d') ax.plot_wireframe(X, Y, Z, color='black') ax.set_title('wireframe')
-
表面三角测量