zoukankan      html  css  js  c++  java

  • Python--matplotlib绘图可视化知识点整理

    参考

    1
    2
    3
    4
    5
    6
    7
    8
    		 
    import matplotlib.pyplot as plt
    labels='frogs','hogs','dogs','logs'
    sizes=15,20,45,10
    colors='yellowgreen','gold','lightskyblue','lightcoral'
    explode=0,0.1,0,0
    plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)
    plt.axis('equal')
    plt.show()

    matplotlib图标正常显示中文

    为了在图表中能够显示中文和负号等，需要下面一段设置：

    1
    2
    3
    		 
    import matplotlib.pyplot as plt
    plt.rcParams['font.sas-serig']=['SimHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

    matplotlib inline和pylab inline

    可以使用ipython --pylab打开ipython命名窗口。

    1
    2
    		 
    %matplotlib inline  #notebook模式下
    %pylab inline   #ipython模式下

    这两个命令都可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，但是，有一个缺陷：除非将代码一次执行，否则，无法叠加绘图，因为在这两种模式下，是要有plt出现，图片会立马show出来，因此：

    推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。

    为项目设置matplotlib参数

    在代码执行过程中，有两种方式更改参数：

    • 使用参数字典(rcParams)
    • 调用matplotlib.rc()命令 通过传入关键字元祖，修改参数

    如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用matplot.get_config()命令来找到当前用户的配置文件目录。

    配置文件包括以下配置项：

    axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
    backend: 设置目标暑促TkAgg和GTKAgg
    figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
    font: 字体集（font family）、字体大小和样式设置
    grid: 设置网格颜色和线性
    legend: 设置图例和其中的文本的显示
    line: 设置线条（颜色、线型、宽度等）和标记
    patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
    savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
    verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
    xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

    线条相关属性标记设置

    用来该表线条的属性

    线条风格linestyle或ls描述线条风格linestyle或ls描述
    ‘-‘ 实线 ‘:’ 虚线  
    ‘–’ 破折线 ‘None’,’ ‘,’’ 什么都不画  
    ‘-.’ 点划线  

    线条标记

    标记maker描述标记描述
    ‘o’ 圆圈 ‘.’ 点
    ‘D’ 菱形 ‘s’ 正方形
    ‘h’ 六边形1 ‘*’ 星号
    ‘H’ 六边形2 ‘d’ 小菱形
    ‘_’ 水平线 ‘v’ 一角朝下的三角形
    ‘8’ 八边形 ‘<’ 一角朝左的三角形
    ‘p’ 五边形 ‘>’ 一角朝右的三角形
    ‘,’ 像素 ‘^’ 一角朝上的三角形
    ‘+’ 加号 ‘ ‘ 竖线
    ‘None’,’’,’ ‘ 无 ‘x’ X

    颜色

    可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。

    别名颜色别名颜色
    b 蓝色 g 绿色
    r 红色 y 黄色
    c 青色 k 黑色  
    m 洋红色 w 白色

    如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：

    • 使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字（’red’,’chartreuse’等）。
    • 也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

    很多方法可以介绍颜色参数，如title()。
    plt.tilte('Title in a custom color',color='#123456'）

    背景色

    通过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数，可以指定坐标这的背景色。

    subplot(111,axisbg=(0.1843,0.3098,0.3098)

    基础

    如果你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度，因此x的数据是[0,1,2,3].

    确定坐标范围

    • plt.axis([xmin, xmax, ymin, ymax])
      上面例子里的axis()命令给定了坐标范围。
    • xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围 
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      		 
      %matplotlib inline
      import numpy as np
      import matplotlib.pyplot as plt
      from pylab import *

      x = np.arange(-5.0, 5.0, 0.02)
      y1 = np.sin(x)

      plt.figure(1)
      plt.subplot(211)
      plt.plot(x, y1)

      plt.subplot(212)
      #设置x轴范围
      xlim(-2.5, 2.5)
      #设置y轴范围
      ylim(-1, 1)
      plt.plot(x, y1)

    叠加图

    用一条指令画多条不同格式的线。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    		 
    import numpy as np
    import matplotlib.pyplot as plt

    # evenly sampled time at 200ms intervals
    t = np.arange(0., 5., 0.2)

    # red dashes, blue squares and green triangles
    plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
    plt.show()

    plt.figure()

    你可以多次使用figure命令来产生多个图，其中，图片号按顺序增加。这里，要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常，你并不需要考虑这些事，下面的这个例子为大家演示这一细节。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    		 
    import matplotlib.pyplot as plt
    plt.figure(1)                # 第一张图
    plt.subplot(211)             # 第一张图中的第一张子图
    plt.plot([1,2,3])
    plt.subplot(212)             # 第一张图中的第二张子图
    plt.plot([4,5,6])


    plt.figure(2)                # 第二张图
    plt.plot([4,5,6])            # 默认创建子图subplot(111)

    plt.figure(1)                # 切换到figure 1 ; 子图subplot(212)仍旧是当前图
    plt.subplot(211)             # 令子图subplot(211)成为figure1的当前图
    plt.title('Easy as 1,2,3')   # 添加subplot 211 的标题

    figure感觉就是给图像ID，之后可以索引定位到它。

    plt.text()添加文字说明

    • text()可以在图中的任意位置添加文字，并支持LaTex语法
    • xlable(), ylable()用于添加x轴和y轴标签
    • title()用于添加图的题目
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    		 
    import numpy as np
    import matplotlib.pyplot as plt

    mu, sigma = 100, 15
    x = mu + sigma * np.random.randn(10000)

    # 数据的直方图
    n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)


    plt.xlabel('Smarts')
    plt.ylabel('Probability')
    #添加标题
    plt.title('Histogram of IQ')
    #添加文字
    plt.text(60, .025, r'$mu=100, sigma=15$')
    plt.axis([40, 160, 0, 0.03])
    plt.grid(True)
    plt.show()


    text中前两个参数感觉应该是文本出现的坐标位置。

    plt.annotate()文本注释

    在数据可视化的过程中，图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。[^1]

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    		 
    import numpy as np
    import matplotlib.pyplot as plt

    ax = plt.subplot(111)

    t = np.arange(0.0, 5.0, 0.01)
    s = np.cos(2*np.pi*t)
    line, = plt.plot(t, s, lw=2)

    plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
                arrowprops=dict(facecolor='black', shrink=0.05),
                )

    plt.ylim(-2,2)
    plt.show()


    [^1]:DataHub-Python 数据可视化入门1

    plt.xticks()/plt.yticks()设置轴记号

    现在是明白干嘛用的了，就是人为设置坐标轴的刻度显示的值。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    		 
    # 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="r", lw=4.0, linestyle="-")

    plt.axis([-4,4,-1.2,1.2])
    # 设置轴记号

    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'$+1$'])
    # 在屏幕上显示
    show()


    当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。[^2]

    [^2]:Matplotlib 教程

    移动脊柱 坐标系

    1
    2
    3
    4
    5
    6
    7
    		 
    ax = gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    ax.xaxis.set_ticks_position('bottom')
    ax.spines['bottom'].set_position(('data',0))
    ax.yaxis.set_ticks_position('left')
    ax.spines['left'].set_position(('data',0))

    这个地方确实没看懂，囧，以后再说吧，感觉就是移动了坐标轴的位置。

    plt.legend()添加图例

    1
    2
    3
    4
    		 
    plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")
    plot(X, S, color="red",  linewidth=2.5, linestyle="-", label="sine")

    legend(loc='upper left')

    matplotlib.pyplot

    使用plt.style.use('ggplot')命令，可以作出ggplot风格的图片。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    		 
    # Import necessary packages
    import pandas as pd
    %matplotlib inline
    import matplotlib.pyplot as plt
    plt.style.use('ggplot')
    from sklearn import datasets
    from sklearn import linear_model
    import numpy as np
    # Load data
    boston = datasets.load_boston()
    yb = boston.target.reshape(-1, 1)
    Xb = boston['data'][:,5].reshape(-1, 1)
    # Plot data
    plt.scatter(Xb,yb)
    plt.ylabel('value of house /1000 ($)')
    plt.xlabel('number of rooms')
    # Create linear regression object
    regr = linear_model.LinearRegression()
    # Train the model using the training sets
    regr.fit( Xb, yb)
    # Plot outputs
    plt.scatter(Xb, yb,  color='black')
    plt.plot(Xb, regr.predict(Xb), color='blue',
             linewidth=3)
    plt.show()

    给特殊点做注释

    好吧，又是注释，多个例子参考一下！

    我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    		 
    t = 2*np.pi/3
    # 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。
    plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")
    scatter([t,],[np.cos(t),], 50, color ='blue')

    annotate(r'$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$',
             xy=(t, np.sin(t)), xycoords='data',
             xytext=(+10, +30), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

    plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")
    scatter([t,],[np.sin(t),], 50, color ='red')

    annotate(r'$cos(frac{2pi}{3})=-frac{1}{2}$',
             xy=(t, np.cos(t)), xycoords='data',
             xytext=(-90, -50), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

    plt.subplot()

    plt.subplot(2,3,1)表示把图标分割成2*3的网格。也可以简写plt.subplot(231)。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。

    plt.axes()

    我们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下^3：

    plt.axes-官方文档

    • axes() by itself creates a default full subplot(111) window axis.
    • axes(rect, axisbg=’w’) where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.
    • axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

      rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，因此，若是要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。

    show code:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    		 
    http://matplotlib.org/examples/pylab_examples/axes_demo.html

    import matplotlib.pyplot as plt
    import numpy as np

    # create some data to use for the plot
    dt = 0.001
    t = np.arange(0.0, 10.0, dt)
    r = np.exp(-t[:1000]/0.05)               # impulse response
    x = np.random.randn(len(t))
    s = np.convolve(x, r)[:len(x)]*dt  # colored noise

    # the main axes is subplot(111) by default
    plt.plot(t, s)
    plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])
    plt.xlabel('time (s)')
    plt.ylabel('current (nA)')
    plt.title('Gaussian colored noise')

    # this is an inset axes over the main axes
    a = plt.axes([.65, .6, .2, .2], axisbg='y')
    n, bins, patches = plt.hist(s, 400, normed=1)
    plt.title('Probability')
    plt.xticks([])
    plt.yticks([])

    # this is another inset axes over the main axes
    a = plt.axes([0.2, 0.6, .2, .2], axisbg='y')
    plt.plot(t[:len(r)], r)
    plt.title('Impulse response')
    plt.xlim(0, 0.2)
    plt.xticks([])
    plt.yticks([])

    plt.show()

    [^3]:绘图: matplotlib核心剖析

    pyplot.pie参数

    colors颜色

    找出matpltlib.pyplot.plot中的colors可以取哪些值？

    打印颜色值和对应的RGB值。

    • plt.axis('equal')避免比例压缩为椭圆

    autopct

    • How do I use matplotlib autopct? 
      1
      		 
      autopct enables you to display the percent value using Python string formatting. For example, if autopct='%.2f', then for each pie wedge, the format string is '%.2f' and the numerical percent value for that wedge is pct, so the wedge label is set to the string '%.2f'%pct.
  • 相关阅读:
    numpy-自定义ufunc函数和广播
    numpy-ufunc函数
    numpy数组（五）
    numpy数组（四）
    numpy数组（三）
    numpy数组（二）
    素数序列的生成及其应用(采用了新学的更高效的算法：布尔标记法 + 倍数淘汰法)
    demo04-js变量
    demo03-js注释
    demo02-js引入外链
  • 原文地址：https://www.cnblogs.com/mandy-study/p/7889034.html
Copyright © 2011-2022 走看看