1.Matplotlib简介及图表窗口
Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库
https://matplotlib.org/api/pyplot_api.html
title为图像标题，Axis为坐标轴, Label为坐标轴标注，Tick为刻度线，Tick Label为刻度注释。
plt.plot( 数组 ) --> 图表窗口 plt.show( ) 、
% matplotlib inline 嵌入图表； ---> plt.scatter(x, y)
% matplotlib notebook 可交互窗口；--->s.plot(style = 'k--o',figsize=(10,5))
% matplotlib qt5可交互性控制台； --->>df.hist(figsize=(12,5),color='g',alpha=0.8)
import numpy as np import pandas as pd import matplotlib.pyplot as plt # 图表窗口1 → plt.show() plt.plot(np.random.rand(10)) plt.show() # 直接生成图表
# 图表窗口2 → 魔法函数，嵌入图表 % matplotlib inline x = np.random.randn(1000) y = np.random.randn(1000) plt.scatter(x,y) # 直接嵌入图表，不用plt.show() # <matplotlib.collections.PathCollection at ...> 代表该图表对象
# 图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口 % matplotlib notebook s = pd.Series(np.random.randn(100)) s.plot(style='k--o', figsize=(10, 5)) # 可交互的matplotlib窗口，不用plt.show() # 可做一定调整
# 图表窗口4 → 魔法函数，弹出matplotlib控制台 % matplotlib qt5 df = pd.DataFrame(np.random.rand(50, 2),columns=['A', 'B']) df.hist(figsize=(12, 5), color='g', alpha=0.8) # 可交互性控制台 # 如果已经设置了显示方式（比如notebook），需要重启然后再运行魔法函数 # 网页嵌入的交互性窗口 和 控制台，只能显示一个 #plt.close() # 关闭窗口 #plt.gcf().clear() # 每次清空图表内内容
2.图表的基本元素
图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等
plt.title(' ') #图名 、plt.xlabel('') #x轴标签、 plt.ylabel('') #y轴标签 、plt.legend(loc='upper right') #就是图例的位置 右上
plt.xlim([0, 12])x轴边界 、plt.ylim([0, 1.5]) y轴边界 、plt.xticks(range(10))设置x刻度 、plt.yticks([0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2])设置y刻度
fig.set_xticklabels("%.1f" %i for i in range(10))x轴刻度标签 ,使得其显示1位小数;
fig.set_yticklabels("%.2f" %i for i in [0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2])
xlim范围只是限制图表长度，xticks则是决定显示的标尺，刻度标签set_xticklabels决定显示的小数位数；
# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等 df = pd.DataFrame(np.random.rand(10, 2), columns=['A', 'B']) fig = df.plot(figsize=(6, 4)) # figsize：创建图表窗口，设置窗口大小; # 创建图表对象，并赋值与fig
# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等 df = pd.DataFrame(np.random.rand(10, 2), columns=['A', 'B']) fig = df.plot(figsize=(6, 4)) # figsize：创建图表窗口，设置窗口大小; #创建图表对象，并赋值与fig plt.title('Interesting Graph - Check it out') #图名 plt.xlabel('Plot Number') #x轴标签 plt.ylabel('Important var') #y轴标签 plt.legend(loc='upper right') #就是图例的位置 右上
# 图例的几种显示方式，loc表示位置，分别表示位置。 # 'best' : 0, (only implemented for axes legends)(自适应方式) # 'upper right' : 1, # 'upper left' : 2, # 'lower left' : 3, # 'lower right' : 4, # 'right' : 5, # 'center left' : 6, # 'center right' : 7, # 'lower center' : 8, # 'upper center' : 9, # 'center' : 10, plt.xlim([0, 12]) # x轴边界 plt.ylim([0, 1.5]) # y轴边界 plt.xticks(range(10)) # 设置x刻度 plt.yticks([0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2]) # 设置y刻度 fig.set_xticklabels("%.1f" %i for i in range(10)) # x轴刻度标签 ,使得其显示1位小数; 小数的显示方式变成字符串的形式显示了。 fig.set_yticklabels("%.2f" %i for i in [0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2]) # y轴刻度标签,使得y轴显示后边再加一位小数，之设置前有一位 # 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数 # 轴标签则是显示刻度的标签 print(fig, type(fig))
其他元素可视化
弧度制、角度值，正弦/余弦函数
plt.grid(True, linestyle="--", color="gray", linewidth="0.5", axis='x')显示网格
plt.tick_params(bottom='on',top='off',left='on',right='off')就是4个坐标轴的刻度线是往里凸呢还是凹呢；刻度线的方向matplotlib.rcParams['xtick.direction'] = 'out'
frame.axes.get_xaxis().set_visible(False) x轴上的东西都隐藏了呗
plt.axis('off') # 关闭坐标轴
x = np.linspace(-np.pi,np.pi,256,endpoint = True) #pi值的是圆周率 π math.pi c, s = np.cos(x), np.sin(x) #这里用的是弧度制表示。 plt.plot(x, c) plt.plot(x, s) # plt.grid(True, linestyle="--", color="gray", linewidth="0.5", axis='x') # .grid是创建格网 # 通过ndarry创建图表 # 显示网格 # linestyle：线型 # color：颜色 # linewidth：宽度 # axis：x，y，both，显示x/y/两者的格网 plt.tick_params(bottom='on',top='off',left='on',right='off') #就是四个轴有刻度凸显出来，关掉网格线就看出来了 # 刻度显示 import matplotlib # 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot matplotlib.rcParams['xtick.direction'] = 'out' # 设置刻度的方向： 在里边是in, 显示在外边就是out, 在中间就是inout matplotlib.rcParams['ytick.direction'] = 'inout' frame = plt.gca() frame.axes.get_xaxis().set_visible(False) # False是x/y 轴上的标签都不显示出来， frame.axes.get_yaxis().set_visible(False) # plt.axis('off') # 关闭坐标轴
3.图表的样式参数
linestyle、style、color、marker
plt.plot([i**2 for i in range(100)],linestyle = '-.' )
linestyle参数 线型
plt.plot([i**2 for i in range(100)], linestyle = '-.') # '-' solid line style # '--' dashed line style # '-.' dash-dot line style # ':' dotted line style
marker参数 线上的点
s.plot(linestyle = '--',marker = '.') 线上的点的形状呗
s = pd.Series(np.random.randn(100).cumsum()) #.cumsum()是累计求和 s.plot(linestyle = '--', marker = '.') # '.' point marker # ',' pixel marker # 'o' circle marker # 'v' triangle_down marker # '^' triangle_up marker # '<' triangle_left marker # '>' triangle_right marker # '1' tri_down marker # '2' tri_up marker # '3' tri_left marker # '4' tri_right marker # 's' square marker # 'p' pentagon marker # '*' star marker # 'h' hexagon1 marker # 'H' hexagon2 marker # '+' plus marker # 'x' x marker # 'D' diamond marker # 'd' thin_diamond marker # '|' vline marker # '_' hline marker
color参数颜色
plt.hist(np.random.randn(100),color = 'g',alpha = 0.8) 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y
df.plot(style = '--.', alpha = 0.8, colormap = 'GnBu') colormap颜色板
plt.hist(np.random.randn(100), color = 'g',alpha = 0.8)# alpha：0-1，透明度
df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD')) df = df.cumsum() df.plot(style = '--.', alpha = 0.8, colormap = 'GnBu') # colormap：颜色板，包括： # Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, # Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, # PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, # RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, # YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, # cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, # gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, # gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral, # nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral, # spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r # 其他参数见“颜色参数.docx”
style参数，可以包含linestyle，marker，color
ts.plot(style = '--g.',grid=True) linestyle（-）线性，marker（.），color（g）颜色，grid=True是显示网格线
ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000)) ts.plot(style = '--g.',grid=True) # style → 风格字符串，这里包括了linestyle（-）线性，marker（.），color（g）颜色 # plot()内也有grid参数
整体风格样式
psl.use('ggplot')
import matplotlib.style as psl print(plt.style.available) # 查看样式列表 psl.use('ggplot') ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000)) ts.plot(style = '--g.',grid = True,figsize=(10,6)) #一旦选用样式后，所有图表都会有样式，重启后才能关掉
所有的样式列表--->
['seaborn-bright', 'seaborn-notebook', 'seaborn-darkgrid', 'seaborn-ticks', 'seaborn-poster', 'seaborn-dark', 'grayscale', 'fivethirtyeight',
'seaborn-paper', 'seaborn-whitegrid', 'seaborn-deep', 'ggplot', 'classic', 'bmh', 'dark_background', 'seaborn-colorblind', 'seaborn-white',
'seaborn-muted', 'seaborn-dark-palette', 'seaborn-talk', 'seaborn-pastel']
4.刻度、注解、图表输出
主刻度、次刻度
刻度
subplot(2,2,1) 前面俩参数指定的是一个画板被分割成的行和列，后面一个参数则指的是当前正在绘制的编号！
ax.xaxis.set_major_locator(xmajorLocator)设置x轴主刻度、 xmajorLocator = MultipleLocator(20) 将x主刻度标签设置为20的倍数
ax.xaxis.set_major_formatter(xmajorFormatter)设置x轴标签文本格式 、 xmajorFormatter = FormatStrFormatter('%.0f')设置x轴标签文本的格式
ax.xaxis.set_minor_locator(xminorLocator)设置x轴次刻度、 xminorLocator = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数
ax.xaxis.grid(True, which='majpr') #x坐标轴的网格使用（就是纵横交错的网格线）主刻度 both、minor（只显示次刻度）、majpr（只显示主刻度）
ax.xaxis.set_major_formatter(plt.NullFormatter()) 删除x坐标轴的刻度显示
from matplotlib.ticker import MultipleLocator, FormatStrFormatter t = np.arange(0.0, 100.0, 1) s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01) ax = plt.subplot(111) #注意:一般都在ax中设置,不再plot中设置 plt.plot(t,s,'--*') plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'both') # 网格 #plt.legend() # 图例
xmajorLocator = MultipleLocator(20) # 将x主刻度标签设置为10的倍数 xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式 xminorLocator = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数 ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数 ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式 yminorLocator = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数 ax.xaxis.set_major_locator(xmajorLocator) # 设置x轴主刻度 ax.xaxis.set_major_formatter(xmajorFormatter) # 设置x轴标签文本格式 ax.xaxis.set_minor_locator(xminorLocator) # 设置x轴次刻度 ax.yaxis.set_major_locator(ymajorLocator) # 设置y轴主刻度 ax.yaxis.set_major_formatter(ymajorFormatter) # 设置y轴标签文本格式 ax.yaxis.set_minor_locator(yminorLocator) # 设置y轴次刻度ax.xaxis.grid(True, which='majpr') #x坐标轴的网格使用（就是纵横交错的网格线）主刻度 both、minor（只显示次刻度）、majpr（只显示主刻度） ax.yaxis.grid(True, which='minor') #y坐标轴的网格使用次刻度 # which：格网显示 #删除坐标轴的刻度显示 #ax.yaxis.set_major_locator(plt.NullLocator()) # ax.xaxis.set_major_formatter(plt.NullFormatter())
注解
plt.text(5,0.5,'hello',fontsize=10) 参数是注释在坐标系中的位置和大小：(5,0.5)
df = pd.DataFrame(np.random.randn(10,2)) df.plot(style = '--o') plt.text(5,0.5,'hello',fontsize=10) # 注解 → 横坐标，纵坐标，注解字符串
图表输出
plt.savefig('C:/Users/Administrator/Desktop/pic.png',
dpi=400, #分表率；
bbox_inches = 'tight', #剪出周围的空白
facecolor = 'g', #图像的背景色
edgecolor = 'b') #图片的edgecolor
df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD')) df = df.cumsum() df.plot(style = '--.',alpha = 0.5) plt.legend(loc = 'upper right') plt.savefig('C:/Users/Administrator/Desktop/pic.png', dpi=400, bbox_inches = 'tight', facecolor = 'g', edgecolor = 'b') # 可支持png，pdf，svg，ps，eps…等，以后缀名来指定 # dpi是分辨率 # bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。 # facecolor，edgecolor： 图像的背景色，默认为‘w’（白色）
5.子图
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(ax)对象都是一个拥有自己坐标系统的绘图区域
plt.figure, plt.subplot
# plt.figure() 绘图对象 # plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, # frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs) fig1 = plt.figure(num=1,figsize=(4,2)) plt.plot(np.random.rand(50).cumsum(),'k--') fig2 = plt.figure(num=2,figsize=(4,2)) plt.plot(50-np.random.rand(50).cumsum(),'k--') # num：图表序号，如果他们两个的序号一样，曲线就会显示在一张图片里边；如果把num都去掉，则跟num=1和num=2是一样的效果。 # figsize：图表大小 # 当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)
fig.add_subplot(2,2,1)生成创建好的图表figure() 2*2的矩阵表格，第1个个位置 、 plt.plot(np.random.rand(50).cumsum(),'k--')往上边画线，填图
# 子图创建1 - 先建立子图然后填充图表 fig = plt.figure(figsize=(10,6),facecolor = 'gray') ax1 = fig.add_subplot(2,2,1) # 第一行的左图 plt.plot(np.random.rand(50).cumsum(),'k--') plt.plot(np.random.randn(50).cumsum(),'b--') # 先创建图表figure，然后生成子图，(2,2,1)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下 # 创建子图后绘制图表，会绘制到最后一个子图 ax2 = fig.add_subplot(2,2,2) # 第一行的右图 ax2.hist(np.random.rand(50),alpha=0.5) ax4 = fig.add_subplot(2,2,4) # 第二行的右图 df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd']) ax4.plot(df2,alpha=0.5,linestyle='--',marker='.') # 也可以直接在子图后用图表创建函数直接生成图表
---->
[<matplotlib.lines.Line2D at 0x13bbb240>, <matplotlib.lines.Line2D at 0x13bbb390>, <matplotlib.lines.Line2D at 0x13bbb5f8>, <matplotlib.lines.Line2D at 0x13bbb780>]
fig, axes = plt.subplots(2,3,figsize=(10,4)) 创建2*3个fig图，2*3个数组。--->> ax1 = axes[0,1] ---> ax1.plot(ts) 在[0,1]的图中绘线
# 子图创建2 - 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot fig,axes = plt.subplots(2,3,figsize=(10,4)) ts = pd.Series(np.random.randn(1000).cumsum()) print(axes, axes.shape, type(axes)) # 生成图表对象的数组,2行3列的数组 print(fig,type(fig)---->>> Figure(720x288) <class 'matplotlib.figure.Figure'>
ax1 = axes[0,1] #表示在第一行第二个图片绘制图线。 ax1.plot(ts) ---------------->>>>>>>>>> [[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000BB5A4A8> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C08B240> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C0D6550>] [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000C10CDD8> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C15B160> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C190DA0>]] (2, 3) <class 'numpy.ndarray'>
plt.subplots( ),参数调整,是否共享坐标轴
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)# sharex,sharey：是否共享x，y刻度
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)# sharex,sharey：是否共享x，y刻度 for i in range(2): for j in range(2): axes[i, j].hist(np.random.randn(500), color='k', alpha=0.5) plt.subplots_adjust(wspace=0,hspace=0) # wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距
df.plot(style = '--.', alpha=0.4, grid=True, figsize = (8, 8),
subplots = True, #为False时是绘制到了一张图上面
layout = (2,3),# 2*3的矩阵填充图
sharex = False) #不共享x轴
plt.subplots_adjust(wspace=0,hspace=0.2) ##wspace是子图之间的横向间距，hspace是子图之间的竖直间距。
# 子图创建3 - 多系列图，分别绘制 df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns = list('ABCD')) df = df.cumsum() df.plot(style = '--.', alpha=0.4, grid=True, figsize = (8, 8), subplots = True, #为False时是绘制到了一张图上面 layout = (2,3), sharex = False) plt.subplots_adjust(wspace=0,hspace=0.2) ##wspace是子图之间的横向间距，hspace是子图之间的竖直间距。 # plt.plot()基本图表绘制函数 → subplots，是否分别绘制系列（子图） # layout：绘制子图矩阵，按顺序填充
