📖 一、Matplotlib库相关介绍

【介绍】：Matplotlib 是建立在Numpy数组基础上的多平台数据可视化程序库。

📖 二、设置图形标签

【第一种】：MATLIB 风格

plt.plot(x,np.sin(x))
plt.title("A Sine Curve")
plt.xlabel("x")
plt.ylabel("sin(x)")

MATLIB 风格

【第二种】：面向对象风格

# 设置时，要做如下形式的变换
#plt.xlabel => ax.set_xlabel
ax = plt.axes()
ax.plot(x,np.sin(x))
ax.set_xlabel("x")
ax.set_ylabel("sin(x)")
ax.set_title('A Sine Curve')

面向对象风格

📖 三、设置图例

【第一步】：绘制图例（参数为：label）

plt.plot(x,np.sin(x),'-g',label="sin(x)")
plt.plot(x,np.cos(x),':b',label="cos(x)")

#显示图例
plt.legend()

显示图例

【第二步】：配置图例

x = np.linspace(0,10,1000)
fig,ax = plt.subplots()
ax.plot(x,np.sin(x), '-b', label="Sine")
ax.plot(x,np.cos(x),'--r', label="Cosine")
ax.axis('equal')

leg = ax.legend(loc='upper left',frameon=False, ncol=2)

【注释】：Matplotlib中显示图形时调用legend()函数，其中有以下几个较为常用的参数

• loc： 位置参数；
• frameon： 去掉边框；
• ncol： 图例的列数；

配置图例

【第三步】：其他配置

x = np.linspace(0,10,1000)
fig,ax = plt.subplots()
ax.plot(x,np.sin(x), '-b', label="Sine")
ax.plot(x,np.cos(x),'--r', label="Cosine")
ax.axis('equal')
- fancybox：圆角边框
- framealpha: 边框的透明度
- shadow:阴影
- borderpad：边距
leg = ax.legend(fancybox=True, framealpha=0.5, shadow=True,borderpad=1)

【注释】：Matplotlib中显示图形时调用legend()函数，其中有以下几个较为常用的参数：

• fancybox：圆角边框；
• framealpha: 边框的透明度；
• shadow:阴影；
• borderpad：边距；

output_相关配置

【第四步】：设置多个图例

fig,aix = plt.subplots()
styles = ['-','--','-.',':']
lines = []

x = np.linspace(0,10,1000)
for i in range(4):
    lines += aix.plot(x,np.sin(x - i * np.pi / 2),styles[i],color='black')

# 设置第一个图的图例
aix.legend(lines[:2],['Line A','Line B'], loc='upper right', frameon=False)

# 设置第二个图例
from matplotlib.legend import Legend
leg = Legend(aix,lines[2:],['LineC','LineD'],loc='lower right',frameon=False)
aix.add_artist(leg)

aix.axis('equal')
plt.show()

output_多个图例

📖 四、绘制简易散点图

【第一步】：基本绘制

x = np.linspace(0,10,30)
y = np.sin(x)
# 参数o用来表示图形符号
plt.plot(x,y,'o',color='black')

【解释】：这里使用参数o用来表示图形符号。

output_基本绘制

【第二步】：设置样式

样式种类有许多，在绘图过程中，可以更具自己的偏好选择样式，主要样式如下：

rng = np.random.RandomState(0)
for marker in ['o','.',',','x','+','v','^','<','>','s','d']:
    plt.plot(rng.rand(5),rng.rand(5),marker, label="marker='{0}'".format(marker))
    plt.legend(numpoints=1)
    plt.xlim(0,1.8)

output_设置样式

【第三步】：同时画出点线和折线

plt.plot(x,y,'-ok')

output_点线和折线

【第四步】：散点图的其他属性

plt.plot(x,y,'-p',color='gray',markersize=15,linewidth=4,markerfacecolor='white',markeredgecolor='gray',markeredgewidth=2)

• markersize：对应坐标图形尺寸，这里设置为15px；
• linewidth：线条尺寸（粗细）：这里设置为4px；
• markerfacecolor：图形颜色；
• markeredgecolor：图形边框以及线条颜色；
• markeredgewidth：边框线尺寸（粗细），这里设置为2px；

output_其他属性

【第五步】：使用 plt.scatter 绘制散点图

（特点）： scatter 与 plot 相比，拥有更高的灵活性，可以控制每个散点。

# scatter 与 plot 相比，拥有更高的灵活性，可以控制每个散点。
plt.scatter(x,y,marker='o')

output_scatter绘图

【第六步】：通过 scater 控制每个点

rng = np.random.RandomState(0)
x = rng.randn(100)
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)
plt.scatter(x,y,c=colors,alpha=0.3,s=sizes,cmap='viridis')

# 显示颜色条
plt.colorbar()

output_26_1.png

📖 五、基本误差线图

x = np.linspace(0,10,50)
dy = 0.8
y = np.sin(x) + dy * np.random.randn(50)
plt.errorbar(x,y,yerr=dy,fmt='.k')

output_误差线图

📖 六、等高线图

【第一步】：绘制基本等高线图

# 生成坐标
def f(x,y):
    return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)
x = np.linspace(0,5,50)
y = np.linspace(0,5,40)

# 生成x，y组成坐标的集合
X,Y = np.meshgrid(x,y)
z = f(X,Y)

# 绘制图形
# 当只有一种颜色时，实线表示正数，虚线表示负数
plt.contour(X,Y,z,colors='black')

output_基本等高线图

【第二步】：使用预定义的配色方案

plt.cm.<Tab>：可以查看有一共有多少种预定义的配色方案。

# 使用预定义的配色方案：RdGy红灰方案
#可以通过plt.cm.<Tab>，来查看一共有哪些方案
plt.contour(X,Y,z,cmap='RdGy')

output_配色

【第三步】：生成带填充色的等高线图

# plt.contourf(X,Y,z,cmap='RdGy')
# （参数）10 : 表示等高线的密集程度
plt.contourf(X,Y,z,10,cmap='RdGy')
plt.colorbar()

output_填充色

【第四步】：将等高线渲染成渐变图

感觉是通过打马赛克的方式，来实现模糊化渲染。

# 将数组z对应的点渲染为图象
plt.imshow(z,extent=[0,5,0,5],origin='lower',cmap="RdGy")
plt.colorbar()
plt.axis(aspect='image')

output_渐变图

【第五步】：将等高线图和渐变图叠加一起

我们看见的等高线图当然不象这么简陋，但是通过Matplotlib可以实现类似的功能。

contours = plt.contour(X,Y,z,3,colors='black')
plt.clabel(contours,inline=True, fontsize=8)

plt.imshow(z,extent=[0,5,0,5],origin='lower',cmap='RdGy',alpha=0.3)
plt.colorbar()

output_33_1.png

📖 七、频次直方图

data = np.random.randn(1000)
plt.hist(data)
plt.show()

output_基本直方图

【第一步】：设置直方图的样式

plt.hist(data,bins=30,alpha=0.5,histtype='stepfilled',color='steelblue',edgecolor='black')
plt.show()

output_直方图样式

案例：

x1 = np.random.normal(0,0.8,1000)
x2 = np.random.normal(-2,1,1000)
x3 = np.random.normal(3,2,1000)

kwargs = dict(histtype="stepfilled",alpha=0.3,bins=40)
plt.hist(x1,**kwargs)
plt.hist(x2, **kwargs)
plt.hist(x3, **kwargs)
plt.show()

output_案例

【第二步】：使用 plt.hist2d()生成二维频次直方图

生成两组符合正太分布、协方差矩阵为cov的数据

# 生成两组符合正太分布、协方差矩阵为cov的数据
mean = [0,0]
cov = [[1,1],[1,2]]
x, y = np.random.multivariate_normal(mean,cov,10000).T

# 使用hist2d绘制二维频次直方图
plt.hist2d(x,y,bins=30,cmap='Blues')
cb = plt.colorbar()
cb.set_label("counts in bins")

output_二维频次直方图

【第三步】： 生成六边形区间划分的二维频次直方图

默认情况下，二维频次直方图是由正方形组成的，可以使用plt.hexbin() 方法绘制六边形组成的二位频次直方图。

# 六边形区间划分
plt.hexbin(x,y,gridsize=30,cmap='Blues')
cb = plt.colorbar(label = 'Counts in bins')

output_六边形区间划分

📖 八、多子图

# 新建一个子图
ax1 = plt.axes()
ax2 = plt.axes([0.65,0.65,0.2,0.2])

output_新建一个子图

【第一步】：通过 fig.add_axes([xpos,ypos,width,height])创建子图

fig = plt.figure()
ax1 = fig.add_axes([0.1,0.5,0.8,0.4])
ax2 = fig.add_axes([0.1,0.1,0.8,0.4])
x = np.linspace(0,10)
ax1.plot(np.sin(x))
ax2.plot(np.cos(x))

output_多子图

【第二步】：通过 plt.subplot() 方法创建子图

# 创建网格子图
for i in range(1,7):
    plt.subplot(2,3,i)
    plt.text(0.5,0.5,str((2,3,i)),fontsize=18, ha='center')

output_45_0.png

【第二步】：使用 fig.subplots_adjust() 调整子图之间的间隔

fig = plt.figure()
fig.subplots_adjust(hspace=0.4,wspace=0.4)
for i in range(1,7):
    plt.subplot(2,3,i)
    plt.text(0.5,0.5,str((2,3,i)),fontsize=18, ha='center')

output_46_0.png

【第二步】：使用 plt.subplots()创建子图

# plt.subplots()  一行代码，创建网格
fig,ax = plt.subplots(2,3,sharex='col',sharey='row')

output_47_0.png

# 绘制子图内容
for i in range(2):
    for j in range(3):
        ax[i,j].text(0.5, 0.5, str((i,j)),fontsize=18,ha='center')
fig

output_子图内容

【第二步】：使用 plt.GridSpec() 创建不规则网格布局

grid = plt.GridSpec(2,3,wspace=0.4, hspace=0.3)
plt.subplot(grid[0,0])
plt.subplot(grid[0,1:])
plt.subplot(grid[1,:2])
plt.subplot(grid[1,2])

output_规则网格布局

实例：绘制多轴频次直方图

# 创建正太分布的数据
mean = [0,0]
cov = [[1,1],[1,2]]
x, y = np.random.multivariate_normal(mean, cov,200).T

# 设置坐标轴和网格的配置方式
fig = plt.figure(figsize=(6,6))
grid = plt.GridSpec(4,4,hspace=0.2, wspace=0.2)
main_ax = fig.add_subplot(grid[:-1,1:])
y_hist = fig.add_subplot(grid[:-1,0],xticklabels=[],sharey=main_ax)
x_hist = fig.add_subplot(grid[-1,1:],xticklabels=[],sharex=main_ax)

# 主坐标轴画散点图
main_ax.plot(x,y,'ok',markersize=3,alpha=0.2)

# 次坐标的频次直方图
x_hist.hist(x,40,histtype='stepfilled',orientation='vertical', color='gray')
# 反转y轴
x_hist.invert_yaxis()

y_hist.hist(y,40,histtype='stepfilled',orientation='horizontal', color='gray')
# 反转x轴
y_hist.invert_xaxis()

output_多轴频次直方图

📖 九、给图形添加箭头和文本

fig,ax = plt.subplots()
x = np.linspace(0,20,1000)
ax.plot(x,np.cos(x))
ax.axis('equal')


ax.annotate('local maximum',xy=(6.28,1),xytext=(10,4),arrowprops=dict(facecolor='black',shrink=0.05))
ax.annotate('local minimum',xy=(5*np.pi,-1),xytext=(2,-6),arrowprops=dict(arrowstyle="->",connectionstyle="angle3,angleA=0,angleB=-90"))

output_箭头和文本