首先粗略介绍各个方法
- 首先开头：plt.figure() ---- 表示铺开一张作图的白纸，且若仅有一个图时可以省略，且其作用域影响的是下一个plt.figure出现前的所有plt点出的方法。
- 结尾必用：plt.show() ---- 表示展示图像。
- 线图时用：plt.plot() ---- 装载数据且指定其颜色、形状、宽度、图列中对应的标签。
- 下面介绍的各个方法均介于figure和show之间。
坐标轴的取值范围、显示标签、文字刻度
- xlim |ylim ---- 设置取值范围
- xlabel | ylabel ---- 坐标轴的标签
- xticks | yticks ---- 坐标轴的刻度自定义
- 演示代码
x=np.linspace(-1,1,50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure(num=3,figsize=(8,5))
plt.plot(x,y2)
plt.plot(x,y1,color="red",linewidth=1.0,linestyle='--')
# 设置坐标轴的取值范围
plt.xlim((-1,2))
plt.ylim((-2,3))
# 设置坐标的标签
plt.xlabel("Iam X")
plt.ylabel("Iam Y")
# 设置坐标轴的小标
new_ticks = np.linspace(-1,2,5)
print(new_ticks)
plt.xticks(new_ticks)
# 坐标轴的刻度修改为文字
plt.yticks([-2,-1.8,-1,1.22,3],
['really bad','bad','normal','good','really good'])
# 使用更加好看的字体--数学的斜体的学术的那种！
# 美元符号+ 空格转义+正则表达式的r
plt.yticks([-2,-1.8,-1,1.22,3],
[r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
# 打印数学形式的α 通过转字符 \alpha
plt.yticks([-2,-1.8,-1,1.22,3],
[r'$really\ bad$',r'$bad\ \alpha$',r'$normal$',r'$good$',r'$really\ good$'])
plt.show()
坐标轴的四边显示与边的移动
- plt.gca() ---- 将当前的坐标轴作为对象，在此基础上调用一系列的方法。
- plt.gca().spines ---- 取出坐标轴的某个边作为对象，进行颜色、位置移动等方法的调用。
- plt.gca().xaxis.set_ticks_position ---- 指定坐标轴四边中的那个边作为Y轴和X轴。
- 代码演示
x=np.linspace(-1,1,50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure(num=3,figsize=(8,5))
plt.plot(x,y2)
plt.plot(x,y1,color="red",linewidth=1.0,linestyle='--')
plt.xlim((-1,2))
plt.ylim((-2,3))
plt.xlabel("Iam X")
plt.ylabel("Iam Y")
new_ticks = np.linspace(-1,2,5)
print(new_ticks)
plt.xticks(new_ticks)
plt.yticks([-2,-1.8,-1,1.22,3],
[r'$really\ bad$',r'$bad\ \alpha$',r'$normal$',r'$good$',r'$really\ good$'])
# =============新的内容================
# gca = get current axis 表示 拿出当前的坐标轴
ax = plt.gca()
# Spines 指的是figure图像的四个边
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 指定我们的主坐标轴因该由那个边框来代替
ax.xaxis.set_ticks_position("bottom")
ax.yaxis.set_ticks_position("left")
# 挪动xy轴的位置
# -1 即将x轴绑定在y轴的-1值得位置。 data 其实不太晓得是啥意思！
ax.spines["bottom"].set_position(("data",-1))
ax.spines["left"].set_position(("data",-0.25))
# =============新的内容================---
plt.show()
图例
- 当图中涉及到多个线图时，就要用到图例辨识彼此。
- plt.plot ---- 指定label，且记得被赋值的变量后必须跟上逗号。
- plt.legend ---- plot中的label需要配合legend才能显示出图例。
- 代码演示
# 在图像中打标注，标注蓝色得线是啥》红色得线是啥
x=np.linspace(-1,1,50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure(num=3,figsize=(8,5))
########改动范围###################################
# 施加线得名字,
l1, = plt.plot(x,y2,label = 'up')
l2, = plt.plot(x,y1,color="red",linewidth=1.0,linestyle='--',label='down')
# 但是只是单纯得加上label，并不会显示，需要辅助到legend
# 默认的参数
plt.legend()
# 位置选择best；loc = {upper right so on
# handles 表示图例的线 是中括号的形式,需要将上面的两条线的返回值赋给一个变量
# 且返回的对象要加上一个逗号！
# labels 给两个对象一个不同的名字，在图例中的显示名字！
plt.legend(handles=[l1,l2,],labels=["aaaa","bbbb"],loc="best")
# 如果figure中显示所有的线条，但是我的图例中只想告诉大家某一条线条是我们关注的。
plt.legend(handles=[l1,],labels=["aaaa"],loc="best")
##########################################
plt.xlim((-1,2))
plt.ylim((-2,3))
plt.xlabel("Iam X")
plt.ylabel("Iam Y")
new_ticks = np.linspace(-1,2,5)
print(new_ticks)
plt.xticks(new_ticks)
plt.yticks([-2,-1.8,-1,1.22,3],
[r'$really\ bad$',r'$bad\ \alpha$',r'$normal$',r'$good$',r'$really\ good$'])
plt.show()
Annotation标注
- 一共两种方法：plt.text(文本，简单) 和plt.annotate（箭头，复杂）。
- 代码演示
# 添加注解 ：两种方式：annotation 还有 text
x=np.linspace(-4,4,50)
y2 = x * 2 + 1
plt.figure(num=3,figsize=(8,5))
plt.plot(x,y2)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position("bottom")
ax.yaxis.set_ticks_position("left")
ax.spines["bottom"].set_position(("data",0))
ax.spines["left"].set_position(("data",0))
##################################################################3333
x0 = 1
y0 = 2 * x0 + 1
# 向figure中添加一个新的线对象，不过仅是一个点
plt.scatter(x0,y0,color = 'b')
# k 表示black -- 表示block style
# 构造一个两个点间的线对象。
plt.plot([x0,x0],[y0,0],'k--',lw =2.5)
# method 1
# 第一个参数表示标注的内容、xy表示箭头指向的线上的那个点的坐标、xytext表示标注的文本内容的中点位置
# 即在xy坐标的x向右加40，向下减40的一个新坐标位置。
# textcoords 表示xytext的点的构建性质是：偏移点。
# arrowprops 字典的形式，箭头的风格+从偏移点到xy点的连接线的风格。
########################
plt.annotate(r'$2X+1=%s$'%y0,xy=(x0,y0),xycoords='data',xytext=(+40,-40),textcoords='offset points',
fontsize=16,arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))
# method 2
# 定义颜色、内容及正则转义等
# 前两个参数是文本的中点坐标。第三个参数是文本的内容。第四个参数是字体的格式。
########################
plt.text(-4,3,r'$This\ is\ the\ some\ text.\ \mu\ \sigma_i\ \alpha_t$',
fontdict={'size':16,'color':'r'})
#################################################################33
plt.show()
Trick能见度
- 问题是，图像因为太多而遮掩了坐标轴的刻度。而解决的方法在于为坐标轴设置Zorder，且设置fontsize和bbox。
- label.set_zorder ---- 不仅仅是要指定坐标轴的次序，同时需要指定plot的次序。
- label.set_fontsize ---- 设置每个刻度的大小
- label.set_bbox ---- 输入字典，设置不透明度等属性。
- 代码演示：
# 在图像比较繁杂时，数据量太多时，而引起的“坐标轴的内容被挡住”的情况
x=np.linspace(-3,3,50)
y2 = x * 0.1
plt.figure()
#################################################
plt.plot(x,y2,linewidth=10,zorder=1)
#################################################
plt.ylim(-2,2)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position("bottom")
ax.yaxis.set_ticks_position("left")
ax.spines["bottom"].set_position(("data",0))
ax.spines["left"].set_position(("data",0))
#################################################
# 把ticks的label、坐标轴数值的label能全部拿出来，以单个单个的设置参数，
# set_bbox 也可以用在 plot、scatter等中！！！！！
# 透明度的重点在于 zorder的设置
# plot中设置为zorder=1，这里的坐标轴的label需要设置zorder =2！！！
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_zorder(2)
label.set_fontsize(12)
label.set_bbox(dict(facecolor='white',edgecolor='None',alpha=0.7))
#################################################
plt.show()
Scatter 散点图
- plt.scatter ---- 散点图。
- 代码演示
n = 1024
X = np.random.normal(0,1,n)
Y = np.random.normal(0,1,n)
T = np.arctan2(Y,X) # for color value
plt.scatter(X,Y,s=75,c=T,alpha=0.5)
plt.xlim((-1.5,1.5))
plt.ylim((-1.5,1.5))
# 消除坐标轴的刻度
plt.xticks(())
plt.yticks(())
plt.show()
Bar 柱状图
- plt.bar ---- 柱状图
- plt.text ---- 为每个柱子添加标签。
- 代码演示
X = np.arange(n)
# 制作十二个向上的柱状图和十二个向下的柱状图
# uniform 均匀分布
Y1 = (1-X/float(n))* np.random.uniform(0.5,1.0,n)
Y2 = (1-X/float(n))* np.random.uniform(0.5,1.0,n)
###################################################
# 施加主体的颜色和边缘颜色
plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')
# 为每个柱状图施加值
for x,y in zip(X,Y1):
# ha 即 horizontal alignment 横向对其方式
plt.text(x,y+0.05,'-%.2f'%y,ha='center',va='bottom')
for x,y in zip(X,Y2):
plt.text(x,-y-0.05,'-%.2f'%y,ha='center',va='top')
###################################################
plt.xlim(-.5,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())
plt.show()
4. 堆叠柱状图的演示
# 绘制柱形图，且 第二条柱形图堆叠在第一条柱形图之上！
x = [1,2,3,4]
y = [5,6,7,8]
y1 = [9,10,34,23]
plt.bar(x,y)
# bottom = y 表示以Y作为底部！
plt.bar(x,y1,bottom = y)
plt.show()
Co’ntours 等高线图
- plt.contourf ---- 等高线图
- 代码演示
def f(x,y):
# the height function
return (1-x/2 + x**5 + y**3)*np.exp(-x**2-y**2)
n =256
x= np.linspace(-3,3,n)
y= np.linspace(-3,3,n)
X,Y = np.meshgrid(x,y)
# use plt.contourf to filling contours
# X,Y and value for (X,Y) point
# 8 代表等高线图分10部分 ； 0 则表示两部分
# cmp表示之前的参数要调用到的函数。
plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)
# use plt.contour to add contour lines
# 画等高线
C = plt.contour(X,Y,f(X,Y),8,colors='black',linewidths=.5)
# adding lable 即将label画在等高线上。
# inline 画在线里面。
plt.clabel(C,inline=True,fontsize=10)
plt.xticks(())
plt.yticks(())
plt.show()
Image 图片
- plt.imshow ---- 输入一个shape序列，指定cmap，用以解析序列。
- plt.colorbar ---- 增加颜色刻度条
- 代码演示
# image data
a = np.array([0.3,0.36,0.43,0.36,0.43,0.52,0.43,0.52,0.65]).reshape(3,3)
# interpolation
plt.imshow(a,interpolation='nearest',cmap='bone',origin='lower')
# origin 颜色倒叙
#plt.imshow(a,interpolation='nearest',cmap='bone',origin='upper')
# 标注：ColorBar
# 参数：shrink 压缩百分之90 百分百时 于图片的高度相等
plt.colorbar(shrink=0.9)
plt.xticks(())
plt.yticks(())
plt.show()
3D 数据
- 引入新的库 ---- from mpl_toolkits.mplot3d import Axes3D
- ax.plot_surface ---- 3D图的构造
- ax.contourf ---- 映射面的构造
- 代码演示
fig = plt.figure()
ax = Axes3D(fig)
# X Y value
X = np.arange(-4,4,0.25)
Y = np.arange(-4,4,0.25)
# mesh 将XY构成一个面 等高线图
X,Y=np.meshgrid(X,Y)
R = np.sqrt(X**2 + Y**2)
# height value
Z = np.sin(R)
##################################################
# 3D 图的构造
# stride 表示福度，如果福度为5 则表示经过5个值后才开始切换为下一个颜色！！！
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))
#等高线图的构造
# zidr 即表示3D图映射到的那个轴的切面上。offset要适时改变。
#ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap='rainbow')
ax.contourf(X,Y,Z,zdir='x',offset=-4,cmap='rainbow')
##################################################
ax.set_zlim(-2,2)
plt.show()
SubPlot多合一显示
- plt.figure() ---- 多图时必须指定，而后面的subplot均是建立在figure之上绘制的。
- plt.subplot ---- 经常配合其他的plt.plot。
- 代码演示
plt.figure()
# 表示将这个Figure分成两行两列，然后占用第一个位置，来plot东西
plt.subplot(2,2,1)
plt.plot([0,1],[0,1])
plt.subplot(2,2,2)
plt.plot([0,1],[0,1])
plt.subplot(2,2,3)
plt.plot([0,1],[0,1])
plt.subplot(2,2,4)
plt.plot([0,1],[0,1])
plt.show()
plt.figure()
# 211 会有些模糊
plt.subplot(2,1,1)
plt.plot([0,1],[0,1])
plt.subplot(2,3,4)
plt.plot([0,1],[0,1])
plt.subplot(2,3,5)
plt.plot([0,1],[0,1])
plt.subplot(2,3,6)
plt.plot([0,1],[0,1])
plt.show()
Subplot 分格显示
- 多图展示的另外两种方法subplot2grid 和 gridspec 和 面向对象的方法
- plt.subplot2grid的代码演示
# method1:subplot2grid
########################################################3
plt.figure()
# 起始点时0，0 占用一行三列
# 第一个参数：整个figure的shape如何
# 第二个参数：从哪一行哪一列开始，且占用几列，占用几行。
ax1 = plt.subplot2grid((3,3),(0,0),colspan=3,rowspan=1)
ax1.plot([1,2],[1,2])
# 不同于坐标轴的标签设置，这是图像的题目。
ax1.set_title('ax1_title')
ax2 = plt.subplot2grid((3,3),(1,0),colspan=2,rowspan=1)
ax2.plot([1,2],[1,2])
ax2.set_title('ax2_title')
ax3 = plt.subplot2grid((3,3),(1,2),colspan=2,rowspan=1)
ax3.plot([1,2],[1,2])
ax3.set_title('ax3_title')
ax4 = plt.subplot2grid((3,3),(2,0))
ax4.plot([1,2],[1,2])
ax4.set_title('ax4_title')
ax5 = plt.subplot2grid((3,3),(2,1),colspan=2,rowspan=1)
ax5.plot([1,2],[1,2])
ax5.set_title('ax5_title')
########################################################3
plt.tight_layout()
plt.show()
3. gridspec 代码演示
# method 2:gridspec
########################################################3
import matplotlib.gridspec as gridspec
plt.figure()
gs = gridspec.GridSpec(3,3)
ax6 = plt.subplot(gs[0,:])
ax7 = plt.subplot(gs[1,:2])
ax8 = plt.subplot(gs[1,2])
ax9 = plt.subplot(gs[-1,0])
ax10 = plt.subplot(gs[-1,-2])
########################################################3
plt.tight_layout()
plt.show()
- 面向对象方法 代码演示
# method 3 : easy to define structure
########################################################3
# 之前都是subplot
# 这种的特点时：能够做到共享坐标轴！！！
fig,((ax11,ax12),(zx21,zx22)) = plt.subplots(2,2,sharex=True,sharey = True)
ax11.scatter([1,2],[1,2] )
########################################################3
plt.tight_layout()
plt.show()
图中图
1.ax1 = fig.add_axes ---- 增加画布
2. 代码演示
# 在一张大图里面，如何放上一张小图
import matplotlib.gridspec as gridspec
fig = plt.figure()
x= [1,2,3,4,5,6,7]
y = [1,3,4,2,5,8,6]
# 相对于整个figure来说，距离figure的左下角位置的原点，靠近左边百分之十...整个图像的高度，宽度如何
left, bottom, width, height = 0.1,0.1,0.8,0.8
ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x,y,'r')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')
left, bottom, width, height = 0.2,0.6,0.25,0.25
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(x,y,'b')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('insight_one')
plt.axes([0.6,0.2,0.25,0.25])
plt.plot(y[::-1],x,'g')
plt.xlabel('x')
plt.ylabel('y')
plt.title('insight_two')
次坐标图
- ax1.twinx ---- 通过镜面的效果，把Y轴对称过来。
- 代码演示
# 两个y轴，共用一个X轴
x = np.arange(0,10,0.1)
y1 = 0.05 * x ** 2
y2 = -1*y1
fig,ax1 = plt.subplots()
# 通过镜面的效果，把Y轴对称过来。
ax2 = ax1.twinx()
ax1.plot(x,y1,'g-')
ax2.plot(x,y2,'b--')
ax1.set_xlabel('X data')
ax1.set_ylabel('Y1',color='g')
ax2.set_ylabel('Y2',color='b')
plt.show()
