Python中matplotlib库的基本用法

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zgcr654321/article/details/82801802

matplotlib库是Python优秀的数据可视化第三方库。它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。matplotlib.pyplot是绘制各类可视化图形的命令子库。

引入matplotlib模块方式：import matplotlib.pyplot as plt  （一般用plt作为该模块的别名）。

windows系统中安装matplotlib库：python3 -m pip install matplotlib，安装前先确定是否已经安装了numpy库。

matplotlib基本用法：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-1, 1, 50)
y1 = 2 * x + 1
y2 = x ** 2
plt.plot(x, y1)
plt.show()
plt.plot(x, y2)
plt.show()
# 建立两个图表并显示

运行截图如下：

figure窗口的使用：

我们想让不同的图标放在不同的窗口中。如果不是在pycharm中运行，我们要使用plt.figure()方法。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure()
plt.plot(x, y1)
plt.show()
plt.figure(num=3, figsize=(8, 5), )
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.plot(x, y2)
plt.show()
# 建立两个图表并显示,()内科设置num=3，即figure3，figsize=(8,5)为设置的长宽
# 我们也可以在一个figure中放入多条线，即放入多个plt.plot()

运行截图如下：

坐标轴的设置：

设置x轴和y轴的取值范围，改变x轴和外轴的标签，改变x轴中每个小格表示的数值大小，把y轴一些数值点更改成文字标签。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure()
plt.plot(x, y1)
plt.show()
plt.figure(num=3, figsize=(8, 5), )
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.plot(x, y2)
plt.xlim((-1, 2))
plt.ylim((-2, 3))
# 设置x轴和y轴的取值范围
plt.xlabel('I am x')
plt.ylabel('I am y')
# 添加对x轴和y轴的标签描述
new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)
# 把x轴每个小格表示的数值换一下，现在是-1到2分成5个基点
plt.yticks([-2, -1.8, -1, 1.22, 3, ],
		   [r'$really\ bad$', r'$bad\ \alpha$', r'$normal$', r'$good$', r'$really\ good$'])
# 把y的一些基点从数字替换成一些文字标签，为了便于正则读取，要加上r,$$之间就是表示要读取的内容,\alpha会转置成数学符号阿尔法
plt.show()
# 建立两个图表并显示,()内科设置num=3，即figure3，figsize=(8,5)为设置的长宽
# 我们也可以在一个figure中放入多条线，即放入多个plt.plot()

运行截图如下：

设置x轴和y轴的从原点开始时的数值。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure()
plt.plot(x, y1)
plt.show()
plt.figure(num=3, figsize=(8, 5), )
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.plot(x, y2)
plt.xlim((-1, 2))
plt.ylim((-2, 3))
# 设置x轴和y轴的取值范围
plt.xlabel('I am x')
plt.ylabel('I am y')
# 添加对x轴和y轴的标签描述
new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)
# 把x轴每个小格表示的数值换一下，现在是-1到2分成5个基点
plt.yticks([-2, -1.8, -1, 1.22, 3, ],
		   [r'$really\ bad$', r'$bad\ \alpha$', r'$normal$', r'$good$', r'$really\ good$'])
# 把y的一些基点从数字替换成一些文字标签，为了便于正则读取，要加上r,$$之间就是表示要读取的内容,\alpha会转置成数学符号阿尔法
ax = plt.gca()
# ax表示我们生成的这张图，plt.gca()即get current axis即得到目前图片的四条边
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 将构成图标的四条边的右边和上边设置成无边
ax.xaxis.set_ticks_position('bottom')
# 用下面的边来代替x坐标轴
ax.yaxis.set_ticks_position('left')
# 用左边的边来代替y坐标轴
ax.spines['bottom'].set_position(('data', -1))
ax.spines['left'].set_position(('data', 0))
# 设置x轴和y轴从原点开始的值
plt.show()
# 建立两个图表并显示,()内科设置num=3，即figure3，figsize=(8,5)为设置的长宽
# 我们也可以在一个figure中放入多条线，即放入多个plt.plot()

运行截图如下：

legend图例：

像这样的框就叫legend图例。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y1 = 2 * x + 1
y2 = x ** 2
plt.figure(num=3, figsize=(8, 5), )

plt.xlim((-1, 2))
plt.ylim((-2, 3))
# 设置x轴和y轴的取值范围
plt.xlabel('I am x')
plt.ylabel('I am y')
# 添加对x轴和y轴的标签描述
new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)
# 把x轴每个小格表示的数值换一下，现在是-1到2分成5个基点
plt.yticks([-2, -1.8, -1, 1.22, 3, ],
		   [r'$really\ bad$', r'$bad\ \alpha$', r'$normal$', r'$good$', r'$really\ good$'])
# 把y的一些基点从数字替换成一些文字标签，为了便于正则读取，要加上r,$$之间就是表示要读取的内容,\alpha会转置成数学符号阿尔法
l1, = plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--', label='down')
l2, = plt.plot(x, y2, label='up')
# 如果想传到handles中去，l1和l2后面必须加逗号
plt.legend(handles=[l1, l2], labels=['aaa', 'bbb'], loc='best')
# 设置一个图例，handles为要放到图例中的线l1和l2，loc='best'自动寻找一处比较合适的地方
# labels=['aaa', 'bbb']则把l1的label设为aaa,l2的labels设为bbb,否则会用上面l1和l2赋值时的label
plt.show()
# 建立两个图表并显示,()内科设置num=3，即figure3，figsize=(8,5)为设置的长宽
# 我们也可以在一个figure中放入多条线，即放入多个plt.plot()

运行截图如下：

Annotation标注：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y = 2 * x + 1
plt.figure(num=3, figsize=(8, 5), )
plt.plot(x, y, )

ax = plt.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))

x0 = 1
y0 = 2 * x0 + 1
plt.scatter(x0, y0, s=50, color='b')
# scatter就是在图上添加点
plt.plot([x0, x0], [y0, 0], 'k--', lw=2.5)
# k就是black，--表示虚线，lw为线宽，plot后面参数有两个点表示一条虚线
plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30), textcoords='offset points',
			 fontsize=16,
			 arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=.2'))
# xy=(横坐标，纵坐标)  箭头尖端
# xytext=(横坐标，纵坐标) 文字的坐标，指的是最左边的坐标
# xy（箭头尖端）和xytext位置（文本位置）都以数据坐标为单位。
# 你可以使用xycoords和textcoords以及下列字符串之一（默认为data）指定xy和xytext的坐标系。
# | 参数 | 坐标系 | 
# | 'figure points' | 距离图形左下角的点数量 | 
# | 'figure pixels' | 距离图形左下角的像素数量 | 
# | 'figure fraction' | 0,0 是图形左下角，1,1 是右上角 | 
# | 'axes points' | 距离轴域左下角的点数量 | 
# | 'axes pixels' | 距离轴域左下角的像素数量 | 
# | 'axes fraction' | 0,0 是轴域左下角，1,1 是右上角 | 
# | 'data' | 使用轴域数据坐标系 |
# | 'offset points' | 即箭头尖端所设点 | 
# arrowprops= {facecolor= '颜色',shrink = '数字' <1  收缩箭头}
# 创建两个点之间的连接路径。 这由connectionstyle键值控制。
# 如果提供了补丁对象（patchA和patchB），则会剪切路径以避开该补丁。
# 路径进一步由提供的像素总量来缩小（shirnkA&shrinkB）
# 路径转换为箭头补丁，由arrowstyle键值控制。
plt.text(-3.5, 3, r'$This is the some text.\mu\ \sigma_i\ \alpha_t$', fontdict={'size': 16, 'color': 'r'})
# \mu\ \sigma_i\ \alpha_t都会转置成数学符号(注意整句前后加上$)，_i和_t表示下标，fontdict是设置字体大小和颜色
plt.show()

运行截图如下：

tick能见度：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y = 0.1 * x
plt.figure()
plt.plot(x, y, linewidth=10)
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.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))

# 通过遍历把labels都拿出来重新设置一下
for label in ax.get_xticklabels() + ax.get_yticklabels():
	label.set_fontsize(16)
	label.set_bbox(dict(facecolor='white', edgecolor='black', alpha=100))
# bbox是label后面的框，edgecolor是bbox框的颜色,alpha是透明度

plt.show()

运行截图如下：

Scatter散点图、Bar柱状图、Contours等高线图：

散点图：

import matplotlib.pyplot as plt
import numpy as np

n = 1024
X = np.random.normal(0, 1, n)
# 平均值为0，方差为1，生成n个数
Y = np.random.normal(0, 1, n)
T = np.arctan2(Y, X)
# T为颜色变量
plt.scatter(X, Y, s=75, c=T, alpha=0.5)
# 设置散点图参数
plt.xlim((-1.5, 1.5))
plt.ylim((-1.5, 1.5))
# 设置x轴和y轴范围
plt.xticks(())
plt.yticks(())
# 隐藏x轴和y轴坐标的数字
plt.show()

运行截图如下：

柱状图：

import matplotlib.pyplot as plt
import numpy as np

n = 12
X = np.arange(n)
# X0到11
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)
# Y产生从0.5到1之间的随机值
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
# 生成向上和向下的柱状图,并设置颜色

for x, y in zip(X, Y1):
	plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')
# ha='center',va='bottom'为横向和纵向对齐方式
# plt.text(x+0.4,y+0.05)设置的是文字在柱状图顶的位置

for x, y in zip(X, Y2):
	plt.text(x + 0.4, -y - 0.05, '-%.2f' % y, ha='center', va='top')
# ha='center',va='top'为横向和纵向对齐方式
# plt.text(x-0.4,-y-0.05)设置的是文字在柱状图顶的位置
plt.xlim(-5, n)
plt.ylim(-1.25, 1.25)
# 设置x轴和y轴数字的范围
plt.xticks(())
plt.yticks(())
# 隐藏x轴和y轴坐标的数字
plt.show()

运行截图如下：

等高线图：

import matplotlib.pyplot as plt
import numpy as np


def f(x, y):
	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和y各生成256个数值
X, Y = np.meshgrid(x, y)
# 把X和Y绑定成网格的坐标值
plt.contourf(X, Y, f(X, Y), 8, alpha=0.75, cmap=plt.cm.hot)
# 生成一个等高线图并填充颜色，找出数据值对应在cmap中的颜色，但此时等高线的线还没有画
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidths=0.5)
# 画等高线的线，8表示等高线要分成多少部分，8就是10部分

plt.clabel(C, inline=True, fonsize=10)
# 添加线的标签
plt.xticks()
plt.yticks()
# 隐藏x轴和y轴数字
plt.show()

运行截图如下：

在matplotlib中打印由多点设置颜色后组成的图像：

import matplotlib.pyplot as plt
import numpy as np

# image data
a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
              0.365348418405, 0.439599930621, 0.525083754405,
              0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)
# 建立一个3X3矩阵，白色是值最大的地方，深色是值最小的地方
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
# 显示图片，interpolation有多种参数，下面有图例，origin有lower或upper
plt.colorbar(shrink=.5)
# 添加右边的比例尺标准，shrink为比例尺长度相对于图片高度的压缩比例
plt.xticks(())
plt.yticks(())
plt.show()

下图为interpolation各种参数打印出的图像示例。

运行截图如下：

matplotlib中3D图像：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)
# 建立一个含3D坐标轴的figure
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
# 设置X轴和Y轴数值范围及每小格数值大小
X, Y = np.meshgrid(X, Y)
# 把X，Y的值作为底面的网格中的坐标
R = np.sqrt(X ** 2 + Y ** 2)
Z = np.sin(R)
# Z为高度值
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
# 在ax中画3D图,rstride=1, cstride=1为线之间的行距和列距
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
# zdir='z'，把3D图的z轴压扁到平面上，显示一个平面图，offset=-2即压到比0低2
ax.set_zlim(-2, 2)
# 固定z的高度变化范围
plt.show()

运行截图如下：

subplot多图合一显示：

一个figure均为分成四块，显示四个图：

import matplotlib.pyplot as plt

plt.figure()
plt.subplot(2, 2, 1)
# 把整个figur分成两行两列，在左上角第一个位置我要plot上一个图
plt.plot([0, 1], [0, 1])
# [0, 1], [0, 1]即第一个点为（0,0），第二个点为（1,1）
plt.subplot(2, 2, 2)
plt.plot([0, 1], [0, 2])
plt.subplot(2, 2, 3)
plt.plot([0, 1], [0, 3])
plt.subplot(2, 2, 4)
plt.plot([0, 1], [0, 5])
plt.show()

运行截图如下：

一个figure上面一半放一个图，下面一半放三个图：

import matplotlib.pyplot as plt

plt.figure()
plt.subplot(2, 1, 1)
# 把整个figure分成两行一列，在左上角第一个位置我要plot上一个图
plt.plot([0, 1], [0, 1])
# [0, 1], [0, 1]即第一个点为（0,0），第二个点为（1,1）
plt.subplot(2, 3, 4)
# 把第2行分成3列，放第2行第1列位置（参数里是4）
plt.plot([0, 1], [0, 2])
plt.subplot(2, 3, 5)
plt.plot([0, 1], [0, 3])
plt.subplot(2, 3, 6)
plt.plot([0, 1], [0, 5])
plt.show()

运行截图如下：

三种分格显示的方法：

subplot2grid：

import matplotlib.pyplot as plt

plt.figure()
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3, rowspan=1)
# 整个grid有3行3列,(0,0)是从行号0列号0开始（左上角），colspan=3为列跨度,rowspan=1为行跨度
ax1.plot([1, 2], [1, 2])
# ax1加入线
ax1.set_title(label='ax1_titele')
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2, rowspan=1)
# 从行号1，列号0开始
ax3 = plt.subplot2grid((3, 3), (1, 2), colspan=1, rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0), colspan=1, rowspan=1)
ax5 = plt.subplot2grid((3, 3), (2, 1), colspan=1, rowspan=1)
plt.show()

运行截图如下：

gridspec：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

plt.figure()
gs = gridspec.GridSpec(3, 3)
ax1 = plt.subplot(gs[0, :])
# 行号0，所有列占了
ax2 = plt.subplot(gs[1, :2])
# 行号1，列占到列号2
ax3 = plt.subplot(gs[1:, 2])
# 列号2，行从行号1占到最后
ax4 = plt.subplot(gs[-1, 0])
ax5 = plt.subplot(gs[-1, -2])
# -1代表最后一行或列
plt.show()

运行截图如下：

subplots：

import matplotlib.pyplot as plt

f, ((ax11, ax12), (ax21, ax22)) = plt.subplots(2, 2, sharex=True, sharey=True)
# 分成2行2列，,sharex=True,sharey=True表示要共享x轴和y轴
# (ax11,ax12),(ax21,ax22)第一行图为ax11和ax12,第二行图为ax21和ax22
ax11.plot([0, 1], [0, 2])
ax12.plot([0, 1], [0, 3])
ax21.plot([0, 1], [0, 4])
ax22.plot([0, 1], [0, 5])
plt.tight_layout()
# tight_layout会自动调整子图参数，使各个部分不重叠且尽量填充整个区域。
# tight_layout仅仅检查坐标轴标签、刻度标签以及标题的部分。
plt.show()

运行截图如下：

图中图：

import matplotlib.pyplot as plt

fig = plt.figure()
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 3, 4, 2, 5, 8, 6]

left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
ax1 = fig.add_axes([left, bottom, width, height])
# 设置ax1相对于整个figure的比例大小，0.1, 0.1, 0.8, 0.8这个是比例
ax1.plot(x, y, 'r')
# 'r'为红色
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')
# 添加了一个ax1图
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(y, x, 'b')
# 'b'为黑色
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside1')
# 添加一个小图
plt.axes([.6, .2, 0.25, 0.25])
plt.plot(y[::-1], x, 'g')
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside2')
# 再添加一个小图
plt.show()

运行截图如下：

次坐标轴：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 0.1)
y1 = 0.05 * x ** 2
y2 = -1 * y1

fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
# ax1 坐标轴的反向当成ax2的坐标轴
ax1.plot(x, y1, 'r--')
ax2.plot(x, y2, 'b-')
ax1.set_xlabel('X data')
ax1.set_ylabel('Y1', color='r')
ax2.set_ylabel('Y2', color='b')
plt.show()

运行截图如下：

Animation动画：

画一个能动的波浪动画。

import matplotlib.pyplot as plt
import numpy as np
from matplotlib import animation

fig, ax = plt.subplots()
x = np.arange(0, 2 * np.pi, 0.01)
line, = ax.plot(x, np.sin(x))


def animate(i):
	line.set_ydata(np.sin(x + i / 10))
	return line,


def init():
	line.set_ydata(np.sin(x))
	return line,


ani = animation.FuncAnimation(fig=fig, func=animate, frames=100, init_func=init, interval=20, blit=True)
# frames=100是100次update，func即动画执行时计算值的函数，init_func即动画开始时的样子，interval=20即upadte的频率，单位是毫秒，blit为是不是更新所有点还是只更新变化点

plt.show()

运行截图如下：