Scatter 散点图
本节我们将讲述各种不同的plot的方式。之前我们讲到了如何plot线，今天我们讲述如何plot散点图。
# 首先，先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。 # 生成1024个呈标准正态分布的二维数据组 (平均数是0，方差为1) 作为一个数据集，并图像化这个数据集。 # 每一个点的颜色值用T来表示： import matplotlib.pyplot as plt import numpy as np n = 1024 # data size X = np.random.normal(0, 1, n) # 每一个点的X值 Y = np.random.normal(0, 1, n) # 每一个点的Y值 T = np.arctan2(Y,X) # for color value # 数据集生成完毕，现在来用scatterplot这个点集，鼠标点上去，可以看到这个函数的各个parameter的描述，如下图： # 输入X和Y作为location，size=75，颜色为T，color map用默认值，透明度alpha 为 50%。 # x轴显示范围定位(-1.5，1.5)，并用xtick()函数来隐藏x坐标轴，y轴同理： plt.scatter(X, Y, s=75, c=T, alpha=.5) plt.xlim(-1.5, 1.5) plt.xticks(()) # ignore xticks plt.ylim(-1.5, 1.5) plt.yticks(()) # ignore yticks plt.show()
Bar 柱状图
本节我们介绍一下用matplotib来制作一个柱状图，
生成基本图形
向上向下分别生成12个数据，X为 0 到 11 的整数 ，Y是相应的均匀分布的随机数据。使用的函数是plt.bar，参数为X和Y：
# Bar 柱状图 # 生成基本图形 # 向上向下分别生成12个数据，X为 0 到 11 的整数 ，Y是相应的均匀分布的随机数据。 # 使用的函数是plt.bar，参数为X和Y： import matplotlib.pyplot as plt import numpy as np n = 12 X = np.arange(n) 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) plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white') plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white') plt.xlim(-.5, n) plt.xticks(()) plt.ylim(-1.25, 1.25) plt.yticks(()) plt.show()
# 这样我们就生成了下图所示的柱状图基本框架： # 加颜色和数据 # 下面我们就颜色和数值进行优化。 用facecolor设置主体颜色，edgecolor设置边框颜色为白色， # 接下来我们用函数plt.text分别在柱体上方（下方）加上数值， # 用%.2f保留两位小数，横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'： import matplotlib.pyplot as plt import numpy as np n = 12 X = np.arange(n) 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) plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white') plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white') plt.xlim(-.5, n) plt.xticks(()) plt.ylim(-1.25, 1.25) plt.yticks(()) for x, y in zip(X, Y1): # ha: horizontal alignment 水平对齐 # va: vertical alignment 垂直对齐 plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom') for x, y in zip(X, Y2): # ha: horizontal alignment # va: vertical alignment plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top') plt.show()
Contours 等高线图
contour美: ['kɑn.tʊr] 英: ['kɒntʊə(r)]n.轮廓；等高线
画等高线
添加高度数字
Contours 等高线图 #数据集即三维点 (x,y) 和对应的高度值，共有256个点。高度值使用一个 height function f(x,y) 生成。 x, y 分别是在区间 [-3,3] 中均匀分布的256个值，并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格: import matplotlib.pyplot as plt import numpy as np 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) # 接下来进行颜色填充。使用函数plt.contourf把颜色加进去，位置参数分别为：X, Y, f(X,Y)。透明度0.75，并将 f(X,Y) 的值对应到color map的暖色组中寻找对应颜色。 # use plt.contourf to filling contours # X, Y and value for (X,Y) point plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot) # 接下来进行等高线绘制。使用plt.contour函数划线。位置参数为：X, Y, f(X,Y)。颜色选黑色，线条宽度选0.5。现在的结果如下图所示，只有颜色和线条，还没有数值Label： # use plt.contour to add contour lines C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)
# 添加高度数字 # 其中，8代表等高线的密集程度，这里被分为10个部分。如果是0，则图像被一分为二。 #最后加入Label，inline控制是否将Label画在线里面，字体大小为10。并将坐标轴隐藏： plt.clabel(C, inline=True, fontsize=10) plt.xticks(()) plt.yticks(())
Image 图片
随机矩阵画图
出图方式
colorbar
# 随机矩阵画图 #这一节我们讲解怎样在matplotlib中打印出图像。这里我们打印出的是纯粹的数字，而非自然图像。 我们今天用这样 3x3 的 2D-array 来表示点的颜色，每一个点就是一个pixel。 import matplotlib.pyplot as plt import numpy as np a = np.array([0.313660827978, 0.365348418405, 0.423733120134, 0.365348418405, 0.439599930621, 0.525083754405, 0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3) # 三行三列的格子，a代表每一个值，图像右边有一个注释，白色代表值最大的地方，颜色越深值越小。下面我们来看代码： plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
# 我们之前选cmap的参数时用的是：cmap=plt.cmap.bone，而现在，我们可以直接用单引号传入参数。 origin='lower'代表的就是选择的原点的位置。 # 出图方式 # 我们在这个链接 可以看到matplotlib官网上对于内插法的不同方法的描述。下图是一个示例： # 这里我们使用的是内插法中的 Nearest-neighbor 的方法，其他的方式也都可以随意取选。
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower'
# colorbar # 下面我们添加一个colorbar ，其中我们添加一个shrink参数，使colorbar的长度变短为原来的92%： plt.colorbar(shrink=.92) plt.xticks(()) plt.yticks(()) plt.show()
3D 数据
3D 图
投影
# 3D 数据 # 首先在进行 3D Plot 时除了导入 matplotlib ，还要额外添加一个模块，即 Axes 3D 3D 坐标轴显示： import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 之后要先定义一个图像窗口，在窗口上添加3D坐标轴，显示成下图： fig = plt.figure() ax = Axes3D(fig)
# 接下来给进 X 和 Y 值，并将 X 和 Y 编织成栅格。每一个（X, Y）点对应的高度值我们用下面这个函数来计算。 # X, Y value X = np.arange(-4, 4, 0.25) Y = np.arange(-4, 4, 0.25) X, Y = np.meshgrid(X, Y) # x-y 平面的网格 R = np.sqrt(X ** 2 + Y ** 2) # height value Z = np.sin(R) # 做出一个三维曲面，并将一个 colormap rainbow 填充颜色，之后将三维图像投影到 XY 平面上做一个等高线图。 plot 3D 图像： ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
# 其中，rstride 和 cstride 分别代表 row 和 column 的跨度。 # 投影 # 下面添加 XY 平面的等高线：' ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
# zdir='z'可以选择x,y,z