简述
Matplotlib是一个基于python的2D画图库，能够用python脚本方便的画出折线图，直方图，功率谱图，散点图等常用图表，而且语法简单。具体介绍见matplot官网。
Numpy（Numeric Python）是一个模仿matlab的对python数值运算进行的扩展，提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生，而且据说自从他出现了以后，NASA就把很多原来用fortran和matlab做的工作交给了numpy来做了，可见其强大。。。他的官网在这里，具体的资料都在里面。
安装
|
1
2
|
$sudo apt-get install python-matplotlib
$sudo apt-get install python-numpy
|
(牛力大法好～)
使用
matplotlib可以在脚本中使用，不过如果在ipython中使用则会更加炫（直接添加–pylab参数可以免去导包的过程），而且能得到类似Matlab/Mathematica一样的功能，即时输入，即时输出。个人觉得说白了他就是模仿Matlab/Mathematica的，但是的确比前者更加方便编程。
很多情况下matplot需要配合numpy包一起用，关于numpy包我不打算分开来说，用到的时候提一下就行。有一点需要注意的是，numpy包通常是这样导入的：
|
1
|
import
numpy as np
|
会给他起一个叫np的别名，而且这几乎已经是约定俗成了。
在python或者ipython中输入help(*需要查找的函数*) 就行（当然需要先导入下包）。
第一个图像
需要导入的包：
|
1
2
|
import
numpy as np
from
pylab
import
*
|
第一个函数图像
|
1
2
3
4
5
|
X
=
np.linspace(
-
np.pi, np.pi,
256
,endpoint
=
True
)
C,S
=
np.cos(X), np.sin(X)
plot(X,C)
plot(X,S)
show()
|
有matlab基础的同学肯定不陌生。。。是的，这两个模块的组合几乎就跟matlab的用法无二。。
１、首先用np.linspace方法生成一个数组X，这个数组是从$-\pi$开始到$\pi$的总共包含256个元素的数组，endpoint参数表示是否包含首尾端点(他的值是True或False，首字母要大写。。。。)。当然，这个数组就是一个普通的数组了，跟其他数组没有区别。
２、然后用np.cos()和np.sin()方法作用在X数组上，对于X中的每一个元素进行计算，生成结果数组。(免去了迭代的过程)。
３、接着调用pylab的plot方法，第一个参数是横坐标数组，第二个参数是纵坐标数组，其他参数暂且不谈。这样他会生成一个默认的图表了。(不会立刻显示)
４、当然，最后还要调用show方法来显示图表。
５、结果：
图表的名字叫figure1，左下面有几个按钮，都是很实用的东西，右下角会显示当前鼠标左边，也很方便。
图表布局和坐标分布
每一个图表都是在一个figure里面，我们可以通过如下命令生成一个空的figure：
|
1
|
figure(figsize
=
(
8
,
6
), dpi
=
80
)
|
这里参数的顺序没有要求，但是一定要加上参数名，因为他是根据参数名来区别每个参数的，是一种跟C语言类型不同的函数。figsize参数表示figure的宽高比，然后dpi表示每一份占的长度，比如这里就表示图像是640x480的。
输出命令之后会立刻出现一个窗口，接下来所有的plot命令都会立刻显示在这个窗口上而不用再输入show命令了。
一个figure里也能显示多个图表，我们可以用如下函数来分割一个figure:
|
1
|
subplot(
3
,
4
,
6
)
|
这样就会把当前的figure分割成３行４列的表，而激活其中的第６张，即第２行第３张。以后的plot都是在这一个子表上生成的，如果需要更换则可以重新输入subplot命令来确定其新的位置。
除此之外，如果我们对图表显示的范围不满意，我们还可以直接调整图表的坐标范围：
|
1
2
|
xlim(
-
4.0
,
4.0
)
ylim(
-
1.0
,
1.0
)
|
这就表示x轴的范围设置在-4到4，y轴的范围设置在-1到1。当然，如果是想相对的进行修改我们可以利用下numpy数组的min和max方法。比如X.min() 这样的东西。
如果对坐标显示的密度啊什么的不满意，我们也可以调节他的标注点：
|
1
2
|
xticks(np.linspace(
-
4
,
4
,
9
,endpoint
=
True
))
yticks(np.linspace(
-
1
,
1
,
5
,endpoint
=
True
))
|
对于xticks和yticks，我们实际上可以传入任意的数组，这里不过是为了方便而用numpy快速生成的等差数列。
当然，我们也可以给标注点进行任意的命名，像下面这样：
|
1
|
xticks([
1
,
2
,
3
,
4
,
5
],[
'one'
,
'two'
,
'three'
,
'four'
,
'five'
])
|
效果也很好想象，就不贴图了。需要注意的是这里也可以支持LaTex语法，将LaTex引用在两个$之间就可以了。（关于LaTex）
这里也有个小窍门，就是如果想不显示标注的话，我们就可以直接给xticks赋一个空的数组。
更改色彩和线宽
我们可以在画plot的时候用如下方法指定他的颜色和线宽：
|
1
|
plot(X, C, color
=
'#cadae3'
, linestyle
=
'-'
,linewidth
=
1.3
, marker
=
'o'
, markerfacecolor
=
'blue'
, markersize
=
12
,)
|
同样，这里参数的顺序不重要，名字才重要。
color参数可以指定RGB的色相，也可以用一些默认的名字，比如red blue之类的。
linestyle参数则指定了线的样式，具体参照以下样式：
| 参数 | 样式 |
|---|---|
| ‘-‘ | 实线 |
| ‘–' | 虚线 |
| ‘-.' | 线-点 |
| ‘:' | 点虚线 |
linewidth参数指定折线的宽度，是个浮点数。
marker参数指定散点的样式，具体参照以下样式：
| 参数 | 样式 |
|---|---|
| ‘.' | 实心点 |
| ‘o' | 圆圈 |
| ‘,' | 一个像素点 |
| ‘x' | 叉号 |
| ‘+' | 十字 |
| ‘*' | 星号 |
| ‘^' ‘v' ‘<' ‘>' | 三角形(上下左右) |
| ‘1' ‘2' ‘3' ‘4' | 三叉号（上下左右） |
markerfacecolor参数指定marker的颜色
markersize参数指定marker的大小
这样就基本上能够自定义任何的折线图、散点图的样式了。
移动轴线
这段有点小复杂，暂时不想具体了解奇奇怪怪的函数调用，姑且先记录下用法和原理：
|
1
2
3
4
5
6
7
|
ax
=
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
))
|
我们知道一张图有上下左右四个轴线，这里我们把右边和上边的轴线颜色调为透明，然后把下边设置到y轴数据为0的地方，把左边设置到x轴数据为0的地方。这样我们就能根据自己想要位置来调节轴线了。
比如下面这段官方的代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
# -----------------------------------------------------------------------------
# Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved.
# Distributed under the (new) BSD License. See LICENSE.txt for more info.
# -----------------------------------------------------------------------------
import
numpy as np
import
matplotlib.pyplot as plt
plt.figure(figsize
=
(
8
,
5
), dpi
=
80
)
ax
=
plt.subplot(
111
)
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
))
X
=
np.linspace(
-
np.pi, np.pi,
256
,endpoint
=
True
)
C,S
=
np.cos(X), np.sin(X)
plt.plot(X, C, color
=
"blue"
, linewidth
=
2.5
, linestyle
=
"-"
)
plt.plot(X, S, color
=
"red"
, linewidth
=
2.5
, linestyle
=
"-"
)
plt.xlim(X.
min
()
*
1.1
, X.
max
()
*
1.1
)
plt.xticks([
-
np.pi,
-
np.pi
/
2
,
0
, np.pi
/
2
, np.pi],
[r
'$-\pi$'
, r
'$-\pi/2$'
, r
'$0$'
, r
'$+\pi/2$'
, r
'$+\pi$'
])
plt.ylim(C.
min
()
*
1.1
,C.
max
()
*
1.1
)
plt.yticks([
-
1
,
0
,
+
1
],
[r
'$-1$'
, r
'$0$'
, r
'$+1$'
])
plt.show()
|
显示的结果就是：
图例和注解
图例十分简单，下述代码就可以解决：
|
1
2
3
|
plot(X, C, color
=
"blue"
, linewidth
=
2.5
, linestyle
=
"-"
, label
=
"cosine"
)
plot(X, S, color
=
"red"
, linewidth
=
2.5
, linestyle
=
"-"
, label
=
"sine"
)
legend(loc
=
'upper left'
)
|
在plot里指定label属性就好了，最后调用下legend函数来确定图例的位置，一般就是'upper left'就好了。
注解就有点麻烦了，要用到annotate命令，挺复杂的，暂时是在不想看，姑且贴一段完整的代码和效果图吧：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
# -----------------------------------------------------------------------------
# Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved.
# Distributed under the (new) BSD License. See LICENSE.txt for more info.
# -----------------------------------------------------------------------------
import
numpy as np
import
matplotlib.pyplot as plt
plt.figure(figsize
=
(
8
,
5
), dpi
=
80
)
ax
=
plt.subplot(
111
)
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
))
X
=
np.linspace(
-
np.pi, np.pi,
256
,endpoint
=
True
)
C,S
=
np.cos(X), np.sin(X)
plt.plot(X, C, color
=
"blue"
, linewidth
=
2.5
, linestyle
=
"-"
, label
=
"cosine"
)
plt.plot(X, S, color
=
"red"
, linewidth
=
2.5
, linestyle
=
"-"
, label
=
"sine"
)
plt.xlim(X.
min
()
*
1.1
, X.
max
()
*
1.1
)
plt.xticks([
-
np.pi,
-
np.pi
/
2
,
0
, np.pi
/
2
, np.pi],
[r
'$-\pi$'
, r
'$-\pi/2$'
, r
'$0$'
, r
'$+\pi/2$'
, r
'$+\pi$'
])
plt.ylim(C.
min
()
*
1.1
,C.
max
()
*
1.1
)
plt.yticks([
-
1
,
+
1
],
[r
'$-1$'
, r
'$+1$'
])
t
=
2
*
np.pi
/
3
plt.plot([t,t],[
0
,np.cos(t)],
color
=
'blue'
, linewidth
=
1.5
, linestyle
=
"--"
)
plt.scatter([t,],[np.cos(t),],
50
, color
=
'blue'
)
plt.annotate(r
'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$'
,
xy
=
(t, np.sin(t)), xycoords
=
'data'
,
xytext
=
(
+
10
,
+
30
), textcoords
=
'offset points'
, fontsize
=
16
,
arrowprops
=
dict
(arrowstyle
=
"->"
, connectionstyle
=
"arc3,rad=.2"
))
plt.plot([t,t],[
0
,np.sin(t)],
color
=
'red'
, linewidth
=
1.5
, linestyle
=
"--"
)
plt.scatter([t,],[np.sin(t),],
50
, color
=
'red'
)
plt.annotate(r
'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$'
,
xy
=
(t, np.cos(t)), xycoords
=
'data'
,
xytext
=
(
-
90
,
-
50
), textcoords
=
'offset points'
, fontsize
=
16
,
arrowprops
=
dict
(arrowstyle
=
"->"
, connectionstyle
=
"arc3,rad=.2"
))
plt.legend(loc
=
'upper left'
, frameon
=
False
)
plt.savefig(
"../figures/exercice_9.png"
,dpi
=
72
)
plt.show()
|
效果图：
还是十分高能的。。。
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。