（转）}python之matplotlib模块

Posted 2020-09-29

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了（转）}python之matplotlib模块相关的知识，希望对你有一定的参考价值。

这个教程也很不错，http://reverland.org/python/2012/09/07/matplotlib-tutorial/

也可以参考官网的Gallery，http://matplotlib.org/gallery.html

做数据分析，首先是要熟悉和理解数据，所以掌握一个趁手的可视化工具是非常重要的，否则对数据连个基本的感性认识都没有，如何进行下一步的design

原文：http://www.cnblogs.com/fxjwind/p/3923028.html

Getting Started with Matplotlib

先看个简单的例子，plot，即画线

画线，需要给出线上的点的坐标，然后Matplotlib会自动将点连成线

In [2]: x = range(6)
In [3]: plt.plot(x, [xi**2 for xi in x])

可以看到plot的参数是两个list，分布表示x轴和y轴的坐标点的list

可以看到这里的线不是很平滑，是因为range的产生的点粒度比较粗，并且使用list comprehension来产生y值

所以这里尽量使用Numpy的arange(x, y, z)函数

好处是粒度可以更小，而且关键是返回的是Numpy的Array，可以直接进行向量或矩阵运算，如下

In [3]: x = np.arange(1, 5)
In [4]: plt.plot(x, x*1.5, x, x*3.0, x, x/3.0)

可以用plot画多条线

Grid, axes, and labels

打开网格

In [5]: plt.grid(True)

默认会自动产生X和Y轴上的取值范围，比如上面的图，

In [5]: plt.axis() # shows the current axis limits values
Out[5]: (1.0, 4.0, 0.0, 12.0)
分别表示，[xmin, xmax, ymin, ymax]，所以看上图x轴是从1到4，y轴是从0到12

改变取值范围，
In [6]: plt.axis([0, 5, -1, 13]) # set new axes limits

还能给x和y轴加上lable说明，

In [2]: plt.plot([1, 3, 2, 4])
In [3]: plt.xlabel(‘This is the X axis‘)
In [4]: plt.ylabel(‘This is the Y axis‘)

Titles and legends

给整个图加上title

In [2]: plt.plot([1, 3, 2, 4])
In [3]: plt.title(‘Simple plot‘)

还可以给每条线增加图示，legend

In [3]: x = np.arange(1, 5)
In [4]: plt.plot(x, x*1.5, label=‘Normal‘)
In [5]: plt.plot(x, x*3.0, label=‘Fast‘)
In [6]: plt.plot(x, x/3.0, label=‘Slow‘)
In [7]: plt.legend()

指定每条线的label，然后调用legend()会自动显示图示

可以看到这个图示的位置不是很好，挡住图，可以通过参数指定位置

legend(loc=‘upper left‘)

loc可以选取的值，其中best，是自动找到最好的位置

Saving plots to a file

最简单，使用默认设置
plt.savefig(‘plot123.png‘)

其中两个设置可以决定图片大小，figure size and the DPI

In [1]: import matplotlib as mpl
In [2]: mpl.rcParams[‘figure.figsize‘]
Out[2]: [8.0, 6.0]
In [3]: mpl.rcParams[‘savefig.dpi‘]
Out[3]: 100

an 8x6 inches figure with 100 DPI results in an 800x600 pixels image，这就是默认值

In [4]: plt.savefig(‘plot123_2.png‘, dpi=200)

这样图的分辨率，变为1600×1200

Decorate Graphs with Plot Styles

Markers and line styles

上面画的线都是一样的，其实我们可以画出各种不同的线
Marker就是指形成线的那些点

plot() supports an optional third argument that contains a format string for each pair of X, Y arguments in the form of:
plt.plot(X, Y, ‘<format>‘, ...)

plot通过第三个string参数可以用来指定，Colors，Line styles，Marker styles

线的颜色，

线的style，

Marker的style

可以用string format单独或混合的表示所有的style，

In [3]: y = np.arange(1, 3, 0.3)
In [4]: plt.plot(y, ‘cx--‘, y+1, ‘mo:‘, y+2, ‘kp-.‘);

比如第一条线，c表示cyan青色，x表示marker style为x，--表示line style

一般用string format已经足够，但也可以用具体的keyword参数进行更多的个性化

Handling X and Y ticks

前面X和Y轴上的ticks是自动生成的，这个也是可以通过xticks和yticks函数个性化定制的

The arguments (in the form of lists) that we can pass to the function are:
? Locations of the ticks
? Labels to draw at these locations (if necessary)

可以定义，每个tick的location和相应的label（可选，不指定默认显示location）

In [2]: x = [5, 3, 7, 2, 4, 1]
In [3]: plt.plot(x);
In [4]: plt.xticks(range(len(x)), [‘a‘, ‘b‘, ‘c‘, ‘d‘, ‘e‘, ‘f‘]);
In [5]: plt.yticks(range(1, 8, 2));

对x轴同时指定location和label
对y轴只是指定location

Plot types

上面介绍了很多，都是以plot作为例子，matplotlib还提供了很多其他类型的图
作者这张图很赞，描述所有图的用法

Histogram charts

直方图是用来离散的统计数据分布的，会把整个数据集，根据取值范围，分成若干类，称为bins
然后统计中每个bin中的数据个数

In [3]: y = np.random.randn(1000)
In [4]: plt.hist(y);
In [5]: plt.show()

hist默认是分为10类，即bins=10，上图就是把取值[-4,4]上的1000个随机数，分成10个bins，统计每个的数据个数
可以看出这个随机函数是典型的正态分布

我们可以改变bins的值，
In [6]: plt.hist(y, 25);

如图是，分成25个bins

Error bar charts

In [3]: x = np.arange(0, 4, 0.2)
In [4]: y = np.exp(-x)
In [5]: e1 = 0.1 * np.abs(np.random.randn(len(y)))
In [8]: e2 = 0.1 * np.abs(np.random.randn(len(y)))
In [9]: plt.errorbar(x, y, yerr=e1, xerr=e2, fmt=‘.-‘, capsize=0);

画出每个点的同时，画出每个点上的误差范围

还能画出非对称的误差，
In [11]: plt.errorbar(x, y, yerr=[e1, e2], fmt=‘.-‘);

Bar charts

plt.bar([1, 2, 3], [3, 2, 5]);

对于bar，需要设定3个参数
左起始坐标，高度，宽度（可选，默认0.8）
所以上面的例子，指定起始点和高度参数

好，看个复杂的例子，bar图一般用于比较多个数据值

In [3]: data1 = 10*np.random.rand(5)
In [4]: data2 = 10*np.random.rand(5)
In [5]: data3 = 10*np.random.rand(5)
In [6]: e2 = 0.5 * np.abs(np.random.randn(len(data2)))
In [7]: locs = np.arange(1, len(data1)+1)
In [8]: width = 0.27
In [9]: plt.bar(locs, data1, width=width);
In [10]: plt.bar(locs+width, data2, yerr=e2, width=width, color=‘red‘);
In [11]: plt.bar(locs+2*width, data3, width=width, color=‘green‘) ;
In [12]: plt.xticks(locs + width*1.5, locs);

需要学习的是，如何指定多个bar的起始位置，后一个bar的loc = 前一个bar的loc + width
如何设置ticks的label，让它在一组bars的中间位置，locs + width*1.5

Pie charts

饼图很好理解，表示成分

In [2]: plt.figure(figsize=(3,3));
In [3]: x = [45, 35, 20]
In [4]: labels = [‘Cats‘, ‘Dogs‘, ‘Fishes‘]
In [5]: plt.pie(x, labels=labels);

来个复杂的，
增加explode，即突出某些wedges，可以设置explode来增加offset the wedge from the center of the pie，即radius fraction
0表示不分离，越大表示离pie center越远，需要显式指定每个wedges的explode

增加autopct，即在wedges上显示出具体的比例

In [2]: plt.figure(figsize=(3,3));
In [3]: x = [4, 9, 21, 55, 30, 18]
In [4]: labels = [‘Swiss‘, ‘Austria‘, ‘Spain‘, ‘Italy‘, ‘France‘, ‘Benelux‘]
In [5]: explode = [0.2, 0.1, 0, 0, 0.1, 0]
In [6]: plt.pie(x, labels=labels, explode=explode, autopct=‘%1.1f%%‘);

Scatter plots

只画点，不连线，用来描述两个变量之间的关系，比如在进行数据拟合之前，看看变量间是线性还是非线性

In [3]: x = np.random.randn(1000)
In [4]: y = np.random.randn(1000)
In [5]: plt.scatter(x, y);

通过s来指定size，c来指定color，
marker来指定点的形状

In [7]: size = 50*np.random.randn(1000)
In [8]: colors = np.random.rand(1000)
In [9]: plt.scatter(x, y, s=size, c=colors);

Text inside figure, annotations, and arrows

用于添加注解，

增加text很简单，坐标x，y，内容

plt.text(x, y, text)

例子，

In [3]: x = np.arange(0, 2*np.pi, .01)
In [4]: y = np.sin(x)
In [5]: plt.plot(x, y);
In [6]: plt.text(0.1, -0.04, ‘sin(0)=0‘);

annotate，便于增加注释

参数，
xy，需要添加注释的坐标
xytext，注释本身的坐标
arrowprops，箭头的类型和属性

In [2]: y = [13, 11, 13, 12, 13, 10, 30, 12, 11, 13, 12, 12, 12, 11,12]
In [3]: plt.plot(y);
In [4]: plt.ylim(ymax=35); 增大y的空间，否则注释放不下
In [5]: plt.annotate(‘this spot must really\\nmean something‘,
xy=(6, 30), xytext=(8, 31.5), arrowprops=dict(facecolor=‘black‘, shrink=0.05));

明显这个箭头比较丑，箭头可以有很多种

In [2]: plt.axis([0, 10, 0, 20]);
In [3]: arrstyles = [‘-‘, ‘->‘, ‘-[‘, ‘<-‘, ‘<->‘, ‘fancy‘, ‘simple‘,‘wedge‘]
In [4]: for i, style in enumerate(arrstyles):
plt.annotate(style, xytext=(1, 2+2*i), xy=(4, 1+2*i), arrowprops=dict(arrowstyle=style));

In [5]: connstyles=["arc", "arc,angleA=10,armA=30,rad=15", "arc3,rad=.2", "arc3,rad=-.2", "angle", "angle3"]
In [6]: for i, style in enumerate(connstyles):
plt.annotate("", xytext=(6, 2+2*i), xy=(8, 1+2*i), arrowprops=dict(arrowstyle=‘->‘, connectionstyle=style));

Subplots

上面matplotlib，默认会帮我们创建figure和subplot

fig = plt.figure()
ax = fig.add_subplot(111)

其实我们可以显式的创建，这样的好处是我们可以在一个figure中画多个subplot

其中subplot的参数，

fig.add_subplot(numrows, numcols, fignum)
- numrows represents the number of rows of subplots to prepare
- numcols represents the number of columns of subplots to prepare
- fignum varies from 1 to numrows*numcols and specifies the current subplot (the one used now)

我们会产生numrows×numcols个subplot，fignum表示编号

In [2]: fig = plt.figure()
In [3]: ax1 = fig.add_subplot(211)
In [4]: ax1.plot([1, 2, 3], [1, 2, 3]);
In [5]: ax2 = fig.add_subplot(212)
In [6]: ax2.plot([1, 2, 3], [3, 2, 1]);

Plotting dates

日期比较长，直接画在坐标轴上，没法看

具体看下如何画？

产生x轴数据，利用mpl.dates.drange产生x轴坐标

import matplotlib as mpl
In [7]: date2_1 = dt.datetime(2008, 9, 23)
In [8]: date2_2 = dt.datetime(2008, 10, 3)
In [9]: delta2 = dt.timedelta(days=1)
In [10]: dates2 = mpl.dates.drange(date2_1, date2_2, delta2)

随机产生y轴坐标，画出polt图

In [11]: y2 = np.random.rand(len(dates2))
In [12]: ax2.plot_date(dates2, y2, linestyle=‘-‘);

关键步骤来了，我们要设置xaxis的locator和formatter来显示时间
首先设置formatter,

In [13]: dateFmt = mpl.dates.DateFormatter(‘%Y-%m-%d‘)
In [14]: ax2.xaxis.set_major_formatter(dateFmt)

再设置locator，

In [15]: daysLoc = mpl.dates.DayLocator()
In [16]: hoursLoc = mpl.dates.HourLocator(interval=6)
In [17]: ax2.xaxis.set_major_locator(daysLoc)
In [18]: ax2.xaxis.set_minor_locator(hoursLoc)

注意这里major和minor，major就是大的tick，minor是比较小的tick（默认是null）
比如date是大的tick，但是想看的细点，所以再设个hour的tick，但是画24个太多了，所以interval=6，只画4个
而formatter只是设置major的，所以minor的是没有label的

再看个例子，

产生x轴坐标，y轴坐标，画出plot

In [22]: date1_1 = dt.datetime(2008, 9, 23)
In [23]: date1_2 = dt.datetime(2009, 2, 16)
In [24]: delta1 = dt.timedelta(days=10)
In [25]: dates1 = mpl.dates.drange(date1_1, date1_2, delta1)
In [26]: y1 = np.random.rand(len(dates1))
In [27]: ax1.plot_date(dates1, y1, linestyle=‘-‘);

设置locator
major的是Month，minor的是week

In [28]: monthsLoc = mpl.dates.MonthLocator()
In [29]: weeksLoc = mpl.dates.WeekdayLocator()
In [30]: ax1.xaxis.set_major_locator(monthsLoc)
In [31]: ax1.xaxis.set_minor_locator(weeksLoc)

设置Formatter

In [32]: monthsFmt = mpl.dates.DateFormatter(‘%b‘)
In [33]: ax1.xaxis.set_major_formatter(monthsFmt)