第92天:Python Matplotlib 进阶操作
Posted keep pure, keep smile
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了第92天:Python Matplotlib 进阶操作相关的知识,希望对你有一定的参考价值。
by 潮汐
本章节主要是 Matplotlib 和 NumPy 实际操作案例讲解,matplotlib 通常与 NumPy 一起使用,提供了一种有效的 MatLab 开源替代方案,除此之外,它还可以和其他图形工具包搭配使用。前提是在现在的环境中已经安装了 Numpy 模块,Numpy 安装详情请参考第 79 天:数据分析之 Numpy 初步
这一节将从简到繁用实例讲解 matplotlib 和 Numpy 结合使用的知识点。
1、折线图
使用 Numpy的函数 np.arange()
函数创建 x 轴上的值。将 y 轴上的对应值存储在另一个数组对象 y 中。 这些值使用 matplotlib 软件包的 pyplot 子模块的 plot() 函数绘制。
实例如下:
# 导入模块
import numpy as np
import matplotlib.pyplot as plt
# 绘制 x 轴数据
x = np.arange(2,15)
y = 3 * x+6
# 给图形设置标题
plt.title(‘line chart‘)
# 设置 x 轴和 y 轴的属性名
plt.xlabel("x axis")
plt.ylabel("y axis")
# 绘制图形
plt.plot(x,y)
# 显示图形
plt.show()
以上程序运行结果图:
注意:作为线性图的替代,可以通过向 plot() 函数添加格式字符串来显示离散值,可以使用以下格式化字符,表格如下:
字符 | 描述 |
---|---|
‘-‘ | 实线样式 |
‘--‘ | 短横线样式 |
‘-.‘ | 点划线样式 |
‘:‘ | 虚线样式 |
‘.‘ | 点标记 |
‘,‘ | 像素标记 |
‘o‘ | 圆标记 |
‘v‘ | 倒三角标记 |
‘^‘ | 正三角标记 |
‘<‘ | 左三角标记 |
‘>‘ | 右三角标记 |
‘1‘ | 下箭头标记 |
‘2‘ | 上箭头标记 |
‘3‘ | 左箭头标记 |
‘4‘ | 右箭头标记 |
‘s‘ | 正方形标记 |
‘p‘ | 五边形标记 |
‘*‘ | 星形标记 |
‘h‘ | 六边形标记 1 |
‘H‘ | 六边形标记 2 |
‘+‘ | 加号标记 |
‘x‘ | X 标记 |
‘D‘ | 菱形标记 |
‘d‘ | 窄菱形标记 |
‘|‘ | 竖直线标记 |
‘_‘ | 水平线标记 |
图形显示颜色缩写简写表格如下:
字符 | 颜色 |
---|---|
‘b‘ | 蓝色 |
‘g‘ | 绿色 |
‘r‘ | 红色 |
‘c‘ | 青/绿色 |
‘m‘ | 品红色 |
‘y‘ | 黄色 |
‘k‘ | 黑色 |
‘w‘ | 白色 |
‘o‘ | 橙色 |
2、散点图
使用以上两个表格表示的简化符号画一个绿色散点图,散点使用 ‘o‘
表示,,具体实例如下:
# 导入模块
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(2, 15)
y = 2 * x + 6
plt.title("scatter chart")
plt.xlabel("x axis")
plt.ylabel("y axis")
# 设置图形样式和颜色
plt.plot(x, y, "oc")
plt.show()
以上程序运行结果为:
例如绘制一个倒三角图形:
# 导入模块
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(2, 15)
y = 2 * x + 6
plt.title("triangle_scatter chart")
plt.xlabel("x axis")
plt.ylabel("y axis")
# 设置图形样式和颜色
plt.plot(x, y, "^c")
plt.show()
显示结果如下:
3、正余弦波形图
正弦波形图
正弦波形图的绘制需要用到 Numpy 的数学函数 sin() 和 cos(),详细的数学函数使用请参考 NumPy 系列文章:第 84 天:NumPy 数学函数
import numpy as np
import matplotlib.pyplot as plt
# 计算正弦曲线上点的 x 和 y 坐标
print(np.pi)
# 绘制 x 轴,从 0 开始,
x = np.arange(0, 3 * np.pi, 0.1)
y = np.sin(x)
# 设置标题
plt.title("sine wave form")
# 绘制图形点
plt.plot(x, y, ‘y‘)
plt.show()
显示结果:
余弦波形图
import numpy as np
import matplotlib.pyplot as plt
# 计算正弦曲线上点的 x 和 y 坐标
print(np.pi)
# 绘制 x 轴,从 0 开始,
x = np.arange(0, 4 * np.pi, 0.1)
y = np.cos(x)
# 设置标题
plt.title("cosine wave form")
# 绘制图形点
plt.plot(x, y, ‘m‘)
plt.show()
正余弦波形图
在一张图中显示出正弦函数和余弦函数,这里需要使用 subplot 来建立网格图,一幅图中使用两个网格,两个网格中分别展示正弦函数和余弦函数;subplot 函数使用说明如下:
matplotlib 中, 一个 Figure 对象可以包含多个子图(Axes), 可以使用 subplot() 快速绘制, 调用形式如下 :
subplot(numRows, numCols, plotNum)
参数说明:
- 图表的整个绘图区域被分成 numRows 行和 numCols 列
- 然后按照从左到右,从上到下的顺序对每个子区域进行编号,左上的子区域的编号为1,左下子区域编号为3,右上子区域编号为2,右下子区域编号为 4,当然具体的还要看指定网格的行数和列数而定。
- plotNum 参数指定创建的 Axes 对象所在的区域
网格编号图如下:
假如 numRows = 2, numCols = 3, 那整个绘制图表样式为 2X3 的图片区域, 用坐标表示为
(1, 1), (1, 2), (1, 3)
(2, 1), (2, 2), (2, 3)
再当 plotNum = 3 时, 表示的坐标为(1, 3), 即第一行第三列的子图
如果 numRows, numCols 和 plotNum 这三个数都小于 10 的话, 可以把它们缩写为一个整数, 例如 subplot(323) 和 subplot(3,2,3) 是相同的。
subplot 在 plotNum 指定的区域中创建一个轴对象, 如果新创建的轴和之前创建的轴重叠的话,之前的轴将被删除。
例1:上述网格编号图代码如下
import matplotlib.pyplot as plt
plt.subplot(2,2,1)
plt.xticks([]), plt.yticks([])
plt.text(0.5,0.5, ‘subplot(2,2,1)‘,ha=‘center‘,va=‘center‘,size=20,alpha=.5)
plt.subplot(2,2,2)
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5, ‘subplot(2,2,2)‘,ha=‘center‘,va=‘center‘,size=20,alpha=.5)
plt.subplot(2,2,3)
plt.xticks([]), plt.yticks([])
plt.text(0.5,0.5, ‘subplot(2,2,3)‘,ha=‘center‘,va=‘center‘,size=20,alpha=.5)
plt.subplot(2,2,4)
plt.xticks([]), plt.yticks([])
plt.text(0.5,0.5, ‘subplot(2,2,4)‘,ha=‘center‘,va=‘center‘,size=20,alpha=.5)
plt.show()
例4:
import matplotlib.pyplot as plt
plt.subplot(211) # 第一行的左图
plt.subplot(212) # 第一行的右图
plt.show()
还可以表示为:
import matplotlib.pyplot as plt
plt.subplot(2,1,1)
#设置 x 和 y 轴上的值
plt.xticks([]), plt.yticks([]) # 表示无显示值
plt.text(0.5,0.5, ‘subplot(2,1,1)‘,ha=‘center‘,va=‘center‘,size=24,alpha=.5)
plt.subplot(2,1,2)
plt.xticks([]), plt.yticks([])
plt.text(0.5,0.5, ‘subplot(2,1,2)‘,ha=‘center‘,va=‘center‘,size=24,alpha=.5)
plt.show()
结果显示:
网格图1:
网格图2:
所以正余弦函数波形图可以表示为:
# 计算正弦和余弦曲线上的点的 x 和 y 坐标
x = np.arange(0, 3 * np.pi, 0.1)
y_sin = np.sin(x)
y_cos = np.cos(x)
# 建立 subplot 网格,高为 2,宽为 1
# 激活第一个 subplot
plt.subplot(2, 1, 1)
# 绘制第一个图像
plt.plot(x, y_sin)
plt.title(‘Sine‘)
# 将第二个 subplot 激活,并绘制第二个图像
plt.subplot(2, 1, 2)
plt.plot(x, y_cos)
plt.title(‘Cosine‘)
# 展示图像
plt.show()
最后图形展示:
4、直方图
直方图也称条形图,pyplot 子模块提供 bar() 函数来生成条形图,下面的实例是一个使用 bar()
函数生成的一个简单的柱状图.
实例如下:
import matplotlib.pyplot as plt
# 设置 x 的 x 轴和 y 轴数值
x = [5,8,10]
y = [12,16,6]
# 设置 x2 的 x 轴和 y 轴数值
x2 = [6,9,11]
y2 = [6,15,7]
# 使用 bar() 函数设置条形图的颜色和对齐方式
plt.bar(x, y,color=‘y‘, align=‘center‘)
plt.bar(x2, y2, color=‘c‘, align=‘center‘)
# 设置标题
plt.title(‘Bar chart‘)
# 设置 x 轴和 y 轴的属性名
plt.ylabel(‘Y axis‘)
plt.xlabel(‘X axis‘)
# 展示图形
plt.show()
程序运行结果为:
Matplotlib 结合 NumPy 使用:
这时候需要用到 NumPy 中的直方统计函图:histogram
histogram(a,bins=10,range=None,weights=None,density=False);
参数说明:
a
是待统计数据的数组;bins
指定统计的区间个数;range
是一个长度为2的元组,表示统计范围的最小值和最大值,默认值None
,表示范围由数据的范围决定weights
为数组的每个元素指定了权值,histogram()
会对区间中数组所对应的权值进行求和density
为True
时,返回每个区间的概率密度;为False
,返回每个区间中元素的个数
函数说明:
numpy.histogram()
函数是数据的频率分布的图形表示。 水平尺寸相等的矩形对应于类间隔,称为 bin,变量 height 对应于频率。numpy.histogram()
函数将输入数组和 bin 作为两个参数。 bin 数组中的连续元素用作每个 bin 的边界。
例如:
import numpy as np
# 赋值数组 a
a = np.array([22, 87, 5, 43, 56, 73, 55, 54, 11, 20, 51, 5, 79, 31, 27])
# 调用函数
np.histogram(a, bins=[0, 20, 40, 60, 80, 100])
hist, bins = np.histogram(a, bins=[0, 20, 40, 60, 80, 100])
# 输出值
print(hist)
print(bins)
输出结果为:
[3 4 5 2 1]
[ 0 20 40 60 80 100]
plt()
函数使用:
Matplotlib 可以将直方图的数字表示转换为图形。 pyplot 子模块的 plt() 函数将包含数据和 bin 数组的数组作为参数,并转换为直方图,例如:
import numpy as np
import matplotlib.pyplot as plt
# 赋值数组 a
a = np.array([22, 87, 43, 56, 73, 55, 11, 20, 51, 5, 79, 27,100])
# plt() 函数将数据变为直方图
plt.hist(a, bins=[0,20,40,60,80,100])
plt.title("histogram")
# 显示图形
plt.show()
显示结果:
5、曲线图
例1:一个简单的曲线图
画出一个简单的曲线图,如下所示:
import matplotlib.pyplot as plt
import numpy as np
n = 256
X = np.linspace(-np.pi,np.pi,n,endpoint=True)
Y = np.sin(2*X)
plt.plot (X, Y+1, color=‘blue‘, alpha=1.00)
plt.plot (X, Y-1, color=‘blue‘, alpha=1.00)
plt.title(‘curve_chart1‘)
plt.show()
结果展示为:
例2:升级版的曲线图
import numpy as np
import matplotlib.pyplot as plt
n = 256
X = np.linspace(-np.pi,np.pi,n,endpoint=True)
Y = np.sin(2*X)
plt.plot (X, Y+1, color=‘blue‘, alpha=1.00)
plt.fill_between(X, 1, Y+1, color=‘blue‘, alpha=.25)
plt.plot (X, Y-1, color=‘blue‘, alpha=1.00)
# 设置线条颜色和填充颜色区域
plt.fill_between(X, -1, Y-1, (Y-1) > -1, color=‘blue‘, alpha=.25)
plt.fill_between(X, -1, Y-1, (Y-1) < -1, color=‘red‘, alpha=.25)
plt.title(‘curve_chart2‘)
plt.show()
结果展示为:
总结
本章节是 Matplotlib 结合 NumPy 使用的画图方法,主要介绍了折线图、正余弦波形图、方形图、曲线图的基本画法,同时也详细讲述了子图 subplot
的基本使用方法,希望以上知识点能对学习这一模块的伙伴们提供更好支撑,若有任何问题欢迎在交流群中进行交流 ??
参考
https://www.runoob.com/numpy/numpy-matplotlib.html
https://www.runoob.com/w3cnote/matplotlib-tutorial.html
https://matplotlib.org/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py
文中示例代码:python-100-days
关注公众号:python技术,回复"python"一起学习交流
以上是关于第92天:Python Matplotlib 进阶操作的主要内容,如果未能解决你的问题,请参考以下文章
第91天:Python matplotlib introduction
第91天:Python matplotlib introduction