Matplotlib 绘2D图

Matplotlib 是一个非常简单而又完善的开源绘图库。那么它到底有多简单呢?

基本知识

首先官方文档奉上 下面,我们通过 3 行代码绘制一张简单的折线图。

from matplotlib import pyplot as plt
plt.plot([1,2,3,4,2,1,5,6,1])
plt.show()

折线图

plt.plot() 是 pyplot 模块下面的直线绘制(折线图)方法类。示例中包含了一个[1,2,3,4,2,1,5,6,1]列表,该列表的值默认为y值,而 x 值会从 0 到 n-1,这也就是为什么你会发现3反而对应的是4。

方法

含义

matplotlib.pyplot.angle_spectrum

绘制电子波谱图

matplotlib.pyplot.bar

绘制柱状图

matplotlib.pyplot.barh

绘制直方图

matplotlib.pyplot.broken_barh

绘制水平直方图

matplotlib.pyplot.contour

绘制等高线图

matplotlib.pyplot.errorbar

绘制误差线

matplotlib.pyplot.hexbin

绘制六边形图案

matplotlib.pyplot.hist

绘制柱形图

matplotlib.pyplot.hist2d

绘制水平柱状图

matplotlib.pyplot.imshow

以图像显示

matplotlib.pyplot.pie

绘制饼状图

matplotlib.pyplot.quiver

绘制量场图

matplotlib.pyplot.scatter

散点图

matplotlib.pyplot.specgram

绘制光谱图

matplotlib.pyplot.subplot

绘制子图

下面,我们就来一些常见类型的图像绘制及参数使用。

  • 折线图
from matplotlib import pyplot as plt #载入 pyplot 绘图模块
import numpy as np # 载入数值计算模块

# 在 -2PI 和 2PI 之间等间距生成 1000 个值,也就是 x 坐标
x = np.linspace(-2*np.pi, 2*np.pi, 1000)
# 计算 y 坐标
y = np.sin(x)

# 向方法中 `*args` 输入 x,y 坐标
plt.plot(x, y)
plt.show()
  • 柱形图
from matplotlib import pyplot as plt #载入 pyplot 绘图模块
import numpy as np # 载入数值计算模块

# 在 -2PI 和 2PI 之间等间距生成 10 个值,也就是 X 坐标
x = np.linspace(-2*np.pi, 2*np.pi, 10)
# 计算 y 坐标
y = np.sin(x)

# 向方法中 `*args` 输入 x,y 坐标
plt.bar(x, abs(y))  # y 值取绝对值
plt.show()
  • 散点图
from matplotlib import pyplot as plt #载入 pyplot 绘图模块
import numpy as np # 载入数值计算模块

# x,y 的坐标均有 numpy 在 0 到 1 中随机生成 1000 个值
x = np.random.normal(0,1,1000)
y = np.random.normal(0,1,1000)

# 向方法中 `*args` 输入 X,y 坐标
plt.scatter(x, y)
plt.show()
  • 饼图
from matplotlib import pyplot as plt #载入 pyplot 绘图模块

Z = [1, 2, 3, 4, 5]
# 绘图
plt.pie(Z)
plt.show()

但是Matplotlib 默认的样式的确算不上美观。所以,我们需要设置绘图方法的参数,从而画出更漂亮和自己想要的图形。

线型图进阶

我们已经知道了,线型图通过 matplotlib.pyplot.plot(*args, **kwargs) 方法绘出。其中,args 代表数据输入,而 kwargs 的部分就是用于设置样式参数了。

  • 常用参数

参数

含义

alpha=

设置线型的透明度,从 0.0 到 1.0

color=

设置线型的颜色

fillstyle=

设置线型的填充样式

linestyle=

设置线型的样式

linewidth=

设置线型的宽度

marker=

设置标记点的样式

  • 颜色参数

color =参数值

颜色

b

蓝色

g

绿色

r

红色

w

白色

m

洋红色

y

黄色

k

黑色

  • 颜色参数

linestyle =参数值

线型

'-'

默认实线

'--'

虚线

'-.'

间断线

':'

点状线

  • 样本点标记

marker =参数值

样本点标记

'.'

实心点

','

像素点

'o'

空心点

'p'

五角形

'x'

x 形

'+'

+ 形

下面我们根据这些属性将我们的三角函数图像重新画一遍

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 载入 pyplot 绘图模块
import numpy as np  # 载入数值计算模块

# 在 -2PI 和 2PI 之间等间距生成 1000 个值,也就是 x 坐标
x = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
# 计算 sin() 对应的纵坐标
y1 = np.sin(x)
# 计算 cos() 对应的纵坐标
y2 = np.cos(x)

# 向方法中 `*args` 输入 X,y 坐标
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.1)
plt.plot(x, y2, color='b', linestyle='-', linewidth=2)

线形图

散点图进阶

参数

含义

s=

散点大小

c=

散点颜色

marker=

散点样式

cmap=

定义多类别散点的颜色

alpha=

点的透明度

edgecolors=

散点边缘颜色

除了线型图以外,散点图也是常用图形之一。例如,我们在使用机器学习算法聚类的时候,往往就会通过散点图将样本数据展示出来。Matplotlib 中,绘制散点图的方法我们已经知道了,那就是 matplotlib.pyplot.scatter()。接下来,我们就看一看它包含有哪些参数。

参数

含义

s=

散点大小

c=

散点颜色

marker=

散点样式

cmap=

定义多类别散点的颜色

alpha=

点的透明度

edgecolors=

散点边缘颜色

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 载入 pyplot 绘图模块
import numpy as np  # 载入数值计算模块

x = np.random.rand(100) # 随机在 0 到 1 之间生成 100 个数值
y = np.random.rand(100) # 随机在 0 到 1 之间生成 100 个数值
colors = np.random.rand(100) # 随机在 0 到 1 之间生成 100 个数值
size = np.random.normal(20, 30, 100) # 随机在 20 到 30 之间生成 100 个数值

# 绘制散点图
plt.scatter(x, y, s=size, c=colors)
plt.show()
plt.show()

饼状图进阶

# -*- coding: utf-8 -*

import matplotlib.pyplot as plt

label = 'Cat', 'Dog', 'Cattle', 'Sheep', 'Horse' # 各类别标签
color = 'r', 'g', 'r', 'g', 'y' # 各类别颜色
size = [1, 2, 3, 4, 5] # 各类别占比
explode = (0, 0, 0, 0, 0.2) # 各类别的偏移半径
# 绘制饼状图
plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%')
# 饼状图呈正圆
plt.axis('equal')
# 显示图
plt.show()

组合图

上面演示了三种常见图像的绘制。实际上,我们往往会遇到将几种类型的一样的图放在一张图内显示,也就是组合图的绘制。其实很简单,你只需要将需要或者的组合图样式放在一起就好了,比如柱形图和折线图。

# -*- coding: utf-8 -*

import matplotlib.pyplot as plt

x = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]
y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]
y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]

plt.bar(x, y_bar)
plt.plot(x, y_line, '-o', color='y')
plt.show()

子图

子图,就是将几张独立的图放在一张大图中呈现。在一些需要对比的情形下,子图非常有效。 Matplotlib 中,绘制子图的方法为matplotlib.pyplot.subplot(),我们通过该方法来控制各子图的显示顺序。其中规则为subplot(行序号, 列序号, 图序号)

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(-2*np.pi, 2*np.pi) 

y1 = np.sin(x)
y2 = np.cos(x)

# 子图 1
plt.subplot(2, 2, 1)
plt.plot(x, y1, 'k')
# 子图 2
plt.subplot(2, 2, 2)
plt.plot(x, y2, 'r')
# 子图 3
plt.subplot(2, 2, 3)
plt.plot(x, y2, 'y')
# 子图 4
plt.subplot(2, 2, 4)
plt.plot(x, y2, 'g')

plt.show()

更为高级的子图画法 首先需要了解一下基础知识 画图需要生成一个figure(可理解为画布或进程),此参数可无需设置,如未设置pyplot会自动帮你创建一个(figure 1)。接下来,要决定在figure中哪个位置画图,画多大的图。这就引入坐标点和大小的概念,整个figure按照X与Y轴横竖来平均切分,以0到1之间的数值来表示。 如:X轴上的0.1,代表了X轴总长自左向右的10%位置。 整个画图区域就是一个axes,通过Axes参数选项可以对画图区域的坐标点与大小进行设置,如未设置会自动帮接近覆盖整个figure的值。在一个figure中可添加多个Axes,就如一个画布中可以画一整副图,又或者可以画四宫图等等。axes参数设置如下: axes([x,y,xs,ys])#其中x代表在X轴的位置,y代表在Y轴的位置,xs代表在X轴上向右延展的范围大小,yx代表在Y轴中向上延展的范围大小。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(-2 * np.pi, 2 * np.pi)

y1 = np.sin(x)
y2 = np.cos(x)

# 大图
plt.axes([.1, .1, .8, .8])
plt.plot(x, y1, 'k')
# 小图
plt.axes([.6, .6, .3, .3])
plt.plot(x, y2, 'r')

plt.show()

绘制图例

一般情况下,当绘制好图案后,还需要绘制图例。Matplotlib 中,图例可以通过 matplotlib.pyplot.legend() 方法绘制。我们又拿上面的正弦和余弦曲线举例。

# -*- coding: utf-8 -*

from matplotlib import pyplot as plt  # 载入 pyplot 绘图模块
import numpy as np  # 载入数值计算模块

# 生成数据
X = np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(X)
y2 = np.cos(X)

# 使用 label= 添加标签
plt.plot(X, y1, color='r', linestyle='--', linewidth=2, label='sin 函数')
plt.plot(X, y2, color='b', linestyle='-', linewidth=2, label='cos 函数')
# 绘制图例
plt.legend(loc='upper left')
plt.show()

在这里,我们需要修改两个地方,也就是通过label=为每一条曲线添加标签。然后,增加一条plt.legend(loc='upper left')就可以了。其中,loc='upper left'是指明图例的位置,例如这里是左上方。你还可以通过 down 和 right 组合实现位置的变换。

图像标注

当我们绘制一些较为复杂的图像时,阅读对象往往很难全面理解图像的含义。而此时,图像标注往往会起到画龙点睛的效果。图像标注,就是在画面上添加文字注释、指示箭头、图框等各类标注元素。

Matplotlib 中,文字标注的方法由 matplotlib.pyplot.text() 实现。最基本的样式为 matplotlib.pyplot.text(x, y, s),其中 x, y 用于标注位置定位,s 代表标注的字符串。除此之外,你还可以通过 fontsize= , horizontalalignment= 等参数调整标注字体的大小,对齐样式等。 下面,我们举一个对柱形图进行文字标注的示例。

# -*- coding: utf-8 -*
from matplotlib import pyplot as plt # 载入绘图模块

x_bar = [10, 20, 30, 40, 50] #柱形图横坐标
y_bar = [0.5, 0.6, 0.7, 0.4, 0.6] #柱形图纵坐标
bars = plt.bar(x_bar, y_bar, color='blue',  width=2) # 绘制柱形图
for i, rect in enumerate(bars):
    x_text = rect.get_x() # 获取柱形图横坐标
    y_text = rect.get_height() + 0.01 # 获取柱子的高度并增加 0.01
    plt.text(x_text, y_text, '%.1f' % y_bar[i]) # 标注文字

plt.show()

除了文字标注之外,还可以通过 matplotlib.pyplot.annotate() 方法向图像中添加箭头等样式标注。接下来,我们向上面的例子中增添一行增加箭头标记的代码。

 # 增加箭头标注
    plt.annotate('Max', xy=(32, 0.6), xytext=(38, 0.6), arrowprops=dict(facecolor='black', width=1, headwidth=7))

上面的示例中,xy=() 表示标注终点坐标,xytext=() 表示标注起点坐标。另外,arrowprops=() 用于设置箭头样式,facecolor= 设置颜色,width= 设置箭尾宽度,headwidth= 设置箭头宽度。在箭头绘制的过程中,还有一个 arrowstyle= 用于改变箭头的样式。另外,connectionstyle= 的参数可以用于更改箭头连接的样式。下图展示了常见的箭头连接样式。

综合案例

Paste_Image.png

import numpy as np
import matplotlib.pyplot as plt
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="Cos Function")
plt.plot(X, S, color="red", linewidth=2.5, linestyle="-", label="Sin Function")
#设置x,y轴范围
plt.xlim(X.min() * 1.1, X.max() * 1.1)
plt.ylim(C.min() * 1.1, C.max() * 1.1)
#设置x,y轴的坐标刻度
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.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.show()

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏社区的朋友们

Kaggle实战:House Prices: Advanced Regression Techniques(下篇)

机器学习主要分为分类和回归两类。上一篇文章我们通过实例介绍了利用决策树和随机森林来做分类。 这次我们来预测房价,实际演练一下R语言中的回归分析模型。

2.7K2
来自专栏柠檬先生

css3 RGBA 红色R+绿色G+蓝色B+Alpha通道

语法:   R:红色值。正整数 | 百分数   G:绿色值。正整数 | 百分数   B:蓝色值。正整数| 百分数   A:透明度。取值0~1之间...

19310
来自专栏Petrichor的专栏

opencv: 阈值处理(cv2.threshold) 探究(图示+源码)

左半边为(单通道)源图片; 右半边为(阈值设为150,填充色设为100)在 不同阈值类型 的取值下生成的(单通道)阈值处理图片。

1004
来自专栏前端说吧

CSS3的transition动画功能

3166
来自专栏数据小魔方

sparklines迷你图系列5——Evolution(Horizon)

今天跟大家分享区域(面积图)图的一个变体——水平线图。 之所以说是面积图的变体,因为这种水平线图,表达的信息与面积图几乎差不多,差别仅仅在图表呈现形式上。 ? ...

3146
来自专栏柠檬先生

grid 布局的使用

grid 布局的使用    css 网格布局,是一种二维布局系统。    浏览器支持情况:老旧浏览器不支持,    概念: 网格容器。元素应用dispalay:...

2217
来自专栏有趣的Python

5- OpenCV+TensorFlow 入门人工智能图像处理-图片的几何变换(一)

图片的几何变换 图片的几何变换章节介绍 图片位移 & 图片缩放 图片剪切 & 图片镜像 图片仿射变换 Hog + Svm 小狮子识别 计算机视觉的基础: 裁剪样...

4233
来自专栏数据结构与算法

06:图像相似度

06:图像相似度 总时间限制: 1000ms 内存限制: 65536kB描述 给出两幅相同大小的黑白图像(用0-1矩阵)表示,求它们的相似度。 说明:若两幅图...

4545
来自专栏移动端周边技术扩展

Masonry横向纵向排列多个控件

1573
来自专栏深度学习思考者

一文搞懂Matlab画图那些事(上篇)

题记:临时需要Matlab画个曲线图,突然发现有些命令竟然忘掉了,于是各种查。这里博主整理合并关于画图那些命令,只为让你轻松搞定Matlab画图这些琐事,那么,...

3287

扫码关注云+社区