专栏首页生信小驿站Python数据处理从零开始----第四章(可视化)(2)目录正文

Python数据处理从零开始----第四章(可视化)(2)目录正文

目录

Python数据处理从零开始----第四章(可视化)①
Python数据处理从零开始----第四章(可视化)②

=========================================================

正文

导入包

当我们需要对数据进行可视化时,我们遇到的可能最简单的是单个函数的可视化y = f(x)y = f(x)。 在这里,我们将首先看一下这种类型的简单绘图。第一步先导入包:

% reset -f
% clear
# In[*]
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('seaborn-whitegrid')
import numpy as np
创建图形和轴

对于所有Matplotlib图,我们第一步需要创建一个图形和一个轴。 在最简单的形式中,可以按如下方式创建图形和轴。

fig = plt.figure()
ax = plt.axes()

在Matplotlib中,图形(类plt.Figure的实例)可以被认为是包含表示轴,图形,文本和标签的所有对象的单个容器。 轴(一个类plt.Axes的实例)就是我们在上面看到的:一个带有刻度和标签的边界框,它最终将包含构成我们可视化的绘图元素。 在本书中,我们通常使用变量名称fig来指代图形实例,而ax来指代轴实例或轴组实例。

绘制图

一旦我们创建了一个轴,我们就可以使用ax.plot函数绘制一些数据。 让我们从一个简单的正弦曲线开始:

fig = plt.figure()
ax = plt.axes()
x = np.linspace(0, 10, 1000)
ax.plot(x, np.sin(x));

或者,我们可以使用matlab接口,并在后台为我们创建图形和轴,有关这两个接口的讨论,请参阅两个接口的讨论(上一节)

plt.plot(x, np.sin(x));

如果你想画两条线,可以使用以下命令

plt.plot(x, np.sin(x))
plt.plot(x, np.cos(x));

对图的调整:线条颜色和样式

您可能希望对绘图进行的第一个调整是控制线条颜色和样式。 plt.plot()函数接受可用于指定这些参数的其他参数。 要调整颜色,可以使用color关键字,它接受表示几乎任何可以想象的颜色的字符串参数。 颜色可以通过多种方式指定:

plt.plot(x, np.sin(x - 0), color='blue')        # specify color by name
plt.plot(x, np.sin(x - 1), color='g')           # short color code (rgbcmyk)
plt.plot(x, np.sin(x - 2), color='0.75')        # Grayscale between 0 and 1
plt.plot(x, np.sin(x - 3), color='#FFDD44')     # Hex code (RRGGBB from 00 to FF)
plt.plot(x, np.sin(x - 4), color=(1.0,0.2,0.3)) # RGB tuple, values 0 to 1
plt.plot(x, np.sin(x - 5), color='chartreuse'); # all HTML color names supported

如上图所示,我们可以通过最普通的'blue'设置颜色,也可以通过'#FFDD44'或者RGB等设置。

同样,可以使用linestyle关键字调整线条样式:

plt.plot(x, x + 0, linestyle='solid')
plt.plot(x, x + 1, linestyle='dashed')
plt.plot(x, x + 2, linestyle='dashdot')
plt.plot(x, x + 3, linestyle='dotted');

# For short, you can use the following codes:
plt.plot(x, x + 4, linestyle='-')  # solid
plt.plot(x, x + 5, linestyle='--') # dashed
plt.plot(x, x + 6, linestyle='-.') # dashdot
plt.plot(x, x + 7, linestyle=':');  # dotted

如果您想要非常简洁,可以将这些线型和颜色代码组合成plt.plot()函数的单个非关键字参数:

plt.plot(x, x + 0, '-g')  # solid green
plt.plot(x, x + 1, '--c') # dashed cyan
plt.plot(x, x + 2, '-.k') # dashdot black
plt.plot(x, x + 3, ':r');  # dotted red

这些单字符颜色代码反映了RGB(红色/绿色/蓝色)和CMYK(青色/品红色/黄色/黑色/黑色)颜色系统中的标准缩写,通常用于数字彩色图形。

还有许多其他关键字参数可用于微调图的外观; 有关更多详细信息,我建议使用IPython的帮助工具查看plt.plot()函数的docstring(请参阅IPython中的帮助和文档)。

调整图:轴限制

Matplotlib在为选择轴lim方面做得不错。 调整轴lim的最基本方法是使用plt.xlim()和plt.ylim()方法:

plt.plot(x, np.sin(x))
plt.xlim(-1, 11)
plt.ylim(-1.5, 1.5);

如果你想要轴的顺序反向显示,你可以简单地颠倒lim参数两个边界点的的顺序就可以完成。

plt.plot(x, np.sin(x))
plt.xlim(10, 0)
plt.ylim(1.2, -1.2);

一个有用的相关方法是plt.axis()。 plt.axis()方法允许您通过传递指定[xmin,xmax,ymin,ymax]的列表,通过单个调用设置xlim和ylim:

plt.plot(x, np.sin(x))
plt.axis([-1, 11, -1.5, 1.5]);

image.png

如上图所示,plt.axis()方法做出的图超出边界,所以我们需要收紧当前图的边界:

plt.plot(x, np.sin(x))
plt.axis('tight');

另外我们设置图片具有相等的宽高比,以便在屏幕上,x轴中的一个单位等于y轴中的一个单位:

plt.plot(x, np.sin(x))
plt.axis('equal');

设置图的标签等

作为本节的最后一部分,我们将简要介绍图表的标签:标题,轴标签和图例。 标题和轴标签是最简单的标签 - 有一些方法可用于快速设置它们:

plt.plot(x, np.sin(x))
plt.title("A Sine Curve")
plt.xlabel("x")
plt.ylabel("sin(x)");

当在单个轴中显示多条线时,创建标记每种线类型的图例是很有用的。 同样,Matplotlib有一种快速创建这样一个传奇的内置方式。 它是通过(plt.legend()方法完成的。 虽然有几种有效的方法可以使用它,但我发现使用plot函数的label关键字指定每行的标签最简单:

plt.plot(x, np.sin(x), '-g', label='sin(x)')
plt.plot(x, np.cos(x), ':b', label='cos(x)')
plt.axis('equal')
plt.legend();

如您所见,plt.legend()函数会跟踪线条样式和颜色,并将它们与正确的标签相匹配。

总结:

虽然大多数plt函数直接转换为ax方法(例如plt.plot()→ax.plot(),plt.legend()→ax.legend()等),但并非所有命令都是如此。 特别是,设置限制,标签和标题的功能。 要在MATLAB样式接口和面向对象接口之间转换,请进行以下更改:

plt.xlabel()→ax.set_xlabel() plt.ylabel()→ax.set_ylabel() plt.xlim()→ax.set_xlim() plt.ylim()→ax.set_ylim() plt.title()→ax.set_title() 当你使用面向对象的绘图接口时,不需要单独调用这些函数,可以直接使用ax.set()方法一次设置所有这些属性通常更方便:

ax = plt.axes()
ax.plot(x, np.sin(x))
ax.set(xlim=(0, 10), ylim=(-2, 2),
       xlabel='x', ylabel='sin(x)',
       title='A Simple Plot');

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python数据处理从零开始----第四章(可视化)(18)一文解决柱状图barplot or barchart

    柱状图(或条形图)是最常见的图类型之一。 它显示了数值变量和类别变量之间的关系。 (1)绘制基础柱状图

    用户1359560
  • Python数据处理从零开始----第四章(可视化)(7)(多图合并)目录正文

    =========================================================

    用户1359560
  • Python数据处理从零开始----第四章(可视化)(3)目录正文

    plt.scatter相对于plt.plot的主要优势在于,前者在创建散点图时具有更高的灵活性,可以单独控制每个散点与数据匹配,也可以让每个散点具有不同的属性(...

    用户1359560
  • 数据分析画图:50道练习玩转matplotlib

    Matplotlib 是 Python 的绘图库。它可与 NumPy 一起使用,提供了一种有效的 MatLab 开源替代方案,也可以和图形工具包一起使用。和Pa...

    Datawhale
  • Python数据分析实战(3)Python实现数据可视化

    数据可视化是指将数据放在可视环境中、进一步理解数据的技术,可以通过它更加详细地了解隐藏在数据表面之下的模式、趋势和相关性。

    cutercorley
  • 带你十分钟快速入门画图神器 Matplotlib

    在开始正式介绍 Matplotlib 用法之前,先来简单了解下 Matplotlib。

    abs_zero
  • 深度学习数学基础一--最小二乘法

    之前总是先上手一些比较高级的神经网络算法,CNN,RNN等。可是总觉得有些知识原理总是羁绊着我进一步理解。这才意识到基础的重要性。所以,就一点一点的从基础数学最...

    zenRRan
  • plt 数据可视化

      plt.xlabel()/plt.ylabel()需要在plt.subplot()后面,否则不起作用。

    py3study
  • python matplotlib 绘图 和 dpi对应关系详解

    上代码读入一个二进制bin数据文件1.08GB的一部分,数据格式为无包头、小端模式、16位编码的频谱数据dpi=1320,生成名称为filename.png的图...

    砸漏
  • 使用Matplotlib绘制不同颜色的带箭头的线实例

    这样的线路只有写代码的人才能看的懂无法直观的表达出来,让其它同事看的不清晰,所以考虑怎样直观的把线路图画出来。

    砸漏

扫码关注云+社区

领取腾讯云代金券