Python可视化工具介绍——Matplotlib（上）

1.简介

Matplotlib是Python中最常用的可视化工具之一，可以非常方便地创建海量类型地2D图表和一些基本的3D图表。Matplotlib最早是为了可视化癫痫病人的脑皮层电图相关的信号而研发，因为在函数的设计上参考了MATLAB，所以叫做Matplotlib。Matplotlib首次发表于2007年，是由John D. Hunter发起，在开源和社区的推动下，现在在基于Python的各个科学计算领域都得到了广泛应用。

2.基础包导入

3 基础对象

下面给大家介绍画布：figure；画布中带坐标系(coordinate)的绘图区域：axes。

In [3]:

## 图示讲解figure ,axes

from IPython.display import Image

Image('figure-axes.jpg')

Out[3]:

In [4]:

## axes中图像的坐标轴，标签，刻度，标注等对象

Image('aexs-mat.jpg')

Out[4]:

4 画布布局

4.1 坐标体系

图像坐标:图像坐标将一张图的左下角视为原点，将图像的x方向和y方向总长度都看做1。x方向的0.2就是指20%的图像在x方向的总长，y方向0.8的长度指80%的y方向总长。fig.transFigure，ax1.transAxes

数据坐标:plot中x/y参数对应数据.

4.2 单实例 单axes - plt.plot

In [44]:

## 直接引用plt.plot，默认是在当前画布中反复增加显示新数据

## 利用numpy产生序列数据

x = np.linspace(0, 10, 100) ##numpy生成随机数 X轴对应的数组

x2 = np.linspace(10, 20, 100)

fig=plt.figure(figsize(8,4),facecolor='lightgray') ###下面是四种不同的图

plt.plot(x, np.sin(x), '-')

plt.plot(x, np.cos(x), '--');

plt.plot(x2, np.sin(x2), 'o')

plt.plot(x2, np.cos(x2), '*');

4.3 单实例 多axes - plt.subplot

一开始是为MATLAB工具用户设计的图形工具扩展，所以pyplot的接口更多的是MATLAB的风格；这种调用方式，都是默认在当前figure和axes上进行图形绘制和展示，状态也会一直变化。

In [8]:

for i in range(1, 7):

plt.subplot(2, 3, i)

#第一个参数为行，第二个参数为列

print plt.get_fignums

plt.text(0.5, 0.5, str((2, 3, i)),

fontsize=18, ha='center')

In [16]:

## plt.subplot里的索引引用方式【nrows, ncols, plot_number】或者 【rcp】都行

plt.subplot(211)

plt.plot(np.sin(x))

plt.subplot(212,axisbg='y')

plt.plot(np.cos(x))

Out[16]:

4.4 多实例 多axes - plt.subplots

In [22]:

#可以实例化成axes数组，可以选择共享x/y周,不必每次都重新声明生成，提高效率

fig, ax = plt.subplots(2, 3, sharex='row', sharey='col')

# axes are in a two-dimensional array, indexed by [row, col]

for i in range(2):

for j in range(3):

ax[i, j].text(0.5, 0.5, str((i, j)),

fontsize=18, ha='center')

4.5 多实例 多axes - plt.axes()

In [31]:

#画中画，前两个参数代表整个figure中left,bottom百分比，后两个参数代表轴的长度的百分比

ax1 = plt.axes(axisbg='y') # standard axes

ax2 = plt.axes([0.50, 0.50, 0.2, 0.2])

ax1.plot(x,np.sin(x))

ax2.plot(x,np.sin(x))

Out[31]:

In [34]:

plt.figure?

In [35]

# [left, bottom, width, height]

fig = plt.figure(facecolor='y')

ax1 = fig.add_axes([0, 0.5, 0.8, 0.4])

ax2 = fig.add_axes([0.1, 1.0, 0.8, 0.4])

x = np.linspace(0, 10)

ax1.plot(np.sin(x))

ax2.plot(np.cos(x))

Out[35]:

4.6 高级模式 -plt.GridSpec

In [32]:

### 多个图像合并

grid = plt.GridSpec(2, 3, wspace=0.5, hspace=0.5)

plt.subplot(grid[0, 0])

plt.subplot(grid[0, 1:])

plt.subplot(grid[1, :2])

plt.subplot(grid[1, 2])

Out[32]:

5 简单画图

5.1 plt.plot 参数讲解

x，y,color,linestyle,maker,label,linewidth

In [50]:

## plt.plot(x, np.sin(x - 0), color='blue')

x = np.linspace(0,10,100)

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='0.1')

# Grayscale between 0 and 1 颜色的灰度

#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

In [51]:

# For short, you can use the following codes: 线的格式

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

In[52]:

## 简写

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

5.2 图形参数配置

坐标轴的取值范围 xlim，ylim,axis

坐标轴的标签：xlabel，ylabel

In [42]:

## 配置x,y轴的取值范围

plt.subplot(2,2,1)

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

plt.xlim(-1, 11)

plt.ylim(-1.5, 1.5)

plt.title("lim")

plt.subplot(2,2,2)

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

plt.axis([-1, 11, -1.5, 1.5])

plt.title("axis")

plt.subplot(2,2,3)

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

plt.axis('tight')

plt.title("tight",verticalalignment = "top")

plt.subplot(2,2,4)

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

plt.axis('equal');

plt.title("equal",verticalalignment = "top")

Out[42]:

图例显示 plot(,label='',) plt.legend()

In [43]:

## 多个序列同图显示，label表示图例,用legend()方法显示

plt.plot(x, np.sin(x), '-g', label='sin(x)')

plt.plot(x, np.cos(x), ':b', label='cos(x)')

plt.axis('equal')

plt.xlabel("xlable")

plt.ylabel("sin(x)",rotation = 'horizontal') ## vertical

## 图例显示的时候可以配置 loc-位置，frameon-边框，ncol-列数

## plt.legend(fancybox=True, framealpha=1, shadow=True, borderpad=1) 对齐方式

plt.legend(loc='upper left', frameon=False, ncol=1)

out[43]:

axes.set 函数设定

In [57]:

## [left, bottom, width, height]

fig = plt.figure()

#ax1 = fig.add_axes([0.1, 0.6, 0.8, 0.4],xticklabels=[], ylim=(-1.2, 1.2))

#ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4],ylim=(-1.2, 1.2))

ax1 = fig.add_axes([0.1, 0.8, 0.5, 0.5])

ax2 = fig.add_axes([0, 0.1, 0.5, 0.5])

x = np.linspace(0, 10,100)

ax1.plot(x,np.sin(x))

ax2.plot(x,np.cos(x))

ax1.set(xlim=(0, 10), ylim=(-2, 2), ###轴区间范围

xlabel='x', ylabel='sin(x)', ##标题

title='AX1');

ax2.set(xlim=(0, 10), ylim=(-2, 2),

xlabel='x', ylabel='cos(x)',

title='AX2');

5.3 高级定制

显示标签 text

In [15]:

fig, ax = plt.subplots(facecolor='lightgray')

##数据的标签

ax.axis([0, 10, 0, 10])

# transform=ax.transData is the default, but we'll specify it anyway

ax.text(1, 5, ". Data: (1, 5)", transform=ax.transData)

## 实际坐标的位置 指定x与Y值

ax.text(0.5, 0.1, ". Axes: (0.5, 0.1)", transform=ax.transAxes)

## 图像的位置

ax.text(0.2, 0.2, ". Figure: (0.2, 0.2)", transform=fig.transFigure);

## 画布的位置

显示箭头 annotate

In [41]:

fig, ax = plt.subplots()

x = np.linspace(0, 20, 1000)

ax.plot(x, np.cos(x))

ax.axis('equal')

ax.annotate('local maximum', xy=(6.28, 1), xytext=(10, 4),

arrowprops=dict(facecolor='black'))

ax.annotate('local minimum', xy=(5 * np.pi, -1), xytext=(2, -6),

arrowprops=dict(arrowstyle="->",connectionstyle="angle3,angleA=0,angleB=-90"))；

坐标轴刻度定制

In [24]:

ax = plt.axes()

ax.plot(np.random.rand(50))

ax.yaxis.set_major_locator(plt.NullLocator())

ax.xaxis.set_major_formatter(plt.NullFormatter())

#图像显示代码 需要从外网自动下载数据

fig, ax = plt.subplots(5, 5, figsize=(5, 5))

fig.subplots_adjust(hspace=0, wspace=0)

# Get some face data from scikit-learn

from sklearn.datasets import fetch_olivetti_faces

faces = fetch_olivetti_faces().images

for i in range(5)：

for j in range(5):

ax[i,j].xaxis.set_major_locator(plt.NullLocator())

ax[i,j].yaxis.set_major_locator(plt.NullLocator())

ax[i, j].imshow(faces[10 * i + j], cmap="bone")

今天主要是介绍Matplotlip包的基础知识，下期我们将进一步学习可视化，精彩继续喔！