python_matplotlib知识点总结

• Z时代
• 2024-01-10
• 分类：综合

文作为学习过程中对matplotlib一些常用知识点的整理，方便查找。

强烈推荐ipython
无论你工作在什么项目上，IPython都是值得推荐的。利用ipython --pylab，可以进入PyLab模式，已经导入了matplotlib库与相关软件包（例如Numpy和Scipy)，额可以直接使用相关库的功能。

这样IPython配置为使用你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。

• matplotlib-绘制精美的图表

• matplotlib.pyplot.plt参数介绍

[python] view plain copy

1. import matplotlib.pyplot as plt  
2. labels='frogs','hogs','dogs','logs'  

3. sizes=15,20,45,10  

4. colors='yellowgreen','gold','lightskyblue','lightcoral'  

5. explode=0,0.1,0,0  

6. plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)  

7. plt.axis('equal')  

8. plt.show()  

matplotlib图标正常显示中文

为了在图表中能够显示中文和负号等，需要下面一段设置：

[python] view plain copy

1. import matplotlib mpl  
2. mpl.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签  

3. mpl.rcParams['axes.unicode_minus']=False #用来正常显示负号  

matplotlib inline和pylab inline

可以使用ipython --pylab打开ipython命名窗口。

[plain] view plain copy

1. %matplotlib inline #notebook模式下  
2. %pylab inline #ipython模式下  

这两个命令都可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，但是，有一个缺陷：除非将代码一次执行，否则，无法叠加绘图，因为在这两种模式下，是要有plt出现，图片会立马show出来，因此：

推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。

为项目设置matplotlib参数

在代码执行过程中，有两种方式更改参数：

• 使用参数字典(rcParams)

• 调用matplotlib.rc()命令 通过传入关键字元祖，修改参数

如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用matplot.get_config()命令来找到当前用户的配置文件目录。

配置文件包括以下配置项：

axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集（font family）、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条（颜色、线型、宽度等）和标记
patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

线条相关属性标记设置

用来该表线条的属性

线条标记

颜色

可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。

如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：

• 使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字（'red','chartreuse'等）。

• 也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

很多方法可以介绍颜色参数，如title()。

[python] view plain copy

1. plt.tilte('Title in a custom color',color='#123456'）  

背景色

通过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数，可以指定坐标这的背景色。

[python] view plain copy

1. subplot(111,axisbg=(0.1843,0.3098,0.3098)  

基础

如果你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度，因此x的数据是[0,1,2,3].

图片来自:绘图: matplotlib核心剖析

确定坐标范围

• plt.axis([xmin, xmax, ymin, ymax])
  上面例子里的axis()命令给定了坐标范围。

• xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围

[python] view plain copy

1. %matplotlib inline  
2. import numpy as np  
3. import matplotlib.pyplot as plt  
4. from pylab import *  
5. x = np.arange(-5.0, 5.0, 0.02)  

6. y1 = np.sin(x)  
7. plt.figure(1)  

8. plt.subplot(211)  

9. plt.plot(x, y1)  
10. plt.subplot(212)  

11. #设置x轴范围  
12. xlim(-2.5, 2.5)  

13. #设置y轴范围  
14. ylim(-1, 1)  

15. plt.plot(x, y1)  

叠加图

用一条指令画多条不同格式的线。

[python] view plain copy

1. import numpy as np  
2. import matplotlib.pyplot as plt  
3. # evenly sampled time at 200ms intervals  
4. t = np.arange(0., 5., 0.2)  

5. # red dashes, blue squares and green triangles  
6. plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')  

7. plt.show()  

plt.figure()

你可以多次使用figure命令来产生多个图，其中，图片号按顺序增加。这里，要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常，你并不需要考虑这些事，下面的这个例子为大家演示这一细节。

[python] view plain copy

1. import matplotlib.pyplot as plt  
2. plt.figure(1) # 第一张图  

3. plt.subplot(211) # 第一张图中的第一张子图  

4. plt.plot([1,2,3])  

5. plt.subplot(212) # 第一张图中的第二张子图  

6. plt.plot([4,5,6])  

7. plt.figure(2) # 第二张图  

8. plt.plot([4,5,6]) # 默认创建子图subplot(111)  

9. plt.figure(1) # 切换到figure 1 ; 子图subplot(212)仍旧是当前图  

10. plt.subplot(211) # 令子图subplot(211)成为figure1的当前图  

11. plt.title('Easy as 1,2,3') # 添加subplot 211 的标题  

figure感觉就是给图像ID，之后可以索引定位到它。

plt.text()添加文字说明

• text()可以在图中的任意位置添加文字，并支持LaTex语法

• xlable(), ylable()用于添加x轴和y轴标签

• title()用于添加图的题目

[python] view plain copy

1. import numpy as np  
2. import matplotlib.pyplot as plt  
3. mu, sigma = 100, 15  

4. x = mu + sigma * np.random.randn(10000)  

5. # 数据的直方图  
6. n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)  

7. plt.xlabel('Smarts')  

8. plt.ylabel('Probability')  

9. #添加标题  
10. plt.title('Histogram of IQ')  

11. #添加文字  
12. plt.text(60, .025, r'$\mu=100,\ \sigma=15$')  

13. plt.axis([40, 160, 0, 0.03])  

14. plt.grid(True)  

15. plt.show()  

text中前两个参数感觉应该是文本出现的坐标位置。

plt.annotate()文本注释

在数据可视化的过程中，图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。¹

[python] view plain copy

1. import numpy as np  
2. import matplotlib.pyplot as plt  
3. ax = plt.subplot(111)  

4. t = np.arange(0.0, 5.0, 0.01)  

5. s = np.cos(2*np.pi*t)  

6. line, = plt.plot(t, s, lw=2)  

7. plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),  

8. arrowprops=dict(facecolor='black', shrink=0.05),  

9. )  
10. plt.ylim(-2,2)  

11. plt.show()  

plt.xticks()/plt.yticks()设置轴记号

现在是明白干嘛用的了，就是人为设置坐标轴的刻度显示的值。

[python] view plain copy

1. # 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用）  
2. from pylab import *  
3. # 创建一个 8 * 6 点（point）的图，并设置分辨率为 80  
4. figure(figsize=(8,6), dpi=80)  

5. # 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块）  
6. subplot(1,1,1)  

7. X = np.linspace(-np.pi, np.pi, 256,endpoint=True)  

8. C,S = np.cos(X), np.sin(X)  
9. # 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条  
10. plot(X, C, color="blue", linewidth=1.0, linestyle="-")  

11. # 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条  
12. plot(X, S, color="r", lw=4.0, linestyle="-")  

13. plt.axis([-4,4,-1.2,1.2])  

14. # 设置轴记号  
15. xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],  

16. [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])  

17. yticks([-1, 0, +1],  

18. [r'$-1$', r'$0$', r'$+1$'])  

19. # 在屏幕上显示  
20. show()  

当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。²

移动脊柱 坐标系

[python] view plain copy

1. ax = gca()  
2. ax.spines['right'].set_color('none')  

3. ax.spines['top'].set_color('none')  

4. ax.xaxis.set_ticks_position('bottom')  

5. ax.spines['bottom'].set_position(('data',0))  

6. ax.yaxis.set_ticks_position('left')  

7. ax.spines['left'].set_position(('data',0))  

这个地方确实没看懂，囧，以后再说吧，感觉就是移动了坐标轴的位置。

plt.legend()添加图例

[python] view plain copy

1. plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")  

2. plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")  

3. legend(loc='upper left')  

matplotlib.pyplot

使用plt.style.use('ggplot')命令，可以作出ggplot风格的图片。

[python] view plain copy

1. # Import necessary packages  
2. import pandas as pd  
3. %matplotlib inline  
4. import matplotlib.pyplot as plt  
5. plt.style.use('ggplot')  

6. from sklearn import datasets  
7. from sklearn import linear_model  
8. import numpy as np  
9. # Load data  
10. boston = datasets.load_boston()  
11. yb = boston.target.reshape(-1, 1)  

12. Xb = boston['data'][:,5].reshape(-1, 1)  

13. # Plot data  
14. plt.scatter(Xb,yb)  
15. plt.ylabel('value of house /1000 ($)')  

16. plt.xlabel('number of rooms')  

17. # Create linear regression object  
18. regr = linear_model.LinearRegression()  
19. # Train the model using the training sets  
20. regr.fit( Xb, yb)  
21. # Plot outputs  
22. plt.scatter(Xb, yb, color='black')  

23. plt.plot(Xb, regr.predict(Xb), color='blue',  

24. linewidth=3)  

25. plt.show()  

给特殊点做注释

好吧，又是注释，多个例子参考一下！

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。

[python] view plain copy

1. t = 2*np.pi/3  

2. # 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。  
3. plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")  

4. scatter([t,],[np.cos(t),], 50, color ='blue')  

5. annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',  

6. xy=(t, np.sin(t)), xycoords='data',  

7. xytext=(+10, +30), textcoords='offset points', fontsize=16,  

8. arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))  

9. plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")  

10. scatter([t,],[np.sin(t),], 50, color ='red')  

11. annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',  

12. xy=(t, np.cos(t)), xycoords='data',  

13. xytext=(-90, -50), textcoords='offset points', fontsize=16,  

14. arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))  

plt.subplot()

plt.subplot(2,3,1)表示把图标分割成2*3的网格。也可以简写plt.subplot(231)。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。

plt.axes()

我们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下³⁴：

plt.axes-官方文档

• axes() by itself creates a default full subplot(111) window axis.

• axes(rect, axisbg='w') where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.

• axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，因此，若是要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。

show code:

[python] view plain copy

1. http://matplotlib.org/examples/pylab_examples/axes_demo.html  
2. import matplotlib.pyplot as plt  
3. import numpy as np  
4. # create some data to use for the plot dt = 0.001 t = np.arange(0.0, 10.0, dt) r = np.exp(-t[:1000]/0.05) # impulse response x = np.random.randn(len(t)) s = np.convolve(x, r)[:len(x)]*dt # colored noise # the main axes is subplot(111) by default plt.plot(t, s) plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)]) plt.xlabel('time (s)') plt.ylabel('current (nA)') plt.title('Gaussian colored noise') # this is an inset axes over the main axes a = plt.axes([.65, .6, .2, .2], axisbg='y') n, bins, patches = plt.hist(s, 400, normed=1) plt.title('Probability') plt.xticks([]) plt.yticks([]) # this is another inset axes over the main axes a = plt.axes([0.2, 0.6, .2, .2], axisbg='y') plt.plot(t[:len(r)], r) plt.title('Impulse response') plt.xlim(0, 0.2) plt.xticks([]) plt.yticks([]) plt.show()  
5. dt = 0.001  

6. t = np.arange(0.0, 10.0, dt)  

7. r = np.exp(-t[:1000]/0.05) # impulse response  

8. x = np.random.randn(len(t))  
9. s = np.convolve(x, r)[:len(x)]*dt # colored noise  

10. # the main axes is subplot(111) by default  
11. plt.plot(t, s)  
12. plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])  

13. plt.xlabel('time (s)')  

14. plt.ylabel('current (nA)')  

15. plt.title('Gaussian colored noise')  

16. # this is an inset axes over the main axes  
17. a = plt.axes([.65, .6, .2, .2], axisbg='y')  

18. n, bins, patches = plt.hist(s, 400, normed=1)  

19. plt.title('Probability')  

20. plt.xticks([])  
21. plt.yticks([])  
22. # this is another inset axes over the main axes  
23. a = plt.axes([0.2, 0.6, .2, .2], axisbg='y')  

24. plt.plot(t[:len(r)], r)  
25. plt.title('Impulse response')  

26. plt.xlim(0, 0.2)  

27. plt.xticks([])  
28. plt.yticks([])  
29. plt.show()  

pyplot.pie参数

• matplotlib.pyplot.pie

colors颜色

找出matpltlib.pyplot.plot中的colors可以取哪些值？

• so-Named colors in matplotlib

• CSDN-matplotlib学习之（四）设置线条颜色、形状

[python] view plain copy

1. for name,hex in matplotlib.colors.cnames.iteritems():  
2.   print name,hex  

打印颜色值和对应的RGB值。

• plt.axis('equal')避免比例压缩为椭圆

autopct

• How do I use matplotlib autopct?

autopct enables you to display the percent value using Python string formatting. For example, if autopct='%.2f', then for each pie wedge, the format string is '%.2f' and the numerical percent value for that wedge is pct, so the wedge label is set to the string '%.2f'%pct.

以上是 python_matplotlib知识点总结 的全部内容， 来源链接： utcz.com/z/386642.html