Matplotlib 教程

发布日期:2019-07-23 19:48:01 阅读数: 978次 来源: 作者:

引见

Matplotlib 可能是 Python 2D-画图范畴利用最普遍的套件。它能让利用者很轻松地将数据图形化,而且供给多样化的输出格局。这里将会摸索 matplotlib 的常见用法。

IPython 以和 pylab 模式

IPython 是 Python 的一个加强版本。它鄙人列方面有所加强:定名输入输出、利用系统号令(shell commands)、排错(debug)能力。我们在号令行终端给 IPython 加上参数 -pylab (0.12 当前的版本是 --pylab)之后,就能够像 Matlab 或者 Mathematica 那样以交互的体例画图。

pylab

pylab 是 matplotlib 面向对象画图库的一个接口。它的语法和 Matlab 十分附近。也就是说,它次要的画图号令和 Matlab 对应的号令有类似的参数。

本篇文章利用的实例源码下载:

Download

下载包包含两个目次:

  • figures:存放实例代码生成的图片
  • scripts:存放实例代码

初级绘制

这一节中,我们将从简到繁:先测验考试用默认设置装备摆设在统一张图上绘制正弦和余弦函数图像,然后逐渐美化它。

第一步,是取得正弦函数和余弦函数的值:

from pylab import *

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
C,S = np.cos(X), np.sin(X)

X 是一个 numpy 数组,包含了从 −π 到 +π 等间隔的 256 个值。C 和 S 则别离是这 256 个值对应的余弦和正弦函数值构成的 numpy 数组。

你能够在 IPython 的交互模式下测试代码,也能够下载代码(下载链接就是这些示例图),然后施行:

python exercise_1.py

利用默认设置装备摆设[源码文件]

Matplotlib 的默认设置装备摆设都答应用户自定义。你能够调整大大都的默认设置装备摆设:图片大小和分辩率(dpi)、线宽、颜色、气概、坐标轴、坐标轴以和网格的属性、文字与字体属性等。不外,matplotlib 的默认设置装备摆设在大大都环境下曾经做得足够好,你可能只在很少的环境下才会想更改这些默认设置装备摆设。

import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C,S = np.cos(X), np.sin(X)

plt.plot(X,C)
plt.plot(X,S)

plt.show()

默认设置装备摆设的具体内容[源码文件]

下面的代码中,我们展示了 matplotlib 的默认设置装备摆设并辅以正文申明,这部门设置装备摆设包含了相关画图样式的所有设置装备摆设。代码中的设置装备摆设与默认设置装备摆设完全不异,你能够在交互模式中点窜此中的值来不雅察结果。

# 导入 matplotlib 的所有内容(nympy 能够用 np 这个名字来利用)
from pylab import *

# 建立一个 8 * 6 点(point)的图,并设置分辩率为 80
figure(figsize=(8,6), dpi=80)

# 建立一个新的 1 * 1 的子图,接下来的图样绘制在此中的第 1 块(也是独一的一块)
subplot(1,1,1)

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
C,S = np.cos(X), np.sin(X)

# 绘制余弦曲线,利用蓝色的、持续的、宽度为 1 (像素)的线条
plot(X, C, color="blue", linewidth=1.0, linestyle="-")

# 绘制正弦曲线,利用绿色的、持续的、宽度为 1 (像素)的线条
plot(X, S, color="green", linewidth=1.0, linestyle="-")

# 设置横轴的上下限
xlim(-4.0,4.0)

# 设置横轴记号
xticks(np.linspace(-4,4,9,endpoint=True))

# 设置纵轴的上下限
ylim(-1.0,1.0)

# 设置纵轴记号
yticks(np.linspace(-1,1,5,endpoint=True))

# 以分辩率 72 来保留图片
# savefig("exercice_2.png",dpi=72)

# 在屏幕上显示
show()

改变线条的颜色和粗细[源码文件]

起首,我们以蓝色和红色别离暗示余弦和正弦函数,尔后将线条变粗一点。接下来,我们在程度标的目的拉伸一下整个图。

...
figure(figsize=(10,6), dpi=80)
plot(X, C, color="blue", linewidth=2.5, linestyle="-")
plot(X, S, color="red",  linewidth=2.5, linestyle="-")
...

设置图片鸿沟[源码文件]

当前的图片鸿沟设置得欠好,所以有些处所看得不是很清晰。

... xlim(X.min()*1.1, X.max()*1.1) ylim(C.min()*1.1, C.max()*1.1) ...

更好的体例是如许:

xmin ,xmax = X.min(), X.max()
ymin, ymax = Y.min(), Y.max()

dx = (xmax - xmin) * 0.2
dy = (ymax - ymin) * 0.2

xlim(xmin - dx, xmax + dx)
ylim(ymin - dy, ymax + dy)

设置记号[源码文件]

我们会商正弦和余弦函数的时候,凡是但愿晓得函数在 ±π 和 ±π2 的值。如许看来,当前的设置就不那么抱负了。

...
xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
yt亚博手机appicks([-1, 0, +1])
...

设置记号的标签[源码文件]

记号此刻没问题了,不外标签却不大合适期望。我们能够把 3.142 当做是 π,但终究不敷切确。当我们设置记号的时候,我们能够同时设置记号的标签。留意这里利用了 LaTeX。

...
xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
       [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])

yticks([-1, 0, +1],
       [r'$-1$', r'$0$', r'$+1$'])
...

挪动脊柱[源码文件]

坐标轴线和上面的记号连在一路就构成了脊柱(Spines,一条线段上有一系列的凸起,是不是很像脊柱骨啊~),它记实了数据区域的范畴。它们能够放在肆意位置,不外至今为止,我们都把它放在图的四边。

现实上每幅图有四条脊柱(上下摆布),为了将脊柱放在图的两头,我们必需将此中的两条(上和右)设置为无色,然后调整剩下的两条到合适的位置——数据空间的 0 点。

...
ax = gca()
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))
...

添加图例[源码文件]

我们在图的左上角添加一个图例。为此,我们只需要在 plot 函数里以「键 - 值」的形式添加一个参数。

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

legend(loc='upper left')
...

给一些特殊点做正文[源码文件]

我们但愿在 2π/3 的位置给两条函数曲线加上一个正文。起首,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,以虚线标识表记标帜;最初,写上标签。

...

t = 2*np.pi/3
plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")
scatter([t,],[np.cos(t),], 50, color ='blue')

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"))

plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")
scatter([t,],[np.sin(t),], 50, color ='red')

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"))
...

不断改进[源码文件]

坐标轴上的记号标签被曲线盖住了,作为强迫症患者(雾)这是不克不及忍的。我们能够把它们放大,然后添加一个白色的半通明底色。如许能够包管标签和曲线同时可见。

...
for label in ax.get_xticklabels() + ax.get_yticklabels():
    label.set_fontsize(16)
    label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 ))
...

图像、子图、坐标轴和记号

到目前为止,我们都用隐式的方式来绘制图像和坐标轴。快速画图中,这是很便利的。我们也能够显式地节制图像、子图、坐标轴。Matplotlib 中的「图像」指的是用户界面看到的整个窗口内容。在图像里面有所谓「子图」。子图的位置是由坐标网格确定的,而「坐标轴」却不受此限制,能够放在图像的肆意位置。我们曾经隐式地利用过图像和子图:当我们挪用 plot 函数的时候,matplotlib 挪用 gca() 函数以和 gcf() 函数来获取当前的坐标轴和图像;若是无法获取图像,则会挪用 figure() 函数来建立一个——严酷地说,是用 subplot(1,1,1) 建立一个只要一个子图的图像。

图像

所谓「图像」就是 GUI 里以「Figure #」为题目的那些窗口。图像编号从 1 起头,与 MATLAB 的气概分歧,而于 Python 从 0 起头编号的气概分歧。以下参数是图像的属性:

参数默认值描述
num1图像的数量
figsizefigure.figsize图像的长和宽(英寸)
dpifigure.dpi分辩率(点/英寸)
facecolorfigure.facecolor画图区域的布景颜色
edgecolorfigure.edgecolor画图区域边缘的颜色
frameonTrue能否绘制图像边缘

这些默认值能够在源文件中指明。不外除了图像数量这个参数,其余的参数都很少点窜。

你在图形界面中能够按下右上角的 X 来封闭窗口(OS X 系统是左上角)。Matplotlib 也供给了名为 close 的函数来封闭这个窗口。close 函数的具体行为取决于你供给的参数:

  1. 不传送参数:封闭当前窗口;
  2. 传送窗口编号或窗话柄例(instance)作为参数:封闭指定的窗口;
  3. all:封闭所有窗口。

和其他对象一样,你能够利用 setp 或者是 set_something 如许的方式来设置图像的属性。

子图

你能够用子图来将图样(plot)放在平均的坐标网格中。用 subplot 函数的时候,你需要指明网格的行列数量,以和你但愿将图样放在哪一个网格区域中。此外,gridspec 的功能更强大,你也能够选择它来实现这个功能。

[源码文件]

[源码文件]

[源码文件]

[源码文件]

坐标轴

坐标轴和子图功能雷同,不外它能够放在图像的肆意位置。因而,若是你但愿在一副图中绘制一个小图,就能够用这个功能。

[源码文件]

[源码文件]

记号

优良的记号是图像的主要构成部门。Matplotlib 里的记号系统里的各个细节都是能够由用户个性化设置装备摆设的。你能够用 Tick Locators 来指定在那些位置放置记号,用 Tick Formatters 来调整记号的样式。次要和次要的记号能够以分歧的体例呈现。默认环境下,每一个次要的记号都是躲藏的,也就是说,默认环境下的次要记号列表是空的——NullLocator。

Tick Locators

下面无为分歧需求设想的一些 Locators。

类型 申明
NullLocator No ticks.
IndexLocator Place a tick on every multiple of some base number of points plotted.
FixedLocator Tick locations are fixed.
LinearLocator Determine the tick locations.
MultipleLocator Set a tick on every integer that is multiple of some base.
AutoLocator Select no more than n intervals at nice locations.
LogLocator Determine the tick locations for log axes.

这些 Locators 都是 matplotlib.ticker.Locator 的子类,你能够据此定义本身的 Locator。以日期为 ticks 出格复杂,因而 Matplotlib 供给了 matplotlib.dates 来实现这一功能。

其他类型的图

接下来的内容是操练。请使用你学到的学问,从供给的代码起头,实现配图所示的结果。具体的谜底能够点击配图下载。

通俗图[源码文件]

from pylab import *

n = 256
X = np.linspace(-np.pi,np.pi,n,endpoint=True)
Y = np.sin(2*X)

plot (X, Y+1, color='blue', alpha=1.00)
plot (X, Y-1, color='blue', alpha=1.00)
show()

散点图[源码文件]

from pylab import *

n = 1024
X = np.random.normal(0,1,n)
Y = np.random.normal(0,1,n)

scatter(X,Y)
show()

条形图[源码文件]

from pylab import *

n = 12
X = np.arange(n)
Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)

bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
bar(X, -Y2, facecolor='#ff9999', edgecolor='white')

for x,y in zip(X,Y1):
    text(x+0.4, y+0.05, '%.2f' % y, ha='center', va= 'bottom')

ylim(-1.25,+1.25)
show()

等高线图[源码文件]

from pylab import *

def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

n = 256
x = np.linspace(-3,3,n)
y = np.linspace(-3,3,n)
X,Y = np.meshgrid(x,y)

contourf(X, Y, f(X,Y), 8, alpha=.75, cmap='jet')
C = contour(X, Y, f(X,Y), 8, colors='black', linewidth=.5)
show()

灰度图(Imshow)[源码文件]

from pylab import *

def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

n = 10
x = np.linspace(-3,3,4*n)
y = np.linspace(-3,3,3*n)
X,Y = np.meshgrid(x,y)
imshow(f(X,Y)), show()

饼状图[源码文件]

from pylab import *

n = 20
Z = np.random.uniform(0,1,n)
pie(Z), show()

量场图(Quiver Plots)[源码文件]

from pylab import *

n = 8
X,Y = np.mgrid[0:n,0:n]
quiver(X,Y), show()

网格[源码文件]

from pylab import *

axes = gca()
axes.set_xlim(0,4)
axes.set_ylim(0,3)
axes.set_xticklabels([])
axes.set_yticklabels([])

show()

多重网格[源码文件]

from pylab import *

subplot(2,2,1)
subplot(2,2,3)
subplot(2,2,4)

show()

极轴图[源码文件]

from pylab import *

axes([0,0,1,1])

N = 20
theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)
radii = 10*np.random.rand(N)
width = np.pi/4*np.random.rand(N)
bars = bar(theta, radii, width=width, bottom=0.0)

for r,bar in zip(radii, bars):
    bar.set_facecolor( cm.jet(r/10.))
    bar.set_alpha(0.5)

show()

3D 图[源码文件]

from pylab import *
from mpl_toolkits.mplot3d import Axes3D

fig = figure()
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='hot')

show()

手稿图[源码文件]

import numpy as np
import matplotlib.pyplot as plt

eqs = []
eqs.append((r"$W^{3\beta}_{\delta_1 \rho_1 \sigma_2} = U^{3\beta}_{\delta_1 \rho_1} + \frac{1}{8 \pi 2} \int^{\alpha_2}_{\alpha_2} d \alpha^\prime_2 \left[\frac{ U^{2\beta}_{\delta_1 \rho_1} - \alpha^\prime_2U^{1\beta}_{\rho_1 \sigma_2} }{U^{0\beta}_{\rho_1 \sigma_2}}\right]$"))
eqs.append((r"$\frac{d\rho}{d t} + \rho \vec{v}\cdot\nabla\vec{v} = -\nabla p + \mu\nabla^2 \vec{v} + \rho \vec{g}$"))
eqs.append((r"$\int_{-\infty}^\infty e^{-x^2}dx=\sqrt{\pi}$"))
eqs.append((r"$E = mc^2 = \sqrt{{m_0}^2c^4 + p^2c^2}$"))
eqs.append((r"$F_G = G\frac{m_1m_2}{r^2}$"))


plt.axes([0.025,0.025,0.95,0.95])

for i in range(24):
    index = np.random.randint(0,len(eqs))
    eq = eqs[index]
    size = np.random.uniform(12,32)
    x,y = np.random.uniform(0,1,2)
    alpha = np.random.uniform(0.25,.75)
    plt.text(x, y, eq, ha='center', va='center', color="#11557c", alpha=alpha,
             transform=plt.gca().transAxes, fontsize=size, clip_on=True)

plt.xticks([]), plt.yticks([])
# savefig('../figures/text_ex.png',dpi=48)
plt.show()

更多参考

入门教程

  • Pyplot tutorial
  • Image tutorial
  • Text tutorial
  • Artist tutorial
  • Path tutorial
  • Transforms tutorial

Matplotlib 文档

  • 用户指南
  • 常见问题和回覆
  • 截屏

Numpy 文档

  • Numpy 教程
本文由亚博编辑整理亚博手机app