怎么在Python中使用matplotlib實現(xiàn)可視化繪圖

這篇文章給大家介紹怎么在Python中使用matplotlib實現(xiàn)可視化繪圖，內(nèi)容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

python的五大特點是什么

python的五大特點：1.簡單易學，開發(fā)程序時，專注的是解決問題,而不是搞明白語言本身。2.面向?qū)ο?，與其他主要的語言如C++和Java相比, Python以一種非常強大又簡單的方式實現(xiàn)面向?qū)ο缶幊獭?.可移植性，Python程序無需修改就可以在各種平臺上運行。4.解釋性，Python語言寫的程序不需要編譯成二進制代碼,可以直接從源代碼運行程序。5.開源，Python是 FLOSS(自由/開放源碼軟件)之一。

matplotlib圖標正常顯示中文

為了在圖表中能夠顯示中文和負號等，需要下面一段設(shè)置：

import matplotlib.pyplot as plt
plt.rcParams['font.sas-serig']=['SimHei'] #用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號

matplotlib inline和pylab inline

可以使用ipython --pylab打開ipython命名窗口。

%matplotlib inline #notebook模式下
%pylab inline  #ipython模式下

這兩個命令都可以在繪圖時，將圖片內(nèi)嵌在交互窗口，而不是彈出一個圖片窗口，但是，有一個缺陷：除非將代碼一次執(zhí)行，否則，無法疊加繪圖，因為在這兩種模式下，是要有plt出現(xiàn)，圖片會立馬show出來，因此：

推薦在ipython notebook時使用，這樣就能很方便的一次編輯完代碼，繪圖。

為項目設(shè)置matplotlib參數(shù)

在代碼執(zhí)行過程中，有兩種方式更改參數(shù)：

1. 使用參數(shù)字典(rcParams)

2. 調(diào)用matplotlib.rc()命令通過傳入關(guān)鍵字元祖，修改參數(shù)

如果不想每次使用matplotlib時都在代碼部分進行配置，可以修改matplotlib的文件參數(shù)?？梢杂?code>matplot.get_config()命令來找到當前用戶的配置文件目錄。

配置文件包括以下配置項：

axex: 設(shè)置坐標軸邊界和表面的顏色、坐標刻度值大小和網(wǎng)格的顯示
backend: 設(shè)置目標暑促TkAgg和GTKAgg
figure: 控制dpi、邊界顏色、圖形大小、和子區(qū)( subplot)設(shè)置
font: 字體集（font family）、字體大小和樣式設(shè)置
grid: 設(shè)置網(wǎng)格顏色和線性
legend: 設(shè)置圖例和其中的文本的顯示
line: 設(shè)置線條（顏色、線型、寬度等）和標記
patch: 是填充2D空間的圖形對象，如多邊形和圓?？刂凭€寬、顏色和抗鋸齒設(shè)置等。
savefig: 可以對保存的圖形進行單獨設(shè)置。例如，設(shè)置渲染的文件的背景為白色。
verbose: 設(shè)置matplotlib在執(zhí)行期間信息輸出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 為x,y軸的主刻度和次刻度設(shè)置顏色、大小、方向，以及標簽大小。

線條相關(guān)屬性標記設(shè)置

用來該表線條的屬性

線條標記

顏色

可以通過調(diào)用matplotlib.pyplot.colors()得到matplotlib支持的所有顏色。

如果這兩種顏色不夠用，還可以通過兩種其他方式來定義顏色值：

1. 使用HTML十六進制字符串color='eeefff'使用合法的HTML顏色名字（'red','chartreuse'等）。

2. 也可以傳入一個歸一化到[0,1]的RGB元祖。color=(0.3,0.3,0.4)

很多方法可以介紹顏色參數(shù)，如title()。

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

背景色

通過向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()這樣的方法提供一個axisbg參數(shù)，可以指定坐標這的背景色。

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

基礎(chǔ)

如果你向plot()指令提供了一維的數(shù)組或列表，那么matplotlib將默認它是一系列的y值，并自動為你生成x的值。默認的x向量從0開始并且具有和y同樣的長度，因此x的數(shù)據(jù)是[0,1,2,3].

確定坐標范圍plt.axis([xmin, xmax, ymin, ymax])

上面例子里的axis()命令給定了坐標范圍。

xlim(xmin, xmax)和ylim(ymin, ymax)來調(diào)整x,y坐標范圍

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from pylab import *

x = np.arange(-5.0, 5.0, 0.02)
y1 = np.sin(x)

plt.figure(1)
plt.subplot(211)
plt.plot(x, y1)

plt.subplot(212)
#設(shè)置x軸范圍
xlim(-2.5, 2.5)
#設(shè)置y軸范圍
ylim(-1, 1)
plt.plot(x, y1)

疊加圖

用一條指令畫多條不同格式的線。

import numpy as np
import matplotlib.pyplot as plt

# evenly sampled time at 200ms intervals
t = np.arange(0., 5., 0.2)

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

plt.figure()

你可以多次使用figure命令來產(chǎn)生多個圖，其中，圖片號按順序增加。這里，要注意一個概念當前圖和當前坐標。所有繪圖操作僅對當前圖和當前坐標有效。通常，你并不需要考慮這些事，下面的這個例子為大家演示這一細節(jié)。

import matplotlib.pyplot as plt
plt.figure(1)        # 第一張圖
plt.subplot(211)       # 第一張圖中的第一張子圖
plt.plot([1,2,3])
plt.subplot(212)       # 第一張圖中的第二張子圖
plt.plot([4,5,6])


plt.figure(2)        # 第二張圖
plt.plot([4,5,6])      # 默認創(chuàng)建子圖subplot(111)

plt.figure(1)        # 切換到figure 1 ; 子圖subplot(212)仍舊是當前圖
plt.subplot(211)       # 令子圖subplot(211)成為figure1的當前圖
plt.title('Easy as 1,2,3')  # 添加subplot 211 的標題

figure感覺就是給圖像ID，之后可以索引定位到它。

plt.text()添加文字說明

text()可以在圖中的任意位置添加文字，并支持LaTex語法

xlable(), ylable()用于添加x軸和y軸標簽

title()用于添加圖的題目

import numpy as np
import matplotlib.pyplot as plt

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# 數(shù)據(jù)的直方圖
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)


plt.xlabel('Smarts')
plt.ylabel('Probability')
#添加標題
plt.title('Histogram of IQ')
#添加文字
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

text中前兩個參數(shù)感覺應(yīng)該是文本出現(xiàn)的坐標位置。

plt.annotate()文本注釋

在數(shù)據(jù)可視化的過程中，圖片中的文字經(jīng)常被用來注釋圖中的一些特征。使用annotate()方法可以很方便地添加此類注釋。在使用annotate時，要考慮兩個點的坐標：被注釋的地方xy(x, y)和插入文本的地方xytext(x, y)。[^1]

import numpy as np
import matplotlib.pyplot as plt

ax = plt.subplot(111)

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)

plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
      arrowprops=dict(facecolor='black', shrink=0.05),
      )

plt.ylim(-2,2)
plt.show()

plt.xticks()/plt.yticks()設(shè)置軸記號

現(xiàn)在是明白干嘛用的了，就是人為設(shè)置坐標軸的刻度顯示的值。

# 導入 matplotlib 的所有內(nèi)容（nympy 可以用 np 這個名字來使用）
from pylab import *

# 創(chuàng)建一個 8 * 6 點（point）的圖，并設(shè)置分辨率為 80
figure(figsize=(8,6), dpi=80)

# 創(chuàng)建一個新的 1 * 1 的子圖，接下來的圖樣繪制在其中的第 1 塊（也是唯一的一塊）
subplot(1,1,1)

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

# 繪制余弦曲線，使用藍色的、連續(xù)的、寬度為 1 （像素）的線條
plot(X, C, color="blue", linewidth=1.0, line)

# 繪制正弦曲線，使用綠色的、連續(xù)的、寬度為 1 （像素）的線條
plot(X, S, color="r", lw=4.0, line)

plt.axis([-4,4,-1.2,1.2])
# 設(shè)置軸記號

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'$+1$'])
# 在屏幕上顯示
show()

當我們設(shè)置記號的時候，我們可以同時設(shè)置記號的標簽。注意這里使用了 LaTeX。[^2]

移動脊柱 坐標系

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))

這個地方確實沒看懂，囧，以后再說吧，感覺就是移動了坐標軸的位置。

plt.legend()添加圖例

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

legend(loc='upper left')

matplotlib.pyplot

使用plt.style.use('ggplot')命令，可以作出ggplot風格的圖片。

# Import necessary packages
import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('ggplot')
from sklearn import datasets
from sklearn import linear_model
import numpy as np
# Load data
boston = datasets.load_boston()
yb = boston.target.reshape(-1, 1)
Xb = boston['data'][:,5].reshape(-1, 1)
# Plot data
plt.scatter(Xb,yb)
plt.ylabel('value of house /1000 ($)')
plt.xlabel('number of rooms')
# Create linear regression object
regr = linear_model.LinearRegression()
# Train the model using the training sets
regr.fit( Xb, yb)
# Plot outputs
plt.scatter(Xb, yb, color='black')
plt.plot(Xb, regr.predict(Xb), color='blue',
     linewidth=3)
plt.show()

給特殊點做注釋

好吧，又是注釋，多個例子參考一下！

我們希望在 2π/32π/3 的位置給兩條函數(shù)曲線加上一個注釋。首先，我們在對應(yīng)的函數(shù)圖像位置上畫一個點；然后，向橫軸引一條垂線，以虛線標記；最后，寫上標簽。

t = 2*np.pi/3
# 作一條垂直于x軸的線段，由數(shù)學知識可知，橫坐標一致的兩個點就在垂直于坐標軸的直線上了。這兩個點是起始點。
plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, line)
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(arrow, connection))

plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, line)
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(arrow, connection))

plt.subplot()

plt.subplot(2,3,1)表示把圖標分割成2*3的網(wǎng)格。也可以簡寫plt.subplot(231)。其中，第一個參數(shù)是行數(shù)，第二個參數(shù)是列數(shù)，第三個參數(shù)表示圖形的標號。

plt.axes()

我們先來看什么是Figure和Axes對象。在matplotlib中，整個圖像為一個Figure對象。在Figure對象中可以包含一個，或者多個Axes對象。每個Axes對象都是一個擁有自己坐標系統(tǒng)的繪圖區(qū)域。其邏輯關(guān)系如下：

plt.axes-官方文檔

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

2. 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.

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

rect=[左, 下, 寬, 高] 規(guī)定的矩形區(qū)域,rect矩形簡寫，這里的數(shù)值都是以figure大小為比例，因此，若是要兩個axes并排顯示，那么axes[2]的左=axes[1].左+axes[1].寬，這樣axes[2]才不會和axes[1]重疊。

show code:

import matplotlib.pyplot as plt
import numpy as np

# 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()

pyplot.pie參數(shù)

matplotlib.pyplot.pie

colors顏色

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

1. so-Named colors in matplotlib

2. matplotlib學習之設(shè)置線條顏色、形狀 

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

打印顏色值和對應(yīng)的RGB值。

plt.axis('equal')避免比例壓縮為橢圓

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.
 

關(guān)于怎么在Python中使用matplotlib實現(xiàn)可視化繪圖就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。