Python 绘图与可视化 matplotlib（上）

骑猪看日落 2021-12-23 10:47 396阅读 0赞

**参考链接：**https://www.cnblogs.com/dudududu/p/9149762.html

更详细的：https://www.cnblogs.com/zhizhan/p/5615947.html

Matplotlib是一个2D绘图库，在绘图及显示效果方面更加出色，它和大名鼎鼎的matlab并不是一个软件，可以认为前者是后者迁移到Python上的图形库

### 使用： ###

安装matplotlib

pip install matplotlib

我们先从简到繁，先绘制一组正弦和余弦图像，然后再逐步美化它

import matplotlib.pyplot as plt#约定俗成的写法
    import numpy as np
    
    def draw():
    　　 #endpoint=True的作用还不清楚
        X=np.linspace(-np.pi,np.pi,256,endpoint=True)#linspace是Matlab中的一个指令，用于产生指定范围内（-np.pi[-π] to np.pi[π]）的指定数量点数(256)，相邻数据跨度相同，并返回一个行向量。
        C,S=np.cos(X),np.sin(X)#C,S分别对应上述256个值对应的正弦函数值和余弦函数值组成的numpy数组
        plt.plot(X,C)#画线的函数传入的numpy数组
        plt.plot(X,S)
        plt.show()
    draw()

使用matplotlib的默认配置，可以满足我们的大部分要求，比如运行上面的代码，我们就可以得到漂亮的图像![1248430-20190621171156906-1387624162.png][]

上面的线条颜色（不同的线条颜色），线条宽度都是matplotlib的默认配置定义的。不过我们任然可以自定义大多数的默认配置，比如颜色、粗细、风格、图片大小和分辨率、风格、坐标轴、坐标轴以及网格的属性、文字以及文字属性等

### 默认配置 ###

import matplotlib.pyplot as plt
    import numpy as np
    
    #创建一个8*6点的图（应该是画布的意思），分辨率为80，不知道这个8*6点是什么意思，是图像长宽矩形画布的比例吗，可能是，截图的尺寸差不多
    plt.figure(figsize=(8,6),dpi=80)#记得加plt#*********************************看这个
    #创建一个新的1*1的子图，接下来的图绘制在第一块（也是唯一的一块）
    plt.subplot(1,1,1)#*********************************看这个
    
    X=np.linspace(-np.pi,np.pi,256,endpoint=True)
    C,S=np.cos(X),np.sin(X)
    #绘制余弦图像，使用的线条属性为：红色、宽度为1，线条为点
    plt.plot(X,C,color="red",linewidth=1.0,linestyle=':')#*********************************看这个代替plt.plot(X,C)
    
    # linestyle的种类有'-', '--', '-.', ':', 'None', ' ', '', 'solid', 'dashed', 'dashdot', 'dotted'
    plt.plot(X,S,color="gray",linewidth=1.0,linestyle='-')
    #设置X轴的上下限（注意两个不同）
    plt.xlim(-4.0,4)#*********************************看这个
    
    #设置X轴上的坐标，可以指定显示-4到4这个区域的，9代表将区域等分为9个点
    plt.xticks(np.linspace(-4,4,9,endpoint=True))#*********************************看这个
    
    plt.ylim(-1.0,1.0)
    plt.yticks(np.linspace(-1,1,5,endpoint=True))
    
    #以指定的80分辨率保存图片，保存的位置在这个.py程序同目录下
    plt.savefig('example_1.png',dpi=80)#*********************************看这个
    #supported formats: eps, pdf, pgf, png, ps, raw, rgba, svg, svgz
    plt.show()

#### 　　2）可以改变figure中的值来水平或垂直方向上拉伸图片 ####

plt.fingure(figsize=(8,6),dpi=80)
    plt.fingure(figsize=(10,6),dpi=80)#与上面绘制的图像相比，将会水平拉伸整个图片

#### 　　3）调整画布和内容的边界（留出一些间隔） ####

可以获取到画布或子画布的最大最小值（是坐标轴上下限的数值），从而来调整边缘的空白，但我感到很奇怪，因为调整的基准是通过获取全契合时（即图像到了画布的边缘）画布的尺寸乘以某个倍数，这个尺寸是通过设置坐标轴的上下限来实现的，而改变也是通过设置画布的坐标轴的上下限来设置的，这不是进入了 死循环吗。不是的，因为获取的基准是通过np.linspace()返回的点设置的（那么新的问题，对于这个正弦余弦函数，y轴有范围，可是X轴左右不是无穷小和无穷大的吗，猜想是：在绘制时并不是真正的无穷大，因为无穷大的时候就没法绘制了，应该是matplotlib里面绘制有一个类似截取的机制。），设置坐标的上下限只是在程序完成的时候在裁剪一下了

![1248430-20190621183025624-1830888496.png][]

代码如下

plt.plot(X,S,color="gray",linewidth=1.0,linestyle='-')
    
    xmin,xmax=X.min(),X.max()
    ymin,ymax=C.min(),C.max()
    dx=(xmax-xmin)*0.2
    dy=(ymax-ymin)*0.2
    
    #设置X轴的上下限（注意两个不同）
    # plt.xlim(-4.0,4)
    plt.xlim(xmin-dx,xmin+dx)

#### 　　4）设置坐标轴上的标记 ####

# plt.xticks(np.linspace(-4,4,9,endpoint=True))
    plt.xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi])#是为了找到某个坐标点而已了

图片：

![1248430-20190621184351665-668238944.png][]

#### 5）设置坐标的标签 ####

我们可以将3.142当成π，但是毕竟不太精确，当我们使用plt.xticks()设置坐标轴的坐标时，还可以同时设置坐标的“标签”，注意这里使用了lateX（百度LateX是一个排版软件，但下面语句唯一有些奇怪的就是一些类似特殊字符的代码，不知道他们和lateX有什么关系）

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

效果：

![1248430-20190621193621207-1378290282.png][]

#### 6）移动“脊柱” ####

不知道为什么把这个称作为脊柱（spine），反正坐标轴线和上面的标记（坐标）一块被称为“脊柱”，脊柱记录了数据区域的范围，他可以放在任何位置，不过至今为止（指本片文章到现在为止，并不是约定成俗的习惯），我们通常将他们放在图像的四边（上面图可以看出来，是两条有坐标的（左边和下边的）以及另外没有坐标的（上面和右边的））

实际上每幅图像有四条脊柱，为了将脊柱放在图像的正中央，我们就必须隐藏其中的两条（右边和上边的），将他们两个调整为无色，然后调整剩下的两条到合适的位置，数据空间的零点

#将脊柱（坐标轴）调整到数据空间中的零点
    plt.ax=plt.gca()
    plt.ax.spines['right'].set_color('none')
    plt.ax.spines['top'].set_color('none')
    plt.ax.xaxis.set_ticks_position('bottom')#是设置坐标的位置在坐标轴下边
    plt.ax.spines['bottom'].set_position(('data',0))
    plt.ax.yaxis.set_ticks_position('left')
    plt.ax.spines['left'].set_position(('data',0))

效果：

![1248430-20190621195222565-1214235860.png][]

#### 7）添加图例 ####

**不要忘记plt.legend(loc='upper left')**

图例是对图像进行说明的，比如cos函数的图像是什么亚子的，要添加图例，我们只需要在plot（）函数里以【键-值】的形式添加一个参数

plt.plot(X,C,color="red",linewidth=2.0,linestyle=':',label='cosine')#label中显示不出中文
    
    plt.legend(loc='upper left')#还有这个#legend:图例
    
    # linestyle的种类有'-', '--', '-.', ':', 'None', ' ', '', 'solid', 'dashed', 'dashdot', 'dotted'
    plt.plot(X,S,color="gray",linewidth=1.0,linestyle='-')

效果：

![1248430-20190621195802692-930818482.png][]

#### 8）给一些特殊点做注释 ####

假如我们希望在2/3π的位置给两条函数曲线上加一个注释，首先我们在对应的函数图像上的位置画一个点，然后向X轴引一条垂线，以虚线标记，最后写上注释的内容

---snip----
    plt.ax.spines['left'].set_position(('data',0))
    
    #给一些特殊点做注释 
    t=2*np.pi/3
    plt.plot([t,t],[0,np.cos(t)],color='blue',linewidth=2.5,linestyle='--')
    plt.scatter([t,],[np.cos(t),],50,color='blue')#scatter:分散
    plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',#annotate：注释；别看长，写一遍就明白了
        xy=(t,np.sin(t)),xycoords='data',#xy的位置
        xytext=(+0,+0),textcoords='offset points',fontsize=16,#xytext:设置注释的位置相对偏移（类似坐标）
        arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2')#arrow:箭头
        )
    plt.plot([t,t],[0,np.sin(t)],color='red',linewidth=2.5,linestyle="--")
    plt.scatter([t,],[np.sin(t),],50,color='red')
    plt.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')
        )
    plt.show()

**效果：**

**![1248430-20190622094959129-2027711317.png][]**

#### 9）设置坐标轴上的坐标样式（未生效） ####

上图中的坐标被挡住了，为了让他们看起来更明显，可是放大他们、然后设置半透明的底色，这样，曲线和坐标都可见了

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

下一篇学习图像、子图、坐标轴、记号

**10）设置标题：**

**　　更多信息：https://blog.csdn.net/helunqu2017/article/details/78659490**

plt.title('Interesting Graph',fontsize='large'，fontweight='bold') 设置字体大小与格式
    plt.title('Interesting Graph',color='blue') 设置字体颜色
    plt.title('Interesting Graph',loc ='left') 设置字体位置
    plt.title('Interesting Graph',verticalalignment='bottom') 设置垂直对齐方式
    plt.title('Interesting Graph',rotation=45) 设置字体旋转角度
    plt.title('Interesting',bbox=dict(facecolor='g', edgecolor='blue', alpha=0.65 )) 标题边框

面向对象api例子：

import matplotlib.pyplot as plt
    x=[1,2,3,4,5]
    y=[3,6,7,9,2]
     
    fig,ax=plt.subplots(1,1)
    ax.plot(x,y,label='trend')
    ax.set_title('title test',fontsize=12,color='r')
    plt.show()

转载于:https://www.cnblogs.com/Gaoqiking/p/11067892.html

[1248430-20190621171156906-1387624162.png]: /images/20211223/80af66e4918542cfa875948fb50dc66f.png
[1248430-20190621183025624-1830888496.png]: /images/20211223/dbdeac04d48e436a9c08073b2475c79b.png
[1248430-20190621184351665-668238944.png]: /images/20211223/45cea66ded054f8fad1f903d3080e88f.png
[1248430-20190621193621207-1378290282.png]: /images/20211223/24f830ff23be43a6901407224f212e5f.png
[1248430-20190621195222565-1214235860.png]: /images/20211223/d06381a476f84f62b34cc3d3e7568164.png
[1248430-20190621195802692-930818482.png]: /images/20211223/488b359b976940ad88cb03eba3e305bf.png
[1248430-20190622094959129-2027711317.png]: /images/20211223/40bbecedb60c416ab46833f614d06ea4.png