Python (二): Matplotlib之折线图&散点图

傷城~ 2022-03-19 05:52 450阅读 0赞

### Matplotlib 折线图 & 散点图 ###

*  基本API
 *  折线图
 *   *  API
     *  例子
 *  散点图
 *   *  API
     *  例子

# 基本API #

# 引用
    import matplotlib.pyplot as plt
    
    # 设置标题
    plt.title('this is title!')
    
    # 设置X, Y轴标题
    plt.xlabel('this is xlabel!')
    plt.ylabel('this is ylabel!')
    
    # 显示网格
    plt.grid(True)
    
    # 显示
    plt.show()
    
    # 保存
    plt.savefig('/foo/bar/xxx.png')

# 折线图 #

折线图不仅可以作为统计图, 也可以用来画函数曲线.

## API ##

API为

plt.plot([x], y, fmt, key=value, [x2], y2, fmt2, key2=value2...)

即每一条折线对应一个多元组 (x, y, fmt, \{key: value\}…)

其中

*  x 表示该点的横坐标, default值为该点的下标
 *  y表示该点的纵坐标, 必填
 *  fmt 是一个字符串, 它的规则为 “\[color\] \[marker\] \[line\]”, 其中
    
     *  color包括 黑白红黄绿青蓝紫 (没有橙色)
        
         *  ‘k’ - black
         *  ‘w’ - white
         *  ‘r’ - red
         *  ‘y’ - yellow
         *  ‘g’ - green
         *  ‘c’ - cyan
         *  ‘b’ - blue
         *  ‘m’ - magent
     *  marker表示每个点的样式, **常用的**marker包括
        
         *  ‘.’ - point
         *  ‘,’ - pixel
         *  ‘o’ - cirlce
         *  ‘D’ - diamond
         *  ‘\*’ - star
         *  ‘+’ - plus
         *  ‘x’ - x
         *  ‘s’ - square
     *  line表示线的样式, 包括
        
         *  ‘-’ - solid
         *  ‘–’ - dashed
         *  ‘-.’ - dash-dot
         *  ‘:’ - dotted
 *  常见的键值有:
    
     *  alpha
     *  color
     *  linewidth
     *  markersize
     *  markerfacecolor
     *  markeredgecolor
     *  markeredgewidth

## 例子 ##

代码样例

import matplotlib.pyplot as plt 
    import numpy as np 
    
    x = np.arange(0, 10, 0.5)
    y = np.exp(x)
    plt.xlabel('X')
    plt.ylabel('Y')
    
    # start
    plt.title('This is title!')
    plt.plot(x, y)
    # end
    
    plt.show()

以下所有样例只改变 “start” 和 “end” 之间的这两行代码

1.  默认
    
        plt.plot(x, y)
    
    ![默认][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70]
2.  红色虚线
    
        plt.plot(x, y, 'r--')
    
    ![红色虚线][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 1]
3.  黄色方块线点式
    
        plt.plot(x, y, 'ys-.')
    
    ![黄色方块点线式][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 2]
4.  绿色圆圈点式
    
        plt.plot(x, y, 'go:')
    
    ![绿色圆圈点式][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 3]
5.  青色星号细线
    
        plt.plot(x, y, 'c*-', linewidth=0.5)
    
    ![青色星号细线][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 4]
6.  紫色叉叉无线 & 蓝色第二条线
    
        plt.plot(x, y, 'mx', x, 1400 * x)
    
    ![紫色叉叉无线和蓝色第二条线][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 5]

# 散点图 #

散点图在画逻辑回归的时候比较有用

## API ##

我只列出了常用参数

plt.scatter(x, y, s, c ,marker='.')

其中

*  x, y同折线图, 表示点的横纵坐标
 *  s表示点的大小, 可以是一个值, 来表示所有点的大小; 或者一个同尺寸数组, 来和数据点一一对应
 *  c表示点的颜色, 可以是一个2D单行数组, “如 \[\[1.0, 0, 0\]\] 表示红色” 来表示所有点的颜色, 可以是一个2D多行数组来给每个点设置其RGB的值
 *  marker表示点的样式, 取值同折线图

## 例子 ##

import matplotlib.pyplot as plt 
    import numpy as np 
    
    # 分割线
    x = np.arange(100)
    y = -1 * x + 100
    
    # 点集, datax表示点的横纵坐标, datay表示点的颜色
    datax = np.random.rand(100, 2) * 100
    datay = np.zeros((100, 3))
    
    for i in x:
        if datax[i][0] + datax[i][1] < 100:
            datay[i] = [1.0, 0, 0]
        else:
            datay[i] = [0, 0, 1.0]
    
    plt.xlabel('X')
    plt.ylabel('Y')
    
    plt.title('scatter example')
    # 画线
    plt.plot(x, y, 'r--')
    
    # 画点
    plt.scatter(datax[:, 0], datax[:, 1], s=25, c=datay ,marker='o', alpha=0.5)
    
    plt.show()

![散点图][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 6]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70]: /images/20220319/65a0330320ba4eafb9bb9927b255af23.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 1]: /images/20220319/a192f6875e884552946b09927c67fbc4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 2]: /images/20220319/32cbbb9d26194225b05a98c9f396795e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 3]: /images/20220319/cc2c802797074da1b73827e2965a18c9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 4]: /images/20220319/c07819bc1e60473986c5219a27054300.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 5]: /images/20220319/5f5a91ed51b14486bef2f0b3b15123cb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlZWVfXw_size_16_color_FFFFFF_t_70 6]: /images/20220319/33808e2e4b884ee4a9fb671d7e433407.png