matplotlib油漆基础

http://blog.csdn.net/pipisorry/article/details/37742423

matplotlib介绍

matplotlib 是python最著名的画图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。并且也能够方便地将它作为画图控件。嵌入GUI应用程序中。它的文档相当完备，并且 Gallery页面 中有上百幅缩略图，打开之后都有源程序。

因此假设你须要绘制某种类型的图。仅仅须要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。

在Linux下比較著名的数据图工具还有gnuplot，这个是免费的，Python有一个包能够调用gnuplot。可是语法比較不习惯，并且绘图质量不高。而Matplotlib则比較强：Matlab的语法、python语言、latex的绘图质量（还能够使用内嵌的latex引擎绘制的数学公式）。

面向对象方式画图

matplotlib实际上是一套面向对象的画图库，它所绘制的图表中的每一个画图元素，比如线条Line2D、文字Text、刻度等在内存中都有一个对象与之相应。

为了方便高速画图matplotlib通过pyplot模块提供了一套和MATLAB类似的画图API，将众多画图对象所构成的复杂结构隐藏在这套API内部。我们仅仅须要调用pyplot模块所提供的函数就能够实现高速画图以及设置图表的各种细节。

pyplot模块尽管使用方法简单，但不适合在较大的应用程序中使用。

为了将面向对象的画图库包装成仅仅使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。

当前的图表和子图能够使用plt.gcf()和plt.gca()获得，分别表示"Get Current Figure"和"Get Current Axes"。

在pyplot模块中，很多函数都是对当前的Figure或Axes对象进行处理，比方说：    plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的画图。

能够在Ipython中输入类似"plt.plot??

"的命令查看pyplot模块的函数是怎样对各种画图对象进行包装的。

安装numpy和matplotlib

检測是否成功安装：

>>> import numpy

>>> numpy.__version__

>>> import matplotlib

>>> matplotlib.__version__

不同画图语言比較

工科生说Matlab完爆其它

数学系的说Mathematica高贵冷艳

统计系的说R语言作图领域天下无敌

计算机系的说Python低调奢华有内涵

[怎样在论文中画出美丽的插图]

matplotlib.pyplot模块 - 高速画图

matplotlib的pyplot子库提供了和matlab类似的画图API，方便用户高速绘制2D图表。

# coding=gbk
# coding: utf-8
'''
Created on Jul 12, 2014
python 科学计算学习：numpy高速处理数据測试
@author: 皮皮
'''
# import string
import matplotlib.pyplot as plt  

if __name__ == '__main__':
    fp = open(r"E:\machine_learning\datasets\housing_data\housing_data_years_price.txt", 'r')
    linesList = fp.readlines()
#     print(linesList)
    linesList = [line.strip().split(" ") for line in linesList]
    fp.close()    

    print("linesList:")
    print(linesList)
#     years = [string.atof(x[0]) for x in linesList]
    years = [x[0] for x in linesList]
    print(years)
    price = [x[1] for x in linesList]
    print(price)

    plt.plot(years, price, 'b*')#,label="$cos(x^2)$")
    plt.plot(years, price, 'r')
#     plt.plot(years, price, 'o')    #散点图
    plt.xlabel("years(+2000)")
    plt.xlim(0, )
    plt.ylabel("housing average price(*2000 yuan)")
    plt.ylim(0, )
    plt.title('line_regression & gradient decrease')
#     plt.legend()
    plt.show()

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcGlwaXNvcnJ5/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" height="400" width="400">

1.调用figure创建一个画图对象，而且使它成为当前的画图对象。（可选）

plt.figure(figsize=(8,4))

也能够不创建画图对象直接调用接下来的plot函数直接画图，matplotlib会为我们自己主动创建一个画图对象。。

假设须要同一时候绘制多幅图表的话，能够是给figure传递一个整数參数指定图标的序号，假设所指定序号的画图对象已经存在的话，将不创建新的对象。而仅仅是让它成为当前画图对象。

figsize參数：指定画图对象的宽度和高度，单位为英寸；dpi參数指定画图对象的分辨率，即每英寸多少个像素，缺省值为80。

因此本例中所创建的图表窗体的宽度为8*80
= 640像素。

可是用show()出来的工具栏中的保存button保存下来的png图像的大小是800*400像素。这是由于保存图表用的函数savefig使用不同的DPI配置，savefig函数也有一个dpi參数，假设不设置的话，将使用matplotlib配置文件里的配置，此配置能够通过例如以下语句进行查看：>>>matplotlib.rcParams["savefig.dpi"]100

2.通过调用plot函数在当前的画图对象中进行画图

    plt.plot(years, price, ‘b*‘)#,label="$cos(x^2)$")
    plt.plot(years, price, ‘r‘)

Note:

1. 第一句将x,y数组传递给plot

2.通过第三个參数"b--"指定曲线的颜色和线型，这个參数称为格式化參数，它可以通过一些易记的符号高速指定曲线的样式。

当中b表示蓝色。"--"表示线型为虚线。

3. 用keyword參数指定各种属性：

  • label : 给所绘制的曲线一个名字，此名字在图示/图例(legend)中显示。仅仅要在字符串前后加入"$"符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。
  • color : 指定曲线的颜色
  • linewidth : 指定曲线的宽度

详细參见【附录 - matplotlib中的作图參数】

3.设置画图对象的各个属性

    plt.xlabel("years(+2000)")
    plt.ylabel("housing average price(*2000 yuan)")
    plt.ylim(0, 15)
    plt.title(‘line_regression & gradient decrease‘)
    plt.legend()
  • xlabel : 设置X轴的文字
  • ylabel : 设置Y轴的文字
  • title : 设置图表的标题
  • ylim : 设置Y轴的范围
  • legend : 显示图示

4.最后调用plt.show()显示出我们创建的全部画图对象。

Matplotlib 里的经常使用类的包括关系为 Figure -> Axes -> (Line2D, Text, etc.)一个Figure对象能够包括多个子图(Axes)，在matplotlib中用Axes对象表示一个画图区域，能够理解为子图。

5. 绘制多子图

能够使用subplot()高速绘制包括多个子图的图表，它的调用形式例如以下：

subplot(numRows, numCols, plotNum)

subplot将整个画图区域等分为numRows行* numCols列个子区域，然后依照从左到右，从上到下的顺序对每一个子区域进行编号。左上的子区域的编号为1。假设numRows。numCols和plotNum这三个数都小于10的话，能够把它们缩写为一个整数，比如subplot(323)和subplot(3,2,3)是同样的。

subplot在plotNum指定的区域中创建一个轴对象。假设新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。

subplot()返回它所创建的Axes对象，我们能够将它用变量保存起来。然后用sca()交替让它们成为当前Axes对象，并调用plot()在当中画图。

6.绘制多图表

假设须要同一时候绘制多幅图表，能够给figure()传递一个整数參数指定Figure对象的序号。假设序号所指定的Figure对象已经存在。将不创建新的对象。而仅仅是让它成为当前的Figure对象。

import numpy as np
import matplotlib.pyplot as plt 

plt.figure(1) # 创建图表1
plt.figure(2) # 创建图表2
ax1 = plt.subplot(211) # 在图表2中创建子图1
ax2 = plt.subplot(212) # 在图表2中创建子图2

x = np.linspace(0, 3, 100)
for i in xrange(5):
    plt.figure(1)  #选择图表1
    plt.plot(x, np.exp(i*x/3))
    plt.sca(ax1)   #选择图表2的子图1
    plt.plot(x, np.sin(i*x))
    plt.sca(ax2)  # 选择图表2的子图2
    plt.plot(x, np.cos(i*x))
plt.show()

7. 在图表中显示中文

matplotlib的缺省配置文件里所使用的字体无法正确显示中文。为了让图表能正确显示中文，能够有几种解决方式。

  1. 在程序中直接指定字体。

  2. 在程序开头改动配置字典rcParams。
  3. 改动配置文件。

比較简便的方式是。中文字符串用unicode格式，比如：u‘‘測试中文显示‘‘。代码文件编码使用utf-8 加上" # coding = utf-8  "一行。

[matplotlib输出图象的中文显示问题]

8. 面向对象绘图

matplotlib API包括有三层，Artist层处理全部的高层结构，比如处理图表、文字和曲线等的绘制和布局。

通常我们仅仅和Artist打交道。而不须要关心底层的绘制细节。

直接使用Artists创建图表的标准流程例如以下：

  • 创建Figure对象
  • 用Figure对象创建一个或者多个Axes或者Subplot对象
  • 调用Axies等对象的方法创建各种简单类型的Artists
import matplotlib.pyplot as plt
X1 = range(0, 50)
Y1 = [num**2 for num in X1] # y = x^2 X2 = [0, 1] Y2 = [0, 1] # y = x

Fig = plt.figure(figsize=(8,4)) # Create a `figure' instance
Ax = Fig.add_subplot(111) # Create a `axes' instance in the figure
Ax.plot(X1, Y1, X2, Y2) # Create a Line2D instance in the axes

Fig.show()
Fig.savefig("test.pdf")

[matplotlib-绘制精美的图表]

[什么是 Matplotlib （面向对象画图）]

[Python图表绘制：matplotlib画图库入门]

9.输出图形设置

matplotlib中绘制完毕图形之后通过show()展示出来，我们还能够通过图形界面中的工具栏对其进行设置并保存

matplotlib改动图片大小

图形界面下方工具栏能够设置图形上下左右的边距

皮皮blog

配置属性

matplotlib所绘制的图的每一个组成部分都相应有一个对象，我们能够通过调用这些对象的属性设置方法set_*或者pyplot的属性设置函数setp设置其属性值。

设置对象的属性

比如plot函数返回一个 matplotlib.lines.Line2D 对象的列表，以下的样例显示怎样设置Line2D对象的属性：

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> x = np.arange(0, 5, 0.1)
>>> line, = plt.plot(x, x*x) # plot返回一个列表，通过line,获取其第一个元素
>>> # 调用Line2D对象的set_*方法设置属性值
>>> line.set_antialiased(False)

>>> # 同一时候绘制sin和cos两条曲线。lines是一个有两个Line2D对象的列表
>>> lines = plt.plot(x, np.sin(x), x, np.cos(x)) #
>>> # 调用setp函数同一时候配置多个Line2D对象的多个属性值
>>> plt.setp(lines, color="r", linewidth=2.0)

这段样例中。通过调用Line2D对象line的set_antialiased方法，关闭对象的反锯齿效果。或者通过调用plt.setp函数配置多个Line2D对象的颜色和线宽属性。

获取对象的属性值

相同我们能够通过调用Line2D对象的get_*方法，或者plt.getp函数获取对象的属性值：

>>> line.get_linewidth()
1.0
>>> plt.getp(lines[0], "color") # 返回color属性
‘r‘
>>> plt.getp(lines[1]) # 输出所有属性
alpha = 1.0
animated = False
antialiased or aa = True
axes = Axes(0.125,0.1;0.775x0.8)
... ...

Note:getp函数仅仅能对一个对象进行操作，它有两种使用方法：

  • 指定属性名：返回对象的指定属性的值
  • 不指定属性名：打印出对象的全部属性和其值

获取当前的画图对象plt.gcf()

matplotlib的整个图表为一个Figure对象，此对象在调用plt.figure函数时返回。我们也能够通过plt.gcf函数获取当前的画图对象：

>>> f = plt.gcf()
>>> plt.getp(f)
alpha = 1.0
animated = False
...

Figure对象axes属性plt.gca()

Figure对象有一个axes属性，其值为AxesSubplot对象的列表，每一个AxesSubplot对象代表图表中的一个子图，前面所绘制的图表仅仅包括一个子图。当前子图也能够通过plt.gca获得

>>> plt.getp(f, "axes")
[<matplotlib.axes.AxesSubplot object at 0x05CDD170>]
>>> plt.gca()
<matplotlib.axes.AxesSubplot object at 0x05CDD170>

获取对象的各种属性plt.getp

用plt.getp能够发现AxesSubplot对象有非常多属性，比如它的lines属性为此子图所包含的 Line2D 对象列表：

>>> alllines = plt.getp(plt.gca(), "lines")
>>> alllines
<a list of 3 Line2D objects>
>>> alllines[0] == line # 当中的第一条曲线就是最開始绘制的那条曲线
True

通过这样的方法我们能够非常easy地查看对象的属性和它们之间的包括关系，找到须要配置的属性。

配置文件

绘制一幅图须要对很多对象的属性进行配置。比如颜色、字体、线型等等。

我们在画图时，并没有逐一对这些属性进行配置，很多都直接採用了matplotlib的缺省配置。

matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件里，通过改动配置文件，我们能够改动图表的缺省样式。

在matplotlib中能够使用多个“matplotlibrc”配置文件。它们的搜索顺序例如以下。顺序靠前的配置文件将会被优先採用。

  • 当前路径：程序的当前路径。
  • 用户配置路径：通常在用户文件夹的“.matplotlib”文件夹下，能够通过环境变量MATPLOTLIBRC改动它的位置。
  • 系统配置路径：保存在matplotlib的安装文件夹下的mpl-data中。

通过以下的语句能够获取用户配置路径：

>>> import matplotlib
>>> matplotlib.get_configdir()
‘C:\\Documents and Settings\\username\\.matplotlib‘

通过以下的语句能够获得眼下使用的配置文件的路径：

>>> import matplotlib
>>> matplotlib.matplotlib_fname()
‘C:\\Python26\\lib\\site-packages\\matplotlib\\mpl-data\\matplotlibrc‘

因为在当前路径和用户配置路径中都没有找到配置文件。因此最后使用的是系统配置路径下的配置文件。假设读者将matplotlibrc复制一份到脚本的当前文件夹(比如。c:\zhang\doc)下：

>>> import os
>>> os.getcwd()
‘C:\\zhang\\doc‘

复制配置文件之后再查看配置文件的路径，就会发现它变为了当前文件夹下的配置文件：

>>> matplotlib.matplotlib_fname()
‘C:\\zhang\\doc\\matplotlibrc‘

假设读者使用文本编辑器打开此配置文件。就会发现它实际上是一个字典。为了对众多的配置进行区分。字典的键依据配置的种类。用“.”分为多段。

配置文件的读入能够使用rc_params()。它返回一个配置字典：

>>> matplotlib.rc_params()
{‘agg.path.chunksize‘: 0,
 ‘axes.axisbelow‘: False,
 ‘axes.edgecolor‘: ‘k‘,
 ‘axes.facecolor‘: ‘w‘,
 ... ...

在matplotlib模块加载时会调用rc_params()，并把得到的配置字典保存到rcParams变量中：

>>> matplotlib.rcParams
{‘agg.path.chunksize‘: 0,
‘axes.axisbelow‘: False,
... ...

matplotlib将使用rcParams字典中的配置进行画图。用户能够直接改动此字典中的配置，所做的改变会反映到此后创建的画图元素。比如以下的代码所绘制的折线将带有圆形的点标识符：

>>> matplotlib.rcParams["lines.marker"] = "o"
>>> plt.plot([1,2,3,2])
>>> plt.show()

为了方便对配置字典进行设置，能够使用rc()。

以下的样例同一时候配置点标识符、线宽和颜色：

>>> matplotlib.rc("lines", marker="x", linewidth=2, color="red")

假设希望恢复到缺省的配置(matplotlib加载时从配置文件读入的配置)，能够调用rcdefaults()。

>>> matplotlib.rcdefaults()

假设手工改动了配置文件。希望又一次从配置文件加载最新的配置。能够调用：

>>> matplotlib.rcParams.update( matplotlib.rc_params() )

通过pyplot模块也能够使用rcParams、rc和rcdefaults。

皮皮blog

matplotlib画图实例

matplotlib画图进阶

from:http://blog.csdn.net/pipisorry/article/details/37742423

ref:python matplotlib中全部模块查询：Python Module Index

matplotlib全部类和类中的函数查询：Index

画图命令集合 ：　Plotting commands summary

Gallerys : http://matplotlib.org/1.4.3/gallery.html

Matplotlib教程(点击相应的图可见源代码，复制可直接使用)： Matplotlib tutorial

关于各个部件和属性：Figures, Subplots, Axes and Ticks

用Python做科学计算-基础篇——使用pyplot模块画图

matplotlib的一些经常使用命令和技巧

工科生说Matlab完爆其它

数学系的说Mathematica高贵冷艳

统计系的说R语言作图领域天下无敌

计算机系的说Python低调奢华有内涵

[如何绘制精美的插图的文件]

时间： 2024-10-03 22:48:04

matplotlib油漆基础的相关文章

【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识

前面几篇文章采用的案例的方法进行介绍的,这篇文章主要介绍Python常用的扩展包,同时结合数据挖掘相关知识介绍该包具体的用法,主要介绍Numpy.Pandas和Matplotlib三个包.目录:        一.Python常用扩展包        二.Numpy科学计算包        三.Pandas数据分析包        四.Matplotlib绘图包 前文推荐:       [Python数据挖掘课程]一.安装Python及爬虫入门介绍       [Python数据挖掘课程]二.K

Matplotlib绘图基础

import matplotlib.pyplot as plt import numpy as np #绘图流程 x=np.linspace(-1,1,100) y=x**2 plt.plot(x,y) plt.show() #figure相关plt.figure()#默认起始编号是1plt.figure()#编号自动递增 #绘图样式 x=np.linspace(-1,1,20)#数据点拉开才能看到线型变化 y=x**2 plt.plot(x,y,'--r',linewidth=5)#虚线,红色

老少皆宜的密大Python零基础入门

Who are we? MTech是一个由密歇根大学 工程院中 (AE/ME)的中国学生组成的的一个专注于专业知识和技能的分享和交流的俱乐部.我们创建这个俱乐部旨在促进工程专业中国学生之间技术层面的交流,搭建桥梁促进知识的分享和传播.请关注我们的微信公众号("密大MTech")和我们的网站(mtechmae.webstarts.com)了解关于我们的更多信息. What is Python? Python是一种面向对象.直译式的编程语言.它的语法简单,并包含了功能完备的库,适合解决很多

matplotlib basic and boxplot

============================================matplotlib 绘图基础============================================绘图: matplotlib核心剖析http://www.cnblogs.com/vamei/archive/2013/01/30/2879700.html Python图表绘制:matplotlib绘图库入门http://www.cnblogs.com/wei-li/archive/2012

Python 可视化工具 Matplotlib

英文出处:Chris Moffitt. Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表.本文主要介绍了在学习Matplotlib时面临的一些挑战,为什么要使用Matplotlib,并推荐了一个学习使用Matplotlib的步骤. 简介 对于新手来说,进入Python可视化领域有时可能会令人感到沮丧.Python有很多不同的可视化工具,选择一个正确的工具有时是一种挑战. 例如,即使两年过去了,这篇<Overview of Pyt

数据可视化利器pyechart和matplotlib比较

python中用作数据可视化的工具有多种,其中matplotlib最为基础.故在工具选择上,图形美观之外,操作方便即上乘. 本文着重说明常见图表用基础版matplotlib和改良版pyecharts作图间的差异 一.maplotlib 基本用法如下: import numpy as np import pandas as pd from pandas import Series, DataFrame import matplotlib.pyplot as plt import matplotli

数据可视化（三）- Seaborn简易入门

本文内容来源:https://www.dataquest.io/mission/133/creating-compelling-visualizations 本文数据来源:http://www.cdc.gov/nchs/nsfg.htm 本文摘要:介绍一个以matplotlib为底层,更容易定制化作图的库Seaborn   Seaborn其实是在matplotlib的基础上进行了更高级的API封装,从而使得作图更加容易,在大多数情况下使用seaborn就能做出很具有吸引力的图,而使用matplo

【Python数据挖掘课程】九.回归模型LinearRegression简单分析氧化物数据

这篇文章主要介绍三个知识点,也是我<数据挖掘与分析>课程讲课的内容.同时主要参考学生的课程提交作业内容进行讲述,包括:        1.回归模型及基础知识:        2.UCI数据集:        3.回归模型简单数据分析. 前文推荐:       [Python数据挖掘课程]一.安装Python及爬虫入门介绍       [Python数据挖掘课程]二.Kmeans聚类数据分析及Anaconda介绍       [Python数据挖掘课程]三.Kmeans聚类代码实现.作业及优化 

Python高级数据处理与可视化（一）

1. 聚类分析 聚类分析(cluster analysis):以相似性为基础把相似的对象通过静态分类的方法分成不同的组别或更多的子集.特性:基于相似性,有多个聚类中心. K-Means:「K-均值」算法表示以空间中K个点为中心进行聚类,对最靠近他们的对象归类. In [47]: from numpy import vstack In [48]: from scipy.cluster.vq import kmeans,vq In [49]: list1 = [88.0,74.0,96.0,85.0