【Python环境】matplotlib - 2D 与 3D 图的绘制

2015-10-30数据科学自媒体

类MATLAB API

最简单的入门是从类 MATLAB API 开始，它被设计成兼容 MATLAB 绘图函数。

让我们加载它：

from pylab import *

使用 qt 作为图形后端：

%matplotlib qt

示例

类MATLAB API 绘图的简单例子:

from numpy import *
x = linspace(0, 5, 10)
y = x ** 2figure()
plot(x, y, ‘r‘)
xlabel(‘x‘)
ylabel(‘y‘)
title(‘title‘)
show()

创建子图，选择绘图用的颜色与描点符号:

subplot(1,2,1)
plot(x, y, ‘r--‘)
subplot(1,2,2)
plot(y, x, ‘g*-‘);

此类 API 的好处是可以节省你的代码量，但是我们并不鼓励使用它处理复杂的图表。处理复杂图表时， matplotlib 面向对象 API 是一个更好的选择。

matplotlib 面向对象 API

首先让我们加载它：

import matplotlib.pyplot as plt

使用面向对象API的方法和之前例子里的看起来很类似，不同的是，我们并不创建一个全局实例，而是将新建实例的引用保存在 fig 变量中,如果我们想在图中新建一个坐标轴实例，只需要 调用 fig 实例的 add_axes 方法：

fig = plt.figure()
axes = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # left, bottom, width, height (range 0 to 1)axes.plot(x, y, ‘r‘)
axes.set_xlabel(‘x‘)
axes.set_ylabel(‘y‘)
axes.set_title(‘title‘)
fig

尽管会写更多的代码，好处在于我们对于图表的绘制有了完全的控制权，可以很容易地多加一个坐标轴到图中：

fig = plt.figure()
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # main axesaxes2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) # inset axes# main figureaxes1.plot(x, y, ‘r‘)
axes1.set_xlabel(‘x‘)
axes1.set_ylabel(‘y‘)
axes1.set_title(‘title‘)# insertaxes2.plot(y, x, ‘g‘)
axes2.set_xlabel(‘y‘)
axes2.set_ylabel(‘x‘)
axes2.set_title(‘insert title‘);fig

如果我们不在意坐标轴在图中的排放位置?，那么就可以使用matplotlib的布局管理器了，我最喜欢的是subplots，使用方式如下：

fig, axes = plt.subplots()
axes.plot(x, y, ‘r‘)
axes.set_xlabel(‘x‘)
axes.set_ylabel(‘y‘)
axes.set_title(‘title‘);
fig

fig, axes = plt.subplots(nrows=1, ncols=2)for ax in axes:
    ax.plot(x, y, ‘r‘)
    ax.set_xlabel(‘x‘)
    ax.set_ylabel(‘y‘)
    ax.set_title(‘title‘)
fig

很简单吧，但是标签重叠就不好看了。可以使用 fig.tight_layout 解决这个问题，它会自动调整标签的位置：

fig, axes = plt.subplots(nrows=1, ncols=2)for ax in axes:
    ax.plot(x, y, ‘r‘)
    ax.set_xlabel(‘x‘)
    ax.set_ylabel(‘y‘)
    ax.set_title(‘title‘)
fig.tight_layout()
fig

图表尺寸，长宽比 与 DPI

在创建 Figure 对象的时候，使用figsize 与 dpi 参数能够设置图表尺寸与DPI， 创建一个800*400像素，每英寸100像素的图就可以这么做：

fig = plt.figure(figsize=(8,4), dpi=100)<matplotlib.figure.Figure at 0x4cbd390>

同样的参数也可以用在布局管理器上:

fig, axes = plt.subplots(figsize=(12,3))
axes.plot(x, y, ‘r‘)
axes.set_xlabel(‘x‘)
axes.set_ylabel(‘y‘)
axes.set_title(‘title‘);

保存图表

可以使用 savefig 保存图表

fig.savefig("filename.png")

这里我们也可以有选择地指定DPI，并且选择不同的输出格式：

fig.savefig("filename.png", dpi=200)

有哪些格式？哪种格式能获得最佳质量？

Matplotlib 可以生成多种格式的高质量图像，包括PNG，JPG，EPS，SVG，PGF 和 PDF。如果是科学论文的话，我建议尽量使用pdf格式。 (pdflatex 编译的 LaTeX 文档使用 includegraphics 命令就能包含 PDF 文件)。 一些情况下，PGF也是一个很好的选择。

图例，轴标 与 标题

现在我们已经介绍了如何创建图表画布以及如何添加新的坐标轴实例，让我们看一看如何加上标题，轴标和图例

标题

每一个坐标轴实例都可以加上一个标题，只需调用坐标轴实例的 set_title 方法:

ax.set_title("title");

轴标

类似的， set_xlabel 与 set_ylabel 可以设置坐标轴的x轴与y轴的标签。

ax.set_xlabel("x")ax.set_ylabel("y");

图例

有两种方法在图中加入图例。一种是调用坐标轴对象的 legend 方法，传入与之前定义的几条曲线相对应地图例文字的 列表/元组：

ax.legend(["curve1", "curve2", "curve3"]);

不过这种方式容易出错，比如增加了新的曲线或者移除了某条曲线。更好的方式是在调用 plot方法时使用 label="label text" 参数，再调用 legend 方法加入图例：

ax.plot(x, x**2, label="curve1")ax.plot(x, x**3, label="curve2")ax.legend();

legend 还有一个可选参数 loc 决定画出图例的位置，详情见：http://matplotlib.org/users/legend_guide.html#legend-location

最常用的值如下：

ax.legend(loc=0) # let matplotlib decide the optimal locationax.legend(loc=1) # upper right cornerax.legend(loc=2) # upper left cornerax.legend(loc=3) # lower left cornerax.legend(loc=4) # lower right corner# .. many more options are available=> <matplotlib.legend.Legend at 0x4c863d0>

下面这个例子同时包含了标题，轴标，与图例的用法：

fig, ax = plt.subplots()
ax.plot(x, x**2, label="y = x**2")
ax.plot(x, x**3, label="y = x**3")
ax.legend(loc=2); # upper left cornerax.set_xlabel(‘x‘)
ax.set_ylabel(‘y‘)
ax.set_title(‘title‘);
fig

格式化文本，LaTeX，字体大小，字体类型

Matplotlib 对 LaTeX 提供了很好的支持。我们只需要将 LaTeX 表达式封装在$ 符号内，就可以在图的任何文本中显示了，比如 "$y=x^3$" 。

不过这里我们会遇到一些小问题，在 LaTeX 中我们常常会用到反斜杠，比如\alpha 来产生符号 $\alpha$ 。但反斜杠在 python 字符串中是有特殊含义的。为了不出错，我们需要使用原始文本，只需要在字符串的前面加个r就行了，像是 r"\alpha" 或者 r‘\alpha‘：

fig, ax = plt.subplots()
ax.plot(x, x**2, label=r"$y = \alpha^2$")
ax.plot(x, x**3, label=r"$y = \alpha^3$")
ax.legend(loc=2) # upper left cornerax.set_xlabel(r‘$\alpha$‘, fontsize=18)
ax.set_ylabel(r‘$y$‘, fontsize=18)
ax.set_title(‘title‘);
fig

我们可以更改全局字体大小或者类型:

# Update the matplotlib configuration parameters:from matplotlib import rcParams
rcParams.update({‘font.size‘: 18, ‘font.family‘: ‘serif‘})
fig, ax = plt.subplots()
ax.plot(x, x**2, label=r"$y = \alpha^2$")
ax.plot(x, x**3, label=r"$y = \alpha^3$")
ax.legend(loc=2) # upper left cornerax.set_xlabel(r‘$\alpha$‘)
ax.set_ylabel(r‘$y$‘)
ax.set_title(‘title‘);
fig

STIX 字体是一种好选择：

# Update the matplotlib configuration parameters:matplotlib.rcParams.update({‘font.size‘: 18, ‘font.family‘: ‘STIXGeneral‘, ‘mathtext.fontset‘: ‘stix‘})
fig, ax = plt.subplots()
ax.plot(x, x**2, label=r"$y = \alpha^2$")
ax.plot(x, x**3, label=r"$y = \alpha^3$")
ax.legend(loc=2) # upper left cornerax.set_xlabel(r‘$\alpha$‘)
ax.set_ylabel(r‘$y$‘)
ax.set_title(‘title‘);
fig

我们也可以将图中的文本全用 Latex 渲染：

matplotlib.rcParams.update({‘font.size‘: 18, ‘text.usetex‘: True})fig, ax = plt.subplots()

ax.plot(x, x**2, label=r"$y = \alpha^2$")
ax.plot(x, x**3, label=r"$y = \alpha^3$")
ax.legend(loc=2) # upper left cornerax.set_xlabel(r‘$\alpha$‘)
ax.set_ylabel(r‘$y$‘)
ax.set_title(‘title‘);

fig

# 重置matplotlib.rcParams.update({‘font.size‘: 12, ‘font.family‘: ‘sans‘, ‘text.usetex‘: False})

设置颜色，线宽 与 线型

颜色

有了matplotlib，我们就有很多方法能够定义线的颜色和很多其他图形元素。首先，我们可以使用类MATLAB语法，‘b‘ 代表蓝色，‘g‘ 代表绿色，依此类推。matplotlib同时也支持 MATLAB API 选择线型所使用的方式：比如 ‘b.-‘ 意味着蓝线标着点：

# MATLAB style line color and style ax.plot(x, x**2, ‘b.-‘) # blue line with dotsax.plot(x, x**3, ‘g--‘) # green dashed linefig

=> [<matplotlib.lines.Line2D at 0x4985810>]

我们也可以以颜色的名字或者RGB值选择颜色，alpha参数决定了颜色的透明度：

fig, ax = plt.subplots()

ax.plot(x, x+1, color="red", alpha=0.5) # half-transparant redax.plot(x, x+2, color="#1155dd")        # RGB hex code for a bluish colorax.plot(x, x+3, color="#15cc55")        # RGB hex code for a greenish colorfig

=> [<matplotlib.lines.Line2D at 0x4edbd10>]

线与描点风格

linewidth 或是 lw 参数改变线宽。 linestyle 或是 ls 参数改变线的风格。

fig, ax = plt.subplots(figsize=(12,6))

ax.plot(x, x+1, color="blue", linewidth=0.25)
ax.plot(x, x+2, color="blue", linewidth=0.50)
ax.plot(x, x+3, color="blue", linewidth=1.00)
ax.plot(x, x+4, color="blue", linewidth=2.00)

# possible linestype options ‘-‘, ‘–’, ‘-.’, ‘:’, ‘steps’
ax.plot(x, x+5, color="red", lw=2, linestyle=‘-‘)
ax.plot(x, x+6, color="red", lw=2, ls=‘-.‘)
ax.plot(x, x+7, color="red", lw=2, ls=‘:‘)

# custom dash
line, = ax.plot(x, x+8, color="black", lw=1.50)
line.set_dashes([5, 10, 15, 10]) # format: line length, space length, ...

# possible marker symbols: marker = ‘+‘, ‘o‘, ‘*‘, ‘s‘, ‘,‘, ‘.‘, ‘1‘, ‘2‘, ‘3‘, ‘4‘, ...
ax.plot(x, x+ 9, color="green", lw=2, ls=‘*‘, marker=‘+‘)
ax.plot(x, x+10, color="green", lw=2, ls=‘*‘, marker=‘o‘)
ax.plot(x, x+11, color="green", lw=2, ls=‘*‘, marker=‘s‘)
ax.plot(x, x+12, color="green", lw=2, ls=‘*‘, marker=‘1‘)

# marker size and color
ax.plot(x, x+13, color="purple", lw=1, ls=‘-‘, marker=‘o‘, markersize=2)
ax.plot(x, x+14, color="purple", lw=1, ls=‘-‘, marker=‘o‘, markersize=4)
ax.plot(x, x+15, color="purple", lw=1, ls=‘-‘, marker=‘o‘, markersize=8, markerfacecolor="red")
ax.plot(x, x+16, color="purple", lw=1, ls=‘-‘, marker=‘s‘, markersize=8,
        markerfacecolor="yellow", markeredgewidth=2, markeredgecolor="blue")

fig

控制坐标轴的样式

坐标轴样式也是通常需要自定义的地方，像是标号或是标签的位置或是字体的大小等。

图的范围

我们想做的第一件事也许是设置坐标轴的范围，可以使用 set_ylim 或是set_xlim 方法或者 axis(‘tight‘) 自动将坐标轴调整的紧凑 The first thing we might want to configure is the ranges of the axes. We can do this using the set_ylim and set_xlim methods in the axis object, oraxis(‘tight‘) for automatrically getting "tightly fitted" axes ranges:

fig, axes = plt.subplots(1, 3, figsize=(12, 4))

axes[0].plot(x, x**2, x, x**3)
axes[0].set_title("default axes ranges")

axes[1].plot(x, x**2, x, x**3)
axes[1].axis(‘tight‘)
axes[1].set_title("tight axes")

axes[2].plot(x, x**2, x, x**3)
axes[2].set_ylim([0, 60])
axes[2].set_xlim([2, 5])
axes[2].set_title("custom axes range");

fig

对数刻度

也可以将轴的刻度设置成对数刻度，调用 set_xscale 与 set_yscale 设置刻度，参数选择 "log" ：

fig, axes = plt.subplots(1, 2, figsize=(10,4))

axes[0].plot(x, x**2, x, exp(x))
axes[0].set_title("Normal scale")

axes[1].plot(x, x**2, x, exp(x))
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)");

fig

自定义标号位置与符号

set_xticks 与 set_yticks 方法可以显示地设置标号的位置，set_xticklabels 与 set_yticklabels 为每一个标号设置符号：

fig, ax = plt.subplots(figsize=(10, 4))

ax.plot(x, x**2, x, x**3, lw=2)

ax.set_xticks([1, 2, 3, 4, 5])
ax.set_xticklabels([r‘$\alpha$‘, r‘$\beta$‘, r‘$\gamma$‘, r‘$\delta$‘, r‘$\epsilon$‘], fontsize=18)

yticks = [0, 50, 100, 150]
ax.set_yticks(yticks)
ax.set_yticklabels(["$%.1f$" % y for y in yticks], fontsize=18); # use LaTeX formatted labelsfig

=> [<matplotlib.text.Text at 0x5d75c90>,
    <matplotlib.text.Text at 0x585fe50>,
    <matplotlib.text.Text at 0x575c090>,
    <matplotlib.text.Text at 0x599e610>]

还有许多方法可以控制主次标号，参考http://matplotlib.org/api/ticker_api.html

科学计数法

如果轴上涉及非常大的数，最好使用科学计数法：

fig, ax = plt.subplots(1, 1)

ax.plot(x, x**2, x, exp(x))
ax.set_title("scientific notation")

ax.set_yticks([0, 50, 100, 150])from matplotlib import ticker
formatter = ticker.ScalarFormatter(useMathText=True)
formatter.set_scientific(True)
formatter.set_powerlimits((-1,1))
ax.yaxis.set_major_formatter(formatter) 

fig

轴上数与标签的间距

# distance between x and y axis and the numbers on the axesrcParams[‘xtick.major.pad‘] = 5rcParams[‘ytick.major.pad‘] = 5fig, ax = plt.subplots(1, 1)

ax.plot(x, x**2, x, exp(x))
ax.set_yticks([0, 50, 100, 150])

ax.set_title("label and axis spacing")# padding between axis label and axis numbersax.xaxis.labelpad = 5ax.yaxis.labelpad = 5ax.set_xlabel("x")
ax.set_ylabel("y");

fig

# restore defaultsrcParams[‘xtick.major.pad‘] = 3rcParams[‘ytick.major.pad‘] = 3

调整坐标轴的位置：

fig, ax = plt.subplots(1, 1)

ax.plot(x, x**2, x, exp(x))
ax.set_yticks([0, 50, 100, 150])

ax.set_title("title")
ax.set_xlabel("x")
ax.set_ylabel("y")

fig.subplots_adjust(left=0.15, right=.9, bottom=0.1, top=0.9);

fig

坐标轴网格

grid 方法可以打开关闭网格线，也可以自定义网格的样式：

fig, axes = plt.subplots(1, 2, figsize=(10,3))# default grid appearanceaxes[0].plot(x, x**2, x, x**3, lw=2)
axes[0].grid(True)# custom grid appearanceaxes[1].plot(x, x**2, x, x**3, lw=2)
axes[1].grid(color=‘b‘, alpha=0.5, linestyle=‘dashed‘, linewidth=0.5)

fig

轴

我们也可以改变轴的属性:

fig, ax = plt.subplots(figsize=(6,2))

ax.spines[‘bottom‘].set_color(‘blue‘)
ax.spines[‘top‘].set_color(‘blue‘)

ax.spines[‘left‘].set_color(‘red‘)
ax.spines[‘left‘].set_linewidth(2)# turn off axis spine to the rightax.spines[‘right‘].set_color("none")
ax.yaxis.tick_left() # only ticks on the left sidefig

双坐标轴

twinx 与 twiny 函数能设置双坐标轴：

fig, ax1 = plt.subplots()

ax1.plot(x, x**2, lw=2, color="blue")
ax1.set_ylabel(r"area $(m^2)$", fontsize=18, color="blue")for label in ax1.get_yticklabels():
    label.set_color("blue")

ax2 = ax1.twinx()
ax2.plot(x, x**3, lw=2, color="red")
ax2.set_ylabel(r"volume $(m^3)$", fontsize=18, color="red")for label in ax2.get_yticklabels():
    label.set_color("red")

fig

设置坐标原点在（0，0）点

fig, ax = plt.subplots()

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)) # set position of x spine to x=0ax.yaxis.set_ticks_position(‘left‘)
ax.spines[‘left‘].set_position((‘data‘,0))   # set position of y spine to y=0xx = np.linspace(-0.75, 1., 100)
ax.plot(xx, xx**3);

fig

其他 2D 图表风格

包括一般的 plot 方法, 还有很多其他函数能够生成不同类型的图表，详情请见http://matplotlib.org/gallery.html 这里列出其中几种比较常见的函数方法。

n = array([0,1,2,3,4,5])

fig, axes = plt.subplots(1, 4, figsize=(12,3))

axes[0].scatter(xx, xx + 0.25*randn(len(xx)))
axes[0].set_title("scatter")

axes[1].step(n, n**2, lw=2)
axes[1].set_title("step")

axes[2].bar(n, n**2, align="center", width=0.5, alpha=0.5)
axes[2].set_title("bar")

axes[3].fill_between(x, x**2, x**3, color="green", alpha=0.5);
axes[3].set_title("fill_between");

fig

# polar plot using add_axes and polar projectionfig = plt.figure()ax = fig.add_axes([0.0, 0.0, .6, .6], polar=True)t = linspace(0, 2 * pi, 100)
ax.plot(t, t, color=‘blue‘, lw=3);

# A histogramn = np.random.randn(100000)
fig, axes = plt.subplots(1, 2, figsize=(12,4))

axes[0].hist(n)
axes[0].set_title("Default histogram")
axes[0].set_xlim((min(n), max(n)))

axes[1].hist(n, cumulative=True, bins=50)
axes[1].set_title("Cumulative detailed histogram")
axes[1].set_xlim((min(n), max(n)));fig

文本注释

text 函数可以做文本注释，且支持 LaTeX 格式：

fig, ax = plt.subplots()

ax.plot(xx, xx**2, xx, xx**3)

ax.text(0.15, 0.2, r"$y=x^2$", fontsize=20, color="blue")
ax.text(0.65, 0.1, r"$y=x^3$", fontsize=20, color="green");

fig

带有多子图与插图的图

fig.add_axes 在图中加入新坐标轴

subplots， subplot2grid，gridspec等 子图布局管理器

subplots

fig, ax = plt.subplots(2, 3)
fig.tight_layout()

fig

subplot2grid

fig = plt.figure()ax1 = plt.subplot2grid((3,3), (0,0), colspan=3)ax2 = plt.subplot2grid((3,3), (1,0), colspan=2)ax3 = plt.subplot2grid((3,3), (1,2), rowspan=2)ax4 = plt.subplot2grid((3,3), (2,0))ax5 = plt.subplot2grid((3,3), (2,1))
fig.tight_layout()

fig

gridspec

import matplotlib.gridspec as gridspec

fig = plt.figure()

gs = gridspec.GridSpec(2, 3, height_ratios=[2,1], width_ratios=[1,2,1])for g in gs:
    ax = fig.add_subplot(g)

fig.tight_layout()

fig

add_axes

fig, ax = plt.subplots()

ax.plot(xx, xx**2, xx, xx**3)
fig.tight_layout()# insetinset_ax = fig.add_axes([0.2, 0.55, 0.35, 0.35]) # X, Y, width, heightinset_ax.plot(xx, xx**2, xx, xx**3)
inset_ax.set_title(‘zoom near origin‘)# set axis rangeinset_ax.set_xlim(-.2, .2)
inset_ax.set_ylim(-.005, .01)# set axis tick locationsinset_ax.set_yticks([0, 0.005, 0.01])
inset_ax.set_xticks([-0.1,0,.1]);

fig

颜色映射图与轮廓图

颜色映射图与轮廓图适合绘制两个变量的函数。

有许多预定义的颜色映射图，参考：http://www.scipy.org/Cookbook/Matplotlib/Show_colormaps

alpha = 0.7phi_ext = 2 * pi * 0.5def flux_qubit_potential(phi_m, phi_p):
    return 2 + alpha - 2 * cos(phi_p)*cos(phi_m) - alpha * cos(phi_ext - 2*phi_p)

phi_m = linspace(0, 2*pi, 100)
phi_p = linspace(0, 2*pi, 100)
X,Y = meshgrid(phi_p, phi_m)
Z = flux_qubit_potential(X, Y).T

pcolor

fig, ax = plt.subplots()

p = ax.pcolor(X/(2*pi), Y/(2*pi), Z, cmap=cm.RdBu, vmin=abs(Z).min(), vmax=abs(Z).max())
cb = fig.colorbar(p, ax=ax)

fig

imshow

fig, ax = plt.subplots()

im = ax.imshow(Z, cmap=cm.RdBu, vmin=abs(Z).min(), vmax=abs(Z).max(), extent=[0, 1, 0, 1])
im.set_interpolation(‘bilinear‘)

cb = fig.colorbar(im, ax=ax)

fig

contour

fig, ax = plt.subplots()

cnt = ax.contour(Z, cmap=cm.RdBu, vmin=abs(Z).min(), vmax=abs(Z).max(), extent=[0, 1, 0, 1])

fig

微信QQ空间新浪微博腾讯微博人人Twitter豆瓣

觉得不错，分享给更多人看到

数据科学自媒体 最新文章:

2016-01-17    【深度学习】2016年值得关注的5家深度学习初创企业

2016-01-16    【数据挖掘】用文本挖掘和机器学习洞悉数据

2016-01-15    【数据科学】一份数据科学的开放课程清单

2016-01-14    【数据科学】大数据领域33个预测，开启未知的2016

2016-01-13    【数据挖掘】详细解释数据挖掘中的 10 大算法（上）

2016-01-12    【Spark框架】运用Spark加速实时数据分析

2016-01-08    【数据科学】四大职业角色必备的10大技能

2016-01-07    【深度学习】深度学习趋势与框架

查看更多  ››

数据科学自媒体

时间： 2024-10-08 10:34:33

【Python环境】matplotlib - 2D 与 3D 图的绘制的相关文章

Python学习-使用matplotlib画动态多图

近期经常使用matplotlib进行数学函数图的绘制,但是如何使用matplotlib绘制动态图,以及绘制动态多图,直到今天才学会. 1.参考文字 首先感谢几篇文字的作者,帮我学会了如何绘制,大家也可以参考他们的文字. http://blog.csdn.net/rumswell/article/details/11731003:文字作者给出了数个示例的源码,但是没有很详细的讲解,源码面前无秘密,自己看吧. http://mytrix.me/2013/08/matplotlib-animation

TensorFlow的初次使用+Python画3D图和计算KL散度

ython计算KL散度import numpy as np import scipy.stats x = [np.random.randint(1,11) for i in range(10)] print(x) print(np.sum(x)) px = x/np.sum(x)#归一化 print(px) y = [np.random.randint(1, 11) for i in range(10)] print(y) print(np.sum(y)) py = y / np.sum(y)#

Python 使用 matplotlib绘制3D图形

3D图形在数据分析.数据建模.图形和图像处理等领域中都有着广泛的应用,下面将给大家介绍一下如何在Python中使用 matplotlib进行3D图形的绘制,包括3D散点.3D表面.3D轮廓.3D直线(曲线)以及3D文字等的绘制. 准备工作: python中绘制3D图形,依旧使用常用的绘图模块matplotlib,但需要安装mpl_toolkits工具包,安装方法如下:windows命令行进入到python安装目录下的Scripts文件夹下,执行: pip install --upgrade ma

python环境下使用mysql数据及数据结构和二叉树算法（图）

python环境下使用mysql数据及数据结构和二叉树算法(图):1 python环境下使用mysql2使用的是 pymysql库3 开始-->创建connection-->获取cursor-->操作-->关闭cursor->关闭connection->结束45 代码框架6 import pymysql.cursors7 ###连接数据库8 connection = pymysql.connect(host='127.0.0.1',port=3306,user='roo

python的matplotlib饼状图

在python的matplotlib画图函数中,饼状图的函数为pie pie函数参数解读 plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(

（2）在Windows 7 x64端设置Python环境

因Python语言在大数据处理,以及科学计算方向的雄起,另Django等Web框架已经在业界获得共识多年,所以本文拟搭建Python的学习开发环境.由于本人的笔记本及实验室主机系统环境以Windows为主,所以本文意在搭建Windows环境下的Python开发环境. 本文的内容主要分为以下几个部分:1.寻找合适的IDE:2.搭建Django:3.搭建Numpy+matplotlib+Scipy环境 *************************************************

机器学习---python环境搭建

一 安装python2.7 去https://www.python.org/downloads/ 下载,然后点击安装,记得记住你的安装路径,然后去设置环境变量,这些自行百度一下就好了. 由于2.7没有pip ,所以最好装下.这是下载地址 https://pypi.python.org/pypi/pip#downloads.下载好之后点击开始,搜索 CMD .输入 python setup.py install 你在cmd里面输入pip会显示这个,这表示pip也没有设置环境变量,你只要去你pyth

CSS3的2D与3D转换

2D和3D转换涉及到数学中的知识,作为一个数学专业的毕业生,不研究一下岂不是对不起自己的专业? 首先来看几个参数: 1.transform-origin:origin(起源,起点),也即变形的起点,在数学上可以理解为坐标原点. 其语法为:transform-origin:[<percentage> | <length> | left | center | right | top | bottom] | [<percentage> | <length> | l

搭建一个新手学习AI/ML的Python环境

不知不觉消失了好久,公众号也很久没有更新了.因为跑去学习微软AI方向的MPP课程了.MPP是目前微软最先提供关于AI的培训课程,关于MPP的学习体系,我后面会再写一篇简单的介绍. ???? MPP包含了很多的内容,开始学习的时候速度还挺快,到后面越来越艰涩.这也是很久没有精力去更新内容的原因之一.在学习的过程中,逐步接触到了AI或者ML所需要的Python环境.还记得我们之前的介绍吗?通过Python去调用AI的很多API,来快速实现AI的一些功能. ??? 在学习Azure AI的API的eD