matplotlib库介绍

matplotlib库

在介绍此篇文章之前，可结合该总结来看（学习例子当中的第一篇文章）：点击这里

————参考文章：

1.matplotlib（扩展）绘图的核心原理讲解：https://baijiahao.baidu.com/s?id=1659039367066798557&wfr=spider&for=pc

2.Matplotlib.pyplot （所使用到的）常用方法：https://www.cnblogs.com/shaosks/p/9849446.html

3.详细具体些地讲解（只讲所运用到的）：

　①.figure语法及操作

　(1)figure语法说明

　figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)

　num:图像编号或名称，数字为编号 ，字符串为名称
　figsize:指定figure的宽和高，单位为英寸；
　dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80 1英寸等于2.5cm,A4纸是 21*30cm的纸张
　facecolor:背景颜色
　edgecolor:边框颜色
　frameon:是否显示边框
　(2)例子:

　import matplotlib.pyplot as plt
　#创建自定义图像
　fig=plt.figure(figsize=(4,3),facecolor='blue')
　plt.show()

输出4*3的蓝色图像

 

②imshow 介绍————编写时参考文章：点此进入，

热图（heatmap）是数据分析的常用方法，通过色差、亮度来展示数据的差异、易于理解。Python在Matplotlib库中，调用imshow()函数实现热图绘制

imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, url=None, hold=None, data=None, **kwargs)

 

其中，X变量存储图像，可以是浮点型数组、unit8数组以及PIL图像，如果其为数组，则需满足一下形状：
    (1) M*N      此时数组必须为浮点型，其中值为该坐标的灰度；
    (2) M*N*3  RGB（浮点型或者unit8类型）
    (3) M*N*4  RGBA（浮点型或者unit8类型）

# coding=utf-8

from matplotlib import pyplot as plt
X = [[1,2],[3,4],[5,6]]
plt.imshow(X)
plt.show()  

运行结果：

Colorbar：增加颜色类标的代码是plt.colorbar()，代码如下：

#coding=utf-8  

from matplotlib import pyplot as plt  
X = [[1,2],[3,4],[5,6]]  
plt.imshow(X)  
plt.colorbar()
plt.show()    

运行结果：

 

Colormap：参数cmap用于设置热图的Colormap。（参考百度百科）
Colormap是MATLAB里面用来设定和获取当前色图的函数，可以设置如下色图：
    hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。
    cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。
    gray 返回线性灰度色图。
    bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。
    white 全白的单色色图。 
    spring 包含品红和黄的阴影颜色。
    summer 包含绿和黄的阴影颜色。
    autumn 从红色平滑变化到橙色，然后到黄色。 
    winter 包含蓝和绿的阴影色。

下面这段代码是显示原图、灰度（gray）、和春夏秋冬的示例。

#coding=utf-8  
from matplotlib import pyplot as plt  
X = [[1,2],[3,4]]   
fig = plt.figure()
ax = fig.add_subplot(231)
ax.imshow(X)
ax = fig.add_subplot(232)
ax.imshow(X, cmap=plt.cm.gray) #灰度
ax = fig.add_subplot(233)
im = ax.imshow(X, cmap=plt.cm.spring) #春
plt.colorbar(im)                
ax = fig.add_subplot(234)
im = ax.imshow(X, cmap=plt.cm.summer)
plt.colorbar(im, cax=None, ax=None, shrink=0.5) #长度为半
ax = fig.add_subplot(235)
im = ax.imshow(X, cmap=plt.cm.autumn)
plt.colorbar(im, shrink=0.5, ticks=[-1,0,1])
ax = fig.add_subplot(236)
im = ax.imshow(X, cmap=plt.cm.winter)
plt.colorbar(im, shrink=0.5)
plt.show()

运行结果：

通常图片都是由RGB组成，一块一块的，详见我的数字图像处理系列博客，这里想把某块显示成一种颜色，则需要调用interpolation='nearest'参数即可，代码如下：

#coding=utf-8  
from matplotlib import pyplot as plt  
X = [[0, 0.25], [0.5, 0.75]]   
fig = plt.figure()
ax = fig.add_subplot(121)
im = ax.imshow(X, cmap=plt.get_cmap('hot'))
plt.colorbar(im, shrink=0.5)
ax = fig.add_subplot(122)
im = ax.imshow(X, cmap=plt.get_cmap('hot'), interpolation='nearest',
               vmin=0, vmax=1) 
plt.colorbar(im, shrink=0.2)
plt.show()

运行结果：

 

 详细看文章：点击这里

默认情况下，imshow将数据标准化为最小和最大值。 您可以使用vmin和vmax参数或norm参数来控制（如果您想要非线性缩放）。
百度经验提供一段代码，也不错，推荐大家学习。
注意：相当于在A~J和a~j的图像矩阵中，产生10*10的随机数，对矩阵进行颜色填充；只是在填充过程中，选择随机数的最大值和最小值进行标准化处理。

# coding=utf-8
import numpy as np
from matplotlib import pyplot as plt
from matplotlib import cm 
from matplotlib import axes 
def draw_heatmap(data,xlabels,ylabels):
    #cmap=cm.Blues    
    cmap=cm.get_cmap('rainbow',1000)
    figure=plt.figure(facecolor='w')
    ax=figure.add_subplot(1,1,1,position=[0.1,0.15,0.8,0.8])
    ax.set_yticks(range(len(ylabels)))
    ax.set_yticklabels(ylabels)
    ax.set_xticks(range(len(xlabels)))
    ax.set_xticklabels(xlabels)
    vmax=data[0][0]
    vmin=data[0][0]
    for i in data:
        for j in i:
            if j>vmax:
                vmax=j
            if j<vmin:
                vmin=j    map=ax.imshow(data,interpolation='nearest',cmap=cmap,aspect='auto',vmin=vmin,vmax=vmax)
cb=plt.colorbar(mappable=map,cax=None,ax=None,shrink=0.5)
    plt.show()
a=np.random.rand(10,10)
print a
xlabels=['A','B','C','D','E','F','G','H','I','J']
ylabels=['a','b','c','d','e','f','g','h','i','j']
draw_heatmap(a,xlabels,ylabels)  

 下面介绍plt.subplot()，参考文章：点击这里

plt.subplot(nrows, ncols, index, **kwargs)

可以使用三个整数，或者三个独立的整数来描述子图的位置信息。如果三个整数是行数、列数和索引值，子图将分布在行列的索引位置上。索引从1开始，从右上角增加到右下角。

位置是由三个整型数值构成，第一个代表行数，第二个代表列数，第三个代表索引位置。例如：plt.subplot(2, 3, 5) 和 plt.subplot(235) 是一样一样的。需要注意的是所有的数字不能超过10。

例如以下代码：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1, 2, 2)
y1 = np.sin(x)

y2 = np.cos(x)

ax1 = plt.subplot(2, 2, 1, frameon = False) # 两行一列，位置是1的子图
plt.plot(x, y1, 'b--')
plt.ylabel('y1')
ax2 = plt.subplot(2, 2, 2, projection = 'polar')
plt.plot(x, y2, 'r--')
plt.ylabel('y2')
plt.xlabel('x')
plt.subplot(2, 2, 3, sharex = ax1, facecolor = 'red')
plt.plot(x, y2, 'r--')
plt.ylabel('y2')

plt.show()

 

 可见，函数依次画出三个图。总结：使用subplot优点是简单明了，缺点是有点麻烦