python绘图之matplotlib
Matplotlib 是一个 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形 。
通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。但是还有pylab也很好用。
网上大部分的博客文章对这二者的解释基本千篇一律，也就是:
对Pyplot的解说：“方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。”
对pylab的解说：“matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。”
我们在这里首先来介绍一下plt的使用：
一：线条风格
linestyle或ls 描述
‘-‘ 实线
‘:’ 虚线
‘–’ 破折线
‘-.’ 点划线
二：线条标记
标记maker 描述 ‘o’ 圆圈 ‘.’ 点 ‘D’ 菱形 ‘s’ 正方形 ‘h’ 六边形1 ‘*’ 星号 ‘H’ 六边形2 ‘d’ 小菱形 ‘_’ 水平线 ‘v’ 一角朝下的三角形 ‘8’ 八边形 ‘<’ 一角朝左的三角形 ‘p’ 五边形 ‘>’ 一角朝右的三角形 ‘,’ 像素 ‘^’ 一角朝上的三角形 ‘+’ 加号 ‘\ ‘ 竖线 ‘None’,’’,’ ‘ 无 ‘x’ X
三：每次使用都需要引入的库
import numpy as np import pandas as pd import matplotlib.pyplot as plt from matplotlib.ticker import MultipleLocator
只需要引入这些即可，plt和np的用法。
四：plot时可以设置的属性
属性 值类型 alpha 浮点值 animated [True / False] antialiased or aa [True / False] clip_box matplotlib.transform.Bbox 实例 clip_on [True / False] clip_path Path 实例， Transform，以及Patch实例 color or c 任何 matplotlib 颜色 contains 命中测试函数 dash_capstyle ['butt' / 'round' / 'projecting'] dash_joinstyle ['miter' / 'round' / 'bevel'] dashes 以点为单位的连接/断开墨水序列 data (np.array xdata, np.array ydata) figure matplotlib.figure.Figure 实例 label 任何字符串 linestyle or ls [ '-' / '--' / '-.' / ':' / 'steps' / ...] linewidth or lw 以点为单位的浮点值 lod [True / False] marker [ '+' / ',' / '.' / '1' / '2' / '3' / '4' ] markeredgecolor or mec 任何 matplotlib 颜色 markeredgewidth or mew 以点为单位的浮点值 markerfacecolor or mfc 任何 matplotlib 颜色 markersize or ms 浮点值 markevery [ None / 整数值 / (startind, stride) ] picker 用于交互式线条选择 pickradius 线条的拾取选择半径 solid_capstyle ['butt' / 'round' / 'projecting'] solid_joinstyle ['miter' / 'round' / 'bevel'] transform matplotlib.transforms.Transform 实例 visible [True / False] xdata np.array ydata np.array zorder 任何数值
五：点线图大全
1 #使用numpy产生数据 2 x=np.arange(-5,5,0.1) 3 y=x*3 4 5 #创建窗口、子图 6 #方法1：先创建窗口，再创建子图。（一定绘制） 7 fig = plt.figure(num=1, figsize=(15, 8),dpi=80) #开启一个窗口，同时设置大小，分辨率 8 ax1 = fig.add_subplot(2,1,1) #通过fig添加子图，参数：行数，列数，第几个。 9 ax2 = fig.add_subplot(2,1,2) #通过fig添加子图，参数：行数，列数，第几个。 10 print(fig,ax1,ax2) 11 #方法2：一次性创建窗口和多个子图。（空白不绘制） 12 fig,axarr = plt.subplots(4,1) #开一个新窗口，并添加4个子图，返回子图数组 13 ax1 = axarr[0] #通过子图数组获取一个子图 14 print(fig,ax1) 15 #方法3：一次性创建窗口和一个子图。（空白不绘制） 16 ax1 = plt.subplot(1,1,1,facecolor='white') #开一个新窗口，创建1个子图。facecolor设置背景颜色 17 print(ax1) 18 #获取对窗口的引用，适用于上面三种方法 19 # fig = plt.gcf() #获得当前figure 20 # fig=ax1.figure #获得指定子图所属窗口 21 22 # fig.subplots_adjust(left=0) #设置窗口左内边距为0，即左边留白为0。 23 24 #设置子图的基本元素 25 ax1.set_title('python-drawing') #设置图体，plt.title 26 ax1.set_xlabel('x-name') #设置x轴名称,plt.xlabel 27 ax1.set_ylabel('y-name') #设置y轴名称,plt.ylabel 28 plt.axis([-6,6,-10,10]) #设置横纵坐标轴范围，这个在子图中被分解为下面两个函数 29 ax1.set_xlim(-5,5) #设置横轴范围，会覆盖上面的横坐标,plt.xlim 30 ax1.set_ylim(-10,10) #设置纵轴范围，会覆盖上面的纵坐标,plt.ylim 31 32 xmajorLocator = MultipleLocator(2) #定义横向主刻度标签的刻度差为2的倍数。就是隔几个刻度才显示一个标签文本 33 ymajorLocator = MultipleLocator(3) #定义纵向主刻度标签的刻度差为3的倍数。就是隔几个刻度才显示一个标签文本 34 35 ax1.xaxis.set_major_locator(xmajorLocator) #x轴 应用定义的横向主刻度格式。如果不应用将采用默认刻度格式 36 ax1.yaxis.set_major_locator(ymajorLocator) #y轴 应用定义的纵向主刻度格式。如果不应用将采用默认刻度格式 37 38 ax1.xaxis.grid(True, which='major') #x坐标轴的网格使用定义的主刻度格式 39 ax1.yaxis.grid(True, which='major') #x坐标轴的网格使用定义的主刻度格式 40 41 ax1.set_xticks([]) #去除坐标轴刻度 42 ax1.set_xticks((-5,-3,-1,1,3,5)) #设置坐标轴刻度 43 ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small') #设置刻度的显示文本，rotation旋转角度，fontsize字体大小 44 45 plot1=ax1.plot(x,y,marker='o',color='g',label='legend1') #点图：marker图标 46 plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2') #线图：linestyle线性，alpha透明度，color颜色，label图例文本 47 48 ax1.legend(loc='upper left') #显示图例,plt.legend() 49 ax1.text(2.8, 7, r'y=3*x') #指定位置显示文字,plt.text() 50 ax1.annotate('important point', xy=(2, 6), xytext=(3, 1.5), #添加标注，参数：注释文本、指向点、文字位置、箭头属性 51 arrowprops=dict(facecolor='black', shrink=0.05), 52 ) 53 #显示网格。which参数的值为major(只绘制大刻度)、minor(只绘制小刻度)、both，默认值为major。axis为'x','y','both' 54 ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=2) 55 56 57 axes1 = plt.axes([.2, .3, .1, .1], facecolor='y') #在当前窗口添加一个子图，rect=[左, 下, 宽, 高]，是使用的绝对布局，不和以存在窗口挤占空间 58 axes1.plot(x,y) #在子图上画图 59 plt.savefig('aa.jpg',dpi=400,bbox_inches='tight') #savefig保存图片，dpi分辨率，bbox_inches子图周边白色空间的大小 60 plt.show() #打开窗口，对于方法1创建在窗口一定绘制，对于方法2方法3创建的窗口，若坐标系全部空白，则不绘制
六：柱状图
import numpy as np import pandas as pd import matplotlib.pyplot as plt from matplotlib.ticker import MultipleLocator plt.figure(3) x_index = np.arange(5) #柱的索引 x_data = ('A', 'B', 'C', 'D', 'E') y1_data = (20, 35, 30, 35, 27) y2_data = (25, 32, 34, 20, 25) bar_width = 0.35 #定义一个数字代表每个独立柱的宽度 rects1 = plt.bar(x_index, y1_data, width=bar_width,alpha=0.4, color='b',label='legend1') #参数：左偏移、高度、柱宽、透明度、颜色、图例 rects2 = plt.bar(x_index + bar_width, y2_data, width=bar_width,alpha=0.5,color='r',label='legend2') #参数：左偏移、高度、柱宽、透明度、颜色、图例 #关于左偏移，不用关心每根柱的中心不中心，因为只要把刻度线设置在柱的中间就可以了 plt.xticks(x_index + bar_width/2, x_data) #x轴刻度线 plt.legend() #显示图例 plt.tight_layout() #自动控制图像外部边缘，此方法不能够很好的控制图像间的间隔 plt.show()
七：直方图
import numpy as np import pandas as pd import matplotlib.pyplot as plt from matplotlib.ticker import MultipleLocator fig,(ax0,ax1) = plt.subplots(nrows=2,figsize=(9,6)) #在窗口上添加2个子图 sigma = 1 #标准差 mean = 0 #均值 x=mean+sigma*np.random.randn(10000) #正态分布随机数 ax0.hist(x,bins=40,normed=False,histtype='bar',facecolor='yellowgreen',alpha=0.75) #normed是否归一化，histtype直方图类型，facecolor颜色，alpha透明度 ax1.hist(x,bins=20,normed=1,histtype='bar',facecolor='pink',alpha=0.75,cumulative=True,rwidth=0.8) #bins柱子的个数,cumulative是否计算累加分布，rwidth柱子宽度 plt.show() #所有窗口运行
八：散点图
1 import numpy as np 2 import pandas as pd 3 import matplotlib.pyplot as plt 4 from matplotlib.ticker import MultipleLocator 5 fig = plt.figure(4) #添加一个窗口 6 ax =fig.add_subplot(1,1,1) #在窗口上添加一个子图 7 x=np.random.random(100) #产生随机数组 8 y=np.random.random(100) #产生随机数组 9 ax.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none') #x横坐标，y纵坐标，s图像大小，c颜色，marker图片，lw图像边框宽度 10 plt.show() #所有窗口运行
九：3D图
这个库引入的最全，以后就用这个啦！
1 import numpy as np 2 import pandas as pd 3 import matplotlib.pyplot as plt 4 from matplotlib.ticker import MultipleLocator 5 from mpl_toolkits.mplot3d import Axes3D 6 from pylab import * 7 fig = plt.figure(5) 8 ax=fig.add_subplot(1,1,1,projection='3d') #绘制三维图 9 x,y=np.mgrid[-2:2:20j,-2:2:20j] #获取x轴数据，y轴数据 10 z=x*np.exp(-x**2-y**2) #获取z轴数据 11 ax.plot_surface(x,y,z,rstride=2,cstride=1,cmap=plt.cm.coolwarm,alpha=0.8) #绘制三维图表面 12 ax.set_xlabel('x-name') #x轴名称 13 ax.set_ylabel('y-name') #y轴名称 14 ax.set_zlabel('z-name') #z轴名称 15 plt.show()
