科学计算和可视化

一、Numpy与Matplotlib读书笔记

（1）numpy

简介

• numpy 是用于处理含有同种元素的多维数组运算的第三方库。

• numpy 库还包括三角运算函数、傅里叶变换、随机和概率分布、基本数值统计、位运算、矩阵运算等非常丰富的功能，读者在使用时可以到官方网站查询。

• numpy 库处理的最基础数据类型是由同种元素构成的多维数组（ndarray），简称“数组”。

• 数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。ndarray 类型的维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。一维数组的秩为1，二维数组的秩为2，二维数组相当于由两个一维数组构成。

• 由于numpy 库中函数较多且命名容易与常用命名混淆，建议采用如下方式引用numpy 库： >>>import numpy as np

• 其中，as 保留字与import 一起使用能够改变后续代码中库的命名空间，有助于提高代码可读性。简单说，在程序的后续部分中，np 代替numpy。

numpy 库常用的创建数组函数

 

numpy 库的算术运算函数

 

• 这些函数中，输出参数y 可选，如果没有指定，将创建并返回一个新的数组保存计算结果；如果指定参数，则将结果保存到参数中。例如，两个数组相加可以简单地写为a+b，而np.add(a,b,a)则表示a+=b。

numpy 库的比较运算函数

 

• 其将返回一个布尔数组，它包含两个数组中对应元素值的比较结果，例子如下。

• where()函数是三元表达式x if condition else y 的矢量版本。

numpy 库的其他运算函数

 

（2）matplotlib库

简介

 

• matplotlib 是提供数据绘图功能的第三方库，其pyplot 子库主要用于实现各种数据展示图形的绘制。
• matplotlib.pyplot 是matplotlib 的子库，引用方式如下： >>>import matplotlib.pyplot as plt
• 上述语句与import matplotlib.pyplot 一致，as 保留字与import 一起使用能够改变后续代码中库的命名空间，有助于提高代码可读性。简单说，在后续程序中，plt 将代替matplotlib.pyplot。
• matplotlib 库由一系列有组织有隶属关系的对象构成，这对于基础绘图操作来说显得过于复杂。因此，matplotlib 提供了一套快捷命令式的绘图接口函数，即pyplot 子模块。pyplot 将绘图所需要的对象构建过程封装在函数中，对用户提供了更加友好的接口。pyplot 模块提供一批预定义的绘图函数，大多数函数可以从函数名辨别它的功能。

plt 库的绘图区域函数

 

• 使用figure()函数创建一个全局绘图区域，并且使它成为当前的绘图对象，figsize参数可以指定绘图区域的宽度和高度，单位为英寸。鉴于figure()函数参数较多，这里采用指定参数名称的方式输入参数。 >>> plt.figure(figsize=(8,4))
• subplot()都用于在全局绘图区域内创建子绘图区域，其参数表示将全局绘图区域分成nrows 行和ncols 列，并根据先行后列的计数方式在plot_number 位置生成一个坐标系，实例代码如下，三个参数关系如图10.3 所示。其中，全局绘图区域被风割成3x2 的网格，其中，在第4 个位置绘制了一个坐标系。
• axes()默认创建一个subplot(111)坐标系，参数rec = [left,bottom,width,height]中四个变量的范围都为[0,1]，表示坐标系与全局绘图区域的关系；axisbg 指背景色，默认为white。

plt 库的读取和显示函数

 

plt 库的基础图表函数

 

plt 库的基础图表函数

 

二、使用numpy、matplotlib模块绘制成绩雷达图

import numpy as np
import matplotlib.pyplot as plt

#标签
labels = np.array(['第一周','第二周','第三周','第四周','第五周','第六周'])
#数据个数
dataLenth = 6
#数据
data = np.array([80,110,100,100,110,80])

angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False)
data = np.concatenate((data, [data[0]])) # 闭合
angles = np.concatenate((angles, [angles[0]])) # 闭合

fig = plt.figure()
ax = fig.add_subplot(111, polar=True)# polar参数！！
ax.plot(angles, data, 'bo-', linewidth=2)# 画线
ax.fill(angles, data, facecolor='r', alpha=0.55)# 填充
ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
ax.set_title("张颖慧（学号：2019310143010）成绩雷达图", va='bottom', fontproperties="SimHei")
ax.set_rlim(0,110)
ax.grid(True)
plt.show()

 

 

三、使用PIL、numpy模块绘制自定义手绘风 

from PIL import Image
import numpy as np

a = np.asarray(Image.open("3.jpg").convert('L')).astype('float')

depth = 10.     #(0-100)
grad = np.gradient(a)       #取图像灰度的梯度值
grad_x, grad_y = grad       #分别取横纵图像的梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A

vec_el = np.pi/2.2      # 光源的俯视角度，弧度值
vec_az = np.pi/4.       # 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az)  #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az)  #光源对y 轴的影响
dz = np.sin(vec_el)                 #光源对z 轴的影响

b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)    #光源归一化
b = b.clip(0,255)

im = Image.fromarray(b.astype('uint8')) #重构图像
im.save('3.jpg')
print("图像手绘化已完成")

原图                                                                            手绘图

              

 

四、使用matplotlib绘制sinx,cosx图像

from matplotlib import pyplot as plt
import numpy as np
plt.figure(figsize=(4,2))#生成的图片的大小
x = np.linspace(-2 * np.pi,2*np.pi,100)#设置一个序列(-2pi,2pi,之间设置100个点)
y = np.sin(x)#需要绘制的函数
y1 = np.cos(x)

plt.ylim(-1,1)#限制y轴的范围
plt.xlim(-4,4)#x轴的范围

plt.xlabel("X")#x轴的名称(显示在轴的下边)
plt.ylabel("Y")#y轴的名称(显示在轴的左边)
plt.title("sinx cosx ")#图像标题 在图像的上面
plt.plot(x,y,label="sinx")#根据函数坐标绘制折线图
plt.plot(x,y1,label = "cosx")#根据函数坐标绘制折线图
plt.text(1,1,"Text",fontdict={'size':16,'color':'r'})
plt.annotate('sin(np.pi)=',xy =(-np.pi,0),xytext=(-np.pi,2),fontsize=16,
             arrowprops = dict(facecolor='black',shrink=0.01))#设置注释 
plt.show()