科学计算库学习笔记

什么是 NumPy?

NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical和Python。NumPy提供了大量的库函数和操作，可以帮助程序员轻松地进行数值计算。这类数值计算广泛用于以下任务：

  • 机器学习模型：在编写机器学习算法时，需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。

  • 图像处理和计算机图形学：计算机中的图像表示为多维数字数组。NumPy成为同样情况下最自然的选择。实际上，NumPy提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。

  • 数学任务：NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于Python的MATLAB的快速替代。

 

更加详细介绍参见中文官方文档 https://www.numpy.org.cn/index.html，或者英文官方文档 https://www.numpy.org/

Numpy

定义：NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。它主要用于数组计算，包括：

  • 一个强大的N维数组对象 ndarray
  • 广播功能函数
  • 整合 C/C++/Fortran 代码的工具
  • 线性代数、傅里叶变换、随机数生成等功能

1、ndarray : ndarray是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。创建一个 ndarray 只需调用 NumPy 的 array 函数即可。

2、参数说明：

名称 描述
object 数组或嵌套的数列
dtype 数组元素的数据类型，可选
copy 对象是否需要复制，可选
order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok 默认返回一个与基类型一致的数组
ndmin 指定生成数组的最小维度

实例：

3、数据类型

名称 描述
bool_ 布尔型数据类型（True 或者 False）
int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc 与 C 的 int 类型一样，一般是 int32 或 int 64
int32 整数（-2147483648 to 2147483647）
uint8 无符号整数（0 to 255）
float_ float64 类型的简写
complex_ complex128 类型的简写，即 128 位复数

numpy.dtype(object, align, copy) :  object - 要转换为的数据类型对象; align - 如果为 true，填充字段使其类似 C 的结构体; copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用。

实例：

4、数组属性

（1）numpy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。

属性 说明
ndarray.ndim 秩，即轴的数量或维度的数量
ndarray.shape 数组的维度，对于矩阵，n 行 m 列
ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype ndarray 对象的元素类型
ndarray.real（imag） ndarray元素的实(虚)部
ndarray.itemsize ndarray 对象中每个元素的大小，以字节为单位

实例：

5、创建数组

  • numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组       numpy.empty(shape, dtype = float, order = 'C')

  • numpy.zeros  创建指定大小的数组，数组元素以 0 来填充      numpy.zeros(shape, dtype = float, order = 'C')

  • numpy.ones  创建指定形状的数组，数组元素以 1 来填充       numpy.ones(shape, dtype = None, order = 'C')

  • numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个

  • numpy.arange  函数创建数值范围并返回 ndarray 对象  numpy.arange(start, stop, step, dtype)    (start:起始值，默认为0 ;stop:终止值（不包含） step:步长，默认为1; dtype:返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。)

 7、切片和索引： slice 函数

 

8、广播：对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。

什么是 matplotlib ？

Matplotlib是一个Python 2D绘图库，可以生成各种硬拷贝格式和跨平台交互式环境的出版物质量数据。Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。

Matplotlib试图让简单易事的事情成为可能。你只需几行代码即可生成绘图，直方图，功率谱，条形图，误差图，散点图等。有关示例，请参阅示例图库和缩略图库。

对于简单的绘图，pyplot模块提供类似MATLAB的接口，特别是与IPython结合使用时。 对于高级用户，你可以通过面向对象的界面或通过MATLAB用户熟悉的一组函数完全控制线型，字体属性，轴属性等。

更加详细内容参见中文官方文档 https://www.matplotlib.org.cn/index.html，或英文官方文档 https://matplotlib.org/

1. Matplotlib库的功能
  • 用于实现数据可视化功能。
  • 可以实现各种图表的绘制、如条形图，散点图，条形图，饼图，堆叠图，3D 图和地图图表。
  • Matplotlib库需要单独安装，指令为:pip install matplotlib。
2. 实现简单的视图
2.1 matplotlib.pyplot
  • matplotlib.pyplot是一个函数集合，其风格与MATLAB相似。
  • 基于惯例，我们通常将matplotlib.pyplot导入为plt
2.2 plt.plot(x,y,format_string, **kwargs)
  • 根据坐标绘制图标。
  • x,y分表代表x轴、y轴，可以是列表或数组(ndarray)。
  • format_string 为控制曲线的格式字符串，由 颜色字符、风格字符和标记字符组成：
字符串案例
颜色字符 'b' : 蓝色
'#008000' : RGB颜色
0.8 : 灰度值字符串
风格字符 '-' : 实线
'--' : 破折线
'-.' : 点划线
':' : 虚线
'' : 无线条
标记字符 '.' : 点标记
'o' : 实心圈
'v' : 倒三角
'^' : 上三角
  • **kwargs 表示更多条线的参数。
2.3 plt.show()
  • 根据配置和值绘制出视图。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.plot(x,y,":")
>>>plt.show()
 
 
2.4 plt.subplots()
  • 返回Figure对象和Axes(数组)对象。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>plt.plot(x,y,":")

>>>fig,ax = plt.subplots()
>>>print("Figure:",fig)
>>>print("Axes:",ax)
Figure: Figure(432x288)
Axes: AxesSubplot(0.125,0.125;0.775x0.755)
3. 环境配置
3.1 图标
  • 在plt.plot()函数中增加参数label。
  • 使用plt.legend()生成图例。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.plot(x,y,":",label="label sample")
>>>plt.legend() # 生成图例
>>>plt.show()
 
 
3.2 标题
  • 使用plt.title()添加标题。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.plot(x,y,":",label="label sample")
>>>plt.title('sample title')
>>>plt.legend()
>>>plt.show()
 
 
3.3 标签
  • 使用plt.xlabel()和plt.ylabel()为x轴、y轴添加标签。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.plot(x,y,":",label="label sample")
>>>plt.title('sample title')
>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>plt.legend()
>>>plt.show()
 
 
3.4 网格线
  • 通过plt.grid()增加网格线,参数：
参数意义值
b 是否显示网格线 True / False
which 模式 'major' / 'minor' / 'both'
axis 绘制哪个方向的网格线 'both' / 'x' / 'y'
color/c 颜色 各种颜色的首字母
linestyle/ls 网格线风格 '-' / '--' / '-. / ':' / 'None' / ' '
linewidth 网格线宽度 数字 
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.plot(x,y,":",label="label sample")
>>>plt.title('sample title')
>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>plt.grid(b=True,which='major',linewidth=0.5)
>>>plt.legend()
>>>plt.show()
 
 
3.5 中文显示
  • matplotlib需要通过配置plt.rcParams参数正常显示中文。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.plot(x,y,":",label="label样式")

>>>plt.rcParams['font.sans-serif']=['SimHei']  # 配置字体
>>>plt.rcParams['axes.unicode_minus']=False  # 正常显示符号

>>>plt.title('中文标题')
>>>plt.xlabel('x轴')
>>>plt.ylabel('y轴')
>>>plt.grid(b=True,which='major',linewidth=0.5)
>>>plt.legend()
>>>plt.show()
 
 
4. 图标类型
4.1 条形图
  • 用plt.bar()函数绘制条形图。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.bar(x,y,label= 'sample1')
>>>plt.bar(y,x,label= 'sample2',color='g')

>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>plt.legend()
>>>plt.show()
 
 
4.2 直方图
  • 用plt.hist()函数绘制条形图。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>data = np.random.random_integers(100,size=(100))
>>>bins=np.array(range(0,100,10))
>>>plt.hist(data,bins,histtype='bar',rwidth=0.8)

>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>plt.legend()
>>>plt.show()
 
 
4.3 散点图
  • 用plt.scatter()函数绘制散点图。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>plt.scatter(x,y,label='sample',color='b',s=20,marker="o")
>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>plt.legend()
>>>plt.show()
 
 
4.4 堆叠图
  • 用plt.stackplot()函数绘制堆叠图。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>data1 = np.array([1,3,5,7,9])
>>>data2 = np.array([2,4,6,8,10])
>>>data3 = np.array([1,2,3,4,5])
>>>data4 = np.array([6,7,8,9,10])

>>>plt.stackplot(data1,data2,data3,data4,colors=['b','r','m','k'])
>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>plt.legend()
>>>plt.show()
 
 
4.5 饼图
  • 用plt.pie()函数绘制堆叠图。
  • explode表示哪些切片需要拉出。
  • autopct表示显示百分比的方式。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>data = np.random.random_integers(100,size=(5))
>>>title=["A","B","C","D","E"]
>>>colours = ['b','r','m','k','c']
>>>plt.pie(data,labels=title,colors=colours,startangle=90,shadow=True,autopct='%1.1f%%',explode=(0.1,0,0,0,0))

>>>plt.legend()
>>>plt.show()
 
 
5. 时间戳的使用
  • 使用matplotlib.dates模块将时间戳转换为matplotlib格式。
>>>from datetime import datetime,date,timedelta
>>>import time
>>>import matplotlib.dates as mdates
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>data = np.arange(0,7)
>>>ts_start = datetime(2018,3,30,0,0,0)
>>>ts_now = datetime(2019,3,30,0,0,0)
>>>formatter = mdates.DateFormatter("%Y-%m-%d")
>>>delta = timedelta(5*10^10)
>>>dates = mdates.drange(ts_start,ts_now,delta)

>>>fig,ax = plt.subplots()
>>>plt.plot_date(dates,data)
>>>ax.xaxis.set_major_formatter(formatter)
>>>ax.xaxis.set_tick_params(rotation=30,labelsize=10)

>>>plt.show()
 
 
6. 颜色和样式
6.1 改变标签颜色
  • 使用axis.label.set_color(color)
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>fig,ax = plt.subplots()

>>>plt.plot(x,y,":",label="label sample")
>>>plt.xlabel('xsample')
>>>plt.ylabel('ysample')
>>>ax.xaxis.label.set_color('b') # 改变x轴label颜色
>>>ax.yaxis.label.set_color('c') # 改变y轴label颜色
>>>plt.title('sample title')
>>>plt.legend()
>>>plt.show()
 
 
6.2 填充颜色
  • 使用axis.fill_between(x,y1,y2,where=None,interpolate=False, step=None, *, data=None, **kwargs)填充颜色
参数含义
x 表示覆盖的区域
y1 表示覆盖的下限
y2 表示覆盖的上限
where 制定覆盖区域，默认为None
interpolate 是否有重叠区域
step 步长 
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>plt.plot(x,y,":")

>>>fig,ax = plt.subplots()
>>>ax.fill_between(x,0,y,facecolor='b',alpha=0.5)
>>>plt.show()
 
 
6.3 自定义边框
  • 可以使用axis.spines[position]获得边框,position可以是left,right,top,bottom。
  • 通过axis.spines.set_color(color)改变边框颜色。
  • 通过axis.spines.set_visible(bool)设置是否隐藏边框。
  • 通过axis.spines.set_linewidth(n)设置边框宽度。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>fig,ax = plt.subplots()
>>>ax.spines['top'].set_color('b') # 改变顶部边框的颜色
>>>ax.spines['bottom'].set_visible(False) # 隐藏底部边框
>>>ax.spines['left'].set_linewidth(10) # 改变左侧边框宽度
 
 
6.4 自定义刻度
  • 可以使用axis.tick_params(axis, colors)自定义刻度颜色。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>fig,ax = plt.subplots()
>>>ax.tick_params(axis='x', colors='b')
>>>ax.tick_params(axis='y',colors='r')
 
 
6.5 添加水平线和垂直线
  • 通过plt.axhline(y, color, linestyle, linewidth)添加水平线。
  • 通过plt.axvline(y, color, linestyle, linewidth)添加垂直线。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

[图片上传中...(下载.png-df23ca-1585644395419-0)]
>>>fig,ax = plt.subplots()
>>>ax.axhline(5, c='b',ls='--', lw=1,)
>>>ax.axvline(5, c='r',ls='-', lw=1,)
 
 
6.6 风格美化
  • 使用plt.style.use(style)使用指定的风格。
  • 使用plt.style.available查看所有可以使用的风格。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>plt.style.use('dark_background')
>>>plt.plot(x,y,label="label sample")
>>>plt.show()
 
 
7.文本注解
7.1 简单的文本注解
  • 使用text(x, y, s, fontdict=None, **kwargs)添加注解。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>plt.style.use('ggplot')
>>>plt.text(5,7,'text sample',color='b')
>>>plt.plot(x,y,label="label sample")
>>>plt.show()
 
 
7.2 带箭头的文本注解
  • 使用annotate(s, xy, *args, **kwargs)添加带箭头的文本注解。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>plt.style.use('ggplot')
>>>plt.annotate('text sample',(5,7),
>>>             xytext=(0.6, 0.7), textcoords='axes fraction',
>>>             arrowprops = dict(facecolor='red',color='red'),
>>>             color='b')
>>>plt.plot(x,y,label="label sample")
>>>plt.show()
 
 
7.3 使用框+文本的注解
  • 可以通过bbox参数对注解添加边框。
  • bbox接受一个dict，包含以下参数：
参数含义
boxstyle 边框的类型
fc 背景颜色
ec 边框线的透明度
alpha 字体的透明度
lw 线的粗细
rotation 角度
  • boxstyle参数包含的类型：
类名称基础属性
Circle circle pad=0.3
DArrow darrow pad=0.3
LArrow larrow pad=0.3
RArrow rarrow pad=0.3
Round round pad=0.3,rounding_size=None
Round4 round4 pad=0.3,rounding_size=None
Roundtooth roundtooth pad=0.3,tooth_size=None
Sawtooth sawtooth pad=0.3,tooth_size=None
Square square pad=0.3 
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>bbox = dict(boxstyle="larrow",fc='w',ec="r",lw=1)
>>>t = plt.text(7,6,"sample",ha="center",va="center",size=10,bbox=bbox)
>>>plt.plot(x,y,label="label sample")
>>>plt.show()
 
 
8. 多图表
8.1 子图
  • 使用plt.subplot(m,n,p)添加子图,实现在一张图表里放多个图表。
  • m和n分表代表行和列。
  • p代表图标的编号。
  • 子图的顺序是从左到右，从上到下。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>#子图1
>>>plt.subplot(2,2,1)
>>>plt.plot(x,y,label="sample1",c='b')
>>>plt.legend()

>>>#子图2
>>>plt.subplot(2,2,2)
>>>plt.plot(x,y,label="sample2",c='r')
>>>plt.legend()

>>>#子图3
>>>plt.subplot(2,2,3)
>>>plt.plot(x,y,label="sample3",c='m')
>>>plt.legend()

>>>#子图4
>>>plt.subplot(2,2,4)
>>>plt.plot(x,y,label="sample4",c='y')
>>>plt.legend()

>>>plt.show()
 
 
8.2 跨越网格的子图
  • 使用plt.subplot2grid(shape, loc, rowspan=1, colspan=1, fig=None, **kwargs)可以实现在一张图表里放多个跨越网格的图表。
  • shape表示大图表的形状。
  • loc表示子图的位置。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>#子图1
>>>plt.subplot2grid((4,4),(0,0),colspan=2)
>>>plt.plot(x,y,label="sample1",c='b')
>>>plt.legend()

>>>#子图2
>>>plt.subplot2grid((4,4),(0,3),rowspan=2)
>>>plt.plot(x,y,label="sample2",c='r')
>>>plt.legend()

>>>#子图3
>>>plt.subplot2grid((4,4),(2,1),rowspan=2,colspan=2)
>>>plt.plot(x,y,label="sample3",c='m')
>>>plt.legend()

>>>plt.show()
 
 
8.3 共享X轴
  • 通过设置属性sharex参数实现共享x轴。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>x1 = np.array(range(1,20))
>>>y1 = np.array(range(20,1,-1))

>>>x2 = np.array(range(1,30))
>>>y2 = np.array(range(30,1,-1))

>>>plt.subplots_adjust(wspace =0, hspace =0)#调整子图间距

>>>#子图1
>>>ax=plt.subplot2grid((3,1),(0,0))
>>>ax.get_xaxis().set_visible(False) # 隐藏x轴
>>>ax.spines['bottom'].set_visible(False) # 隐藏下边框
>>>plt.plot(x,y,label="sample1",c='b')
>>>plt.legend()

>>>#子图2
>>>ax1=plt.subplot2grid((3,1),(1,0),sharex=ax)
>>>ax1.get_xaxis().set_visible(False)# 隐藏x轴
>>>ax1.spines['bottom'].set_visible(False) # 隐藏下边框
>>>ax1.spines['top'].set_visible(False) # 隐藏上边框
>>>plt.plot(x1,y1,label="sample2",c='r')
>>>plt.legend()

>>>#子图3
>>>ax2=plt.subplot2grid((3,1),(2,0),sharex=ax)
>>>ax2.spines['top'].set_visible(False) # 隐藏上边框
>>>plt.plot(x2,y2,label="sample3",c='m')
>>>plt.legend()

>>>plt.show()
 
 
8.4 共享y轴
  • 通过设置属性sharey参数实现共享x轴。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>x1 = np.array(range(1,20))
>>>y1 = np.array(range(20,1,-1))

>>>x2 = np.array(range(1,30))
>>>y2 = np.array(range(30,1,-1))

>>>plt.subplots_adjust(wspace =0, hspace =0)#调整子图间距

>>>#子图1
>>>ax=plt.subplot2grid((1,3),(0,0))
>>>plt.plot(x,y,label="sample1",c='b')
>>>plt.legend()

>>>#子图2
>>>ax1=plt.subplot2grid((1,3),(0,1),sharey=ax)
>>>ax1.get_yaxis().set_visible(False)# 隐藏x轴
>>>ax1.spines['left'].set_visible(False) # 隐藏左边框
>>>plt.plot(x1,y1,label="sample2",c='r')
>>>plt.legend()

>>>#子图3
>>>ax2=plt.subplot2grid((1,3),(0,2),sharey=ax)
>>>ax2.get_yaxis().set_visible(False) # 隐藏x轴
>>>ax2.spines['left'].set_visible(False) # 隐藏左边框
>>>plt.plot(x2,y2,label="sample3",c='m')
>>>plt.legend()
>>>plt.show()
 
 
9. 自定义图标
9.1 自定义图标基础属性
  • 可以通过修改plt.legend()函数的参数自定义图标,以下列出部分常用属性：
参数含义值
loc 自定义位置 string/int
nco 自定义列数 int
fontsize 自定义字体大小 string/int
frameon 边框 bool
facecolor 背景颜色 string
edgecolor 边框颜色 string
title 标题 string
prop 属性 dict 
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>for i in range(1,4):
>>>    plt.plot(x+i,y+i,label="label sample{}".format(i))

>>>leg = plt.legend(loc='upper center',ncol=2,title='sample',facecolor='b',prop={'size':12})
>>>leg.get_frame().set_alpha(0.4) # 改变透明度
>>>plt.show()
 
 
9.1 更精准的定位
  • 可以通过plt.legend()的bbox_to_anchor=(x, y, width, height)参数实现精准定位。
  • `bbox_to_anchor'可以将图标定位到图例外。
  • `bbox_to_anchor'参数接受一个元祖，分别代表图标的坐标、宽和高。
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))

>>>for i in range(1,4):
>>>    plt.plot(x+i,y+i,label="label sample{}".format(i))

>>>leg = plt.legend(title='sample',bbox_to_anchor=(1.5,1))
>>>plt.show()
 
 
10. 3D 绘图
  • mpl_toolkits包是matplotlib提供的三维绘制包，可以使用basemap中的Axes3D模块实现3D绘图。
10.1 实现简单的3D绘图
  • 基本用法与2D类似，但是需要通过Axes3D()函数将figure转为3D对象。
  • 使用plot_wireframe()函数绘制线框图。
>>>from mpl_toolkits.mplot3d import Axes3D
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>z = np.array([np.sin(x)])

>>>fig = plt.figure()
>>>ax = Axes3D(fig)

>>>ax.plot_wireframe(x,y,z)
>>>ax.set_xlabel('sample x')
>>>ax.set_ylabel('sample y')
>>>ax.set_zlabel('sample z')

>>>plt.show()
 
 
10.2 3D散点图
  • 与2D一样，使用plt.scatter绘制散点图，只是多了一个维度。
>>>from mpl_toolkits.mplot3d import Axes3D
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>z = np.array([np.sin(x)])

>>>fig = plt.figure()
>>>ax = Axes3D(fig)

>>>ax.scatter(x,y,z,c='b',marker='o')
>>>ax.set_xlabel('sample x')
>>>ax.set_ylabel('sample y')
>>>ax.set_zlabel('sample z')

>>>plt.show()
 
 
10.3 3D条形图
  • 由于要考虑到条的深度，所以3D条形图的维度会比3D更复杂。
  • 可以使用`plt.bar3d(x,y,z,dx,dy,dz)'绘制3D条形图。
>>>from mpl_toolkits.mplot3d import Axes3D
>>>import matplotlib.pyplot as plt
>>>import numpy as np

>>>x = np.array(range(1,10))
>>>y = np.array(range(10,1,-1))
>>>z = np.array(np.cos(x))

>>>dx=dy= np.ones(9)
>>>dz= np.array(range(1,10))
>>>fig = plt.figure()
>>>ax = Axes3D(fig)

>>>ax.bar3d(x,y,z,dx,dy,dz)
>>>ax.set_xlabel('sample x')
>>>ax.set_ylabel('sample y')
>>>ax.set_zlabel('sample z')

>>>plt.show()
 
 

参考资料

posted @ 2020-05-06 16:03  翁剑波  阅读(535)  评论(0)    收藏  举报