matplotlib绘图基础[通俗易懂]

matplotlib绘图基础[通俗易懂]http://blog.csdn.net/pipisorry/article/details/37742423matplotlib介绍matplotlib是python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中。它的文档相当完备,并且Gallery页面中有上百幅缩略图,打开之后都

大家好,又见面了,我是你们的朋友全栈君。

http://blog.csdn.net/pipisorry/article/details/37742423 

matplotlib介绍

        matplotlib 是python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中。在Linux下比较著名的数据图工具还有gnuplot,这个是免费的,Python有一个包可以调用gnuplot,但是语法比较不习惯,而且画图质量不高。而Matplotlib则比较强:Matlab的语法、python语言、latex的画图质量(还可以使用内嵌的latex引擎绘制的数学公式)。面向对象方式绘图:matplotlib实际上是一套面向对象的绘图库,它所绘制的图表中的每个绘图元素,例如线条Line2D、文字Text、刻度等在内存中都有一个对象与之对应。pyplot模块虽然用法简单,但不适合在较大的应用程序中使用。

安装numpy和matplotlib

pip install numpy

pip install matplotlib

matplotlib安装出错

ImportError: libBLT.2.4.so.8.6: cannot open shared object file: No such file or directory, please install the python3-tk package

[import matplotlib.pyplot as plt fails with error about python-tk]

pyplot绘图基础

matplotlib的pyplot子库提供了和matlab类似的绘图API,方便用户快速绘制2D图表。

调用figure创建一个绘图对象,并且使它成为当前的绘图对象。(可选)

plt.figure(figsize=(8,4))

figsize参数:指定绘图对象的宽度和高度,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。

也可以不创建绘图对象直接调用接下来的plot函数直接绘图,matplotlib会为我们自动创建一个绘图对象!
如果需要同时绘制多幅图表的话,可以是给figure传递一个整数参数指定图标的序号,如果所指定序号的绘图对象已经存在的话,将不创建新的对象,而只是让它成为当前绘图对象。

本例中所创建的图表窗口的宽度为8*80 = 640像素。但是用show()出来的工具栏中的保存按钮保存下来的png图像的大小是800*400像素。这是因为保存图表用的函数savefig使用不同的DPI配置,savefig函数也有一个dpi参数,默认使用matplotlib配置文件中的配置,配置查看matplotlib.rcParams[“savefig.dpi”]100

获取当前图和轴线

        Matplotlib 里的常用类的包含关系为 Figure -> Axes -> (Line2D, Text, etc.)。一个Figure对象可以包含多个子图(Axes),在matplotlib中用Axes对象表示一个绘图区域,可以理解为子图。

        当前的图表和子图可以使用plt.gcf()和plt.gca()获得,分别表示”Get Current Figure”和”Get Current Axes”。在绘制子图时也可以通过plt.sca(plt.subplot(all_fig_num, 1, cur_figid))来绘制子图。在pyplot模块中,许多函数都是对当前的Figure或Axes对象进行处理,比如说:    plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax,然后再调用ax.plot()方法实现真正的绘图。

如,用下面的代码先获得axes对象再用ax来操作

ax = plt.gca()

ax = plt.axes()

如设置xy轴的tickers就要用ax.yaxis来操作

ax.yaxis.set_minor_locator(yminorLocator)

plt.getp(plt.gcf())     #获取当前图的属性
alpha = 1.0
animated = False

Figure对象有一个axes属性,其值为AxesSubplot对象的列表,每个AxesSubplot对象代表图表中的一个子图,前面所绘制的图表只包含一个子图,当前子图也可以通过plt.gca获得

>>> plt.getp(f, “axes”)
[<matplotlib.axes.AxesSubplot object at 0x05CDD170>]
>>> plt.gca()
<matplotlib.axes.AxesSubplot object at 0x05CDD170>

通过调用plot函数在当前的绘图对象中进行绘图

    plt.plot(years, price, ‘b*’)     #,label=”$cos(x^2)$”)
    plt.plot(years, price, ‘r’)
Note:
第三个参数”b–“指定曲线的颜色和线型。
关键字参数指定各种属性:

        label : 给所绘制的曲线一个名字,此名字在图示/图例(legend)中显示。只要在字符串前后添加”$”符号,matplotlib就会使用其内嵌的latex引擎绘制的数学公式。

        color : 指定曲线的颜色linewidth : 指定曲线的宽度
具体参见后面的【附录 – matplotlib中的作图参数】

设置绘图对象的各个属性

    plt.xlabel(“years(+2000)”)   #设置X轴的文字
    plt.ylabel(“housing average price(*2000 yuan)”)
    plt.ylim(0, 15)    #设置Y轴的范围
    plt.title(‘line_regression & gradient decrease’)    #设置图表的标题
    plt.legend()    #显示图示

    matplotlib.rc(‘xtick’, labelsize=18) #设置xlabel和ylabel显示的大小

    matplotlib.rc(‘ytick’, labelsize=18)

    给一些特殊点做注释[参考matplotlib绘图实例:pyplot、pylab模块及作图参数]

调用plt.show()显示出创建的所有绘图对象

plt.show()

matplotlib绘图显示同时继续跑下面的代码

方式1:block=False参数或者plt.show(0)

import matplotlib.pyplot as plt
plt.plot([1, 2, 3])
plt.show(block=False)
print(‘continue computation’)
input()

但是在外部应该加一个input()输入enter结束图形显示,否则鼠标点击是关闭不了图形的。

方式2:draw()

import matplotlib.pyplot as plt
def p():
    plt.plot([1, 2, 3])
    plt.draw()
p()
print(‘continue computation’)
# at the end call show to ensure window won’t close.
plt.show()

唯一的缺点就是,show()函数要放在了绘图函数外。

方式3:使用多线程

from multiprocessing import Process
from matplotlib import pyplot as plt
def p(args):
    plt.plot([1, 2, 3])
    plt.show()
p = Process(target=p, args=([1, 2, 3],))
p.start()

print(‘continue computation’)

p.join()

唯一的缺点就是要写多线程的代码,但是至少plot模块都在一个函数中。

Note: target应为函数名而不应该是函数调用,否则还是会绘图阻止程序向下运行。

[Is there a way to detach matplotlib plots so that the computation can continue?]

清空plt绘制的内容

plt.cla()

plt.close(0)        # 关闭图 0

plt.close(‘all’)         #关闭所有图

图形保存和输出设置

可以调用plt.savefig()将当前的Figure对象保存成图像文件,图像格式由图像文件的扩展名决定。

将当前的图表保存为“test.png”,并且通过dpi参数指定图像的分辨率为 120,因此输出图像的宽度为“8X120 = 960”个像素:
plt.savefig(“test.png”,dpi=120)
也可以通过show()出来的图形界面手动保存和设置,我们还可以通过图形界面中的工具栏对其进行设置和保存,如修改图片大小通过图形界面下方工具栏可以设置图形上下左右的边距。
如果想在跑程序外部查看图片,可以这样:

plt.savefig(‘/tmp/1.png’)

subprocess.run(‘xdg-open /tmp/1.png’, shell=True)

plot序列化

序列化保存

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

ax.scatter(x,y) #or plt.scatter(x,y)

pickle.dump(fig, open(‘fig.pkl’, ‘wb’))

读取并显示
fig = pickle.load(open(‘fig.pkl’, ‘rb’))
plt.show()

在图表中显示中文

matplotlib的缺省配置文件中所使用的字体无法正确显示中文。为了让图表能正确显示中文,可以有几种解决方案:在程序中直接指定字体。在程序开头修改配置字典rcParams。修改配置文件。比较简便的方式是,中文字符串用unicode格式,例如:u”测试中文显示”,代码文件编码使用utf-8 加上” # coding = utf-8  “一行。

[matplotlib输出图象的中文显示问题]

面向对象画图

matplotlib API包含有三层,Artist层处理所有的高层结构,例如处理图表、文字和曲线等的绘制和布局。通常我们只和Artist打交道,而不需要关心底层的绘制细节。

直接使用Artists创建图表的标准流程如下:

  • 创建Figure对象
  • 用Figure对象创建一个或者多个Axes或者Subplot对象
  • 调用Axies等对象的方法创建各种简单类型的Artists
import matplotlib.pyplot as plt
X1 = range(0, 50)
Y1 = [num**2 for num in X1] # y = x^2 X2 = [0, 1] Y2 = [0, 1] # y = x

Fig = plt.figure(figsize=(8,4)) # Create a `figure' instance
Ax = Fig.add_subplot(111) # Create a `axes' instance in the figure
Ax.plot(X1, Y1, X2, Y2) # Create a Line2D instance in the axes

Fig.show() 
Fig.savefig("test.pdf")

 

绘制多子图

可以使用subplot()快速绘制包含多个子图的图表,它的调用形式如下:

matplotlib.pyplot.subplot(*args**kwargs)

subplot(nrows, ncols, index, **kwargs)
subplot(pos, **kwargs)
subplot(**kwargs)
subplot(ax)

subplot()返回它所创建的Axes对象,我们可以将它用变量保存起来,然后用sca()交替让它们成为当前Axes对象,并调用plot()在其中绘图。

用法1:subplot(numRows, numCols, plotNum)

        subplot将整个绘图区域等分为numRows行* numCols列个子区域,然后按照从左到右,从上到下的顺序对每个子区域进行编号,左上的子区域的编号为1。如果numRows,numCols和plotNum这三个数都小于10的话,可以把它们缩写为一个整数,例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话,之前的轴将被删除。

        通过axisbg参数给每个轴设置不同的背景颜色。

示例1:

def draw_convergence(amap, title=”):
    import math
    import numpy as np
    import matplotlib.pyplot as plt
    colors = plt.cm.Spectral(np.linspace(0, 1, len(amap) + 3))
    max_y = math.ceil(max([max(v) for v in amap.values() if v]))
    min_y = math.floor(min([min(v) for v in amap.values() if v]))
    for id, (k, v) in enumerate(amap.items()):
        plt.sca(plt.subplot(len(amap), 1, id + 1))
        plt.plot(range(len(v)), v, marker=’.’, label=k, c=colors[int(k)])
        plt.legend(loc=’lower right’, ncol=4)
        plt.yticks(range(min_y, max_y + 1, max((max_y – min_y) // 15, 1)))  # y坐标设置
        for yi in range(min_y, max_y + 1, max((max_y – min_y) // 5, 2)):  # 绘制y坐标对应的横线
            plt.axhline(y=yi, color=’r’, lw=0.2)
    max_x = max([len(v) for v in amap.values()])
    plt.xticks(range(0, max_x, max(max_x // 15, 1)))  # x坐标设置
    plt.sca(plt.subplot(len(amap), 1, 1))  # title位置重置
    plt.title(title)
    plt.show()

amap = {‘1’: [5, 3, 4, 1, 0, 2, 2, 2, 3, 4, 5, 3, 3, 1], ‘2’: [2, 5, 2, 3, 3, 1, 1, 4, 0, 4, 0, 6, 1, 6, 0, 0, 2, 2, 6, 2, 2, 5, 1, 1, 2, 2, 5, 6, 3, 6, 3, 3, 4, 4, 6, 6, 1, 6, 5, 6, 3, 3, 4, 4, 3, 0, 0, 1, 1], ‘4’: [0, 1, 2, 4, 5, 6, 1, 1, 3, 4, 5, 6, 1, 6, 1, 3, 4, 1, 6, 1, 2, 4, 0, 3, 4, 5, 0, 3, 1, 3, 6, 1, 3, 4, 2, 4, 6, 0, 2, 6, 5, 0, 3, 3, 5, 0, 4, 1, 4, 0, 3, 1, 3, 5, 6, 0, 5, 2, 4, 0, 4, 4, 4, 6, 1, 4, 0, 6, 4, 1, 4, 5, 0, 5, 6, 0, 2, 5, 0, 2, 4, 4, 2, 2, 0, 1, 1, 0], ‘5’: [5, 3, 3, 1, 0, 6, 6, 0, 5, 2, 1, 2, 6, 3, 3, 4, 1, 3, 4, 3, 0, 2, 1, 0], ‘6’: [2, 3, 1, 1, 0, 4, 0, 6, 1, 6, 0, 2, 6, 2, 6, 5, 0, 2, 1, 3, 1, 3, 5, 6, 4, 4, 2, 6, 1, 1, 6, 5, 0, 1, 5, 0, 4, 4, 0, 1, 1], ‘8’: [2, 1, 1, 0, 4, 1, 1, 6, 2, 6, 0, 2, 6, 2, 2, 2, 2, 2, 2, 6, 3, 6, 4, 4, 2, 6, 6, 1, 6, 5, 3, 3, 4, 3, 4, 0, 1, 2, 0, 1], ‘9’: [1, 4, 0, 4, 0, 6, 1, 6, 1, 6, 0, 2, 6, 2, 5, 5, 2, 2, 5, 3, 6, 4, 4, 2, 6, 1, 1, 6, 0, 5, 6, 3, 3, 0, 4, 0, 0, 2, 1, 1]}
draw_convergence(amap, title=”)

matplotlib绘图基础[通俗易懂]

[Matplotlib学习笔记——创建多子图]

示例2:(示例1的第二种实现,不建议)

import matplotlib.pyplot as plt
fig = plt.figure()
ratio = 1.0 / (len(amap)+2)
colors = plt.cm.Spectral(np.linspace(0, 1, len(amap)+3))
for id, (k, v) in enumerate(amap.items()):
  ax = fig.add_axes([0.1, ratio * (id + 1), 0.8, ratio], label=k)
  ax.plot(v, label=k, c=colors[int(k)])
plt.show()

示例3:

image

调节轴之间的间距和轴与边框之间的距离

当绘图对象中有多个轴axis时候,可以通过工具栏中的Configure Subplots按钮,交互式地调节轴之间的间距和轴与边框之间的距离。

如果希望在程序中调节的话,可以调用subplots_adjust函数,它有left, right, bottom, top, wspace, hspace等几个关键字参数,这些参数的值都是0到1之间的小数,它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。

[matplotlib.pyplot.subplots_adjust]

[matplotlib.pyplot.subplots]

绘制多个独立图表

如果需要同时绘制多幅图表,可以给figure()传递一个整数参数指定Figure对象的序号,如果序号所指定的Figure对象已经存在,将不创建新的对象,而只是让它成为当前的Figure对象。

import numpy as np
import matplotlib.pyplot as plt 

plt.figure(1) # 创建图表1
plt.figure(2) # 创建图表2
ax1 = plt.subplot(211) # 在图表2中创建子图1
ax2 = plt.subplot(212) # 在图表2中创建子图2
 
x = np.linspace(0, 3, 100)
for i in xrange(5):
    plt.figure(1)  #选择图表1
    plt.plot(x, np.exp(i*x/3))
    plt.sca(ax1)   #选择图表2的子图1
    plt.plot(x, np.sin(i*x))
    plt.sca(ax2)  # 选择图表2的子图2
    plt.plot(x, np.cos(i*x))
plt.show()

示例会创建两张图,划掉其中一个,另一个才会出现。

-柚子皮-

Matplotlib中的作图参数

a set of tables that show main properties and styles
在IPython中输入 “plt.plot?” 可以查看格式化字符串的详细配置。

线属性Line properties

颜色(color 简写为 c):

plt.plot(…, color=’*’)/plt.plot(…, c=’*’)

    蓝色: ‘b’ (blue)
    绿色: ‘g’ (green)
    红色: ‘r’ (red)
    蓝绿色(墨绿色): ‘c’ (cyan)
    红紫色(洋红): ‘m’ (magenta)
    黄色: ‘y’ (yellow)
    黑色: ‘k’ (black)
    白色: ‘w’ (white)
    灰度表示: e.g. 0.75 ([0,1]内任意浮点数)
    RGB表示法: e.g. ‘#2F4F4F’ 或 (0.18, 0.31, 0.31)
    任意合法的html中的颜色表示: e.g. ‘red’, ‘darkslategray’

遍历使用颜色:colors = plt.cm.Spectral(np.linspace(0, 1, len(unique_labels)))

[
Colormaps][
Colormap ]

线型Line styles(简写为 ls):

plt.plot(…, ls=’*’)

  • 实线: ‘-‘
  • 虚线: ‘–‘
  • 虚点线: ‘-.’
  • 点线: ‘:’
  • 点: ‘.’

Note: 后面的都是设置点型,感觉有多余的设计。

[Line styles]

点属性

点型Markers(标记)

标记大小(markersize 简写为 s或者ms):    markersize: 实数
标记边缘宽度(markeredgewidth 简写为 mew):    markeredgewidth:实数
标记边缘颜色(markeredgecolor 简写为 mec):    markeredgecolor:颜色选项中的任意值。
标记表面颜色(markerfacecolor 简写为 mfc):    markerfacecolor:颜色选项中的任意值,none表示无色,空心。  [marker填充色]

透明度(alpha):    alpha: [0,1]之间的浮点数
线宽(linewidth):    linewidth: 实数

设置marker显示的个数(marker数目太多时可以使用): markevery. You could decide on the x locations where you want the marks, use e.g. numpy.searchsorted to find which data points the locations fall between, and then interpolate between the neighboring points to find the y coordinates. [Plot with fewer markers than data points (or a better way to plot CDFs?)]

示例:绘制空心圆:设置mfc=’none’, mec=’r’。

markers形状

plt.plot(…, marker=’*’)

matplotlib绘图基础[通俗易懂]

点label

通过在指定坐标写文字实现

在指定坐标写文字

plt.text(x, y, s, fontsize, verticalalignment,horizontalalignment,rotation , **kwargs)

参数说明:
x,y表示标签添加的位置,默认是根据坐标轴的数据来度量的,是绝对值,也就是说图中点所在位置的对应的值,特别的,如果你要变换坐标系的话,要用到transform=ax.transAxes参数。
s表示标签的符号,字符串格式,比如你想加个“我爱三行科创”,更多的是你标注跟数据有关的主体,你如实写便是。
fontsize顾名思义就是你加标签字体大小了,取整数。
verticalalignment表示垂直对齐方式 ,可选 ‘center’ ,‘top’ , ‘bottom’,‘baseline’ 等
horizontalalignment表示水平对齐方式 ,可以填 ‘center’ , ‘right’ ,‘left’ 等
rotation表示标签的旋转角度,以逆时针计算,取整
后面还有 family 用来设置字体,style 设置字体的风格,weight 字体的粗细, bbox 给字体添加框,如 bbox=dict(facecolor=‘red’, alpha=0.5) 等,各种风格,应有尽有,总有一款适合你。

[python画图时给图中的点加标签之plt.text_帅帅de三叔-CSDN博客_plt.text]

示例:

x = [0.59, 0.72, 0.57, 0.58, 2.45, 2.80, 2.45, 2.13]
y = [0.18, 0.16, 0.18, 0.18, 0.86, 0.76, 0.88, 1.00]

exp_type = [‘all’, ‘g’, ‘e’, ’emer’,
            ‘all_d’, ‘g_d’, ‘e_d’, ’emer_d’]
plt.scatter(x, y, s=5, c=’r’, marker=’+’)
plt.plot([x[0], x[4]], [y[0], y[4]])
for xi, yi, text in zip(x, y, exp_type):
    plt.text(xi, yi, text, fontsize=5, verticalalignment=’top’)
plt.xlabel(‘g’)
plt.ylabel(‘e’)
plt.show()

[Markers][markers]
[matplotlib中的作图参数]

[Quick references]

坐标轴设定

Axis容器包括坐标轴的刻度线、刻度标签、坐标网格以及坐标轴标题等内容。刻度包括主刻度和副刻度,分别通过get_major_ticks()和get_minor_ticks()方法获得。每个刻度线都是一 个XTick或YTick对象,它包括实际的刻度线和刻度标签。Axis 对象提供了 get_ticklabels()和get_ticklines()方法,可以直接获得刻度标签和刻度线。
>>> plt.plot([1,2,3],[4,5,6])
>>>plt.show()
>>> axis = plt.gca().xaxis
>>> axis.get_ticklocs()#获得axis对象的刻度位置列表
array([ 1. ,  1.5,  2. ,  2.5,  3. ])
>>> axis.get_ticklabels() # 获得刻度标签列表
<a list of 5 Text major ticklabel objects>
>>> [x.get_text() for x in axis.get_ticklabels()]# 获得刻度的文本字符串
[u’1.0′, u’1.5′, u’2.0′, u’2.5′, u’3.0‘]
获得X轴上表示主刻度线的列表,可看到X轴上共有10条刻度线:
>>>  axis.get_ticklines()
<a list of 10 Line2D ticklines objects>
由于没有副刻度线,因此副刻度线列表的长度为0:
>>> axis.get_ticklines(minor=True) # 获得副刻度线列表
<a list of 0 Line2D ticklines objects>
使用pyplot模块中的xticks()能够完成X轴上刻度标签的配置:
>>>plt.xticks(fontsize=16, color=”red”, rotation=45)

控制坐标轴的显示——使x轴显示名称字符串而不是数字的两种方法

plt.xticks(range(len(list)), labels=showx_list, rotation=’vertical’)
Note: 
1 rotation控制角度,如rotation=45
2 showx_list代表一个字符串列表,即x轴上要显示的名称。

axes.set_xticklabels(x, rotation=’horizontal’, lod=True)

Note:这里axes是plot的一个subplot()

[控制坐标轴的显示——set_xticklabels]

获取x轴上坐标最小最大值

xmin, xmax = plt.gca().get_xlim()

MatPlotLib中设置坐标轴主刻度标签和次刻度标签显示

{配置刻度线位置Locator类-控制刻度标签显示Formatter类}

用于计算副刻度位置的对象默认为 NullLocator,它不产生任何刻度线。而计算主刻度位置的对象为AutoLocator,它会根据当前的缩放等配置自动计算刻度的位置。
matplotlib提供了多种配置刻度线位置的Locator类,以及控制刻度标签显示的Formatter 类。

与刻度定位和文本格式化相关的类都在matplotlib.ticker模块中定义,载入了两个类:MultipleLocaton, FuncFormatter可以以指定值的整数倍为刻度放置主、副刻度线。
使用指定的函数计算刻度文本,它会将刻度值和刻度的序号作为参数传递给计算刻度文本的函数。

对于次刻度显示,如果要使用默认设置只要matplotlib.pyplot.minorticks_on() 

设置刻度示例

示例1

from matplotlib import ticker, pyplot as plt

… …

ax
= plt.gca()

ax.yaxis.set_minor_locator(ticker.MultipleLocator(
.5))
# 将此y轴次刻度标签设置为0.5的倍数

ax.yaxis.set_minor_formatter(ticker.FormatStrFormatter(
‘%1.1f’))
# 设置y轴次标签文本格式

ax.yaxis.set_major_formatter(ticker.FormatStrFormatter(
‘%1.1f’))
# 设置y轴主标签文本的格式

ax.xaxis.grid(
True,
which
=
‘major’)
# x坐标轴的网格使用主刻度

ax.yaxis.grid(
True,
which
=
‘minor’)
# y坐标轴的网格使用次刻度

上面的示例中,实际主刻度标签和副刻度标签文本是重叠的,如果格式不一样就会显示不好,这样可能需要下面的FuncFormatter。

示例2

下面的程序设置X轴的主刻度为π/4,副刻度为π/20,并且主刻度上的标签用数学符号显示π。
from matplotlib.ticker import MultipleLocator, FuncFormatter
ax.xaxis.set_major_locator( MultipleLocator(np.pi/4) )
ax.xaxis.set_minor_locator( MultipleLocator(np.pi/20) )
ax.xaxis.set_major_formatter( FuncFormatter( pi_formatter ) )
def pi_formatter(x, pos):
    m = np.round(x / (np.pi/4))
    n = 4
    while m!=0 and m%2==0: m, n = m//2, n//2
    if m == 0:
        return “0”
    if m == 1 and n == 1:
        return “$\pi$”
    if n == 1:
        return r”$%d \pi$” % m
    if m == 1:
        return r”$\frac{\pi}{%d}$” % n
    return r”$\frac{%d \pi}{%d}$” % (m,n)

matplotlib绘图基础[通俗易懂]

ps:

选择是否显示刻度值:x轴上,1为下,2为上;y轴上,1为左,2为右;
for tick in ax.xaxis.get_major_ticks():
    tick.label1On = True
    tick.label2On = False
for tick in ax.yaxis.get_major_ticks():
    tick.label1On = False
    tick.label2On = False

选择如何显示刻度
ax.xaxis.set_ticks_position(‘none’)
ax.yaxis.set_ticks_position(‘right’)

完全自定义坐标轴刻度及刻度值
ax.set_xticks([-250, -200, -150, -100, -50, 0, 50, 100, 150, 200])
ax.set_xticklabels([‘-250’, ”, ‘-150’, ”, ‘-50′, ”, ’50’, ”, ‘150’, ”])
ax.set_yticks([-40, -20, 0, 20, 40, 60, 80])
ax.set_yticklabels([”, ”, ”, ”, ”, ”, ”])

分别设置x轴和y轴上刻度值的字体大小
for tick in ax.xaxis.get_major_ticks():
    tick.label1.set_fontsize(18)
for tick in ax.yaxis.get_major_ticks():
    tick.label1.set_fontsize(18)

这也可以设置刻度值字体大小
matplotlib.rc(‘xtick’, labelsize=20)
matplotlib.rc(‘ytick’, labelsize=20)

皮皮blog

配置属性

matplotlib所绘制的图的每个组成部分都对应有一个对象,我们可以通过调用这些对象的属性设置方法set_*或者pyplot的属性设置函数setp设置其属性值。

设置对象的属性

例如plot函数返回一个 matplotlib.lines.Line2D 对象的列表,下面的例子显示如何设置Line2D对象的属性:

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> x = np.arange(0, 5, 0.1)
>>> line, = plt.plot(x, x*x) # plot返回一个列表,通过line,获取其第一个元素
>>> # 调用Line2D对象的set_*方法设置属性值
>>> line.set_antialiased(False)

>>> # 同时绘制sin和cos两条曲线,lines是一个有两个Line2D对象的列表
>>> lines = plt.plot(x, np.sin(x), x, np.cos(x)) #
>>> # 调用setp函数同时配置多个Line2D对象的多个属性值
>>> plt.setp(lines, color="r", linewidth=2.0)

这段例子中,通过调用Line2D对象line的set_antialiased方法,关闭对象的反锯齿效果。或者通过调用plt.setp函数配置多个Line2D对象的颜色和线宽属性。

获取对象的属性值

同样我们可以通过调用Line2D对象的get_*方法,或者plt.getp函数获取对象的属性值:

>>> line.get_linewidth()
1.0
>>> plt.getp(lines[0], "color") # 返回color属性
'r'
>>> plt.getp(lines[1]) # 输出全部属性
alpha = 1.0
animated = False
antialiased or aa = True
axes = Axes(0.125,0.1;0.775x0.8)
... ...

Note:getp函数只能对一个对象进行操作,它有两种用法:

  • 指定属性名:返回对象的指定属性的值
  • 不指定属性名:打印出对象的所有属性和其值

获取对象的各种属性plt.getp

用plt.getp可以发现AxesSubplot对象有很多属性,例如它的lines属性为此子图所包括的 Line2D 对象列表:

>>> alllines = plt.getp(plt.gca(), "lines")
>>> alllines
<a list of 3 Line2D objects>
>>> alllines[0] == line # 其中的第一条曲线就是最开始绘制的那条曲线
True

通过这种方法我们可以很容易地查看对象的属性和它们之间的包含关系,找到需要配置的属性。

配置文件

绘制一幅图需要对许多对象的属性进行配置,例如颜色、字体、线型等等。我们在绘图时,并没有逐一对这些属性进行配置,许多都直接采用了matplotlib的缺省配置。

matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件中,通过修改配置文件,我们可以修改图表的缺省样式。

在matplotlib中可以使用多个“matplotlibrc”配置文件,它们的搜索顺序如下,顺序靠前的配置文件将会被优先采用。

  • 当前路径:程序的当前路径。
  • 用户配置路径:通常在用户文件夹的“.matplotlib”目录下,可以通过环境变量MATPLOTLIBRC修改它的位置。
  • 系统配置路径:保存在matplotlib的安装目录下的mpl-data中。

通过下面的语句可以获取用户配置路径:

>>> import matplotlib
>>> matplotlib.get_configdir()
'C:\\Documents and Settings\\用户名\\.matplotlib'

通过下面的语句可以获得目前使用的配置文件的路径:

>>> import matplotlib
>>> matplotlib.matplotlib_fname()
'C:\\Python26\\lib\\site-packages\\matplotlib\\mpl-data\\matplotlibrc'

由于在当前路径和用户配置路径中都没有找到配置文件,因此最后使用的是系统配置路径下的配置文件。如果读者将matplotlibrc复制一份到脚本的当前目录(例如,c:\zhang\doc)下:

>>> import os
>>> os.getcwd()
'C:\\zhang\\doc'

复制配置文件之后再查看配置文件的路径,就会发现它变为了当前目录下的配置文件:

>>> matplotlib.matplotlib_fname()
'C:\\zhang\\doc\\matplotlibrc'

如果读者使用文本编辑器打开此配置文件,就会发现它实际上是一个字典。为了对众多的配置进行区分,字典的键根据配置的种类,用“.”分为多段。

配置文件的读入可以使用rc_params(),它返回一个配置字典:

>>> matplotlib.rc_params()
{'agg.path.chunksize': 0,
 'axes.axisbelow': False,
 'axes.edgecolor': 'k',
 'axes.facecolor': 'w',
 ... ...

在matplotlib模块载入时会调用rc_params(),并把得到的配置字典保存到rcParams变量中:

>>> matplotlib.rcParams
{'agg.path.chunksize': 0,
'axes.axisbelow': False,
... ...

matplotlib将使用rcParams字典中的配置进行绘图。用户可以直接修改此字典中的配置,所做的改变会反映到此后创建的绘图元素。例如下面的代码所绘制的折线将带有圆形的点标识符:

>>> matplotlib.rcParams["lines.marker"] = "o"
>>> plt.plot([1,2,3,2])
>>> plt.show()

为了方便对配置字典进行设置,可以使用rc()。下面的例子同时配置点标识符、线宽和颜色:

>>> matplotlib.rc("lines", marker="x", linewidth=2, color="red")

如果希望恢复到缺省的配置(matplotlib载入时从配置文件读入的配置),可以调用rcdefaults()。

>>> matplotlib.rcdefaults()

如果手工修改了配置文件,希望重新从配置文件载入最新的配置,可以调用:

>>> matplotlib.rcParams.update( matplotlib.rc_params() )

通过pyplot模块也可以使用rcParams、rc和rcdefaults。


皮皮blog

 

图像载入、显示和保存

imread()和imshow()提供了简单的图像载入和显示功能.

plt.imread()

从图像文件读入数据,得到一个表示图像的NumPy数组。它的第一个参数是文件名或文件对象,format参数指定图像类型,如果省略,就由文件的扩展名决定图像类型。

对于灰度图像,它返回一个形状为(M,N)的数组;对于彩色图像,返冋形状为(M,N,C)的数组。 其中,M为图像的高度,N为图像的宽度,C为3或4,表示图像的通道数。

程序从“lena.jpg” 中读入图像数据:

>>>img = plt.imread(“lena.jpg”)

>>> img.shape

>>> (393, 512, 3)

>>> img.dtype

dtype(’uint8’)

plt.imshow

Display an image on the axes.
    matplotlib.pyplot.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)
X : array_like, shape (n, m) or (n, m, 3) or (n, m, 4)
vmin, vmax : scalar, optional, default: None
    vmin and vmax are used in conjunction with norm to normalize luminance data. Note if you pass a norm instance, your settings for vmin and vmax will be ignored.

>>> plt.imshow(img〉#注意图像是上下颠倒的
#plt.imshow(img[::-1]) #反转图像数组的第0轴,不好理解?
>>> plt.imshow(img, origin=”lower”) # 让图表的原点在左下角
得到的数组img是一个形状为(393,512,3)的单字节无符号整数数组。这是因为通常使用的图像都是采用单字节分别保存每个像素的红、绿、蓝三个通道的分量。
注意,从JPG图像中读入的数据是上下颠倒的,为了正常显示图像,可以将数组的第0轴反转,或者设置imshow()的origin参数为“lower”,从而让所显示图表的原点在左下角。

如果三维数组的元素类型为浮点数,那么元素的取值范围为0.0到1.0,与颜色值0到255 对应,超出这个范围可能会出现颜色异常的像素。
>>> img = img[: :-1]
>>> plt.imshow(img*1.0) #取值范围为0.0到255.0的浮点数组,不能正确显示颜色
>>> plt.imshow(img/255.0) #取值范围为0.0到1.0的浮点数组,能正确显示颜色
>>> plt.imshow(np.clip(img/200.0, 0, 1)> # 使用 clip()限制取值范围,整个图像变亮
如果imshow()的参数是二维数组,就使用颜色映射表决定每个像素的颜色。下面显示图像 中的红色通道:
>>> plt.imshow(img[:,:,0])
显示效果比较吓人,因为默认的图像映射将最小值映射为蓝色、将最大值映射为红色. 可以使用colorbar()将颜色映射表在图表中显示出来:
>>> plt.colorbar()
通过imshow()的cmap参数可以修改显示图像时所采用的颜色映射表。颜色映射表是一个 ColorMap对象,matplotlib中已经预先定义好了很多颜色映射表,可通过下面的语句找到这 些颜色映射表的名字:
>>> import matplotlib.cm as cm
>>> cm._cmapnames
[‘Spectral’,’copper’, ‘RdYlGn’, ‘Set2’,’ sumner’, ’spring’,’gist_ncar’,…]
下面使用名为copper的颜色映射表显示图像的红色通道,很有老照片的味道:
>>>plt.imshow(img[:,:,0],cmap=cm.copper)
还可以使用imshow()显示任意的二维数据,例如下面的程序使用图像直观地显示了二元函数:
matplotlib绘图基础[通俗易懂]
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm

y, x = np.ogrid[-2:2:200j, -2:2:200j]
z = x * np.exp( – x**2 – y**2)

extent = [np.min(x), np.max(x), np.min(y), np.max(y)]
plt.figure(figsize=(10,3))
plt.subplot(121)
plt.imshow(z, extent=extent, origin=”lower”)
plt.colorbar()
plt.subplot(122)
plt.imshow(z, extent=extent, cmap=cm.gray, origin=”lower”)
plt.colorbar()

plt.show()
imshow()的extent参数,图表的X、Y轴的刻度标签所指定的范围.
matplotlib绘图基础[通俗易懂]
[matplotlib.pyplot.imshow]

皮皮blog

matplotlib绘图实例

matplotlib绘图进阶

from:matplotlib绘图基础_皮皮blog-CSDN博客

ref: matplotlib.pyplot

python matplotlib中所有模块查询:Python Module Index

matplotlib所有类和类中的函数查询:Index

绘图命令集合 : Plotting commands summary

Gallerys : Thumbnail gallery — Matplotlib 1.4.3 documentation

Matplotlib教程(点击对应的图可见源码,复制可直接使用): Matplotlib tutorial

关于各个部件和属性:Figures, Subplots, Axes and Ticks

用Python做科学计算-基础篇——使用pyplot模块绘图

matplotlib的一些常用命令和技巧

Matplotlib for Python Developers

Matplotlib Tutorial(译)

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/141910.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • Charles工具的hppts+APP抓包配置(双向加密验证抓包)[通俗易懂]

    Charles工具的hppts+APP抓包配置(双向加密验证抓包)[通俗易懂]现在的测试攻城狮太不容易啦~,不仅要测Bug还要粗略定位Bug,不然开发大佬就会说这是后端的Bug提到我前端干什么。哈哈哈,为了避免尴尬(装B),我们就要自己抓包,然后粗略定位一下,Bug是接口数据问题,还是前端处理问题。http抓包网上已经有很多资料了,这里分享一下https的APP抓包。记录一下,互相学习。共勉!!!1、下载Charles工具,官网地址:https://www.charlesproxy.com/下载之后一路傻瓜式安装就可以啦~,这里不过多描述哈。不会的同学请…

  • cs与bs架构_cs架构和bs架构的应用

    cs与bs架构_cs架构和bs架构的应用CS和BS架构介绍

  • js对象(2)「建议收藏」

    js对象(2)「建议收藏」1.JavaScript原型如果所有对象都有私有字段[[prototype]],就是对象的原型;读一个属性,如果对象本身没有,则会继续访问对象的原型,直到原型为空或者找到为止。操作原型的三种方法:Object.create根据指定的原型创建新对象,原型可以是null;Object.getPrototypeOf获得一个对象的原型;Object.setPrototypeOf设置一个对象的原型。varcat={say(){

  • 视频教程-Java大数据培训视频全套教程-SVN教程(33)-Java[通俗易懂]

    视频教程-Java大数据培训视频全套教程-SVN教程(33)-Java[通俗易懂]Java大数据培训视频全套教程-SVN教程(33)”马克-to-win”是…

    2022年10月31日
  • spss之单因素方差分析因子不显示_无重复单因素方差分析

    spss之单因素方差分析因子不显示_无重复单因素方差分析方差分析方差分析又称F检验,在实际应用中常常需要对多个整体的均值进行比较,并分析他们之间是否存在差异,差异是否显著,这个时候我们就需要使用方差分析。方差分析用于研究自变量和因变量之间是否有关系及其关系强度的一种分析方法。其实质是将所有测量值之间方差分析的三个概念1.因素:2….

  • ubuntu 卸载命令_强制卸载电脑软件

    ubuntu 卸载命令_强制卸载电脑软件Ubuntu命令卸载软件_李柏林的博客-CSDN博客_ubuntu卸载程序1.打开一个终端,输入dpkg–list,按下Enter键,终端输出以下内容,显示的是你电脑上安装的所有软件。2.在终端中找到你需要卸载的软件的名称,列表是按照首字母排序的。3.在终端上输入命令sudoapt-get–purgeremove包名(–purge是可选项,写上这个属性是将软件及其配置文件一并删除,如不需要删除配置文件,可执行sudoapt-getr…https://blog.csdn.net/

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号