Matplotlib 绘图库从入门到精通
matplotlib是python的一个绘图库。使用它可以很方便的绘制出版质量级别的图形。说实话没有matlab画的图清楚。使用Matplotlib，能够轻易生成各种图像，例如：直方图、波形图，频谱图、条形图、散点图等。
绘图核心API
案例：绘制一条正弦曲线
import numpy as np import matplotlib.pyplot as plt xs = np.linspace(-np.pi, np.pi, 1000) ys = np.sin(xs) plt.plot(xs, ys) plt.show()
绘制垂直线
plt.vlines(vval, ymin, ymax, ...) # 设置垂直线 plt.hlines(xval, xmin, xmax, ...) # 设置水平线
- vval：垂直线的 x轴坐标的起始值
- ymin：垂直线长度的最小值
- ymax：垂直线长度的最大值
下面是案例：
import matplotlib.pyplot as plt plt.vlines(0,0,10) # x轴 plt.hlines(0,0,10) # y轴 plt.show()
线条、线宽和颜色
plt.plot(xarray, yarray, linestyle='', linewidth=1, color='', alpha=0.5)
- linestyle：线形
- 常见的线：直线：- 虚线： - - 点线：： 点划线：-. 星号：*
- 常见的点：点：. 方形：s 圆：o 像素：, 三角形：^
- linewidth：线宽
- color：颜色
- 英文颜色单词
- 常见颜色英文单词首字母 b(蓝色)、c(青色)、r(红色)、k(黑色)、g(绿色)、r(品红)、y(黄色)、w(白色)
- 16进制表示颜色：#495434
- rgb或rgba(1,1,1) 或 (1,1,1,1)
- alpha：透明度，浮点数值
坐标轴取值范围 xlim
plt.xlim(x_min,x_min) # x轴限制 plt.ylim(y_min,y_min) # y轴限制
- x_limt_min \ x_limt_min：x轴范围最小值 \ 最大值
- y_limt_min \ y_limt_min：y轴范围最小值 \ 最大值
坐标轴刻度 xticks
plt.xticks(x_val_list , x_text_list) # x轴刻度 plt.yticks(y_val_list , y_text_list) # y轴刻度
- x_val_list \ y_val_list: x\y轴刻度值序列
- x_text_list[可选] \ y_text_list[可选]: x\y轴刻度标签文本序列
下面是举例：
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], ["-π","-π/2", 0, "π/2", "π"])
刻度文本的特殊语法--LaTax语法字符串
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r"$-\pi$",r"$-\frac{\pi}{2}$", 0, r"$\frac{\pi}{2}$", r"$\pi$"])
设置坐标轴
ax = plt.gca() 获取其中某个坐标系
axis = ax.spines['坐标轴名'] 获取某个具体的坐标轴，left(左)、right(右)、bottom(下)、top(上)
axis.set_position(("data", val)) 设置坐标轴位置
- type: 移动坐标轴的参照类型 一般为'data' (以数据的值作为移动参照值)
- val: 参照值
axis.set_color(color) 设置坐标轴的颜色
案例：设置坐标轴至中心
ax = plt.gca() ax.spines['top'].set_color('none') ax.spines['right'].set_color('none') ax.spines['left'].set_position(('data', 0)) ax.spines['bottom'].set_position(('data', 0)) plt.yticks([-1, -0.5, 0.5, 1])
图例
显示图例，需要先在plt.plot中设置曲线的label，再plt.legend设置图例
plt.plot(xarray, yarray ... label='', ...) # label: <关键字参数 str> 支持LaTex排版语法字符串 plt.legend(loc='')
loc：制定图例的显示位置 (若不设置loc，则显示默认最优位置)
| 'best' | 最优的位置 |
| 'upper right' | 上右 |
| 'upper left' | 上左 |
| 'lower left' | 下左 |
| 'lower right' | 下右 |
| 'right' | 右 |
| 'center left' | 中心偏左 |
| 'center right' | 中心偏右 |
| 'lower center' | 中心偏下 |
| 'upper center' | 中心偏上 |
| 'center' | 中心 |
plt.title("****") # 设置图的标题 plt.xlabel("x") # 设置x轴的名称 plt.ylabel("y") # 设置y轴的名称 plt.xscale('log') # x轴 log scale plt.grid(linestyle="") # 设置网格线，参数可以不写 mp.tick_params(labelsize=8) # 设置刻度字体大小
标注点
plt.scatter(x, y, marker='', s=60, edgecolor='', facecolor='', zorder=3)
参数：
- x，y：需要标注的点，或点的数组
- marker: 点型
- s: 大小
- edgecolor: 边缘色
- facecolor: 填充色
- zorder: 绘制图层编号 （编号越大，图层越靠上，就不会被线条盖住）
- label: 用于在图例中显示的字符串
添加注释
有时候我们需要对特定的点进行标注，我们可以使用 plt.annotate 函数来实现。
这里我们要标注的点是 (x0, y0) = (π, 0)。
annotate("备注内容", xycoords="data", xy=(x,y), textcoords='offset points', xytext=(x, y), fontsize=14, arrowprops=dict(arrowstyle='', connectionstyle=''))
参数：
- 第一个参数，就是备注的内容，支持LaTax语法
- xycoords='data'：参照类型 一般为'data' (以数据的值作为移动参照值)
- textcoords='offset points'：表示对于标注位置的描述（offset points表示参照点的偏移坐标系）
- xytext=(+30, -30) xy 偏差值，即标注位置是 xy 位置向右移动 30，向下移动30；
- fontsize：字体大小
- arrowprops 是对图中箭头类型和箭头弧度的设置，需要用 dict 形式传入。
- arrowstyle='', #定义箭头样式
- connectionstyle='' #定义连接线的样式
import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 2 * np.pi, 50) y = np.sin(x) plt.plot(x, y) x0 = np.pi y0 = 0 plt.scatter(x0, y0, s=50) # 画出标注点 # 右边的 plt.annotate('sin(np.pi)=%s' % y0, xy=(np.pi, 0), xycoords='data', xytext=(+30, -30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2")) # 左边的 plt.text(0.5, -0.25, "sin(np.pi) = 0", fontdict={'size': 16, 'color': 'r'}) plt.show()
============ ============================================= Name Attrs ============ ============================================= '-' None '->' head_length=0.4,head_width=0.2 '-[' widthB=1.0,lengthB=0.2,angleB=None '|-|' widthA=1.0,widthB=1.0 '-|>' head_length=0.4,head_width=0.2 '<-' head_length=0.4,head_width=0.2 '<->' head_length=0.4,head_width=0.2 '<|-' head_length=0.4,head_width=0.2 '<|-|>' head_length=0.4,head_width=0.2 'fancy' head_length=0.4,head_width=0.4,tail_width=0.4 'simple' head_length=0.5,head_width=0.5,tail_width=0.2 'wedge' tail_width=0.3,shrink_factor=0.5 ============ =============================================
============ ============================================= Name Attrs ============ ============================================= 'angle' angleA=90,angleB=0,rad=0.0 'angle3' angleA=90,angleB=0` 'arc' angleA=0,angleB=0,armA=None,armB=None,rad=0.0 'arc3' rad=0.0 'bar' armA=0.0,armB=0.0,fraction=0.3,angle=None ============ =============================================
我们也可以使用 plt.text 函数来添加注释。
plt.text是在图中书写文本
plt.text(x,y,"内容", ha="",va="", size, alpha)
参数：
- x,y：为本文的位置
- ha：文本水平位置 "center"
- va：文本水平位置 "center"
- size：字体大小
- alpha：透明度
绘制多个图形
当需要两组数据进行对比，或者一组数据的不同展示方式，我们就可以在一个窗口中绘制多个图形。
图形窗口——figure
matplotlib在绘制图形的时候都在一个默认的figure中。我们可以通过 plt.figure() 再创建一个窗口
plt.figure("窗口名", figsize=(4,3)，facecolor="")
- figsize：窗口大小，元组形式
- facecolor：图标背景颜色
每次调用一次figure方法，一来是创建一个新窗口，而来是编辑这个窗口，如果创建的窗口已经存在，则是编辑那个已经存在的窗口。
import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) # 生成一组100到200，步长为1的数组 # 在第一个默认窗口画 plt.plot(data) # 绘制data data2 = np.arange(200,301) plt.figure(figsize=(6, 3)) # 生成一个图形窗口,设置窗口的大小为(6,3) # 在第二个窗口画 plt.plot(data2) # 绘制data2 plt.show() # 展现
子图——subplot
有时候我们需要将多张子图展示在一起，可以使用 plt.subplot()实现。即在调用plot()函数之前需要先调用 subplot()函数。该函数的第一个参数代表子图的总行数，第二个参数代表子图的总列数，第三个参数代表活跃区域。下面绑定了实例，也可以不绑定。
import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 2 * np.pi, 50) y = np.sin(x) ax1 = plt.subplot(2, 2, 1) # （行，列，活跃区） plt.plot(x, np.sin(x), 'r') ax2 = plt.subplot(2, 2, 2, sharey=ax1) # 与 ax1 共享y轴 plt.plot(x, 2 * np.sin(x), 'g') ax3 = plt.subplot(2, 1, 2) # 将窗口分为两行1列，这个图形占第二列 plt.plot(x, np.cos(x), 'b') plt.show()
代码解析：
1、subplot(2,2,x)表示将图像窗口分为2行2列。x表示当前子图所在的活跃区域。
2、subplot(2,1,2)将窗口分为两行一列，这个图形画在第二列
3、plt.subplot(2,2,2,sharey=ax1) # 是与ax1函数共享受一个y轴。
4、如果之前定义了图片fig = plt.figure(),那么可以通过ax4 = fig.add_subplot(2,1,3)添加子图
运行结果如下：
注意;subplot函数的参数不仅仅支持上面的这种形式，还可以将三个整数(10之内的)合并一个整数。例如：plt.subplot(2,2,1)可以写成plt.subplot(221),结果是一样的。
常用的图形实例
Matplotlib可以生成非常多的图形，常用的有：线形图、散点图、饼状图、条形图、直方图。我们来依次了解一下。
线形图——plot
import matplotlib.pyplot as plt plt.plot([1,2,3],[3,6,9], "-r") plt.plot([1,2,3],[2,4,9], ":g") plt.show()
代码解析：
1、plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，
2、最后一个参数是由两个字符构成，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线，关于样式和颜色的说明请参见plor函数的APIDoc：matplotlib.pyplot.plot
运行结果如下：
散点图——scatter
import matplotlib.pyplot as plt import numpy as np plt.subplot(2,1,1) k = 500 x = np.random.rand(k) y = np.random.rand(k) # [0,1)之间的随机数 size = np.random.rand(k) * 50 # 生成每个点的大小 colour = np.arctan2(x, y) # 生成每个点的颜色 plt.scatter(x, y, s=size, c=colour) plt.colorbar() # 添加颜色栏 N = 20 # 参数c表示点的颜色，s是点的大小，alpha是透明度 plt.subplot(2,3,4) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c="r", s=100, alpha=0.5) # 红色 plt.subplot(2,3,5) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c="g", s=200, alpha=0.5) # 绿色 plt.subplot(2,3,6) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c="b", s=300, alpha=0.5) # 蓝色 plt.show()
代码解析：
1、这幅图包含三组数据，每组数据都包含了20个随机坐标的位置
2、参数c表示点的颜色,c的值可以是列表或者公式；s是点的大小，alpha是透明度
d = (x-172)**2 + (y-60)**2 mp.scatter(x, y, c=d, cmap='jet') #以c作为参数，取cmap颜色映射表中的颜色值
cmap颜色映射表，值越大颜色偏蓝，值越小颜色偏红。
3、plt.colorbar()添加右边的颜色栏
运行结果：
饼状图——pie
mp.axis('equal') 设置坐标大小一致，目的是为了让饼状图是圆而不是椭圆
mp.pie(values, spaces, labels, colors, '%d%%', shadow=True, startangle=90, radius=1)
- values：值列表
- spaces：扇形之间的间距列表
- labels：标签列表
- colors：颜色列表
- autopct='%d%%'：标签所占比例格式
- shadow=True：是否显示阴影
- startangle=90：逆时针绘制饼状图时的起始角度
- radius=1：半径
先上代码：
import matplotlib.pyplot as plt import numpy as np labels = ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"] data = np.random.rand(7) * 100 # 生成7组随机数 # labels指定标签，autopct指定数值的精度 plt.pie(data, labels=labels, autopct="%1.1f%%") plt.axis("equal") # 设置了坐标大小一致 plt.legend() # 指明要绘制的图例 plt.show()
代码解析：
1、data是一个包含7个数据的随机数值
2、图中的标签通过labels来指定
3、autopct指定了数值的精度格式
4、plt.axis('equal')设置了坐标轴大小一致
5、plt.legend()指明要绘制图例（见下图的右上角）
运行结果：
柱形图——bar
plt.bar(x, y, width, color="", label="", alpha=0.2)
参数：
- x：水平坐标轴
- y：柱状图高度数组
- width：柱子的宽度，小于1
- color：柱子的颜色
- label：用于图例显示
- tick_label：刻度标签
- alpha：透明度
import numpy as np import matplotlib.pyplot as plt apples = np.array([30, 25, 22, 36, 21, 29, 20, 24, 33, 19, 27, 15]) oranges = np.array([24, 33, 19, 27, 35, 20, 15, 27, 20, 32, 20, 22]) plt.figure('Bar', facecolor='lightgray') plt.title('Bar', fontsize=20) plt.xlabel('Month', fontsize=14) plt.ylabel('Price', fontsize=14) plt.tick_params(labelsize=10) plt.grid(axis='y', linestyle=':') plt.ylim((0, 40)) labels=['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'] x = np.arange(len(apples)) plt.bar(x-0.2, apples, 0.4, color='dodgerblue',label='Apple', tick_label=labels) plt.bar(x + 0.2, oranges, 0.4, color='orangered',label='Orange', alpha=0.75, tick_label=labels) plt.legend() plt.show()
直方图——hist
直方图是描述数据中某范围内数据出现的频率，
先上代码：
import matplotlib.pyplot as plt import numpy as np # 生成3组数据 data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]] labels = ['3K', '4K', '5K'] # 设置标签 # 设置数据点 bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000] plt.hist(data, bins=bins, label=labels) plt.legend() plt.show()
代码解析：
[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含三个数组的列表。
- 第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000)
- 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000)
- 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)
2、bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。
运行结果：
我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。
等高线图--contour
组成等高线需要网格点坐标矩阵，也需要每个点的高度。
cntr = plt.contour(x, y, z, 8, colors='black', linewidths=0.5)
- x：网格坐标矩阵的x坐标 （2维数组）
- y：网格坐标矩阵的y坐标 （2维数组）
- z：网格坐标矩阵的z坐标 （2维数组）
- 8：把等高线绘制成8部分
- colors='black'：等高线的颜色
- linewidths=0.5：线宽
plt.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10) 为等高线图添加高度标签
plt.contourf(x, y, z, 8, cmap='jet') 填充等高线颜色
import numpy as np import matplotlib.pyplot as plt n = 1000 # 生成网格化坐标矩阵 x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n)) # 根据每个网格点坐标，通过某个公式计算z高度坐标 z = (1 - x/2 + x**5 + y**3) * np.exp(-x**2 - y**2) plt.figure('Contour', facecolor='lightgray') plt.title('Contour', fontsize=20) plt.xlabel('x', fontsize=14) plt.ylabel('y', fontsize=14) plt.tick_params(labelsize=10) plt.grid(linestyle=':') plt.contourf(x, y, z, 8, cmap='jet') # 添加颜色 cntr = plt.contour(x, y, z, 8, colors='black', linewidths=0.5) # 绘制等高线图 # 为等高线图添加高度标签 plt.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10)
plt.show()
填充
plt.fill_between(x, sin_x, cos_x, sin_x<cos_x, color='',alpha=0.2)
参数：
- x：x轴的水平坐标
- sin_x：下边界曲线上点的垂直坐标
- cos_x：上边界曲线上点的垂直坐标
- sin_x<cos_x：填充条件，为True时填充
- color：填充颜色
- alpha：透明度
举例：绘制两条曲线： sin_x = sin(x) cos_x = cos(x / 2) / 2 [0-8π]
import numpy as np import matplotlib.pyplot as mp x = np.linspace(0, 8 * np.pi, 1000) sinx = np.sin(x) cosx = np.cos(x / 2) / 2 mp.figure('Fill', facecolor='lightgray') mp.title('Fill') mp.plot(x, sinx, color='dodgerblue', label='sinx', linewidth=2) mp.plot(x, cosx, color='orangered', label='cosx', linewidth=2) # 绘制填充 mp.fill_between(x, sinx, cosx, sinx > cosx, color='dodgerblue', alpha=0.5) mp.fill_between(x, sinx, cosx, sinx < cosx, color='orangered', alpha=0.5) mp.legend() mp.show()
3D图像
3维点阵图
ax3d.scatter( x, # x轴坐标数组 y, # y轴坐标数组 z, # z轴坐标数组 marker='', # 点型 s=10, # 大小 zorder='', # 图层序号 color='', # 颜色 edgecolor='', # 边缘颜色 facecolor='', # 填充色 c=v, # 颜色值 根据cmap映射应用相应颜色 cmap='' # )
案例：随机生成3组坐标，服从标准正态分布规则，并且绘制它们。
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import axes3d n = 500 x = np.random.normal(0, 1, n) y = np.random.normal(0, 1, n) z = np.random.normal(0, 1, n) plt.figure('3D scatter') ax3d = plt.gca(projection='3d') d = x ** 2 + y ** 2 + z ** 2 ax3d.scatter(x, y, z, s=70, c=d, alpha=0.7, cmap='jet') ax3d.set_xlabel('x') ax3d.set_ylabel('y') ax3d.set_zlabel('z') plt.tight_layout() plt.show()
3D曲面图
ax3d.plot_surface( x, # 网格坐标矩阵的x坐标 （2维数组） y, # 网格坐标矩阵的y坐标 （2维数组） z, # 网格坐标矩阵的z坐标 （2维数组） rstride=30, # 行跨距 cstride=30, # 列跨距 cmap='jet' # 颜色映射 )
案例：绘制3d平面图
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import axes3d n = 1000 # 生成网格化坐标矩阵 x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n)) # 根据每个网格点坐标，通过某个公式计算z高度坐标 z = (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2) plt.figure('3D', facecolor='lightgray') ax3d = plt.gca(projection='3d') plt.title('3D', fontsize=20) ax3d.set_xlabel('x', fontsize=14) ax3d.set_ylabel('y', fontsize=14) ax3d.set_zlabel('z', fontsize=14) plt.tick_params(labelsize=10) # 绘制3D平面图 # rstride: 行跨距 # cstride: 列跨距 ax3d.plot_surface(x, y, z, rstride=30, cstride=30, cmap='jet') plt.show()
等高线图
组成等高线需要网格点坐标矩阵，也需要每个点的高度。所以等高线属于3D数学模型范畴。
cntr = mp.contour( x, # 网格坐标矩阵的x坐标 （2维数组） y, # 网格坐标矩阵的y坐标 （2维数组） z, # 网格坐标矩阵的z坐标 （2维数组） 8, # 把等高线绘制成8部分 colors='black', # 等高线的颜色 linewidths=0.5 # 线宽 ) # 为等高线图添加高度标签 mp.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10) # 填充等高线 mp.contourf(x, y, z, 8, cmap='jet')
案例：生成网格坐标矩阵，并且绘制等高线：
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import axes3d n = 1000 # 生成网格化坐标矩阵 x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n)) # 根据每个网格点坐标，通过某个公式计算z高度坐标 z = (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2) plt.figure('Contour', facecolor='lightgray') plt.title('Contour', fontsize=20) plt.xlabel('x', fontsize=14) plt.ylabel('y', fontsize=14) plt.tick_params(labelsize=10) plt.grid(linestyle=':') # 绘制等高线图 plt.contourf(x, y, z, 8, cmap='jet') cntr = plt.contour(x, y, z, 8, colors='black', linewidths=0.5) # 为等高线图添加高度标签 plt.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10) plt.show()
简单动画
动画即是在一段时间内快速连续的重新绘制图像的过程。
matplotlib提供了方法用于处理简单动画的绘制。定义update函数用于即时更新图像。
import matplotlib.animation as ma #定义更新函数行为 def update(number): pass # 每隔10毫秒执行一次update更新函数，作用于plt.gcf()当前窗口对象 anim = ma.FuncAnimation(plt.gcf(), update, interval=10) # plt.gcf()： 获取当前窗口 # update： 更新函数 # interval： 间隔时间（单位：毫秒） plt.show()
使用生成器函数提供数据，实现动画绘制
在很多情况下，绘制动画的参数是动态获取的，matplotlib支持定义generator生成器函数，用于生成数据，把生成的数据交给update函数更新图像：
import matplotlib.animation as ma #定义更新函数行为 def update(data): t, v = data ... pass def generator(): yield t, v # 每隔10毫秒将会先调用生成器，获取生成器返回的数据， # 把生成器返回的数据交给并且调用update函数，执行更新图像函数 anim = ma.FuncAnimation(mp.gcf(), update, generator,interval=10)
案例：绘制信号曲线：y=sin(2 * π * t) * exp(sin(0.2 * π * t))，数据通过生成器函数生成，在update函数中绘制曲线。
import numpy as np import matplotlib.pyplot as mp import matplotlib.animation as ma x = 0 mp.figure("Signal", facecolor='lightgray') mp.title("Signal", fontsize=14) mp.xlim(0, 20) mp.ylim(-3, 3) mp.grid(linestyle='--', color='lightgray', alpha=0.5) pl = mp.plot([], [], color='dodgerblue', label='Signal')[0] def update(data): t, v = data x, y = pl.get_data() # x,y是保存x,y坐标的ndarray对象 x = np.append(x, t) y = np.append(y, v) pl.set_data(x, y) # 重新设置数据源 # 移动坐标轴 if (x[-1] > 20): mp.xlim(x[-1] - 20, x[-1]) def y_generator(): global x y = np.sin(2 * np.pi * x) * np.exp(np.sin(0.2 * np.pi * x)) yield (x, y) x += 0.05 anim = ma.FuncAnimation(mp.gcf(), update, y_generator, interval=20) mp.tight_layout() mp.show()
绘制dates与收盘价的折线图：
import numpy as np import matplotlib.pyplot as mp import datetime as dt import matplotlib.dates as md def dmy2ymd(dmy): # 把日月年字符串转为年月日字符串 dmy = str(dmy, encoding='utf-8') d = dt.datetime.strptime(dmy, '%d-%m-%Y').date() ymd = d.strftime('%Y-%m-%d') return ymd # 加载文件 dates, opening_prices, highest_prices, lowest_prices, \ closing_prices = np.loadtxt('./aapl.csv', delimiter=',', usecols=(1, 3, 4, 5, 6), unpack=True, dtype='M8[D], f8, f8, f8, f8', converters={1: dmy2ymd}) # 绘制收盘价的折线图 mp.figure('AAPL', facecolor='lightgray') mp.title('AAPL', fontsize=18) mp.xlabel('Date', fontsize=14) mp.ylabel('Price', fontsize=14) mp.grid(linestyle=':') mp.tick_params(labelsize=10) ax = mp.gca() # 设置刻度定位器 maloc = md.WeekdayLocator(byweekday=md.MO) # 每周一一个主刻度 ax.xaxis.set_major_locator(maloc) ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d')) # 设置主刻度日期的格式 ax.xaxis.set_minor_locator(md.DayLocator()) # DayLocator:每天一个次刻度 dates = dates.astype(md.datetime.datetime) # 把dates的数据类型改为matplotlib的日期类型 # 绘制收盘价 mp.plot(dates, closing_prices, label='Closing Prices', linewidth=2, color='dodgerblue', linestyle='--', alpha=0.7) mp.legend() mp.gcf().autofmt_xdate() # 刻度参数倾斜 mp.show()
刻度定位器
ax=plt.gca() 获取当前坐标轴
x轴空刻度
ax.xaxis.set_major_locator(plt.NullLocator())
水平坐标轴的主刻度定位器，间隔1
ax.xaxis.set_major_locator(plt.MultipleLocator(1))
水平坐标轴的次刻度定位器为多点定位器，间隔0.1
ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1))
常用刻度器如下：
# 空定位器：不绘制刻度 plt.NullLocator() # 最大值定位器：最多绘制nbins+1个刻度 plt.MaxNLocator(nbins=3) # 定点定位器：根据locs参数中的位置绘制刻度 plt.FixedLocator(locs=[0, 2.5, 5, 7.5, 10]) # 自动定位器：由系统自动选择刻度的绘制位置 plt.AutoLocator() # 索引定位器：由offset确定起始刻度，由base确定相邻刻度的间隔 plt.IndexLocator(offset=0.5, base=1.5) # 多点定位器：从0开始，按照参数指定的间隔(缺省1)绘制刻度 plt.MultipleLocator() # 线性定位器：等分numticks-1份，绘制numticks个刻度 plt.LinearLocator(numticks=21) # 对数定位器：以base为底，绘制刻度 plt.LogLocator(base=2)
时间刻度器
文件在我的github中：https://github.com/LXP-Neve/data
import matplotlib.dates as md ax = mp.gca() # 设置刻度定位器 ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO)) # 每周一一个主刻度 ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d')) # 设置主刻度日期的格式 ax.xaxis.set_minor_locator(md.DayLocator()) # 每天一个次刻度 dates = dates.astype(md.datetime.datetime) # 把dates的数据类型改为matplotlib的日期类型
"""加载文件""" import numpy as np import matplotlib.pyplot as mp import datetime as dt import matplotlib.dates as md def dmy2ymd(dmy): # 把日月年字符串转为年月日字符串 dmy = str(dmy, encoding='utf-8') d = dt.datetime.strptime(dmy, '%d-%m-%Y').date() ymd = d.strftime('%Y-%m-%d') return ymd # 加载文件 dates, opening_prices, highest_prices, lowest_prices, closing_prices = \ np.loadtxt('./aapl.csv', delimiter=',', usecols=(1, 3, 4, 5, 6), unpack=True, dtype='M8[D], f8, f8, f8, f8', converters={1: dmy2ymd}) # 绘制收盘价的折线图 mp.figure('AAPL', facecolor='lightgray') mp.title('AAPL', fontsize=18) mp.xlabel('Date', fontsize=14) mp.ylabel('Price', fontsize=14) mp.grid(linestyle=':') mp.tick_params(labelsize=10) ax = mp.gca() # 设置刻度定位器 ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO)) # 每周一一个主刻度 ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d')) # 设置主刻度日期的格式 ax.xaxis.set_minor_locator(md.DayLocator()) # 每天一个次刻度 dates = dates.astype(md.datetime.datetime) # 把dates的数据类型改为matplotlib的日期类型 # 绘制收盘价 mp.plot(dates, closing_prices, label='Closing Prices', linewidth=2, color='dodgerblue', linestyle='--', alpha=0.7) mp.legend() mp.gcf().autofmt_xdate() # 刻度参数倾斜 mp.show()
网格刻度线
ax = plt.gca()
#绘制刻度网格线
ax.grid(which='', axis='', linewidth=1, linestyle='', color='', alpha=0.5)
参数
- which：major 主刻度；minor 次刻度
- axis：'x'、'y'/'both'-->绘制x或y轴
- linewidth：线宽
- linestyle：线型
- color：颜色
- alpha：透明度
import matplotlib.pyplot as plt y = [1, 10, 100, 1000, 100, 10, 1] # 设置刻度定位器 ax = plt.gca() ax.xaxis.set_major_locator(plt.MultipleLocator(1)) ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1)) ax.yaxis.set_major_locator(plt.MultipleLocator(250)) ax.yaxis.set_minor_locator(plt.MultipleLocator(50)) # 绘制刻度网格线 ax.grid(which='major', axis='both', color='orangered', linewidth=0.75) ax.grid(which='minor', axis='both', color='orangered', linewidth=0.25) plt.plot(y, 'o-') plt.show()
指数增长坐标
y轴将以指数方式递增。 基于半对数坐标绘制第二个子图，表示曲线：[1, 10, 100, 1000, 100, 10, 1]。
y = [1, 10, 100, 1000, 100, 10, 1] plt.semilogy(y)
import matplotlib.pyplot as plt plt.figure('Semilogy') plt.subplot(211) y = [1, 10, 100, 1000, 100, 10, 1] # 设置刻度定位器 ax = plt.gca() ax.xaxis.set_major_locator(plt.MultipleLocator(1)) ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1)) ax.yaxis.set_major_locator(plt.MultipleLocator(250)) ax.yaxis.set_minor_locator(plt.MultipleLocator(50)) # 绘制刻度网格线 ax.grid(which='major', axis='both', color='orangered', linewidth=0.75) ax.grid(which='minor', axis='both', color='orangered', linewidth=0.25) plt.plot(y, 'o-') # 半对数坐标系 plt.subplot(212) y = [1, 10, 100, 1000, 100, 10, 1] # 设置刻度定位器 ax = plt.gca() ax.xaxis.set_major_locator(plt.MultipleLocator(1)) ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1)) ax.yaxis.set_major_locator(plt.MultipleLocator(250)) ax.yaxis.set_minor_locator(plt.MultipleLocator(50)) # 绘制刻度网格线 ax.grid(which='major', axis='both', color='orangered', linewidth=0.75) ax.grid(which='minor', axis='both', color='orangered', linewidth=0.25) plt.semilogy(y, 'o-') plt.show()
解决中文乱码问题
默认情况下，Matplotlib中文会出现乱码，只显示方框。
import matplotlib.pyplot as plt x = ['北京', '上海', '深圳', '广州'] y = [60000, 58000, 50000, 52000] plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示符号 plt.plot(x, y) plt.gcf().autofmt_xdate() # 自动设置旋转，避免重叠 plt.show()
只需要配置一下后台字体就可以了。
