matplotlib 示例

示例1

import numpy as np
import matplotlib.pyplot as plt 
#plt.rcParams['font.family'] = ['sans-serif']
#用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['Simhei']
#用来正常显示负号
plt.rcParams['axes.unicode_minus']=False 

t = np.arange(1,10, 0.05) 
x = np.sin(t) 
y = np.cos(t) 

# 绘制一个圆形散点图的示例
#定义一个图像窗口
plt.figure(figsize=(6,5)) 
#绘制一条线
plt.plot(x,y,'r-.')
#使坐标轴相等
plt.axis('equal')
plt.xlabel('正弦') 
plt.ylabel('余弦')
plt.title('一个圆形') 
#显示图像
plt.show()

　　

示例2

import numpy as np
import matplotlib.pyplot as plt 
##subplot()绘制多个子图

#生成X
x1 = np.linspace(0.0, 5.0) 
x2 = np.linspace(0.0, 2.0) 
#生成Y
y1 = np.cos(2*np.pi*x1) * np.exp(-x1) 
y2 = np.cos(2*np.pi*x2) 
##绘制第一个子图
plt.subplot(2, 1, 1) 
plt.plot(x1, y1,'y-o') 
plt.title('A Tale of 2 Subplots')
plt.ylabel('Damped oscillation') 
##绘制第二个子图
plt.subplot(2,1, 2) 
plt.plot(x2,y2,'r-o') 
plt.xlabel('time(s)') 
plt.ylabel('Undamped') 
plt.show() 

示例3

#直方图
import numpy as np 
import matplotlib.pyplot as plt 
from scipy import stats


#example data 
mu = 100         #分布的均值
sigma = 15       #分布的标准差
x = mu + sigma * np.random.randn(10000) 

#直方图的条数
num_bins = 50 
#绘制直方图
n,bins,patches=plt.hist(x,num_bins,density=1, color='g',alpha=0.5)
#添加一个最佳拟合和曲线
y = stats.norm.pdf(bins, mu, sigma) #返回关于数据的 pdf 数值（概率密度函数）
plt.plot(bins,y,'r--') 
plt.xlabel('Smarts') 
plt.ylabel('Probability') 
#在图中添加公式需要使用 latex 的语法（$$）
plt.title('Histogram of IQ : $\mu=100$ , $\sigma=15$') 
#调整图像的间距，防止 轴数值与 label 重合
plt.subplots_adjust(left=0.15) 
plt.show() 

print("Bind:\n",bins)

坑：plt.hist中原来的normed没有了，替换成了density，否则画不出来。

示例4

#matplotlib 绘制三维图像
import numpy as np 
from matplotlib import cm 
import matplotlib.pyplot as plt 
from mpl_toolkits.mplot3d import Axes3D 

#生成数据
delta = 0.2 
x = np.arange(-3,3, delta) 
y = np.arange(-3,3, delta) 
X, Y = np.meshgrid(x,y) 
Z = X**2 + Y**2
x = X.flatten() 
#返回一维的数组，但该函数只能适用于 numpy 对象（ array 或者 mat)
y = Y.flatten() 
z = Z.flatten() 
fig = plt.figure(figsize=(12,6))
ax1 = fig.add_subplot(121 , projection='3d') 
ax1.plot_trisurf(x,y,z, cmap=cm.jet , linewidth=0.01) 
#cmap 指颜色，默认绘制为 RGB(A ）颜色空间， jet 表示”蓝 红”颜色
plt.title("3D") 
ax2 = fig.add_subplot(122) 
cs= ax2.contour(X, Y, Z, 15 , cmap='jet') 
#注意这里是大写 X,Y,Z 15 代表的是显示等高线的密集程度，数值越大，画的等
#高线数就越多
ax2.clabel(cs,inline=True,fontsize=10,fmt='%1.1f') 
plt.title('Contour') 
plt.show() 

示例5

#三维图像＋各个轴的投影等高线
from mpl_toolkits.mplot3d import axes3d 
import matplotlib.pyplot as plt 
from matplotlib import cm 
fig= plt.figure (figsize=(8 , 6)) 
ax= fig.gca(projection='3d') 
#生成 维测试数据
X, Y, Z = axes3d.get_test_data(0.05) 
ax.plot_surface(X, Y, Z, rstride=8, cstride=8, alpha=0.3) 
cset = ax.contour(X, Y, Z, zdir='z', offset=-100 , cmap=cm.coolwarm) 
cset = ax.contour(X, Y, Z, zdir='x', offset=-40 , cmap=cm.coolwarm) 
cset=ax.contour(X, Y, Z, zdir= 'y',offset=40 , cmap=cm.coolwarm) 
ax.set_xlabel('x') 
ax.set_xlim (-40 , 40) 
ax.set_ylabel ('Y') 
ax.set_ylim(-40 , 40) 
ax.set_zlabel ('z') 
ax.set_zlim (-100 , 100) 
plt.show() 

示例6

import numpy as np 
import matplotlib . pyplot as plt 
#生成数据
n_groups = 5 #组数
#平均分和标准差
means_men = (20 , 35 , 30 , 35 , 27) 
std_men = (2 , 3 ,4 ,1 , 2) 
means_women = (25 , 32 , 34 , 20 , 25) 
std_women = (3 , 5 , 2 , 3 , 3) 
#条形图
fig , ax= plt.subplots() 
#生成 0, 1. 2, 3 , .. 
index= np.arange (n_groups) 
bar_width = 0.35 #条的宽度
opacity= 0.4 
error_config = {'ecolor': '0.3'} 
#条形图中的第一类条
rectsl = plt.bar(index , means_men , bar_width,
    alpha = opacity,
    color ='b',
    yerr = std_men,
    error_kw = error_config,
    label = 'Men') 
#条形图中的第二类条
rects2 = plt.bar(index +bar_width , means_women , bar_width,
    alpha = opacity,
    color = 'r',
    yerr = std_women, 
    error_kw = error_config, 
    label = 'Women') 
plt.xlabel('Group') 
plt.ylabel('Scores') 
plt. title('Scores by group and gender')
plt.xticks(index + bar_width, ('A','B','C','D','E')) 
plt.legend() 
#自动调整 subplot 的参数给指定的填充区
plt.tight_layout() 
plt.show() 

示例7 

#饼图
import matplotlib.pyplot as plt 
#切片将按顺时针方向排列并绘制
labels = 'Frogs','Hogs','Dogs','Logs' #标注
sizes = [15 , 30 , 45 , 10]             #大小
colors = ['yellowgreen','gold','lightskyblue','lightcoral'] #颜色
# 0.1代表第二个块从圆中分离出来
explode = (0 ,0, 0, 0.1) 
#绘制饼图
plt.pie(sizes, explode=explode , labels=labels, colors=colors, 
    autopct = '%1.1f%%', shadow=True , startangle=90) 
plt.axis('equal') 
plt.show() 

示例8 

#气泡图（散点图〉
import matplotlib.pyplot as plt 
import pandas as pd 
#导入数据
df_data= pd.read_csv("https://github.com/sileixinhua/Python_data_science_by_iris/
                     blob/master/iris.csv")
print(df_data.head())

#作图
fig , ax = plt.subplots() 
#设置气泡图颜色

colors =15* ["yellowgreen","gold","green","blue","red","black",
          'lightskyblue','lightcoral','yellow','pink']

#创建气泡图 SepalLength x, SepalWidth ，同时设置 PetalLength 为气
#泡大 ，并设置颜色透明度等
ax.scatter(df_data['sepal_length'],df_data['sepal_width'],s= df_data['petal_length']*100,color = colors,alpha = 0.6)
#第三个变 表明根据［ PetalLength ］门 00 数据显示气泡的大小
ax.set_xlabel ('sepal_length(cm)') 
ax.set_ylabel ('epal_width(cm)') 
ax.set_title ('petal_length(cm)*100')
#显示网格
ax.grid(True) 
fig.tight_layout() 
plt.show()