Matplotlib库的基本使用

1. 什么是Matplotlib

  • Matplotlib是一款用于数据可视化的Python第三方库；
  • 它能够根据NumPy数组来绘制2D图像。

2. 绘图基础

Matplotlib库太大，画图通常只需要其中的核心模块：matplotlib.pyplot即可，并给一个别名，即：import matplotlib.pyplot as plt。

2.1 绘制图像

import matplotlib.pyplot as plt
 
# 绘制图像
Fig1 = plt.figure()		# 创建新图窗
x = [1,2,3,4,5]			# 数据的x值
y = [1,8,27,64,125]		# 数据的y值
plt.plot(x,y)			# plot函数：先描点，再连线

我们可以让界面展示SVG高清矢量图：

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 绘制图像
Fig1 = plt.figure()		# 创建新图窗
x = [1,2,3,4,5]			# 数据的x值
y = [1,8,27,64,125]		# 数据的y值
plt.plot(x,y)			# plot函数：先描点，再连线

2.2 保存图像

保存图像用.savefig()方法，其需要一个r字符串：r'绝对路径\图像名.后缀'。

  • 绝对路径：即从盘符开始的完整路径；
  • 后缀：可保存图形的格式很多，包括：eps、jpg、pdf、png、ps、svg等。

为了保存清晰的图，推荐保存至svg矢量格式：

Fig1.savefig(r'C:\Users\L\Desktop\我的图.svg')

保存为svg格式后，可直接拖至word或visio中，即可显式高清矢量图。

2.3 两种画图方式

Matplotlib中有两种画图方式：Matlab方式（推荐）和面向对象方式。

两种方式大部分情况下是一样的，且可以相互转化，个别情况有区别。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y = [1,8,27,64,125]
 
# Matlab方式
Fig1 = plt.figure()
plt.plot(x,y)
 
# 面向对象方式
Fig2 = plt.figure()
ax2 = plt.axes()
ax2.plot(x,y)

对于面向对象方式，其实就是先创建图窗，再创建坐标轴。

2.4 图窗与坐标轴

对于图窗：

​ 图像窗口（figure）在Matlab中会单独弹出，该窗口可容纳元素，也可以是空的窗口。在Jupyter中，可以不写plt.figure()也可以看到窗口，但这不是个好习惯。我们在画图前仍然要手动创建窗口，毕竟保存图形的.savefig()方法需要图形对象来调用。

对于坐标轴：

​ 坐标轴（axes）是一个矩形，其下方是x轴的数值与刻度，左侧是y轴的数值与刻度。

3. 多图形的绘制

注意：我们经常使用Jupyter来画图，必须保证图形的图窗创建与画完必须在一个代码块中，不可以分成多个代码块。

3.1 绘制多线条

绘制多线条时，两种方式差别不大：

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式
Fig1 = plt.figure()
plt.plot(x,y1)
plt.plot(x,y2)
plt.plot(x,y3)
 
# 面向对象方式
Fig2 = plt.figure()
ax2 = plt.axes()
ax2.plot(x,y1)
ax2.plot(x,y2)  
ax2.plot(x,y3)

3.2 绘制多子图

绘制多个子图时，两种方法差别比较大：

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式
Fig1 = plt.figure()
plt.subplot(3, 1, 1), plt.plot(x,y1)	# 表示3个子图按照3行1列方式排，该图是第一个 
plt.subplot(3, 1, 2), plt.plot(x,y2)	# 表示3个子图按照3行1列方式排，该图是第二个 
plt.subplot(3, 1, 3), plt.plot(x,y3)
 
# 面向对象方式
Fig2, ax2 = plt.subplots(3)
ax2[0].plot(x,y1)
ax2[1].plot(x,y2)
ax2[2].plot(x,y3)

对于面向对象的方式我们发现Fig2, ax2 = plt.subplots(3)代替了之前的两行代码，所以我们得出结论：以后用面向对象的方式创建图形时，可以直接写Fig2, ax2 = plt.subplots()。

4. 图表类型

4.1 图表类型

plt提供5类基本图表，分别是：二维图（重点）、网格图（重点）、统计图（重点）、轮廓图（用不到）、三维图。

可以查看官方：Pairwise data — Matplotlib 3.9.2 documentation

二维图：只需要两个向量即可绘图，其中线型图可以替代其它所有二维图。

网格图：只需要一个矩阵即可绘图。

统计图：一般做数据分析时使用。

如果需要更多图，可以去官方查看挑选：Examples — Matplotlib 3.9.2 documentation

教程：Tutorials — Matplotlib 3.9.2 documentation

4.2 二维图

只讲解plot线型图函数，其它所有二维图都可用它替代。

4.2.1 设置颜色

plot()函数含color参数，可以设置线条的颜色。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式和面向对象方式无差别
Fig1 = plt.figure()
plt.plot(x, y1, color='#7CB5EC')
plt.plot(x, y2, color='#F7A35C')
plt.plot(x, y3, color='#A2A2D0')
plt.plot(x, y4, color='#F6675D')
plt.plot(x, y5, color='#47ADC7')
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x, y1, color='#7CB5EC')
ax2.plot(x, y2, color='#F7A35C')
ax2.plot(x, y3, color='#A2A2D0')
ax2.plot(x, y4, color='#F6675D')
ax2.plot(x, y5, color='#47ADC7')

颜色是以十六进制存储的。

4.2.2 设置风格

plot()函数含有linestyle参数，可以设置线条的风格。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式和面向对象方式无差别
Fig1 = plt.figure()
plt.plot(x, y1, linestyle='-')
plt.plot(x, y2, linestyle='--')
plt.plot(x, y3, linestyle='-.')
plt.plot(x, y4, linestyle=':')
plt.plot(x, y5, linestyle=' ')		# 注意这里有个隐藏线段，很有用，不要忽视

4.2.3 设置粗细

plot()函数含有linewidth参数，可以设置线条的粗细。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式和面向对象方式无差别
Fig1 = plt.figure()
plt.plot(x, y1, linewidth=0.5)
plt.plot(x, y2, linewidth=1)
plt.plot(x, y3, linewidth=1.5)
plt.plot(x, y4, linewidth=2)

在设置线条粗细时，数字表示磅数，一般以0.5到3为宜。

4.2.4 设置标记

plot()函数含有marker参数，可以设置线条标记。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式和面向对象方式无差别
Fig1 = plt.figure()
plt.plot(x, y1, marker='.')
plt.plot(x, y2, marker='o')
plt.plot(x, y3, marker='^')
plt.plot(x, y4, marker='s')
plt.plot(x, y5, marker='D')

标记可以调整吃寸，用markersize参数调整，其值以3到9为宜。

4.2.5 综合应用

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [1,2,3,4,5] 
y1 =[1,2,3,4,5]
y2 = [0,0,0,0,0]
y3 = [-1,-2,-3,-4,-5]
 
# Matlab方式和面向对象方式无差别
Fig1 = plt.figure()
plt.plot(x, y1, color='#7CB5EC', linestyle='-', linewidth=2, marker='o', markersize=6)
plt.plot(x, y2, color='#F7A35C', linestyle='--', linewidth=2, marker='^', markersize=6)
plt.plot(x, y3, color='#A2A2D0', linestyle='-.', linewidth=2, marker='s', markersize=6)
plt.plot(x, y4, color='#F6675D', linestyle=':', linewidth=2, marker='D', markersize=6)
plt.plot(x, y5, color='#47ADC7', linestyle=' ', linewidth=2, marker='o', markersize=6)

请注意y5的线条，此时为散点图，这种方式的散点图比plt.scatter()效率更高，更推荐。

4.3 网格图

只演示imshow函数，别的基本不用。

注意：面向对象的方式创建网格图会少很多功能，所以建议使用Matlab方式创建。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
import numpy as np
x = np.linspace(0,10,1000)
I = np.sin(x) * np.cos(x).reshape(-1,1)
 
 # Matlab 方式
Fig1 = plt.figure()
plt.imshow(I)

在网格图中还可以配置颜色条，使用plt.colorbar()。

Fig1 = plt.figure()
plt.imshow(I)
plt.colorbar()

4.4 统计图

只演示直方图hist函数，因为其它函数主要出现在数据分析领域。

直方图和条形图的区别：

  • 条形图：可以用plot替代，主要说的是某一种特征不同情况下的数量多少，看不出平均值和标准差；
  • 直方图：统计学函数图，只为了看清某分布的均值和标准差。
import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
 # 创建 10000 个标准正态分布的样本
import numpy as np
data = np.random.randn( 10000 )
 
# Matlab方式
Fig1 = plt.figure()
plt.hist( data )
# 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data )

对该直方图求积分，结果就是个体的总数：10000。

4.4.1 区间个数

bins参数即区间划分的数量，默认为10。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, bins = 30 )
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, bins = 30 )

4.4.2 透明度

Alpha参数表示透明度，默认为1。

 # Matlab 方式
Fig1 = plt.figure()
plt.hist( data, alpha=0.5 )
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, alpha=0.5 )

4.4.3 图表类型

histtype表示类型，默认为'bar'。可以将其改为'stepfilled'，图形就没有夹缝了，像一体的一样。

# Matlab 方式
Fig1 = plt.figure()
plt.hist( data, histtype='stepfilled')
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, histtype='stepfilled' )

4.4.4 直方图颜色

color表示直方图颜色。

 # Matlab 方式
Fig1 = plt.figure()
plt.hist( data, color='#A2A2D0' )
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, color='#A2A2D0' )

4.4.5 边缘颜色

edgecolor表示直方图边缘的颜色。

 # Matlab 方式
Fig1 = plt.figure()
plt.hist( data, edgecolor='#FFFFFF )
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( data, edgecolor='#FFFFFF' )

4.4.6 综合应用

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
 # 创建三个正态分布的样本
import numpy as np
x1 = np.random.normal( 3, 1, 1000 )
x2 = np.random.normal( 6, 1, 1000 )
x3 = np.random.normal( 9, 1, 1000 )
 
 # Matlab 方式
Fig1 = plt.figure()
plt.hist( x1, bins=30, alpha=0.5, color='#7CB5EC', edgecolor='#FFFFFF' )
plt.hist( x2, bins=30, alpha=0.5, color='#A2A2D0', edgecolor='#FFFFFF' )
plt.hist( x3, bins=30, alpha=0.5, color='#47ADC7', edgecolor='#FFFFFF' )
 
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.hist( x1, bins=30, alpha=0.5, histtype='stepfilled', color='#7CB5EC' )
ax2.hist( x2, bins=30, alpha=0.5, histtype='stepfilled', color='#A2A2D0' )
ax2.hist( x3, bins=30, alpha=0.5, histtype='stepfilled', color='#47ADC7' )

5. 图窗属性

5.1 坐标轴上下限

尽管Matplotlib会自动调整图窗为最佳的坐标轴上下限，但有时候我们需要自己设置。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值

有两种方法设置坐标轴上下限：lim和axis。

5.1.1 lim

使用lim时，Matlab方式和面向对象方式出现区别：

  • Matlab：plt.xlim(x下限, x上限)和plt.ylim(y下限, y上限)
  • 面向对象：ax.set_xlim(x下限, x上限)和ax.set_ylim(y下限, y上限)
 # Matlab 方式（lim 法）
Fig1 = plt.figure()
plt.plot(x,y)
plt.xlim(1,5)
plt.ylim(1,125)
# 面向对象方式（lim 法）
Fig2, ax2 = plt.subplots()
ax2.plot(x,y)
ax2.set_xlim(1,5)
ax2.set_ylim(1,125)

5.1.2 axis

  • .axis([x下限, x上限, y下限, y上限])
# Matlab 方式（axis 法）
Fig5 = plt.figure()
plt.plot(x,y)
plt.axis([1, 5, 1, 125])
 # 面向对象方式（axis 法）
Fig6, ax6 = plt.subplots()
ax6.plot(x,y)
ax4.axis([1, 5, 1, 125])

还可以使用plt.axis('equal')使x轴与y轴的比例达到1：1等长。

5.2 标题与轴名

此处，两种创建方式又出现区别：

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
# 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值
 
 # Matlab 方式
Fig1 = plt.figure()
plt.plot(x,y)
plt.title('This is the title.')
plt.xlabel('This is the xlabel')
plt.ylabel('This is the ylabel')
 
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x,y)
ax2.set_title('This is the title.')
ax2.set_xlabel('This is the xlabel')
ax2.set_ylabel('This is the ylabel')

5.3 创建方式的区别

面向对象的方式和Matlab的方式有5种区别：

  • ax.set_xlim()对应plt.xlim()
  • ax.set_ylim()对应plt.ylim()
  • ax.set_title()对应plt.title()
  • ax.set_xlabel()对应plt.xlabel()
  • ax.set_ylabel()对应plt.ylabel()

为了统一，面向对象整合了这5个函数，结合成了一个，即：ax.set(xlim=(), ylim=(), title='', xlabel='', ylabel='')。

5.4 图例

.legend()函数表示图例，一般图例会出现在二维图和统计图中，网格图则用颜色条代替图例。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
 # 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y1 = [ 1, 2, 3, 4, 5 ] # 数据的 y1 值
y2 = [ 0, 0, 0, 0, 0 ] # 数据的 y2 值
y3 = [ -1, -2, -3, -4, -5 ] # 数据的 y3 值
 
 # Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y1, label='y=x')
plt.plot(x, y2, label='y=0')
plt.plot(x, y3, label='y=-x')
plt.legend()
 
 # 面向对象方式
Fig2, ax2 = plt.subplots()
ax2.plot(x ,y1, label='y=x')
ax2.plot(x ,y2, label='y=0')
ax2.plot(x ,y3, label='y=-x')
ax2.legend()

若有些线条的图例你不想展示，去掉函数中的label关键字即可。

legend还有三个常用的关键字参数：loc、frameon和ncol。

  • loc用于表示图例位置，它的值分为两个位置值，一个在upper、center、lower中任选一个，一个在left、center、right中任选一个，如：loc = 'upper right'表示图例显示在右上角。
    • 也可以用loc = 'best'，会自动给你配置到最佳位置。
  • framon用于表示图例边框，不需要边框用：frameon = False。
  • ncol用于表示图例的列数，默认是1列。

5.5 网格

.grid()表示网格，可以给图形加网格。

import matplotlib.pyplot as plt
 
# 展示高清图
from matplotlib_inline import backend_inline
backend_inline.set_matplotlib_formats('svg')
 
 # 准备数据
x = [ 1, 2, 3, 4, 5 ] # 数据的 x 值
y = [ 1, 8, 27, 64, 125 ] # 数据的 y 值
 
 # Matlab 方式
Fig1 = plt.figure()
plt.plot(x, y)
plt.grid()

网格也有美化，有两个参数color和linestyle，与plot里的用法一模一样。

posted @   Zohn-佐恩  阅读(49)  评论(0)  编辑  收藏  举报
相关博文：
·  NumPy库的基本使用
·  Pandas库的基本使用
·  matplotlib绘图详解
·  matplotlib绘图学习
·  Python_matplotlib
阅读排行：
· 震惊！C++程序真的从main开始吗？99%的程序员都答错了
· 别再用vector＜bool＞了！Google高级工程师：这可能是STL最大的设计失误
· 【硬核科普】Trae如何「偷看」你的代码？零基础破解AI编程运行原理
· 单元测试从入门到精通
· 上周热点回顾（3.3-3.9）
点击右上角即可分享
微信分享提示
AI IDE Trae