最强Matplotlib思维导图

根据B站莫烦的视频教程整理而来, Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用,提供了一种有效的 MatLab 开源替代方案。

Matplotlib

• 1.简介
  • 1.1 为什么用Matplotlib
    • 1.Matplotlib 是一个非常强大的 Python 画图工具
    • 2.手中有很多数据, 可是不知道该怎么呈现这些数据
  • 1.2 Matplotlib安装
    • 1.Linux
      • $ sudo apt-get install python3-matplotlib
    • 2.MacOS
      • $ pip3 install matplotlib
    • 3.Windows
      • 1.确保你有安装 Visual Studio
      • 2.去这个网址: https://pypi.python.org/pypi/matplotlib/ 找到一个适合你自己 python 版本的 wheel (.whl) 文件
      • 3.用 CMD 找到这个 .whl 文件目录, 然后 pip 安装
      • 4.如果安装不成功, 还有一种方法可以简便安装所有科学运算模块. 可以搜索一下 Anaconda python
• 2.基本使用
  • 2.1 基本用法
    • 1.导包
      • 使用import导入模块matplotlib.pyplot,并简写成plt
    • 2.定义数据
      • 1.使用np.linspace定义x：范围是(-1,1);个数是50. 仿真一维数据组(x ,y)表示曲线1
      • x = np.linspace(-1, 1, 50) y = 2*x + 1
    • 3.定义窗口
      • 1.plt.figure():　使用plt.figure定义一个图像窗口
    • 4.画曲线
      • 1.plt.plot(x, y): 使用plt.plot画(x ,y)曲线
    • 5.显示图像
      • 1.plt.show(): 使用plt.show显示图像
    • 6.图标含义
      • 用鼠标选中区域后,可以显示细节(当数据量比较大时)
      • 回到初始图形
      • 可以移动图片显示不同的位置
      • 可以调整边框的显示
      • 保存图片
  • 2.2 figure图像
    • 1.说明
      • figure 就是一个 单独的 figure 小窗口, 小窗口里面还可以有更多的小图片
    • 2.定义具体窗口
      • 1.使用plt.figure定义一个图像窗口：编号为3；大小为(8, 5)
      • plt.figure(num=3, figsize=(8, 5))
    • 3.画曲线
      • 1.使用plt.plot画(x ,y1)曲线,曲线的颜色属性(color)为红色;曲线的宽度(linewidth)为1.0；曲线的类型(linestyle)为虚线
      • plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
  • 2.3 设置坐标轴
    • 1.设置坐标轴范围
      • 1.plt.xlim((-1, 2))
        • 使用plt.xlim设置x坐标轴范围：(-1, 2)
      • 2.plt.ylim((-2, 3))
        • 使用plt.ylim设置y坐标轴范围：(-2, 3)
    • 2.设置坐标轴名称
      • 1.plt.xlabel('I am x')
        • 使用plt.xlabel设置x坐标轴名称：'I am x'
      • 2.plt.ylabel('I am y')
        • 使用plt.ylabel设置y坐标轴名称：'I am y'
    • 3.设置坐标轴刻度
      • new_ticks = np.linspace(-1, 2, 5) print(new_ticks) plt.xticks(new_ticks)
        • 使用np.linspace定义范围以及个数：范围是(-1,2);个数是5. 使用print打印出新定义的范围. 使用plt.xticks设置x轴刻度：范围是(-1,2);个数是5
      • plt.yticks([-2, -1.8, -1, 1.22, 3], [r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$']) plt.show()
        • 使用plt.yticks设置y轴刻度以及名称：刻度为[-2, -1.8, -1, 1.22, 3]； 对应刻度的名称为['really bad','bad','normal','good', 'really good']. 使用plt.show显示图像
        • 使用$符号可以转换成其他字体,$符号中必须用转义符\才能显示出空格, r代表是正则表达式 用$alpha可以转换出α
    • 4.隐藏坐标轴
      • plt.xticks(())
      • plt.yticks(())
  • 2.4 转为十字坐标轴
    • 1.设置边框颜色消失
      • 1.获取当前坐标轴信息
        • 1.ax = plt.gca()
          • (get current axis)
      • 2.设置边框颜色
        • 1.ax.spines['right'].set_color('none')
          • 右侧边框；使用.set_color设置边框颜色：默认白色
        • 2.ax.spines['top'].set_color('none')
          • 上边框；使用.set_color设置边框颜色：默认白色
    • 2.调整坐标轴
      • 1.ax.xaxis.set_ticks_position('bottom')
        • 1.设置x坐标刻度数字或名称的位置：bottom
        • 2.所有位置：top,bottom,both,default,none
      • 2.ax.spines['bottom'].set_position(('data', 0))
        • 1.使用.spines设置边框：x轴；使用.set_position设置边框位置：y=0的位置
        • 2.位置所有属性：outward,axes,data
      • 3.ax.yaxis.set_ticks_position('left')
        • 1.设置y坐标刻度数字或名称的位置：left
        • 2.所有位置：left,right,both,default,none
      • 4.ax.spines['left'].set_position(('data',0))
        • 1.使用.spines设置边框：y轴；使用.set_position设置边框位置：x=0的位置
        • 2.位置所有属性：outward,axes,data
  • 2.5 Legend图例
    • 1.添加图例
      • 1.说明
        • legend 图例就是为了帮我们展示出每个数据对应的图像名称. 更好的让读者认识到你的数据结构
      • 2.设置两条线类型
        • l1, = plt.plot(x, y1, label='linear line') l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')
        • l1, l2,要以逗号结尾, 因为plt.plot() 返回的是一个列表
      • 3.添加图例
        • 1.legend将要显示的信息来自于上面代码中的 label
        • 2.plt.legend(loc='upper right')
          • 图例将添加在图中的右上角
    • 2.调整位置和名称
      • 1.plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='best')
      • 2.其中'loc'参数有多种,'best'表示自动分配最佳位置,其余的如下：
        • 'best' : 0, 'upper right' : 1, 'upper left' : 2, 'lower left' : 3, 'lower right' : 4, 'right' : 5, 'center left' : 6, 'center right' : 7, 'lower center' : 8, 'upper center' : 9, 'center' : 10,
  • 2.6 Annotation标注
    • 1.plt 里面的 annotate
      • 1.画出一条垂直于x轴的虚线
        • plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
          • k表示黑色,--为虚线
      • 2.对(x0, y0)这个点进行标注
        • plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
        • xycoords='data' 是说基于数据的值来选位置, xytext=(+30, -30) 和 textcoords='offset points' 对于标注位置的描述 和 xy 偏差值, arrowprops是对图中箭头类型的一些设置
    • 2.plt 里面的 text
      • plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$', fontdict={'size': 16, 'color': 'r'})
      • 其中-3.7, 3,是选取text的位置, 空格需要用到转字符\,fontdict设置文本字体
  • 2.7 tick 能见度
    • 1.说明
      • 当图片中的内容较多,相互遮盖时,我们可以通过设置相关内容的透明度来使图片更易于观察
    • 2.调整坐标
      • 1.x轴和y轴的刻度 数字进行透明度设置
        • for label in ax.get_xticklabels() + ax.get_yticklabels(): label.set_fontsize(12) # 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序 label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7, zorder=2)) plt.show()
        • label.set_fontsize(12)重新调节字体大小, bbox设置目的内容的透明度相关参数,facecolor调节 box 前景色, edgecolor 设置边框, 本处设置边框为无,alpha设置透明度
• 3.画图种类
  • 3.1 Scatter 散点图
    • 1.生成数据
      • n = 1024 # data size X = np.random.normal(0, 1, n) # 每一个点的X值 Y = np.random.normal(0, 1, n) # 每一个点的Y值
        • 生成1024个呈标准正态分布的二维数据组 (平均数是0,方差为1) 作为一个数据集
      • T = np.arctan2(Y,X) # for color value
        • 图像化这个数据集。每一个点的颜色值用T来表示
    • 2.图像化
      • plt.scatter(X, Y, s=75, c=T, alpha=.5)
        • 输入X和Y作为location,size=75,颜色为T,color map用默认值,透明度alpha 为 50%
  • 3.2 Bar柱状图
    • 1.生成基本图形
      • plt.bar(X, +Y1)
    • 2.加颜色
      • plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
        • 用facecolor设置主体颜色,edgecolor设置边框颜色为白色
    • 3.加数据
      • for x, y in zip(X, Y1): #不用zip每次只会输出一个数值 # ha: horizontal alignment # va: vertical alignment plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')
        • 用函数plt.text分别在柱体上方（下方）加上数值, 用%.2f保留两位小数,横向居中对齐ha='center', 纵向底部（顶部）对齐va='bottom'
  • 3.3 Contours等高线图
    • 1.生成数据
      • def f(x,y): # the height function return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2) n = 256 x = np.linspace(-3, 3, n) y = np.linspace(-3, 3, n) X,Y = np.meshgrid(x, y)
        • 数据集即三维点 (x,y) 和对应的高度值,共有256个点。 高度值使用一个 height function f(x,y) 生成。 x, y 分别是在区间 [-3,3] 中均匀分布的256个值, 并用meshgrid在二维平面中将每一个x和每一个y分别对应起来,编织成栅格
    • 2.颜色填充
      • plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)
        • 位置参数分别为：X, Y, f(X,Y)。透明度0.75, 并将 f(X,Y) 的值对应到color map的暖色组中寻找对应颜色
    • 3.画等高线
      • C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)
        • 位置参数为：X, Y, f(X,Y)。颜色选黑色,线条宽度选0.5 8代表等高线的密集程度,这里被分为10个部分。如果是0,则图像被一分为二
    • 4.添加高度数字
      • plt.clabel(C, inline=True, fontsize=10)
        • inline控制是否将Label画在线里面,字体大小为10
  • 3.4 Image图片
    • 1.随机矩阵画图
      • 1.打印出的是纯粹的数字,而非自然图像。 用3x3的2D-array来表示点的颜色,每一个点就是一个pixel
      • plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
      • 之前选cmap的参数时用的是：cmap=plt.cmap.bone,而现在,可以直接用单引号传入参数。 origin='lower'代表的就是选择的原点的位置,origin='upper'的图像会和数字完全对应
    • 2.出图方式
    • 3.colorbar
      • plt.colorbar(shrink=.92)
        • 添加一个colorbar,添加一个shrink参数,使colorbar的长度变短为原来的92%
  • 3.5 3D 数据
    • 1. 3D 图
      • 1.导包
        • 进行 3D Plot 时除了导入 matplotlib ,还要额外添加一个模块,即 Axes3D 3D 坐标轴显示
        • from mpl_toolkits.mplot3d import Axes3D
      • 2.添加3D坐标轴
        • fig = plt.figure() ax = Axes3D(fig)
      • 3.添加数据
        • X = np.arange(-4, 4, 0.25) Y = np.arange(-4, 4, 0.25) X, Y = np.meshgrid(X, Y) # x-y 平面的网格 R = np.sqrt(X ** 2 + Y ** 2) # height value Z = np.sin(R)
          • 给进 X 和 Y 值,并将 X 和 Y 编织成栅格。 每一个（X, Y）点对应的高度值用下面这个函数来计算
      • 4.填充颜色
        • ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
        • rstride 和 cstride 分别代表 row 和 column 的跨度
    • 2.投影
      • 1.添加 XY 平面的等高线
        • ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
        • 如果 zdir 选择了x,那么效果将会是对于 XZ 平面的投影,offset偏移到什么位置
• 4.多图合并
  • 4.1 Subplot多合—显示
    • 1.均匀图中图
      • 1.分割窗口
        • plt.subplot(2,2,1)
          • 将整个图像窗口分为2行2列, 当前位置为1
      • 2.创建小图
        • plt.subplot(2,2,1) plt.plot([0,1],[0,1])
          • 在第1个位置创建一个小图
        • plt.subplot(2,2,2) plt.plot([0,1],[0,2])
          • 在第2个位置创建一个小图
    • 2.不均匀图中图
      • 1.分割窗口
        • plt.subplot(2,1,1)
          • 将整个图像窗口分为2行1列, 当前位置为1
      • 2.创建小图
        • plt.subplot(2,1,1) plt.plot([0,1],[0,1])
          • 在第1个位置创建一个小图
        • plt.subplot(2,3,4) plt.plot([0,1],[0,2])
          • 在第4个位置创建一个小图
      • 为什么第4个位置放第2个小图. 上一步中使用plt.subplot(2,1,1)将整个图像窗口分为2行1列, 第1个小图占用了第1个位置, 也就是整个第1行. 这一步中使用plt.subplot(2,3,4)将整个图像窗口分为2行3列, 于是整个图像窗口的第1行就变成了3列, 也就是成了3个位置, 于是第2行的第1个位置是整个图像窗口的第4个位置
  • 4.2 Subplot分格显示
    • 1.subplot2grid
      • ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3) ax1.plot([1, 2], [1, 2]) # 画小图 ax1.set_title('ax1_title') # 设置小图的标题 ax1.set_xlabel('ax1_x') # 对x轴命名 ax1.set_ylabel('ax1_y')
      • 创建第1个小图, (3,3)表示将整个图像窗口分成3行3列, (0,0)表示从第0行第0列开始作图,colspan=3表示列的跨度为3, rowspan=1表示行的跨度为1. colspan和rowspan缺省, 默认跨度为1
    • 2.gridspec
      • 1.导包
        • import matplotlib.gridspec as gridspec
      • 2.分割窗口
        • gs = gridspec.GridSpec(3, 3)
          • 将整个图像窗口分成3行3列
      • 3.作图
        • ax6 = plt.subplot(gs[0, :]) ax7 = plt.subplot(gs[1, :2]) ax8 = plt.subplot(gs[1:, 2]) ax9 = plt.subplot(gs[-1, 0]) ax10 = plt.subplot(gs[-1, -2])
          • gs[0, :]表示这个图占第0行和所有列, gs[1, :2]表示这个图占第1行和第2列前的所有列, gs[1:, 2]表示这个图占第1行后的所有行和第2列, gs[-1, 0]表示这个图占倒数第1行和第0列, gs[-1, -2]表示这个图占倒数第1行和倒数第2列
    • 3.subplots
      • f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True)
      • f表示传出来的窗口参数, 想更改窗口的参数都通过f修改 建立一个2行2列的图像窗口,sharex=True表示共享x轴坐标, sharey=True表示共享y轴坐标. ((ax11, ax12), (ax13, ax14))表示第1行从左至右依次放ax11和ax12, 第2行从左至右依次放ax13和ax14
  • 4.3 图中图
    • 1.确定大图位置
      • left, bottom, width, height = 0.1, 0.1, 0.8, 0.8 ax1 = fig.add_axes([left, bottom, width, height]) ax1.plot(x, y, 'r')
        • 确定大图左下角的位置以及宽高 4个值都是占整个figure坐标系的百分比 将大图坐标系添加到figure中,颜色为r(red)
    • 2.确定小图位置
      • left, bottom, width, height = 0.2, 0.6, 0.25, 0.25 ax2 = fig.add_axes([left, bottom, width, height]) ax2.plot(y, x, 'b')
        • 注意坐标系位置和大小的改变
      • plt.axes([0.6, 0.2, 0.25, 0.25]) plt.plot(y[::-1], x, 'g') # 注意对y进行了逆序处理
        • 直接往plt里添加新的坐标系
  • 4.4 次坐标轴
    • 1.获取figure默认的坐标系 ax1
      • fig, ax1 = plt.subplots()
    • 2.对ax1调用twinx()方法,生成如同镜面效果后的ax2
      • ax2 = ax1.twinx()
• 5.动画
  • 5.1 Animation 动画
    • 1.定义函数
      • 1.导包
        • from matplotlib import animation
      • 2.数据: 0~2π内的正弦曲线
        • x = np.arange(0, 2*np.pi, 0.01) line, = ax.plot(x, np.sin(x))
      • 3.构造自定义动画函数animate
        • def animate(i): line.set_ydata(np.sin(x + i/10.0)) return line,
        • 用来更新每一帧上各个x对应的y坐标值,参数表示第i帧,返回列表
      • 4.构造开始帧函数init
        • def init(): line.set_ydata(np.sin(x)) return line,
    • 2.参数设置
      • ani = animation.FuncAnimation(fig=fig, func=animate, frames=100, init_func=init, interval=20, blit=False)
        • 1. fig 进行动画绘制的figure 2. func 自定义动画函数,即传入刚定义的函数animate 3. frames 动画长度,一次循环包含的帧数 4. init_func 自定义开始帧,即传入刚定义的函数init 5. interval 更新频率,以ms计 6. blit 选择更新所有点/更新产生变化的点。应选择True,但mac用户请选择False
    • 3.保存动画
      • ani.save('basic_animation.mp4', fps=30, extra_args=['-vcodec', 'libx264'])
      • 将动画以mp4格式保存下来,但首先要保证你已经安装了ffmpeg 或者mencoder