Python数据科学Matplotlib图库怎么使用

本文小编为大家详细介绍“Python数据科学Matplotlib图库怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“Python数据科学Matplotlib图库怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

Matplotlib 是 Python 的二维绘图库，用于生成符合出版质量或跨平台交互环境的各类图形。

工作流

Matplotlib 绘图的基本步骤：
1  准备数据

2  创建图形

3 绘图

4 自定义设置

5 保存图形

6 显示图形

import matplotlib.pyplot as plt x = [1,2,3,4] # step1 y = [10,20,25,30] fig = plt.figure() # step2 ax = fig.add_subplot(111) # step3 ax.plot(x, y, color='lightblue', linewidth=3) # step3\4 ax.scatter([2,4,6],              [5,15,25],              color='darkgreen',              marker='^') ax.set_xlim(1, 6.5) plt.savefig('foo.png') # step5 plt.show() # step6

准备数据

一维数据

import numpy as np   x = np.linspace(0, 10, 100) y = np.cos(x)  z = np.sin(x)

二维数据或图片

data = 2 * np.random.random((10, 10)) data2 = 3 * np.random.random((10, 10)) Y, X = np.mgrid[-3:3:100j, -3:3:100j] U = -1 - X**2 + Y V = 1 + X - Y**2 from matplotlib.cbook import get_sample_data img = np.load('E:/anaconda3/envs/torch/Lib/site-packages/matplotlib/mpl-data/aapl.npz')

绘制图形

import matplotlib.pyplot as plt

画布

fig = plt.figure() fig2 = plt.figure(figsize=plt.figaspect(2.0))

坐标轴

图形是以坐标轴为核心绘制的，大多数情况下，子图就可以满足需求。子图是栅格系统的坐标轴。

fig.add_axes() ax1 = fig.add_subplot(221) # row-col-num ax3 = fig.add_subplot(212)  fig3, axes = plt.subplots(nrows=2,ncols=2) fig4, axes2 = plt.subplots(ncols=3)

绘图例程

一维数据

fig, ax = plt.subplots() lines = ax.plot(x,y) # 用线或标记连接点 ax.scatter(x,y) # 缩放或着色未连接的点 axes[0,0].bar([1,2,3],[3,4,5]) # 绘制等宽纵向矩形 axes[1,0].barh([0.5,1,2.5],[0,1,2]) # 绘制等高横向矩形 axes[1,1].axhline(0.45) # 绘制与轴平行的横线 axes[0,1].axvline(0.65) # 绘制与轴垂直的竖线 ax.fill(x,y,color='blue') # 绘制填充多边形 ax.fill_between(x,y,color='yellow') # 填充y值和0之间

二维数据或图片

import matplotlib.image as imgplt img = imgplt.imread('C:/Users/Administrator/Desktop/timg.jpg')   fig, ax = plt.subplots() im = ax.imshow(img, cmap='gist_earth', interpolation='nearest', vmin=-200, vmax=200)# 色彩表或RGB数组   axes2[0].pcolor(data2) # 二维数组伪彩色图 axes2[0].pcolormesh(data) # 二维数组等高线伪彩色图 CS = plt.contour(Y,X,U) # 等高线图 axes2[2].contourf(data)      axes2[2]= ax.clabel(CS) # 等高线图标签

向量场

axes[0,1].arrow(0,0,0.5,0.5) # 为坐标轴添加箭头 axes[1,1].quiver(y,z) # 二维箭头 axes[0,1].streamplot(X,Y,U,V) # 二维箭头

数据分布

ax1.hist(y) # 直方图 ax3.boxplot(y) # 箱形图 ax3.violinplot(z) # 小提琴图

自定义图形 颜色、色条与色彩表

plt.plot(x, x, x, x**2, x, x**3) ax.plot(x, y, alpha = 0.4) ax.plot(x, y, c='k') fig.colorbar(im, orientation='horizontal') im = ax.imshow(img,                                   cmap='seismic')

标记

fig, ax = plt.subplots() ax.scatter(x,y,marker=".") ax.plot(x,y,marker="o")

线型

plt.plot(x,y,linewidth=4.0) plt.plot(x,y,ls='solid')  plt.plot(x,y,ls='--') plt.plot(x,y,'--',x**2,y**2,'-.') plt.setp(lines,color='r',linewidth=4.0)

文本与标注

ax.text(1,          -2.1,         'Example Graph',         style='italic') ax.annotate("Sine",             xy=(8, 0),              xycoords='data',             xytext=(10.5, 0),              textcoords='data',             arrowprops=dict(arrow,             connection),)

数学符号

plt.title(r'$sigma_i=15$', fontsize=20)

尺寸限制、图例和布局

尺寸限制与自动调整

ax.margins(x=0.0,y=0.1) # 添加内边距 ax.axis('equal') # 将图形纵横比设置为1 ax.set(xlim=[0,10.5],ylim=[-1.5,1.5]) # 设置x轴与y轴的限 ax.set_xlim(0,10.5)

图例

ax.set(title='An Example Axes',        ylabel='Y-Axis',          xlabel='X-Axis') # 设置标题与x、y轴的标签 ax.legend(loc='best') # 自动选择最佳的图例位置

标记

ax.xaxis.set(ticks=range(1,5),             ticklabels=[3,100,-12,"foo"]) # 手动设置X轴刻度 ax.tick_params(axis='y',                                      direction='inout',                  length=10) # 设置Y轴长度与方向

子图间距

fig3.subplots_adjust(wspace=0.5,                     hspace=0.3,                     left=0.125,                      right=0.9,                      top=0.9,                      bottom=0.1) fig.tight_layout() # 设置画布的子图布局

坐标轴边线

ax1.spines['top'].set_visible(False) # 隐藏顶部坐标轴线 ax1.spines['bottom'].set_position(('outward',10)) # 设置底部边线的位置为outward

保存

#保存画布 plt.savefig('foo.png') # 保存透明画布 plt.savefig('foo.png', transparent=True)

显示图形

plt.show()

关闭与清除

plt.cla() # 清除坐标轴 plt.clf() #  清除画布 plt.close() # 关闭窗口

读到这里，这篇“Python数据科学Matplotlib图库怎么使用”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注亿速云行业资讯频道。