快速入门 Matplotlib 绘图库

Hujiawei 发布于2019-07-31 11:06 / 866人阅读

摘要：概述是使用开发的一个绘图库，是界进行数据可视化的首选库。可以通过图形示例来快速浏览所有支持的图形。最后，调用把绘制好的图形显示出来。对应于三个参数，表示行，表示列，表示位置。因此，表示在图表中总共有个图形，当前新增的图形添加到位置。

概述

Matplotlib 是使用 Python 开发的一个绘图库，是 Python 界进行数据可视化的首选库。
它提供了绘制图形的各种工具，支持的图形包括简单的散点图、曲线图和直方图，也包括复杂的三维图形等，基本上做到了只有你想不到，没有它做不到的地步。可以通过图形示例来快速浏览所有支持的图形。

Hello Matplotlib

从最简单开始，绘制一条正玄曲线：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.plot(x, y)
plt.show()

运行后看到的结果类似为：

最开始时，引入相关模块并重命名为 np 和 plt ，其中 np 用来生成图形数据，plt 就是我们的绘图模块。

接着使用 np.linspace 生成了包含 50 个元素的数组作为 x 轴数据，这些元素均匀的分布在 [0, 2π] 区间上。然后使用 np.sin 生成 x 对应的 y 轴数据。

再接着 plt.plot(x, y) 会自动创建一个图形，并把 x 和 y 绘制到图形上。

最后，调用 plt.show() 把绘制好的图形显示出来。

注意，使用 plot() 方法时我们传入了两组数据： x 和 y，分别对应 x 轴和 y 轴。如果仅仅传入一组数据的话，那么该数据就是 y 轴数据， x 轴将会使用数组索引作为数据。例如 plt.plot(y) 的结果为：

图表组成

从上面绘制的图表中，可以看到它包含有 x 、y 轴刻度和曲线本身，但一个完整的图表还可以展示更多的信息。

下图展示了图表的所有元素：

图表是用户所见的整张图片，它管理着所有的坐标系，辅助元素（标题、图例等）和画布。只要知道画布是真正绘制图形的地方就可以了，对它不用了解太多。一张图表可以有多个坐标系，因为它可以有多个图形，一个坐标系只能属于一张图表。比如下图，

它在一张图表内画了四个图形，每个图形都有自己独立的坐标系。二维坐标系包含两条坐标轴，三维的话则是三条。

注意区分图表和图形，图表是整张图片，图形是图表的一部分。

另一种编程风格

在前面绘制正玄曲线的代码中，可能并不太好理解图表是何时、如何创建的。
下面换用另一种编程风格实现相同的正玄曲线图形，这可以帮助我们理解更详细的过程。

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.plot(x, y)

plt.show()

可以看出，与之前的编码相比，这里多了两行代码，而且使用 ax 代替 plot 来绘制图形。
其中，fig = plt.figure() 显式创建了一个图表对象 fig，刚创建的图表此时还是空的，什么内容都没有。
接着，ax = fig.add_subplot(1, 1, 1) 往图表中新增了一个图形对象，返回值 ax 为该图形的坐标系。

add_subplot() 的参数指明了图形数量和图形位置。(1, 1, 1) 对应于 (R, C, P) 三个参数，R 表示行，C 表示列，P 表示位置。因此，(1, 1, 1) 表示在图表中总共有 1 x 1 个图形，当前新增的图形添加到位置 1 。
如果改为 fig.add_subplot(1, 2, 1) 则表示图表拥有 1 行 2 列总共有 2 个图形，最终展示结果为：

右边的空白处为位置 2 的图形位置，因为没有往该位置添加图形，所以显示为空白。

(1, 1, 1) 也可以简写为三个数字组成的三位整数，即 plt.add_subplot(111) 。

这种编程风格更符合程序员的编程习惯，所以推荐使用这种编程风格。

使用这种编程风格时，Matplotlib 的基本使用过程可总结如下：

应用实践

利用上面学到的概念，下面绘制了一个更复杂些的图表，里面使用了一些常用接口，最终效果如下：

代码实现：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 50)

# 创建图表
fig = plt.figure(figsize=(13, 9), dpi=90)
fig.suptitle("Figure Example")

# 绘制图形 1
ax1 = fig.add_subplot(2, 2, 1)
ax1.set_title("Subplot 1")
ax1.plot(x, np.sin(x))
ax1.plot(x, np.sin(2 * x))

# 绘制图形 2
ax2 = fig.add_subplot(2, 2, 2)
ax2.set_title("Subplot 2")
ax2.plot(x, np.sin(x), "r-o", label="Sin(x)")
ax2.plot(x, np.cos(x), color="green", linestyle="dashed", label="Cos(x)")
ax2.legend()
ax2.set_xlabel("Rads")
ax2.set_ylabel("Amplitude")

# 绘制图形 3
ax3 = fig.add_subplot(2, 2, 3)
ax3.set_title("Subplot 3")
ax3.scatter(x, np.sin(x), marker="^")
ax3.scatter(x, np.cos(x + np.pi / 2), marker="x")
ax3.axhline(0, color="red", linestyle="dashed", linewidth=0.5)
ax3.axvline(np.pi, color="red", linestyle="dashed", linewidth=0.5)

# 绘制图形 4
fig.add_subplot(2, 2, 4)
ax4 = fig.axes[3]
ax4.set_title("Subplot 4")
ax4.hist(np.random.randn(100), 10)

plt.show()

如果想对图形做更多自定义的部分，可以在 Axes API 查询相关接口。

云服务器混合云使用matplotlib绘图 python绘图入门前端快速入门云计算快速入门

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/44664.html

Python学习笔记：数据可视化(一)

摘要：当数据发生变化时，这种演变过程随之发生。是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 showImg(https://segmentfault.com/img/bVbnkP1?w=751&h=558); python相关基础概念数据:离散的，客观事实的数字表示信息：处理后的数据，为实际问题提供答案　　- 为数据提供一种关系或一个关联后，数据就成了信...

Crazy_Coder 2019-07-31 11:07 评论0 收藏0
Python--matplotlib绘图可视化知识点整理

摘要：本文作为学习过程中对一些常用知识点的整理，方便查找。所有绘图操作仅对当前图和当前坐标有效。表示把图标分割成的网格。每个对象都是一个拥有自己坐标系统的绘图区域。避免比例压缩为椭圆数据可视化入门教程绘图核心剖析如何调整子图的大小本文作为学习过程中对matplotlib一些常用知识点的整理，方便查找。强烈推荐ipython无论你工作在什么项目上，IPython都是值得推荐的。利用ipyt...

nifhlheimr 2019-07-25 10:22 评论0 收藏0
用Python学数学相关教程、开源包推荐与下载

摘要：在上篇文章里，为大家推荐了一些数学学习的软件和微积分线性代数概率统计的学习视频，今天再推荐一些精心挑选的经典教材，并为大家提供电子书的下载链接，和视频搭配起来一起学习，效果会更好。我们要使用的以及等都包含在里面，无需额外下载。在上篇文章里，为大家推荐了一些数学学习的软件和微积分、线性代数、概率统计的学习视频，今天再推荐一些精心挑选的经典教材，并为大家提供电子书的下载链接，和视频搭配起...

wapeyang 2019-07-31 10:30 评论0 收藏0
【数据科学系统学习】Python # 数据分析基本操作[三] matplotlib

摘要：有一些表示常见图形的对象称为块，完整的集合位于。中的绘图函数在中，有行标签列标签分组信息。密度图通过计算可能会产生观测数据的连续概率分布的估计而产生的。在探索式数据分析工作中，同时观察一组变量的散布图是很有意义的。我们在上一篇介绍了 pandas，本篇介绍 matplotlib。绘图和可视化一个用于创建出版质量图表的桌面绘图包。 Matplotlib API入门 Figure ...

BDEEFE 2019-07-31 11:10 评论0 收藏0
这里有8个流行的Python可视化工具包，你喜欢哪个？

摘要：下面，作者介绍了八种在中实现的可视化工具包，其中有些包还能用在其它语言中。当提到这些可视化工具时，我想到三个词探索数据分析。还可以选择样式，它模拟了像和等很流行的美化工具。有很多数据可视化的包，但没法说哪个是最好的。 showImg(https://segmentfault.com/img/remote/1460000019029121); 作者：Aaron Frederick 喜欢用...

testbird 2019-07-31 10:21 评论0 收藏0