Matplotlib绘图基础--相关函数、绘图保存与显示、设置pyplot的动态rc参数、绘图的填充、pyplot中的常用绘图

糟老头修炼记 2020-04-24

1989

1.Matplotlib相关函数

figure（）：创建一个新的绘图窗口。

figtext（）：为figure添加文字

axes（）：为当前figure添加一个坐标轴

plot（）：绘图函数

polar（）：绘制极坐标图

axis（）：获取或设置轴属性的边界方法（坐标的取值范围）

clf ：清除当前figure窗口 cla ：清除当前axes窗口

close ：关闭当前figure窗口

subplot ：一个图中包含多个axes

text（）：在轴上添加文字

title（）：设置当前axes标题

xlabel/ylabel：设置当前X轴或Y轴的标签

hist（）：绘制直方图

hist2d（）：绘制二维在直方图

hold ：设置当前图窗状态；off或者on

imread（）：读取一个图像，从图形文件中提取数组

legend（）：为当前axes放置标签

pie（）：绘制饼状图

scatter（）：做一个X和Y的散点图，其中X和Y是相同长度的序列对象

stackplot（）：绘制一个堆叠面积图

acorr（）：绘制X的自相关函数

annotate（）：用箭头在指定的数据点创建一个注释或一段文本

bar（）：绘制垂直条形图

barh（）：绘制横向条形图

barbs（）：绘制一个倒钩的二维场

plt.figure:创建一个空白画布，可以指定画布大小，像素。

figure.add_subplot:创建并选中子图，可以指定子图的行数，列数，与选中图片编号。

使用：

import matplotlib.pyplot as plt
import numpy as np
data=np.arange(10)
plt.plot(data)

#创建子图
import matplotlib.pyplot as plt
fig = plt.figure()
#不能使用空白的figure绘图，需要创建子图
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,4) 
#创建子图.  
#ax3 = fig.add_subplot(2,2,4) 划分2*2个区域，
#最后一个数字表示在哪个区域作图

#子图绘制
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax1.plot([1.5,2,3.5,-1,1.6]) 
#表示在第一个区域绘图，
#ax1.plot([1.5,2,3.5,-1,1.6]) 只传一组参数的时候。默认为y轴d额数值，x轴默认使用索引

语句Fig , axes = plt.subplots(2,3) 创建一个新的图片，然后返回包含了已生成子图对象的NumPy数组。

数组axes可以像二维数组那样方便地进行索引，如axes[0,1]。也可以通过sharex和sharey表明子图分别拥有相同的x轴和y轴。

使用：

#调整子图周围的间距
fig,axes = plt.subplots(2,2,sharex = True,sharey = True)
for i in range(2):
     for j in range(2):
           axes[i,j].hist(np.random.randn(500),bins =50,color='k',alpha= 0.5)
plt.subplots_adjust(wspace=0,hspace=0)

添加画布内容：

import numpy as np
import matplotlib.pyplot as plt


data=np.arange(0,1,0.01)
plt.title('my lines example')
plt.xlabel('X')
plt.ylabel('Y')
plt.xlim(0,1)
plt.ylim(0,1)
plt.xticks([0,0.2,0.4,0.6,0.8,1])
plt.yticks([0,0.2,0.4,0.6,0.8,1])
plt.plot(data,data**2)
plt.plot(data,data**3)
plt.legend(['y=x^2','y=x^3'])
plt.show()

import numpy as np 
import matplotlib.pyplot as plt 


data=np.arange(0,np.pi*2,0.01)
fig1=plt.figure(figsize=(9,7),dpi=90)  
#确定画布大小
ax1=fig1.add_subplot(1,2,1)
plt.title('lines example')
plt.xlabel('X')
plt.ylabel('Y')
plt.xlim(0,1)
plt.ylim(0,1)
plt.xticks([0,0.2,0.4,0.6,0.8,1])
plt.yticks([0,0.2,0.4,0.6,0.8,1])
plt.plot(data,data**2)
plt.plot(data,data**3)
plt.legend(['y=x'])
plt.show()

plt.title():在当前图形中添加标题

plt.xlabel():在当前图形中添加x轴名称

plt.ylabel():在当前图形中添加y轴名称

plt.xlim():指定当前图形x轴的范围，只能确定一个数值区间，而无法使用字符串标识。

plt.ylim():指定当前图形y轴的范围，只能确定一个数值区间，而无法使用字符串标识。

plt.xticks():指定x轴刻度的数目与取值。

plt.yticks():指定y轴刻度的数目与取值。

plt.legend():指定当前图形的图例，可以指定图例的大小、位置、标签。

添加标题，坐标轴名称，绘制图形等步骤是并列的，没有先后顺序

但是添加图例一定要在绘制图形之后

Matplotlib 的 Legend 图例就是为了展示每个数据对应的图像名称，更好的认识数据结构。关于plt.legend()：

plt.legend(loc = 'best',frameon = False) #去掉图例边框,推荐使用
plt.legend(loc = 'best',edgecolor = 'blue') #设置图例边框颜色
plt.legend(loc = 'best',facecolor = 'blue')#设置图例背景颜色,若无边框,参数无效

2.绘图的保存与显示

plt.savafig():保存绘制的图片，可以指定图片的分辨率、边缘的颜色等参数。
plt.show():在本机显示图形。

函数：

plt.savefig(save_path, format='png', transparent=True, dpi=300, pad_inches = 0)

参数解释：

format:文件格式（’png’,’pdf’,’svg’,’ps’等）

fname :包含文件路径或Python文件型对象的字符串。图片格式是从文件扩展名中推断出来的（例如pdf格式的.pdf）

dpi :设置每英寸点数的分辨率，默认为100

facecolor，edgecolor:子图之外的图形背景颜色，默认是’w’（白色）

pad_inches:要保存的图片范围，如果设置为‘tight‘则去除图片周围的空白

3.设置pyplot的动态rc参数

pyplot使用rc配置文件来自定义图形的各种默认属性，被称为rc配置或rc参数

在pyplot中几乎所有的默认属性都是可以控制的，例如视图窗口大小以及每英寸点数、线条宽度、颜色和样式、坐标轴、坐标和网格属性、文本、字体等

由于默认的pyplot字体并不支持中文字符的显示，因此需要通过设置font.sans-serif参数改变绘图时的字体，使得图形可以正常显示中文。同时，由于更改字体后，会导致坐标轴中的部分字符无法显示，因此需要同时更改axes.unicode_minus参数

两种方式可以设置参数，即全局参数定制和rc设置方法。

#查看matplotlib的rc参数：
import matplotlib as plt 
      print(plt.rc_params())

部分参数截图：

常用参数：

Axes：设置坐标轴边界、颜色、坐标

刻度值大小和网格的显示；

Figure：设置边界颜色、图形大小和子区；

Font：设置字号、字体和样式；

Grid：设置网格颜色和线型；

Legend：设置图例和其中的文本显示；

Lines：设置线条颜色、宽度、线型等；

Savefig：对保存图像进行单独设置；

Xtick和ytick：X、Y轴的主刻度和次刻度设置颜色、大小、方向和标签大小。

线条的常用rc参数名称、解释与取值

lines.linewidth：线条宽度。取0-10之间的数值，默认为1.5。

lines.linestyle：线条样式。可取“-”“--”“-.”“：”四种。默认为“-”。

lines.marker：线条上点的形状。可取“o” “D” “h” “.” “,”

“S”等20种，默认为None。

lines.markersize：点的大小。取0-10之间的数值，默认为1。

常用线条类型解释：

linestyle取值	意义
-	实线
-.	点线
--	长虚线
:	短虚线

marker的取值和意义：

o	圆圈	.	点
D	菱形	s	正方形
h	六边形1	*	星号
H	六边形2	d	小菱形
-	水平线	v	一角朝下的三角形
8	八边形	<	一角朝左的三角形
p	五边形	>	一角朝右的三角形
,	像素	^	一角朝上的三角形
+	加号	\	竖线
None	无	x	X

Rc参数使用：

import numpy as np
import matplotlib.pyplot as plt
fig,ax = plt.subplots()
#配置中文显示
plt.rcParams['font.family'] = ['SimHei'] 
plt.rcParams['axes.unicode_minus'] = False  
def f(t):
    return np.cos(2*np.pi*t)
x1 = np.arange(0.0,4.0,0.5)
x2 = np.arange(0.0,4.0,0.01)
plt.figure(1)
plt.subplot(2,2,1)
plt.plot(x1,f(x1),'bo',x2,f(x2),'k')
plt.title('子图1')
plt.subplot(2,2,2)
plt.plot(np.cos(2*np.pi*x2),'r--')
plt.title('子图2')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
fig,ax = plt.subplots()


plt.rcParams['font.family'] = ['SimHei'] 
plt.rcParams['axes.unicode_minus'] = False  
def f(t):
    return np.cos(2*np.pi*t)
x1 = np.arange(0.0,4.0,0.5)
x2 = np.arange(0.0,4.0,0.01)
plt.figure(1)
plt.subplot(2,2,1)
plt.plot(np.random.randn(30).cumsum(),color='k',linestyle='dashed',marker='o')
plt.title('子图1')
plt.subplot(2,2,2)
plt.plot(np.cos(2*np.pi*x2),'r--')
plt.title('子图2')
plt.show()

#改变刻度：
ax.set_xticks([0,25,50,75,100])

#改变刻度：
ax.set_xticklabels(['x1','x2','x3','x4','x5'],rotation=30,fontsize='small')

添加图例：添加每个图表时传递label参数

fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.plot(np.random.randn(30).cumsum(),color='k',linestyle='dashed',marker='o',label='one')
ax.plot(np.random.randn(30).cumsum(),color='k',linestyle='dashed',marker='+',label='two')
ax.plot(np.random.randn(30).cumsum(),color='k',linestyle='dashed',marker='v',label='three')
ax.legend(loc='best')

#rc参数设置
import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
x1=np.arange(0.0,3.0,0.01)
x2=np.arange(0.0,4.0,0.01)
y1=np.cos(2*np.pi*x1)*np.exp(-x1)
y2=np.cos(2*np.pi*x2)
plt.subplot(2,1,1)
plt.plot(x1,y1)
plt.title('子图1')
plt.xlabel('X轴')
plt.ylabel('Y轴')

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
#配置中文显示
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
def f(t):
    return np.cos(2*np.pi*t)




x1=np.arange(0.0,5.0,0.5)
x2=np.arange(0.0,5.0,0.01)
plt.figure(1)
plt.subplot(2,2,1)
plt.plot(x1,f(x1),'bo',x2,f(x2),'k')
plt.subplot(2,2,2)
plt.plot(np.cos(2*np.pi*x2),'r--')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
x1=np.arange(0.0,3.0,0.01)
y1=np.cos(2*np.pi*x1)*np.exp(-x1)




plt.subplot(2,1,1)
plt.plot(x1,y1)
plt.title('子图1')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.xlim(-5,3)
plt.ylim(-10,50)
plt.show()

4.绘图的填充

（1）调用函数fill_between() 实现曲线下面部分的填充：

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(0,1,500)
y=np.sin(3*np.pi*x)*np.exp(-4*x)
fig,ax=plt.subplots()
plt.plot(x,y)
plt.fill_between(x, 0, y, facecolor='green', alpha=0.3)

x：第一个参数表示覆盖的区域， x，表示整个x都覆盖

0：表示覆盖的下限

y：表示覆盖的上限是y这个曲线

facecolor：覆盖区域的颜色

alpha：覆盖区域的透明度[0,1],其值越大，表示越不透明

（2）部分区域的填充：

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(0,1,500)
y=np.sin(3*np.pi*x)*np.exp(-4*x)
fig,ax=plt.subplots()
plt.plot(x,y)
plt.fill_between(x[15:300], 0, 0.4, facecolor='green', alpha=0.3)

（3）两条曲线之间的区域填充：

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(0,1,500)
y1=np.sin(3*np.pi*x)*np.exp(-4*x)
y2 = y1 + 0.2
plt.plot(x, y1,'b')
plt.plot(x, y2, 'r')
plt.fill_between(x, y1, y2, facecolor='green', alpha=0.3)
plt.show()

（4）利用fill进行绘图的填充：

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(0,1,500)
y=np.sin(3*np.pi*x)*np.exp(-4*x)
fig,ax=plt.subplots()
ax.fill(x,y)
plt.show()

文本注解：

可以通过text函数在指定的位置（x,y）加入文本注解。

使用：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']
data = [25,30,32,34,34,23]
label = ['青海','兰州','北京','上海','广州','拉萨']
plt.xticks(range(len( data)),label)
plt.xlabel('城市')
plt.ylabel('温度')
plt.title('六城市8月份日均最高气温')
plt.bar(range(len( data)),data)
for x,y in zip(range(len(data)),data):
    plt.text(x,y,y,ha = 'center',va = 'bottom')
plt.show()

5.pyplot中的常用绘图

（1）折线图：

折线图的主要功能是查看因变量y随着自变量x改变的趋势，最适合用于显示随时间（根据常用比例设置）而变化的连续数据。同时还可以看出数量的差异，增长趋势的变化。

plot函数：

matplotlib.pyplot.plot(*args, **kwargs)

参数：

x，y：接收array。表示x轴和y轴对应的数据。无默认。

color：接收特定string。指定线条的颜色。默认为None。

linestyle：接收特定string。指定线条类型。默认为“-”。

marker：接收特定string。表示绘制的点的类型。默认为None。

alpha：接收0-1的小数。表示点的透明度。默认为None。

plot函数可以填入的主要参数：

颜色缩写：代表的颜色

b：蓝色 m：品红 g：绿色

y：黄色 r：红色 k：黑色

c：青色 w：白色

#简单折线图
import numpy as np
x1 = np.arange(0, 30)
plt.plot(x1,x1*2, 'b')
plt.show()

#带点的折线图
import numpy as np
x1 = np.arange(0, 30)
plt.plot(x1,x1*2, 'b')
plt.plot(x1,x1*2, 'bo')
plt.show()

Series和DataFrame都有一个plot属性，用于绘制基本的图形。默认情况下，plot（）绘制的都是折线。

import pandas as pd
s=pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot()

Series的索引传入作为绘图的X轴，x轴的刻度和范围可以通过xticks和xlim调整。

import pandas as pd
s=pd.DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D'],index=np.arange(0,100,10))
s.plot()

（2）散点图：

散点图（scatter diagram）又称为散点分布图，是利用坐标点（散点）的分布形态反映特征间的统计关系的一种图形。

值是由点在图表中的位置表示，类别是由图表中的不同标记表示，通常用于比较跨类别的数据。

scatter函数：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, alpha=None, **kwargs)

x，y：接收array。表示x轴和y轴对应的数据。无默认。

s：接收数值或者一维的array。指定点的大小，若传入一维array则表示每个点的大小。默认为None。

c：接收颜色或者一维的array。指定点的颜色，若传入一维array则表示每个点的颜色。默认为None

marker：接收特定string。表示绘制的点的类型。默认为None。

alpha：接收0-1的小数。表示点的透明度。默认为None。

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
x1=np.arange(1,30)
y1=np.sin(x1)




ax1=plt.subplot(1,1,1)
plt.title('散点图')
plt.xlabel('X')
plt.ylabel('Y')
lvalue=x1
ax1.scatter(x1,y1,c='r',s=100,linewidths=lvalue,marker='o')
plt.legend('x1')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
for color in ['red','green','blue']:
    n=500
    x,y=np.random.randn(2,n)    ax.scatter(x,y,c=color,label=color,alpha=0.3,edgecolors='none')
    ax.legend()
    ax.grid(True)




plt.show()

（3）直方图：

直方图（Histogram）又称质量分布图，是统计报告图的一种，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，一般用横轴表示数据所属类别，纵轴表示数量或者占比。

用直方图便于判断其总体质量分布情况。直方图可以发现分布表无法发现的数据模式、样本的频率分布和总体的分布。

bar函数：

matplotlib.pyplot.bar（left，height，width = 0.8，bottom = None，hold = None，data = None，** kwargs ）

left：接收array。表示x轴数据。无默认。

height：接收array。表示x轴所代表数据的数量。无默认。

width：接收0-1之间的float。指定直方图宽度。默认为0.8。

color：接收特定string或者包含颜色字符串的array。表示直方图颜色。默认为None。

在dataframe中，柱状图将每一行中的值分组到并排的柱子中的一组

df=pd.DataFrame(np.random.rand(6,4),index=['one','two','three','four','five','six'],columns=pd.Index(['A','B','C','D'],name='Genus'))
df.plot.bar()

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
plt.figure(figsize=(7,5))
x=np.arange(1,6)
Y1=np.random.uniform(1.5,1.0,5)
Y2=np.random.uniform(1.5,1.0,5)
plt.bar(x,Y1,width=0.35,facecolor='lightskyblue',edgecolor='white')
plt.bar(x+0.35,Y2,width=0.35,facecolor='yellowgreen',edgecolor='white')
plt.show()

（4）饼图：

将各项的大小与各项总和的比例显示在一张“饼”中，以“饼”的大小来确定每一项的占比。

饼图可以比较清楚地反映出部分与部分、部分与整体之间的比例关系，易于显示每组数据相对于总数的大小，而且显现方式直观。

pie函数：

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, … )

x：接收array。表示用于绘制撇的数据。无默认。

autopct：接收特定string。指定数值的显示方式。默认为None。

explode：接收array。表示指定项离饼图圆心为n个半径。默认为None。

pctdistance：接收float。指定每一项的比例和距离饼图圆心n个半径。默认为0.6。

labels：接收array。指定每一项的名称。默认为None。

labeldistance：接收float。指定每一项的名称和距离饼图圆心多少个半径。默认为1.1。

color：接收特定string或者包含颜色字符串的array。表示饼图颜色。默认为None。

radius：接收float。表示饼图的半径。默认为1。

plt.figure(figsize=(6,6))


ax=plt.axes([0.1,0.1,0.8,0.8])#建立轴的大小
labels='Springs','Summer','Autumn','Winter'
x=[15,30,45,10]
explode=(0.05,0.05,0.05,0.05)#这个是控制分离的距离的，默认的饼图不分离。
plt.pie(x,labels=labels,explode=explode,startangle=60,autopct='%1.1f%%')#qutopct在图中显示比例值，注意值的格式。
plt.title('Rany days by season')
plt.show()

（5）箱线图：

能提供有关数据位置和分散情况的关键信息，尤其在比较不同特征时，更可表现其分散程度差异。

箱线图利用数据中的五个统计量（最小值、下四分位数、中位数、上四分位数和最大值）来描述数据，它也可以粗略地看出数据是否具有对称性、分布的分散程度等信息，特别可以用于对几个样本的比较。

boxplot函数：

matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None,meanline=None, labels=None, … )

x：接收array。表示用于绘制箱线图的数据。无默认。

notch：接收boolean。表示中间箱体是否有缺口。默认为None。

sym：接收特定sting。指定异常点形状。默认为None。

vert：接收boolean。表示图形是横向纵向或者横向。默认为None。

positions：接收array。表示图形位置。默认为None。

widths：接收scalar或者array。表示每个箱体的宽度。默认为None。

labels：接收array。指定每一个箱线图的标签。默认为None。

meanline：接收boolean。表示是否显示均值线。默认为False。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
np.random.seed(2)  #设置随机种子
df = pd.DataFrame(np.random.rand(5,4),
columns=['A', 'B', 'C', 'D'])#先生成0-1之间的5*4维度数据，再装入4列DataFrame中
df.boxplot() #也可用plot.box()
plt.show()

（6）概率图：

用来表示变量间概率依赖关系的图。

正态分布又名高斯分布。

正态概率密度函数 normpdf（X，mu，sigma）

其中，x为向量，mu为均值，sigma为标准差。

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
np.random.seed(1587554)
mu=100
sigma=15
x=mu+sigma*np.random.randn(437)
num_bins=50
n,bins,patches=ax.hist(x,num_bins,normed=1)
y=plt.mlab.normpdf(bins,mu,sigma)
ax.plot(bins,y,'--')
fig.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
fig,ax=plt.subplots()
plt.rcParams['font.family']=['SimHei']#用来显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来正常显示负号
np.random.seed(1587554)
mu=100
sigma=15
x=mu+sigma*np.random.randn(437)
num_bins=50
n,bins,patches=ax.hist(x,num_bins,normed=1)
y=plt.mlab.normpdf(bins,mu,sigma)
ax.plot(bins,y,'--')
fig.tight_layout()
plt.show()

数据库

文章转载自糟老头修炼记，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

Matplotlib绘图基础--相关函数、绘图保存与显示、设置pyplot的动态rc参数​、绘图的填充、pyplot中的常用绘图

评论

Matplotlib绘图基础--相关函数、绘图保存与显示、设置pyplot的动态rc参数、绘图的填充、pyplot中的常用绘图