歡迎光臨
每天分享高質量文章

快速入門Matplotlib教程

(點擊上方公眾號,可快速關註一起學Python)

來源:Liam Huang     鏈接:

https://liam.page/2014/09/11/matplotlib-tutorial-zh-cn/

原文:https://github.com/rougier/matplotlib-tutorial

介紹

Matplotlib 可能是 Python 2D-繪圖領域使用最廣泛的套件。它能讓使用者很輕鬆地將資料圖形化,並且提供多樣化的輸出格式。這裡將會探索 matplotlib 的常見用法。

IPython 以及 pylab 樣式

IPython 是 Python 的一個增強版本。它在下列方面有所增強:命名輸入輸出、使用系統命令(shell commands)、排錯(debug)能力。我們在命令列終端給 IPython 加上引數 -pylab (0.12 以後的版本是 --pylab)之後,就可以像 Matlab 或者 Mathematica 那樣以交互的方式繪圖。

pylab

pylab 是 matplotlib 面向物件繪圖庫的一個接口。它的語法和 Matlab 十分相近。也就是說,它主要的繪圖命令和 Matlab 對應的命令有相似的引數。

初級繪製

這一節中,我們將從簡到繁:先嘗試用預設配置在同一張圖上繪製正弦和餘弦函式圖像,然後逐步美化它。

第一步,是取得正弦函式和餘弦函式的值:

1from pylab import *
2X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
3C,S = np.cos(X), np.sin(X)


X 是一個 numpy 陣列,包含了從 −π−π 到 +π+π 等間隔的 256 個值。CS 則分別是這 256 個值對應的餘弦和正弦函式值組成的 numpy 陣列。

你可以在 IPython 的交互樣式下測試代碼,也可以下載代碼(下載鏈接就是這些示例圖),然後執行:

1python exercise_1.py


 

使用預設配置

Matplotlib 的預設配置都允許用戶自定義。你可以調整大多數的預設配置:圖片大小和解析度(dpi)、線寬、顏色、風格、坐標軸、坐標軸以及網格的屬性、文字與字體屬性等。不過,matplotlib 的預設配置在大多數情況下已經做得足夠好,你可能只在很少的情況下才會想更改這些預設配置。

1from pylab import *
2X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
3C,S = np.cos(X), np.sin(X)
4plot(X,C)
5plot(X,S)
6show()


預設配置的具體內容

下麵的代碼中,我們展現了 matplotlib 的預設配置並輔以註釋說明,這部分配置包含了有關繪圖樣式的所有配置。代碼中的配置與預設配置完全相同,你可以在交互樣式中修改其中的值來觀察效果。

1# 匯入 matplotlib 的所有內容(nympy 可以用 np 這個名字來使用)
2from pylab import *
3# 創建一個 8 * 6 點(point)的圖,並設置解析度為 80
4figure(figsize=(8,6), dpi=80)
5# 創建一個新的 1 * 1 的子圖,接下來的圖樣繪製在其中的第 1 塊(也是唯一的一塊)
6subplot(1,1,1)
7X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
8C,S = np.cos(X), np.sin(X)
9# 繪製餘弦曲線,使用藍色的、連續的、寬度為 1 (像素)的線條
10plot(X, C, color=“blue”, linewidth=1.0, linestyle=“-“)
11# 繪製正弦曲線,使用綠色的、連續的、寬度為 1 (像素)的線條
12plot(X, S, color=“green”, linewidth=1.0, linestyle=“-“)
13# 設置橫軸的上下限
14xlim(-4.0,4.0)
15# 設置橫軸記號
16xticks(np.linspace(-4,4,9,endpoint=True))
17# 設置縱軸的上下限
18ylim(-1.0,1.0)
19# 設置縱軸記號
20yticks(np.linspace(-1,1,5,endpoint=True))
21# 以解析度 72 來儲存圖片
22# savefig(“exercice_2.png”,dpi=72)
23# 在屏幕上顯示
24show()


改變線條的顏色和粗細

首先,我們以藍色和紅色分別表示餘弦和正弦函式,而後將線條變粗一點。接下來,我們在水平方向拉伸一下整個圖。

1
2figure(figsize=(10,6), dpi=80)
3plot(X, C, color=“blue”, linewidth=2.5, linestyle=“-“)
4plot(X, S, color=“red”,  linewidth=2.5, linestyle=“-“)
5


設置圖片邊界

當前的圖片邊界設置得不好,所以有些地方看得不是很清楚。

1
2xlim(X.min()*1.1, X.max()*1.1)
3ylim(C.min()*1.1, C.max()*1.1)
4


更好的方式是這樣:

1xmin ,xmax = X.min(), X.max()
2ymin, ymax = Y.min(), Y.max()
3dx = (xmax – xmin) * 0.2
4dy = (ymax – ymin) * 0.2
5xlim(xmin – dx, xmax + dx)
6ylim(ymin – dy, ymax + dy)


設置記號

我們討論正弦和餘弦函式的時候,通常希望知道函式在 ±π±π 和 ±π2±π2 的值。這樣看來,當前的設置就不那麼理想了。

1
2xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
3yticks([-1, 0, +1])
4


設置記號的標簽

記號現在沒問題了,不過標簽卻不大符合期望。我們可以把 3.1423.142 當做是 ππ,但畢竟不夠精確。當我們設置記號的時候,我們可以同時設置記號的標簽。註意這裡使用了 LaTeX。

1
2xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
3       [r $-pi$ , r $-pi/2$ , r $0$ , r $+pi/2$ , r $+pi$ ])
4yticks([-1, 0, +1],
5       [r $-1$ , r $0$ , r $+1$ ])
6


移動脊柱

坐標軸線和上面的記號連在一起就形成了脊柱(Spines,一條線段上有一系列的凸起,是不是很像脊柱骨啊~),它記錄了資料區域的範圍。它們可以放在任意位置,不過至今為止,我們都把它放在圖的四邊。

實際上每幅圖有四條脊柱(上下左右),為了將脊柱放在圖的中間,我們必須將其中的兩條(上和右)設置為無色,然後調整剩下的兩條到合適的位置——資料空間的 0 點。

1
2ax = gca()
3ax.spines[ right ].set_color( none )
4ax.spines[ top ].set_color( none )
5ax.xaxis.set_ticks_position( bottom )
6ax.spines[ bottom ].set_position(( data ,0))
7ax.yaxis.set_ticks_position( left )
8ax.spines[ left ].set_position(( data ,0))
9


添加圖例

我們在圖的左上角添加一個圖例。為此,我們只需要在 plot 函式里以「鍵 – 值」的形式增加一個引數。

1
2plot(X, C, color=“blue”, linewidth=2.5, linestyle=“-“, label=“cosine”)
3plot(X, S, color=“red”,  linewidth=2.5, linestyle=“-“, label=“sine”)
4legend(loc= upper left )
5


給一些特殊點做註釋

我們希望在 2π/32π/3 的位置給兩條函式曲線加上一個註釋。首先,我們在對應的函式圖像位置上畫一個點;然後,向橫軸引一條垂線,以虛線標記;最後,寫上標簽。

1
2t = 2*np.pi/3
3plot([t,t],[0,np.cos(t)], color = blue , linewidth=2.5, linestyle=“–“)
4scatter([t,],[np.cos(t),], 50, color = blue )
5annotate(r $sin(rac{2pi}{3})=rac{sqrt{3}}{2}$ ,
6         xy=(t, np.sin(t)), xycoords= data ,
7         xytext=(+10, +30), textcoords= offset points , fontsize=16,
8         arrowprops=dict(arrowstyle=“->”, connectionstyle=“arc3,rad=.2”))
9plot([t,t],[0,np.sin(t)], color = red , linewidth=2.5, linestyle=“–“)
10scatter([t,],[np.sin(t),], 50, color = red )
11annotate(r $cos(rac{2pi}{3})=-rac{1}{2}$ ,
12         xy=(t, np.cos(t)), xycoords= data ,
13         xytext=(-90, -50), textcoords= offset points , fontsize=16,
14         arrowprops=dict(arrowstyle=“->”, connectionstyle=“arc3,rad=.2”))
15


精益求精

坐標軸上的記號標簽被曲線擋住了,作為強迫症患者(霧)這是不能忍的。我們可以把它們放大,然後添加一個白色的半透明底色。這樣可以保證標簽和曲線同時可見。

1
2for label in ax.get_xticklabels() + ax.get_yticklabels():
3    label.set_fontsize(16)
4    label.set_bbox(dict(facecolor= white , edgecolor= None , alpha=0.65 ))
5


圖像、子圖、坐標軸和記號

到目前為止,我們都用隱式的方法來繪製圖像和坐標軸。快速繪圖中,這是很方便的。我們也可以顯式地控製圖像、子圖、坐標軸。Matplotlib 中的「圖像」指的是用戶界面看到的整個視窗內容。在圖像裡面有所謂「子圖」。子圖的位置是由坐標網格確定的,而「坐標軸」卻不受此限制,可以放在圖像的任意位置。我們已經隱式地使用過圖像和子圖:當我們呼叫 plot 函式的時候,matplotlib 呼叫 gca() 函式以及 gcf() 函式來獲取當前的坐標軸和圖像;如果無法獲取圖像,則會呼叫 figure() 函式來創建一個——嚴格地說,是用 subplot(1,1,1) 創建一個只有一個子圖的圖像。

圖像

所謂「圖像」就是 GUI 里以「Figure #」為標題的那些視窗。圖像編號從 1 開始,與 MATLAB 的風格一致,而於 Python 從 0 開始編號的風格不同。以下引數是圖像的屬性:

這些預設值可以在源檔案中指明。不過除了圖像數量這個引數,其餘的引數都很少修改。

你在圖形界面中可以按下右上角的 X 來關閉視窗(OS X 系統是左上角)。Matplotlib 也提供了名為 close 的函式來關閉這個視窗。close 函式的具體行為取決於你提供的引數:

  • 不傳遞引數:關閉當前視窗;
  • 傳遞視窗編號或視窗實體(instance)作為引數:關閉指定的視窗;
  • all:關閉所有視窗。

和其他物件一樣,你可以使用 setp 或者是 set_something 這樣的方法來設置圖像的屬性。

子圖

你可以用子圖來將圖樣(plot)放在均勻的坐標網格中。用 subplot 函式的時候,你需要指明網格的行列數量,以及你希望將圖樣放在哪一個網格區域中。此外,gridspec 的功能更強大,你也可以選擇它來實現這個功能。

坐標軸

坐標軸和子圖功能類似,不過它可以放在圖像的任意位置。因此,如果你希望在一副圖中繪製一個小圖,就可以用這個功能。

記號

良好的記號是圖像的重要組成部分。Matplotlib 里的記號系統里的各個細節都是可以由用戶個性化配置的。你可以用 Tick Locators 來指定在那些位置放置記號,用 Tick Formatters 來調整記號的樣式。主要和次要的記號可以以不同的方式呈現。預設情況下,每一個次要的記號都是隱藏的,也就是說,預設情況下的次要記號串列是空的——NullLocator

Tick Locators

下麵有為不同需求設計的一些 Locators。

這些 Locators 都是 matplotlib.ticker.Locator 的子類,你可以據此定義自己的 Locator。以日期為 ticks 特別複雜,因此 Matplotlib 提供了 matplotlib.dates 來實現這一功能。

其他型別的圖

接下來的內容是練習。請運用你學到的知識,從提供的代碼開始,實現配圖所示的效果。具體的答案可以點擊配圖下載。

普通圖

1from pylab import *
2n = 256
3X = np.linspace(-np.pi,np.pi,n,endpoint=True)
4Y = np.sin(2*X)
5plot (X, Y+1, color= blue , alpha=1.00)
6plot (X, Y-1, color= blue , alpha=1.00)
7show()


散點圖

1from pylab import *
2n = 1024
3X = np.random.normal(0,1,n)
4Y = np.random.normal(0,1,n)
5scatter(X,Y)
6show()


條形圖

1from pylab import *
2n = 12
3X = np.arange(n)
4Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
5Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n)
6bar(X, +Y1, facecolor= #9999ff , edgecolor= white )
7bar(X, -Y2, facecolor= #ff9999 , edgecolor= white )
8for x,y in zip(X,Y1):
9    text(x+0.4, y+0.05, %.2f % y, ha= center , va= bottom )
10ylim(-1.25,+1.25)
11show()
12


高線圖

1from pylab import *
2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
3n = 256
4x = np.linspace(-3,3,n)
5y = np.linspace(-3,3,n)
6X,Y = np.meshgrid(x,y)
7contourf(X, Y, f(X,Y), 8, alpha=.75, cmap= jet )
8C = contour(X, Y, f(X,Y), 8, colors= black , linewidth=.5)
9show()


灰度圖(Imshow)

1from pylab import *
2def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
3n = 10
4x = np.linspace(-3,3,4*n)
5y = np.linspace(-3,3,3*n)
6X,Y = np.meshgrid(x,y)
7imshow(f(X,Y)), show()


餅狀圖

1from pylab import *
2n = 20
3Z = np.random.uniform(0,1,n)
4pie(Z), show()


量場圖(Quiver Plots)

1from pylab import *
2n = 8
3X,Y = np.mgrid[0:n,0:n]
4quiver(X,Y), show()


網格

1from pylab import *
2axes = gca()
3axes.set_xlim(0,4)
4axes.set_ylim(0,3)
5axes.set_xticklabels([])
6axes.set_yticklabels([])
7show()


多重網格

1from pylab import *
2subplot(2,2,1)
3subplot(2,2,3)
4subplot(2,2,4)
5show()


極軸圖

1from pylab import *
2axes([0,0,1,1])
3N = 20
4theta = np.arange(0.0, 2*np.pi, 2*np.pi/N)
5radii = 10*np.random.rand(N)
6width = np.pi/4*np.random.rand(N)
7bars = bar(theta, radii, width=width, bottom=0.0)
8for r,bar in zip(radii, bars):
9    bar.set_facecolor( cm.jet(r/10.))
10    bar.set_alpha(0.5)
11show()


3D 圖

1from pylab import *
2from mpl_toolkits.mplot3d import Axes3D
3fig = figure()
4ax = Axes3D(fig)
5X = np.arange(-4, 4, 0.25)
6Y = np.arange(-4, 4, 0.25)
7X, Y = np.meshgrid(X, Y)
8R = np.sqrt(X**2 + Y**2)
9Z = np.sin(R)
10ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap= hot )
11show()


    赞(0)

    分享創造快樂