networkx使用笔记(三)之好汉篇Matplotlib(4)

0.Matplotlib小记

Matplotlib的笔记一直拖着，最近发现自己从图书馆借来的书要到期了，还是做个笔记，免得到时候要查阅又麻烦了。

import matplotlib.pyplot as plt

默认情况下，画出来的是点连成的线，针对点和线，其区分的一个较为容易的是格式的设置。

1.点和线的设置

形：

对于线来说包括：'-' 直线； ‘- -’虚线(其中中间没空格，这里为了好区分加的)； ‘-.’虚线加点 ； ':'点式直线(这个记不清了)

对于点来说：‘.’小点儿 ； ‘,’ 点的形状是像素点；‘o’点是圆形的；‘v’上三角 ；‘^’下三角；‘s’方形；‘p’五角星；‘*’星形；‘+’加号；‘|’竖线；‘—’横线

色：

颜色有：‘b’--blue ‘g’--green ‘r’--red 'c'--cyan 'k'--black

2.设置x和y轴的坐标范围

plt.xlim(x1,x2)

plt.ylim(y1,y2)

plt.grid(True)//网格线

xlim和ylim设定了范围，而ax=plt.gca()之后通过ax可以设定主刻度和副刻度ax.xaxis.set_major_locotor(MultipleLocator(float)) ...set_minor_locator(y轴上的修改为y即可)；除了刻度，x轴和y轴上对于同一个区间，例如0.1，可能长度不同，即axes per unit length可能不等，这时需要一句话搞定ax.set_aspect("equal")

3.图中的小图划分

对于每个图figure，可以显示多个plot，plt.subplot（）可以对画布figure进行划分，例如plt.subplot(211)将画布分为了2行1列共2个区域。

可以利用plt.sca()进行subplot切换；利用plt.savefig()中的dpi属性设置其像素；利用plt.rc('font', size=8)设置全局字体大小为8；可以利用plt.xlabel()设置fontsize来设置subplot中x轴下方的字体大小

以例子：

'''这里定义了四个subplot，第一个命名为ax1，第二个为ax2....'''

ax1=plt.subplot(221)
ax2=plt.subplot(222)
ax3=plt.subplot(223)
ax4=plt.subplot(224)

plt.sca(ax1)'''可以通过plt.sca()进行subplot的切换'''
tt=plt.plot(xins,yins,'b--',xin,yin,'r-')
plt.xlabel('indegree, r=0.6, t=5')
plt.ylabel('The CDD of indegree')
plt.legend(tt,['original','curve'],numpoints=1)
plt.sca(ax2)
tt=plt.plot(xouts,youts,'b--',xout,yout,'r-')
plt.xlabel('outdegree, r=0.6, t=5')
plt.ylabel('The CDD of outdegree')
plt.legend(tt,['original','curve'],numpoints=1)
plt.sca(ax3)
tt=plt.plot(xins1,yins1,'b--',xin,yin,'r-')
plt.xlabel('indegree, r=0.6, t=5')
plt.ylabel('The CDD of indegree')
plt.legend(tt,['original','curve'],numpoints=1)
plt.sca(ax4)
tt=plt.plot(xouts1,youts1,'b--',xout,yout,'r-')
plt.xlabel('outdegree, r=0.6, t=5')
plt.ylabel('The CDD of outdegree')
plt.legend(tt,['original','curve'],numpoints=1)
plt.savefig('F:/expriment/random_walk/gpn08_'+'6'+'_5'+'.png',dpi=600)

4.一些标注

可以在右上角加上曲线或点的标注，语句：plt.plot(x,y,label="....")

此时需要执行plt.lengend()语句才能显示，当然执行legend操作的时候可以不带任何参数，也可以修改一些参数

5. 实例

借助之前的curve_fit，将点和与之拟合的曲线画出来

def func(x,a,b):
return (b-a/np.log(x))

def power_law():
xnodes=np.array([1098,1715,3330,8913,9638,14012,15632,24920,25852,35993,41213],dtype=float)
ylaw=np.array([4.96858,4.65149,4.28484,3.32612,3.35046,3.32751,3.219,3.012,2.90853,2.76331,2.71217],dtype=float)

'''这里对a和b的初始值进行了假设，应该是通过梯度下降的方法来计算拟合的a和b值的，初始值对最终拟合结果有影响'''
y0=func(xnodes,16.667,2)
popt,pcov=curve_fit(func,xnodes,ylaw)
x=np.arange(xnodes[0],xnodes[10],1000)
a,b=float(popt[0]),float(popt[1])
tt=plt.plot(xnodes,ylaw,'b+',x,func(x,a,b),color='blue')

'''原来的点是用蓝色和+形来描绘的，通过拟合得到的则是蓝色的曲线了，因为默认情况下是描绘曲线的'''
plt.legend(tt,['origin_data','fitting_curve'],numpoints=1)

'''这里通过设置tt的属性，使得在图像的右上角显示了注释，默认的numpoints为2，改为2试一下就知道是啥情况了~~'''
plt.show()
return a,b

这里，直接把数据存储了，然后进行拟合和画线。

结果如下



其实，在进行幂律拟合的时候，拟合程度是有判定的，建议去看看这篇文章Power-law distributions in empirical data（里面有一个工具plfit，可以计算log似然估计fit值和kolmogorov-Smirnov fit值，比俺用networkx进行拟合的这小例子cool多了），继续探索，会发现老外提供了更强的的程序包（斯坦福大学的SNAP也不错），话说国内做复杂网络相关的好像只会说被人有个啥，自己用啥从来不说。

为啥人家老外啥都公开，包括数据集和程序库，咱国内不仅水平低还关门造车，让学术不外传，open不够啊，这真像古代秦晋时候的贵族豪门。

参考资料：

http://hyry.dip.jp:8000/pydoc/matplotlib_intro.html

http://flyfeeling.blogbus.com/logs/53148228.html