Python实现从excel读取数据并绘制成精美图像

Python实现从excel读取数据绘制成精美图像

一、实验介绍

1.1 实验内容

这个世界从古至今一直是一个看颜值的世界。对于我们作报告，写文章时使用的图片，也是一样的。一图胜千言，一张制作精美的图片，不仅能展示大量的信息，更能体现绘图者的水平，审美，与态度。我的老板，国内外多家

SCI

，

EI

文章的审稿人，甚至跟我说，一篇文章拿到手里，一眼扫过去，看看数据和图片，就知道这篇文章值不值得发表，水平如何。由此观之，制作一张精美图片的意义，实在重大。本课程实现使用

python

从

excel

读取数据，并使用

matplotlib

绘制成二维图像。这一过程中，将通过一系列操作来美化图像，最终得到一个可以出版级别的图像。本课程对于需要书写实验报告，学位论文，发表文章，做

PPT

报告的学员具有较大价值。本课程的数据和图像，来源于我的一篇

SCI

文章，是一真实案例。

1.2 实验知识点

使用

xlrd

扩展包读取

excel

数据
使用

matplotlib

绘制二维图像
美化图像，添加标注，注释，显示

Latex

风格公式，坐标点处透明化处理等技巧

1.3 实验环境

python2.7

Xfce

终端

1.4 适合人群

本课程难度为中等，适合具有

Python

基础的用户，对于需要书写实验报告，学位论文，发表文章，做

PPT

报告的学员具有较大价值。

1.5 代码获取

你可以通过下面命令将数据和代码下载到实验楼环境中，作为参照对比进行学习。

$ wget http://labfile.oss.aliyuncs.com/courses/791/finally.py $ wget http://labfile.oss.aliyuncs.com/courses/791/my_data.xlsx $ wget http://labfile.oss.aliyuncs.com/courses/791/phase_detector.xlsx $ wget http://labfile.oss.aliyuncs.com/courses/791/phase_detector2.xlsx

二、开发准备

打开

Xfce

终端，下载并安装的相关依赖 。

$ sudo apt-get update
$ sudo apt-get install python-dev
$ sudo pip install numpy
$ sudo apt-get install python-matplotlib
$ sudo pip install xlrd
$ sudo apt-get install python-sip
$ sudo apt-get install libqt4-dev
$ sudo apt-get install python-qt4 python-qt4-dev pyqt4-dev-tools qt4-dev-tools

遇到是否安装的询问时，输入y，按回车键继续安装。

三、实验步骤

3.1 绘制一个简单图像，测试扩展包安装是否正常

安装完成

matplotlib

后，运行一个小程序测试其是否正常。我们来绘制一个非常简单的正弦函数。

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 500)
dashes = [10, 5, 100, 5]  # 10 points on, 5 off, 100 on, 5 off

fig, ax = plt.subplots()
line1, = ax.plot(x, np.sin(x), '--', linewidth=2,
label='Dashes set retroactively')
line1.set_dashes(dashes)

line2, = ax.plot(x, -1 * np.sin(x), dashes=[30, 5, 10, 5],
label='Dashes set proactively')

ax.legend(loc='lower right')
plt.show()

如果一切正常，应该得到如下显示的图片：



这段程序来自官方的例程，只作为检验安装包之用。这个图片过于简单，也算不上精美。

3.2 测试

xlrd

扩展包

xlrd

顾名思义，就是

excel

文件的后缀名

.xl

文件

read

的扩展包。这个包只能读取文件，不能写入。写入需要使用另外一个包。但是这个包，其实也能读取

.xlsx

文件。

从

excel

中读取数据的过程比较简单，首先从

xlrd

包导入

open_workbook

，然后打开

excel

文件，把每个

sheet

里的每一行每一列数据都读取出来即可。很明显，这是个循环过程。

from xlrd import open_workbook
x_data1=[]
y_data1=[]
wb = open_workbook('phase_detector.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data1.append(values[0])
y_data1.append(values[1])

如果安装包没有问题，这段代码应该能打印出

excel

表中的数据内容。解释一下 这段代码：打开一个

excel

文件后，首先对文件内的

sheet

进行循环，这是最外层循环；在每个

sheet

内，进行第二次循环，行循环；在每行内，进行列循环，这是第三层循环。在最内层列循环内，取出行列值，复制到新建的

values

列表内，很明显，源数据有几列，

values

列表就有几个元素。我们例子中的

excel

文件有两列，分别对应“角度”和

DC

值。所以在列循环结束后，我们将取得的数据保存到

x_data1

和

y_data1

这两个列表中。

3.3 绘制图像V1.0

第一个版本的功能很简单，从

excel

中读取数据，然后绘制成图像。具体程序如下：

#!/usr/bin/python
#-*- coding: utf-8 -*-

import matplotlib.pyplot as plt
import xlrd
from xlrd import open_workbook

x_data=[]
y_data=[]
x_volte=[]
temp=[]
wb = open_workbook('my_data.xlsx')

for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data.append(values[0])
y_data.append(values[1])
plt.plot(x_data, y_data, 'bo-',label=u"Phase curve",linewidth=1)
plt.title(u"TR14 phase detector")
plt.legend()

plt.xlabel(u"input-deg")
plt.ylabel(u"output-V")

plt.show()
print 'over!'

程序简单，显示的效果也是丑到哭：



从

excel

中读取数据的程序，上面已经解释过了。这段代码后面的函数是

matplotlib

绘图的基本格式，此处的输入格式为：

plt.plot(x轴数据, y轴数据, 曲线类型,图例说明,曲线线宽)

图片顶部的名称，由这行语句定义：

plt.title(u"TR14 phase detector")

最后，使用这一语句使能显示：

plt.legend()

3.4 绘制图像V1.1

这个图只绘制了一个表格的数据，我们一共有三个表格。但是就这个一个已经够丑了。我们先来美化一下。首先，坐标轴的问题：横轴的0点对应着纵轴的8，这个明显不行。我们来移动一下坐标轴，使之0点重合：

#!/usr/bin/python
#-*- coding: utf-8 -*-

import matplotlib.pyplot as plt
from pylab import *
import xlrd
from xlrd import open_workbook

x_data=[]
y_data=[]
x_volte=[]
temp=[]
wb = open_workbook('my_data.xlsx')

for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data.append(values[0])
y_data.append(values[1])

plt.plot(x_data, y_data, 'bo-',label=u"Phase curve",linewidth=1)

plt.title(u"TR14 phase detector")plt.legend()
ax = gca()
ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
plt.xlabel(u"input-deg")
plt.ylabel(u"output-V")

plt.show()
print 'over!'

好的，移动坐标轴后，图片稍微顺眼了一点，我们也能明显的看出来，图像与横轴的交点大约在

180

度附近：



解释一下移动坐标轴的代码：我们要移动坐标轴，首先要把旧的坐标拆了。怎么拆呢？原图是上下左右四面都有边界刻度的图像，我们首先把右边界拆了不要了，使用语句：

ax.spines['right'].set_color('none')

把右边界的颜色设置为不可见，右边界就拆掉了。同理，再把上边界拆掉：

ax.spines['top'].set_color('none')

拆完之后，就只剩下我们关心的左边界和下边界了，这俩就是

x

轴和

y

轴。然后我们移动这两个轴，使他们的零点对应起来：

ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

这样，就完成了坐标轴的移动。

3.5 绘制图像V1.2

我们能不能给图像过零点加个标记呢？显示的告诉看图者，过零点在哪，就免去看完图还得猜，要么就要问作报告的人。

#!/usr/bin/python
#-*- coding: utf-8 -*-

import matplotlib.pyplot as plt
from pylab import *

import xlrd

from xlrd import open_workbook

x_data=[]
y_data=[]
x_volte=[]
temp=[]
wb = open_workbook('my_data.xlsx')

for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data.append(values[0])
y_data.append(values[1])

plt.plot(x_data, y_data, 'bo-',label=u"Phase curve",linewidth=1)

plt.annotate('zero point', xy=(180,0), xytext=(60,3), arrowprops=dict(facecolor='black', shrink=0.05),)

plt.title(u"TR14 phase detector")plt.legend()
ax = gca()
ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
plt.xlabel(u"input-deg")
plt.ylabel(u"output-V")

plt.show()
print 'over!'

好的，加上标注的图片，显示效果是这样的：



标注的添加，使用这句语句：

plt.annotate(标注文字, 标注的数据点, 标注文字坐标, 箭头形状)

这其中，标注的数据点是我们感兴趣的，需要说明的数据，而标注文字坐标，需要我们根据效果进行调节，既不能遮挡原曲线，又要醒目。

3.6 绘制图像V1.3

我们把三组数据都画在这幅图上，方便对比，此外，再加上一组理想数据进行对照。这一次我们再做些改进，把横坐标的单位用

Latex

引擎显示；不光标记零点，把两边的非线性区也标记出来；

#!/usr/bin/python
#-*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
from xlrd import open_workbook
from pylab import *

x_data=[]
y_data=[]
x_data1=[]
y_data1=[]
x_data2=[]
y_data2=[]
x_data3=[]
y_data3=[]
x_volte=[]
temp=[]

plt.annotate('Close loop point',size=18, xy=(180, 0.1), xycoords='data',
xytext=(-100, 40), textcoords='offset points',
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=.2")
)
plt.annotate(' ', xy=(0, -0.1), xycoords='data',
xytext=(200, -90), textcoords='offset points',
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=-.2")
)
plt.annotate('Zero point in non-monotonic region', size=18,xy=(360, 0), xycoords='data',
xytext=(-290, -110), textcoords='offset points',
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=.2")
)

wb = open_workbook('phase_detector.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data1.append(values[0])
y_data1.append(values[1])
plt.plot(x_data1, y_data1, 'g',label=u"Original",linewidth=2)

wb = open_workbook('phase_detector2.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data2.append(values[0])
y_data2.append(values[1])
plt.plot(x_data2, y_data2, 'r',label=u"Move the pullup resistor",linewidth=2)

wb = open_workbook('my_data.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
x_data.append(values[0])
y_data.append(values[1])
plt.plot(x_data, y_data, 'b',label=u"Faster D latch and XOR",linewidth=2)

for i in range(360):
x_data3.append(i)
y_data3.append((i-180)*0.052-0.092)
plt.plot(x_data3, y_data3, 'c',label=u"The Ideal Curve",linewidth=2)
#plt.title(u"2 \pi phase detector", fontproperties=font)
plt.title(u"$2\pi$ phase detector",size=20)
plt.legend(loc=0)#显示label
#移动坐标轴代码
ax = gca()
ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
plt.xlabel(u"$\phi/deg$",size=20)
plt.ylabel(u"$DC/V$",size=20)

plt.show()
print 'over!'

看一下显示的效果：

Latex

表示数学公式，使用

$$

表示两个符号之间的内容是数学符号。圆周率就可以简单表示为

$\pi$

，简单到哭，显示效果却很好看。同样的，

$\phi$

表示角度符号，书写和读音相近，很好记。

对于圆周率，角度公式这类数学符号，使用

Latex

来表示，是非常方便的。这张图比起上面的要好看得多了。但是，依然觉得还是有些丑。好像用平滑线画出来的图像，并不如用点线画出来的好看。而且点线更能反映实际的数据点。此外，我们的图像跟坐标轴重叠的地方，把坐标和数字都挡住了，看着不太美。

图中的理想曲线的数据，是根据电路原理纯计算出来的，要讲清楚需要较大篇幅，这里就不展开了，只是为了配合比较而用，这部分代码，大家知道即可：

for i in range(360):
x_data3.append(i)
y_data3.append((i-180)*0.052-0.092)
plt.plot(x_data3, y_data3, 'c',label=u"The Ideal Curve",linewidth=2)

3.7 绘制图像V1.4

我们再就上述问题，进行优化。优化的过程包括：改变横坐标的显示，使用弧度显示；优化图像与横坐标相交的部分，透明显示；增加网络标度。

Talk is
cheap, show me the code

：

#!/usr/bin/python
#-*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
from xlrd import open_workbook
from pylab import *

x_data=[]
y_data=[]
x_data1=[]
y_data1=[]
x_data2=[]
y_data2=[]
x_data3=[]
y_data3=[]
x_volte=[]
temp=[]

plt.annotate('The favorite close loop point',size=16, xy=(1, 0.1), xycoords='data',
xytext=(-180, 40), textcoords='offset points',
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=.2")
)
plt.annotate(' ', xy=(0.02, -0.2), xycoords='data',
xytext=(200, -90), textcoords='offset points',
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=-.2")
)
plt.annotate('Zero point in non-monotonic region', size=16,xy=(1.97, -0.3), xycoords='data',
xytext=(-290, -110), textcoords='offset points',
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=.2")
)

wb = open_workbook('phase_detector.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
#x_data1.append(values[0])
x_data1.append(values[0]/180.0)
y_data1.append(values[1])
plt.plot(x_data1, y_data1, 'g--',label=u"Original",linewidth=2)

wb = open_workbook('phase_detector2.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
#x_data2.append(values[0])
x_data2.append(values[0]/180.0)
y_data2.append(values[1])
plt.plot(x_data2, y_data2, 'r-.',label=u"Move the pullup resistor",linewidth=2)

wb = open_workbook('my_data.xlsx')
for s in wb.sheets():
print 'Sheet:',s.name
for row in range(s.nrows):
print 'the row is:',row
values = []
for col in range(s.ncols):
values.append(s.cell(row,col).value)
print values
#x_data.append(values[0])
x_data.append(values[0]/180.0)
y_data.append(values[1])
plt.plot(x_data, y_data, 'bo--',label=u"Faster D latch and XOR",linewidth=2)

for i in range(360):
#x_data3.append(i)
x_data3.append(i/180.0)
y_data3.append((i-180)*0.052-0.092)
plt.plot(x_data3, y_data3, 'c',label=u"The Ideal Curve",linewidth=2)

plt.title(u"$2\pi$ phase detector",size=20)
plt.legend(loc=0)#显示label
#移动坐标轴代码
ax = gca()
ax.spines['right'].set_color('none')ax.spines['top'].set_color('none')ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
plt.xlabel(u"$\phi/rad$",size=20)#角度单位为pi
plt.ylabel(u"$DC/V$",size=20)

plt.xticks([0, 0.5, 1, 1.5, 2],[r'$0$', r'$\pi/2$', r'$\pi$', r'$1.5\pi$', r'$2\pi$'],size=16)
for label in ax.get_xticklabels() + ax.get_yticklabels():
#label.set_fontsize(16)
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 ))
plt.grid(True)

plt.show()
print 'over!'

最终，这张图像的显示效果如下：



与我们最开始那张图比起来，是不是有种脱胎换骨的感觉？这其中，对图像与坐标轴相交的部分，做了透明化处理，代码为：

for label in ax.get_xticklabels() + ax.get_yticklabels():
#label.set_fontsize(16)
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 ))

透明度由其中的参数

alpha=0.65

控制，如果想更透明，就把这个数改到更小，

0

代表完全透明，

1

代表不透明。

而改变横轴坐标显示方式的代码为：

plt.xticks([0, 0.5, 1, 1.5, 2],[r'$0$', r'$\pi/2$', r'$\pi$', r'$1.5\pi$', r'$2\pi$'],size=16)

这里直接手动指定

x

轴的标度。依然是使用

Latex

引擎来表示数学公式。

四、实验总结

这节课使用

python

的绘图包

matplotlib

绘制了一副图像。图像的数据来源于

excel

数据表。与使用数据表画图相比，通过程序控制绘图，得到了更加灵活和精细的控制，最终绘制除了一幅精美的图像。

五、课后习题

对比每个版本程序的不同，找出优化部分的程序；修改数据来源，从

txt

或者

word

中读取数据，绘制图像；将以前使用

excel

绘制的图像，改用

python

重新绘制一遍。