Python：Matplotlib 画图

   

首先补充一下：两种体系7种颜色 r g b y m c k （红，绿，蓝，黄，品红，青，黑）

在科研的过程中，坐标系中的XY不一定就是等尺度的。例如在声波中对Y轴取对数。肆意我们也必须知道这种坐标系如何画出来的。

 1：对数坐标图

    有3个函数可以实现这种功能，分别是：semilogx（），semilogy（），loglog（）。它们分别表示对X轴，Y轴，XY轴取对数。下面在一个2*2的figure里面来比较这四个子图（还有plot（））。

[python] 

<span style="font-size:14px;">  1 import numpy as np  

  2 import matplotlib.pyplot as plt  

  3 w=np.linspace(0.1,1000,1000)  

  4 p=np.abs(1/(1+0.1j*w))  

  5   

  6 plt.subplot(221)  

  7 plt.plot(w,p,lw=2)  

  8 plt.xlabel('X')  

  9 plt.ylabel('y')  

 10   

 11   

 12 plt.subplot(222)  

 13 plt.semilogx(w,p,lw=2)  

 14 plt.ylim(0,1.5)  

 15 plt.xlabel('log(X)')  

 16 plt.ylabel('y')  

 17   

 18 plt.subplot(223)  

 19 plt.semilogy(w,p,lw=2)  

 20 plt.ylim(0,1.5)  

 21 plt.xlabel('x')  

 22 plt.xlabel('log(y)')  

 23   

 24 plt.subplot(224)  

 25 plt.loglog(w,p,lw=2)  

 26 plt.ylim(0,1.5)  

 27 plt.xlabel('log(x)')  

 28 plt.xlabel('log(y)')  

 29 plt.show()  

</span>  

如上面的代码所示，对一个低通滤波器函数绘图。得到四个不同坐标尺度的图像。如下图所示：



2，极坐标图像

    极坐标系中的点由一个夹角和一段相对于中心位置的距离来表示。其实在plot（）函数里面本来就有一个polar的属性，让他为True就行了。下面绘制一个极坐标图像：

[python] view
plaincopy





  1 import numpy as np  

  2 import matplotlib.pyplot as plt  

  3   

  4 theta=np.arange(0,2*np.pi,0.02)  

  5   

  6 plt.subplot(121,polar=True)  

  7 plt.plot(theta,2*np.ones_like(theta),lw=2)  

  8 plt.plot(theta,theta/6,'--',lw=2)  

  9   

 10 plt.subplot(122,polar=True)  

 11 plt.plot(theta,np.cos(5*theta),'--',lw=2)  

 12 plt.plot(theta,2*np.cos(4*theta),lw=2)  

 13 plt.rgrids(np.arange(0.5,2,0.5),angle=45)  

 14 plt.thetagrids([0,45,90])  

 15   

 16 plt.show()  

~                  

整个代码很好理解，在后面的13，14行没见过。第一个plt.rgrids(np.arange(0.5,2,0.5),angle=45) 表示绘制半径为0.5 1.0 1.5的三个同心圆，同时将这些半径的值标记在45度位置的那个直径上面。plt.thetagrids([0,45,90]) 表示的是在theta为0，45，90度的位置上标记上度数。得到的图像是：



3，柱状图：

核心代码matplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, **kwargs)里面重要的参数是左边起点，高度，宽度。下面例子：

[python] view
plaincopy





 1 import numpy as np  

 2 import matplotlib.pyplot as plt  

 3   

 4   

 5 n_groups = 5  

 6   

 7 means_men = (20, 35, 30, 35, 27)  

 8 means_women = (25, 32, 34, 20, 25)  

 9   

10 fig, ax = plt.subplots()  

11 index = np.arange(n_groups)  

12 bar_width = 0.35  

13   

14 opacity = 0.4  

15 rects1 = plt.bar(index, means_men, bar_width,alpha=opacity, color='b',label=    'Men')  

16 rects2 = plt.bar(index + bar_width, means_women, bar_width,alpha=opacity,col    or='r',label='Women')  

17   

18 plt.xlabel('Group')  

19 plt.ylabel('Scores')  

20 plt.title('Scores by group and gender')  

21 plt.xticks(index + bar_width, ('A', 'B', 'C', 'D', 'E'))  

22 plt.ylim(0,40)  

23 plt.legend()  

24   

25 plt.tight_layout()  

26 plt.show()  

得到的图像是：



再贴一图：

这是我关于pose识别率的实验结果，感觉结果真是令人不可思议！（非博主原文！）

[python] view
plain copy

def drawBarChartPoseRatio():  

    n_groups = 5      

    means_VotexF36 = (0.84472049689441, 0.972477064220183, 1.0, 0.9655172413793104, 0.970970970970971)    

    means_VotexF50 = (1.0,              0.992992992992993, 1.0, 0.9992348890589136, 0.9717125382262997)  

    means_VFH36    = (0.70853858784893, 0.569731081926204, 0.8902900378310215, 0.8638638638638638, 0.5803008248423096)  

    means_VFH50    = (0.90786948176583, 0.796122576610381, 0.8475120385232745, 0.8873762376237624, 0.5803008248423096)    

      

    fig, ax = plt.subplots()    

    index = np.arange(n_groups)    

    bar_width = 0.3    

    opacity   = 0.4    

      

    rects1 = plt.bar(index,             means_VFH36,    bar_width/2, alpha=opacity, color='r', label='VFH36'   )    

    rects2 = plt.bar(index+ bar_width/2,  means_VFH50,  bar_width/2, alpha=opacity, color='g', label='VFH50'   )    

     

    rects3 = plt.bar(index+bar_width, means_VotexF36,     bar_width/2, alpha=opacity, color='c', label='VotexF36')    

    rects4 = plt.bar(index+1.5*bar_width, means_VotexF50, bar_width/2, alpha=opacity, color='m', label='VotexF50')    

      

    plt.xlabel('Category')    

    plt.ylabel('Scores')    

    plt.title('Scores by group and Category')    

      

    #plt.xticks(index - 0.2+ 2*bar_width, ('balde', 'bunny', 'dragon', 'happy', 'pillow'))  

    plt.xticks(index - 0.2+ 2*bar_width, ('balde', 'bunny', 'dragon', 'happy', 'pillow')，fontsize =18)  

  

    plt.yticks(fontsize =18)  #change the num axis size  

  

    plt.ylim(0,1.5)  #The ceil  

    plt.legend()    

    plt.tight_layout()    

    plt.show()  

柱状图显示：



4：散列图，由离散的点构成的。

函数是：

matplotlib.pyplot.scatter(x, y, s=20, c='b', marker='o', cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, hold=None,**kwargs)，其中，xy是点的坐标，s点的大小，maker是形状可以maker=（5，1）5表示形状是5边型，1表示是星型（0表示多边形，2放射型，3圆形）；alpha表示透明度；facecolor=‘none’表示不填充。例子如下：

[python] view
plaincopy





 1 import numpy as np  

 2 import matplotlib.pyplot as plt  

 3   

 4 plt.figure(figsize=(8,4))  

 5 x=np.random.random(100)  

 6 y=np.random.random(100)  

 7 plt.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none')  

 8 plt.xlim(0,1)  

 9 plt.ylim(0,1)  

10   

11 plt.show()  

上面代码的facecolors参数使得前面的c=‘y’不起作用了。图像：



5，3D图像，主要是调用3D图像库。看下面的例子：

[python] view
plaincopy





 1 import numpy as np  

 2 import matplotlib.pyplot as plt  

 3 import mpl_toolkits.mplot3d  

 4   

 5 x,y=np.mgrid[-2:2:20j,-2:2:20j]  

 6 z=x*np.exp(-x**2-y**2)  

 7   

 8 ax=plt.subplot(111,projection='3d')  

 9 ax.plot_surface(x,y,z,rstride=2,cstride=1,cmap=plt.cm.coolwarm,alpha=0.8)  

10 ax.set_xlabel('x')  

11 ax.set_ylabel('y')  

12 ax.set_zlabel('z')  

13   

14 plt.show()  

得到的图像如下图所示：



到此，matplotlib基本操作的学习结束了，相信大家也可以基本完成自己的科研任务了。