支持各种平台,功能强大 Python 绘图库 Matplotlib 入门教程
运行环境
由于这是一个Python语言的软件包,因此需要你的机器上首先安装好Python语言的环境。关于这一点,请自行在网络上搜索获取方法。
本文的代码在如下环境中测试:
- Apple OS X 10.13
- Python 3.6.3
- matplotlib 2.1.1
- numpy 1.13.3
介绍
Matplotlib适用于各种环境,包括:
- Python脚本
- IPython shell
- Jupyter notebook
- Web应用服务器
- 用户图形界面工具包
使用Matplotlib,能够的轻易生成各种类型的图像,例如:直方图,波谱图,条形图,散点图等。并且,可以非常轻松的实现定制。
入门代码示例
下面我们先看一个最简单的代码示例,让我们感受一下Matplotlib是什么样的:
[code]# test.py import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.plot(data) plt.show()
我们来讲解一下三行代码的逻辑:
- 通过
np.arange(100, 201)
生成一个[100, 200]之间的整数数组,它的值是:[100, 101, 102, … , 200] - 通过
matplotlib.pyplot
将其绘制出来。很显然,绘制出来的值对应了图中的纵坐标(y轴)。而matplotlib本身为我们设置了图形的横坐标(x轴):[0, 100],因为我们刚好有100个数值 - 通过
plt.show()
将这个图形显示出来
这段代码非常的简单,运行起来也是一样。如果你已经有了本文的运行环境,将上面的代码保存到一个文本文件中,然后通过下面的命令就可以在你自己的电脑上看到上面的图形了:
[code]python3 test.py
一次绘制多个图形
有些时候,我们可能希望一次绘制多个图形,例如:两组数据的对比,或者一组数据的不同展示方式等。
可以通过下面的方法创建多个图形:
多个figure
可以简单的理解为一个
figure就是一个图形窗口。
matplotlib.pyplot会有一个默认的
figure,我们也可以通过
plt.figure()创建更多个。如下面的代码所示:
[code]# figure.py import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.plot(data) data2 = np.arange(200, 301) plt.figure() plt.plot(data2) plt.show()
多个subplot
有些情况下,我们是希望在同一个窗口显示多个图形。此时就这可以用多个subplot。下面是一段代码示例:
[code]# subplot.py import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.subplot(2, 1, 1) plt.plot(data) data2 = np.arange(200, 301) plt.subplot(2, 1, 2) plt.plot(data2) plt.show()
这段代码中,除了
subplot函数之外都是我们熟悉的内容。
subplot函数的前两个参数指定了subplot数量,即:它们是以矩阵的形式来分割当前图形,两个整数分别指定了矩阵的行数和列数。而第三个参数是指矩阵中的索引。
因此,下面这行代码指的是:2行1列subplot中的第1个subplot。
[code]plt.subplot(2, 1, 1)
下面这行代码指的是:2行1列subplot中的第2个subplot。
[code]plt.subplot(2, 1, 2)
subplot函数的参数不仅仅支持上面这种形式,还可以将三个整数(10之内的)合并一个整数。例如:
2, 1, 1可以写成
211,
2, 1, 2可以写成
212。
因此,下面这段代码的结果是一样的:
[code]import matplotlib.pyplot as plt import numpy as np data = np.arange(100, 201) plt.subplot(211) plt.plot(data) data2 = np.arange(200, 301) plt.subplot(212) plt.plot(data2) plt.show()
常用图 4000 形示例
Matplotlib可以生成非常多的图形式样,多到令人惊叹的地步。
本文作为第一次的入门教程,我们先来看看最常用的一些图形的绘制。
线性图
前面的例子中,线性图的横轴的点都是自动生成的,而我们很可能希望主动设置它。另外,线条我们可能也希望对其进行定制。看一下下面这个例子:
[code]# plot.py import matplotlib.pyplot as plt plt.plot([1, 2, 3], [3, 6, 9], '-r') plt.plot([1, 2, 3], [2, 4, 9], ':g') plt.show()
这段代码说明如下:
plot
函数的第一个数组是横轴的值,第二个数组是纵轴的值,所以它们一个是直线,一个是折线;- 最后一个参数是由两个字符构成的,分别是线条的样式和颜色。前者是红色的直线,后者是绿色的点线。
散点图
scatter函数用来绘制散点图。同样,这个函数也需要两组配对的数据指定x和y轴的坐标。下面是一段代码示例:
[code]# scatter.py import matplotlib.pyplot as plt import numpy as np N = 20 plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c='r', s=100, alpha=0.5) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c='g', s=200, alpha=0.5) plt.scatter(np.random.rand(N) * 100, np.random.rand(N) * 100, c='b', s=300, alpha=0.5) plt.show()
饼状图
pie函数用来绘制饼状图。饼状图通常用来表达集合中各个部分的百分比。
[code]# pie.py import matplotlib.pyplot as plt import numpy as np labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'] data = np.random.rand(7) * 100 plt.pie(data, labels=labels, autopct='%1.1f%%') plt.axis('equal') plt.legend() plt.show()
这段代码说明如下:
data
是一组包含7个数据的随机数值- 图中的标签通过
labels
来指定 autopct
指定了数值的精度格式plt.axis('equal')
设置了坐标轴大小一致plt.legend()
指明要绘制图例
条形图
bar函数用来绘制条形图。条形图常常用来描述一组数据的对比情况,例如:一周七天,每天的城市车流量。
下面是一个代码示例:
[code]# bar.py import matplotlib.pyplot as plt import numpy as np N = 7 x = np.arange(N) data = np.random.randint(low=0, high=100, size=N) colors = np.random.rand(N * 3).reshape(N, -1) labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'] plt.title("Weekday Data") plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels) plt.show()
这段代码说明如下:
- 这幅图展示了一组包含7个随机数值的结果,每个数值是[0, 100]的随机数
- 它们的颜色也是通过随机数生成的。
np.random.rand(N * 3).reshape(N, -1)
表示先生成21(N x 3)个随机数,然后将它们组装成7行,那么每行就是三个数,这对应了颜色的三个组成部分。 title
指定了图形的标题,labels
指定了标签,alpha
是透明度
直方图
hist函数用来绘制直方图。直方图看起来是条形图有些类似。但它们的含义是不一样的,直方图描述了数据中某个范围内数据出现的频度。这么说有些抽象,我们通过一个代码示例来描述就好理解了:
[code]# hist.py import matplotlib.pyplot as plt import numpy as np data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]] labels = ['3K', '4K', '5K'] bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000] plt.hist(data, bins=bins, label=labels) plt.legend() plt.show()
上面这段代码中,
[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三个数组的数组,这其中:
- 第一个数组包含了3000个随机数,这些随机数的范围是 [0, 3000)
- 第二个数组包含了4000个随机数,这些随机数的范围是 [0, 4000)
- 第三个数组包含了5000个随机数,这些随机数的范围是 [0, 5000)
bins数组用来指定我们显示的直方图的边界,即:[0, 100) 会有一个数据点,[100, 500)会有一个数据点,以此类推。所以最终结果一共会显示7个数据点。同样的,我们指定了标签和图例。
结束语
通过本文,我们已经知道了Matplotlib的大致使用方法和几种最基本的图形的绘制方式。
需要说明的是,由于是入门教程,因此本文中我们只给出了这些函数和图形最基本的使用方法。但实际上,它们的功能远不止这么简单。因此本文中我们贴出了这些函数的API地址以便读者进一步的研究。
- Python 绘图库 Matplotlib 入门教程
- Python绘图教程——Matplotlib文档(详细版)后半部分
- python 绘图工具 matplotlib 入门
- Python第三方库matplotlib(2D绘图库)入门与进阶
- Matplotlib 绘图教程(2D入门)
- python matplotlib 绘图入门
- Python Matplotlib绘制入门基础教程
- python绘图matplotlib绘图库入门
- Python开发环境Wing IDE使用教程之matplotlib 2D绘图库代码调试技巧
- python数据可视化系列教程——matplotlib绘图全解
- Python 绘图库 Matplotlib 入门代码实例
- Python数据可视化教程之Matplotlib实现各种图表实例
- Python数据可视化利器Matplotlib,绘图入门篇,Pyplot介绍
- 基于Python数据可视化利器Matplotlib,绘图入门篇,Pyplot详解
- Python使用matplotlib实现基础绘图功能示例
- Python 数据科学入门教程:Matplotlib
- Python绘图教程——Matplotlib文档(详细版)后半部分
- Python绘图教程——Matplotlib文档(详细版)后半部分
- python matplotlib绘图时图例显示问题
- Python绘图(一):matplotlib 基本使用