您的位置:首页 > 编程语言 > Python开发

支持各种平台,功能强大 Python 绘图库 Matplotlib 入门教程

2019-03-28 19:18 871 查看

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:

  1. 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]
  2. 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
  3. 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:

  1. 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;
  2. 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:

  1. data
    是一组包含7个数据的随机数值
  2. 图中的标签通过
    labels
    来指定
  3. autopct
    指定了数值的精度格式
  4. plt.axis('equal')
    设置了坐标轴大小一致
  5. 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:

  1. 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
  2. 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。
  3. 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。

内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: