matplotlib 快速作图

2022/7/6 23:32:23

编程Tag： import 10 快速 Matplotlib 作图 None PLT np

本文主要是介绍matplotlib 快速作图，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

matplotlib

这是一篇快速画图的简单用法，另一个稍微详细一点的教程，可以见：https://www.cnblogs.com/wztshine/p/15101086.html

简单使用：

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

# plt.plot(x, y) 可以根据 x，y 值来绘制图表。
plt.plot(x, y)
plt.title("y=x^2", fontsize=15)  # 添加标题和字体大小

plt.show()  # 显示图表

修改线条样式：

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

# +++ linewidth 参数可以设置线条宽度
plt.plot(x, y, linewidth=5)

plt.title("y=x^2", fontsize=15)

plt.show()

支持中文：

matplotlib 默认是不支持中文的，我们需要如下设置让它支持中文。

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

plt.plot(x, y)
plt.title("这是标题")

# +++ 多了这两行代码，用来设置字体为黑体；设置坐标轴上负号的编码；之后就能正常显示中文了
plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

坐标轴名称-字体大小

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

plt.plot(x, y)
plt.title("这是标题")

# +++ 设置坐标轴名字和字体大小
plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

坐标轴刻度设置：倾斜角度，刻度值，刻度标签，标签颜色

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

plt.plot(x, y)
plt.title("这是标题")

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

# +++ 设置坐标轴
plt.xticks(x[::10], labels=['x'+str(i) for i in x[::10]], rotation=30, color="red")

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

plt.xticks(ticks, labels, **kwargs)

ticks：你想要设置的刻度列表。上面的例子中，我们将刻度间隔设置成10，这样可以让刻度稀少一点，比较好看。

labels：每个刻度上显示的刻度标签文字；默认使用当前刻度的值。如果设置了这个参数，则列表的长度应该和 ticks 一致。

kwargs：

rotation：设置刻度标签的旋转角度

color：刻度标签的颜色

绘制多个线条

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

plt.plot(x, y)
plt.title("这是标题")

# +++ 又绘制了一个线条，坐标轴数据可以和之前的线条不一样
plt.plot(x-10, x**3)

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

线条样式

plt.plot(x, y, color='red', alpha=.3, linestyle='-', linewidth=5, marker='o', markeredgecolor='r', markersize=10, markeredgewidth=10)

x：x 轴数据

y：y 轴数据

color：线条颜色，可以是全称如：”red”，也可以是缩写：’r'，也可以是16进制颜色

alpha：线条透明度，取值范围 0~1

linestyle：

- 代表实现

-- 代表虚线

-. 代表点划线

: 代表虚线

linewidth：线条宽度

marker：线条上数据点的标记类型

o 代表圆圈

. 代表原点

x 代表 x 型

D 钻石型标记

s 正方形

H 六角形

+ +号

markeredgecolor：标记点边缘颜色

markersize：标记点大小

markeredgewidth：标记点边缘宽度

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-10, 11)
y = x ** 2

plt.plot(x, y, label="图表1")

# +++ 在绘图时，可以直接指定线条的样式
plt.plot(x-10, x**3, label="图表2", color='red', linestyle='-', linewidth=3, marker='o',
         markeredgecolor='b', markersize=3, markeredgewidth=2)

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.show()

线条样式和数据标记点可以写在一起：

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-10, 11)
y = x ** 2

plt.plot(x, y, label="图表1")

# +++ 在绘图时，可以合并线条和标记点的一些样式
plt.plot(x-10, x**3, 'ro-.')

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.show()

图例

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-50, 51)
y = x ** 2

plt.plot(x, y, label="图表1")
plt.title("这是标题")

# +++ 绘制线条时，给它设置 label
plt.plot(x-10, x**3, label="图表2")
# +++ legend 会自动根据线条的 label，显示图例名称
plt.legend()

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

plt.legend(loc="best") 会自动根据线条的 label 添加图例，并且图例的位置会自动调整。想要自定义图例的位置，loc 参数的可选项有如下：

'best' 0 自适应

'upper right' 1 右上角

'upper left' 2 左上角

'lower left' 3 ..

'lower right' 4 ..

'right' 5

'center left' 6

'center right' 7

'lower center' 8

'upper center' 9

'center' 10

'best'	0	自适应
'upper right'	1	右上角
'upper left'	2	左上角
'lower left'	3	..
'lower right'	4	..
'right'	5
'center left'	6
'center right'	7
'lower center'	8
'upper center'	9
'center'	10

数据点文本

针对线条上的每个数据点，我们可以给它加上文本标记，来显示数据点的值

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-10, 11)
y = x ** 2

plt.plot(x, y, label="图表1")
plt.title("这是标题")

plt.plot(x-10, x**3, label="图表2")
for x, y in list(zip(x-10, x**3)):
    # +++ 意思是：在 (x,y) 坐标点上，添加一个文本：y
    plt.text(x, y, y)
plt.legend()

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

plt.text(x, y, value, horizontalalignment, verticalalignment) 可以在相应的坐标点上添加文字

x：x 坐标值

y：y 坐标值

value：要在 (x, y) 坐标点上添加的文本

horizontalalignment：水平对齐方式：['center' | 'top' | 'bottom' | 'baseline']

verticalalignment：垂直对齐方式：['center' | 'right' | 'left']

背景网格

plt.grid(True, linestyle='--', color='gray', linewidth=0.5, axis='x', alpha=1)

给坐标轴添加背景网格，可以控制网格的线条，颜色，线条宽度，是横轴的还是纵轴的，以及线条的透明度

linestyle：线条样式

color：线条颜色

linewidth：线条宽度

axis：可选为：['x', 'y', 'both']，可以控制 x，y或者两者兼具的网格

alpha：控制线条透明度，介于 0~1 之间的数。0 为透明，1为不透明。

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-10, 11)
y = x ** 2

plt.plot(x, y, label="图表1")
plt.title("这是标题")

plt.plot(x-10, x**3, label="图表2")
for x, y in list(zip(x-10, x**3)):
    plt.text(x, y, y)
plt.legend()

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

# +++ 背景网格
plt.grid(color='gray', axis='both', alpha=0.3)

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

设置坐标轴位置和颜色

坐标轴的四个边框，被称为 spines，它包含了 left, right, top, bottom 四个坐标轴。

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(-10, 11)
y = x ** 2

plt.plot(x, y, label="图表1")
plt.title("这是标题")

plt.plot(x-10, x**3, label="图表2")
for x, y in list(zip(x-10, x**3)):
    plt.text(x, y, y)
plt.legend()

plt.xlabel("x 轴", fontsize=16)
plt.ylabel("y 轴")

plt.grid(color='gray', axis='both', alpha=0.3)

# +++ 设置坐标轴
axes = plt.gca()  # 获取坐标轴
axes.spines['right'].set_color("none")  # 设置右侧坐标轴颜色
axes.spines['top'].set_color('none')
axes.spines['left'].set_position(('data', 0))  # 设置坐标轴的位置是 x 轴的0处
axes.spines['bottom'].set_position(('data', 0))  # 设置坐标轴的位置是 y 轴的0处

plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

plt.show()

set_position() 中有三种不同的设置方式：

data: 根据数据值设置位置

axes: 根据坐标轴的百分比设置位置。譬如：axes.spines['left'].set_position(('axes', 0.5)) 就是将 y 坐标轴移动到 x 坐标轴 50% 位置处（中点）

outward: ...

设置画图分辨率和大小

plt.plot()  # 默认尺寸是 432*288，分辨率72，6*4英寸

plt.rcParams['figure.dpi'] = 100  # 设置分辨率 100，尺寸为 600*400
plt.rcParams['figure.figsize'] = (8, 5)  # 设置英寸大小

图表对象

figure(num=None,     # 编号或名字
       figsize=None, # 图形的长宽，单位英寸
       dpi=None,  # 每英寸的分辨率。默认 72
       facecolor=None,  # 背景色
       edgecolor=None,  # 边框颜色
       frameon=True,    # 是否显示边框
       FigureClass=Figure,
       clear=False,
       **kwargs
      )

譬如：

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(10)
y = x*2

f = plt.figure('f1', figsize=(8, 5), dpi=100, facecolor='gray')
plt.plot(x, y)

plt.show()

多子图

上面说了 Figure ，它是一个图表对象。图表对象可以包含多个 Axes，即坐标轴，每个坐标轴都包含了 Axis 对象，即轴对象。每个坐标轴对象，都可以绘制数据。

figure.add_axes(rect)

这个方法用来生成一个 axes 坐标轴对象，并且我们可以自定义坐标轴在图表中的位置。对象的位置由 rect 决定。rect 是一个位置参数。接受一个由 4 个元素组成的浮点数列表，如：[left, bottom, width, height], 它表示添加到图表中的矩形的左下角坐标，宽度和高度。

import numpy as np
from matplotlib import pyplot as plt

x = np.arange(10)
y = x*2

f = plt.figure('f1', figsize=(8, 5), dpi=100, facecolor='gray')

ax1 = f.add_axes([0.1, 0.1, 0.8, 0.8])  # 添加一个距离图表左侧和底部 10% 间距、宽度和高度均为图表宽高 80% 的坐标轴
ax2 = f.add_axes([0.2, 0.2, 0.5, 0.5])  # 添加一个距离图表左侧和底部 20% 间距、宽度和高度均为图表宽高 50% 的坐标轴

# 坐标轴可以直接 plot 数据。
ax1.plot(x, y)
ax2.plot(x, y)

plt.show()

针对每个坐标轴，我们可以使用 axes.plot 来绘制数据。之前我们都是使用 plt.plot()，其实本质也是通过 plt.gca() 获取当前的 axes ，然后调用 axes.plot() 来绘制数据

plt.subplot()

subplot 可以均匀的划分 figure 区域，来创建多个子图

plt.subplot(nrows, ncols, index, *args, **kwargs)

nrows：几行子图

ncols：几列子图

index：会创建 nrows*ncols 个子图，index 是子图的索引，代表选取第几个子图

上面的 nrows, ncols, index 可以写在一起，譬如：221，代表创建 2 行 2 列共 4 个子图，当前选取第 1 个子图。

import numpy as np
from matplotlib import pyplot as plt

names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]

plt.figure(figsize=(9, 3))

plt.subplot(121)        # 创建1行2列共2个图，当前是在第一个子图上
plt.bar(names, values)  # 在这第一个子图上画一个柱状图

plt.subplot(122)        # 切换到第二个子图
plt.scatter(names, values)  # 第二个上画散点图

plt.show()

创建合并的子图，即一个子图横跨多列或者多行：

import matplotlib.pyplot as plt


plt.subplot(121)  # 1列2行第1个
plt.subplot(222)  # 2列2行第2个
plt.subplot(224)  # 2列2行第4个

plt.show()

figure.add_subplot

上面是使用 plt.subplot ，其实它的本质是先通过 plt.gcf() 来获取当前 figure 对象，然后调用 fig.add_subplot() 实现的

import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot(111)

ax2 = fig.add_subplot(122)

plt.show()

异形的子图，譬如你想让某个子图横跨或者纵跨几个子图，可以这样做：

import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,(3,4)) # 第三个 Axes 横跨 3和4 这两个子图，所以占据两个位置，相当于Excel合并单元格
plt.show()

subplots

和 subplot 类似，但是 subplot 返回的是一个 Axes 对象。而 subplots 返回 Figure 对象以及 Figure 中的多个 Axes 对象。

import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(2, 2)

axes[0][1].plot(np.arange(5))  # 对第一行的第二个图绘制数据
axes[1][1].plot(np.arange(10)) # 对第二行的第二个图绘制数据

plt.show()

上面的 axes 是一个 numpy.ndarray 对象，里面包含了多个子图。

柱状图

plt.bar(x, height, width=0.8, bottom=None, * align='center', data=None, alpha=1, edgecolor, linewidth=None, tick_label, facecolor, linestyle)

x：x轴上的值

height：y轴值

width：柱子的宽度

bottom：柱子的底部数据。默认是放在 x 轴上。如果你想画堆叠的柱状图，可以将一个柱子的底部放在另一个柱子的顶部，这样就堆叠起来了。

align：柱子对齐方式，居中对齐x轴刻度。

alpah：柱子透明度

edgecolor：柱子边缘颜色

linewidth：柱子边缘宽度

facecolor：柱子的填充颜色

tick_label：柱子的数据标签

基本柱状图

import matplotlib.pyplot as plt
import numpy as np

x = np.array([1,2,3])
y = x * 2

plt.title("Bar")
plt.bar(x, y, facecolor='red')

plt.show()

同位置多柱状图

在同一个横坐标位置画多个柱状图，柱子之间会有重叠和遮盖，因此我们需要手动将柱子错开。

import matplotlib.pyplot as plt
import numpy as np

x = ["English", "Math"]
y1 = [100, 90]
y2 = [80, 130]

bar_width = 0.2  # 柱子宽度
x_1 = np.arange(len(x))  # 将字符串型的横坐标，转换成数字，用来给 y1 设置的横坐标
x_2 = x_1 + bar_width  # 右移一个柱子的宽度，给 y2 设置的横坐标

# 分别在 x1， x2 的横坐标上画柱状图，这样它们就并排显示了
plt.bar(x_1, y1, width=bar_width)
plt.bar(x_2, y2, width=bar_width)

# 最后将横坐标刻度的位置移动到两个柱子中心点，然后使用原先的横坐标字符串来给坐标设置 label
plt.xticks(x_1 + bar_width/2, labels=x)

plt.show()

堆叠柱状图

import matplotlib.pyplot as plt
import numpy as np


x = [1,2,3,4,5]
h = [1,2,3,4,5]
c = ['r','b','g','grey','y']

fig, ax = plt.subplots()
ax.bar(x, h,color=c,tick_label=x) # 第一组数据，默认以0为底部起点
ax.bar(x,h,bottom=h,color=c[::-1]) # 第二组数据，以第一组数据值的高度为起点，这样就叠加起了两组数据

plt.show()

水平柱状图

import matplotlib.pyplot as plt
import numpy as np


y = [1,2,3,4,5]
h = [10,2,3,4,5]
c = ['r','b','g','grey','y']

fig, ax = plt.subplots()
ax.barh(y, h,color=c,tick_label=y) # 默认以0为底部起点

plt.show()

水平堆叠柱状图

import matplotlib.pyplot as plt
import numpy as np


y = [1,2,3,4,5]
h = [10,2,3,4,5]
c = ['r','b','g','grey','y']

fig, ax = plt.subplots()
ax.barh(y, h,color=c,tick_label=y) # 默认不写 left 参数，以 0 为底部起点
ax.barh(y, h, left=h)  # left 设置左侧起始位置为 h

plt.show()

水平同位置多柱状图

import matplotlib.pyplot as plt
import numpy as np


y = np.array([1,2,3,4,5])
h = [10,2,3,4,5]
width = 0.4

fig, ax = plt.subplots()
ax.barh(y, h, height=width)  # 柱子的宽度参数叫做 height
ax.barh(y+width, h, height=width)  # 将刻度值上移一个宽度

ax.set_yticks(y+width/2, y)  # 将刻度移动到两个柱子中间，并将刻度标签设成原数值

plt.show()

直方图

直方图和柱状图很像。它们的区别是，直方图的横坐标是一个区间，而柱状图的横坐标是某一系列的数据。

plt.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, *, data=None, **kwargs)

x：绘制的数据，必须是一维数组，多维数组要展开

bins：如果是整数，则代表了等距的柱子的个数，默认是10。如果参数是一个序列，则代表了柱子们横坐标的起始值，譬如：[1,2,3,4] 代表第一个柱子的区间是：[1, 2), 第二个柱子区间是：[2, 3), 第三个是 [3, 4]

weights：每个柱子的权重

density：布尔值；

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(10, 100, 50)

plt.hist(x, bins=10, edgecolor='white')  # 设置 10根柱子，柱子边缘色为白色

plt.show()

直方图的返回值

n, bins, pathes = plt.hist(...)

n：一个列表，里面是每根柱子的 y 轴的值。

bins：一个列表，里面是每根柱子的 x 轴的起点值和最后一根柱子的结尾值，因此这个列表的长度会比柱子的个数多一个

pathes：可迭代的对象，里面包含了所有的柱子对象。可以通过 obj.get_x(), obj.get_y(), obj.get_width() 等来获取柱子的属性。

不等距直方图

import matplotlib.pyplot as plt
import numpy as np

x = [1,23,23,10,29]

plt.hist(x, bins=[1,10, 30], edgecolor='white')  # bins 控制间距

plt.show()

堆叠直方图

import matplotlib.pyplot as plt
import numpy as np

x = [1,23,23,10,29]
y = [11, 2, 25, 46]

plt.hist([x, y], bins=[1,10, 30], edgecolor='white', stacked=True, label=['A', 'B'])  # stabked 可以堆叠
plt.legend()
plt.show()

饼状图

import matplotlib.pyplot as plt
import numpy as np

x = [500, 100, 200, 400]
labels = ['A', 'B', 'C', 'D']
explode = [0, 0.03, 0.03, 0.5]  # 这些数是用来控制每个饼图区域离圆心的距离，即让各个饼图之间打散一些。不加距离，则是一个完全闭合的圆。

plt.pie(x, labels=labels, autopct='%.2f%%', explode=explode)

plt.show()

plt.pie 可以绘制饼图。autopct 参数用来给饼图区域添加所占百分比数。explode 设置各区域离圆心的距离

还有两个参数：pctdistance, labeldistance 用来控制百分比的数字距离圆心的距离，和标签距离圆心的距离。参数的类型都是浮点数。

散点图

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(10, 100, 20)
y = np.random.randint(10, 50, 20)
s = np.random.randint(20, 300, 20)

# x, y 是点的坐标。s 是每个点的面积大小。散点图可以绘制不同大小的点
plt.scatter(x, y, s)

plt.show()

散点颜色

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(10, 100, 20)
y = np.random.randint(10, 50, 20)
s = np.random.randint(20, 300, 20)

c = np.random.rand(20)  # 生成一组随机数，可以被用来当作颜色
plt.scatter(x, y, s, c=c)

plt.show()

cmap

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(10, 100, 20)
y = np.random.randint(10, 50, 20)
s = np.random.randint(20, 300, 20)

c = np.random.rand(20)
plt.scatter(x, y, s, c=c, cmap="Blues")  # 当颜色使用了浮点数时，可以使用 cmap 参数来指定一些渐变的色系，让散点的颜色分布在这个色系中

plt.show()

箱体图

在箱体图中，用上四分位数到下四分位数绘制一个箱子，然后用触须穿过盒子，上垂线延伸至上边缘（最大值），下垂线延伸至最小值。有时会有数据超出上下边缘，这种数据是异常值。

boxplot(
        x, notch=None, sym=None, vert=None, whis=None,
        positions=None, widths=None, patch_artist=None,
        bootstrap=None, usermedians=None, conf_intervals=None,
        meanline=None, showmeans=None, showcaps=None, showbox=None,
        showfliers=None, boxprops=None, labels=None, flierprops=None,
        medianprops=None, meanprops=None, capprops=None,
        whiskerprops=None, manage_ticks=True, autorange=False,
        zorder=None, *, data=None)

x：绘制的数据

vert：箱体的方向。True 时为垂直方向，False 为水平方向。

showmeans：为 True 时显示算术平均值。

meanline：为 True 时，算术平均值显示为线条的样式。

import matplotlib.pyplot as plt
import numpy as np

x = np.random.rand(20)

plt.boxplot(x, showmeans=True, meanline=True)  # 显示平均值，并将平均值显示成线条的样式

plt.show()

箱体图可以处理多维数据，它会将每列数据，绘制成一个箱子

import matplotlib.pyplot as plt
import numpy as np

x = np.random.rand(20).reshape(4,5)  # 多维数据

plt.boxplot(x, showmeans=True, meanline=True, labels="ABCDE")

plt.show()

保存图片

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(10, 100, 20)
y = np.random.randint(10, 50, 20)
s = np.random.randint(20, 300, 20)
c = np.random.rand(20)
plt.scatter(x, y, s, c=c, cmap="Blues")

plt.savefig('my_img.jpg', dpi=300)

这篇关于matplotlib 快速作图的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！