一、基本用法

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-1,1,50) # 生成-1到1 ，平分50个点

y = 2*x+1

plt.plot(x,y) # 把 x 和 y 展示出来

plt.show()    # 脚本当中要用.show()图才会出来

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-1,1,50) # 生成-1到1 ，平分50个点

y1 = 2*x+1

y2 = x**2

plt.figure(num=3,figsize=(8,5))   # 指定窗口名称数为3，图形长宽为8,5

plt.plot(x,y1)

plt.figure()          # 当需要多个窗口时plt.plot(...) 上面加plt.figure()

plt.plot(x,y2,color='red',linewidth=6,linestyle='--') # 线的颜色为红色，线宽度为6(这条线有点粗),线的类型为虚线

plt.plot(x,y1)                         # 一个图像当中可以画几条线

plt.show()    # 脚本当中要用.show()图才会出来
二、设置坐标轴

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-3,3,50) # 生成-1到1 ，平分50个点

y1 = 2*x+1

y2 = x**2

plt.figure()          # 当需要多个窗口时plt.plot(...) 上面加plt.figure()

plt.plot(x,y2,color='red',linewidth=6,linestyle='--') # 线的颜色为红色，线宽度为6(这条线有点粗),线的类型为虚线

plt.plot(x,y1)                         # 一个图像当中可以画几条线

# 设置x轴和y轴的取值范围

plt.xlim(-1,2)

plt.ylim(-2,)

# 给x轴和y轴命名

plt.xlabel('I am X')

plt.ylabel('I am Y')

# 指定间隔单位

new_ticks = np.linspace(-1,2,5)

print(new_ticks)

plt.xticks(new_ticks)

# 把第一个列表中的替换转成第二个列表中的单词 ; 两个$$之间的单词会变成好看一点的字体、转义符\alpha 可变成数学的α

plt.yticks([-2,-1,0,1,2],[r'$really\ bad$','bad','normal',r'$good$','really good'])

plt.show()    # 脚本当中要用.show()图才会出来
改变坐标轴的位置

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-3,3,50) # 生成-1到1 ，平分50个点

y1 = 2*x+1

y2 = x**2

plt.figure()          # 当需要多个窗口时plt.plot(...) 上面加plt.figure()

plt.plot(x,y2,color='red',linewidth=1,linestyle='--') # 线的颜色为红色，线宽度为1,线的类型为虚线

plt.plot(x,y1)                         # 一个图像当中可以画几条线

# 设置x轴和y轴的取值范围

plt.xlim(-1,2)

plt.ylim(-2,)

# 给x轴和y轴命名

plt.xlabel('I am X')

plt.ylabel('I am Y')

# 指定间隔单位

new_ticks = np.linspace(-1,2,5)

print(new_ticks)

plt.xticks(new_ticks)

# 把第一个列表中的替换转成第二个列表中的单词 ; 两个$$之间的单词会变成好看一点的字体、转义符\alpha 可变成数学的α

plt.yticks([-2,-1,0,1,2],[r'$really\ bad$','bad','normal',r'$good$','really good'])

# 改变坐标轴的位置

ax = plt.gca()  # 拿到当前图像

ax.spines['right'].set_color('none')  # 把方框右边隐藏

ax.spines['top'].set_color('none')    # 把方框上边隐藏

ax.xaxis.set_ticks_position('bottom')   # 把方框底边设置为x轴

ax.yaxis.set_ticks_position('left')     # 把方框左边设置为y轴

ax.spines['bottom'].set_position(('data',0))  # 把x轴设置在y轴等于0等横线上

ax.spines['left'].set_position(('data',0))  # 把y轴设置在x轴等于0等竖线上

plt.show()    # 脚本当中要用.show()图才会出来
三、Legend 图例

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-3,3,50) # 生成-1到1 ，平分50个点

y1 = 2*x+1

y2 = x**2

# 设置x轴和y轴的取值范围

plt.xlim(-1,2)

plt.ylim(-2,)

# 给x轴和y轴命名

plt.xlabel('I am X')

plt.ylabel('I am Y')

# 把第一个列表中的替换转成第二个列表中的单词 ; 两个$$之间的单词会变成好看一点的字体、转义符\alpha 可变成数学的α

plt.yticks([-2,-1,0,1,2],[r'$really\ bad$','bad','normal',r'$good$','really good'])

l1, = plt.plot(x,y2,color='red',linewidth=1,linestyle='--',label='up') # 线的名字 up ; l1后面要有逗号（规定的）

l2, = plt.plot(x,y1,label='down')                                      # 线的名字down ; l2后面要有逗号（规定的）

# 生成图例1

# plt.legend()

#自定义图例2

plt.legend(handles=[l1,l2],labels=['aaa','bbb'],loc='best') # label重新定义线名 ; loc 位置参数,best 自己找最合适的位置

plt.show()    # 脚本当中要用.show()图才会出来
四、Annotation 标注

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-3,3,50) # 生成-1到1 ，平分50个点

y1 = 2*x+1

# 设置x轴和y轴的取值范围

plt.xlim(-4,3)

plt.ylim(-6,6)

plt.figure(num=1,)

plt.plot(x,y1)

# 改变坐标轴的位置

ax = plt.gca()  # 拿到当前图像

ax.spines['right'].set_color('none')  # 把方框右边隐藏

ax.spines['top'].set_color('none')    # 把方框上边隐藏

ax.xaxis.set_ticks_position('bottom')   # 把方框底边设置为x轴

ax.yaxis.set_ticks_position('left')     # 把方框左边设置为y轴

ax.spines['bottom'].set_position(('data',0))  # 把x轴设置在y轴等于0等横线上

ax.spines['left'].set_position(('data',0))  # 把y轴设置在x轴等于0等竖线上

x0 = 1

y0 = 2*x0+1

plt.scatter(x0,y0,s=50,color='b') # x0,y0 注解点位置 ；50是像素大小；颜色为蓝色

plt.plot([x0,x0],[y0,0],'k--',lw=3) # 从点x0,x0画黑虚线 线宽为3到 点y0,0

# 打印注解方式一

# 基于data 的x0,y0 ；textcoords 文本相对点；xytext 文本相对移动+30,-30；arrowstyle线型；connectionstyle线角度和弧度

plt.annotate(r'2x+1=%s'%(y0),xy=(x0,y0),xycoords='data',xytext=(+30,-30),textcoords='offset points',

             fontsize=16,arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2')   )

# 方式二

plt.text(-3.7,3,r'$This\ is\ the\ some\ text.\ \mu\ \sigma_i$')

plt.show()    # 脚本当中要用.show()图才会出来
五、tick 能见度
import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-3,3,50) # 生成-1到1 ，平分50个点

y1 = 2*x+1

# 设置x轴和y轴的取值范围

plt.xlim(-4,3)

plt.ylim(-6,6)

# 改变坐标轴的位置

ax = plt.gca()  # 拿到当前图像

ax.spines['right'].set_color('none')  # 把方框右边隐藏

ax.spines['top'].set_color('none')    # 把方框上边隐藏

ax.xaxis.set_ticks_position('bottom')   # 把方框底边设置为x轴

ax.yaxis.set_ticks_position('left')     # 把方框左边设置为y轴

ax.spines['bottom'].set_position(('data',0))  # 把x轴设置在y轴等于0等横线上

ax.spines['left'].set_position(('data',0))  # 把y轴设置在x轴等于0等竖线上

plt.figure(num=1,)

plt.plot(x,y1,lw=16)

for label in ax.get_xticklabels() + ax.get_yticklabels():

    label.set_fontsize(12)

    label.set_bbox(dict(facecolor='white',edgecolor='None',alpha=0.7)) # 白底方框住数字 透明度为0.7

plt.show()    # 脚本当中要用.show()图才会出来

# 未成功
六、散点图

import numpy as np

import matplotlib.pyplot as plt

n = 1024

X = np.random.normal(0,1,n)

Y = np.random.normal(0,1,n)

T = np.arctan2(Y,X)         # 颜色的数量值

plt.scatter(X,Y,s=75,c=T,alpha=0.5)

plt.xlim(-1.5,1.5)

plt.ylim(-1.5,1.5)

# 隐藏横坐标和纵坐标

plt.xticks(())

plt.yticks(())

plt.show()    # 脚本当中要用.show()图才会出来
七、柱状图

import matplotlib.pyplot as plt

import numpy as np

n = 12

X = np.arange(n)

Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)

Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)

plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')

plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')

for x, y in zip(X, Y1):

    # ha: horizontal alignment

    # va: vertical alignment

    plt.text(x + 0.04, y + 0.05, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2):

    # ha: horizontal alignment

    # va: vertical alignment

    plt.text(x + 0.04, -y - 0.05, '%.2f' % y, ha='center', va='top')

plt.xlim(-.5, n)

plt.xticks(())

plt.ylim(-1.25, 1.25)

plt.yticks(())

plt.show()
八、等高线图

import matplotlib.pyplot as plt

import numpy as np

# 算等高线高度的函数

def f(x,y):

    # the height function

    return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)

n = 256

x = np.linspace(-3, 3, n) # 生成图框 x有256个点

y = np.linspace(-3, 3, n) # 生成图框 y有256个点

X,Y = np.meshgrid(x, y)   # 定义X,Y的网格高度

plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot) # 设置颜色

C = plt.contour(X, Y, f(X, Y), 8, colors='black', ) # 画等高线的线

plt.clabel(C, inline=True, fontsize=10) # 数字 画在线上面

plt.xticks(())

plt.yticks(())

plt.show()
九、image图像

import matplotlib.pyplot as plt

import numpy as np

# image data

a = np.array([0.313660827978, 0.365348418405, 0.423733120134,

              0.365348418405, 0.439599930621, 0.525083754405,

              0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)

"""

for the value of "interpolation", check this:

http://matplotlib.org/examples/images_contours_and_fields/interpolation_methods.html

for the value of "origin"= ['upper', 'lower'], check this:

http://matplotlib.org/examples/pylab_examples/image_origin.html

"""

plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')

plt.colorbar(shrink=.92)  # 右侧压缩一下

plt.xticks(())

plt.yticks(())

plt.show()
十、添加3D图像

import matplotlib.pyplot as plt

import numpy as np

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()

ax = Axes3D(fig)   # 添加3D图像

# X, Y value

X = np.arange(-4, 4, 0.25)

Y = np.arange(-4, 4, 0.25)

X, Y = np.meshgrid(X, Y)      # meshgrid把X和Y放到3D图像的面上去

R = np.sqrt(X ** 2 + Y ** 2)

# height value

Z = np.sin(R)    # 生成高度值

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) # cstride 颜色跨度

ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap='rainbow')

ax.set_zlim(-2, 2)

plt.show()
十一、subplot 多合一显示

import matplotlib.pyplot as plt

import numpy as np

plt.figure(figsize=(6, 4))

# plt.subplot(n_rows, n_cols, plot_num)

plt.subplot(2, 2, 1)      # 分成两行两列，1表示第一张图

plt.plot([0, 1], [0, 1])

plt.subplot(222)

plt.plot([0, 1], [0, 2])

plt.subplot(223)

plt.plot([0, 1], [0, 3])

plt.subplot(224)

plt.plot([0, 1], [0, 4])

plt.tight_layout()

# example 2:

###############################

plt.figure(figsize=(6, 4))

# plt.subplot(n_rows, n_cols, plot_num)

plt.subplot(2, 1, 1)

# figure splits into 2 rows, 1 col, plot to the 1st sub-fig

plt.plot([0, 1], [0, 1])

plt.subplot(234)

# figure splits into 2 rows, 3 col, plot to the 4th sub-fig

plt.plot([0, 1], [0, 2])

plt.subplot(235)

# figure splits into 2 rows, 3 col, plot to the 5th sub-fig

plt.plot([0, 1], [0, 3])

plt.subplot(236)

# figure splits into 2 rows, 3 col, plot to the 6th sub-fig

plt.plot([0, 1], [0, 4])

plt.tight_layout()

plt.show()
十二、分格显示

import matplotlib.pyplot as plt

import matplotlib.gridspec as gridspec

# method 1: subplot2grid

##########################

plt.figure()

# (3, 3):三行三列, (0, 0):起点, colspan=3:列跨3列

ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)  # stands for axes

ax1.plot([1, 2], [1, 2])

ax1.set_title('ax1_title')

ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)

ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)

ax4 = plt.subplot2grid((3, 3), (2, 0))

ax4.scatter([1, 2], [2, 2])

ax4.set_xlabel('ax4_x')

ax4.set_ylabel('ax4_y')

ax5 = plt.subplot2grid((3, 3), (2, 1))

# method 2: gridspec

#########################

plt.figure()

gs = gridspec.GridSpec(3, 3)

# use index from 0

ax6 = plt.subplot(gs[0, :])

ax7 = plt.subplot(gs[1, :2])

ax8 = plt.subplot(gs[1:, 2])

ax9 = plt.subplot(gs[-1, 0])

ax10 = plt.subplot(gs[-1, -2])

# method 3: easy to define structure

####################################

f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True)

ax11.scatter([1,2], [1,2])

plt.tight_layout()

plt.show()
十三、图中图

import matplotlib.pyplot as plt

import matplotlib.gridspec as gridspec

fig = plt.figure()

x = [1, 2, 3, 4, 5, 6, 7]

y = [1, 3, 4, 2, 5, 8, 6]

# below are all percentage

left, bottom, width, height = 0.1, 0.1, 0.8, 0.8

ax1 = fig.add_axes([left, bottom, width, height])  # main axes 主要的长宽

ax1.plot(x, y, 'r')

ax1.set_xlabel('x')

ax1.set_ylabel('y')

ax1.set_title('title')

ax2 = fig.add_axes([0.2, 0.6, 0.25, 0.25])  # inside axes 0.2离左边20%, 0.6离底边60%, 0.25方框宽为底边25%, 0.25...

ax2.plot(y, x, 'b')

ax2.set_xlabel('x')

ax2.set_ylabel('y')

ax2.set_title('title inside 1')

# different method to add axes

####################################

plt.axes([0.6, 0.2, 0.25, 0.25])

plt.plot(y[::-1], x, 'g')

plt.xlabel('x')

plt.ylabel('y')

plt.title('title inside 2')

plt.show()
十四、次坐标轴

import matplotlib.pyplot as plt

import numpy as np

x = np.arange(0, 10, 0.1)

y1 = 0.05 * x**2

y2 = -1 *y1

fig, ax1 = plt.subplots()

ax2 = ax1.twinx()    # mirror the ax1 # 把x1的数据反过来

ax1.plot(x, y1, 'g-')

ax2.plot(x, y2, 'b-')

ax1.set_xlabel('X data')

ax1.set_ylabel('Y1 data', color='g')

ax2.set_ylabel('Y2 data', color='b')

plt.show()
十五、动画 animation

import numpy as np

from matplotlib import pyplot as plt

from matplotlib import animation

fig, ax = plt.subplots()           # 生成对象

x = np.arange(0, 2*np.pi, 0.01)

line, = ax.plot(x, np.sin(x))     # sin图像

def animate(i):

    line.set_ydata(np.sin(x + i/10.0))  # update the data

    return line,

def init():

    line.set_ydata(np.sin(x))

    return line,

# frames 100 个时间点；init_func最开始的那一帧；interval频率；blit是否更新整张图，还是变化的点

ani = animation.FuncAnimation(fig=fig, func=animate, frames=100, init_func=init,

                              interval=20, blit=False)

plt.show()

学习来源: 油管 莫烦 python 数据可视化教学教程

python 数据可视化的更多相关文章

  1. Python数据可视化编程实战——导入数据

    1.从csv文件导入数据 原理:with语句打开文件并绑定到对象f.不必担心在操作完资源后去关闭数据文件,with的上下文管理器会帮助处理.然后,csv.reader()方法返回reader对象,通过 ...

  2. Python数据可视化——使用Matplotlib创建散点图

    Python数据可视化——使用Matplotlib创建散点图 2017-12-27 作者:淡水化合物 Matplotlib简述: Matplotlib是一个用于创建出高质量图表的桌面绘图包(主要是2D ...

  3. Python数据可视化-seaborn库之countplot

    在Python数据可视化中,seaborn较好的提供了图形的一些可视化功效. seaborn官方文档见链接:http://seaborn.pydata.org/api.html countplot是s ...

  4. Python数据可视化编程实战pdf

    Python数据可视化编程实战(高清版)PDF 百度网盘 链接:https://pan.baidu.com/s/1vAvKwCry4P4QeofW-RqZ_A 提取码:9pcd 复制这段内容后打开百度 ...

  5. 【数据科学】Python数据可视化概述

    注:很早之前就打算专门写一篇与Python数据可视化相关的博客,对一些基本概念和常用技巧做一个小结.今天终于有时间来完成这个计划了! 0. Python中常用的可视化工具 Python在数据科学中的地 ...

  6. Python数据可视化的四种简易方法

    摘要: 本文讲述了热图.二维密度图.蜘蛛图.树形图这四种Python数据可视化方法. 数据可视化是任何数据科学或机器学习项目的一个重要组成部分.人们常常会从探索数据分析(EDA)开始,来深入了解数据, ...

  7. python --数据可视化（一）

    python --数据可视化 一.python -- pyecharts库的使用 pyecharts--> 生成Echarts图标的类库 1.安装: pip install pyecharts ...

  8. 【python可视化系列】python数据可视化利器--pyecharts

    学可视化就跟学弹吉他一样,刚开始你会觉得自己弹出来的是噪音,也就有了在使用python可视化的时候,总说,我擦,为啥别人画的图那么溜: [python可视化系列]python数据可视化利器--pyec ...

  9. python数据可视化：pyecharts

    发现了一个做数据可视化非常好的库:pyecharts.非常便捷好用,大力推荐!! 官方介绍:pyecharts 是一个用于生成 Echarts 图表的类库.Echarts 是百度开源的一个数据可视化 ...

随机推荐

  1. 【Sprint3冲刺之前】项目完成时间表

    Sprint2冲刺成果——项目完成时间表 项目完成时间表 经过Sprint2小组总结会议的探讨,我们决定一起约定项目alpha版本,beta版本,release版本的发布时间,发布形式及预计完成效果 ...

  2. 轻松搞定RabbitMQ（二）——工作队列之消息分发机制

    转自 http://blog.csdn.net/xiaoxian8023/article/details/48681987 上一篇博文中简单介绍了一下RabbitMQ的基础知识,并写了一个经典语言入门 ...

  3. oracle ORA-06550

    declare  cnt integer; begin     select count(0)     into cnt     from user_all_tables    where table ...

  4. JS 常用字符串操作

    Js字符串操作函数大全 /*******************************************                        字符串函数扩充              ...

  5. Canvas学习笔记——动画中摩擦力的运用

    摩擦力是与物体运动方向相反的力.我们在处理物体运动时,常把物体分解水平(X轴)方向和竖直(Y轴)方向的运动(比如平抛运动),但在处理摩擦力时,如果把摩擦力分解为X轴和Y轴上的阻力,就会出现某条轴上速度 ...

  6. LeetCode：判断最长前缀

    之前一直忽略了一个问题就是:给定的空字符串数组 char* longestCommonPrefix(char** strs, int strsSize) { char* result; if(strs ...

  7. tween用户使用指南

    tween.js user guide tween.js用户指南 1.What is a tween? How do they work? Why do you want to use them? 一 ...

  8. 解决火狐访问(localhost)本地网站提示输入用户名密码

    VS在调试程序时浏览器一直提示要输入用户名及密码,但是我程序根本没有登录界面,最后终于找到了解决方案,如下: 1.在火狐浏览器地址栏中输入:about:config 2.然后在搜索文本框中输入:NTL ...

  9. java内部类和静态内部类的区别

    1 相同点 使用的时候,import的时候,除了包名,还要带外部类. 2 不同点 2.1 对象创建的方式不同 静态内部类创建对象的时候,独立于外部类及其对象,就好像它是一个独立的类,可以和外部类一样使 ...

  10. Splits a tensor into sub tensors

    https://www.tensorflow.org/api_docs/python/tf/split # 'value' is a tensor with shape [5, 30] # Split ...