本文转载自：https://blog.csdn.net/Notzuonotdied/article/details/77876080

详情请见：Matplotlib python 数据可视化神器

简单演示

import matplotlib.pyplot as plt

import numpy as np

# 从[-1,1]中等距去50个数作为x的取值

x = np.linspace(-1, 1, 50)

print(x)

y = 2*x + 1

# 第一个是横坐标的值，第二个是纵坐标的值

plt.plot(x, y)

# 必要方法，用于将设置好的figure对象显示出来

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

import matplotlib.pyplot as plt

import numpy as np

x = np.linspace(-1, 1, 50)

y = 2**x + 1

# 第一个是横坐标的值，第二个是纵坐标的值

plt.plot(x, y)

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

显示多个图像

import matplotlib.pyplot as plt

import numpy as np

# 多个figure

x = np.linspace(-1, 1, 50)

y1 = 2*x + 1

y2 = 2**x + 1

# 使用figure()函数重新申请一个figure对象

# 注意，每次调用figure的时候都会重新申请一个figure对象

plt.figure()

# 第一个是横坐标的值，第二个是纵坐标的值

plt.plot(x, y1)

# 第一个参数表示的是编号，第二个表示的是图表的长宽

plt.figure(num = 3, figsize=(8, 5))

# 当我们需要在画板中绘制两条线的时候，可以使用下面的方法：

plt.plot(x, y2)

plt.plot(x, y1,

         color='red',   # 线颜色

         linewidth=1.0,  # 线宽

         linestyle='--'  # 线样式

        )

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25

　　这里会显示两个图像：

 

去除边框，指定轴的名称

import matplotlib.pyplot as plt

import numpy as np

# 从[-1,1]中等距去50个数作为x的取值

x = np.linspace(-1, 1, 50)

y1 = 2*x + 1

y2 = 2**x + 1

# 请求一个新的figure对象

plt.figure()

# 第一个是横坐标的值，第二个是纵坐标的值

plt.plot(x, y1)  

# 设置轴线的lable（标签）

plt.xlabel("I am x")

plt.ylabel("I am y")

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

同时绘制多条曲线

import matplotlib.pyplot as plt

import numpy as np

# 从[-1,1]中等距去50个数作为x的取值

x = np.linspace(-1, 1, 50)

y1 = 2*x + 1

y2 = 2**x + 1

# num表示的是编号，figsize表示的是图表的长宽

plt.figure(num = 3, figsize=(8, 5))

plt.plot(x, y2)

# 设置线条的样式

plt.plot(x, y1,

         color='red',  # 线条的颜色

         linewidth=1.0,  # 线条的粗细

         linestyle='--'  # 线条的样式

        )

# 设置取值参数范围

plt.xlim((-1, 2))  # x参数范围

plt.ylim((1, 3))  # y参数范围

# 设置点的位置

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

plt.xticks(new_ticks)

# 为点的位置设置对应的文字。

# 第一个参数是点的位置，第二个参数是点的文字提示。

plt.yticks([-2, -1.8, -1, 1.22, 3],

          [r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$readly\ good$'])

# gca = 'get current axis'

ax = plt.gca()

# 将右边和上边的边框（脊）的颜色去掉

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

# 绑定x轴和y轴

ax.xaxis.set_ticks_position('bottom')

ax.yaxis.set_ticks_position('left')

# 定义x轴和y轴的位置

ax.spines['bottom'].set_position(('data', 0))

ax.spines['left'].set_position(('data', 0))

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42

多条曲线之曲线说明

import matplotlib.pyplot as plt

import numpy as np

# 从[-1,1]中等距去50个数作为x的取值

x = np.linspace(-1, 1, 50)

y1 = 2*x + 1

y2 = 2**x + 1

# 第一个参数表示的是编号，第二个表示的是图表的长宽

plt.figure(num = 3, figsize=(8, 5))

plt.plot(x, y2)

plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')

# 设置取值参数

plt.xlim((-1, 2))

plt.ylim((1, 3))

# 设置lable

plt.xlabel("I am x")

plt.ylabel("I am y")

# 设置点的位置

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

plt.xticks(new_ticks)

plt.yticks([-2, -1.8, -1, 1.22,3],

          [r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$readly\ good$'])

l1, = plt.plot(x, y2,

               label='aaa'

              )

l2, = plt.plot(x, y1,

               color='red',  # 线条颜色

               linewidth = 1.0,  # 线条宽度

               linestyle='-.',  # 线条样式

               label='bbb'  #标签

              )

# 使用ｌｅｇｅｎｄ绘制多条曲线

plt.legend(handles=[l1, l2],

           labels = ['aaa', 'bbb'],

           loc = 'best'

          )

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45

多个figure，并加上特殊点注释

import matplotlib.pyplot as plt

import numpy as np

# 从[-1,1]中等距去50个数作为x的取值

x = np.linspace(-1, 1, 50)

y1 = 2*x + 1

y2 = 2**x + 1

plt.figure(figsize=(12, 8))  # 第一个参数表示的是编号，第二个表示的是图表的长宽

plt.plot(x, y2)

plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')

# gca = 'get current axis'

ax = plt.gca()

# 将右边和上边的边框（脊）的颜色去掉

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

# 绑定x轴和y轴

ax.xaxis.set_ticks_position('bottom')

ax.yaxis.set_ticks_position('left')

# 定义x轴和y轴的位置

ax.spines['bottom'].set_position(('data', 0))

ax.spines['left'].set_position(('data', 0))

# 显示交叉点

x0 = 1

y0 = 2*x0 + 1

# s表示点的大小，默认rcParams['lines.markersize']**2

plt.scatter(x0, y0, s = 66, color = 'b')

# 定义线的范围，X的范围是定值，y的范围是从y0到0的位置

# lw的意思是linewidth,线宽

plt.plot([x0, x0], [y0, 0], 'k-.', lw= 2.5)

# 设置关键位置的提示信息

plt.annotate(r'$2x+1=%s$' %

             y0,

             xy=(x0, y0),

             xycoords='data',

             xytext=(+30, -30),

             textcoords='offset points',

             fontsize=16,  # 这里设置的是字体的大小

             # 这里设置的是箭头和箭头的弧度

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

            )

# 在figure中显示文字信息

# 可以使用\来输出特殊的字符\mu\ \sigma\ \alpha

plt.text(0, 3,

         r'$This\ is\ a\ good\ idea.\ \mu\ \sigma_i\ \alpha_t$',

         fontdict={'size':16,'color':'r'})

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53

tick能见度设置

import matplotlib.pyplot as plt

import numpy as np

# 从[-1,1]中等距去50个数作为x的取值

x = np.linspace(-1, 1, 50)

y = 2*x - 1

plt.figure(figsize=(12, 8))  # 第一个参数表示的是编号，第二个表示的是图表的长宽

# alpha是设置透明度的

plt.plot(x, y, color='r', linewidth=10.0, alpha=0.5)

# gca = 'get current axis'

ax = plt.gca()

# 将右边和上边的边框（脊）的颜色去掉

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

# 绑定x轴和y轴

ax.xaxis.set_ticks_position('bottom')

ax.yaxis.set_ticks_position('left')

# 定义x轴和y轴的位置

ax.spines['bottom'].set_position(('data', 0))

ax.spines['left'].set_position(('data', 0))

# 可以使用tick设置透明度

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

    label.set_fontsize(12)

    label.set_bbox(dict(facecolor='y', edgecolor='None', alpha=0.7))

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

散点图

import matplotlib.pyplot as plt

import numpy as np

n = 1024

# 从[0]

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

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

T = np.arctan2(X, Y)

plt.scatter(np.arange(5), np.arange(5))

plt.xticks(())

plt.yticks(())

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

条形图

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.figure(figsize=(12, 8))

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水平方向

    # va: vertical alignment垂直方向

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

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

    # ha: horizontal alignment水平方向

    # va: vertical alignment垂直方向

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

# 定义范围和标签

plt.xlim(-.5, n)

plt.xticks(())

plt.ylim(-1.25, 1.25)

plt.yticks(())

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

contour等高线图

import matplotlib.pyplot as plt

import numpy as np

def get_height(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)

y = np.linspace(-3, 3, n)

X, Y = np.meshgrid(x, y)

plt.figure(figsize=(14, 8))

# use plt.contourf to filling contours

# X, Y and value for (X, Y) point

# 横坐标、纵坐标、高度、 、透明度、cmap是颜色对应表

# 等高线的填充颜色

plt.contourf(X, Y, get_height(X, Y), 16, alpah=0.7, cmap=plt.cm.hot)  

# use plt.contour to add contour lines

# 这里是等高线的线

C = plt.contour(X, Y, get_height(X, Y), 16, color='black', linewidth=.5)

# adding label

plt.clabel(C, inline=True, fontsize=16)

plt.xticks(())

plt.yticks(())

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31

image图片显示

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

"""

# 这是颜色的标注

# 主要使用imshow来显示图片，这里暂时不适用图片来显示，采用色块的方式演示。

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

plt.colorbar(shrink=.90)  # 这是颜色深度的标注，shrink表示压缩比例

plt.xticks(())

plt.yticks(())

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23

3D数据图

import matplotlib.pyplot as plt

import numpy as np

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(12, 8))

ax = Axes3D(fig)

# 生成X，Y

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

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

X,Y = np.meshgrid(X, Y)

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

# height value

Z = np.sin(R)

# 绘图

# rstride（row）和cstride(column)表示的是行列的跨度

ax.plot_surface(X, Y, Z,

                rstride=1,  # 行的跨度

                cstride=1,  # 列的跨度

                cmap=plt.get_cmap('rainbow')  # 颜色映射样式设置

               )

# offset 表示距离zdir的轴距离

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

ax.set_zlim(-2, 2)

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

Subplot多合一显示

import matplotlib.pyplot as plt

import numpy as np

plt.figure()

# 将整个figure分成两行两列

plt.subplot(2, 2, 1)

# 第一个参数表示X的范围，第二个是y的范围

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.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20

分格显示

subplot2grid

import matplotlib.pyplot as plt

import numpy as np

import matplotlib.gridspec as gridspec

plt.figure()

# 第一个元素表示将总的面板进行划分，划分为3行3列，

# 第二个元素表示该面板从0行0列开始，列的跨度（colspan）为3列，行的跨度（rowspan）为1

ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3, rowspan=1)

# 第一个元素的表示X的范围为[1,2]，第二个元素表示Y的范围为[1,2]

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

ax1.set_title(r'$ax1\_title$')

# 第一个元素表示将总的面板进行划分，划分为3行3列，

# 第二个元素表示该面板从1行0列开始，列的跨度（colspan）为2列，行的跨度（rowspan）取默认值1

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

ax2.set_title(r'$ax2\_title$')

# 第一个元素表示将总的面板进行划分，划分为3行3列，

# 第二个元素表示该面板从1行2列开始，行的跨度（rowspan）为2列，列的跨度（colspan）取默认值1

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

ax3.set_title(r'$ax3\_title$')

# 第一个元素表示将总的面板进行划分，划分为3行3列，

# 第二个元素表示该面板从2行0列开始,行的跨度（rowspan）为2列，列的跨度（colspan）取默认值1

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

ax4.set_title(r'$ax4\_title$')

# 第一个元素表示将总的面板进行划分，划分为3行3列，

# 第二个元素表示该面板从2行1列开始,行的跨度（rowspan）为2列，列的跨度（colspan）取默认值1

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

ax5.set_title(r'$ax5\_title$')

plt.tight_layout()

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30

gridspec

import matplotlib.pyplot as plt

import numpy as np

plt.figure()

# 首先，定义网格的布局为3行3列

gs = gridspec.GridSpec(3, 3)

# 这里表示从0行全部都是ax1的

ax1 = plt.subplot(gs[0, :])

ax1.set_title(r'$ax1\_title$')

# 这里表示第一行中0列和1列都是ax2的

ax2 = plt.subplot(gs[1, :2])

ax2.set_title(r'$ax2\_title$')

# 这里表示第一行中2列是ax3的

ax3 = plt.subplot(gs[1:, 2])

ax3.set_title(r'$ax3\_title$')

# 这里表示最后一行中0列是ax4的

ax4 = plt.subplot(gs[-1, 0])

ax4.set_title(r'$ax4\_title$')

# 这里表示最后一行中倒数第二列是ax5的

ax5 = plt.subplot(gs[-1, -2])

ax5.set_title(r'$ax5\_title$')

plt.tight_layout()

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

easy to define structure分格显示

import matplotlib.pyplot as plt

import numpy as np

plt.figure()

# sharex表示共享X轴，sharey表示共享y轴

f, ((ax11, ax12), (ax21, ax22)) = plt.subplots(2, 2, sharex=True, sharey=True)

# 显示点（1, 2）, （1, 2）

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

ax11.set_title('11')

ax12.set_title('11')

ax21.set_title('21')

ax22.set_title('22')

plt.tight_layout()

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

图中图

import matplotlib.pyplot as plt

import numpy as np

fig = plt.figure(figsize=(10, 6))

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

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

# 大图

left, bottom, width, weight = 0.1, 0.1, 0.8, 0.8

ax1 = fig.add_axes([left, bottom, width, weight])

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

ax1.set_xlabel(r'$x$')

ax1.set_ylabel(r'$y$')

ax1.set_title(r'$××Interesting××$')

# 左上小图

left, bottom, width, weight = 0.2, 0.6, 0.25, 0.25

ax2 = fig.add_axes([left, bottom, width, weight])

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

ax2.set_xlabel(r'$x$')

ax2.set_ylabel(r'$y$')

ax2.set_title(r'$title\ inside\ 1$')

# 右下小图

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

# 将y的数据逆序输出[::1]

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

plt.xlabel('x')

plt.ylabel('y')

plt.title(r'$title\ inside\ 2$')

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32

主次坐标轴

import matplotlib.pyplot as plt

import numpy as np

# 从[0, 10]以0.1为间隔，形成一个列表

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

y1 = 0.05 * x**2

y2 = -1 * y1

fig, ax1 = plt.subplots()

# 镜像（上下左右颠倒）

ax2 = ax1.twinx()

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

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

# 为轴进行命名

ax1.set_xlabel(r'$X\ data$', fontsize=16)

ax1.set_ylabel(r'$Y1$', color='g', fontsize=16)

ax2.set_ylabel(r'$Y2$', color='b', fontsize=16)

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21

Animation动画

import matplotlib.pyplot as plt

import numpy as np

from matplotlib import animation

fig, ax = plt.subplots()

# 从[0, 2*np.pi]以0.01为间隔，形成一个列表

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

# 这里只需要列表的第一个元素，所以就用逗号“,”加空白的形式省略了列表后面的元素

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

def animate(i):

    line.set_ydata(np.sin(x + i/100))

    return line, 

def init():

    line.set_ydata(np.sin(x))

    # 这里由于仅仅需要列表的第一个参数，所以后面的就直接用空白省略了

    return line,  

ani = animation.FuncAnimation(fig=fig,

                              func=animate,  # 动画函数

                              frames=100,   # 帧数

                              init_func=init,  # 初始化函数

                              interval=20,  # 20ms

                              blit=True)

plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

Python Matplotlib简易教程【转】的更多相关文章

  1. 安装好Pycharm后如何配置Python解释器简易教程

    呃呃,遇到坑了...... 安装完Python,没有去配置好Python解释器,直接打开Python项目包,去运行程序,程序输出结果只是显示 Process finished with exit co ...

  2. Sublime Text编辑器配置Python解释器简易教程

    前天在微信上遇到一个小伙伴问我一个关于Sublime text配置Python解释器的问题,可能是初学者,对这方面还不是很懂,想使用快捷键但是徒劳一场,因为缺少Python解释器,直接按下快捷键Ctr ...

  3. python Matplotlib 系列教程(三)——绘制直方图和条形图

    在本章节我们将学习如何绘制条形图和直方图 条形图与直方图的区别:首先,条形图是用条形的长度表示各类别频数的多少,其宽度(表示类别)则是固定的: 直方图是用面积表示各组频数的多少,矩形的高度表示每一组的 ...

  4. Python 绘图库Matplotlib入门教程

    0 简单介绍 Matplotlib是一个Python语言的2D绘图库,它支持各种平台,并且功能强大,能够轻易绘制出各种专业的图像. 1 安装 pip install matplotlib 2 入门代码 ...

  5. JavaScript简易教程（转）

    原文:http://www.cnblogs.com/yanhaijing/p/3685304.html 这是我所知道的最完整最简洁的JavaScript基础教程. 这篇文章带你尽快走进JavaScri ...

  6. Argparse简易教程

    Argparse简易教程 原文:Argparse Tutorial 译者:likebeta 本教程是对于Python标准库中推荐使用的命令行解析模块argparse的简单介绍. PS:还有其他两个模块 ...

  7. Python数据分析基础教程

    Python数据分析基础教程(第2版)(高清版)PDF 百度网盘 链接:https://pan.baidu.com/s/1_FsReTBCaL_PzKhM0o6l0g 提取码:nkhw 复制这段内容后 ...

  8. 使用Python matplotlib做动态曲线

    今天看到“Python实时监控CPU使用率”的教程: https://www.w3cschool.cn/python3/python3-ja3d2z2g.html 自己也学习如何使用Python ma ...

  9. JavaScript简易教程

    这是我所知道的最完整最简洁的JavaScript基础教程. 这篇文章带你尽快走进JavaScript的世界——前提是你有一些编程经验的话.本文试图描述这门语言的最小子集.我给这个子集起名叫做“Java ...

随机推荐

  1. Python全栈day10（基础知识练习题）

    一,执行python的两种方式 1,写在脚本里面调用python执行,例如python test.py 2,  输入python在命令行交互执行,例如 python  >>> pri ...

  2. CH5101 LCIS【线性dp】

    5101 LCIS 0x50「动态规划」例题 描述 熊大妈的奶牛在小沐沐的熏陶下开始研究信息题目.小沐沐先让奶牛研究了最长上升子序列,再让他们研究了最长公共子序列,现在又让他们研究最长公共上升子序列了 ...

  3. User Login Client Identification

    w用HTTP认证首部注册用户名. HTTP The Definitive Guide Rather than passively trying to guess the identity of a u ...

  4. ora-04021 无法锁表的解决办法

    案例场景: 备库上有一张分区表,在做数据导入出了点问题,需要truncate掉重新导入,在执行truncate table时发生了04021错误. 错误分析: ora-04021的解释是等待锁定对象时 ...

  5. php面向对象--继承

    继承 extends 关键字来继承类 被继承的类,我们称之为父类 继承后的类,我们称之为子类 子类继承父类非私有的属性和方法 public 在本类,子类,以及类的外部都访问 protected 保护型 ...

  6. js 获取Array数组 最大值 最小值

    https://stackoverflow.com/questions/1669190/find-the-min-max-element-of-an-array-in-javascript // 错误 ...

  7. 一次漫长的服务CPU优化过程

    从师父那里接了个服务,每天单机的流量并不大,峰值tips也并不高,但是CPU却高的异常.由于,服务十分重要,这个服务最高时占用了100个docker节点在跑,被逼无奈开始了异常曲折的查因和优化过程. ...

  8. Data striping

    条带化是把连续的数据分割成相同大小的数据块,把每段数据分别写入到阵列中的不同磁盘上的方法. 当多个进程同时访问一个磁盘时,可能会出现磁盘冲突.大多数磁盘系统都对访问次数(每秒的 I/O 操作,IOPS ...

  9. linux 这是定时任务

    1. 编写shell脚本:vim test.sh #/bin/bash echo "hello world" 2.crontab任务配置基本格式: *   * * * * comm ...

  10. java-mybaits-00501-案例-映射分析-订单商品数据模型

    1.数据模型分析思路 1.每张表记录的数据内容          分模块对每张表记录的内容进行熟悉,相当 于你学习系统 需求(功能)的过程. 2.每张表重要的字段设置          非空字段.外键 ...