'''

【课程3.】  Matplotlib简介及图表窗口

Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库

'''
import numpy as np

import pandas as pd

import matplotlib.pyplot as plt
# 图表窗口1 → plt.show()

plt.plot(np.random.rand())

plt.show()

# 直接生成图表

　　输出

# 图表窗口2 → 魔法函数，嵌入图表

% matplotlib inline

x = np.random.randn()

y = np.random.randn()

plt.scatter(x,y)

# 直接嵌入图表，不用plt.show()

# <matplotlib.collections.PathCollection at ...> 代表该图表对象

　　输出：

# 图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口

% matplotlib notebook

s = pd.Series(np.random.randn())

s.plot(style = 'k--o',figsize=(,))

# 可交互的matplotlib窗口，不用plt.show()

# 可做一定调整

　　输出：

# 图表窗口4 → 魔法函数，弹出matplotlib控制台

% matplotlib qt5

df = pd.DataFrame(np.random.rand(,),columns=['A','B'])

df.hist(figsize=(,),color='g',alpha=0.8)

# 可交互性控制台

# 如果已经设置了显示方式（比如notebook），需要重启然后再运行魔法函数

# 网页嵌入的交互性窗口 和 控制台，只能显示一个

#plt.close()

# 关闭窗口

#plt.gcf().clear()

# 每次清空图表内内容　　

　　输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000CA745C0>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000CA7D9B0>]], dtype=object)
'''

【课程3.】  图表的基本元素

图表内基本参数设置

'''
# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等

df = pd.DataFrame(np.random.rand(,),columns=['A','B'])

fig = df.plot(figsize=(,))

# figsize：创建图表窗口，设置窗口大小

# 创建图表对象，并赋值与fig

plt.title('Interesting Graph - Check it out')  # 图名

plt.xlabel('Plot Number')  # x轴标签

plt.ylabel('Important var') # y轴标签

plt.legend(loc = 'upper right')

# 显示图例，loc表示位置

# 'best'         : , (only implemented for axes legends)(自适应方式)

# 'upper right'  : ,

# 'upper left'   : ,

# 'lower left'   : ,

# 'lower right'  : ,

# 'right'        : ,

# 'center left'  : ,

# 'center right' : ,

# 'lower center' : ,

# 'upper center' : ,

# 'center'       : ,

plt.xlim([,])  # x轴边界

plt.ylim([,1.5])  # y轴边界

plt.xticks(range())  # 设置x刻度

plt.yticks([,0.2,0.4,0.6,0.8,1.0,1.2])  # 设置y刻度

fig.set_xticklabels("%.1f" %i for i in range())  # x轴刻度标签

fig.set_yticklabels("%.2f" %i for i in [,0.2,0.4,0.6,0.8,1.0,1.2])  # y轴刻度标签

# 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-，但刻度只是0-，刻度标签使得其显示1位小数

# 轴标签则是显示刻度的标签

print(fig,type(fig))

# 查看表格本身的显示方式，以及类别

　　输出：

# 其他元素可视性

x = np.linspace(-np.pi,np.pi,,endpoint = True)

c, s = np.cos(x), np.sin(x)

plt.plot(x, c)

plt.plot(x, s)

# 通过ndarry创建图表

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

# 显示网格

# linestyle：线型

# color：颜色

# linewidth：宽度

# axis：x，y，both，显示x/y/两者的格网

plt.tick_params(bottom='on',top='off',left='on',right='off')

# 刻度显示

import matplotlib

matplotlib.rcParams['xtick.direction'] = 'out'

matplotlib.rcParams['ytick.direction'] = 'inout'

# 设置刻度的方向，in,out,inout

# 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot

frame = plt.gca()

#plt.axis('off')

# 关闭坐标轴

#frame.axes.get_xaxis().set_visible(False)

#frame.axes.get_yaxis().set_visible(False)

# x/y 轴不可见

　　输出：

'''

【课程3.】  图表的样式参数

linestyle、style、color、marker

'''
# linestyle参数

plt.plot([i** for i in range()],

        linestyle = '-.')

# '-'       solid line style

# '--'      dashed line style

# '-.'      dash-dot line style

# ':'

　　输出：

# marker参数

s = pd.Series(np.random.randn().cumsum())

s.plot(linestyle = '--',

      marker = '.')

# '.'       point marker

# ','       pixel marker

# 'o'       circle marker

# 'v'       triangle_down marker

# '^'       triangle_up marker

# '<'       triangle_left marker

# '>'       triangle_right marker

# ''       tri_down marker

# ''       tri_up marker

# ''       tri_left marker

# ''       tri_right marker

# 's'       square marker

# 'p'       pentagon marker

# '*'       star marker

# 'h'       hexagon1 marker

# 'H'       hexagon2 marker

# '+'       plus marker

# 'x'       x marker

# 'D'       diamond marker

# 'd'       thin_diamond marker

# '|'       vline marker

# '_'       hline marker

　　输出

# color参数

plt.hist(np.random.randn(),

        color = 'g',alpha = 0.8)

# alpha：-，透明度

# 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y

df = pd.DataFrame(np.random.randn(, ),columns=list('ABCD'))

df = df.cumsum()

df.plot(style = '--.',alpha = 0.8,colormap = 'GnBu')

# colormap：颜色板，包括：

# Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r,

# Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r,

# PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r,

# RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r,

# YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r,

# cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r,

# gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot,

# gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral,

# nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral,

# spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r

# 其他参数见“颜色参数.docx”

　　输出：

　　

# style参数，可以包含linestyle，marker，color

ts = pd.Series(np.random.randn().cumsum(), index=pd.date_range('1/1/2000', periods=))

ts.plot(style = '--g.',grid = True)

# style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）

# plot()内也有grid参数

　　输出：

# 整体风格样式

import matplotlib.style as psl

print(plt.style.available)

# 查看样式列表

psl.use('ggplot')

ts = pd.Series(np.random.randn().cumsum(), index=pd.date_range('1/1/2000', periods=))

ts.plot(style = '--g.',grid = True,figsize=(,))

# 一旦选用样式后，所有图表都会有样式，重启后才能关掉

　　输出：

['seaborn-ticks', 'ggplot', 'seaborn-paper', 'seaborn-whitegrid', 'grayscale', 'seaborn-deep', 'seaborn-poster', 'seaborn-talk', 'seaborn-muted', 'seaborn-white', 'seaborn-colorblind', 'seaborn-darkgrid', 'seaborn-dark', 'fivethirtyeight', 'bmh', 'dark_background', 'seaborn-bright', 'seaborn-pastel', 'classic', 'seaborn-notebook', 'seaborn-dark-palette']

'''

【课程3.】  刻度、注解、图表输出

主刻度、次刻度

'''
# 刻度

from matplotlib.ticker import MultipleLocator, FormatStrFormatter

t = np.arange(0.0, 100.0, )

s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)

ax = plt.subplot() #注意:一般都在ax中设置,不再plot中设置

plt.plot(t,s,'--*')

plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'both')

# 网格

#plt.legend()  # 图例

xmajorLocator = MultipleLocator() # 将x主刻度标签设置为10的倍数

xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式

xminorLocator   = MultipleLocator() # 将x轴次刻度标签设置为5的倍数

ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数

ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式

yminorLocator   = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数  

ax.xaxis.set_major_locator(xmajorLocator)  # 设置x轴主刻度

ax.xaxis.set_major_formatter(xmajorFormatter)  # 设置x轴标签文本格式

ax.xaxis.set_minor_locator(xminorLocator)  # 设置x轴次刻度

ax.yaxis.set_major_locator(ymajorLocator)  # 设置y轴主刻度

ax.yaxis.set_major_formatter(ymajorFormatter)  # 设置y轴标签文本格式

ax.yaxis.set_minor_locator(yminorLocator)  # 设置y轴次刻度

ax.xaxis.grid(True, which='both') #x坐标轴的网格使用主刻度

ax.yaxis.grid(True, which='minor') #y坐标轴的网格使用次刻度

# which：格网显示

#删除坐标轴的刻度显示

#ax.yaxis.set_major_locator(plt.NullLocator())

#ax.xaxis.set_major_formatter(plt.NullFormatter())

　　输出：

# 注解

df = pd.DataFrame(np.random.randn(,))

df.plot(style = '--o')

plt.text(,0.5,'hahaha',fontsize=)

# 注解 → 横坐标，纵坐标，注解字符串

　　输出：

# 图表输出

df = pd.DataFrame(np.random.randn(, ), columns=list('ABCD'))

df = df.cumsum()

df.plot(style = '--.',alpha = 0.5)

plt.legend(loc = 'upper left')

plt.savefig('C:/Users/Hjx/Desktop/pic.png',

            dpi=,

            bbox_inches = 'tight',

            facecolor = 'g',

            edgecolor = 'b')

# 可支持png，pdf，svg，ps，eps…等，以后缀名来指定

# dpi是分辨率

# bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。

# facecolor，edgecolor： 图像的背景色，默认为‘w’（白色）

　　输出：

'''

【课程3.】  子图

在matplotlib中，整个图像为一个Figure对象

在Figure对象中可以包含一个或者多个Axes对象

每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域

plt.figure, plt.subplot

'''
# plt.figure() 绘图对象

# plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None,

# frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs)

fig1 = plt.figure(num=,figsize=(,))

plt.plot(np.random.rand().cumsum(),'k--')

fig2 = plt.figure(num=,figsize=(,))

plt.plot(-np.random.rand().cumsum(),'k--')

# num：图表序号，可以试试不写或都为同一个数字的情况，图表如何显示

# figsize：图表大小

# 当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots()

　　输出：

# 子图创建1 - 先建立子图然后填充图表

fig = plt.figure(figsize=(,),facecolor = 'gray')

ax1 = fig.add_subplot(,,)  # 第一行的左图

plt.plot(np.random.rand().cumsum(),'k--')

plt.plot(np.random.randn().cumsum(),'b--')

# 先创建图表figure，然后生成子图，(,,)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下

# 创建子图后绘制图表，会绘制到最后一个子图

ax2 = fig.add_subplot(,,)  # 第一行的右图

ax2.hist(np.random.rand(),alpha=0.5)

ax4 = fig.add_subplot(,,)  # 第二行的右图

df2 = pd.DataFrame(np.random.rand(, ), columns=['a', 'b', 'c', 'd'])

ax4.plot(df2,alpha=0.5,linestyle='--',marker='.')

# 也可以直接在子图后用图表创建函数直接生成图表

　　输出：

# 子图创建1 - 先建立子图然后填充图表

fig = plt.figure(figsize=(,),facecolor = 'gray')

ax1 = fig.add_subplot(,,)  # 第一行的左图

plt.plot(np.random.rand().cumsum(),'k--')

plt.plot(np.random.randn().cumsum(),'b--')

# 先创建图表figure，然后生成子图，(,,)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下

# 创建子图后绘制图表，会绘制到最后一个子图

ax2 = fig.add_subplot(,,)  # 第一行的右图

ax2.hist(np.random.rand(),alpha=0.5)

ax4 = fig.add_subplot(,,)  # 第二行的右图

df2 = pd.DataFrame(np.random.rand(, ), columns=['a', 'b', 'c', 'd'])

ax4.plot(df2,alpha=0.5,linestyle='--',marker='.')

# 也可以直接在子图后用图表创建函数直接生成图表

　　输出：

# 子图创建2 - 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot

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

ts = pd.Series(np.random.randn().cumsum())

print(axes, axes.shape, type(axes))

# 生成图表对象的数组

ax1 = axes[,]

ax1.plot(ts)

　　输出：

[[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000BB5A4A8>

  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C08B240>

  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C0D6550>]

 [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000C10CDD8>

  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C15B160>

  <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C190DA0>]] (, ) <class 'numpy.ndarray'>

# plt.subplots,参数调整

fig,axes = plt.subplots(,,sharex=True,sharey=True)

# sharex,sharey：是否共享x，y刻度

for i in range():

    for j in range():

        axes[i,j].hist(np.random.randn(),color='k',alpha=0.5)

plt.subplots_adjust(wspace=,hspace=)

# wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距

　　输出：

# 子图创建3 - 多系列图，分别绘制

df = pd.DataFrame(np.random.randn(, ), index=ts.index, columns=list('ABCD'))

df = df.cumsum()

df.plot(style = '--.',alpha = 0.4,grid = True,figsize = (,),

       subplots = True,

       layout = (,),

       sharex = False)

plt.subplots_adjust(wspace=,hspace=0.2)

# plt.plot()基本图表绘制函数 → subplots，是否分别绘制系列（子图）

# layout：绘制子图矩阵，按顺序填充

　　输出：

图表绘制工具--Matplotlib 1的更多相关文章

  1. 图表绘制工具--Matplotlib 2

    ''' [课程3.] 基本图表绘制 plt.plot() 图表类别:线形图.柱状图.密度图,以横纵坐标两个维度为主 同时可延展出多种其他图表样式 plt.plot(kind='line', ax=No ...

  2. 【网易微专业】图表绘制工具Matplotlib

    01 与图片的交互方式设置 这一小节简要介绍一下Matplotlib的交互方式 import pandas as pd import numpy as np import matplotlib.pyp ...

  3. 图表绘制工具--Matplotlib 3

    ''' [课程3.] 表格样式创建 表格视觉样式:Dataframe.style → 返回pandas.Styler对象的属性,具有格式化和显示Dataframe的有用方法 样式创建: ① Style ...

  4. 让IE8支持HTML5及canvas功能！chart.js图表绘制工具库IE8上兼容方案

    第一步,我们加上对html5的支持. <!--[if IE]> <script src="/public/html5.js" type="text/ja ...

  5. Matplotlib 图表绘制工具学习笔记

    import numpy as np import matplotlib.pyplot as plt import pandas as pd arr1 = np.random.rand(10)#一维数 ...

  6. Python图表绘制：matplotlib绘图库入门

    matplotlib 是Python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地行制图.而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中. 它的文档相当完备,并 ...

  7. Python图表绘制：matplotlib绘图库入门（转）

    matplotlib 是Python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地行制图.而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中. 它的文档相当完备,并 ...

  8. Android学习之 AChartEngine 图表绘制

    Android 开源图表绘制工具AChartEngine地址:http://code.google.com/p/achartengine/ AChartEngine Android实现图表绘制和展示( ...

  9. Matplotlib Toolkits：地图绘制工具

    Matplotlib Toolkits:地图绘制工具 有没有一种可以直接在详细地图(如谷歌地图)上绘制上百万坐标点的工具???谷歌地图坐标点多了也不能绘制了. Basemap (Not distrib ...

随机推荐

  1. CSS3解决移动端手指点击或滑动屏幕时出现的浅蓝色背景框

    当时做完移动端页面发现点击图片(背景图按钮),出现了浅蓝色背景,实属影响页面美观,解决这一问题代码如下 html,body{ -webkit-tap-highlight-color: rgba(0,0 ...

  2. Oracle_11g中解决被锁定的scott用户的方法

    在安装完Oracle10g和创建完oracle数据库之后,想用数据库自带的用户scott登录,看看连接是否成功. 问题: 在cmd命令中,用“sqlplus  scott/ tiger”登录时,老是提 ...

  3. MySQL数据库 : 查询语句,连接查询及外键约束

    查询指定字段        select 字段1,字段2 from 表名; 消除重复行(重复指的是结果集中的所有完全重复行)             select distinct 字段1,字段2.. ...

  4. 3、springboot配置文件占位符

    RandomValuePropertySource:配置文件中可以使用随机数 ${random.value}.${random.int}.${random.long}.${random.int(10) ...

  5. SAPバリアント

    SAPバリアント   VARI バリアント VARID バリアント一覧 VARIT バリアントテキスト VARIS バリアント割当 TVARV バリアント変数(クライアント非依存) TVARVC バリ ...

  6. python基础之正则表达式和re模块

    正则表达式 就其本质而言,正则表达式(或 re)是一种小型的.高度专业化的编程语言,(在Python中)它内嵌在Python中,并通过 re 模块实现.正则表达式模式被编译成一系列的字节码,然后由用 ...

  7. zookeeper: web ui工具的安装

    zookeeper官方没有提供web用户界面,这使很多人在使用zookeeper(动物管理员)同时,并不是很容易的理解zookeeper的数据结构,还好淘宝有位大神用Nodejs写了一个web的ui工 ...

  8. PHP.29-TP框架商城应用实例-后台6-商品会员添加-价格、级别

    首先把需求分析搞清楚 主要实现两个功能 1.会员管理,设置成为会员的要求 2.添加商品时,可设置会员优惠价格 具体实现 1.建表[会员级别限定表p39_member_level{Id,级别名称,积分下 ...

  9. 5，Linux之文档与目录结构

    Linux文件系统结构 Linux目录结构的组织形式和Windows有很大的不同.首先Linux没有“盘(C盘.D盘.E盘)”的概念.已经建立文件系统的硬盘分区被挂载到某一个目录下,用户通过操作目录来 ...

  10. sql server inser相关处理（添加一条，一次添加多条，Bulk插入多条）

    1,insert语句 insert into 表一(字段一,字段二,字段三) value(值一,值二,值三) 2,sql 插入多条语句,其中完整值之间用逗号分割 insert into 表一(字段一, ...