『Matplotlib』数据可视化专项

一、相关知识

官网介绍

中文显示方框问题

这是由于matplotlib文件夹内没有中文字体包导致的，实际上函数包本身是支持中文的，常见解决方案是拷贝字体文件到matplotlib中，不过我感觉太麻烦，找到了另外的方式，

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong']    # 指定默认字体

mpl.rcParams['axes.unicode_minus'] = False        # 解决保存图像是负号'-'显示为方块的问题

加上这三行代码指定一下字体就行了（实际上最后一行可以不加）

anaconda字体路径在：/anaconda2/lib/python2.7/site-packages/matplotlib/mpl-data/font/ttf

一、常用绘制流程

1.axes列表中包含各个子图句柄

# 3x3子图

fig, axes = plt.subplots(3, 3)

# 子图间距设定

fig.subplots_adjust(hspace=0.3, wspace=0.3)

# 在分别绘制各个子图

for i, ax in enumerate(axes.flat):

    pass

2.每个子图句柄需要单独生成

# 画布

fig = plt.figure()

# 添加子图

ax = fig.add_subplot(211)

pass

# 添加子图

ax2 = fig.add_subplot(212)

pass

3.使用plt包命名空间代指多个子图句柄

【注】这种方法的句柄含在plt中，与上面的ax的方法属性并不相同，下面会详解

# 添加子图

plt.subplot(311)

pass

# 添加子图

plt.subplot(312)

pass

# 添加子图

plt.subplot(313)

pass

二、绘图功能

【注】使用ax代指子图方法1、2的句柄，plt代指方法3中的命名空间。坐标生成：

# 一维坐标生成

x = np.linspace(0,10,100)

# 二维网格生成

u = np.linspace(-1,1,100)

x,y = np.meshgrid(u,u)

坐标轴标签：

xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i])

xlabel = "y"

ax.set_xlabel(xlabel)

ax.set_ylabel(ylabel)

plt.xlabel('x')

plt.ylabel('y')

坐标轴刻度：

ax.set_xticks([])

ax.set_yticks([])

plt.xticks(range(len(x)), ['a', 'b', 'c', 'd', 'e', 'f'])

plt.yticks(range(1, 8, 2))

坐标网格：

# 横纵坐标单位长度统一

plt.axis('equal')

# 网格

plt.grid(True)

# 网格

ax.grid(True)

图表标题：

plt.title('Second Derivative')

对数坐标：

 '''对数坐标'''

plt.semilogx(x,y)  # 对x取对数

plt.semilogy(x,y)  # 对y取对数

plt.loglog(x,y)    # 同时取对数

绘图：

# 色彩填充

ax.fill(x,y1,facecolor='g',alpha=0.3)

ax.fill_between(x,y,y1,facecolor='b')

# 等高线

ax.contourf(x,y,z)

# 显示数组，因为是数组所以才会有vmin和vmax的关键字

ax.imshow()

# 线性绘图

plt.plot(x,y1,c='b',linestyle='',marker='^')

三、经典实例

饼状图

import matplotlib.pyplot as plt

plt.figure(figsize=(12,9))

labels = ['part1', 'part2', 'part3']

# 各个饼的比例

sizes = [30, 20, 50]

colors = ['yellowgreen', 'gold', 'lightskyblue']

# 各个模块离圆心的距离，参数为距离

explode = (0.05, 0.0, 0.0)

# 图 label的text 比例的text

patches, l_texts, p_texts = plt.pie(sizes, explode=explode, labels=labels, colors=colors, labeldistance=0.8,

        autopct='%3.1f%%', shadow=True, startangle=90, pctdistance=0.6)

# 设置x，y轴刻度一致，这样饼图才能是圆的

plt.axis('equal')

plt.legend()

# 设置label的字体大小

for t in l_texts:

    t.set_size(20)

# 设置比例数字的字体大小

for t in p_texts:

    t.set_size(20)

plt.show()

柱状图

import numpy as np

from matplotlib import pyplot as plt

plt.figure(figsize=(9,6))

n = 12

X = np.arange(n)+1

# numpy.random.uniform(low=0.0, high=1.0, size=None), normal

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

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

# bar and barh

width = 0.35

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

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

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

# 柱状图添加说明文字

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

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

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

    plt.text(x+0.4, y-0.15, '%.2f' % y, ha='center', va= 'bottom')

#plt.ylim(-1.25,+1.25)

plt.show()

import numpy as np

from matplotlib import pyplot as plt

plt.figure(figsize=(9,6))

n = 12

X = np.arange(n)+1

# numpy.random.uniform(low=0.0, high=1.0, size=None), normal

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

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

# bar and barh

width = 0.35

# 方法barh和参数height可以实现横向的柱状图

plt.barh(X, Y1, height=width, facecolor='#9999ff', edgecolor='white')

plt.show()

概率分布图

from matplotlib import pyplot as plt

import numpy as np

mu = 0

sigma = 1

x = mu + sigma*np.random.randn(10000)

fig,(ax0,ax1)=plt.subplots(ncols=2, figsize=(9,6))

ax0.hist(x, 20, normed=1, histtype='bar', facecolor='g', rwidth=0.8, alpha=0.75)

ax0.set_title('pdf')

# 累积概率密度分布

ax1.hist(x, 20, normed=1, histtype='bar', rwidth=0.8, cumulative=True)

ax1.set_title('cdf')

plt.show()

散点图

atan2(a,b)是4象限反正切，它的取值不仅取决于正切值a/b，还取决于点 (b, a) 落入哪个象限：当点(b, a) 落入第一象限时，atan2(a,b)的范围是 0 ~ pi/2; 　当点(b, a) 落入第二象限时，atan2(a,b)的范围是 pi/2 ~ pi; 当点(b, a) 落入第三象限时，atan2(a,b)的范围是－pi～－pi/2; 　当点(b, a) 落入第四象限时，atan2(a,b)的范围是 -pi/2～０

而 atan(a/b) 仅仅根据正切值为a/b求出对应的角度（可以看作仅仅是2象限反正切）：当 a/b > 0 时，atan(a/b)取值范围是 0 ~ pi/2；当 a/b < 0 时，atan(a/b)取值范围是 -pi/2～０

故 atan2(a,b) = atan(a/b) 仅仅发生在点 (b, a) 落入第一象限（b>0, a>0）或第四象限（b>0, a0 , 故 atan(a/b) 取值范围是 0 ~ pi/2，2atan(a/b) 的取值范围是 0 ~ pi，而此时atan2(a,b)的范围是－pi～－pi/2，很显然，atan2(a,b) = 2atan(a/b)

举个最简单的例子，a = 1, b = -1，则 atan(a/b) = atan(-1) = -pi/4, 而 atan2(a,b) = 3*pi/4

from matplotlib import pyplot as plt

import numpy as np

plt.figure(figsize=(9,6))

n = 1024

# 均匀分布 高斯分布

# rand 和 randn

X = np.random.rand(1,n)

Y = np.random.rand(1,n)

# 设定颜色

T = np.arctan2(Y,X)

plt.scatter(X,Y, s=75, c=T, alpha=.4, marker='o')

#plt.xlim(-1.5,1.5), plt.xticks([])

#plt.ylim(-1.5,1.5), plt.yticks([])

plt.show()

不规则组合图

# 定义子图区域
left, width = 0.1, 0.65
bottom, height = 0.1, 0.65
bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]
rect_histx = [left, bottom_h, width, 0.2]
rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 需要传入[左边起始位置，下边起始位置，宽，高]
# 根据子图区域来生成子图
axScatter = plt.axes(rect_scatter)
axHistx = plt.axes(rect_histx)
axHisty = plt.axes(rect_histy)

# ref : http://matplotlib.org/examples/pylab_examples/scatter_hist.html

import numpy as np

import matplotlib.pyplot as plt

# the random data

x = np.random.randn(1000)

y = np.random.randn(1000)

# 定义子图区域

left, width = 0.1, 0.65

bottom, height = 0.1, 0.65

bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]

rect_histx = [left, bottom_h, width, 0.2]

rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 根据子图区域来生成子图

axScatter = plt.axes(rect_scatter)

axHistx = plt.axes(rect_histx)

axHisty = plt.axes(rect_histy)

# no labels

#axHistx.xaxis.set_ticks([])

#axHisty.yaxis.set_ticks([])

# now determine nice limits by hand:

N_bins=20

xymax = np.max([np.max(np.fabs(x)), np.max(np.fabs(y))])

binwidth = xymax/N_bins

lim = (int(xymax/binwidth) + 1) * binwidth

nlim = -lim

# 画散点图，概率分布图

axScatter.scatter(x, y)

axScatter.set_xlim((nlim, lim))

axScatter.set_ylim((nlim, lim))

bins = np.arange(nlim, lim + binwidth, binwidth)

axHistx.hist(x, bins=bins)

axHisty.hist(y, bins=bins, orientation='horizontal')

# 共享刻度

axHistx.set_xlim(axScatter.get_xlim())

axHisty.set_ylim(axScatter.get_ylim())

plt.show()

三维数据图

使用散点图的点大小、颜色、透明度表示高维数据：

import numpy as np

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(9,6),facecolor='white')

# Number of ring

n = 50

size_min = 50

size_max = 50*50

# Ring position

P = np.random.rand(n,2)

# Ring colors R,G,B,A

C = np.ones((n,4)) * (0.5,0.5,0,1)

# Alpha color channel goes from 0 (transparent) to 1 (opaque),很厉害的实现

C[:,3] = np.linspace(0,1,n)

# Ring sizes

S = np.linspace(size_min, size_max, n)

# Scatter plot

plt.scatter(P[:,0], P[:,1], s=S, lw = 0.5,

                  edgecolors = C, facecolors=C)

plt.xlim(0,1), plt.xticks([])

plt.ylim(0,1), plt.yticks([])

plt.show()

美化

# 美化matplotlib绘出的图，导入后自动美化

import seaborn as sns

# matplotlib自带美化风格

# 打印可选风格

print(plt.style.available #ggplot, bmh, dark_background, fivethirtyeight, grayscale)

# 激活风格

plt.style.use('bmh')

一维颜色填充 & 三维绘图 & 三维等高线图

『Python』Numpy学习指南第九章_使用Matplotlib绘图

from mpl_toolkits.mplot3d import Axes3D

ax = fig.add_subplot(111,projection='3d')

ax.plot() 绘制3维线

ax.plot_surface绘制三维网格（面）

from mpl_toolkits.mplot3d import Axes3D   #<-----导入3D包

import numpy as np

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(9,6))

ax = fig.add_subplot(111,projection='3d') #<-----设置3D模式子图


# 新思路，之前都是生成x和y绘制z=f(x，y)的函数，这次绘制x=f1(z),y=f2(z)

z = np.linspace(0, 6, 1000)

r = 1

x = r * np.sin(np.pi*2*z)

y = r * np.cos(np.pi*2*z)

ax.plot(x, y, z, label=u'螺旋线', c='r')

ax.legend()

# dpi每英寸长度的点数

plt.savefig('3d_fig.png',dpi=200)

plt.show()

# ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面）

from mpl_toolkits.mplot3d import axes3d

import matplotlib.pyplot as plt

from matplotlib import cm

fig = plt.figure()

ax = fig.add_subplot(111,projection='3d')

X, Y, Z = axes3d.get_test_data(0.05)

print(X,Y,Z)

# ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面）

ax.plot_surface(X, Y, Z, rstride=5, cstride=5, alpha=0.3)

# 三维图投影制作，zdir选择投影方向坐标轴

cset = ax.contour(X, Y, Z, 10, zdir='z', offset=-100, cmap=cm.coolwarm)

cset = ax.contour(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm)

cset = ax.contour(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm)

ax.set_xlabel('X')

ax.set_xlim(-40, 40)

ax.set_ylabel('Y')

ax.set_ylim(-40, 40)

ax.set_zlabel('Z')

ax.set_zlim(-100, 100)

plt.show()

# 为等高线图添加标注

cs = ax2.contour(X,Y,Z)

ax2.clabel(cs, inline=1, fontsize=5)

配置Colorbar

# -*- coding: utf-8 -*-

#**********************************************************

import os

import numpy as np

import wlab #pip install wlab

import matplotlib

import matplotlib.cm as cm

import matplotlib.pyplot as plt

from matplotlib.ticker import MultipleLocator

from scipy.interpolate import griddata

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

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

#**********************************************************

FreqPLUS=['F06925','F10650','F23800','F18700','F36500','F89000']

#

FindPath='/d3/MWRT/R20130805/'

#**********************************************************

fig = plt.figure(figsize=(8,6), dpi=72, facecolor="white")

axes = plt.subplot(111)

axes.cla()#清空坐标轴内的所有内容

#指定图形的字体

font = {'family' : 'serif',

        'color'  : 'darkred',

        'weight' : 'normal',

        'size'   : 16,

        }

#**********************************************************

# 查找目录总文件名中保护F06925，EMS和txt字符的文件

for fp in FreqPLUS:

    FlagStr=[fp,'EMS','txt']

    FileList=wlab.GetFileList(FindPath,FlagStr)

    #

    LST=[]#地表温度

    EMS=[]#地表发射率

    TBH=[]#水平极化亮温

    TBV=[]#垂直极化亮温

    #

    findex=0

    for fn in FileList:

        findex=findex+1

        if (os.path.isfile(fn)):

            print(str(findex)+'-->'+fn)

            #fn='/d3/MWRT/R20130805/F06925_EMS60.txt'

            data=wlab.dlmread(fn)

            EMS=EMS+list(data[:,1])#地表发射率

            LST=LST+list(data[:,2])#温度

            TBH=TBH+list(data[:,8])#水平亮温

            TBV=TBV+list(data[:,9])#垂直亮温

    #-----------------------------------------------------------

    #生成格点数据，利用griddata插值

    grid_x, grid_y = np.mgrid[275:315:1, 0.60:0.95:0.01]

    grid_z = griddata((LST,EMS), TBH, (grid_x, grid_y), method='cubic')

    #将横纵坐标都映射到（0，1）的范围内

    extent=(0,1,0,1)

     #指定colormap

    cmap = matplotlib.cm.jet

    #设定每个图的colormap和colorbar所表示范围是一样的，即归一化

    norm = matplotlib.colors.Normalize(vmin=160, vmax=300)

    #显示图形，此处没有使用contourf #>>>ctf=plt.contourf(grid_x,grid_y,grid_z)

    gci=plt.imshow(grid_z.T, extent=extent, origin='lower',cmap=cmap, norm=norm)

    #配置一下坐标刻度等

    ax=plt.gca()

    ax.set_xticks(np.linspace(0,1,9))

    ax.set_xticklabels( ('275', '280', '285', '290', '295',  '300',  '305',  '310', '315'))

    ax.set_yticks(np.linspace(0,1,8))

    ax.set_yticklabels( ('0.60', '0.65', '0.70', '0.75', '0.80','0.85','0.90','0.95'))

    #显示colorbar

    cbar = plt.colorbar(gci)

    cbar.set_label('$T_B(K)$',fontdict=font)

    cbar.set_ticks(np.linspace(160,300,8))

    cbar.set_ticklabels( ('160', '180', '200', '220', '240',  '260',  '280',  '300'))

    #设置label

    ax.set_ylabel('Land Surface Emissivity',fontdict=font)

    ax.set_xlabel('Land Surface Temperature(K)',fontdict=font) #陆地地表温度LST

    #设置title

    titleStr='$T_B$ for Freq = '+str(float(fp[1:-1])*0.01)+'GHz'

    plt.title(titleStr)

    figname=fp+'.png'

    plt.savefig(figname)

    plt.clf()#清除图形  

#plt.show()

print('ALL -> Finished OK')

上面的例子中，每个保存的图，都是用同样的colormap，并且每个图的颜色映射值都是一样的，也就是说第一个图中如果200表示蓝色，那么其他图中的200也表示蓝色。

示例的图形如下：