亲宝软件园·资讯

展开

Python Matplotlib的用法 Python绘图库Matplotlib的基本用法

Apple-yeran 人气:0
想了解Python绘图库Matplotlib的基本用法的相关内容吗,Apple-yeran在本文为您仔细讲解Python Matplotlib的用法的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:Python,Matplotlib的用法,python绘图库,下面大家一起来学习吧。

一、前言

Matplotlib是Python的绘图库,不仅具备强大的绘图功能,还能够在很多平台上使用,和Jupyter Notebook有极强的兼容性。

二、线型图

import matplotlib.pyplot as plt
import numpy as np

# 指定生成随机数的种子,这样每次运行得到的随机数都是相同的
np.random.seed(42)
# 生成30个满足平均值为0、方差为1的正态分布的样本
x = np.random.randn(30)
# plot本意有“绘制(图表)”的意思,所以下面这一行代码是绘制图表。r指定绘制的线条颜色为红色,o指定标记实际点使用的形状为圆形,--指定线条形状为虚线
plt.plot(x, "r--o")
# 显示图表
plt.show()

在这里插入图片描述

三、线条颜色、标记形状和线型

线条颜色常用参数:

标记形状常用参数:

线型常用参数:

import matplotlib.pyplot as plt
import numpy as np

# 未指定种子的值,所以最终产生的随机数不同
# randn()生成30个满足平均值为0、方差为1的正态分布的样本
a = np.random.randn(30)
b = np.random.randn(30)
c = np.random.randn(30)
d = np.random.randn(30)

# a:红色,虚线,圆形;b:蓝色,实线,星号;c:绿色,点实线,加号;d:洋红色,点线,x形状
plt.plot(a, "r--o", b, "b-*", c, "g-.+", d, "m:x")
plt.show(

在这里插入图片描述

四、标签和图例

为了让绘制的图像更易理解,我们可以增加一些绘制图像的说明,一般是添加图像的轴标签图例,如下面的例子所示:

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)

# 图表标题
plt.title("Example")
# 图表标签
plt.xlabel("X")
plt.ylabel("Y")

# X, Y后面的逗号去掉会报出警告
X, = plt.plot(x, "r--o")
Y, = plt.plot(y, "b-*")
# 图例显示(显示图片右上角的图例)
# legend()有两个列表参数,第一个列表参数是图中实际使用的标记和线性,第二个列表参数是对应图例的文字描述
# legend本意:传奇、图例、解释、说明,这里是图例的意思
plt.legend([X, Y], ["X", "Y"])

plt.show()

在这里插入图片描述

五、子图

当需要将多个图像同时在不同的位置显示,则需要用到子图(Subplot)的功能。

import matplotlib.pyplot as plt
import numpy as np

# 未指定随机数种子的值
a = np.random.randn(30)
b = np.random.randn(30)
c = np.random.randn(30)
d = np.random.randn(30)

# 定义一个实例fig,相当于子图最外面的大图
fig = plt.figure()
# 向fig实例中添加需要的子图,前两个参数表示把大图分成了2行2列,最后一个参数表示使用哪一张子图进行绘制
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
ax4 = fig.add_subplot(2, 2, 4)

# 设置图例
A, = ax1.plot(a, "r--o")
ax1.legend([A], ["A"])
B, = ax2.plot(b, "b-*")
ax2.legend([B], ["B"])
C, = ax3.plot(c, "g-.+")
ax3.legend([C], ["C"])
D, = ax4.plot(d, "m:x")
ax4.legend([D], ["D"])

plt.show()

在这里插入图片描述

六、散点图

如果需要获取的是一些散点数据,则可以通过绘制散点图(Scatter)来展示数据的分布和布局。

import matplotlib.pyplot as plt
import numpy as np

# 设置随机数种子的值
np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)

# 散点图,scatter()的参数必须同时含有x, y
plt.scatter(x, y, c = 'g', marker='o', label = "(X, Y)")
# 散点图的标题
plt.title("Example")
# 设置坐标轴的标签
plt.xlabel("X")
plt.ylabel("Y")
# 设置图例,loc=0表示使用最好的位置,loc=1强制图例使用图中右上角的位置,loc=2强制使用左上角位置,loc=3强制使用左下角位置,loc=4强制使用右下角位置
plt.legend(loc = 1)

# 显示图像
plt.show()

在这里插入图片描述

scatter()方法中特别需要注意的参数:

七、直方图

直方图(Histogram)是一种统计报告图,通过使用一些列高度不等的纵向条纹或直方表示数据分布的情况,一般用横轴表示数据类型,纵轴表示分布情况。下面来看具体实例:

import matplotlib.pyplot as plt
import numpy as np

# 指定随机数种子的值
np.random.seed(42)
x = np.random.randn(1000)

# 直方图,bins表示绘制的直方图的条纹的数量;color表示直方图条纹的颜色,g表示绿色
plt.hist(x, bins = 20, color = 'g')
# 设置标题
plt.title("Example")
# 设置坐标轴标签
plt.xlabel("X")
plt.ylabel("Y")

# 显示图像
plt.show()

在这里插入图片描述

八、饼图

import matplotlib.pyplot as plt

# 标签
labels = ['Dos', 'Cats', 'Birds']
# sizes的三个数字确定了每部分数据系列在整个圆形中的占比
sizes = [15, 50, 35]

# 饼图,explode定义每部分数据系列之间的间隔,设置两个0和一个0.1,就能突出第三部分;autopct将sizes中的数据以所定义的浮点数精度进行显示;
# startangle是绘制第一块饼图时,该饼图与X轴正方向的夹角度数,这是设置90度,默认是0度。
plt.pie(sizes, explode = (0, 0, 0.1), labels = labels, autopct = '%1.1f%%', startangle = 90)
# 下面的一行代码必须存在,用于使X轴和Y轴的刻度时刻保持一致,只有这样,最后得到的饼图才是圆的
plt.axis('equal')

# 显示图像
plt.show()

在这里插入图片描述

加载全部内容

相关教程
猜你喜欢
用户评论