Python的数据科学函数包(三)——matplotlib(plt)
2024-04-21 16:34:37
Matplotlib是Python最著名的2D绘图库
c
opencv要比PIL， plt的速度更快一些
matplotlib中一张图的具体构造
如果将Matplotlib绘图和我们平常画画相类比，可以把Figure想象成一张纸（一般被称之为画布），Axes代表的则是纸中的一片区域（当然可以有多个区域，这是后续要说到的subplots）
图例指的就是
0. matplotlib的两种绘图方式
matplotlob有两种绘图方式，即 plt.plot()和ax.plot()
plt
# 第一种方式 plt.figure() plt.plot([1,2,3],[4,5,6]) plt.show()即会画(1,4),(2,5),(3,6)三个点
ax
# 第二种方式 fig,axs = plt.subplots() axs.plot([1,2,3],[4,5,6]) plt.show()绘图效果如下
可以看到，不论是用
plt.plot()还是ax.plot()，结果都是一样的那区别在哪里？
从第一种方式的代码来看，先生成了一个
Figure画布，然后在这个画布上隐式生成一个画图区域进行画图。第二种方式同时生成了
Figure和axes两个对象，然后用ax对象在其区域内进行绘图如果从面向对象编程（对理解Matplotlib绘图很重要）的角度来看，显然第二种方式更加易于解释，生成的fig和ax分别对画布Figure和绘图区域Axes进行控制，第一种方式反而显得不是很直观，如果涉及到子图零部件的设置，用第一种绘图方式会很难受。
在实际绘图时，也更推荐使用第二种方式
plt.subplots可以指定行数和列数
然后返回的axs就是一个矩阵，分别对应着2*4=8张图
然后比如想在[0,0]上画图的话就
axs[0][0].inshow()
1、让matplotlib画的图在jupyter notebook中显示出来 %matplotlib inline
2、绘图
plt.plot(x,y)
3、画多幅图/子图 sublplot
另一种方式
假如现在我要在一张纸上左边画一个折线图，右边画一个散点图，该如何画呢？
首先要有一个画布
Figure，其次，需要有两个区域Axes（等价于两个子图subplot）来画图# 生成画布和axes对象 # nrows=1和ncols=2分别代表1行和两列 fig,ax = plt.subplots(nrows=1,ncols=2) 或 fig,ax = plt.subplots(nrows=1,ncols=2, figsize=(50,30))子图控制大小的话用plt.figure(figsize=())是不管用的
因为这里有两个画图区域，所以
ax对应的是一个列表，存储了两个Axes对象。
然后分别控制左边和右边的绘图区域进行绘图
fig,ax = plt.subplots(nrows=1,ncols=2) ax[0].plot([1,2,3],[4,5,6]) ax[1].scatter([1,2,3],[4,5,6])
其实到这里了也会发现，一个
Axes对象对应了一个subplot子图，这些个子图都是画在同一个画布Figure之上。子图调整间距/距离
#wspace 子图横向间距， hspace 代表子图间的纵向距离
plt.subplots_adjust(wspace=0, hspace=0)#调整子图间距设置坐标轴和标签的距离
plt.xlabel("特征",labelpad=8.5)即设置这块的距离
3. 一个画布上画多个图
plt.figure()是画布句柄
fig = plt.figure() 是在告诉你我准备画画了，现在已经有一块木头的画板已经立起来了
plt.figure(figsize=(a, b)) ，画布的长宽是a,b，单位是inch
axes1 = fig.add_axes([0.1,0.1,0.8,0.8]) 是说我在木头的画板上已经贴了一张纸了，这张纸距离左边框10%的单位，距离右边框，10%的单位，总长度80%的单位，总宽度80%的单位
axes2 = fig.add_axes([0.2,0.5,0.4,0.3]) 然后再贴第2张纸然后说每张纸上画什么
一张图上画多条线 + 图例
LaTex数学排版语言，python里面也能用
4. plt.title() 设置图像标题
plt.title('First figure') plt.title('First figure', fontsize=10)
或者
设置主标题和子标题的话，好像只有ax的形式可以
fig,ax = plt.subplots(nrows=1,ncols=2) fig.suptitle(i+'.jpg') #设置整个图的主标题 ax[0].set_title('landmark') #设置各个图的子标题 ax[0].imshow(plt.imread(dir_landmark+i+'.jpg')) ax[1].set_title('benchmark') #设置各个图的子标题 ax[1].imshow(plt.imread(dir_benchmark+i+'.jpg'))将标题title放置在图下方
plt.title("your title name", y=-0.1)太长的话可以换行
plt.title("标题的第一行\n标题的第二行")子图设置主标题
plt.suptitle()
for i in range(1,5):# show top 12 feature mapsplt.figure()for num in range(12):ax = plt.subplot(3, 4, num+1) #一共有3行4列，当前图画在第几张plt.imshow(layer_dict[i][0][0][num])plt.show()plt.suptitle(str(layer_dict[i][0][0].shape))plt.savefig(f"layer{i}_output.jpg")5. plt.xlabel() / plt.ylabel() 设置x轴和y轴名称 / 坐标轴标签
横轴名称 plt.xlabel('X axis') 纵轴名称 plt.ylabel('Y axis')如果是子图
横轴名称 ax.set_xlabel('X axis') 纵轴名称 ax.set_ylabel('Y axis')太长的可以换行
横轴名称 ax.set_xlabel('X axis\ncolor')6. plt.plot(x,y,'r') 改变线条颜色
plt.plot(x,y,'r')6、plt读取图片
plt.imread("")6、plt.imshow() 显示图片
控制台打印出图像对象的信息，而图像没有显示
import matplotlib.pyplot as plt plt.imshow(img)图像显示，使用show函数解决
import matplotlib.pyplot as pltplt.imshow(img) plt.show()plt.imshow()有一个cmap参数，即指定颜色映射规则。默认的cmap即颜料板是十色环
哪怕是单通道图，值在0-1之间，用plt.imshow()仍然可以显示彩色图，就是因为颜色映射的关系
而用cv2.imshow()就只能显示这样
而且可以直接用plt.imshow()显示PIL的图片
plt.imshow()显示的图片会自动带上图例等标注
显示灰度图
import matplotlib.pyplot as pltplt.imshow(img, cmap='gray') plt.show()在同一个图中显示两张图片
plt.figure() plt.subplot(1,2,1) plt.imshow(plt.imread(dir_landmark+i+'.jpg')) plt.subplot(1,2,2) plt.imshow(plt.imread(dir_benchmark+i+'.jpg'))或
fig,ax = plt.subplots(nrows=1,ncols=2) ax[0].imshow(plt.imread(dir_landmark+i+'.jpg')) ax[1].imshow(plt.imread(dir_benchmark+i+'.jpg')) plt.savefig('middle_result/'+i+'.jpg', dpi=300)dpi 确定了图形每英寸包含的像素数，图形尺寸相同的情况下， dpi 越高，则图像的清晰度越高
plt.imshow()可以通过vmin和vmax参数指定color的范围
如何使用matplotlib imshow（）更改每个颜色的vmin和vmax - 程序员大本营 (pianshen.com)
像正常的话 plt.imshow(similarity)
如果是 plt.imshow(similarity, vmin=0.1, vmax=0.3)
比0.3大的一律按0.3的颜色来画; 比0.1小的一律按0.1的颜色来画
origin 和 extent 参数
imshow() 可以将图像的 2D 或 3D RGB(A) 数组映射到到 figure 的 axes 中，最终映射的方向由 origin 和 extent 参数控制.
origin 决定图的正常显示还是倒着显示。
- upper，图像正常显示，原点位置在左上角，默认。
- lower， 图像倒着显示，原点位置在左下角。
extent 参数把呈现出的图像的“左”、“右”、“下”、“上”，设定到特定的 axis 坐标上。
Matplotlib进阶教程（2.7）imshow 的 origin 与 extent 参数 - 知乎
7. plt.savefig() 保存图片
plt.savefig('img.jpg')也是会自动带上图例标注。如果是标准保存图片不要用这个操作
保存时设置分辨率
plt.savefig('img.jpg', dpi=300)未设置之前
设置了之后，清晰了很多
保存时设置大小
保存的时候可能会出现这种情况
这样的话需要设置一下图片大小才行。设置图片大小需要在plt.figure()的时候设定
fig = plt.figure(figsize=(13,10),dpi=90)
figsize的10,8单位是英尺(1英尺=30cm)
6、plt.plot()和plt.scatter()的区别，还有plt.figure(), plt.hist(), plt.imshow()
scatter绘制散点，plot绘制经过点的曲线。imshow()是显示图片
plt.figure() 定义画布大小
plt.hist() 绘制直方图
直方图是一种特殊的柱状图
将统计值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。
plt.hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, *, data=None, **kwargs)
- x: 作直方图所要用的数据，必须是一维数组；多维数组可以先进行扁平化再作图；必选参数；
- bins: 直方图的柱数，即要分的组数，默认为10；
- range：元组(tuple)或None；剔除较大和较小的离群值，给出全局范围；如果为None，则默认为(x.min(), x.max())；即x轴的范围；
- density：布尔值。如果为true，则返回的元组的第一个参数n将为频率而非默认的频数；
- weights：与x形状相同的权重数组；将x中的每个元素乘以对应权重值再计数；如果normed或density取值为True，则会对权重进行归一化处理。这个参数可用于绘制已合并的数据的直方图；
- cumulative：布尔值；如果为True，则计算累计频数；如果normed或density取值为True，则计算累计频率；
- bottom：数组，标量值或None；每个柱子底部相对于y=0的位置。如果是标量值，则每个柱子相对于y=0向上/向下的偏移量相同。如果是数组，则根据数组元素取值移动对应的柱子；即直方图上下便宜距离；
- histtype：{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}；'bar’是传统的条形直方图；'barstacked’是堆叠的条形直方图；'step’是未填充的条形直方图，只有外边框；‘stepfilled’是有填充的直方图；当histtype取值为’step’或’stepfilled’，rwidth设置失效，即不能指定柱子之间的间隔，默认连接在一起；
- align：{‘left’, ‘mid’, ‘right’}；‘left’：柱子的中心位于bins的左边缘；‘mid’：柱子位于bins左右边缘之间；‘right’：柱子的中心位于bins的右边缘；
- orientation：{‘horizontal’, ‘vertical’}：如果取值为horizontal，则条形图将以y轴为基线，水平排列；简单理解为类似bar()转换成barh()，旋转90°；
- rwidth：标量值或None。柱子的宽度占bins宽的比例；
- log：布尔值。如果取值为True，则坐标轴的刻度为对数刻度；如果log为True且x是一维数组，则计数为0的取值将被剔除，仅返回非空的(frequency, bins, patches）；
- color：具体颜色，数组（元素为颜色）或None。
- label：字符串（序列）或None；有多个数据集时，用label参数做标注区分；
- stacked：布尔值。如果取值为True，则输出的图为多个数据集堆叠累计的结果；如果取值为False且histtype=‘bar’或’step’，则多个数据集的柱子并排排列；
- normed: 是否将得到的直方图向量归一化，即显示占比，默认为0，不归一化；不推荐使用，建议改用density参数；
- edgecolor: 直方图边框颜色；
- alpha: 透明度；
返回值（用参数接收返回值，便于设置数据标签）：
n：直方图向量，即每个分组下的统计值，是否归一化由参数normed设定。当normed取默认值时，n即为直方图各组内元素的数量（各组频数）；
bins: 返回各个bin的区间范围；
patches：返回每个bin里面包含的数据，是一个list。
其他参数与plt.bar()类似。绘制直方图y轴用比例表示, 即绘制概率直方图
plt.hist(mat, bins=30, density=True)或
import numpy as np import mmcv import pickle import matplotlib.pyplot as plt from matplotlib.ticker import FuncFormatterdef to_percent(temp, position):return round(temp/625,2)rico = np.load('mutual_info_rico.npy') rico = rico.reshape(-1) weights = np.ones_like(rico) plt.hist(rico, bins=30) plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent)) plt.title('rico') plt.xlabel('PMI') plt.savefig('rico.jpg')7、plt.scatter 绘制散点图
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)
- x, y → 散点的坐标
- s → 散点的面积
- c → 散点的颜色（默认值为蓝色，'b'，其余颜色同plt.plot( )）
- marker → 散点样式（默认值为实心圆，'o'，其余样式同plt.plot( )）
- alpha → 散点透明度（[0, 1]之间的数，0表示完全透明，1则表示完全不透明）
- linewidths →散点的边缘线宽
- edgecolors → 散点的边缘颜色
plt.scatter(x,y,c = 'r',marker = 'o')使用句柄的话
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt #产生测试数据 x = np.arange(1,10) y = x fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('X') #设置Y轴标签 plt.ylabel('Y') #画散点图 ax1.scatter(x,y,c = 'r',marker = 'o') #设置图标 plt.legend('x1') #显示所画的图 plt.show()
设置点的形状和大小
ax1.scatter(x,y,c = 'r',marker = '*',s=500)s是size，设置大小
ax1.scatter(x,y, c = 'r',marker = '^',s=500)
ax1.scatter(x,y, c = 'r',marker = '1',s=500)
设置空心的
ax1.scatter(x,y,c='none',marker = 's',edgecolors='r' )c是设置空心，edgecolors是边缘颜色
大小可以每个点不同
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt import random #产生测试数据 x = np.arange(1,11) y = x # sizes= 100*x sizes = [] for i in range(10):sizes.append(random.randint(100,5000)) sizes = np.array(sizes) fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('X') #设置Y轴标签 plt.ylabel('Y') #画散点图 ax1.scatter(x,y,c = 'r',marker = 'o', s=sizes) #设置图标 plt.legend('x1') #显示所画的图 plt.show()
设置透明度
透明度只能整张图一样，不能单个点设置
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt import random #产生测试数据 x = np.arange(1,11) y = x # sizes= 100*x sizes = [] for i in range(10):sizes.append(random.randint(100,5000)) sizes = np.array(sizes) fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('X') #设置Y轴标签 plt.ylabel('Y') #画散点图 ax1.scatter(x,y,c = 'r',marker = 'o', s=sizes, alpha=0.3) #设置图标 plt.legend('x1') #显示所画的图 plt.show()
设置颜色
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt import random #产生测试数据 x = np.arange(1,11) y = x # sizes= 100*x sizes = [] for i in range(10):sizes.append(random.randint(100,5000)) sizes = np.array(sizes) colors = [] for i in range(10):colors.append(random.random()) colors = np.array(colors) fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('X') #设置Y轴标签 plt.ylabel('Y') #画散点图 ax1.scatter(x,y,c = colors ,marker = 'o', s=sizes, alpha=0.3) #设置图标 plt.legend('x1') #显示所画的图 plt.show()
显示颜色条
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt import random #产生测试数据 x = np.arange(1,11) y = x # sizes= 100*x sizes = [] for i in range(10):sizes.append(random.randint(100,5000)) sizes = np.array(sizes) colors = [] for i in range(10):colors.append(random.random()) colors = np.array(colors) fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('X') #设置Y轴标签 plt.ylabel('Y') #画散点图 im = ax1.scatter(x,y,c = colors ,marker = 'o', s=sizes, alpha=0.3) fig.colorbar(im, ax=ax1); # 显示颜色条 #设置图标 plt.legend('x1') #显示所画的图 plt.show()
会根据你的colors的范围来设定颜色
如 将c设置成y
marker类型查询
python 画散点图（marker 的主要类型查询）_qq_38573437的博客-CSDN博客
还可以自定义
【python】Matplotlib作图常用marker类型、线型和颜色 - 大大西瓜吃不饱 - 博客园
7. plt.plot() 画线(曲线)
plt.plot(x,y)
散点图的点用线连起来
实际上就是在散点图的基础上再画条线
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt #产生测试数据 x = np.arange(1,10,1) # y = np.sin(x) y = -x*x + 8*x fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('X') #设置Y轴标签 plt.ylabel('Y') #画散点图 ax1.scatter(x,y, c = 'r',marker = '*',s=100) ax1.plot(x,y,c='r') #设置图标 plt.legend('x1') #显示所画的图 plt.show()
将值在点上都标出来
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt #产生测试数据 x = np.arange(9,16,1) # y = np.sin(x) y = [0.7944621705455039, 0.79141717695884362, 0.79287417752001085, 0.79257105702939035, 0.79175957915541248, 0.79107081652914987, 0.79075600171433505] fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('epoch') #设置Y轴标签 plt.ylabel('acc') #画散点图 ax1.scatter(x, y, color = 'r',marker = '*',s=100) ax1.plot(x, y, color='r') for a, b in zip(x, y): plt.text(a, b, round(b,5), ha='center', va='bottom', fontsize=10) #设置图标 plt.legend('x1') #显示所画的图 plt.savefig('lian.jpg')
线的形式变化
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt #产生测试数据 x = np.arange(9,16,1) # y = np.sin(x) y = [0.7944621705455039, 0.79141717695884362, 0.79287417752001085, 0.79257105702939035, 0.79175957915541248, 0.79107081652914987, 0.79075600171433505] fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('epoch') #设置Y轴标签 plt.ylabel('acc') #画散点图 ax1.scatter(x, y, color = 'r', marker = '*',s=100) ax1.plot(x, y, 'o-.', color='r', ) #画线 for a, b in zip(x, y): plt.text(a, b, round(b,5), ha='center', va='bottom', fontsize=10) #设置图标 plt.legend('x1') #显示所画的图 plt.savefig('lian.jpg')
#导入必要的模块 import numpy as np import matplotlib.pyplot as plt #产生测试数据 x = np.arange(9,16,1) # y = np.sin(x) y = [0.7944621705455039, 0.79141717695884362, 0.79287417752001085, 0.79257105702939035, 0.79175957915541248, 0.79107081652914987, 0.79075600171433505] fig = plt.figure() ax1 = fig.add_subplot(111) #设置标题 ax1.set_title('Scatter Plot') #设置X轴标签 plt.xlabel('epoch') #设置Y轴标签 plt.ylabel('acc') #画散点图 ax1.scatter(x, y, color = 'r', marker = '*',s=100) ax1.plot(x, y, '--', color='r', ) #画线 for a, b in zip(x, y): plt.text(a, b, round(b,5), ha='center', va='bottom', fontsize=10) #设置图标 plt.legend('x1') #显示所画的图 plt.savefig('lian.jpg')
7. 绘制三维图
要用到Axes3D
from mpl_toolkits.mplot3d.axes3d.Axes3D
3D曲面图
from matplotlib import pyplot as plt import numpy as np from mpl_toolkits.mplot3d import Axes3Dfig = plt.figure() ax = Axes3D(fig) 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) Z = np.sin(R)# 具体函数方法可用 help(function) 查看，如：help(ax.plot_surface) ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')plt.show()
3D散点图
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3Ddata = np.random.randint(0, 255, size=[40, 40, 40])x, y, z = data[0], data[1], data[2] ax = plt.subplot(111, projection='3d') # 创建一个三维的绘图工程 # 将数据点分成三部分画，在颜色上有区分度 ax.scatter(x[:10], y[:10], z[:10], c='y') # 绘制数据点 ax.scatter(x[10:20], y[10:20], z[10:20], c='r') ax.scatter(x[30:40], y[30:40], z[30:40], c='g')ax.set_zlabel('Z') # 坐标轴 ax.set_ylabel('Y') ax.set_xlabel('X') plt.show()
加上图例
添加图例的话，画图的时候就需要有label
同理，如果添加label，就必须也要有ax.legend()或plt.legend()这句话，否则lable显示不出来
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3Ddata = np.random.randint(0, 255, size=[40, 40, 40])x, y, z = data[0], data[1], data[2] ax = plt.subplot(111, projection='3d') # 创建一个三维的绘图工程 # 将数据点分成三部分画，在颜色上有区分度 ax.scatter(x[:10], y[:10], z[:10], c='y', label='y') # 绘制数据点 ax.scatter(x[10:20], y[10:20], z[10:20], c='r', label='r') ax.scatter(x[30:40], y[30:40], z[30:40], c='g', label='g')ax.set_zlabel('Z') # 坐标轴 ax.set_ylabel('Y') ax.set_xlabel('X') ax.legend() plt.show()
8. 绘制柱状图
import matplotlib.pyplot as plt import osx1 = [0.25,1.25,2.25,3.25,4.25,5.25,6.25,7.25,8.25,9.25,10.25,11.25,12.25,13.25,14.25] x2 = [0.75,1.75,2.75,3.75,4.75,5.75,6.75,7.75,8.75,9.75,10.75,11.75,12.75,13.75,14.75] y1 = [102,134,154,122,143,243,355,342,276,299,241,287,260,231,100] y2 = [244,250,245,256,234,241,230,267,266,255,248,239,233,221,227] plt.figure(figsize=(10,5)) plt.bar(x1,y1,width = 0.5,label = 'A') plt.bar(x2,y2,width = 0.5,label = 'B') plt.title('Weight change in 15 months') plt.xlabel('Month') plt.ylabel('kg') plt.legend() plt.show()
import matplotlib.pyplot as pltdata = [5, 20, 15, 25, 10] labels = ['Tom', 'Dick', 'Harry', 'Slim', 'Jim']plt.bar(range(len(data)), data, tick_label=labels) plt.show()
import matplotlib.pyplot as plt import numpy as nplabels = ['D1', 'D2', 'D3', 'D4'] M1_means = [20, 34, 30, 35] M2_means = [25, 32, 34, 20]x = np.arange(len(labels)) # the label locations width = 0.30 # the width of the barsfig, ax = plt.subplots() ax.grid(True, axis='y', color='#9E9E9E', clip_on=False)rects1 = ax.bar(x - width/2 - 0.02, M1_means, width, color="gray", label='Model-1', zorder=10) rects2 = ax.bar(x + width/2 + 0.02, M2_means, width, color="silver", label='Model-2', zorder=10)# Add some text for labels, title and custom x-axis tick labels, etc. ax.set_ylabel('Scores') ax.set_title('Scores by Model-1 and Model-2') ax.set_xticks(x, labels) ax.legend()# 条形图/柱状图最上方显示高度值 # ax.bar_label(rects1, padding=3) # ax.bar_label(rects2, padding=3) fig.tight_layout() plt.savefig(f"output/result_2.png")
堆叠柱状图
import numpy as np import matplotlib.pyplot as pltsize = 5 x = np.arange(size) a = np.random.random(size) b = np.random.random(size)plt.bar(x, a, label='a') plt.bar(x, b, bottom=a, label='b') #这样使得b在a上面 plt.legend() plt.show()
画布的写法
import numpy as np import matplotlib.pyplot as pltfig,ax = plt.subplots() size = 5 x = np.arange(size) a = np.random.random(size) b = np.random.random(size)ax.bar(x, a, label='a') ax.bar(x, b, bottom=a, label='b') ax.legend() plt.savefig('lian.jpg')添加误差线
yerr
import matplotlib.pyplot as pltlabels = ['G1', 'G2', 'G3', 'G4', 'G5'] P1_means = [20, 35, 30, 35, 27] P2_means = [25, 32, 34, 20, 25] P1_std = [2, 3, 4, 1, 2] P2_std = [3, 5, 2, 3, 3] width = 0.35 # the width of the bars: can also be len(x) sequencefig, ax = plt.subplots()ax.bar(labels, P1_means, width, yerr=P1_std, label='Part-1') ax.bar(labels, P2_means, width, yerr=P2_std, bottom=P1_means,label='Part-2')ax.set_ylabel('Scores') ax.set_title('Scores by Model-1 and Model-2') ax.legend() plt.savefig(f"output/result_3.png")
根据字典绘图
plt.bar(myDictionary.keys(), myDictionary.values(), width, color='g')柱状图上显示数值
就还是用plt.text实现
for a,b in zip(x,y):plt.text(a, b+0.05, '%.0f' % b, ha='center', va= 'bottom',fontsize=7)
plt.barh(range(len(res)), [i[1] for i in res], tick_label=[i[0] for i in res]) for idx, item in enumerate(res):plt.text(x = item[1]+ 10.0, y = idx, s = item[1], va= 'center', fontsize=7)
8、plt.xticks([]) / plt.yticks([]) 设置坐标轴刻度
设置X轴方法--刻度、标签
import numpy as np import math import matplotlib.pyplot as pltx = np.linspace(-math.pi, math.pi,200) y = np.sin(x) plt.plot(x,y) plt.show()
import numpy as np import math import matplotlib.pyplot as plt x = np.linspace(-math.pi, math.pi,200) y = np.sin(x) plt.plot(x,y) plt.xticks(np.arange(0, 1, step=0.2)) plt.show()
如果是这种情况
想让x轴都是整数的话
plt.plot(range(1, 20,1), lr)
是不行的，这样结果会和上图一样，这只是赋值了x轴的值，并没有设置x轴的值怎么显示
这样才行
plt.xticks(range(0, 20))设置字符串作为坐标轴刻度
import numpy as np import math import matplotlib.pyplot as plt x = np.linspace(-math.pi, math.pi,200) y = np.sin(x) plt.plot(x,y) plt.xticks(np.arange(-1,4,1), ('Tom', 'Dick', 'Harry', 'Sally', 'Sue')) plt.show()
取消坐标轴刻度
plt.xticks([]) plt.yticks([])对于ax
ax.set_xticks([]) ax.set_yticks([]) 或者 ax.axis('off')9、plt.tight_layout()
tight_layout会自动调整子图参数，使之填充整个图像区域。这是个实验特性，可能在一些情况下不工作。它仅仅检查坐标轴标签、刻度标签以及标题的部分。
使用前
使用后
10、offsetbox(
AnnotationBbox)添加自定义的元素
将想要展示的元素（文字、图片等）放在这个offsetbox模块中，并使用根据坐标放在指定位置。
13、legend 添加图例
ax.legend() 或 plt.legend()plt.text()是不能设置图例的
14、 plt.text() 添加文字/文本注释
plt.text(x,y,string,fontsize=15,verticalalignment="top",horizontalalignment="right" )参数：
- x,y:表示坐标值上的值
- string:表示说明文字
- fontsize:表示字体大小
- verticalalignment：垂直对齐方式 ，参数：[ ‘center’ | ‘top’ | ‘bottom’ | ‘baseline’ ]
- horizontalalignment：水平对齐方式 ，参数：[ ‘center’ | ‘right’ | ‘left’ ]
- xycoords选择指定的坐标轴系统:
- arrowprops #箭头参数,参数类型为字典dict
- bbox给标题增加外框 ，常用参数如下：
fontsize，style，ha，va参数分别是字号，字体，垂直对齐方式，水平对齐方式。
import matplotlib.pyplot as pltfig = plt.figure() plt.axis([0, 10, 0, 10]) t = "This is a really long string that I'd rather have wrapped so that it"\" doesn't go outside of the figure, but if it's long enough it will go"\" off the top or bottom!" plt.text(6, 5, t, ha='left', rotation=15, wrap=True) plt.text(2, 5, t, ha='left', rotation=15, wrap=True, bbox=dict(boxstyle='round,pad=0.5', fc='yellow', ec='k',lw=1 ,alpha=0.5)) plt.show()
bbox增加外框的效果
import numpy as np import matplotlib.pyplot as pltplt.figure() m = np.arange(-100,100,0.001) n = m**3+3*m**2+4 plt.axis([-4,2.5,3,8.5]) plt.plot(m,n,color='b',linestyle='-') plt.text(-2,8,(-2,8),color='r') plt.grid(True) plt.show() plt.savefig('out.jpg')
指向性注释文本
plt.annotate()s:str, 注释信息内容
xy:(float,float), 箭头点所在的坐标位置
xytext:(float,float), 注释内容的坐标位置
weight: str or int, 设置字体线型，其中字符串从小到大可选项有{'ultralight', 'light', 'normal', 'regular', 'book', 'medium', 'roman', 'semibold', 'demibold', 'demi', 'bold', 'heavy', 'extra bold', 'black'}
color: str or tuple, 设置字体颜色 ,单个字符候选项{'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'}，也可以'black','red'等，tuple时用[0,1]之间的浮点型数据，RGB或者RGBA, 如: (0.1, 0.2, 0.5)、(0.1, 0.2, 0.5, 0.3)等
arrowprops：dict，设置指向箭头的参数，字典中key值有①arrowstyle：设置箭头的样式，其value候选项如'->','|-|','-|>',也可以用字符串'simple','fancy'等，详情见顶部的官方项目地址链接。
②connectionstyle：设置箭头的形状，为直线或者曲线，候选项有'arc3','arc','angle','angle3'，可以防止箭头被曲线内容遮挡
③color：设置箭头颜色，见前面的color参数。
bbox：dict，为注释文本添加边框，其key有①boxstyle,其格式类似'round,pad=0.5'，其可选项如下：
boxstyle详细设定
②facecolor(可简写为fc)设置背景颜色
③ edgecolor(可简写为ec)设置边框线条颜色
④lineweight(可简写为lw)设置边框线型粗细
⑤alpha设置透明度，[0,1]之间的小数，0代表完全透明，即类似③颜色设置无效import numpy as np import matplotlib.pyplot as pltplt.figure() m = np.arange(-100,100,0.001) n = m**3+3*m**2+4 plt.axis([-4,2.5,3,8.5]) plt.plot(m,n,color='b',linestyle='-')plt.annotate(s='Look',xy=(0,4),xytext=(2,3),weight='bold',color='r',arrowprops=dict(arrowstyle='->',connectionstyle='arc3',color='c'),bbox=dict(boxstyle='round,pad=0.5', fc='yellow', ec='k',lw=1 ,alpha=0.4)) plt.grid(True) plt.show() plt.savefig('out.jpg')matplotlib.pyplot.annotate — Matplotlib 3.5.2 documentation
matplotlib.pyplot.annotate — Matplotlib 3.5.2 documentation
15. 箱型图(箱线图/盒图) boxplot
用作显示一组数据分散情况
箱线图的绘制方法是：先找出一组数据的上边缘、下边缘、中位数和两个四分位数；然后， 连接两个四分位数画出箱体；再将上边缘和下边缘与箱体相连接，中位数在箱体中间。
箱线图统计学知识
箱线图统计学知识_hxxjxw的博客-CSDN博客
import numpy as np import matplotlib.pyplot as pltfig, ax = plt.subplots() # 子图# 封装一下这个函数，用来后面生成数据 def list_generator(mean, dis, number):return np.random.normal(mean, dis * dis, number) # normal分布，输入的参数是均值、方差以及生成的数量# 我们生成四组数据用来做实验，数据量分别为70-100 # 分别代表男生、女生在20岁和30岁的花费分布 girl20 = list_generator(1000, 29.2, 70) boy20 = list_generator(800, 11.5, 80) girl30 = list_generator(3000, 25.1056, 90) boy30 = list_generator(1000, 19.0756, 100)data = [girl20, boy20, girl30, boy30] #data是list的list ax.boxplot(data) ax.set_xticklabels(["girl20", "boy20", "girl30", "boy30"]) # 设置x轴刻度标签 plt.show()
seaborn和颜色
Python数据可视化（七）：箱线图绘制 - 简书
[seaborn] seaborn学习笔记1-箱形图Boxplot_You and Me-CSDN博客_sns箱线图
16. plt.ion() 打开交互模式
在训练神经网络时，我们常常希望在图中看到loss减小的动态过程，这时我们可用plt.ion()函数打开交互式模式，在交互式模式下可动态地展示图像。
plt.ioff() 关闭交互模式
import matplotlib.pyplot as pltx = list(range(1, 21)) # epoch array loss = [2 / (i**2) for i in x] # loss values array plt.ion() for i in range(1, len(x)):ix = x[:i]iy = loss[:i]plt.cla()plt.title("loss")plt.plot(ix, iy)plt.xlabel("epoch")plt.ylabel("loss")plt.pause(0.5) plt.ioff() plt.show()这样就会动态显示曲线了
17. 条形图
import matplotlib.pyplot as pltdata = [5, 20, 15, 25, 10]plt.barh(range(len(data)), data) plt.show()
正负条形图
import numpy as np import matplotlib.pyplot as plta = np.array([5, 20, 15, 25, 10]) b = np.array([10, 15, 20, 15, 5])plt.barh(range(len(a)), a) plt.barh(range(len(b)), -b) plt.show()
18. plt.rcParams 使用rc配置文件来自定义图形的各种默认属性
称之为rc配置或rc参数。通过rc参数可以修改默认的属性，包括窗体大小、每英寸的点数、线条宽度、颜色、样式、坐标轴、坐标和网络属性、文本、字体等。
设置字体
plt.rcParams['font.sans-serif']='Times New Roman'设置中文显示
plt.rcParams['font.sans-serif']='SimHei'设置线条宽度
plt.rcParams['lines.linewidth'] = 3设置线条样式
plt.rcParams['lines.linestyle'] = '-.'设置图片像素
plt.rcParams['savefig.dpi'] = 300设置分辨率
plt.rcParams['figure.dpi'] = 30019. 饼图
import matplotlib.pyplot as plt plt.figure(figsize=(6,6))#将画布设定为正方形，则绘制的饼图是正圆 label=['Simple','Medium','Hard']#定义饼图的标签，标签是列表 explode=[0.01,0.01,0.01]#设定各项距离圆心n个半径 values=[289,699,935] plt.pie(values,explode=explode,labels=label,autopct='%1.1f%%')#绘制饼图 plt.show()
20. 常用颜色
21. 旋转标签
plt.gcf().autofmt_xdate()import matplotlib.pyplot as pltdata = [5, 20, 15, 25, 10] labels = ['Tom', 'Dick', 'Harry', 'Slim', 'Jim']plt.bar(range(len(data)), data, tick_label=labels) plt.gcf().autofmt_xdate(rotation=45) plt.show()
22. 填充指定区域 fill / fill_between
plt.fill_between() 填充两个函数之间的区域
import numpy as np import matplotlib.pyplot as plt# 生成模拟数据 x = np.arange(0.0, 4.0*np.pi, 0.01) y = np.sin(x)# 绘制正弦曲线 plt.plot(x, y)# 绘制基准水平直线 plt.plot((x.min(),x.max()), (0,0))# 设置坐标轴标签 plt.xlabel('x') plt.ylabel('y')# 填充指定区域 plt.fill_between(x,y,where=(2.3<x) & (x<4.3) | (x>10),facecolor='purple')# 可以填充多次 plt.fill_between(x,y,where=(7<x) & (x<8),facecolor='green') plt.savefig("lian.jpg")
import matplotlib.pyplot as pltx=[1,2,2,1] y=[1,1,2,5] plt.fill(x, y,facecolor='g',alpha=0.5) plt.show()
import matplotlib.pyplot as plt import numpy as np# plt.style.use('_mpl-gallery')# make data np.random.seed(1) x = np.linspace(0, 8, 16) y1 = 3 + 4*x/8 + np.random.uniform(0.0, 0.5, len(x)) y2 = 1 + 2*x/8 + np.random.uniform(0.0, 0.5, len(x))# plot fig, ax = plt.subplots()ax.fill_between(x, y1, y2, alpha=.5, linewidth=0) ax.plot(x, (y1 + y2)/2, linewidth=2)ax.set(xlim=(0, 8), xticks=np.arange(1, 8),ylim=(0, 8), yticks=np.arange(1, 8))plt.show()
23. plt.grid() 画图带刻度线/网格线
plt.grid()import numpy as np import matplotlib.pyplot as plt# 生成模拟数据 x = np.arange(0.0, 4.0*np.pi, 0.01) y = np.sin(x)# 绘制正弦曲线 plt.plot(x, y)# 绘制基准水平直线 plt.plot((x.min(),x.max()), (0,0))# 设置坐标轴标签 plt.xlabel('x') plt.ylabel('y')# 填充指定区域 plt.fill_between(x,y,where=(2.3<x) & (x<4.3) | (x>10),facecolor='purple')# 可以填充多次 plt.fill_between(x,y,where=(7<x) & (x<8),facecolor='green') plt.grid() plt.savefig('lian.jpg')加和不加
虚线等可以自己设置
plt.grid(True,linestyle = "--",color = 'gray' ,linewidth = '0.5',axis='both')
只在x/y轴方向加
plt.grid(True,linestyle = "--",color = 'gray' ,linewidth = '0.5',axis='y') plt.grid(True,linestyle = "--",color = 'gray' ,linewidth = '0.5',axis='x')
23. plt所有可以画的类型
太多了......想画什么没有的先打开这个看看，基本都能找到
Plot types — Matplotlib 3.5.1 documentation
Examples — Matplotlib 3.5.1 documentation
24. plt.axhline() 轴上添加水平线
plt.axhline(y=0, xmin=0, xmax=1, **kwargs)
- y:该参数是可选的，它是在水平线的数据坐标中的位置。
- xmin:此参数是标量，是可选的。其默认值为0。范围[0-1]
- xmax:此参数是标量，是可选的。默认值为1。范围[0-1]
import numpy as np import matplotlib.pyplot as plt plt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.axhline(y = 4, color ="green", linestyle ="--") plt.axhline(y = 5, color ="green", linestyle =":") plt.axhline(y = 6, color ="green", xmin=0.4, xmax=0.7, linestyle ="--") plt.show() plt.savefig('output.jpg')
同理，plt.axvline() 添加竖直线
plt.axvline(x=0, ymin=0, ymax=1, **kwargs)import numpy as np import matplotlib.pyplot as plt plt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.axvline(x = 2, color ="green", linestyle ="--") plt.axvline(x = 2.5, color ="green", linestyle =":") plt.axvline(x = 3, color ="green", ymin=0.4, ymax=0.7, linestyle ="--",) plt.show() plt.savefig('output.jpg')
25. plt.gca() 挪动坐标轴
gca是get current axes的意思
Matplotlib入门-3-plt.gca( )挪动坐标轴 - 知乎 (zhihu.com)
反转坐标轴
将x轴移动到上部 ax.xaxis.set_ticks_position()
将y轴反转 ax.invert_yaxis()
import matplotlib.pyplot as pltx=[0,1,2,3,4,5] y=[10,20,30,40,50,60] plt.plot(x, y, color='red') ax = plt.gca() #获取到当前坐标轴信息 ax.xaxis.set_ticks_position('top') #将X坐标轴移到上面 # ax.yaxis.set_ticks_position('right') #将Y坐标轴移到右面 ax.invert_yaxis() #反转Y坐标轴 plt.show() plt.savefig('test.jpg')
如果是子图的话就更简单，都不需要plt.gca(), 直接
axs[0].xaxis.set_ticks_position('top')26. plt.xcorr() 漫画风格
正常
import numpy as np import matplotlib.pyplot as plt plt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.show() plt.savefig('output.jpg')
漫画风格
import numpy as np import matplotlib.pyplot as plt with plt.xkcd():plt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.show()plt.savefig('output.jpg')
27. zorder() 设置图层顺序
zorder用来控制绘图顺序，其值越大，画上去越晚，线条的叠加就是在上面的
我们可以手动设置zorder值使某些底层的元素显示在最上面等
import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 2*np.pi, 100) plt.rcParams['lines.linewidth'] = 5 plt.figure() plt.plot(x, np.sin(x), label='zorder=10', zorder=10) # on top plt.plot(x, np.sin(1.1*x), label='zorder=1', zorder=1) # bottom plt.plot(x, np.sin(1.2*x), label='zorder=3', zorder=3) plt.axhline(0, label='zorder=2', color='grey', zorder=2) plt.title('Custom order of elements') l = plt.legend(loc='upper right') l.set_zorder(20) # put the legend on top plt.show() plt.savefig('output.jpg')
28. plt.axis() 设置坐标轴
plt.axis() 不传递任何参数的话相当于坐标轴采用自动缩放（autoscale）方式，由matplotlib根据数据系列自动配置坐标轴范围和刻度。
original
import numpy as np import matplotlib.pyplot as plt plt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.show() plt.savefig('output.jpg')
plt.axis()
import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.axis() plt.show() plt.savefig('output.jpg')
plt.axis([xmin, xmax, ymin, ymax]) 设置x轴y轴的最小最大值
import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.axis([0, 3, 2, 7]) plt.show() plt.savefig('output.jpg')
29. plt.xlim(), plt.ylim() 设置x轴/y轴的范围
和plt.axis的效果一样
import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [5, 4, 9, 2]) plt.xlim(xmin=0,xmax=3) plt.ylim(ymin=2,ymax=7) plt.show() plt.savefig('output.jpg')
ax.set_xlim(xmin=0,xmax=3) ax.set_ylim(ymin=2,ymax=7)30. plt画多张图的时候清空画布
plt.clf()31. plt绘制矩形
是x,y,w,h的形式的
plt.gca().add_patch(plt.Rectangle((x, y), w, h, fill=False, edgecolor='green', linewidth=1) )patches.Rectangle()
patches.Rectangle(xy, width, height, angle=0.0, **kwargs)import matplotlib import matplotlib.pyplot as plt fig = plt.figure() ax = fig.add_subplot(111) rect1 = matplotlib.patches.Rectangle((-200, -100), 400, 200, color ='green') rect2 = matplotlib.patches.Rectangle((0, 150), 300, 20, color ='pink') rect3 = matplotlib.patches.Rectangle((-300, -50), 40, 200, color ='yellow') ax.add_patch(rect1) ax.add_patch(rect2) ax.add_patch(rect3) plt.xlim([-400, 400]) plt.ylim([-400, 400]) plt.show() plt.savefig('test.jpg')
32. add_patch 添加补丁，或者贴图
import matplotlib.pyplot as plt from matplotlib.patches import Wedgea = Wedge((.5, .5), .5, 0, 360, width=.25, color='red') plt.gca().add_patch(a) plt.axis('equal') plt.axis('off') plt.show() plt.savefig('wedge.jpg')
33. add_gridspec自定义子图布局
import matplotlib.pyplot as pltfig = plt.figure() gs = fig.add_gridspec(nrows=2, ncols=2) # gs[0, :]表示这个图占第0行和所有列, gs[1, :2]表示这个图占第1行和第2列前的所有列, # gs[1:, 2]表示这个图占第1行后的所有行和第2列, gs[-1, 0]表示这个图占倒数第1行和第0列, # gs[-1, -2]表示这个图占倒数第1行和倒数第2列. ax1 = fig.add_subplot(gs[0, 0]) ax2 = fig.add_subplot(gs[1, 0]) ax3 = fig.add_subplot(gs[:, 1]) fig.suptitle('matplotlib.figure.Figure.add_gridspec() function Example\n\n', fontweight ="bold") plt.show() plt.savefig('test.jpg')
34. plt.minorticks_on() 显示坐标轴上的小刻度
import numpy as np import matplotlib.pyplot as pltsize = 5 x = np.arange(size) a = np.random.random(size) b = np.random.random(size)plt.bar(x, a, label='a') plt.bar(x, b, bottom=a, label='b') plt.minorticks_on() plt.legend() plt.savefig('lian.jpg')加和不加plt.minorticks_on() 的区别
35. 取消边框
ax.spines[:].set_visible(False)
import numpy as np import matplotlib.pyplot as pltfig,ax = plt.subplots() size = 5 x = np.arange(size) a = np.random.random(size) b = np.random.random(size)ax.bar(x, a, label='a') ax.bar(x, b, bottom=a, label='b') ax.legend() ax.spines[:].set_visible(False) plt.savefig('lian.jpg')
如果只想去掉右边和上边的
import numpy as np import matplotlib.pyplot as pltfig,ax = plt.subplots() size = 5 x = np.arange(size) a = np.random.random(size) b = np.random.random(size)ax.bar(x, a, label='a') ax.bar(x, b, bottom=a, label='b') ax.legend() # ax.spines[:].set_visible(False) ax.spines['right'].set_visible(False) ax.spines['top'].set_visible(False) plt.savefig('lian.jpg')
36. 当plt.savefig 图片保存不完整, 被截断了
plt.savefig('lian.jpg')
加上参数bbox_inches = 'tight'即可plt.savefig('lian.jpg', bbox_inches='tight')
37. 产生混乱曲线
import numpy as np import matplotlib.pyplot as pltx = np.linspace(0,20,200) z = np.random.rand(200) - 0.5 y = x**2 + z*100plt.plot(x,y) plt.plot(x,x**2) plt.savefig('test.jpg')
38. 透明曲线图
这种其实就是把实际曲线设成半透明的，然后取均值画一条有颜色的线
import numpy as np import matplotlib.pyplot as pltx = np.linspace(0,20,200) z = np.random.rand(200) - 0.5 y = x**2 + z*100 plt.grid(alpha=0.3) plt.plot(x,y,alpha=0.2) plt.plot(x,x**2) plt.savefig('test.jpg')
39、
import math import numpy as np import matplotlib.pyplot as pltu = [i for i in range(5)] # u = 0 # 均值μ sig = [math.sqrt(1) for i in range(5)] # 标准差δ x = [] y = [] color = ['lightsteelblue', 'violet', 'purple', 'blue', 'green'] for i in range(5):x.append(np.linspace(u[i] - 3*sig[i], u[i] + 3*sig[i], 50)) # 定义域y.append(np.exp(-(x[i] - u[i]) ** 2 / (2 * sig[i] ** 2)) / (math.sqrt(2*math.pi)*sig[i])) # 定义曲线函数 for i in range(5):plt.plot(x[i], y[i], color=color[i], linewidth=2, alpha=0.3) # 加载曲线plt.fill(x[i], y[i], facecolor=color[i],alpha=0.3) plt.grid(True) # 网格线 plt.show() # 显示 plt.savefig('test.jpg')39、plt显示颜色条
plt.colorbar()
子图显示颜色条
x = axs[0][1].imshow(R) plt.colorbar(x, ax=axs[0][1])如果想好几个图都用x的colorbar， plt.colorbar(x, ax=[axs[0][0],axs[0][1],axs[1][1]])
调节colorbar的大小
plt.colorbar(fraction=0.05, pad=0.05)40、画出这种效果
多个子图，大小不一
# let's select 4 reference points for visualization idxs = [(200, 200), (280, 400), (200, 600), (440, 800),]# here we create the canvas fig = plt.figure(constrained_layout=True, figsize=(25 * 0.7, 8.5 * 0.7)) # and we add one plot per reference point gs = fig.add_gridspec(2, 4) axs = [fig.add_subplot(gs[0, 0]),fig.add_subplot(gs[1, 0]),fig.add_subplot(gs[0, -1]),fig.add_subplot(gs[1, -1]), ]# for each one of the reference points, let's plot the self-attention # for that point for idx_o, ax in zip(idxs, axs):idx = (idx_o[0] // fact, idx_o[1] // fact)#sattn是[h,w,h,w]ax.imshow(sattn[..., idx[0], idx[1]], cmap='cividis', interpolation='nearest')# ax.imshow(sattn[idx[0], idx[1],...], cmap='cividis', interpolation='nearest')ax.axis('off')ax.set_title(f'self-attention{idx_o}')# and now let's add the central image, with the reference points as red circles fcenter_ax = fig.add_subplot(gs[:, 1:-1]) fcenter_ax.imshow(im) for (y, x) in idxs:scale = im.height / img.shape[-2]x = ((x // fact) + 0.5) * facty = ((y // fact) + 0.5) * factfcenter_ax.add_patch(plt.Circle((x * scale, y * scale), fact // 2, color='r'))fcenter_ax.axis('off') plt.savefig('enc-self_attn_weights.jpg')41. 自定义colormap
import numpy as np import matplotlib.pyplot as plt import matplotlib.colorsx,y,c = zip(*np.random.rand(30,3)*4-2)cmap = matplotlib.colors.LinearSegmentedColormap.from_list("", ["white","blue"])plt.scatter(x,y,c=c, cmap=cmap) plt.colorbar() plt.show() plt.savefig('pra.jpg')
cmap = matplotlib.colors.LinearSegmentedColormap.from_list("", ["red","violet","blue"])
42. plt.matshow()
画矩阵，和plt.imshow()也差不多
plt.imshow()画的
plt.matshow()画的
43. 一张图中画多个子图
法①
plt.figure() for num in range(12):ax = plt.subplot(3, 4, num+1) ##一共有3行4列，当前图画在第几张plt.imshow(layer_dict[i][0][0][num]) plt.show() plt.savefig(f"layer{i}_output.jpg")法②
(2条消息) DETR query and position encoding 可视化_hxxjxw的博客-CSDN博客
44.
from torchvision.datasets import CIFAR100 cifar100 = CIFAR100(os.path.expanduser("~/.cache"), transform=preprocess, download=True) text_descriptions = [f"This is a photo of a {label}" for label in cifar100.classes] text_tokens = clip.tokenize(text_descriptions).cuda() with torch.no_grad(): text_features = model.encode_text(text_tokens).float() text_features /= text_features.norm(dim=-1, keepdim=True) text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1) top_probs, top_labels = text_probs.cpu().topk(5, dim=-1) plt.figure(figsize=(16, 16)) for i, image in enumerate(original_images): plt.subplot(4, 4, 2 * i + 1) plt.imshow(image) plt.axis("off") plt.subplot(4, 4, 2 * i + 2) y = np.arange(top_probs.shape[-1]) plt.grid() plt.barh(y, top_probs[i]) plt.gca().invert_yaxis() plt.gca().set_axisbelow(True) plt.yticks(y, [cifar100.classes[index] for index in top_labels[i].numpy()]) plt.xlabel("probability") plt.subplots_adjust(wspace=0.5) plt.show()
45.
import requests from PIL import Image import matplotlib.pyplot as plt import torchurl = 'http://images.cocodataset.org/val2017/000000039769.jpg' im = Image.open(requests.get(url, stream=True).raw) original_images = [] for i in range(5):original_images.append(im) texts = ['1fdssssss','sdfs','fsdfdsfs','4444ffdsf','hhhhhhh'] similarity = torch.rand(5,5).numpy() plt.figure(figsize=(20, 14)) plt.imshow(similarity, vmin=0.1, vmax=0.3) plt.colorbar() plt.yticks(range(5), texts, fontsize=18) plt.xticks([]) for i, image in enumerate(original_images): plt.imshow(image, extent=(i - 0.5, i + 0.5, -1.6, -0.6), origin="lower") for x in range(similarity.shape[1]): for y in range(similarity.shape[0]): plt.text(x, y, f"{similarity[y, x]:.2f}", ha="center", va="center", size=12) for side in ["left", "top", "right", "bottom"]: plt.gca().spines[side].set_visible(False) count=5 plt.xlim([-0.5, count - 0.5]) plt.ylim([count + 0.5, -2]) plt.savefig('test.jpg')
即 想这种效果
46、拉长画布
当标注/标签重叠的时候
即 当这种情况时
就是设置一下画布大小
fig = plt.figure(figsize=(12,4)) # 设置画布大小
47、当标注/标签重叠的时候
即 当这种情况时
可以拉长画布
也可以纵横颠倒
plt.bar()换成plt.barh()
变成这样
48、标签旋转
当标注/标签重叠的时候
即 当这种情况时
可以旋转标签
plt.xticks(rotation=-15) # 设置x轴标签旋转角度
49. 设置坐标轴及坐标轴标签的颜色
import matplotlib.pyplot as pltfig = plt.figure()ax = fig.add_subplot(121)ax.set_xlabel('X-axis ') ax.set_ylabel('Y-axis ')ax.xaxis.label.set_color('yellow') #setting up X-axis label color to yellow ax.yaxis.label.set_color('blue') #setting up Y-axis label color to blueax.tick_params(axis='x', colors='red') #setting up X-axis tick color to red ax.tick_params(axis='y', colors='black') #setting up Y-axis tick color to blackax.spines['left'].set_color('red') # setting up Y-axis tick color to red ax.spines['top'].set_color('red') #setting up above X-axis tick color to redplt.plot([3, 4, 1, 0, 3, 0], [1, 4, 4, 3, 0, 0])plt.savefig('test.jpg')50. 设置坐标轴标签的背景色
import matplotlib.pyplot as plt import numpy as npfig, ax = plt.subplots(figsize=(10,10)) ax.plot(np.linspace(0, 1, 5), np.random.rand(5))# set xticklabels xtl = [] for x in ax.get_xticks():xtl += ['lbl: {:.1f}'.format(x)] ax.set_xticklabels(xtl, rotation=90)# modify labels for tl in ax.get_xticklabels():txt = tl.get_text()if txt == 'lbl: 1.0':txt += ' (!)'tl.set_backgroundcolor('C3')tl.set_text(txt) plt.savefig('test.jpg')
想要这种效果
法2
fig.add_artist()
Artist对象
(23条消息) matplotlib之Artist对象_光与热的博客-CSDN博客
import pandas as pd import matplotlib.pyplot as plt import numpy as np import pandas as pd import matplotlib.patches as patches# Prepare Data df_raw = pd.read_csv("https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv") df = df_raw[['cty', 'manufacturer']].groupby('manufacturer').apply(lambda x: x.mean()) df.sort_values('cty', inplace=True) df.reset_index(inplace=True)fig, ax = plt.subplots(figsize=(16,10), facecolor='white', dpi= 80) ax.vlines(x=df.index, ymin=0, ymax=df.cty, color='firebrick', alpha=0.7, linewidth=20)# Annotate Text for i, cty in enumerate(df.cty):ax.text(i, cty+0.5, round(cty, 1), horizontalalignment='center')# Title, Label, Ticks and Ylim ax.set_title('Bar Chart for Highway Mileage', fontdict={'size':22}) ax.set(ylabel='Miles Per Gallon', ylim=(0, 30)) plt.xticks(df.index, df.manufacturer.str.upper(), rotation=60, horizontalalignment='right', fontsize=12)# Add patches to color the X axis labels p1 = patches.Rectangle((.57, -0.005), width=.33, height=.13, alpha=.1, facecolor='green', transform=fig.transFigure) p2 = patches.Rectangle((.124, -0.005), width=.446, height=.13, alpha=.1, facecolor='red', transform=fig.transFigure) fig.add_artist(p1) fig.add_artist(p2) plt.show() plt.savefig('test.jpg')
51. 带线性回归最佳拟合线的散点图
sns.lmplot
(5条消息) Python seaborn(sns)_hxxjxw的博客-CSDN博客
52. plt 上设置坐标轴标签(字符串)
import matplotlib.pyplot as pltdata = [5, 20, 15, 25, 10] labels = ['Tom', 'Dick', 'Harry', 'Slim', 'Jim']plt.bar(range(len(data)), data, tick_label=labels) plt.gcf().autofmt_xdate(rotation=45) plt.show()
import numpy as np import matplotlib.pyplot as pltx = range(1,13,1) y = range(1,13,1) plt.plot(x,y) plt.xticks(ticks=x, labels=('Tom','Dick','Harry','Sally','Sue','Lily','Ava','Isla','Rose','Jack','Leo','Charlie')) plt.show() plt.savefig('test.jpg')
53. 边缘直方图
通过plt.GridSpec() 自定义子图布局实现的
import pandas as pd import matplotlib.pyplot as plt# Import Data df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")# Create Fig and gridspec fig = plt.figure(figsize=(16, 10), dpi= 80) grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)# Define the axes ax_main = fig.add_subplot(grid[:-1, :-1]) ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[]) ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])# Scatterplot on main ax ax_main.scatter('displ', 'hwy', s=df.cty*4, c=df.manufacturer.astype('category').cat.codes, alpha=.9, data=df, cmap="tab10", edgecolors='gray', linewidths=.5)# histogram on the right ax_bottom.hist(df.displ, 40, histtype='stepfilled', orientation='vertical', color='deeppink') ax_bottom.invert_yaxis()# histogram in the bottom ax_right.hist(df.hwy, 40, histtype='stepfilled', orientation='horizontal', color='deeppink')# Decorations ax_main.set(title='Scatterplot with Histograms displ vs hwy', xlabel='displ', ylabel='hwy') ax_main.title.set_fontsize(20) for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):item.set_fontsize(14)xlabels = ax_main.get_xticks().tolist() ax_main.set_xticklabels(xlabels) plt.show() plt.savefig('test.jpg')
边缘箱形图
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns# Import Data df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")# Create Fig and gridspec fig = plt.figure(figsize=(16, 10), dpi= 80) grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)# Define the axes ax_main = fig.add_subplot(grid[:-1, :-1]) ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[]) ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])# Scatterplot on main ax ax_main.scatter('displ', 'hwy', s=df.cty*5, c=df.manufacturer.astype('category').cat.codes, alpha=.9, data=df, cmap="Set1", edgecolors='black', linewidths=.5)# Add a graph in each part # ax_right.boxplot(df.hwy) sns.boxplot(df.hwy, ax=ax_right, orient="v") sns.boxplot(df.displ, ax=ax_bottom, orient="h") # ax_bottom.boxplot(df.displ)# Decorations ------------------ # Remove x axis name for the boxplot ax_bottom.set(xlabel='') ax_right.set(ylabel='')# Main Title, Xlabel and YLabel ax_main.set(title='Scatterplot with Histograms displ vs hwy', xlabel='displ', ylabel='hwy')# Set font size of different components ax_main.title.set_fontsize(20) for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):item.set_fontsize(14)plt.show() plt.savefig('test.jpg')
54. 直方密度线图
带有直方图的密度曲线将两个图表传达的集体信息汇集在一起，这样您就可以将它们放在一个图形而不是两个图形中。
主要是靠sns.distplot()函数
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns# Import Data df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")# Draw Plot plt.figure(figsize=(13,10), dpi= 80) sns.distplot(df.loc[df['class'] == 'compact', "cty"], color="dodgerblue", label="Compact", hist_kws={'alpha':.7}, kde_kws={'linewidth':3}) sns.distplot(df.loc[df['class'] == 'suv', "cty"], color="orange", label="SUV", hist_kws={'alpha':.7}, kde_kws={'linewidth':3}) sns.distplot(df.loc[df['class'] == 'minivan', "cty"], color="g", label="minivan", hist_kws={'alpha':.7}, kde_kws={'linewidth':3}) plt.ylim(0, 0.35)# Decoration plt.title('Density Plot of City Mileage by Vehicle Type', fontsize=22) plt.legend() plt.show() plt.savefig('test.jpg')
密度图
Python的数据科学函数包(三)——matplotlib(plt)_hxxjxw的博客-CSDN博客_matplotlib plt
55. plt.hlines() / plt.vlines() 绘制一组有限长度的垂直/水平线
matplotlib.pyplot.hlines(y, xmin, xmax, colors=’k’, linestyles=’solid’, label=”, *, data=None, **kwargsimport matplotlib.pyplot as pltx = range(3) plt.figure(figsize=(12, 3)) plt.subplot(131) plt.vlines(x, 0, 3) plt.subplot(132) plt.vlines(x, [1, 2, 3], [4, 5, 2]) plt.subplot(133) plt.plot(x, range(1, 4), marker='o') plt.vlines(x, [0, 0, 0], range(1, 4), colors=['r', 'g', 'b'],linestyles='dashed') plt.show() plt.savefig('test.jpg')
56. 发散型文本
import pandas as pd import matplotlib.pyplot as plt# Prepare Data df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mtcars.csv") x = df.loc[:, ['mpg']] df['mpg_z'] = (x - x.mean())/x.std() df['colors'] = ['red' if x < 0 else 'green' for x in df['mpg_z']] df.sort_values('mpg_z', inplace=True) df.reset_index(inplace=True)# Draw plot plt.figure(figsize=(20,20), dpi= 80) plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z) for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):t = plt.text(x, y, round(tex, 2), horizontalalignment='right' if x < 0 else 'left', verticalalignment='center', fontdict={'color':'red' if x < 0 else 'green', 'size':14})# Decorations plt.yticks(df.index, df.cars, fontsize=12) plt.title('Diverging Text Bars of Car Mileage', fontdict={'size':20}) plt.grid(linestyle='--', alpha=0.5) plt.xlim(-2.5, 2.5) plt.show() plt.savefig('test.jpg')
57. 面积图
靠plt.fill_between()
import pandas as pd import matplotlib.pyplot as plt import numpy as np import pandas as pd# Prepare Data df = pd.read_csv("https://github.com/selva86/datasets/raw/master/economics.csv", parse_dates=['date']).head(100) x = np.arange(df.shape[0]) y_returns = (df.psavert.diff().fillna(0)/df.psavert.shift(1)).fillna(0) * 100# Plot plt.figure(figsize=(16,10), dpi= 80) plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] >= 0, facecolor='green', interpolate=True, alpha=0.7) plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] <= 0, facecolor='red', interpolate=True, alpha=0.7)# Annotate plt.annotate('Peak 1975', xy=(94.0, 21.0), xytext=(88.0, 28),bbox=dict(boxstyle='square', fc='firebrick'),arrowprops=dict(facecolor='steelblue', shrink=0.05), fontsize=15, color='white')# Decorations xtickvals = [str(m)[:3].upper()+"-"+str(y) for y,m in zip(df.date.dt.year, df.date.dt.month_name())] plt.gca().set_xticks(x[::6]) plt.gca().set_xticklabels(xtickvals[::6], rotation=90, fontdict={'horizontalalignment': 'center', 'verticalalignment': 'center_baseline'}) plt.ylim(-35,35) plt.xlim(1,100) plt.title("Month Economics Return %", fontsize=22) plt.ylabel('Monthly returns %') plt.grid(alpha=0.5) plt.show() plt.savefig('test.jpg')
58. 棒棒糖图
就是vlines先画一条线
然后scatter再画个点
import pandas as pd import matplotlib.pyplot as plt import numpy as np import pandas as pd# Prepare Data df_raw = pd.read_csv("https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv") df = df_raw[['cty', 'manufacturer']].groupby('manufacturer').apply(lambda x: x.mean()) df.sort_values('cty', inplace=True) df.reset_index(inplace=True)# Draw plot fig, ax = plt.subplots(figsize=(25,15), dpi= 80) ax.vlines(x=df.index, ymin=0, ymax=df.cty, color='firebrick', alpha=0.7, linewidth=2) ax.scatter(x=df.index, y=df.cty, s=75, color='firebrick', alpha=0.7)# Title, Label, Ticks and Ylim ax.set_title('Lollipop Chart for Highway Mileage', fontdict={'size':22}) ax.set_ylabel('Miles Per Gallon') ax.set_xticks(df.index) ax.set_xticklabels(df.manufacturer.str.upper(), rotation=60, fontdict={'horizontalalignment': 'right', 'size':12}) ax.set_ylim(0, 30)# Annotate for row in df.itertuples():ax.text(row.Index, row.cty+.5, s=round(row.cty, 2), horizontalalignment= 'center', verticalalignment='bottom', fontsize=14)plt.show() plt.savefig('test.jpg')
59. 成对图
(23条消息) Python seaborn(sns)_hxxjxw的博客-CSDN博客
60. 多组密度线
(84条消息) joypy(Joy Plot)_hxxjxw的博客-CSDN博客
终极小笔记
所有线型，以及绘线可调控可操作的参数
import matplotlib.pyplot as plt import numpy as np fig, ax = plt.subplots(figsize=(12,6))x = np.arange(0,10,1) y = -x*x + 8*x ax.plot(x, y+1, color="red", linewidth=0.25) ax.plot(x, y+2, color="red", linewidth=0.50) ax.plot(x, y+3, color="red", linewidth=1.00) ax.plot(x, y+4, color="red", linewidth=2.00)# possible linestype options ‘-‘, ‘–’, ‘-.’, ‘:’, ‘steps’ ax.plot(x, y+5, color="green", lw=3, linestyle='-') ax.plot(x, y+6, color="green", lw=3, ls='-.') ax.plot(x, y+7, color="green", lw=3, ls=':')# custom dash line, = ax.plot(x, y+8, color="black", lw=1.50) line.set_dashes([5, 10, 15, 10]) # format: line length, space length, ...# possible marker symbols: marker = '+', 'o', '*', 's', ',', '.', '1', '2', '3', '4', ... ax.plot(x, y+ 9, color="blue", lw=3, ls='-', marker='+') ax.plot(x, y+10, color="blue", lw=3, ls='--', marker='o') ax.plot(x, y+11, color="blue", lw=3, ls='-', marker='s') ax.plot(x, y+12, color="blue", lw=3, ls='--', marker='1')# marker size and color ax.plot(x, y+13, color="purple", lw=1, ls='-', marker='o', markersize=2) ax.plot(x, y+14, color="purple", lw=1, ls='-', marker='o', markersize=4) ax.plot(x, y+15, color="purple", lw=1, ls='-', marker='o', markersize=8, markerfacecolor="red") ax.plot(x, y+16, color="purple", lw=1, ls='-', marker='s', markersize=8, markerfacecolor="yellow", markeredgewidth=3, markeredgecolor="green"); plt.show()
论文中画图用plt的效果
Python的数据科学函数包(三)——matplotlib(plt)相关推荐
- Python的数据科学函数包(二)——pandas(series dataframe)(loc iloc ix)(csv文件)
pandas 1.pandas数据的存储相对来说比较简单,它就只有两种非常重要的数据类型,一种叫series,一种叫dataframe series是指那些一维的数据,dataframe是指那些二维的 ...
- python loadtxt_Python 数据科学入门2：Matplotlib
第七章 从文件加载数据 很多时候,我们想要绘制文件中的数据. 有许多类型的文件,以及许多方法,你可以使用它们从文件中提取数据来图形化. 在这里,我们将展示几种方法. 首先,我们将使用内置的csv模块加 ...
- Python基础+数据科学入门（三）组合数据类型
声明:该博客参考深度之眼的视频课程,如有侵权请联系小编删除博文,谢谢! 若总结有所失误,还请见谅,并欢迎及时指出. 组合数据类型 1.1 列表 1.1.1 列表的表达 列表类型:内部元素有位置关系,能 ...
- Python数据科学库（三）
Python数据科学库(三) 一.基本图形画法 (一)散点图 1.使用 2.参数 (二)折线图 1.使用 2.参数 3.案例 (三)条形图 1.使用 (1)水平条形图 (2)垂直条形图 2.参数 (四 ...
- 为什么Python是数据科学领域最受欢迎的语言之一？
为什么大多数数据科学家都喜欢Python?这篇文章会让你了解到,Python有很多完善的工具包可以协助你完成重要的数据科学任务. 根据Indeed,Glassdoor和Dice等职场网站所提供的信息, ...
- 为什么说Python是数据科学领域的最佳语言？
人人都说Python好,但Python究竟有多大的魔力能够如此备受欢迎? 近日,TIOBE 最新一期编程语言排行榜新鲜出炉,Python再次位居榜首.作为时下最火的编程语言,Python可以说是应用极 ...
- Python+大数据-数据处理与分析(三)-数据清洗
Python+大数据-数据处理与分析(三)-数据清洗 1. 数据组合 1.1 数据聚合简介 在动手进行数据分析工作之前,需要进行数据清理工作,数据清理的主要目标是: 每个观测值成一行 每个变量成一列 ...
- 为什么Python在数据科学领域比R更受欢迎呢？
2020-02-16 12:32:00 全文共2256字,预计学习时长7分钟 来源:aliyun 新入门的数据科学家都面临一个非常重要的问题:我应该学习Python还是R? 这个问题非常重要,因为学习 ...
- R语言数据科学程序包：Tidyverse介绍
R语言数据科学程序包:Tidyverse介绍 1. R语言简介 2. 数据科学简介 3. Tidyverse简介 1. R语言简介 R语言是用于统计计算和绘图的免费软件.它可以在Windows, Un ...
最新文章
- 详解 Date 对象
- Ubuntu 无线密码破解利器aircrack-ng
- 客户端访问https时应无浏览器(含终端)安全警告信息;_https和http有什么区别（内附详细分析）...
- 学习Java好找工作吗？Java学完后薪资怎么样？
- Asp.Net 章节验证控件章节测试题
- JZOJ 3455. 【NOIP2013模拟联考3】库特的向量(code)
- [debug] you are on Ubuntu or Debian, install libgtk2.0-dev and pkg-config, then re-run cmake ……
- Gse v0.40.0 发布，Go 高性能分词，增加更多常用 API
- 行政区划简称（包括别称）
- 《转发》使用python画出sigmoid激活函数
- 如何给图片加水印？分享怎么给图片加水印的方法
- axure6.5汉化最新正式破解版本下载（有注册码
- python 圆形检测_python下用OpenCV的圆形检测
- Java Web应用开发_04javaWeb基础
- 杰理AC632蓝牙芯片ADC
- iReport制作报表
- 迟了太久，就不必到了
- 个人站——联系我页面设计
- 中国电信2015年的三张底牌
- Android仿知乎图片墙