matplotlib中常用函数

散点图
柱状图
等高线
matplotlib绘制3D图
子图像

动态图

常见设置

一、设置坐标轴

# x轴和y轴的值域
plt.xlim((-1,2))
plt.ylim((-2,3))# color为线的颜色，linewidth为线宽度，linestyle为样式（-为实线，--为虚线）
plt.plot(x,y,color='red',linewidth=1.0,linestyle='—')plt.figure #绘制一个新画布
plt.figsize #花布尺寸# x和y轴
plt.xtick()
plt.ytick()
例如：
plt.xticks(new_ticks) #new_ticks 为-2，2分成十一等份
plt.yticks([-1,0,1,2,3],['level2','level2','level3','level4','level5'])

二、

plt.gca #获取当前的坐标轴
spines['right'].set_color('red’) #右边框为红色
# 分别把x轴与y轴的刻度设置为bottom与left
xaxis.set_ticks_position('bottom')
yaxis.set_ticks_position('left’)
# 分别v把bottom和left类型设置为data，交点为（0，0）
spines['bottom'].set_position(('data',0))
spines['left'].set_position(('data',0))例如：
ax = plt.gca()
ax.spines['right'].set_color(‘red')
ax.spines['top'].set_color(‘red’)

三、

l1, = plt.plot(x,y1,color='red',linewidth=1.0,linestyle='—') #设置两条线为l1,l2    注：应该在后面加上，
l2, = plt.plot(x,y2,color="blue",linewidth=5.0,linestyle="-")
plt.legend(handles=[l1,l2],labels=['test1','test2'],loc='best’) #将l1，l2绘制于一张图中，其中名字分别是l1，l2，位置自动取在最佳位置

设置备注

x0 = 0.5
y0 = 2*x0 + 1
# 画点
plt.scatter(x0,y0,s=50,color='blue')
# 画虚线
plt.plot([x0,x0],[y0,0],'k--',lw=2)#[x0,x0],[y0,0]代表x0，y0点作虚线交于x0，0  k--代表颜色的虚线,lw代表宽度
plt.annotate(r'$2x+1=%s$' % y0,xy=(x0,y0),xytext=(+30,-30),textcoords='offset points',fontsize=16,arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))
#xy=(x0,y0)指在x0，y0点，xytext=(+30,-30)指在点向右移动30，向下移动30,textcoords='offset points'指以点为起点
#arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2')指弧度曲线，  .2指弧度
plt.text(-2,2,r'$This\ is\ the\ text$',fontsize=16,color='red’) #-2,2指从-2，2开始写

散点图

x = np.random.normal(0,1,500)
y = np.random.normal(0,1,500)
plt.scatter(x,y,s=50,color='blue',alpha=0.5) #s指点大小，alpha指透明度
plt.show()

柱状图

x = np.arange(10)
y = 2**x + 10
plt.bar(x,y,facecolor='#9999ff',edgecolor='white')#柱颜色，柱边框颜色
for x,y in zip(x,y):#zip指把x，y结合为一个整体，一次可以读取一个x和一个yplt.text(x,y,'%.2f' % y,ha='center',va='bottom')#指字体在中间和柱最顶的顶部
plt.show()

等高图

def f(x,y):#用来生成高度return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)x = np.linspace(-3,3,100)
y = np.linspace(-3,3,100)X,Y = np.meshgrid(x,y)#将x，y指传入网格中
plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)#8指图中的8+1根线，绘制等温线，其中cmap指颜色C = plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=.5)#colors指等高线颜色
plt.clabel(C,inline=True,fontsize=10)#inline=True指字体在等高线中plt.xticks(())
plt.yticks(())
plt.show()

matplotlib绘制3D图

from mpl_toolkits.mplot3d import Axes3D#动态图所需要的包
fig = plt.figure()
ax = Axes3D(fig)x = np.arange(-4,4,0.25)#0.25指-4至4间隔为0.25
y = np.arange(-4,4,0.25)
X,Y = np.meshgrid(x,y)#x，y放入网格
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))#rstride=1指x方向和y方向的色块大小
ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap='rainbow')#zdir指映射到z方向，-2代表映射到了z=-2
ax.set_zlim(-2,-2)plt.show()

子图像

plt.figure()
plt.subplot(2,2,1)#建立一个两行两列的画布，第一个
plt.plot([0,1],[0,1])
plt.subplot(2,2,2)#第二个
plt.plot([0,1],[0,1])
plt.subplot(2,2,3)#第三个
plt.plot([0,1],[0,1])
plt.subplot(2,2,4)#第四个
plt.plot([0,1],[0,1])
plt.show()

plt.figure()
plt.subplot(2,1,1)#建立一个两行两列的画布，第一个
plt.plot([0,1],[0,1])
plt.subplot(2,3,4)#第二个
plt.plot([0,1],[0,1])
plt.subplot(2,3,5)#第三个
plt.plot([0,1],[0,1])
plt.subplot(2,3,6)#第四个
plt.plot([0,1],[0,1])
plt.show()

动态图

from matplotlib import animation#动态图所需要的包
fig,ax = plt.subplots()#子图像
x = np.arange(0,2*np.pi,0.01)
line, = ax.plot(x,np.sin(x))def animate(i):line.set_ydata(np.sin(x+i/10))#用来改变的y对应的值return line,
def init():line.set_ydata(np.sin(x))#动态图初始图像return line,ani = animation.FuncAnimation(fig=fig,func=animate,init_func=init,interval=20)#动态作图的方法，func动态图函数，init_func初始化函数，interval指图像改变的时间间隔
plt.show()

注：若想看动态效果请在ipython中使用

使用颜色映射

颜色映射（colormap）是一系列颜色，它们从起始颜色渐变到结束颜色。在可视化中，颜色映射用于突出数据的规律，例如，你可能用较浅的颜色来显示较小的值，并使用较深的颜色来显示较大的值。

import matplotlib.pyplot as plt x_values = list(range(1001))
y_values = [x**2 for x in x_values] plt.scatter(x_values, y_values, c=y_values, cmap=plt.cm.Blues, edgecolor='none', s=40)

这些代码将y值较小的点显示为浅蓝色，并将y值较大的点显示为深蓝色。

Matplotlib进阶-Seaborn

Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。

安装方式

安装方式类似于matplotlib , 在Windows下和Linux下面都可以采用pip安装方式。

set_style( )

set_style( )是用来设置主题的，Seaborn有五个预设好的主题： darkgrid , whitegrid , dark , white ,和 ticks 默认： darkgrid

import matplotlib.pyplot as plt
import seaborn as sns  sns.set_style("whitegrid")
plt.plot(range(10))  plt.show()

直方图

直方图的绘制：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pddf_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')  sns.distplot(df_iris['petal_length'], kde = True)   # kde 密度曲线  rug 边际毛毯  plt.show()

箱型图

箱形图（Box-plot）又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pddf_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')  sns.boxplot(x = df_iris['species'], y = df_iris['sepal_width'])  plt.show()

联合分布

两个变量的画图

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pddf_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')  sns.jointplot(df_iris['petal_width'], df_iris['sepal_width']) plt.show()

不用圆点表示的话也是可以的，可以用其他方式来表示，比如六角形来表示：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pddf_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')  sns.jointplot(df_iris['petal_width'], df_iris['sepal_width'], kind='hex') plt.show()

热力图

相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。
相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。公式：

$r(X,Y)=\frac{Cov(X,Y)}{\sqrt{Var[X]Var[Y]}}$ 以上公式中：

$Cov(X,Y) = E[XY]-E[X]E[Y]$

$Var(X)=E{[X-E(X)^2] }=E(X^2)-[E(X)]^2$

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pddf_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')  corrmat = df_iris[df_iris.columns[:4]].corr()sns.heatmap(corrmat, square=True, linewidths=.5, annot=True)
plt.show()

多变量图

关注数据框中各个特征之间的相关关系，呈现图形的展示，给人以直观的感受。而不是"冰冷"的数字。可以非常方便的找到各个特征之间呈现什么样的关系。比如线性，离散等关系。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns  data = pd.read_csv(r"D:\Windows 7 Documents\Desktop\iris.csv")  sns.set(style="ticks")    # 使用默认配色  
sns.pairplot(data,hue="species")   # hue 选择分类列  plt.show()

matplotlib中绘图常用函数相关推荐

python中subplot是什么意思_python matplotlib中的subplot函数使用详解
python里面的matplotlib.pylot是大家比较常用的,功能也还不错的一个包.基本框架比较简单,但是做一个功能完善且比较好看整洁的图,免不了要网上查找一些函数.于是,为了节省时间,可以一劳 ...
python中mat函数_python matplotlib中的subplot函数使用详解
python里面的matplotlib.pylot是大家比较常用的,功能也还不错的一个包.基本框架比较简单,但是做一个功能完善且比较好看整洁的图,免不了要网上查找一些函数.于是,为了节省时间,可以一劳 ...
pythonsubplot_python matplotlib中的subplot函数使用详解
python里面的matplotlib.pylot是大家比较常用的,功能也还不错的一个包.基本框架比较简单,但是做一个功能完善且比较好看整洁的图,免不了要网上查找一些函数.于是,为了节省时间,可以一劳 ...
matlab绘图常用函数
2015b matlab绘图常用函数图形的修饰处理视点处理 view(az,el) view(x,y,z)坐标视角 view(2)最上方视角 view(3)还原视角色彩处理 colormap c ...
MATLAB中的常用函数小结
1. MATLAB中的常用函数小结文章目录 1. MATLAB中的常用函数小结 1. MATLAB图像处理工具箱 1.1 图像显示 1.2 图像文件输入/输出 1.3. 图像像素值及其统计 1.4 ...
python使用matplotlib中的errorbar函数可视化误差条、并自定义数据点标记、数据点大小、数据点颜色、数据点边缘颜色、误差棒颜色、误差棒线条宽度、误差棒边界线长度、误差棒边界线厚度等
python使用matplotlib中的errorbar函数可视化误差条.并自定义数据点标记.数据点大小.数据点颜色.数据点边缘颜色.误差棒颜色.误差棒线条宽度.误差棒边界线长度.误差棒边界线厚度等 ...
Python之pandas：pandas中数据处理常用函数(与空值相关/去重和替代)简介、具体案例、使用方法之详细攻略
Python之pandas:pandas中数据处理常用函数(与空值相关/去重和替代)简介.具体案例.使用方法之详细攻略目录 pandas中数据处理常用函数(isnull/dropna/fillna/ ...
c语言中math的库函数,C语言中math.h库中的常用函数
C语言中math.h库中的常用函数 int abs(int i) 返回整型参数i的绝对值 double cabs(struct complex znum) 返回复数znum的绝对值 double fa ...
php spl函数,PHP SPL标准库中的常用函数介绍
这篇文章主要介绍了PHP SPL标准库中的常用函数介绍,本文着重讲解了spl_autoload_extensions().spl_autoload_register().spl_autoload()三 ...

matplotlib中绘图常用函数