Matplotlib随记2

之前写了很多关于Matplotlib的基础知识，这次主要讲一下Matplotlib所生成的几个图：散点图，柱状图，等高线图，图片和3D数据

Scatter散点图

在制作Scatter散点图的过程中，我们首先要引入matplotlib.pyplot简写为plt，再引入模块numpy用来产生一些随机的数据。生成1024个呈正态分布的二维数组（平均数是0，方差是1）作为一个数据集，并图像化这个数据集。其中，每一个点的颜色用T来表示：

import matplotlib.pyplot as plt
import numpy as npn=1024   #数据大小
X=np.random.normal(0,1,n)   #每一个点的X值
Y=np.random.normal(0,1,n)   #
T=np.arctan2(Y,X)

数据生成完毕之后，我们需要采用scatter来绘制这些点。在这里，我们输入X和Y作为输入点，颜色为T，color map用作默认值，透明度alpha为50%。X轴显示范围定位为（-1.5,1.5)，并用xtick()函数来隐藏x坐标轴，ytick()函数来隐藏y坐标轴

plt.scatter(X,Y,s=75,c=T,alpha=.5)plt.xlim(-1.5,1.5)
plt.xticks(())
plt.ylim(-1.5,1.5)
plt.yticks(())plt.show()

综上，该代码最终产生的结果为：

柱状图

在我们平时的机器学习领域中，柱状图通常有很大的作用，它可以很形象的看到趋势的变化。下面就介绍一下如何利用matplotlib来生成一个柱状图。

首先第一步便是生成数据。我们向上向下分别生成12个数据，X为0到11的整数，Y是相应的均匀分布的随机数据。使用的函数是plt.bar，参数是X和Y：

import matplotlib.pyplot as plt
import numpy as npn=12
X=np.arange(n)
Y1=(1 - X / float(n)) * np.random.uniform(0.5,1.0,n)
Y2=(1 - X / float(n)) * np.random.uniform(0.5,1.0,n)plt.bar(X,+Y1)
plt.bar(X,-Y2)
plt.xlim(-1,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())plt.show()

这样我们便可以生成柱状图的基本框架。下一步我们需要对该图就颜色和数值进行优化。用facecolor设置主题颜色，edgecolor设置边框颜色。

plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')

接下来我们用函数plt.text分别在柱体上方（下方）加上数值，用%.2f 保留两位小数，横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'

for x,y in zip(X,Y1):plt.text(x+0.4,y+0.05,'%.2f' % y,ha='center',va='bottom')for x,y in zip(X,Y2):plt.text(x+0.4,-y-0.05,'%.2f' % y,ha='center',va='bottom')

综上，本部分的所有代码为：

import matplotlib.pyplot as plt
import numpy as npn=12
X=np.arange(n)
Y1=(1 - X / float(n)) * np.random.uniform(0.5,1.0,n)
Y2=(1 - X / float(n)) * np.random.uniform(0.5,1.0,n)plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')for x,y in zip(X,Y1):plt.text(x+0.4,y+0.05,'%.2f' % y,ha='center',va='bottom')for x,y in zip(X,Y2):plt.text(x+0.4,-y-0.05,'%.2f' % y,ha='center',va='bottom')plt.xlim(-1,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())plt.show()

所产生的结果为：

等高线图

在本部分，我们主要介绍如何利用matplotlib生成等高线。在生成等高线中，我们需要三维的数据点：（x，y）和对应的高度。在本程序中，高度我们用一个函数f()来生成。x，y分别是在区间[-3,3]中均匀分布的256个值，并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格：

import matplotlib.pyplot as plt
import numpy as npdef f(x,y):return (1 - x/2 + x**5 + y**3) * np.exp(-x**2,-y**2)n=256
x=np.linspace(-3,3,n)
y=np.linspace(-3,3,n)
X,Y=np.meshgrid(x,y)

接下来我们进行颜色填充。使用函数plt.contourf把颜色加进去，位置参数分别为:X，Y，f(X,Y)。透明度0.75，并将f(X,Y)的值对应到color map的暖色组中寻找对应颜色。

plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)

接下来进行等高线绘制。使用plt.contour函数划线。位置参数为 X，Y，f(X,Y)。在我们这里，我们将颜色选为黑色，线条宽度为0.5.现在的结果如下图所示：只有颜色和线条，没有数值Label

C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)

在上面的代码中，我们可以看到，其中的8代表等高线的密集程度，这里被分为10个部分。如果是0，则图像被一分为二。

再下一步，我们需要添加高度数字。我们加入Label,inline控制是否在Label画在线里面，字体大小为10.并将坐标轴隐藏：

plt.clabel(C,inline=True,fontsize=10)
plt.xticks(())
plt.yticks(())

所以，在画等高线的所有代码为：

import matplotlib.pyplot as plt
import numpy as npdef f(x,y):return (1 - x/2 + x**5 + y**3) * np.exp(-x**2,-y**2)n=256
x=np.linspace(-3,3,n)
y=np.linspace(-3,3,n)
X,Y=np.meshgrid(x,y)plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)
C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)plt.clabel(C,inline=True,fontsize=10)
plt.xticks(())
plt.yticks(())
plt.show()

所产生的结果为：

3D数据

在做机器学习的时候，有时候需要绘3D图片来看数据整体的下降趋势。首先在进行3D时除了导入matplotlib，还需要添加一个模块,即3D坐标轴显示，这个包不需要单独安装，python本身就自带的

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

之后要定义一个图像窗口，在窗口上添加3D坐标轴。

fig=plt.figure()
ax=Axes3D(fig)

接下来再给出X值和Y值，并将X值和Y值编织成栅格。每一个（X，Y）点对应的高度值，我们用下面这个函数进行计算：

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)

下一步我们需要做出一个三维曲面，并将一个colormap rainbow填充颜色，之后将三维图像投影到XY平面做一个等高线图。plot 3D 图像：

ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))

其中，rstride 和 cstride分别代表row 和 column的跨度

之后，我们添加XY平面的等高线：

ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap=plt.get_cmap('rainbow'))

如果zdir选择了x，那么效果将会是对于XZ平面的投影。

因此，整个项目的代码为：

import matplotlib.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)ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap=plt.get_cmap('rainbow'))plt.show()

最终的效果图为：

本知识学自于：莫烦python

转载于:https://www.cnblogs.com/huanggen/p/7533088.html

Matplotlib随记2相关推荐

Matplotlib随记1
Matplotlib概况在我们进行机器学习分析的时候,通常需要将我们所需要的结果进行图像化表示出来,以方便我们可以更加形象的看到数据变化大趋势.在我进行寻找相应的工具时,我发现了Matplotlib ...
【python学习】matplotlib图例分开显示
图例拆散图例默认显示图例分开显示在绘图时一般会默认将所有图例放在一个框里,但有时为了让图形美观,想要把图例分开显示.这时便需要使用两次legend,将需要分开的图例分别保存在不同的变量中,每调用 ...
Datawhale 人工智能培养方案
版本号:V0.9 阅读须知每个专业方向对应一个课程表格课程表格里的课程排列顺序即为本培养方案推荐的学习顺序诚挚欢迎为本培养方案贡献课程,有意向的同学请联系Datawhale开源项目管理委员会本 ...
痞子衡嵌入式：语音处理工具Jays-PySPEECH诞生记（3）- 音频显示实现(Matplotlib, NumPy1.15.0)...
大家好,我是痞子衡,是正经搞技术的痞子.今天痞子衡给大家介绍的是语音处理工具Jays-PySPEECH诞生之音频显示实现. 音频显示是Jays-PySPEECH的主要功能,Jays-PySPEECH借 ...
python踩坑记（使用matplotlib绘制折线图遇到的问题及解法）
前几天老妹说毕设中图表部分是通过excel直接生成的,可能在答辩时候会显得很low,让我教教她怎么用python来画图.看了她的毕设,其实不难处理,就是两个折线图.这也让我松了一口气,毕竟快两年没有写 ...
痞子衡嵌入式：语音处理工具pzh-speech诞生记（3）- 音频显示实现(Matplotlib, NumPy1.15.0)...
大家好,我是痞子衡,是正经搞技术的痞子.今天痞子衡给大家介绍的是语音处理工具pzh-py-speech诞生之音频显示实现. 音频显示是pzh-py-speech的主要功能,pzh-py-speech借 ...
python画图中文显示_解决Linux系统中python matplotlib画图的中文显示问题
最近想学习一些python数据分析的内容,就弄了个爬虫爬取了一些数据,并打算用Anaconda一套的工具(pandas, numpy, scipy, matplotlib, jupyter)等进行一些 ...
python画图-Python 绘图，我只用 Matplotlib（二）
图片来自 unsplash 上篇文章,我们了解到 Matplotlib 是一个风格类似 Matlab 的基于 Python 的绘图库.它提供了一整套和matlab相似的命令API,十分适合交互式地进行 ...
python科学计算三剑客_《Python数据分析三剑客：Pandas、Numpy、Matplotlib》专题
0 2019-10-07 矩阵 1. 矩阵初始化 Numpy函数库中存在两种不同的数据类型(矩阵matrix和数组array),都可以用于处...[作者空间] 20 2019-08-18 Matplo ...

Matplotlib随记2

Matplotlib随记2相关推荐

最新文章

热门文章