数据可视化Matplotlib-中

上一篇：数据可视化Matplotlib-上

import matplotlib.pyplot as mp

提示：为了避免文章过长，代码全托管到码云，直接点超链接就可以看到和下载。

10、刻度定位器
ax = mp.gca()
ax.xaxis.set_major_locator(刻度定位器) # 主刻度
ax.xaxis.set_minor_locator(刻度定位器) # 次刻度

常用刻度定位器
- mp.NullLocator：空定位器
- mp.MaxNLocator(nbin=最多画几个刻度, steps=刻度间距可选列表)：最大值定位器
- mp.FixedLocator(locs=刻度列表)：固定点定位器
- mp.AutoLocator()：自动定位器
- mp.IndexLocator(offset=0.5,base=1.5)：offset（刻度起始值），base（步长）
- mp.MultipleLocator(刻度间隔)：多点定位器
- mp.LinearLocator(numticks=21)：numticks(刻度个数)
- mp.LogLocator(base=2,subs=[1.0])：对数定位器

示例代码：locator.py
效果图：

11、区域填充
mp.fill_between(水平坐标，起点垂直坐标，终点垂直坐标，填充条件，color=颜色，alpha=透明度)

示例代码：fill.py
效果图：

12、条形图
mp.bar(水平坐标数组，高度数组，宽度，color=颜色，label=图例标签，alpha=透明度)

宽度：0-1的数，表示间隔

示例代码：bar.py
效果图：

13、饼图
mp.pie(值数组，间隙数组，标签数组，颜色数组，格式,shadow=False)

shadow：是否有阴影
startangle：起始角度
格式：表示扇形占比的格式化显示，比如‘%d%%’表示以20%这种表示，也可以以小数‘0.%d’则是以0.20显示

示例代码：pie.py
效果图：

14、等高线图
mp.contour(点阵X坐标，点阵Y坐标，Z坐标，梯度数，colors=颜色，linewidths=线宽)
mp.contourf(点阵X坐标，点阵Y坐标，Z坐标，梯度数，cmap=颜色映射)

梯度数：决定等高线图的密集性
cmap：部分取值如下
- autumn 从红色平滑变化到橙色，然后到黄色。
- bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。
- cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。
- copper 从黑色平滑过渡到亮铜色。
- flag 包含红、白、绿和黑色。
- gray 返回线性灰度色图。
- hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。
- hsv 从红，变化到黄、绿、青绿、品红，返回到红。
- jet 从蓝到红，中间经过青绿、黄和橙色。它是hsv色图的一个变异。
- pink 柔和的桃红色，它提供了灰度图的深褐色调着色。
- prism 重复这六种颜色：红、橙、黄、绿、蓝和紫色。
- spring 包含品红和黄的阴影颜色。
- summer 包含绿和黄的阴影颜色。
- winter 包含蓝和绿的阴影色。

更多取值请参考官网：https://matplotlib.org/examples/color/colormaps_reference.html

补充：
点阵X坐标，点阵Y坐标：都为二维数组，可以由np.meshgrid(x一维数组,y一维数组)生成
例如：x = [1 3 4] y = [2 4 5],那么x和y在平面坐标系上能有9个交点，而点阵X坐标则是这9个坐标的x坐标矩阵
9个点的坐标：
(1, 2), (3, 2), (4,2)
(1, 4), (3, 4), (4, 4)
(1, 5), (3, 5), (4, 5)
点阵X坐标：
[[1, 3, 4],
[1, 3, 4],
[1, 3, 4]]
点阵Y坐标：
[[2, 2, 2],
[3, 3, 3],
[4, 4, 4]]
而np.meshgrid(x, y)得到的就是上面两个矩阵数组，也可以不使用np.meshgrid(x, y),而是使用X = np.tite(x, (x.size, 1)),Y = np.tite(y, (y.size, 1)).T
注意：坐标并不需要有顺序，只要X，Y一一对应就行
所以
X
[[1, 1, 1],
[2, 2, 2],
[4, 4, 4]]
Y
[[2, 3, 4],
[2, 3, 4],
[2, 3, 4]]
这个和上面没什么区别

示例代码：contour.py
效果图(可以一个窗口画一个，效果比这个好多了)：

15、热力图
mp.imshow(矩阵，cmap=颜色映射，origin=纵轴方向)

origin：默认y轴坐标从上至下增大的，不符合坐标系，所以经常设置值为’low’

示例代码：imshow.py
效果图(是不是和等高线有点像，因为用的是同样的数据)：

简单应用：
将彩色图片显示为黑白图片，当然也可以变成其他颜色映射。

示例代码：cmap.py
原图片：

效果图(如果每个窗口显示一张图，效果更好)：

说明：代码会提示一个警告，大概意思是imread已经被弃用，将在1.2.0版本移除，请使用imageio.imread，不理他，既然能用试试效果就行。

下一篇：数据可视化Matplotlib-下

原文博客：https://blog.csdn.net/Qwertyuiop2016/
现在这个是小号，给爬虫用的

欢迎关注我的微信公众号，分享我的学习经验和一些觉得不错的资源。如果有问题的话，也可以在微信公众号联系我。

数据可视化Matplotlib-中相关推荐

Python数据可视化matplotlib（一）—— 图表的基本元素
Python数据可视化matplotlib(一)-- 图表的基本元素图表创建 plt.show() # 图表窗口1 → plt.show()plt.plot(np.random.rand(10)) ...
Python数据可视化matplotlib：第四回：文字图例尽眉目
Python数据可视化matplotlib:第四回:文字图例尽眉目 1. Figure和Axes上的文本大家可以看到有些论文或者博客上都有绘制的很漂亮的图,其中大部分都在图形绘制上进行一定的注释说明 ...
每日一课 | Python数据可视化—Matplotlib初体验
04. Matplotlib初体验大家好,我是小C,上期给大家分享--Python数据可视化-如何做好启动准备(小白必读) 本期分享内容:Python数据可视化-Matplotlib初体验本期小C ...
ggplot2设置坐标轴范围_R语言数据可视化| ggplot2中会“分身术”的facet_wrap()与facet_grid()...
[R语言]高维数据可视化| ggplot2中会"分身术"的facet_wrap()与facet_grid()姐妹花mp.weixin.qq.com facet_grid()形成由 ...
数据可视化过程中常见的错误类型
数据可视化是一个沟通复杂信息的强大武器.通过可视化信息,我们的大脑能够更好地抓取和保存有效信息,增加信息的印象.但如果数据可视化做的较弱,反而会带来负面效果.错误的表达会损害数据的传播,完全曲解他们. ...
数据可视化: matplotlib绘制动态图及3维动画
动画可以有趣地展示某种现象.相比于静态图表,人们更容易被动画和交互式的图表所吸引.在描绘时间序列数据时,动画更有意义,例如多年来股票价格的波动,过去十年气候的季节性变化和和趋势,因为我们可以看到特定参 ...
python可视化的图表汉字显示成框框_数据可视化——Matplotlib输出中文显示问题...
写在前面在学习可视化过程中,Matplotlib是其余Python可视化工具包的基础,是它们的老祖宗. Matplotlib是一个用于绘制高质量图形的Python第三方包,一般将其简写成mpl(ma ...
Python数据可视化 Matplotlib详解（一) —— 折线图与时序数据绘制
目录本小节内容基础代码实例讲解如何多图绘制多行多列的情况多行单列的情况 Matplotlib 绘制时序数据多时序变量绘图如何给数据添加注释 Reference 本小节内容今天这一小节 ...
数据可视化matplotlib(一)---亚马逊销售飙升榜
数据可视化是数据分析的重要任务之一. 之前有获取到亚马逊销售飙升榜的数据,但是排名只是按列表顺序排序,销售排名上升的幅度只有数字的变化,体现的不是很直观. 所以使用python的matplotlib实 ...
Python数据可视化--Matplotlib
一.基本概念 Matplotlib 是一个 Python 的 2D 绘图库,是一个非常强大的 Python 画图工具.在机器学习和深度学习中,面对海量的数据集,我们时常需要通过绘图直观的呈现出这些数据 ...

数据可视化Matplotlib-中

数据可视化Matplotlib-中相关推荐

最新文章

热门文章