Python--matplotlib绘图可视化知识点整理

摘要：本文作为学习过程中对一些常用知识点的整理，方便查找。所有绘图操作仅对当前图和当前坐标有效。表示把图标分割成的网格。每个对象都是一个拥有自己坐标系统的绘图区域。避免比例压缩为椭圆数据可视化入门教程绘图核心剖析如何调整子图的大小

本文作为学习过程中对matplotlib一些常用知识点的整理，方便查找。

强烈推荐ipython
无论你工作在什么项目上，IPython都是值得推荐的。利用ipython --pylab，可以进入PyLab模式，已经导入了matplotlib库与相关软件包（例如Numpy和Scipy)，额可以直接使用相关库的功能。

这样IPython配置为使用你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言，默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。

matplotlib-绘制精美的图表

matplotlib.pyplot.plt参数介绍

import matplotlib.pyplot as plt
labels="frogs","hogs","dogs","logs"
sizes=15,20,45,10
colors="yellowgreen","gold","lightskyblue","lightcoral"
explode=0,0.1,0,0
plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct="%1.1f%%",shadow=True,startangle=50)
plt.axis("equal")
plt.show()

为了在图表中能够显示中文和负号等，需要下面一段设置：

import matplotlib mpl
mpl.rcParams["font.sans-serif"]=["SimHei"] #用来正常显示中文标签
mpl.rcParams["axes.unicode_minus"]=False #用来正常显示负号

这种方法能够奏效的条件是电脑上有simhei字体。

可以使用ipython --pylab打开ipython命名窗口。

%matplotlib inline  #notebook模式下
%pylab inline    #ipython模式下

这两个命令都可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，但是，有一个缺陷：除非将代码一次执行，否则，无法叠加绘图，因为在这两种模式下，是要有plt出现，图片会立马show出来，因此：

推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。

在代码执行过程中，有两种方式更改参数：

使用参数字典(rcParams)

调用matplotlib.rc()命令 通过传入关键字元祖，修改参数

如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用如下命令来找到当前用户的配置文件目录。

import matplotlib  
matplotlib.get_data_path()

得到配置文件夹，其中有font文件夹。

配置文件包括以下配置项：

axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集（font family）、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条（颜色、线型、宽度等）和标记
patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 可以对保存的图形进行多带带设置。例如，设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

可以通过调用matplotlib.pyplot.colors()得到matplotlib支持的所有颜色。

如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：

使用HTML十六进制字符串 color="eeefff" 使用合法的HTML颜色名字（"red","chartreuse"等）。

也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

很多方法可以介绍颜色参数，如title()。
plt.tilte("Title in a custom color",color="#123456"）

通过向如matplotlib.pyplot.axes()或者matplotlib.pyplot.subplot()这样的方法提供一个axisbg参数，可以指定坐标这的背景色。

subplot(111,axisbg=(0.1843,0.3098,0.3098)

如果你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度，因此x的数据是[0,1,2,3].

图片来自:绘图: matplotlib核心剖析

plt.axis([xmin, xmax, ymin, ymax])
上面例子里的axis()命令给定了坐标范围。

xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from pylab import *

x = np.arange(-5.0, 5.0, 0.02)
y1 = np.sin(x)

plt.figure(1)
plt.subplot(211)
plt.plot(x, y1)

plt.subplot(212)
#设置x轴范围
xlim(-2.5, 2.5)
#设置y轴范围
ylim(-1, 1)
plt.plot(x, y1)

用一条指令画多条不同格式的线。

import numpy as np
import matplotlib.pyplot as plt

# evenly sampled time at 200ms intervals
t = np.arange(0., 5., 0.2)

# red dashes, blue squares and green triangles
plt.plot(t, t, "r--", t, t**2, "bs", t, t**3, "g^")
plt.show()

你可以多次使用figure命令来产生多个图，其中，图片号按顺序增加。这里，要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常，你并不需要考虑这些事，下面的这个例子为大家演示这一细节。

import matplotlib.pyplot as plt
plt.figure(1)                # 第一张图
plt.subplot(211)             # 第一张图中的第一张子图
plt.plot([1,2,3])
plt.subplot(212)             # 第一张图中的第二张子图
plt.plot([4,5,6])


plt.figure(2)                # 第二张图
plt.plot([4,5,6])            # 默认创建子图subplot(111)

plt.figure(1)                # 切换到figure 1 ; 子图subplot(212)仍旧是当前图
plt.subplot(211)             # 令子图subplot(211)成为figure1的当前图
plt.title("Easy as 1,2,3")   # 添加subplot 211 的标题

figure感觉就是给图像ID，之后可以索引定位到它。

text()可以在图中的任意位置添加文字，并支持LaTex语法

xlable(), ylable()用于添加x轴和y轴标签

title()用于添加图的题目

import numpy as np
import matplotlib.pyplot as plt

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# 数据的直方图
n, bins, patches = plt.hist(x, 50, normed=1, facecolor="g", alpha=0.75)


plt.xlabel("Smarts")
plt.ylabel("Probability")
#添加标题
plt.title("Histogram of IQ")
#添加文字
plt.text(60, .025, r"$mu=100, sigma=15$")
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

text中前两个参数感觉应该是文本出现的坐标位置。

在数据可视化的过程中，图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。¹

import numpy as np
import matplotlib.pyplot as plt

ax = plt.subplot(111)

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)

plt.annotate("local max", xy=(2, 1), xytext=(3, 1.5),
            arrowprops=dict(facecolor="black", shrink=0.05),
            )

plt.ylim(-2,2)
plt.show()

现在是明白干嘛用的了，就是人为设置坐标轴的刻度显示的值。

# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用）
from pylab import *

# 创建一个 8 * 6 点（point）的图，并设置分辨率为 80
figure(figsize=(8,6), dpi=80)

# 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块）
subplot(1,1,1)

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
C,S = np.cos(X), np.sin(X)

# 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条
plot(X, C, color="blue", linewidth=1.0, linestyle="-")

# 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条
plot(X, S, color="r", lw=4.0, linestyle="-")

plt.axis([-4,4,-1.2,1.2])
# 设置轴记号

xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
       [r"$-pi$", r"$-pi/2$", r"$0$", r"$+pi/2$", r"$+pi$"])

yticks([-1, 0, +1],
       [r"$-1$", r"$0$", r"$+1$"])
# 在屏幕上显示
show()

当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。²

ax = gca()
ax.spines["right"].set_color("none")
ax.spines["top"].set_color("none")
ax.xaxis.set_ticks_position("bottom")
ax.spines["bottom"].set_position(("data",0))
ax.yaxis.set_ticks_position("left")
ax.spines["left"].set_position(("data",0))

这个地方确实没看懂，囧，以后再说吧，感觉就是移动了坐标轴的位置。

plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")
plot(X, S, color="red",  linewidth=2.5, linestyle="-", label="sine")

legend(loc="upper left")

使用plt.style.use("ggplot")命令，可以作出ggplot风格的图片。

# Import necessary packages
import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use("ggplot")
from sklearn import datasets
from sklearn import linear_model
import numpy as np
# Load data
boston = datasets.load_boston()
yb = boston.target.reshape(-1, 1)
Xb = boston["data"][:,5].reshape(-1, 1)
# Plot data
plt.scatter(Xb,yb)
plt.ylabel("value of house /1000 ($)")
plt.xlabel("number of rooms")
# Create linear regression object
regr = linear_model.LinearRegression()
# Train the model using the training sets
regr.fit( Xb, yb)
# Plot outputs
plt.scatter(Xb, yb,  color="black")
plt.plot(Xb, regr.predict(Xb), color="blue",
         linewidth=3)
plt.show()

好吧，又是注释，多个例子参考一下！

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。

t = 2*np.pi/3
# 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。
plot([t,t],[0,np.cos(t)], color ="blue", linewidth=2.5, linestyle="--")
scatter([t,],[np.cos(t),], 50, color ="blue")

annotate(r"$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$",
         xy=(t, np.sin(t)), xycoords="data",
         xytext=(+10, +30), textcoords="offset points", fontsize=16,
         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plot([t,t],[0,np.sin(t)], color ="red", linewidth=2.5, linestyle="--")
scatter([t,],[np.sin(t),], 50, color ="red")

annotate(r"$cos(frac{2pi}{3})=-frac{1}{2}$",
         xy=(t, np.cos(t)), xycoords="data",
         xytext=(-90, -50), textcoords="offset points", fontsize=16,
         arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plt.subplot(2,3,1)表示把图标分割成2*3的网格。也可以简写plt.subplot(231)。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。

我们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下³⁴：

plt.axes-官方文档

axes() by itself creates a default full subplot(111) window axis.

axes(rect, axisbg="w") where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.

axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，因此，若是要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。

show code:

http://matplotlib.org/examples/pylab_examples/axes_demo.html

import matplotlib.pyplot as plt
import numpy as np

# create some data to use for the plot
dt = 0.001
t = np.arange(0.0, 10.0, dt)
r = np.exp(-t[:1000]/0.05)               # impulse response
x = np.random.randn(len(t))
s = np.convolve(x, r)[:len(x)]*dt  # colored noise

# the main axes is subplot(111) by default
plt.plot(t, s)
plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])
plt.xlabel("time (s)")
plt.ylabel("current (nA)")
plt.title("Gaussian colored noise")

# this is an inset axes over the main axes
a = plt.axes([.65, .6, .2, .2], axisbg="y")
n, bins, patches = plt.hist(s, 400, normed=1)
plt.title("Probability")
plt.xticks([])
plt.yticks([])

# this is another inset axes over the main axes
a = plt.axes([0.2, 0.6, .2, .2], axisbg="y")
plt.plot(t[:len(r)], r)
plt.title("Impulse response")
plt.xlim(0, 0.2)
plt.xticks([])
plt.yticks([])

plt.show()

matplotlib.pyplot.pie

找出matpltlib.pyplot.plot中的colors可以取哪些值？

so-Named colors in matplotlib

CSDN-matplotlib学习之（四）设置线条颜色、形状

for name,hex in matplotlib.colors.cnames.iteritems():
    print name,hex

打印颜色值和对应的RGB值。

plt.axis("equal")避免比例压缩为椭圆

How do I use matplotlib autopct?

autopct enables you to display the percent value using Python string formatting. For example, if autopct="%.2f", then for each pie wedge, the format string is "%.2f" and the numerical percent value for that wedge is pct, so the wedge label is set to the string "%.2f"%pct.

DataHub-Python 数据可视化入门1 ↩

Matplotlib 教程 ↩

绘图: matplotlib核心剖析 ↩

python如何调整子图的大小？ ↩