一篇文章学会Matplotlib
简介
本文通过大量案例,讲解Matplotlib的基础语法。
语法
以下是 Matplotlib 的常见语法:
- 导入库:import matplotlib.pyplot as plt
- 绘图:plt.plot(x, y)
- x和y都是数字列表或数组,指定了数据点的水平和垂直坐标值。
- 显示绘图:plt.show()
- 添加标签、标题及轴:
- plt.xlabel('X Label')
- plt.ylabel('Y Label')
- plt.title('Title')
- 自定义样式:
- 线条颜色:'r'(红色)、'g'(绿色)、'b'(蓝色)
- 点标记:'o'(圆形)、'^'(向上三角形)、's'(正方形)
- 线型:'-'(实线)、'--'(虚线)
- 线宽:linewidth=3
- 标记尺寸:markersize=12
- 定义子图:
- 建立网格:fig, axs = plt.subplots(rows, cols)
- 访问子图:axs[row][col]
- 设置子图标题:axs[row][col].set_title('Title')
- 在子图中绘制:‘axs[row][col].plot(x, y)’ 或 axs[row][col].bar(x, y)等。
- 保存图像到文件:plt.savefig('file_name.png', dpi=300, bbox_inches='tight')
- dpi定义每英寸的像素点数。
- bbox_inches选项用于选择“紧凑”(tight)或“松散”(loose)布局
- 其它常用:
- plt.grid(True) 添加网格
- plt.legend() 添加图例
- plt.xticks() 设置x轴刻度的位置
- plt.yticks() 设置y轴刻度的位置
- plt.xlim() 设置x轴坐标范围
- plt.ylim() 设置y轴坐标范围
- plt.subplots_adjust() 调整子图之间的间距和边距。
- 以下是更多的Matplotlib语法和细节:
- 三维绘图: Matplotlib中还有许多用于创建3D图形的功能,其中最常见的是使用mplot3d工具包。导入的包名仍然是“mpl_toolkits.mplot3d”,并且可以在plt.subplots()函数中指定一个projection="3d"参数来将轴转换成3D。
- 数据标准化: 在某些情况下,需要将数据规范化或者使其可视化。Matplotlib提供了一些方便快捷的API帮助您完成此项任务。例如,通过诸如plt.hist()或plt.boxplot()之类的函数自动对数据进行标准化处理。
- 支持数学表达式:Matplotlib能够支持Latex编写的数学表达式,只需在文本字符串前加一个“$”即可。
- 将图表嵌入到GUI应用程序:将Matplotlib图表嵌入到Python GUI应用程序中是一种常见的用例。这可以通过在PyQt、Tkinter以及wxPython等GUI工具包中内置Matplotlib交互式API来实现。
- 制定绘图风格:除了上面列出的样式选项之外,Matplotlib还提供了许多其他可调整的属性,例如背景颜色、网格线条宽度和填充等。可以通过定义matplotlibrc文件或动态配置选项来指定自定义样式。也可以在Python脚本中针对特定的图形组件直接访问这些属性并进行设置或更改。
- 子图上的多行文本: 有时需要添加多行注释或标注,Matplotlib可以支持在子图上使用text()函数实现类似注释的目的。
讲解
绘制折线图
import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [10, 8, 6, 4, 2] plt.plot(x, y) # 在坐标轴上绘制线条 plt.xlabel('X Label') # 添加x轴标签 plt.ylabel('Y Label') # 添加y轴标签 plt.title('Line Chart Example') # 添加标题 plt.show() # 显示图形
这个示例演示了如何使用Matplotlib绘制一个折线图。列表x和y分别包含水平和垂直坐标数据,并使用plt.plot()函数连接它们以绘制线条。添加标题、坐标轴标签和刻度标签可以提高图表可阅读性。
绘制柱状图
import matplotlib.pyplot as plt #导入Matplotlib模块 x = ['A', 'B', 'C', 'D', 'E'] #定义横轴刻度标签 y = [10, 8, 6, 4, 2] #定义纵轴数据值 plt.bar(x, y, width=0.5, align='center', color=['red', 'blue', 'green', 'purple', 'orange']) #调用bar()函数创建柱状图,并指定参数 # 参数width为柱宽,默认为0.8;参数align为柱在标记上的对齐方式,默认为'edge' # 在本例中,设置了柱的宽为0.5并居中对齐,同时也指定了每个条形的颜色。 plt.xlabel('Categories') #添加x轴标题 plt.ylabel('Values') #添加y轴标题 plt.title('Bar Chart Example') #设置图表标题 plt.show() #显示图表
这个示例演示了如何绘制一个垂直柱状图。x包含水平标签(类别),而y则包含垂直值。plt.bar()函数用于绘制它们,并提供了许多样式选项,如’width’、'align’和 ‘color’。
绘制散点图
import matplotlib.pyplot as plt #导入Matplotlib模块 x = [1, 2, 3, 4, 5] #定义x轴数据 y = [10, 8, 6, 4, 2] #定义y轴数据 colors = ['red', 'green', 'yellow', 'blue', 'purple'] #定义散点的颜色列表 plt.scatter(x, y, s=100, c=colors, marker='o', alpha=0.5) #调用scatter()函数创建散点图,并指定参数 # 参数s为散点的大小,默认为20;参数c为每个点的颜色;参数marker指定每个点形状(在此为圆);alpha参数设置点的透明度。 plt.xlabel('X Label') #添加x轴标签 plt.ylabel('Y Label') #添加y轴标签 plt.title('Scatter Plot Example') #添加标题 plt.show() #显示图表
这个示例演示了如何绘制一个简单的散点图。列表x和y包含水平和垂直坐标数据,而colors列表则定义了用于每个数据点的颜色。使用plt.scatter()函数确定样式参数(如点的大小和形状),以及通过alpha参数调整点的透明度。
绘制饼图
import matplotlib.pyplot as plt #导入Matplotlib模块 labels = ['A', 'B', 'C', 'D'] #定义标签labels data = [30, 20, 10, 40] #定义数据 colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99'] #定义饼图显示区域颜色 plt.pie(data, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90) #调用pie()函数创建饼图,并指定参数 # 参数labels为饼图中各部分的标签;参数colors给出了用于稳定饼图底色的四种颜色. # 自动百分比句型说明每个区域占用的百分比;startangle指定旋转图表的起始角度。 plt.title('Pie Chart Example') #设置图表标题 plt.show() #显示图表
这个示例演示了如何绘制一个简单的饼图。plt.pie()函数用于绘制它,参数中包含数据列表’数据’和自动标签生成器’labels’。 还说明了其他一些如颜色(‘colors’)、筏车(‘startangle’)和值显示格式(‘autopct’)等选项。
绘制热力图
import numpy as np import matplotlib.pyplot as plt data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) #用numpy模块创建一个3x3的矩阵并赋值 heatmap = plt.pcolor(data, cmap=plt.cm.Blues) #调用pcolor()方法为数据生成颜色热图,并传入自定义配色和颜色比例尺。 plt.colorbar() #调用colorbar()方法给图表添加颜色条。 plt.xticks(np.arange(0.5, len(['A', 'B', 'C']) + 0.5), ['A', 'B', 'C']) #设定x轴刻度、标签和范围 plt.yticks(np.arange(0.5, len(['D', 'E', 'F']) + 0.5), ['D', 'E', 'F']) #设定y轴刻度、标签和范围 plt.title('Heatmap Example') #设置图表标题 plt.show() #显示图表
这个示例演示了如何绘制一个热力图。二维NumPy数组data存储数据,而’plt.pcolor()'函数用于创建矩阵颜色图。通过添加xticks()和yticks()函数、并使用值范围(0.5- len + 0.5)调整刻度的位置。在此之上还展示了如何添加图例标签(使用plt.colorbar()函数来调用详细颜色条)。
绘制3D图形
import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt # 定义一个新的3D坐标系 fig = plt.figure() #生成一张新的图片 ax = fig.add_subplot(111, projection='3d') #在其中增加一个子图,projection='3d'参数告诉Matplotlib要创建3D图像 # 生成X、Y的等间隔数字,并根据它们的组合生成Z x = np.linspace(-1, 1, 100) # 生成等间隔数字-1到1,共100个数值 y = np.linspace(-1, 1, 100) # 同理 X, Y = np.meshgrid(x, y) # 根据输入的两个分别一维的函数向量创建相应的二维矩阵用于3D图像的表面绘制 Z = np.sin(np.sqrt(X**2 + Y**2)) # 根据X和Y数组生成Z数组 # 在3D坐标系中绘制3D曲面 ax.plot_surface(X, Y, Z, cmap=plt.cm.Blues) #调用plot_surface()方法和传入自定义配色,生成曲面图效果。 ax.set_xlabel('X Label') #设置x轴标签 ax.set_ylabel('Y Label') #设置y轴标签 ax.set_zlabel('Z Label') #设置z轴标签 plt.title('3D Plot Example') #设置图表标题 plt.show() #显示图表
这个示例演示了如何创建简单的三维坐标系。第一个代码块定义了一个基础的3D坐标轴对象,然后根据linspace()函数的参数定义图形数据。使用’np.meshgrid()'生成相应的网格,并在采用sin()函数计算定义的图形Z值,最后绘制三维曲面并为其添加轴标签。
带注释的折线图
import matplotlib.pyplot as plt #导入Matplotlib模块 x = [1, 2, 3, 4, 5] #定义x轴数据 y = [10, 8, 6, 4, 2] #定义y轴数据 plt.plot(x, y) #用plot()函数绘制折线图 plt.xlabel('X Label') #设置x轴标签 plt.ylabel('Y Label') #设置y轴标签 plt.title('Line Chart with Annotations') #设置标题 # 打开交互模式并添加文本注释 plt.ion() #打开交互模式 plt.annotate('Low point', xy=(4, 2), xytext=(3.5, 8), arrowprops=dict(facecolor='black', shrink=0.05)) # 在指定点(4, 2)处增加一条注释线,并给该行添加一个说明小箭头。 plt.annotate('Interesting Point', xy=(3, 6), xytext=(1.5, 9), arrowprops=dict(facecolor='red', shrink=0.05)) # 让注释点稍微偏离目标点坐标(3, 6),同时以红色为基调。 plt.show() #展示图表结果
在这个示例中,除了在上一个示例中所看到的基础功能之外,这里展示了如何通过在图形上添加注释来增强Matplotlib图表。函数’anotate()用于往图表上添加箭头和注释文字(在此示例中,我们可在关键点进行注释)。 ion()`函数打开交互模式以允许实时进行比较底部和有趣的点的选取过程。
绘制多个子图
import numpy as np import matplotlib.pyplot as plt # 生成一些示例数据 x = np.linspace(0, 10, 100) #创建线性空间数组,并精准地定义起始点、结束点和数量。 y1 = np.sin(x) #根据 x 数组生成 y1 数据 y2 = np.cos(x) #根据 x 数组生成 y2 数据 # 创建网格并放置两个子图 fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True) # 调用subplots()方法,创建两行一列的子图网格。sharex=True表示共享横坐标。 # 在第一个子图中绘制sin函数 ax1.plot(x, y1, 'r-', linewidth=2) #调用plot()函数,在第一个子图中绘制sin函数,使用以红色为基调的单匹配线条。 ax1.set_ylabel('Sin') #设置y轴标签 # 在第二个子图中绘制cos函数 ax2.plot(x, y2, 'g-', linewidth=2) #调用plot()函数,在第二个子图中绘制cos函数,用以绿色为基调的单匹配线条。 ax2.set_xlabel('Time (s)') #设置x轴标签 ax2.set_ylabel('Cos') #设置y轴标签 # 添加标题 plt.suptitle('Example of Multiple Subplots') #用suptitle()函数为整个图表添加一个标题 plt.show() #显示图表
通过上面定义的subplots()函数和sharex = True 参数,可以创建具有多个子图的Matplotlib图表。
然后简单地在单独的子图中进行x和y轴标签的设置,然后添加一个总标题,以构建命令自己独立的图表。
导出Matplotlib图形
import numpy as np import matplotlib.pyplot as plt # 生成一些示例数据 x = np.linspace(0, 10, 100) #使用numpy模块中的np.linspace()函数生成一系列等间隔样本点 y = np.sin(x) # 创建新的图形并绘制sin函数 fig = plt.figure() #创建一个新的图形 plt.plot(x, y, 'r-', linewidth=2) #用plot()函数在该图形上绘制以红色为基调的折线状图表 plt.xlabel('Time (s)') #设置x轴标签 plt.ylabel('Amplitude') #设置y轴标签 plt.title('Example of a Matplotlib Figure') #设置标题 # 将图表保存成PDF文件 plt.savefig('example.pdf') #使用savefig()函数将该图形以pdf格式保存 plt.show() #展示图表结果
在多数情况下,如果要将Matplotlib图表嵌入到GUI应用程序中,则无需导出它至外部的文件。但是,将图表作为图像文件或数据可视化存储在挂网站上等情况,在确保输出效果如预期时,可能会需要输出图形。savefig() 函数直接调用图表实例,并传入目标格式的文件名,在本例中,就是PDF文件格式。
这些示例演示了Matplotlib的核心API语法和基础功能配置项,足以使您能够开始从零构建一张完美呈现化的图表。当然,Matplotlib提供更高级的功能和选项,需要仔细理解文档,针对开发任务切换您所需要的关键字参数并进行进一步探索。