Matplotlib的详细使用及原理(三)

简介: 这篇文章介绍了如何使用Python的Matplotlib库绘制线条。主要内容包括两种绘制线条的方法:

Matplotlib的详细使用及原理(二)+https://developer.aliyun.com/article/1543861?spm=a2c6h.13148508.setting.16.1fa24f0eFbYRn7

如何绘制lines

绘制直线line 常用的方法有两种


  • pyplot方法绘制


  • Line2D对象绘制


  1. pyplot方法绘制


import matplotlib.pyplot as plt
x = range(0,5)
y = [2,5,7,8,10]
plt.plot(x,y)


[]



import matplotlib.pyplot as plt
 
fig, axs = plt.subplots(2, 2)  # 创建一个2x2的子图矩阵
axs[0, 0].plot([0, 1], [0, 1])  # 在第一个子图中绘制一条线
plt.show()




  2.Line2D对象绘制


import matplotlib.pyplot as plt
from matplotlib.lines import Line2D      
 
fig = plt.figure()
ax = fig.add_subplot(111)
# 在图形对象上添加一个子图,并将其赋值给变量ax。add_subplot()函数接受一个参数,表示子图的位置。# # 在这里,参数111表示将子图放置在图形对象的中心位置。
line = Line2D(x, y)
ax.add_line(line)
ax.set_xlim(min(x), max(x))
ax.set_ylim(min(y), max(y))
 
plt.show()




pyplot.figure().add_subplot 是 Matplotlib 库中的一个方法,用于在图形中添加子图。这个方法通常与 pyplot.figure() 一起使用,以创建一个新的图形对象并添加子图。


此外还可以绘制误差折线图等各种图形。


collections


collections类是用来绘制一组对象的集合,collections有许多不同的子类,RegularPolyCollection, CircleCollection, 分别对应不同的集合子类型。其中比较常用的就是散点图,它是属PathCollection子类,scatter方法提供了该类的封装,根据x与y绘制不同大小颜色标记的散点图,它的构造方法:



Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=, edgecolors=None, , plotnonfinite=False, data=None, *kwargs)


其中最主要的参数是前5个:


  • x:数据点x轴的位置


  • y:数据点y轴的位置


  • s:尺寸大小


  • c:可以是单个颜色格式的字符串,也可以是一系列颜色


  • marker: 标记的类型


scatter绘制散点图


x = [0,2,4,6,8,10] 
y = [10]*len(x) 
s = [20*2**n for n in range(len(x))] 
plt.scatter(x,y,s=s) 
plt.show()




对象容器 - Object container


容器会包含一些primitives,并且容器还有它自身的属性。


比如Axes Artist,它是一种容器,它包含了很多primitives,比如Line2DText


Figure容器


matplotlib.figure.Figure是Artist最顶层的container-对象容器,它包含了图表中的所有元素。一张图表的背景就是在Figure.patch的一个矩形Rectangle。


当我们向图表添加Figure.add_subplot()或者Figure.add_axes()元素时,这些都会被添加到Figure.axes列表中。


fig = plt.figure()
ax1 = fig.add_subplot(211) # 作一幅2*1的图,选择第1个子图
ax2 = fig.add_axes([0.1, 0.1, 0.7, 0.3]) # 位置参数,四个数分别代表了(left,bottom,width,height)
print(ax1) 
print(fig.axes) # fig.axes 中包含了subplot和axes两个实例, 刚刚添加的


fig = plt.figure()
ax1 = fig.add_subplot(211)
 
for ax in fig.axes:
    ax.grid(True)
# 创建网格图


Figure容器的常见属性:


Figure.patch属性:Figure的背景矩形


Figure.axes属性:一个Axes实例的列表(包括Subplot)


Figure.images属性:一个FigureImages patch列表


Figure.lines属性:一个Line2D实例的列表(很少使用)


Figure.legends属性:一个Figure Legend实例列表(不同于Axes.legends)


Figure.texts属性:一个Figure Text实例列表


matplotlib.axes.Axes是matplotlib的核心。大量的用于绘图的Artist存放在它内部,并且它有许多辅助方法来创建和添加Artist给它自己,而且它也有许多赋值方法来访问和修改这些Artist。


Axes容器


Figure容器类似,Axes包含了一个patch属性,对于笛卡尔坐标系而言,它是一个Rectangle;对于极坐标而言,它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。


import numpy as np
import matplotlib.pyplot as plt
import matplotlib
 
fig = plt.figure()
ax = fig.add_subplot(111)
rect = ax.patch  # axes的patch是一个Rectangle实例
rect.set_facecolor('green')



Axes容器的常见属性有:


artists: Artist实例列表 patch: Axes所在的矩形实例 collections: Collection实例 images: Axes图像

legends: Legend 实例 lines: Line2D 实例 patches: Patch 实例 texts: Text 实例 xaxis:

matplotlib.axis.XAxis 实例 yaxis: matplotlib.axis.YAxis 实例。





相关文章
|
5月前
|
前端开发 数据可视化 API
Matplotlib的详细使用及原理(一)
`matplotlib`是Python的数据可视化库,用于生成高质量的2D图形,支持静态、动态和交互式图表。它是pandas和seaborn等库的底层基础。基本绘图通过`pyplot.subplots`创建figure和axes,然后用`plot`函数绘制线条。例如,`plt.plot([1, 2, 3, 4], [1, 4, 2, 3])`可绘制简单折线图。matplotlib有三种API层次,包括FigureCanvas、Renderer和Artist,其中Artist对应具体的图形元素。此外,matplotlib的绘图接口分为显式创建和pyplot隐式创建两种方式。
|
5月前
|
开发者 Python 容器
Matplotlib的详细使用及原理(二)
Matplotlib是一个Python库,用于创建二维和三维图表,它是NumPy的扩展。使用时,首先创建`Figure`实例,然后在其上添加`Axes`或`Subplot`。每个图表元素(如线、散点、直方图)都是一个`Artist`对象,具有属性如`alpha`、`visible`等,可以通过`get_`和`set_`方法进行访问和修改。`Figure`和`Axes`对象都有对应的`patch`属性,分别代表它们的背景矩形。图形中的线条(`Line2D`)是基本要素之一,可配置颜色、线型、宽度等属性。
matplotlib绘图的核心原理讲解(超详细)(二)
matplotlib绘图的核心原理讲解(超详细)(二)
matplotlib绘图的核心原理讲解(超详细)(二)
matplotlib绘图的核心原理讲解(超详细)(一)
matplotlib绘图的核心原理讲解(超详细)(一)
matplotlib绘图的核心原理讲解(超详细)(一)
|
2月前
|
Python
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
|
2月前
|
数据可视化 数据挖掘 Linux
震撼发布!Python数据分析师必学,Matplotlib与Seaborn数据可视化实战全攻略!
在数据科学领域,数据可视化是连接数据与洞察的桥梁,能让复杂的关系变得直观。本文通过实战案例,介绍Python数据分析师必备的Matplotlib与Seaborn两大可视化工具。首先,通过Matplotlib绘制基本折线图;接着,使用Seaborn绘制统计分布图;最后,结合两者在同一图表中展示数据分布与趋势,帮助你提升数据可视化技能,更好地讲述数据故事。
46 1
|
2月前
|
存储 数据可视化 数据挖掘
揭秘!Matplotlib与Seaborn联手,如何让Python数据分析结果一目了然,惊艳全场?
在数据驱动时代,高效直观地展示分析结果至关重要。Python中的Matplotlib与Seaborn是两大可视化工具,结合使用可生成美观且具洞察力的图表。本文通过分析某电商平台的商品销量数据集,展示了如何利用这两个库揭示商品类别与月份间的销售关系及价格对销量的影响。首先使用Matplotlib绘制月份销量分布直方图,再借助Seaborn的箱线图进一步探索不同类别和价格区间下的销量稳定性。
62 10
|
2月前
|
数据可视化 Python
Python中的数据可视化:使用Matplotlib绘制图表
【9月更文挑战第11天】在这篇文章中,我们将探索如何使用Python的Matplotlib库来创建各种数据可视化。我们将从基本的折线图开始,然后逐步介绍如何添加更多的功能和样式,以使您的图表更具吸引力和信息量。无论您是数据科学家、分析师还是任何需要将数据转化为视觉形式的专业人士,这篇文章都将为您提供一个坚实的起点。让我们一起潜入数据的海洋,用视觉的力量揭示其背后的故事。
52 16
|
2月前
|
数据可视化 数据挖掘 API
使用Python进行数据可视化:探索Matplotlib和Seaborn库
【9月更文挑战第19天】在数据科学领域,将复杂的数据集转换成直观、易懂的图形是一项基本而关键的技能。本文旨在通过Python编程语言介绍两个强大的数据可视化库——Matplotlib和Seaborn,以及它们如何帮助数据分析师和研究人员揭示数据背后的故事。我们将从基础概念讲起,逐步深入到高级技巧,确保无论读者的背景如何,都能获得必要的知识和启发,以在自己的项目中实现有效的数据可视化。
|
2月前
|
机器学习/深度学习 数据采集 监控
Pandas与Matplotlib:Python中的动态数据可视化
Pandas与Matplotlib:Python中的动态数据可视化