【Python篇】matplotlib超详细教程-由入门到精通(下篇)2

简介: 【Python篇】matplotlib超详细教程-由入门到精通(下篇)

【Python篇】matplotlib超详细教程-由入门到精通(下篇)1:https://developer.aliyun.com/article/1617468

7.4 自定义图例 (Legend)

除了基本的图例位置、字体大小和样式的设置,matplotlib 还提供了更多的自定义选项,帮助我们进一步控制图例的外观和表现形式。在数据可视化中,合理的图例能够帮助读者快速理解图表中的信息。

7.4.1 更改图例边框与透明度

我们可以通过 framealpha 设置图例的透明度,通过 edgecolor 设置边框颜色。

示例:修改图例边框颜色与透明度

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]

# 创建图表
plt.plot(x, y1, label='数据 1', color='blue')
plt.plot(x, y2, label='数据 2', color='green')

# 自定义图例的样式
plt.legend(loc='upper left', fontsize=12, frameon=True, edgecolor='red', framealpha=0.5)

# 添加标题
plt.title('自定义图例边框颜色和透明度')

# 显示图表
plt.show()

解释:

  • edgecolor='red':将图例的边框设置为红色。
  • framealpha=0.5:将图例的背景设置为半透明,值越接近 1,透明度越低。

拓展:

  • 通过调节 framealpha,我们可以创建更柔和的图例,避免它遮挡住重要的图表内容。
  • edgecolor 可以帮助图例在复杂的背景图表中显得更加突出或和谐。

7.4.2 使用多个图例

有时候,我们的图表可能需要使用多个图例来区分不同的数据组。为了实现这一点,我们可以在同一张图表中放置多个图例。

示例:多图例展示

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]
y3 = [10, 12, 14, 16, 18]

# 创建图表
line1, = plt.plot(x, y1, label='数据 1', color='blue')
line2, = plt.plot(x, y2, label='数据 2', color='green')

# 为第一个图例自定义样式并放置于图表的左上角
plt.legend(handles=[line1, line2], loc='upper left', title='主要数据')

# 再添加一个数据和图例
line3, = plt.plot(x, y3, label='数据 3', color='red')

# 使用 ax.legend() 来创建第二个图例,并放置于右上角
plt.gca().add_artist(plt.legend(handles=[line1, line2], loc='upper left'))
plt.legend(handles=[line3], loc='upper right', title='附加数据')

# 添加标题
plt.title('多图例展示示例')

# 显示图表
plt.show()

解释:

  • handles:指定要展示的线条对象,用于手动选择显示哪些数据系列。
  • add_artist():将第一个图例添加到当前的轴 (axes) 上,这样第二个图例可以独立添加。

拓展:

  • 多个图例的使用有助于在一张图表中展示大量数据时,避免混淆,保持数据的清晰和可读性。
  • 可以通过 add_artist() 方法将任意自定义的图例或其他元素添加到图表中。

7.4.3 动态更新图例

有时,在动态图表中,数据是动态变化的,图例可能需要根据数据的变化实时更新。我们可以通过动态调整图例的位置、内容和样式,使其与图表内容同步变化。

示例:动态更新图例

import matplotlib.pyplot as plt
import numpy as np
import time

# 初始化图表
plt.ion()  # 开启交互模式
fig, ax = plt.subplots()

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

line, = ax.plot(x, y, label='sin(x)')  # 初始图形及图例

legend = ax.legend(loc='upper right')  # 初始化图例

# 动态更新图表
for i in range(50):
    y = np.sin(x + i / 10.0)
    line.set_ydata(y)  # 更新 Y 轴数据
    ax.set_title(f"当前帧: {i}")  # 更新标题
    legend.set_title(f"帧数 {i}")  # 动态更新图例标题
    fig.canvas.draw()  # 重新绘制图表
    fig.canvas.flush_events()  # 刷新图表显示
    time.sleep(0.1)  # 模拟数据变化的时间间隔

plt.ioff()  # 关闭交互模式
plt.show()  # 显示最终图表

解释:

  • legend.set_title():动态更新图例的标题,随时间变化。
  • 动态图表和图例的更新通过 canvas.draw()flush_events() 来实现。

拓展:

  • 动态图表在展示时间序列数据、监控数据变化时非常有用。通过图例的动态更新,可以使图表更加直观,帮助观众理解图表中的每一帧数据。

7.5 设置图表的标题、轴标签、注释和样式

matplotlib 提供了全面的定制选项来设置图表的标题、坐标轴标签和注释。通过调整字体、颜色、大小等参数,我们可以让图表更加清晰易懂。

示例:自定义图表标题与坐标轴标签样式

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义标题和坐标轴标签的样式
plt.title('自定义标题', fontsize=20, fontweight='bold', color='purple')
plt.xlabel('自定义 X 轴标签', fontsize=14, fontstyle='italic', color='blue')
plt.ylabel('自定义 Y 轴标签', fontsize=14, fontstyle='italic', color='red')

# 显示图表
plt.show()

解释:

  • fontsize:设置字体大小。
  • fontweight:设置字体的粗细(例如 bold 表示加粗)。
  • fontstyle:设置字体样式(例如 italic 表示斜体)。
  • color:设置字体颜色。


拓展:

  • 标题、轴标签和图例的样式定制可以帮助你创建更具个性化的图表,并且可以与企业的品牌风格保持一致。

7.6 多坐标轴图表

在一些数据可视化任务中,我们可能需要在一个图表中显示多种不同类型的数据,而这些数据的数值范围有很大差异。为了让不同数据能够清晰显示,我们可以在图表中使用多坐标轴。

示例:双 Y 轴图表

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]  # 第一组数据
y2 = [100, 200, 300, 400, 500]  # 第二组数据

# 创建图表,绘制第一组数据
fig, ax1 = plt.subplots()

ax1.plot(x, y1, 'b-')  # 蓝色实线表示 y1 数据
ax1.set_xlabel('X 轴')  # 设置 X 轴标签
ax1.set_ylabel('Y1 轴', color='b')  # 设置 Y 轴标签
ax1.tick_params('y', colors='b')  # 设置 Y 轴刻度颜色

# 创建第二个 Y 轴,绘制第二组数据
ax2 = ax1.twinx()
ax2.plot(x, y2, 'r--')  # 红色虚线表示 y2 数据
ax2.set_ylabel('Y2 轴', color='r')  # 设置第二个 Y 轴标签
ax2.tick_params('y', colors='r')  # 设置第二个 Y 轴刻度颜色

# 添加标题
plt.title('双 Y 轴图表示例')

# 显示图表
plt.show()

解释:

  • ax1.twinx():创建一个共享 X 轴但有独立 Y 轴的图表。
  • tick_params('y', colors='b'):设置 Y 轴刻度颜色与线条颜色匹配。

拓展:

  • 这种多坐标轴图表在展示例如温度和湿度、价格和销量等数据时非常有用。通过不同的 Y 轴,我们可以更直观地查看数据变化趋势。


7.7 绘制 3D 图形

matplotlib 也支持 3D 图形的绘制,通过 mpl_toolkits.mplot3d 模块,我们可以轻松创建 3D 折线图、3D 散点图等。

示例:绘制 3D 折线图

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

# 创建 3D 图形对象
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 定义数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
z = np.sin(np.sqrt(x**2 + y**2))

# 绘制 3D 折线图
ax.plot(x, y, z)

# 设置标题和轴标签
ax.set_title('3D 折线图示例')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
ax.set_zlabel('Z 轴')

# 显示图表
plt.show()

解释:

  • projection='3d':指定绘制 3D 图形。
  • ax.plot(x, y, z):在三维坐标系中绘制折线图。
  • set_zlabel():设置 Z 轴标签。

拓展:

  • 3D 图表适用于展示多维度数据。你可以使用 plot_surface() 来绘制 3D 曲面,或者 scatter() 来绘制 3D 散点图。


7.9 创建动画

matplotlibanimation 模块可以用来创建简单的动画,特别是在数据动态变化的场景中,动画能够直观展示数据随时间变化的过程。

示例:创建简单动画

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

# 初始化图表
fig, ax = plt.subplots()
x = np.linspace(0, 2 * np.pi, 100)
line, = ax.plot(x, np.sin(x))

# 动画更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))  # 更新 y 数据
    return line,

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=100, interval=50, blit=True)

# 显示动画
plt.show()

解释:

  • FuncAnimation():创建动画,frames 表示动画的帧数,interval 表示每帧之间的间隔时间。
  • update():动画每一帧的更新函数,用于动态更新图表数据。

以上就是关于【Python篇】matplotlib超详细教程-由入门到精通(下篇)的内容啦,各位大佬有什么问题欢迎在评论区指正,或者私信我也是可以的啦,您的支持是我创作的最大动力!❤️

目录
相关文章
|
25天前
|
测试技术 开发者 Python
Python单元测试入门:3个核心断言方法,帮你快速定位代码bug
本文介绍Python单元测试基础,详解`unittest`框架中的三大核心断言方法:`assertEqual`验证值相等,`assertTrue`和`assertFalse`判断条件真假。通过实例演示其用法,帮助开发者自动化检测代码逻辑,提升测试效率与可靠性。
167 1
|
16天前
|
Cloud Native 算法 API
Python API接口实战指南:从入门到精通
🌟蒋星熠Jaxonic,技术宇宙的星际旅人。深耕API开发,以Python为舟,探索RESTful、GraphQL等接口奥秘。擅长requests、aiohttp实战,专注性能优化与架构设计,用代码连接万物,谱写极客诗篇。
Python API接口实战指南:从入门到精通
|
8天前
|
存储 Java 调度
Python定时任务实战:APScheduler从入门到精通
APScheduler是Python强大的定时任务框架,通过触发器、执行器、任务存储和调度器四大组件,灵活实现各类周期性任务。支持内存、数据库、Redis等持久化存储,适用于Web集成、数据抓取、邮件发送等场景,解决传统sleep循环的诸多缺陷,助力构建稳定可靠的自动化系统。(238字)
127 1
|
1月前
|
调度 数据库 Python
Python异步编程入门:asyncio让并发变得更简单
Python异步编程入门:asyncio让并发变得更简单
122 5
|
1月前
|
数据采集 存储 XML
Python爬虫入门(1)
在互联网时代,数据成为宝贵资源,Python凭借简洁语法和丰富库支持,成为编写网络爬虫的首选。本文介绍Python爬虫基础,涵盖请求发送、内容解析、数据存储等核心环节,并提供环境配置及实战示例,助你快速入门并掌握数据抓取技巧。
|
1月前
|
大数据 数据处理 数据安全/隐私保护
Python3 迭代器与生成器详解:从入门到实践
简介:本文深入解析Python中处理数据序列的利器——迭代器与生成器。通过通俗语言与实战案例,讲解其核心原理、自定义实现及大数据处理中的高效应用。
91 0
|
1月前
|
存储 缓存 安全
Python字典:从入门到精通的实用指南
Python字典如瑞士军刀般强大,以键值对实现高效数据存储与查找,广泛应用于配置管理、缓存、统计等场景。本文详解字典基础、进阶技巧、实战应用与常见陷阱,助你掌握这一核心数据结构,写出更高效、优雅的Python代码。
50 0
|
2月前
|
数据挖掘 数据处理 C++
Python Lambda:从入门到实战的轻量级函数指南
本文通过10个典型场景,详解Python中Lambda匿名函数的用法。Lambda适用于数据处理、排序、条件筛选、事件绑定等简洁逻辑,能提升代码简洁性和开发效率。同时提醒避免在复杂逻辑中过度使用。掌握Lambda,助你写出更高效的Python代码。
139 0
|
2月前
|
数据采集 Web App开发 JSON
Python爬虫基本原理与HTTP协议详解:从入门到实践
本文介绍了Python爬虫的核心知识,涵盖HTTP协议基础、请求与响应流程、常用库(如requests、BeautifulSoup)、反爬应对策略及实战案例(如爬取豆瓣电影Top250),帮助读者系统掌握数据采集技能。
209 0

推荐镜像

更多
下一篇
oss教程