Python matplotlib 多重图

简介: Python matplotlib 多重图

f91cd50c02c44e048d9bf04ea16c5627.png

关于上面这张图的效果,请移步:python seaborn

from matplotlib import pyplot as plt 
plt.style.use('fivethirtyeight')
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
plt.text(0.5,0.5,'Figure',ha='center',va='center',size=20,alpha=0.5)
# 注:这里的0.5代表x,y轴上面特定的点坐标,ha和va则代表水平和垂直,ha和va可以确保数据绝对居中
plt.show()
xax=ax.xaxis
yax=ax.yaxis

41e99a9a78914ab48af361945d22492b.png

ef9c319601e146b1af15fa9c8253d533.png


Python中插入图片



在相应的目录下面放上文件:

import numpy as np
from PIL import Image
plt.figure()
plt.xticks([]),plt.yticks([])
im=np.array(Image.open('M.jpg'))
plt.imshow(im)
plt.show()

7fd0cf95463b479ca4aca17f8a341acc.png



绘制子图



plt.figure()
plt.plot([0,1],[0,1])
plt.show()

a4ef6cb4ba4c45e7b7f5f34175a89b18.png


绘制1*2的子图


绘制1*2的子图,类似于列向量:

# 1*2 子图
plt.subplot(2,1,1)
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'subplot(2,1,1)',ha='center',va='center',size=20,alpha=0.5)
plt.subplot(2,1,2)
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'subplot(2,1,2)',ha='center',va='center',size=20,alpha=0.5)
plt.show()

f2640dba1dc442fcb84e099534592002.png

plt.subplot(1,2,1)
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'subplot(2,1,1)',ha='center',va='center',size=20,alpha=0.5)
plt.subplot(1,2,2)
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'subplot(2,1,2)',ha='center',va='center',size=20,alpha=0.5)
plt.show()

df7ca3a7395d46e1b7cc5db072f0862b.png

绘制2*2的子图

## 2*2子图
plt.style.use('seaborn')
fig,axes=plt.subplots(nrows=2,ncols=2)
for i,ax in enumerate(axes.flat):
    print(i)
    print(ax)
plt.show()

ff988fcc18a44b578fa5d8ac625e29b4.png

plt.style.use('seaborn')
fig,axes=plt.subplots(nrows=2,ncols=2)
for i,ax in enumerate(axes.flat):
    ax.set(xticks=[],yticks=[])
    s='subplot(2,2)'+str(i)+')'
    ax.text(0.5,0.5,s,ha='center',va='center',size=20,alpha=0.5)
plt.show()

d019c778a4174fa388a245c94a659353.png

绘制不规则子图


不规则的子图绘制:

## 不规则的子图绘制
import matplotlib.gridspec as gridspec
G=gridspec.GridSpec(3,3)
ax1=plt.subplot(G[0,:])
plt.show()

a3e2756fb8014516bb0c94de553fd82b.png

##  不规则的子图绘制
import matplotlib.gridspec as gridspec
G=gridspec.GridSpec(3,3)
ax1=plt.subplot(G[0,:])
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'Axes 1',ha='center',va='center',size=20,alpha=0.5)
ax2=plt.subplot(G[1,:-1])
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'Axes 2',ha='center',va='center',size=20,alpha=0.5)
ax3=plt.subplot(G[1:,-1])
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'Axes 3',ha='center',va='center',size=20,alpha=0.5)
ax4=plt.subplot(G[-1,0]) # 表示倒数第一行和第一列
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'Axes 4',ha='center',va='center',size=20,alpha=0.5)
ax5=plt.subplot(G[-1,1]) # 表示倒数第一行和第二列
plt.xticks([]),plt.yticks([])
plt.text(0.5,0.5,'Axes 5',ha='center',va='center',size=20,alpha=0.5)
plt.show()

f96beb84dbdd4269b9400a9b3d2bfab1.png

绘制图中代码

fig,ax=plt.subplots() # 同时生成图和坐标系
ax.set(xticks=[],yticks=[])
s='Style 1\n\nfig,ax=plt.subplots()\nax.plot()'
ax.text(0.5,0.5,s,ha='center',va='center',size=20,alpha=0.5)

9a32b1af57d04651bd9b4d03934a069d.png

fig=plt.figure()  # 先生成图再生成坐标系
ax=fig.add_subplot(1,1,1)
ax.set(xticks=[],yticks=[])
s='Style 2\n\nfig,ax=plt.subplots()\nax.plot()'
ax.text(0.5,0.5,s,ha='center',va='center',size=20,alpha=0.5)

96af56e3dc6841e8a673453abd8a329b.png

相关文章
|
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。
49 1
|
3天前
|
移动开发 数据可视化 数据挖掘
利用Python实现数据可视化:以Matplotlib和Seaborn为例
【10月更文挑战第37天】本文旨在引导读者理解并掌握使用Python进行数据可视化的基本方法。通过深入浅出的介绍,我们将探索如何使用两个流行的库——Matplotlib和Seaborn,来创建引人入胜的图表。文章将通过具体示例展示如何从简单的图表开始,逐步过渡到更复杂的可视化技术,帮助初学者构建起强大的数据呈现能力。
|
11天前
|
数据可视化 JavaScript 前端开发
Python中交互式Matplotlib图表
【10月更文挑战第20天】Matplotlib 是 Python 中最常用的绘图库之一,但默认生成的图表是静态的。通过结合 mpld3 库,可以轻松创建交互式图表,提升数据可视化效果。本文介绍了如何使用 mpld3 在 Python 中创建交互式散点图、折线图和直方图,并提供了详细的代码示例和安装方法。通过添加插件,可以实现缩放、平移和鼠标悬停显示数据标签等交互功能。希望本文能帮助读者掌握这一强大工具。
35 5
|
15天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
35 5
|
2月前
|
机器学习/深度学习 搜索推荐 数据可视化
Python量化炒股常用的Matplotlib包
Python量化炒股常用的Matplotlib包
|
1月前
|
数据可视化 数据挖掘 API
Python中的数据可视化利器:Matplotlib与Seaborn对比解析
在Python数据科学领域,数据可视化是一个重要环节。它不仅帮助我们理解数据,更能够让我们洞察数据背后的故事。本文将深入探讨两种广泛使用的数据可视化库——Matplotlib与Seaborn,通过对比它们的特点、优劣势以及适用场景,为读者提供一个清晰的选择指南。无论是初学者还是有经验的开发者,都能从中找到有价值的信息,提升自己的数据可视化技能。
78 3
|
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。
63 10
|
28天前
|
数据可视化 定位技术 Python
Python数据可视化--Matplotlib--入门
Python数据可视化--Matplotlib--入门
22 0
|
2月前
|
数据可视化 数据挖掘 开发者
数据可视化新纪元!Python + Matplotlib + Seaborn,让你的数据故事生动起来!
在这个数据可视化的新纪元,让我们充分发挥 Python 的优势,用精彩的图表讲述数据背后的故事,为决策提供有力的支持,为交流带来清晰的视角。
31 4