python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > python matplotlib用法详解

python中matplotlib的用法及绘制简单图形详解

作者：WDLOVELONGLONG

这篇文章主要给大家介绍了关于python中matplotlib的用法及绘制简单图形的相关资料,matplotlib是python中用于绘制各种图像的模块,功能十分强大,通常与pandas模块搭配使用,可以生成各种样视的图片,用于数据的分析和展示,需要的朋友可以参考下

一、matplotlib简介

Matplotlib 是 Python 生态系统的一个重要组成部分，是用于可视化的绘图库，它提供了一整套和 matlab 相似的命令 API 和可视化界面，可以生成出版质量级别的精美图形，Matplotlib 使绘图变得非常简单，在易用性和性能间取得了优异的平衡。

安装成功后，即可以在 Python 中像使用其它库一样导入和使用 Matplotlib，而无需更多文件的配置，通常我们将其导入后使用别名 mpl：

import matplotlib as mpl

Matplotlib 的配置更多的用于修改绘制图形的默认样式，Matplotlib 的配置文件中包含了各种默认的图形配置信息，我们可以通过修改这些配置信息修改全局参数进行自定义所绘制图形的样式，这些参数可以改变图形尺寸、配色方案、字体等一系列信息。 可以使用多种方式完成 Matplotlib 的绘图配置，以下介绍三种配置方式通过配置文件进行配置、通过 rcParams['param_name'] 动态配置和通过 matplotlib.rc() 函数配置。

1.1 通过配置文件进行配置

配置文件同样可以分为几个不同的级别，如果我们希望修改所有的图形使用的默认配置，则需要修改全局默认配置；而如果我们需要根据不同任务使用不同的配置，或者不同用户使用不同的配置，则需要修改局部配置文件，以能够在不同的用户和任务中使用不同图形配置。根据配置文件的作用范围，可以分为三个级别：全局配置文件、用户级配置文件和当前任务配置文件。 不同系统三个级别的文件位于不同目录，可以通过使用以下代码，查看配置文件的路径：

import matplotlib as mpl
import os
​
# 全局配置目录
print(mpl.__path__)
# 当前用户配置目录
print(mpl.get_configdir())
# 当前任务配置目录，即当前代码运行目录
print(os.getcwd())

1.2 通过 rcParams[‘param_name’] 配置

如果仅仅想在当前文件中简单修改自定义配置，则可以通过 rcParams['param_name'] 更快速的修改。通过使用以下代码，可以查看能够自定义配置的属性有哪些：

print(mpl.rc_params())
print(mpl.rcParamsDefault)
print(mpl.rcParams)

使用 rcParams['param_name'] 方式修改配置的方式如下，其中 param_name 表示属性名:

示例:

mpl.rcParams['lines.linewidth'] = 2
# 修改线条颜色为红色
mpl.rcParams['lines.color'] = 'r'

在实际应用中，最常用的两种配置包括中文和中文负号的显示，如果不进行配置，默认不支持显示中文与中文负号：

#显示中文
mpl.rcParams['font.sans-serif'] = ['SimHei']
#显示负号
mpl.rcParams['axes.unicode_minus']=False

1.3 通过 matplotlib.rc() 函数配置

同样我们也可以使用 matplotlib.rc() 函数进行配置，使用方法如下：

# 修改线宽
mpl.rc('lines', linewidth=2, color='g')

其中 rc 函数的第一个参数为 group 表示属性所属的组，用于限定属性的作用域，例如在以上示例中线宽 linewidth 属于线 lines 用于限定只在线条中起作用，而对坐标轴等线宽 linewidth 不起作用，如果想要修改包括坐标轴在内的图形线宽 linewidth 则需要使用：

# 修改整个图形线宽
mpl.rc('axes', linewidth=2)

二、matplotlib绘制简单图形

Matplotlib在图(Figure)（例如，窗口，Jupyter小部件等）上绘制数据，图可以包含一个或多个轴域(Axes)。

2.1 利用plt.subplots绘图

Axes是一个可以根据x-y坐标指定点的绘图区域（或极坐标图中的θ-r，3D图中的x-y-z等）。创建带有Axes的图的最简单方法是使用 pyplot.subplots。然后，可以使用Axes.plot在Axes上绘制一些数据：

例如：

x = np.arange(-10,11)
y = x**2 -2*x + 9
fig,ax = plt.subplots() # 创建一个图fig， 默认包含一个axes
ax.plot(x,y) # 绘制x-y的折线图
plt.show()  # 显示绘制的图。请注意，如果使用save保存图片，需要在show前面保存

2.2 图（Figure）的结构

一幅图有下面这些部分：标题(Title)、图例（Legend）、x、y轴标签(xlabel、ylabel)等，示意图如下：

2.2.1 图 Figure

完整的图像。该图跟踪所有子轴域（Axes）---- 一组“特殊”画作（标题，图例，彩条等），甚至嵌套的子图。

创建新图的最简单方法是使用 pyplot：

fig = plt.figure()  # 空图，没有Axes
fig, ax = plt.subplots()  #有1个Axes
fig, axs = plt.subplots(2, 2)  # 有2x2（两行两列） 个Axes

通常，将轴域（Axes）与 Figure 一起创建很方便，也可以在以后手动添加轴域。

2.2.2 轴域 Axes

轴域（Axes）是附加到图（Figure）上，包含用于绘制数据的图形。

通常包括两个轴（Axis）对象。两个轴分别提供刻度（ticks）和标签(tick label)，以便为轴中的数据提供比例。每个轴域还有一个标题（通过 set_title（））设置）、一个 x 标签（通过 set_xlabel（）） 设置）和一个y 标签（通过 set_ylabel（）） 设置）。

Axes 类及其成员函数是使用 OOP 接口的主要入口点，并且在其上定义了大多数绘图方法ax.plot()

2.2.3 轴 Axis

轴设置刻度（scale）和限制（limits）并且生成刻度（ticks，轴上的标记）和刻度标签（ticklabels，标记刻度的字符串）ticks位置由定位器（Locator）确定，ticklabel 字符串由格式器（Formatter）设置。正确的定位器（Locator）和格式器（Formatter）的组合可以对刻度位置和标签进行非常精细的控制。

2.2.4 Artist

rtist这里翻译成艺术家或画家。

基本上，图形上可见的所有内容都是艺术家（甚至是图形，轴域和轴对象）。这包括文本、Line2D 、集合、Patch等。渲染图形时，所有艺术家都将被绘制到画布上。大多数艺术家都与轴域关联;这样的艺术家不能由多个轴域共享，也不能从一个轴移动到另一个轴。

2.2.5 绘图函数的输入数据类型

绘图函数接收 numpy.array或numpy.ma.masked_array作为输入，或者是可以被传递给numpy.asarray的数据。pandas数据或numpy.matrix可能不会正常工作。常见的约定是在绘图前将数据转换成numpy.array,示例：

b = np.matrix([[1, 2], [3, 4]])
b_asarray = np.asarray(b) # 使用np.asarray()将其转换成np.array类型

大多数方法还可以解析可寻址对象，如 dict,np.recarray或pandas.DataFrame.

Matplotlib允许使用关键字参数生成图像，传递和x,y相应的字符串：

scatter方法通常是由数据可视化库（如Matplotlib或Seaborn）提供的一个函数，用于绘制散点图：

Matplotlib中scatter方法的参数和用法：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None)

参数解释：

示例：

np.random.seed(19680801)  # 伪随机数
data = {'a': np.arange(50),
        'c': np.random.randint(0, 50, 50),
        'd': np.random.randn(50)}
data['b'] = data['a'] + 10 * np.random.randn(50)
data['d'] = np.abs(data['d']) * 100
​
fig, axes = plt.subplots(2,1) # fig 拥有2行1列个子图，存放在axes数组（np.array类型）中。
print(axes)
ax = axes[0]
​
ax.scatter('a', 'b', c='c', s='d', data=data)
ax.set_xlabel('entry a')
ax.set_ylabel('entry b')
# 轴域2 ，去掉颜色c，形状s参数。
ax2 = axes[1]
ax2.scatter('a', 'b', data=data)
plt.show()

ax.scatter('a', 'b', c='c', s='d', data=data)表示如下：

2.2.6 编码风格 Coding Styles，面向对象（OO）和pyplot函数接口

基本上有两种使用 Matplotlib 的方法：

使用OO样式，觉得OO样式比较好，只需要在轴域（Axes）对象上设置就可以，非常清晰，示例：

plt.subplots() 是Matplotlib库中用于创建子图（subplot）的函数。它可以一次性创建一个包含多个子图的图形，并将这些子图存储在一个NumPy数组（np.array类型）中，使得对多个子图进行管理和操作更加方便。

plt.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)
x = np.linspace(0, 2, 100)  # 产生一些数据
​
# 使用OO风格，先产生两个对象 图和轴域 （fig, ax）
fig, ax = plt.subplots(figsize=(5, 5), layout='constrained')
# 调用ax对象的方法
ax.plot(x, x, label='linear')  # Plot some data on the axes. 绘制线性曲线，并给曲线添加标签'线性'
ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes...绘制二次方曲线，并给曲线添加标签'二次方'
ax.plot(x, x**3, label='cubic')  # ... and some more. 绘制三次方曲线，并给曲线添加标签'三次方'
ax.set_xlabel('x label')  # Add an x-label to the axes.
ax.set_ylabel('y label')  # Add a y-label to the axes.
ax.set_title("Simple Plot")  # Add a title to the axes.  添加轴域对象标题
ax.legend()  # Add a legend. 添加图例，用于显示每条曲线对应的标签
plt.show()

在这段代码中，fig, ax = plt.subplots(figsize=(5, 2.7), layout='constrained') 是用Matplotlib创建图形和子图的语句。让我来解释每个参数的含义：

在Matplotlib中，plt.subplots()函数的layout参数并不存在。plt.subplots()函数的参数中，并没有名为layout的参数。如果要控制子图的布局和排列方式，可以使用plt.subplot()或plt.GridSpec()等其他函数进行更高级的子图定位和布局设置。

使用pyplot函数风格：

x = np.linspace(0, 2, 100)  # 产生一些数据
plt.figure(figsize=(5, 5), layout='constrained')
plt.plot(x, x, label='linear')  # Plot some data on the (implicit) axes.
plt.plot(x, x**2, label='quadratic')  # etc.
plt.plot(x, x**3, label='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("Simple Plot")
plt.legend()
plt.show()

总结

到此这篇关于python中matplotlib的用法及绘制的文章就介绍到这了,更多相关python matplotlib用法详解内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:
阅读全文