用 Matplotlib 实现数据可视化首推

-2PI 和 2PI 相互间等弧度转换成 1000 个取值，也就是 X 经度X = np.linspace(-2*np.pi, 2*np.pi, 1000)# 数值 y 经度y = np.sin(X)# 向原理中都 人口为120人*args人口为120人 回传 X，y 经度plt.plot(X, y)

正弦曲线就所画出来了。但取值得注意的是，pyplot.plot在这里所画的正弦曲线，实质上不是完全符合意义上的曲线上图，而在两点相互间依旧是中点。

这里样子像曲线是因为样本点彼此相互间挨得很近。

柱形上图matplotlib.pyplot.bar(*args, **kwargs)大家不应都极其明了了

这里，我们单独用下面的PDF，大部份把plt.plot(X, y)改成plt.bar(X, y)试一下

plt.bar([1,2,3],[1,2,3])

散点上图matplotlib.pyplot.scatter(*args, **kwargs)就是描绘出在二维平面的一些点，这种上图片的需求也是极其少用的

比如，我们通过 GPS 挖掘出的数据库点，它会都有经度以及纬度两个取值，这样的情况就可以所画成散点上图

# X,y 的经度均有 numpy 在 0 到 1 中都随机转换成 1000 个取值X = np.random.ranf(1000)y = np.random.ranf(1000)# 向原理中都 人口为120人*args人口为120人 回传 X，y 经度plt.scatter(X, y)

饼状上图matplotlib.pyplot.pie(*args, **kwargs)在有限沙罗以比率描绘出时特别有用，你可以很清晰地看出来各类别相互间的大小不一关系，以及各类别占多数总体的百分比。

plt.pie([1, 2, 3, 4, 5])

单位向量上图matplotlib.pyplot.quiver(*args, **kwargs)就是由向量都由的上图片，在地质学等方面被广泛应用

从上图片的角度来看，单位向量上图就是带方向的对角小写字母

X, y = np.mgrid[0:10, 0:10]plt.quiver(X, y) 上上图上图

中都学努力学习地理分布的时候，我们就告诉他上上图了

上上图上图matplotlib.pyplot.contourf(*args, **kwargs)是工程领域经常接触的一类上图，它的所画流程稍微复杂一些

# 转换成八面体矩阵x = np.linspace(-5, 5, 500)y = np.linspace(-5, 5, 500)X, Y = np.meshgrid(x, y)# 上上图数学公式Z = (1 - X / 2 + X ** 3 + Y ** 4) * np.exp(-X ** 2 - Y ** 2)plt.contourf(X, Y, Z) 上二维图外观设计

下面，我们所画了简便的为基础上二维图，但这些上二维图都不美观

我们从未告诉他了，卵形上图通过matplotlib.pyplot.plot(*args, **kwargs)原理描素描出

其中都，args均是由数据库回传，而kwargs的部份就是可用新设外观设计模板了。

二维卵形上图 都有的模板 将近 40 余项，其中都常用的也有 10 余项，选取一些比较有均是由性的模板列举如下：

模板

意思

alpha=

新设锥形的竞争性，从 0.0 到 1.0

color=

新设锥形的橙色

fillstyle=

新设锥形的装入外观设计

linestyle=

新设锥形的外观设计

linewidth=

新设锥形的厚度

marker=

新设标有点的外观设计

……

……

至于每一项模板都有的新设选项，大家并不需要通过 正式PDF 详实明了

示例，我们再一所画一个三角函数上二维图

# 在 -2PI 和 2PI 相互间等弧度转换成 1000 个取值，也就是 X 经度X = np.linspace(-2 * np.pi, 2 * np.pi, 1000)# 数值 sin() 对应的纵经度y1 = np.sin(X)# 数值 cos() 对应的纵经度y2 = np.cos(X)# 向原理中都 人口为120人*args人口为120人 回传 X，y 经度plt.plot(X, y1, color='r', linestyle='---', linewidth=2, alpha=0.8)plt.plot(X, y2, color='b', linestyle='-', linewidth=2)

散点上图也是近似于的，它们的很多外观设计模板都是有所区别，并不需要大家书本 正式PDF 详实明了。

模板

意思

s=

散点大小不一

c=

散点橙色

marker=

散点外观设计

cmap=

定义多类别散点的橙色

alpha=

点的竞争性

edgecolors=

散点内侧橙色

# 转换成随机数据库x = np.random.rand(1000)y = np.random.rand(1000)colors = np.random.rand(1000)size = np.random.normal(50, 60, 1000)# 所画散点上图plt.scatter(x, y, s=size, c=colors)

饼状上图通过matplotlib.pyplot.pie()描素描出

我们也可以全面新设它的橙色、附加、黑暗等各类外观设计

# 各类别附加label = 'a','b','c','d' # 各类别橙色color = 'r', 'g', 'r', 'g'# 各类别占多数比size = [1, 2, 3, 4] # 各类别的反向半径explode = (0, 0, 0, 0, 0.2) # 所画饼状上图plt.pie(size, colors=color, explode=explode, labels=label, shadow=True, autopct='%1.1f%%')# 饼状上图呈正圆plt.axis('equal') 一组上二维图外观设计

下面科学实验了单个简便上图片的所画

实质上，我们一般来说会相遇将几种多种类型的一样的上图放在一张上图内推断，也就是一组上图的所画。

却是很简便，你只并不需要将所需上二维图的PDF放置在独自就可以了，比如所画一张都有柱形上图和折线上图的一组上图。

x = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]plt.bar(x, y_bar)plt.plot(x, y_line, '-o', color='y') 上二维图后方figure取向

在上二维图的所画流程中都，你有可能并不需要相应上二维图的后方，或者把整张除此以外的上二维图拼接在独自

此时，我们就并不需要加进plt.figure上二维图取向了

# 转换成数据库x = np.linspace(0, 10, 20)y = x * x + 2# 新建上二维图取向fig = plt.figure()# 控制素描的右边, 下, 厚度, 整体axes = fig.add_axes([0.5, 0.5, 0.8, 0.8])axes.plot(x, y, 'r')

下面的制上图PDF中都，你有可能会对figure 和 axes归因于无论如何

Matplotlib 的 API 设计的极其符合绝非，在这里，figure相当于版画用的画板，而axes则相当于铺地在画板上的素描

我们将上图片所画在素描上，于是就有了plot ， set_xlabel等操作。

借助于上二维图取向，我们可以做到大上图套小上图的视觉效果

# 新建画板fig = plt.figure()# 大素描axes1 = fig.add_axes([0.1,0.1,0.8,0.8])# 小素描axes2 = fig.add_axes([0.2,0.5,0.4,0.3])# 大素描axes1.plot(x,y,'r')# 小素描axes2.plot(x,y,'g')

下面的制上图PDF中都，适用了add_axes()原理向我们新设的画板figure中都移除素描axes

subplots取向

在 Matplotlib 中都，还有一种移除素描的方式也，那就是plt.subplots()，它和axes都就是指素描

flg,axes = plt.subplots()axes.plot(x,y,'r')

借助于plt.subplots()，我们就可以做到子上图的所画，也就是将多张上图按一定顺序拼接在独自

# 子上图为 1 行，2 列flg,axes = plt.subplots(nrows=1,ncols=2)for ax in axes: ax.plot(x,y,'r')

或者:

x = [1,2,3]y = [1,2,3]flg,axes = plt.subplots(nrows=1,ncols=2)axes[0].plot(x,y,'r')axes[1].plot(x[::-1],y,'r')

通过新设plt.subplots的模板，可以做到缓冲素描外观上和推断精度

fig, axes = plt.subplots( # 通过 figsize 缓冲外观上, dpi 缓冲推断精度 figsize=(16, 9), dpi=50 ) axes.plot(x, y, 'r') 约束制上图原理

首先，任何上二维图的所画，都建言通过plt.figure()或者plt.subplots()管理制度一个完整的上二维图取向

而不是简便适用一条语义，例如plt.plot(...)来制上图

管理制度一个完整的上二维图取向，有很多好处, 在上二维图的为基础上，给中期移除上MLT-，上二维图外观设计，标示等重置了很小的空间, 除此之外PDF样子也更加约束，易用性更强.

接下来，我们就通过一个大事例来科学实验约束的制上图原理.

移除上图标题/上MLT-

所画都有上图标题、圆心标题以及上MLT-的上二维图，比如说如下：

fig, axes = plt.subplots()# 横轴英文名称axes.set_xlabel('x label') axes.set_ylabel('y label')# 上二维图英文名称axes.set_title('title') axes.plot(x, x**2)axes.plot(x, x**3)# 上MLT-axes.legend(["y = x**2", "y = x**3"], loc=0)

上MLT-中都的loc模板标有上MLT-后方，1，2，3，4依序是均是由：右上角、右上角、右边下角，右上角；0均是由自适应

锥形、橙色、竞争性

在 Matplotlib 中都，你可以新设线的橙色、竞争性等其他属性

fig,axes = plt.subplots()axes.plot(x, x+1, color="red", alpha=0.5)axes.plot(x, x+2, color="#1155dd")axes.plot(x, x+3, color="#15cc55")

而对于锥形而言，除了都只、圆点之外，还有很多丰富的锥形可供选择

fig, ax = plt.subplots(figsize=(12, 6))# 线宽ax.plot(x, x+1, color="blue", linewidth=0.25)ax.plot(x, x+2, color="blue", linewidth=0.50)ax.plot(x, x+3, color="blue", linewidth=1.00)ax.plot(x, x+4, color="blue", linewidth=2.00)# 圆点多种类型ax.plot(x, x+5, color="red", lw=2, linestyle='-')ax.plot(x, x+6, color="red", lw=2, ls='-.')ax.plot(x, x+7, color="red", lw=2, ls=':')# 圆点交错厚度line, = ax.plot(x, x+8, color="black", lw=1.50)line.set_dashes([5, 10, 15, 10])# 小写字母ax.plot(x, x + 9, color="green", lw=2, ls='---', marker='+')ax.plot(x, x+10, color="green", lw=2, ls='---', marker='o')ax.plot(x, x+11, color="green", lw=2, ls='---', marker='s')ax.plot(x, x+12, color="green", lw=2, ls='---', marker='1')# 小写字母大小不一和橙色ax.plot(x, x+13, color="purple", lw=1, ls='-', marker='o', markersize=2)ax.plot(x, x+14, color="purple", lw=1, ls='-', marker='o', markersize=4)ax.plot(x, x+15, color="purple", lw=1, ls='-', marker='o', markersize=8, markerfacecolor="red")ax.plot(x, x+16, color="purple", lw=1, ls='-', marker='s', markersize=8, markerfacecolor="yellow", markeredgewidth=2, markeredgecolor="blue") 素描八面体、圆心区域

有些时候，我们有可能并不需要推断素描八面体或相应圆心区域

新设素描八面体和圆心区域

这里，我们通过指定axes[0]数字，来做到子上图的插件排序

fig, axes = plt.subplots(1, 2, figsize=(10, 5))# 推断八面体axes[0].plot(x, x**2, x, x**3, lw=2)axes[0].grid(True)# 新设圆心区域axes[1].plot(x, x**2, x, x**3)axes[1].set_ylim([0, 60])axes[1].set_xlim([2, 5])

除了折线上图，Matplotlib 还支持者所画散点上图、柱状上图等其他少用上二维图

示例，我们所画由散点上图、梯步上图、条形上图、km上图组成的子上图

n = np.array([0, 1, 2, 3, 4, 5])fig, axes = plt.subplots(1, 4, figsize=(16, 5))axes[0].scatter(x, x + 0.25*np.random.randn(len(x)))axes[0].set_title("scatter")axes[1].step(n, n**2, lw=2)axes[1].set_title("step")axes[2].bar(n, n**2, align="center", width=0.5, alpha=0.5)axes[2].set_title("bar")axes[3].fill_between(x, x**2, x**3, color="green", alpha=0.5)axes[3].set_title("fill_between") 上二维图标示原理

当我们所画一些较为复杂的上图片时，书本取向一般来说很难全面阐释上图片的意思。而此时，上图片标示一般来说会起着画龙点睛的视觉效果

上图片标示，就是在画面上移除书写注释、引导对角、上图框等各类标示元素

Matplotlib 中都，书写标示的原理由matplotlib.pyplot.text()做到

最基本的外观设计为matplotlib.pyplot.text(x, y, s)，其中都 x, y 可用标示后方定位，s 均是由标示的表达式

除此之外，你还可以通过fontsize= , horizontalalignment=等模板相应标示字体的大小不一，对齐外观设计等

示例，我们举一个对柱形上图进行书写标示的下述

fig,axes = plt.subplots()# 柱形上图横经度x_bar = [ 10,20,30,40,50]# 柱形上图纵经度y_bar = [ 0.5,0.6,0.3,0.4,0.8]# 所画柱形上图bars = axes.bar(x_bar,y_bar,color="blue",label=x_bar,width=2)for i,rect in enumerate(bars): # 换取柱形上图纵经度 x_text = rect.get_x() # 换取木柱的整体并上升0.01 y_text = rect.get_height() + 0.01 # 标示书写 plt.text(x_text,y_text,'%.1f' % y_bar[i])

除了书写标示之外，还可以通过matplotlib.pyplot.annotate()原理向上图片中都移除对角等外观设计标示

接下来，我们向下面的事例中都增添悄悄上升对角标有的PDF

for i, rect in enumerate(bars): # 换取柱形上图纵经度 x_text = rect.get_x() # 换取木柱的整体并上升0.01 y_text = rect.get_height() + 0.01 # 标示书写 plt.text(x_text, y_text, '%.1f' % y_bar[i]) # 上升对角标示 plt.annotate( 'Min', xy=(32, 0.3), xytext=(36, 0.3), arrowprops=dict(facecolor='black', width=1, headwidth=7) )

下面的下述中都，xy=()问到标示西端经度，xytext=()问到标示起点经度

在对角所画的流程中都，arrowprops=()可用新设对角外观设计，facecolor=新设橙色，width=新设箭尾厚度，headwidth=新设对角厚度，可以通过arrowstyle=彻底改变对角的外观设计。

原文 _41103843/article/details/122013076

。

武汉治白癜风
北京治白癜风专业医院
天水哪里治白癜风最好
肝癌晚期钇90有意义吗
晚上咳嗽不停有什么办法止咳
钇90微球
嗓子痒止咳最快的方法
中晚期肝癌能活多久