matplotlib绘图可视化知识点整理（一）

参考网址：
http://blog.csdn.net/panda1234lee/article/details/52311593

http://liam0205.me/2014/09/11/matplotlib-tutorial-zh-cn/

http://www.datahub.top/coursedetail/?id=29

http://www.cnblogs.com/vamei/archive/2013/01/30/2879700.html#commentform

官网：http://matplotlib.org/2.0.0/users/pyplot_tutorial.html

matplotlib图标正常显示中文

import matplotlib mpl  mpl.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签  mpl.rcParams['axes.unicode_minus']=False #用来正常显示负号  

matplotlib inline和pylab inline

可以使用ipython –pylab打开ipython命名窗口

matplotlib inline和pylab inline

这两个命令都可以在绘图时，将图片内嵌在交互窗口，而不是弹出一个图片窗口，但是，有一个缺陷：除非将代码一次执行，否则，无法叠加绘图，因为在这两种模式下，是要有plt出现，图片会立马show出来，因此：推荐在ipython notebook时使用，这样就能很方便的一次编辑完代码，绘图。

为项目设置matplotlib参数

在代码执行过程中，有两种方式更改参数：

使用参数字典(rcParams)

调用matplotlib.rc()命令 通过传入关键字元祖，修改参数

如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用matplot.get_config()命令来找到当前用户的配置文件目录。

配置文件包括以下配置项：

axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集（font family）、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条（颜色、线型、宽度等）和标记
patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

统计作图函数举例

• plot() 绘制线性二维图，折线图
• D.plot(kind=’box’): line(线) ,bar(条形图)等
• pie() 饼图
• hist() 二维条形直方图，显示数据的分配情形
• boxplot() 箱形图
• plot(logy=True) 绘制y轴的对数图形
• plot(yerr=error) 绘制误差条形图
-

绘制最基本的图行

%matplotlib inlineimport matplotlib.pyplot as pltplt.plot([1,3,2,4])plt.ylabel('some numbers')plt.show()

在上面的图中，你也许会疑惑为什么y的取值是1-4而x的取值是0-3.如果你向plot()指令提供了一维的数组或列表，那么matplotlib将默认它是一系列的y值，并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度，因此x的数据是[0,1,2,3].

plot()一个通用的命令，可以输入任意多的参数。例如，画y和x的关系，你可以使用如下指令：

plt.plot([1,2,3,4], [1,4,9,16])

对于每对x,y参数，都可以加上一个可选的第三参数，控制画图中的颜色和线型。控制字符的字母与matlab是统一的，并且颜色控制和线型控制可以叠加。默认的控制字符串是’b-‘，是蓝色实线。假如，你想画红色圆点，你可以通过以下指令来实现：

plt.plot([1,2,3,4], [1,4,9,16], 'ro')plt.axis([0, 6, 0, 20])plt.show()

上面例子里的axis()命令给定了坐标范围，格式是[xmin, xmax, ymin, ymax]

实际上，matplotlib不仅可以用于画向量，还可以用于画多维数据数组。下面，我们将演示用一条指令画多条不同格式的线。

import numpy as npimport matplotlib.pyplot as plt# evenly sampled time at 200ms intervalst = np.arange(0., 5., 0.2)# red dashes, blue squares and green trianglesplt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^', linewidth=2.0)plt.show()

上面我们都只画了一条线。这里，我们采用lines = plot(x1,y1,x2,y2)来画两条线。可以使用setp()命令，可以像MATLAB一样设置几条线的性质。 setp可以使用python 关键词，也可用MATLAB格式的字符串。

Line2D的性质包括.

性质 数据类型 alpha float animated [True / False] antialiased or aa [True / False] clip_box a matplotlib.transform.Bbox instance clip_on [True / False] clip_path a Path instance and a Transform instance, a Patch color or c any matplotlib color contains the hit testing function dash_capstyle [‘butt’ / ‘round’ / ‘projecting’] dash_joinstyle [‘miter’ / ‘round’ / ‘bevel’] dashes sequence of on/off ink in points data (np.array xdata, np.array ydata) figure a matplotlib.figure.Figure instance label any string linestyle or ls [ ‘-’ / ‘–’ / ‘-.’ / ‘:’ / ‘steps’ / …] linewidth or lw float value in points lod [True or False] marker [ ‘+’ / ‘,’ / ‘.’ / ‘1’ / ‘2’ / ‘3’ / ‘4’ ] markeredgecolor or mec any matplotlib color markeredgewidth or mew float value in points markerfacecolor or mfc any matplotlib color markersize or ms float markevery [ None / integer / (startind, stride) ] picker used in interactive line selection pickradius the line pick selection radius solid_capstyle [‘butt’ / ‘round’ / ‘projecting’] solid_joinstyle [‘miter’ / ‘round’ / ‘bevel’] transform a matplotlib.transforms.Transform instance visible [True / False] xdata np.array ydata np.array zorder any number

线型：

性质 数据类型 ‘-‘ 实线 ‘–’ 虚线 ‘-.’ 点划线 ‘:’ 点 ‘None’, ”, 不画

线标记

标记 描述 ‘o’ 圆圈 ‘D’ 钻石 ‘h’ 六边形1 ‘H’ 六边形2 ‘x’ X ”, ‘None’ 不画 ‘8’ 八边形 ‘p’ 五角星 ‘,’ 像素点 ‘+’ 加号 ‘.’ 点 ’s’ 正方形 ‘*’ 星型 ‘d’ 窄钻石 ‘v’ 下三角 ‘<’ 左三角 ‘>’ 右三角 ‘^’ 上三角

颜色

颜色 描述 ‘b’ 蓝色 ‘g’ 绿色 ‘r’ 红色 ‘c’ 蓝绿色 ‘m’ 品红 ‘y’ 黄色 ‘k’ 黑色 ‘w’ 白色

修改坐标范围

默认情况下，坐标轴的最小值和最大值与输入数据的最小、最大值一致。也就是说，默认情况下整个图形都能显示在所画图片上
我们可以通过xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围，见下图

%matplotlib inlineimport numpy as npimport matplotlib.pyplot as pltfrom pylab import *x = np.arange(-5.0, 5.0, 0.02)y1 = np.sin(x)plt.figure(1)plt.subplot(211)plt.plot(x, y1)plt.subplot(212)#设置x轴范围plt.xlim(-2.5, 2.5)#设置y轴范围plt.ylim(-1, 1)plt.plot(x, y1)

创建子图

你可以通过plt.figure创建一张新的图，plt.subplot来创建子图。subplot()指令包含numrows(行数), numcols(列数), fignum(图像编号)，其中图像编号的范围是从1到行数 * 列数。在行数 * 列数\<10时，数字间的逗号可以省略。

def f(t):    return np.exp(-t) * np.cos(2*np.pi*t)t1 = np.arange(0.0, 5.0, 0.1)t2 = np.arange(0.0, 5.0, 0.02)plt.figure(1)plt.subplot(211)plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')plt.subplot(212)plt.plot(t2, np.cos(2*np.pi*t2), 'r--')plt.show()

plt.figure(1)                # 第一张图plt.subplot(211)             # 第一张图中的第一张子图plt.plot([1,2,3])plt.subplot(212)             # 第一张图中的第二张子图plt.plot([4,5,6])plt.figure(2)                # 第二张图plt.plot([4,5,6])            # 默认创建子图subplot(111)plt.figure(1)                # 切换到figure 1 ; 子图subplot(212)仍旧是当前图plt.subplot(211)             # 令子图subplot(211)成为figure1的当前图plt.title('Easy as 1,2,3')   # 添加subplot 211 的标题

使用text添加文字

text()可以在图中的任意位置添加文字，并支持LaTex语法
xlable(), ylable()用于添加x轴和y轴标签
title()用于添加图的题目

mu, sigma = 100, 15x = mu + sigma * np.random.randn(10000)# 数据的直方图n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)plt.xlabel('Smarts')plt.ylabel('Probability')#添加标题plt.title('Histogram of IQ')#添加文字plt.text(60, .025, r'$\mu=100,\ \sigma=15$')plt.axis([40, 160, 0, 0.03])plt.grid(True)plt.show()

注释文本

在数据可视化的过程中，图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时，要考虑两个点的坐标：被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。

ax = plt.subplot(111)t = np.arange(0.0, 5.0, 0.01)s = np.cos(2*np.pi*t)line, = plt.plot(t, s, lw=2)plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),            arrowprops=dict(facecolor='black', shrink=0.05),            )plt.ylim(-2,2)plt.show()

plt.xticks()/plt.yticks()设置轴记号

就是人为设置坐标轴的刻度显示的值

# 创建一个 8 * 6 点（point）的图，并设置分辨率为 80  figure(figsize=(8,6), dpi=80)  # 创建一个新的 1 * 1 的子图，接下来的图样绘制在其中的第 1 块（也是唯一的一块）  subplot(1,1,1)  X = np.linspace(-np.pi, np.pi, 256,endpoint=True)  C,S = np.cos(X), np.sin(X)  # 绘制余弦曲线，使用蓝色的、连续的、宽度为 1 （像素）的线条  plot(X, C, color="blue", linewidth=1.0, linestyle="-")  # 绘制正弦曲线，使用绿色的、连续的、宽度为 1 （像素）的线条  plot(X, S, color="r", lw=4.0, linestyle="-")  plt.axis([-4,4,-1.2,1.2])  # 设置轴记号  xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],  [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])  yticks([-1, 0, +1],  [r'$-1$', r'$0$', r'$+1$'])  # 在屏幕上显示  show()

plt.axes()

我们先来看什么是Figure和Axes对象。在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个，或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下

axes() by itself creates a default full subplot(111) window axis.

axes(rect, axisbg=’w’) where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.

axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.

rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写，这里的数值都是以figure大小为比例，因此，若是要两个axes并排显示，那么axes[2]的左=axes[1].左+axes[1].宽，这样axes[2]才不会和axes[1]重叠。

dt = 0.001  t = np.arange(0.0, 10.0, dt)  r = np.exp(-t[:1000]/0.05) # impulse response  x = np.random.randn(len(t))  s = np.convolve(x, r)[:len(x)]*dt # colored noise  # the main axes is subplot(111) by default  plt.plot(t, s)  plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])  plt.xlabel('time (s)')  plt.ylabel('current (nA)')  plt.title('Gaussian colored noise')  # this is an inset axes over the main axes  a = plt.axes([.65, .6, .2, .2], axisbg='y')  n, bins, patches = plt.hist(s, 400, normed=1)  plt.title('Probability')  plt.xticks([])  plt.yticks([])  # this is another inset axes over the main axes  a = plt.axes([0.2, 0.6, .2, .2], axisbg='y')  plt.plot(t[:len(r)], r)  plt.title('Impulse response')  plt.xlim(0, 0.2)  plt.xticks([])  plt.yticks([])  

plt.gcf()与plt.gca()

plt.gcf函数获取当前的绘图对象(figure)
plt.gca 获取当前子图(axes)

Axis容器

Axis容器包括坐标轴上的刻度线、刻度文本、坐标网格以及坐标轴标题等内容。刻度包括主刻度和副刻度，分别通过Axis.get_major_ticks和Axis.get_minor_ticks方法获得。每个刻度线都是一个XTick或者YTick对象，它包括实际的刻度线和刻度文本。为了方便访问刻度线和文本，Axis对象提供了get_ticklabels和get_ticklines方法分别直接获得刻度线和刻度文本：

fig = plt.figure()ax = fig.add_axes([0.15, 0.1, 0.7, 0.3])line, = ax.plot([1,2,3],[1,2,1])# ax.lines# lineax.set_xlabel("time")axis=ax.xaxisaxis.get_ticklocs() # 获得刻度的位置列表

array([ 1. , 1.5, 2. , 2.5, 3. ])

axis.get_ticklabels() # 获得刻度标签列表# <a list of 5 Text major ticklabel objects>[x.get_text() for x in axis.get_ticklabels()]axis.get_minor_locator() # 计算副刻度的对象axis.get_major_locator() # 计算主刻度的对象 

我们可以使用程序为Axis对象设置不同的Locator对象，用来手工设置刻度的位置；设置Formatter对象用来控制刻度文本的显示

记住，set_xticks是设定标签的实际数字，而set_xticklabels则是设定我们希望他显示的结果。

x轴时间显示

from matplotlib.dates import AutoDateLocator, DateFormatter  autodates = AutoDateLocator()  yearsFmt = DateFormatter('%Y-%m-%d %H:%M:%S')  figure.autofmt_xdate()        #设置x轴时间外观  ax.xaxis.set_major_locator(autodates)       #设置时间间隔  ax.xaxis.set_major_formatter(yearsFmt)      #设置时间显示格式  ax.set_xticks() #设置x轴间隔  ax.set_xlim()   #设置x轴范围  ax.xaxis.set_major_locator(autodates)ax.set_xlabel("date")ax.set_ylabel("values")ax.xaxis.set_major_locator(DayLocator(bymonthday=range(1,32), interval=1)) ax.xaxis.set_major_formatter(DateFormatter('%Y%m%d')) plt.xticks(rotation=60)