matplotlib入门教程
Python数据可视化库Matplotlib的使用
Python数据可视化库Matplotlib的使用随着数据的不断增加和呈现方式的多样化，数据可视化变得越来越重要。
当我们处理大量数据时，可视化图表是一个非常好的选择，它们可以帮助我们更好地理解和分析数据。
Matplotlib是一个广泛使用的Python数据可视化库，它可以用来创建各种图表，比如线图、散点图、柱状图等。
本文将介绍Matplotlib的基本知识，包括安装、常用函数和创建不同类型的图表等。
一、Matplotlib的安装Matplotlib需要安装在Python环境中才能使用。
安装Matplotlib的方法有很多，最简单的方法是使用pip命令。
在命令行中输入以下命令：pip install matplotlib当然，Matplotlib也可以通过Anaconda等Python发行版来安装。
二、Matplotlib的基本知识Matplotlib提供了丰富的接口来创建图表，支持各种类型的图表。
在使用Matplotlib之前，我们需要了解Matplotlib的核心对象：Figure、Axes和Axis。
Figure是最上层的容器，代表整个图形窗口。
在Matplotlib中，我们可以在Figure上添加一个或多个Axes来绘制图表。
Axes是绘图区域，它是Figure的一个子类。
在Axes内可以添加坐标轴（Axis）、文字（Text）、网格（Grid）和数据（Data）等。
Axis是数据的基本轴。
在Matplotlib中，我们可以创建一个或多个Axis对象，以及为每个Axis对象设置其属性和样式。
三、Matplotlib的基本用法1.绘制曲线图在Matplotlib中，我们可以使用plot()函数来绘制曲线图。
plot()函数的参数包括x轴和y轴的数据，以及设置曲线的样式和颜色等。
例如，我们可以使用以下代码来绘制一个简单的曲线图：import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 256, endpoint=True)y = np.sin(x)plt.plot(x, y)plt.show()在这个例子中，我们使用numpy库中的linspace()函数生成一个区间内的等差数列，并使用numpy库中的sin()函数生成对应的sin曲线。
matplotlib从入门到精通教程
1.导入matplotlib库简写为pltimport matplotlib.pyplot as plt二、基本图表2.用plot方法画出x=(0,10)间sin的图像x = np.linspace(0, 10, 30)plt.plot(x, np.sin(x));3.用点加线的方式画出x=(0,10)间sin的图像plt.plot(x, np.sin(x), '-o');4.用scatter方法画出x=(0,10)间sin的点图像plt.scatter(x, np.sin(x));5.用饼图的面积及颜色展示一组4维数据rng = np.random.RandomState(0)x = rng.randn(100)y = rng.randn(100)colors = rng.rand(100)sizes = 1000 * rng.rand(100)plt.scatter(x, y, c=colors, s=sizes, alpha=0.3,cmap='viridis')plt.colorbar(); # 展示色阶6.绘制一组误差为±0.8的数据的误差条图x = np.linspace(0, 10, 50)dy = 0.8y = np.sin(x) + dy * np.random.randn(50)plt.errorbar(x, y, yerr=dy, fmt='.k')7.绘制一个柱状图x = [1,2,3,4,5,6,7,8]y = [3,1,4,5,8,9,7,2]label=['A','B','C','D','E','F','G','H']plt.bar(x,y,tick_label = label);8.绘制一个水平方向柱状图plt.barh(x,y,tick_label = label);9.绘制1000个随机值的直方图data = np.random.randn(1000)plt.hist(data);10.设置直方图分30个bins，并设置为频率分布plt.hist(data, bins=30,histtype='stepfilled', density=True)plt.show();11.在一张图中绘制3组不同的直方图，并设置透明度x1 = np.random.normal(0, 0.8, 1000)x2 = np.random.normal(-2, 1, 1000)x3 = np.random.normal(3, 2, 1000)kwargs = dict(alpha=0.3, bins=40, density = True)plt.hist(x1, **kwargs);plt.hist(x2, **kwargs);plt.hist(x3, **kwargs);12.绘制一张二维直方图mean = [0, 0]cov = [[1, 1], [1, 2]]x, y = np.random.multivariate_normal(mean, cov, 10000).T plt.hist2d(x, y, bins=30);13.绘制一张设置网格大小为30的六角形直方图plt.hexbin(x, y, gridsize=30);三、自定义图表元素14.绘制x=(0,10)间sin的图像，设置线性为虚线x = np.linspace(0,10,100)plt.plot(x,np.sin(x),'--');15设置y轴显示范围为(-1.5,1.5)x = np.linspace(0,10,100)plt.plot(x, np.sin(x))plt.ylim(-1.5, 1.5);16.设置x,y轴标签variable x，value yx = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y, label='sin(x)')plt.xlabel('variable x');plt.ylabel('value y');17.设置图表标题“三角函数”x = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y, label='sin(x)')plt.title('三角函数');18.显示网格x = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y)plt.grid()19.绘制平行于x轴y=0.8的水平参考线x = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y)plt.axhline(y=0.8, ls='--', c='r')20.绘制垂直于x轴x<4 and x>6的参考区域，以及y轴y<0.2 and y>-0.2的参考区域x = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y)plt.axvspan(xmin=4, xmax=6, facecolor='r', alpha=0.3) # 垂直x轴plt.axhspan(ymin=-0.2, ymax=0.2, facecolor='y', alpha=0.3); # 垂直y轴21.添加注释文字sin(x)x = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y)plt.text(3.2, 0, 'sin(x)', weight='bold', color='r');22.用箭头标出第一个峰值x = np.linspace(0.05, 10, 100)y = np.sin(x)plt.plot(x, y)plt.annotate('maximum',xy=(np.pi/2, 1),xytext=(np.pi/2+1, 1),weight='bold',color='r',arrowprops=dict(arrowstyle='->', connectionstyle='arc3', color='r'));四、自定义图例23.在一张图里绘制sin,cos的图形，并展示图例x = np.linspace(0, 10, 1000)fig, ax = plt.subplots()ax.plot(x, np.sin(x), label='sin')ax.plot(x, np.cos(x), '--', label='cos')ax.legend();24.调整图例在左上角展示，且不显示边框ax.legend(loc='upper left', frameon=False);fig25.调整图例在画面下方居中展示，且分成2列ax.legend(frameon=False, loc='lower center', ncol=2)fig26.绘制的图像，并只显示前2者的图例y = np.sin(x[:, np.newaxis] + np.pi * np.arange(0, 2, 0.5))lines = plt.plot(x, y)# lines 是plt.Line2D 类型的实例的列表plt.legend(lines[:2], ['first', 'second']);# 第二个方法#plt.plot(x, y[:, 0], label='first')#plt.plot(x, y[:, 1], label='second')#plt.plot(x, y[:, 2:])#plt.legend(framealpha=1, frameon=True);27.将图例分不同的区域展示fig, ax = plt.subplots()lines = []styles = ['-', '--', '-.', ':']x = np.linspace(0, 10, 1000)for i in range(4):lines += ax.plot(x, np.sin(x - i * np.pi / 2),styles[i], color='black') ax.axis('equal')# 设置第一组标签ax.legend(lines[:2], ['line A', 'line B'],loc='upper right', frameon=False)# 创建第二组标签from matplotlib.legend import Legendleg = Legend(ax, lines[2:], ['line C', 'line D'],loc='lower right', frameon=False)ax.add_artist(leg);五、自定义色阶28.展示色阶x = np.linspace(0, 10, 1000)I = np.sin(x) * np.cos(x[:, np.newaxis])plt.imshow(I)plt.colorbar();29.改变配色为'gray'plt.imshow(I, cmap='gray');30.将色阶分成6个离散值显示plt.imshow(I, cmap=plt.cm.get_cmap('Blues', 6))plt.colorbar()plt.clim(-1, 1);六、多子图31.在一个1010的画布中，(0.65,0.65)的位置创建一个0.20.2的子图ax1 = plt.axes()ax2 = plt.axes([0.65, 0.65, 0.2, 0.2])32.在2个子图中，显示sin(x)和cos(x)的图像fig = plt.figure()ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4], ylim=(-1.2, 1.2))ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4], ylim=(-1.2, 1.2))x = np.linspace(0, 10)ax1.plot(np.sin(x));ax2.plot(np.cos(x));33.用for创建6个子图，并且在图中标识出对应的子图坐标for i in range(1, 7):plt.subplot(2, 3, i)plt.text(0.5, 0.5, str((2, 3, i)),fontsize=18, ha='center')# 方法二# fig = plt.figure()# fig.subplots_adjust(hspace=0.4, wspace=0.4)# for i in range(1, 7):# ax = fig.add_subplot(2, 3, i)# ax.text(0.5, 0.5, str((2, 3, i)),fontsize=18, ha='center')34.设置相同行和列共享x,y轴fig, ax = plt.subplots(2, 3, sharex='col', sharey='row')35.用[]的方式取出每个子图，并添加子图座标文字for i in range(2):for j in range(3):ax[i, j].text(0.5, 0.5, str((i, j)),fontsize=18, ha='center')fig36.组合绘制大小不同的子图，样式如下Image Namegrid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)plt.subplot(grid[0, 0])plt.subplot(grid[0, 1:])plt.subplot(grid[1, :2])plt.subplot(grid[1, 2]);37.显示一组二维数据的频度分布，并分别在x,y轴上，显示该维度的数据的频度分布mean = [0, 0]cov = [[1, 1], [1, 2]]x, y = np.random.multivariate_normal(mean, cov, 3000).T# Set up the axes with gridspecfig = plt.figure(figsize=(6, 6))grid = plt.GridSpec(4, 4, hspace=0.2, wspace=0.2)main_ax = fig.add_subplot(grid[:-1, 1:])y_hist = fig.add_subplot(grid[:-1, 0], xticklabels=[], sharey=main_ax)x_hist = fig.add_subplot(grid[-1, 1:], yticklabels=[], sharex=main_ax)# scatter points on the main axesmain_ax.scatter(x, y,s=3,alpha=0.2)# histogram on the attached axesx_hist.hist(x, 40, histtype='stepfilled',orientation='vertical')x_hist.invert_yaxis()y_hist.hist(y, 40, histtype='stepfilled',orientation='horizontal')y_hist.invert_xaxis()七、三维图像38.创建一个三维画布from mpl_toolkits import mplot3dfig = plt.figure()ax = plt.axes(projection='3d')39.绘制一个三维螺旋线ax = plt.axes(projection='3d')# Data for a three-dimensional linezline = np.linspace(0, 15, 1000)xline = np.sin(zline)yline = np.cos(zline)ax.plot3D(xline, yline, zline);40.绘制一组三维点ax = plt.axes(projection='3d')zdata = 15 * np.random.random(100)xdata = np.sin(zdata) + 0.1 * np.random.randn(100)ydata = np.cos(zdata) + 0.1 * np.random.randn(100)ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');八、宝可梦数据集可视化41.展示前5个宝可梦的Defense,Attack,HP的堆积条形图pokemon = df['Name'][:5]hp = df['HP'][:5]attack = df['Attack'][:5]defense = df['Defense'][:5]ind = [x for x, _ in enumerate(pokemon)]plt.figure(figsize=(10,10))plt.bar(ind, defense, width=0.8, label='Defense', color='blue', bottom=attack+hp) plt.bar(ind, attack, width=0.8, label='Attack', color='gold', bottom=hp)plt.bar(ind, hp, width=0.8, label='Hp', color='red')plt.xticks(ind, pokemon)plt.ylabel("Value")plt.xlabel("Pokemon")plt.legend(loc="upper right")plt.title("5 Pokemon Defense & Attack & Hp")plt.show()42.展示前5个宝可梦的Attack,HP的簇状条形图N = 5pokemon_hp = df['HP'][:5]pokemon_attack = df['Attack'][:5]ind = np.arange(N)width = 0.35plt.bar(ind, pokemon_hp, width, label='HP')plt.bar(ind + width, pokemon_attack, width,label='Attack')plt.ylabel('Values')plt.title('Pokemon Hp & Attack')plt.xticks(ind + width / 2, (df['Name'][:5]),rotation=45)plt.legend(loc='best')plt.show()43.展示前5个宝可梦的Defense,Attack,HP的堆积图x = df['Name'][:4]y1 = df['HP'][:4]y2 = df['Attack'][:4]y3 = df['Defense'][:4]labels = ["HP ", "Attack", "Defense"]fig, ax = plt.subplots()ax.stackplot(x, y1, y2, y3)ax.legend(loc='upper left', labels=labels)plt.xticks(rotation=90)plt.show()44.公用x轴，展示前5个宝可梦的Defense,Attack,HP的折线图x = df['Name'][:5]y1 = df['HP'][:5]y2 = df['Attack'][:5]y3 = df['Defense'][:5]# Create two subplots sharing y axisfig, (ax1, ax2,ax3) = plt.subplots(3, sharey=True)ax1.plot(x, y1, 'ko-')ax1.set(title='3 subplots', ylabel='HP')ax2.plot(x, y2, 'r.-')ax2.set(xlabel='Pokemon', ylabel='Attack')ax3.plot(x, y3, ':')ax3.set(xlabel='Pokemon', ylabel='Defense')plt.show()45.展示前15个宝可梦的Attack,HP的折线图plt.plot(df['HP'][:15], '-r',label='HP')plt.plot(df['Attack'][:15], ':g',label='Attack')plt.legend();46.用scatter的x,y,c属性，展示所有宝可梦的Defense,Attack,HP数据x = df['Attack']y = df['Defense']colors = df['HP']plt.scatter(x, y, c=colors, alpha=0.5)plt.title('Scatter plot')plt.xlabel('HP')plt.ylabel('Attack')plt.colorbar();47.展示所有宝可梦的攻击力的分布直方图，bins=10x = df['Attack']num_bins = 10n, bins, patches = plt.hist(x, num_bins, facecolor='blue', alpha=0.5)plt.title('Histogram')plt.xlabel('Attack')plt.ylabel('Value')plt.show()48.展示所有宝可梦Type 1的饼图plt.figure(1, figsize=(8,8))df['Type 1'].value_counts().plot.pie(autopct="%1.1f%%")plt.legend()49.展示所有宝可梦Type 1的柱状图ax = df['Type 1'].value_counts().plot.bar(figsize = (12,6),fontsize = 14) ax.set_title("Pokemon Type 1 Count", fontsize = 20)ax.set_xlabel("Pokemon Type 1", fontsize = 20)ax.set_ylabel("Value", fontsize = 20)plt.show()50.展示综合评分最高的10只宝可梦的系数间的相关系数矩阵import seaborn as snstop_10_pokemon=df.sort_values(by='Total',ascending=False).head(10) corr=top_10_pokemon.corr()fig, ax=plt.subplots(figsize=(10, 6))sns.heatmap(corr,annot=True)ax.set_ylim(9, 0)plt.show()。
【转载】matplotlib.pyplot的使用总结大全（入门加进阶）
【转载】matplotlib.pyplot 的使⽤总结⼤全（⼊门加进阶）前⾔其实⼀年前就有想法好好学学python ⾥的画图库matplotlib 库，主要是因为每次可视化⼀些结果的时候，都是搜⼀些别⼈写好的代码，看的时候感觉乱乱的，不是说别⼈写的乱，⽽是每个⼈在某些点上实现的⽅式不太⼀样，还有就是觉得，总⽤别⼈的，就觉得不是⾃⼰创造的，没有成就感。
这段时间做了个⽐赛，可视化分析的时候，⼜在搜代码，想⾃⼰加点东西，感觉很费劲，⼜不知道该怎么加，所以决定好好学⼀下，并做好总结。
借⽤⼀张图，说明画图流程准备⼯作我们需要先安装matplotlib 库，然后导⼊库，这些很简单，我就不讲了,哦，把numpy 也导⼊进来。
1. 正式开始1.1 和 我们经常会在画图的代码⾥看到，有⽤plt.的，有⽤ax.的，两者到底有什么区别呢，画的图有什么不⼀样吗，我们先来⽤两种经常看到的⽅式实现⼀下。
plt.ax.上⾯两种代码⽅式最终的结果都如上图所⽰，画图⽅式可视化结果并⽆不同，那区别在哪呢？其实呢，第⼀种⽅式呢，是先⽣成了⼀个画布，然后在这个画布上隐式的⽣成⼀个画图区域来进⾏画图，第⼆种⽅式，先⽣成⼀个画布，然后，我们在此画布上，选定⼀个⼦区域画了⼀个⼦图，上⼀张官⽅的图，看看你能不能更好的理解。
官⽅图除了ax 之外，我们也可以直接⽤plt 添加⼦图，⽅式如下你看，这样添加⼦图，也是⼀样的，fig ，⽣成⼀个画布，plt.subplot(111)，将画布分为1x1的分布，并选中第⼀个⼦图进⾏操作。
虽然这样看着⼀样呢，但是后⾯修饰图⽚的时候，ax 这个⽅式⽐plt 的⽅式更加⽅便。
因此，本⽂我们⽤ax ⽅式来学习画图，也希望⼤家都提前选定⼀种⾃⼰喜欢的⽅式来画图，添加⼦图，等⼀些列操作。
1.2 ⼦图的创建在上⼀节的介绍中，讲到了⼦图，可能刚接触画图的同学，会有点疑惑，这节，我们来详细讲讲⼦图。
我们可以这样来考虑问题，我们画图的时候，找到⼀张纸（画布），然后打算把这张纸分成⼏个区域（⼦图）来画⼏幅不同的画。
matplotlib基本用法
一、matplotlib的简介matplotlib是一个Python绘图库，它能够生成2D图形，包括线图、散点图、柱状图、饼图等，并且能够以高质量输出文件的形式保存这些图形。
matplotlib可以与NumPy一起使用，能够方便地对数据进行可视化。
二、matplotlib的安装要使用matplotlib，首先需要安装它。
可以通过pip命令来进行安装：```pip install matplotlib```安装完成后，在Python脚本中引入matplotlib库：```import matplotlib.pyplot as plt```三、matplotlib的基本用法1. 创建图形与坐标系要在matplotlib中绘制图形，首先需要创建一个图形对象和坐标系对象。
图形对象可以通过`plt.figure()`来创建，坐标系对象可以通过`plt.subplot()`来创建。
```pythonfig = plt.figure()ax = fig.add_subplot(111)```2. 绘制直线图要绘制直线图，可以使用`plt.plot()`方法。
这个方法可以传入x轴和y 轴上的数据点，并且可以指定线条的颜色、形状、宽度等参数。
```pythonx = [1, 2, 3, 4, 5]y = [2, 3, 5, 7, 11]plt.plot(x, y, color='r', linestyle='--', linewidth=2)```3. 绘制散点图要绘制散点图，可以使用`plt.scatter()`方法。
这个方法也可以传入x 轴和y轴上的数据点，并且可以指定点的大小、颜色等参数。
```pythonx = [1, 2, 3, 4, 5]y = [2, 3, 5, 7, 11]plt.scatter(x, y, s=50, c='b', marker='o')```4. 绘制柱状图要绘制柱状图，可以使用`plt.bar()`方法。
matplotlib ax 函数 详解
一、matplotlib简介1.1 matplotlib概述1.2 matplotlib的作用1.3 matplotlib的安装与导入二、matplotlib中的ax函数2.1 ax函数概述2.2 ax函数的基本用法2.3 ax函数的参数详解三、ax函数的实例演示3.1 设置坐标轴范围3.2 添加图例3.3 设置坐标轴标签3.4 绘制子图3.5 添加注释四、ax函数常见问题解答4.1 如何设置坐标轴刻度4.2 如何设置坐标轴名称4.3 如何设置图例4.4 如何设置坐标轴标题4.5 如何添加注释五、总结与展望---一、matplotlib简介1.1 matplotlib概述matplotlib是一个Python绘图库，可以用来创建各种类型的图表、图形和可视化。
它的设计理念是使用简单的代码来生成高质量的图形，同时还支持多种不同的操作系统和图形输出格式。
1.2 matplotlib的作用matplotlib主要用于数据可视化，包括线图、散点图、柱状图、饼图、直方图等。
它可以帮助用户快速了解数据的分布和规律，使得数据分析更加直观和易于理解。
1.3 matplotlib的安装与导入matplotlib的安装非常简单，只需要在命令行中使用pip命令即可，如下所示：```pythonpip install matplotlib```安装完成后，就可以在Python脚本中使用import语句来导入matplotlib库了：```pythonimport matplotlib.pyplot as plt```---二、matplotlib中的ax函数2.1 ax函数概述在matplotlib中，ax函数是一个非常重要的函数，它用来创建一个新的图形对象，并且所有的绘图操作都是在这个对象上进行的。
使用ax函数可以实现对图形的精细化控制，包括设置坐标轴范围、添加图例、设置坐标轴标签、绘制子图等等。
2.2 ax函数的基本用法使用ax函数的基本步骤如下：```pythonfig, ax = plt.subplots()```这样就创建了一个新的图形对象，并返回了一个包含图形和坐标轴的对象。
大数据-Matplotlib基础绘图
大数据挖掘专家
19
动态rc参数
3. 字体常用的rc参数
➢ 除字体与符号编码参数外，更多的字体常用rc参数名称、接收、取值如下表所示。
rc参数名称 font.family
font.style font.variant
解释
字体族，每一个族 对应多种字体 字体风格，正常或 罗马体及斜体
字体变化
font.weight 字体重量
plt.plot(x, np.sin(x))
plt.show()
大数据挖掘专家
17
动态rc参数
2. 坐标轴常用的rc参数
➢ 更多的坐标轴常用的rc参数名称、解释、取值如下表所示。
rc参数名称 axes.facecolor axes.edgecolor axes.linewidth axes.grid
‘None’
意义 圆圈 菱形 六边形1 六边形2 水平线 八边形 五边形 像素 加号 无
marker取值 ‘.’ ‘s’ ‘*’ ‘d’ ‘v’ ‘<’ ‘>’ ‘^’ ‘\’ ‘x’
意义 点 正方形 星号 小菱形 一角朝下的三角形 一角朝左的三角形 一角朝右的三角形 一角朝上的三角形 竖线
X
大数据挖掘专家
大数据挖掘专家
7
编号风格
1. 基础流程
➢ 通常情况下，在使用不同的数据重复的绘制同样 的图形时，选择自编函数来进行绘图。有时候也 会需要在图上添加文本标注。pyplot模块中，使 用matplotlib.pyplot.text()函数能够在任意位置添 加文本，其使用基本语法如下。
matplotlib.pyplot.text(x, y, s, fontdict=None, withdash=False, **kwargs)
matplotlib常见函数之plt.rcParams、matshow的使用（坐标轴设置）
matplotlib常见函数之plt.rcParams、matshow的使⽤（坐标轴设置）1、plt.rcParamsplt（matplotlib.pyplot）使⽤rc配置⽂件来⾃定义图形的各种默认属性，称之为“rc配置”或“rc参数”。
通过rc参数可以修改默认的属性，包括窗体⼤⼩、每英⼨的点数、线条宽度、颜⾊、样式、坐标轴、坐标和⽹络属性、⽂本、字体等。
rc参数存储在字典变量中，通过字典的⽅式进⾏访问。
代码：import numpy as npimport matplotlib.pyplot as plt###%matplotlib inline #jupyter可以⽤，这样就不⽤plt.show()#⽣成数据x = np.linspace(0, 4*np.pi)y = np.sin(x)#设置rc参数显⽰中⽂标题#设置字体为SimHei显⽰中⽂plt.rcParams['font.sans-serif'] = 'SimHei'#设置正常显⽰字符plt.rcParams['axes.unicode_minus'] = Falseplt.title('sin曲线')#设置线条样式plt.rcParams['lines.linestyle'] = '-.'#设置线条宽度plt.rcParams['lines.linewidth'] = 3#绘制sin曲线plt.plot(x, y, label='$sin(x)$')plt.savefig('sin.png')plt.show()参数：plt.rcParams['savefig.dpi'] = 300 #图⽚像素plt.rcParams['figure.dpi'] = 300 #分辨率plt.savefig(‘plot123_2.png', dpi=200)#指定分辨率# 默认的像素：[6.0,4.0]，分辨率为100，图⽚尺⼨为 600&400# 指定dpi=200，图⽚尺⼨为 1200*800# 指定dpi=300，图⽚尺⼨为 1800*1200plt.rcParams['figure.figsize'] = (8.0, 4.0) # 图像显⽰⼤⼩plt.rcParams['image.interpolation'] = 'nearest' # 最近邻差值: 像素为正⽅形#Interpolation/resampling即插值，是⼀种图像处理⽅法，它可以为数码图像增加或减少象素的数⽬。
matplotlib函数手册
matplotlib函数手册1. 引言Matplotlib是一个功能强大的数据可视化库，广泛应用于Python科学计算领域。
本文将详细介绍Matplotlib库中常用的函数，帮助读者更好地理解和使用Matplotlib绘图工具。
2. 基础绘图函数Matplotlib提供了丰富的基础绘图函数，可以用于绘制各种类型的图表。
以下是其中一些常用的函数：2.1 plot()plot()函数用于绘制折线图，在二维坐标系上连接各个数据点，形成一条折线。
使用该函数时，需要提供x轴和y轴的数据。
例如：import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.plot(x, y)plt.show()这段代码将绘制一条连接5个数据点的折线。
2.2 scatter()scatter()函数用于绘制散点图，将数据点在二维坐标系上显示出来。
使用该函数时，需要提供x轴和y轴的数据。
例如：import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.scatter(x, y)plt.show()这段代码将绘制5个散点。
2.3 bar()bar()函数用于绘制柱状图，显示不同类别或组之间的比较。
使用该函数时，需要提供每个柱子的高度和宽度。
例如：import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.bar(x, y)plt.show()这段代码将绘制5个柱子，每个柱子的高度分别为2、4、6、8、10。
2.4 pie()pie()函数用于绘制饼图，显示不同类别占总体的比例。
使用该函数时，需要提供每个类别的占比。
例如：import matplotlib.pyplot as pltlabels = ['A', 'B', 'C', 'D']sizes = [30, 40, 10, 20]plt.pie(sizes, labels=labels)plt.show()这段代码将绘制一个饼图，其中4个类别A、B、C、D分别占总体的30%、40%、10%、20%。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
>>> x
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ,
Hale Waihona Puke 1.1, 1.2, 1.3, 1.4, 1.5])
如果要精确的浮点计算请参见 numpy 文档。
基本函数（三角，对数，平方，立方，等）的使用就是在函数前加上 np.这样就能实现数组
2.44897959, 2.65306122, 2.85714286, 3.06122449,
3.26530612, 3.46938776, 3.67346939, 3.87755102,
4.08163265, 4.28571429, 4.48979592, 4.69387755,
4.89795918, 5.10204082, 5.30612245, 5.51020408,
>>> np.arange(0,5.6)
array([ 0., 1., 2., 3., 4., 5.])
>>> np.arange(0.3,4.2)
array([ 0.3, 1.3, 2.3, 3.3])
2：linspace函数通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关
3.1 函数处理部分（numpy 的使用）
具体的使用可以参见 numpy 的文档
我们使用matplotlib将数据可视化时基本上我们只用到两种方法
1：arange函数类似于python的range函数，通过指定开始值、终值和步长来创建一维数组，
注意数组不包括终值:
>>> import numpy as np
File "<pyshell#18>", line 1, in <module>
y=sin(x)
NameError: name 'sin' is not defined
>>> y=np.sin(x)
>>> y
array([ 0.
, 0.09983342, 0.19866933, 0.29552021, 0.38941834,
其使用中要先安装 numpy 库（一个 python 下数组处理的三方库，可以很方便的处理矩 阵，数组），对于做数据图，其原理很简单，就是把函数变成关于 X,Y,Z 的坐标点的数组,如 函数 Y=X2 ,我们画图是也是先找一组特征点(x,y),然后连接成线,matplotlib 出图的过程和我 们画图过程差不多,先生成 X 的一个取值数组,如要画区间[0,1]的图像,则先取[0,1]之内的一 组数组(如:x=arange(0,1,0.01)表示 x 以 0.01 为步长取 100 个点),然后去对应 x 的对应 y 的 值的一组数据,这样以坐标(x,y)画出的图就是一条曲线了。
如在阅读本书中遇到任何问题请联系master sell <yishenggudou@> 本文在线网址为：/book/matplotlib.html pdf在线网址为: /book/matplotlib.pdf 作者个人博客网址为: /
一、 前言..............................................................................................1 二、 matplotlib 简介................................................................................ 2 三、 Matplotlib 使用入门........................................................................... 2
0.47942554, 0.56464247, 0.64421769, 0.71735609, 0.78332691,
0.84147098, 0.89120736, 0.93203909, 0.96355819, 0.98544973,
0.99749499])
数组的最后一项不是 1 是因为数组的数据不是标准的浮点型的数据
----------------------------------------------------------------------master sell ------------------------------------------------------------------------2010.2.14
一、前言
接触python有近半年的时间了，和大多数接触过python的朋友一样，我被它的简单的 表述和清晰的描写思路深深吸引，python的三方模块很是丰富，在不断的学习中，渐渐里 就接触到了matplotlib，官方的英文文档很详细，虽然是英文的，我想对于只要过了四级的 朋友，仔细看看明白不是什么难事，原始的官方英文文档有800多页，详细是不用说，但还 是有点罗嗦，本书的目的是让你能快速知道怎么使用matplotlib，当然个人所总结的方法未 必对于每个人都是容易接受的，但相信大多数人看完本书之后会对于matplotlib有一个比较 清晰的理解，读者如果在文中发现错误还请麻烦反馈一下。本书是对于学习中需要用到 matplotlib 的人 群 编 写 的 ， 你 在 阅 读 之 前 可 能 需 要 了 解 一 些 python的知 识 ， 如 果 你 对 于 python还一点不懂，那么还是请你看下python相关的文档吧。
3.1 函数处理部分（numpy 的使用）......................................................... 2 3.2 Matplotlib 使用风格介绍.................................................................. 4 四、 2D 图的画法.................................................................................... 9 4.1 坐标轴....................................................................................... 9
>>> np.arange(0,1,0.1)
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
此函数在区间[0,1]之间以0.1为步长生成一个数组。
如果第三个参数预设为1
>>> np.arange(0,10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
键字指定是否包括终值，缺省设置是包括终值:
>>> np.linspace(0, 1, 12)
array([ 0.
, 0.09090909, 0.18181818, 0.27272727, 0.36363636,
2
0.45454545, 0.54545455, 0.63636364, 0.72727273, 0.81818182,
的函数计算。
3.2 Matplotlib 使用风格介绍
Matplotlib 的使用中有好几种输出风格，有类 matlab 的风格，和官方文档的使用的 as 风格 ，
matplotlib 对于图像美化方面的比较完善，可以自定义线条的颜色和样式，可以在一张 绘图纸上绘制多张小图，也可以在一张图上绘制多条线，可以很方便地将数据可视化并对比 分析。
三、Matplotlib 使用入门
Matplotlib的使用中有好几种输出风格，有matlab的风格，和官方文档的使用的as风格，各 有所长，本文对比介绍matplotlib官方文档中的使用风格， 我们画图的目的是要将函数已图像显现出来，所以我们要用python处理的东西有两个，一 个是函数，另一个是图像，函数部分在matplotlib的使用中是用了numpy这个三方库，这个 库有着很大的科学计算功能，但是不用担心，在使用中你会发现他的好用，
二、matplotlib 简介
Matplotlib 是一个在 python 下实现的类 matlib 的纯 python 的三方库，旨在用 python 实现 matlab 的功能，是 python 下最出色的绘图库，功能很完善，其风格跟 matlib 很相似 ，
1
同时也继承了 python 的简单明了的风格，其可以很方便地设计和输出二维以及三维的数据 ， 其提供了常规的笛卡尔坐标，极坐标，球坐标，三维坐标等。其输出的图片质量也达到了科 技论文中的印刷质量，日常的基本绘图更不在话下。
1． 坐标区间设置......................................................................... 9 2． 设置网格线.......................................................................... 12 3． 自定义坐标轴刻度.................................................................. 13 4． 自动标注坐标轴刻度................................................................13 4.2 线条......................................................................................... 14 4.3 标签注释....................................................................................16 4.4 图像排版....................................................................................16 五、 3D 绘图方法................................................................................... 16 六、 后记............................................................................................ 16