大数据-Matplotlib基础绘图
Python利用matplotlib模块数据可视化绘制3D图
Python利⽤matplotlib模块数据可视化绘制3D图⽬录前⾔1matplotlib绘制3D图形2绘制3D画⾯图2.1源码2.2效果图3绘制散点图3.1源码3.2效果图4绘制多边形4.1源码4.2效果图5三个⽅向有等⾼线的3D图5.1源码5.2效果图6三维柱状图6.1源码6.2效果图7补充图7.1源码7.2效果图总结前⾔matplotlib实际上是⼀套⾯向对象的绘图库，它所绘制的图表中的每个绘图元素，例如线条Line2D、⽂字Text、刻度等在内存中都有⼀个对象与之对应。
为了⽅便快速绘图matplotlib通过pyplot模块提供了⼀套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。
我们只需要调⽤pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。
pyplot模块虽然⽤法简单，但不适合在较⼤的应⽤程序中使⽤。
为了将⾯向对象的绘图库包装成只使⽤函数的调⽤接⼝，pyplot模块的内部保存了当前图表以及当前⼦图等信息。
当前的图表和⼦图可以使⽤plt.gcf()和plt.gca()获得，分别表⽰"Get Current Figure"和"Get Current Axes"。
在pyplot模块中，许多函数都是对当前的Figure或Axes对象进⾏处理，⽐如说：plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调⽤ax.plot()⽅法实现真正的绘图。
可以在Ipython中输⼊类似"plt.plot??"的命令查看pyplot模块的函数是如何对各种绘图对象进⾏包装的。
1 matplotlib绘制3D图形matplotlib可以绘制3D图形，有的版本中不具备该模块，可以进⼊python环境，输⼊from mpl_toolkits.mplot3d import Axes3D 进⾏测试，如果导⼊成功则可以，否则需要安装matplotlib其他版本，这⾥我⽤的是2.0.2版本。
matplotlib中plot方法
matplotlib中plot方法matplotlib是一个Python的数据可视化库，它提供了一种简单而有效的方式来创建各种类型的图表，包括线图、散点图、柱状图、饼图等等。
其中，plot方法是matplotlib中最常用的方法之一，它可以用来绘制线图、散点图、柱状图等等。
plot方法的基本语法如下：pythonplt.plot(x, y, format_string, kwargs)其中，x和y是数据序列，format_string是一个可选的格式化字符串，用于指定线条的颜色、线型、标记等属性。
kwargs是一些可选的关键字参数，用于指定其他的属性，例如图表的标题、x轴和y轴的标签等等。
下面我们来详细介绍一下plot方法的用法和一些常用的属性。
1. 绘制线图绘制线图是plot方法最常用的功能之一。
我们可以使用plot方法来绘制一条或多条线，例如：pythonimport matplotlib.pyplot as pltimport numpy as npx = np.linspace(0, 10, 100)y1 = np.sin(x)y2 = np.cos(x)plt.plot(x, y1, 'r-', label='sin(x)')plt.plot(x, y2, 'g', label='cos(x)')plt.legend()plt.show()这段代码会生成一个包含两条线的图表，其中一条线是红色的实线，表示sin(x)函数；另一条线是绿色的虚线，表示cos(x)函数。
我们可以使用format_string 参数来指定线条的颜色、线型、标记等属性。
例如，'r-'表示红色的实线，'g'表示绿色的虚线。
2. 绘制散点图除了绘制线图，plot方法还可以用来绘制散点图。
我们可以使用plot方法来绘制一组点，例如：pythonimport matplotlib.pyplot as pltimport numpy as npx = np.random.rand(100)y = np.random.rand(100)colors = np.random.rand(100)sizes = 1000 * np.random.rand(100)plt.scatter(x, y, c=colors, s=sizes, alpha=0.5)plt.show()这段代码会生成一个包含100个随机点的散点图，其中每个点的颜色和大小都是随机生成的。
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。
Pythonmatplotlib绘图可视化知识点整理（小结）
Pythonmatplotlib绘图可视化知识点整理（⼩结）⽆论你⼯作在什么项⽬上，IPython都是值得推荐的。
利⽤ipython --pylab，可以进⼊PyLab模式，已经导⼊了matplotlib库与相关软件包（例如Numpy和Scipy)，额可以直接使⽤相关库的功能。
本⽂作为学习过程中对matplotlib⼀些常⽤知识点的整理，⽅便查找。
这样IPython配置为使⽤你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。
对于⼤部分⽤户⽽⾔，默认的后端就已经够⽤了。
Pylab模式还会向IPython引⼊⼀⼤堆模块和函数以提供⼀种更接近MATLAB的界⾯。
import matplotlib.pyplot as pltlabels='frogs','hogs','dogs','logs'sizes=15,20,45,10colors='yellowgreen','gold','lightskyblue','lightcoral'explode=0,0.1,0,0plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)plt.axis('equal')plt.show()matplotlib图标正常显⽰中⽂为了在图表中能够显⽰中⽂和负号等，需要下⾯⼀段设置：import matplotlib.pyplot as pltplt.rcParams['font.sas-serig']=['SimHei'] #⽤来正常显⽰中⽂标签plt.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。
Python的绘图库matplotlib快速入门 ppt课件
4
ppt课件
快速绘图
matplotlib中的快速绘图的函数库可以通过如 下语句载入：
import matplotlib.pyplot as plt
接下来调用figure创建一个绘图对象，并且使 它成为当前的绘图对象。
plt.figure(figsize=(8,4))
通过figsize参数可以指定绘图对象的宽度和高 度，单位为英寸；dpi参数指定绘图对象的分辨率， 即每英寸多少个像素，缺省值为80。因此本例中所 创建的图表窗口的宽度为8*80 = 640像素。
>>> plt.plot([1,2,3],[4,5,6]) >>>plt.show() >>> axis = plt.gca().xaxis
20
ppt课件
快速绘图
获得axis对象的刻度位置列表：
>>> axis.get_ticklocs() array([ 1. , 1.5, 2. , 2.5, 3. ])
plot函数的调用方式很灵活，第一句将x,y 数组传递给plot之后，用关键字参数指定各种属 性：
• label : 给所绘制的曲线一个名字，此名字在图示 (legend)中显示。只要在字符串前后添加''$''符 号，matplotlib就会使用其内嵌的latex引擎绘制的 数学公式。 • color : 指定曲线的颜色 • linewidth : 指定曲线的宽度 第三个参数‘’b--``指定曲线的颜色和线型
5
ppt课件
快速绘图
也可以不创建绘图对象直接调用接下来的 plot函数直接绘图，matplotlib会自动创建一个 绘图对象。 如果需要同时绘制多幅图表的话，可以是给 figure传递一个整数参数指定图标的序号，如果 所指定序号的绘图对象已经存在的话，将不创建 新的对象，而只是让它成为当前绘图对象。 下面的两行程序通过调用plot函数在当前的绘 图对象中进行绘图：
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基础绘图命令之bar的使用方法
matplotlib基础绘图命令之bar的使⽤⽅法在matplotlib中，bar命令⽤于绘制柱状图，基本⽤法如下在matplotlib中，bar命令⽤于绘制柱状图，基本⽤法如下在matplotlib 中，bar命令⽤于绘制柱状图，基本⽤法如下在matplotlib中，bar命令⽤于绘制柱状图，基本⽤法如下在matplotlib中，bar命令⽤于绘制柱状图，基本⽤法如下在matplotlib中，bar命令⽤于绘制柱状图，基本⽤法如下plt.bar(x = [1, 2, 3, 4], height = [4, 2, 3, 1])输出结果如下参数x的值作为x轴坐标，height的值作为y轴坐标。
除了这两个基本参数外，bar命令常⽤的还有以下参数1. width, 柱⼦的宽度，即在x轴上的长度，默认是0.82. color, 柱⼦的填充⾊3. edgecolor, 柱⼦边框的颜⾊，默认为None4. linewidth, 柱⼦边框的宽度，默认为0，表⽰没有边框5. yerr,指定误差值的⼤⼩，⽤于在柱⼦上添加误差线6. ecolor, 表⽰errorbar color, 误差线的颜⾊7. bottom, 柱⼦底部的baseline, 默认为0各个参数设置的⽰例如下plt.bar(x = [1, 2, 3, 4], height = [4, 2, 3, 1], width = 0.8, edgecolor = 'black', linewidth = 2, align = 'center', color = 'g', yerr = 0.5, ecolor = 'r')输出结果如下柱状图还可以有很多的变种，通过barh命令，可以绘制⽔平⽅向的柱状图，⽤法如下plt.barh(y = [1, 2, 3, 4], width = [4, 2, 3, 1])输出结果如下在单⼀柱状图的基础上，通过叠加可以实现以下两种柱状图1. 堆积柱状图代码如下plt.bar(x = [1, 2, 3, 4], height = [4, 3, 2, 1], label = 'sampleA')plt.bar(x = [1, 2, 3, 4], height = [4, 3, 2, 1], bottom = [4, 3, 2, 1], label = 'sampleB')plt.legend()核⼼是通过将第⼀组柱⼦的⾼度作为第⼆组柱⼦的底部，即bottom参数，从⽽实现堆积的效果，输出结果如下2. 分组柱状图代码如下width = 0.4plt.bar(x = np.array([1, 2, 3, 4]) - width / 2, height = [4, 3, 2, 1], width = width, label = 'sampleA')plt.bar(x = np.array([1, 2, 3, 4]) + width / 2, height = [1, 2, 3, 4], width = width, label = 'sampleB')plt.legend()核⼼是根据宽度的值，⼿动计算柱⼦的中⼼坐标，然后⾃然叠加就可以形成⽔平展开的分组柱状图，输出结果如下matplotlib并不像R包ggplot2那样，提供了⼀步到位的接⼝，⽽是通过叠加组合最⼤程度的保留了灵活性，通过⼀⾏⾏绘图代码的叠加来实现复杂图表。
数据分析第二篇：matplotlib常用的几个绘图方法
数据分析第⼆篇：matplotlib常⽤的⼏个绘图⽅法Matplotlibmatplotlib是python的绘图库，使⽤它可以很⽅便的绘制出版质量级别的图形matplotlib的基本功能1.基本绘图1.1 绘制坐标系中连续的线，设置线型/线宽/颜⾊绘制⼀条线的相关APIimport numpy as npimport matplotlib.pyplot as plt# xarray：散点的x坐标数组# yarray：散点的y坐标数组plt.plot(xarray, yarray)plt.show()import numpy as npimport matplotlib.pyplot as pltx = np.arange(1,10)y = np.arange(1,10)plt.plot(x, y)plt.show()绘制⽔平线和垂直线相关API# 绘制⼀条垂直x轴的线，需要给定x坐标值的value,指定y坐标范围plt.vlines(value, ymin, ymax,..)# 绘制⼀条垂直y轴的线，需要给定y坐标值的value,指定x坐标范围plt.hlines(value, xmin, xmax,..)import numpy as npimport matplotlib.pyplot as pltx = np.arange(1,10)y = np.arange(1,10)plt.plot(x, y)plt.vlines(5, 3, 8)plt.hlines(5, 3, 8)plt.show()线型/线宽/颜⾊plt.plot(x,y,linestyle='', # 线型linewidth=1, # 线宽color='', # 颜⾊alpha=0.5 # 透明度)r 红⾊g 绿⾊b 蓝⾊c cyanm 紫⾊y ⼟黄⾊k ⿊⾊w ⽩⾊1.2 设置坐标轴的范围plt.xlim(x_lim_min, x_lim_max)plt.ylim(y_lim_min, y_lim_max)1.3 设置坐标刻度# 设置x轴的坐标刻度# x_val_list：坐标值列表# x_text_list：坐标刻度列表plt.xticks(x_val_list, x_text_list)plt.yticks(y_val_list, y_text_list)# 设置坐标刻度[-π，-π/2, 0, π/2, π]---------------⽅法⼀------------x_val_list= [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]x_text_list = ['-π','-π/2','0','π/2','π']plt.xticks(x_val_list, x_text_list)--------------⽅法⼆-------------x_text_list = [r'$-\pi$',r'$-\frac{\pi}{2}$',r'0',r'$\frac{\pi}{2}$',r'${\pi}$']刻度⽂本的特殊语法 - LaTeX排版语法规范设置坐标轴坐标轴包含四个：left/right/bottom/top# getCurrentAxis() 获取当前坐标轴对象ax = plt.gca()ax1 = ax.spines['left']axr = ax.spines['right']# 设置坐标轴的颜⾊axl.set_color('none') # 设置坐标轴颜⾊为透明# 设置坐标轴的位置axl.set_position((type,val))# 设置坐标轴颜⾊与位置ax = plt.gca()ax.spines['top'].set_color('none')ax.spines['right'].set_color('none')ax.spines['left'].set_position(('data',0))ax.spines['bottom'].set_position(('data',0))1.4 显⽰图例# ⾃动在窗⼝中某个位置添加图例# 添加图例需要在调⽤plt.plot()绘制曲线时设置label参数通过loc参数设置图例的位置plt.legend(loc='')# 实例plt.plot(x, cos_x, linestyle='--', linewidth=3, color='y', label=r'$y =\frac{1}{2}cos(x)$') plt.plot(x, sin_x, linestyle='-.', linewidth=1, color='m', label=r'$y=sin(x)$')plt.legend()1.5 绘制特殊点plt.scatter(x,y,marker='', # 点型s=3, # 点的⼤⼩edgecolor='', # 边缘⾊facecolor='', # 填充⾊zorder=3) # 绘制顺序1.6 为图像添加备注plt.annotate('', # 备注内容xycoords='', # 备注⽬标点使⽤的坐标系xy=(x,y), # 备注⽬标点的坐标textcoords= '', # 备注⽂本使⽤的坐标系xytext = (x,y), # 备注⽂本的坐标fontsize = 14, # 备注⽂本字体⼤⼩arrowprops = dict() # 提⽰箭头属性)arrowprops参数使⽤字典定义只想⽬标点的箭头样式arrowprops = dict(arrowstyle = '', # 定义箭头样式connectionstyle = '' # 定义连接线样式)# 可设置箭头的弧度connectionstyle='arc3, rad=0.1',2.⾼级绘图2.1 绘制⼦图⼀次绘制两个窗⼝plt.figure('', # 窗⼝标题figsize=(4,3), # 窗⼝⼤⼩facecolor = '' # 窗⼝颜⾊)plt.show() # 展⽰窗⼝# 可以创建多个窗⼝，每个窗⼝的标题不同，后续调⽤plt的⽅法进⾏绘制时将作⽤于当前窗⼝上#，如果希望修改已经创建过的窗⼝，可以通过plt.figure('figure1')⽅法把该窗⼝设置为当前窗⼝。
- 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)。
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)
在Matplotlib库载入时会调用rc_params函数，并把得到的配置字典保存到rcParams变量中。通过修改字典的方 式或用matplotlib.rc()函数修改rc参数。修改默认rc参数后，图形对应属性就会发生改变。此处将介绍常用的rc参数 ，包括线条、坐标轴、字体等。
大数据挖掘专家
12
动态rc参数
接收normal或small-caps。默认为normal
接收normal，bold，bolder，lighter这4种str，以 及100，200，……，900。默认为normal 接 收 ultra-condensed ， extra-condensed ， condensed ， semi-condensed ， normal ， semiexpanded ， expanded ， extra-expanded ， ultraexpanded，wider，and narrower这11种str。默认 为normal
font.stretch 字体延伸
font.size
字体大小
取值
接 收 serif ， sans-serif ， cursive ， fantasy ， monospace5种str。默认为sans-serif 接收normal(roman），italic，oblique这3种str。 默认为normal
➢ 使用自编函数绘图并添加文本得到的图形如右图 所示。
大数据挖掘专家
8
编号风格
2. 绘图风格
➢ Matplotlib中，pyplot的style子模块里面定义了很多预设风格，方便进行风格转换。每一个预设的风格都储存在 一个以.mplstyle为后缀的style文件中。读者可以在stylelib文件夹中查看，如下图所示。
大数据挖掘专家
5
编号风格
1. 基础流程
③ 添加画布内容。第二部分是绘图的主体部分。添加标题、坐标轴名称等步骤与绘制图形是并列的，没有先后顺 序，可以先绘制图形，也可以先添加各类标签，但是添加图例一定要在绘制图形之后。pyplot模块中添加各类 标签和图例的函数如下表所示。
函数名称 title xlabel ylabel xlim ylim xticks yticks
1. 线条常用的rc参数
➢ 管理线条属性的rc参数lines几乎可以控制线条的 每一个细节，线条常用的rc参数修改前后对比示 例如右图所示。
大数据挖掘专家
13
动态rc参数
1. 线条常用的rc参数
➢ 针对线条常用的rc参数名称、解释与取值如下表所示。
rc参数名称
解释
lines.linewidth 线条宽度
接收bool。默认为True
接收float。默认为0.05
大数据挖掘专家
18
动态rc参数
3. 字体常用的rc参数
➢ 由于默认的pyplot字体并不支持中文字符的显示，因此需要通过修改font.sans-serif参数来修改绘图时的字体，使 得图形可以正常显示中文。同时，由于修改字体后，会导致坐标轴中负号“-”无法正常显示，因此需要同时 修改axes.unicode_minus参数。参数修改前后对比如下左图和右图所示。
大数据挖掘专家
6
编号风格
1. 基础流程
④ 图形保存与展示。绘制图形之后，可使用matplotlib.pyplot.savefig()函数保存图片到指定路径，使用 matplotlib.pyplot.show()函数展示图形。综合整体流程绘制函数“y=x^2”与“y=x”图形，得到的图形如下图 所示。
大数据，成就未来
Matplotlib基础绘图
目录
1
Matplotlib绘图基础
2
分析特征关系常用图形
3
分析特征内部数据状态常用图形
4
小结
大数据挖掘专家
2
Matlplotlib绘图基础
Matplotlib是Python下的2D绘图库，也是最著名的Python绘图库。虽然Matlpotlib的代码库很庞大，但是可以 通过简单的概念框架和重要的知识来理解掌握。Matplotlib图像可以分为如下4层结构。 ➢ canvas（画板）。位于最底层，导入Matplotlib库时就自动存在。 ➢ figure（画布）。建立在canvas之上，从这一层就能开始设置其参数。 ➢ axes（子图）。将figure分成不同块，实现分面绘图。 ➢ 图表信息（构图元素）。添加或修改axes上的图形信息，优化图表的显示效果。
大数据挖掘专家
16
动态rc参数
2. 坐标轴常用的rc参数
In[7]:
Out[7]:
x = np.linspace(0, 10, 1000) plt.rcParams['axes.edgecolor'] = 'b' # 轴颜色设置为蓝色 plt.rcParams['axes.grid'] = True # 添加网格 plt.rcParams['axes.spines.top'] = False # 去除顶部轴 plt.rcParams['axes.spines.right'] = False # 去除右侧轴 plt.rcParams['axes.xmargin'] = 0.1 # x轴余留为区间长度的0.1倍
大数据挖掘专家
11
动态rc参数
在Matplotlib中可以使用如下多个“matplotlibrc”配置文件，并且调用时按照该排序优先采用。 ➢ 当前路径：程序的当前路径。 ➢ 用户配置路径：在用户文件夹的“.matplotlib”目录下，可通过环境变量matplotlibrc修改它的位置。通过
matplotlib.get_configdir()函数可以获得该路径。 ➢ 系统配置路径：保存在Matplotlib的安装目录下的mpl-data文件夹中。
接收float。默认为10
大数据挖掘专家
20
目录
大数据挖掘专家
3
编号风格
1. 基础流程
➢ 根据Matplotlib图像的4层图像结构，pyplot模块绘制图形基本都遵循一个流程，使用这个流程可以完成大部分 图形的绘制。pyplot模块基本绘图流程主要分为3个部分，如下图所示。
第一部分
第二部分
否
第三部分
添加标题
添加X轴名称
创
选
绘添
建 画
是否创建子图
取值 取0~10之间的数值，默认为1.5
lines.linestyle 线条样式
可取“-”“--”“-.”“：”四种。默认为“-”
lines.marker
线条上点的形状
可取“o”“D”“h”“.”“,”“S”等20种，默 认为None
lines.markersiz e
点的大小
取0~10之间的数值，默认为1
15
动态rc参数
2. 坐标轴常用的rc参数
➢ 同样，管理坐标轴属性的rc参数axes也能控制坐标轴的任意细节。坐标轴常用的rc参数修改如下代码所示。
In[6]: Out[6]:
x = np.linspace(0, 10, 1000) plt.plot(x, np.sin(x)) plt.show()
axes.titlesize
解释 背景颜色 边线颜色 轴线宽度 添加网格
标题大小
belsize
轴标大小
belcolor axes.spines.{left,bottom,top,tig ht} axes.{x,y}margin
轴标颜色 添加坐标轴 轴边距
取值 接收颜色简写字符。默认为“w” 接收颜色简写字符。默认为“k” 接收0~1的float。默认为0.8 接收bool。默认为False 接 收 “ small ” ， “ medium ” ， “large”。默认为“large” 接 收 “ small ” ， “ medium ” ， “large”。默认为“medium” 接收颜色简写字符。默认为“k”