matplotlib知识点整理

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。

参考

• matplotlib-绘制精美的图表

• matplotlib.pyplot.plt参数介绍

import matplotlib.pyplot as plt labels='frogs','hogs','dogs','logs' sizes=15,20,45,10 colors='yellowgreen','gold','lightskyblue','lightcoral' explode=0,0.1,0,0 plt.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 plt plt.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。

%matplotlib inline  #notebook模式下 %pylab inline    #ipython模式下

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：

线条相关属性标记设置

用来该表线条的属性

线条标记

颜色

可以通过调用 matplotlib.pyplot.colors() 得到matplotlib支持的所有颜色。

如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：

• 使用HTML十六进制字符串 color='eeefff' 使用合法的HTML颜色名字（'red','chartreuse'等）。

• 也可以传入一个归一化到[0,1]的RGB元祖。 color=(0.3,0.3,0.4)

背景色

通过向如 matplotlib.pyplot.axes() 或者 matplotlib.pyplot.subplot() 这样的方法提供一个 axisbg 参数，可以指定坐标这的背景色。

subplot(111,axisbg=(0.1843,0.3098,0.3098)

基础

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].

图片来自: 绘图: matplotlib核心剖析

确定坐标范围

• plt.axis([xmin, xmax, ymin, ymax])上面例子里的axis()命令给定了坐标范围。

• xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围

%matplotlib inline import numpy as np import matplotlib.pyplot as plt from 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 xlim(-2.5, 2.5) #设置y轴范围 ylim(-1, 1) plt.plot(x, y1)

叠加图

用一条指令画多条不同格式的线。

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

plt.figure()

你可以多次使用figure命令来产生多个图，其中，图片号按顺序增加。这里，要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常，你并不需要考虑这些事，下面的这个例子为大家演示这一细节。

import matplotlib.pyplot as plt 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

figure感觉就是给图像ID，之后可以索引定位到它。

plt.text()添加文字说明

• 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

import numpy as np import matplotlib.pyplot as plt  mu, sigma = 100, 15 x = 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()

text中前两个参数感觉应该是文本出现的坐标位置。

plt.annotate()文本注释

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)。 ¹

import numpy as np import matplotlib.pyplot as plt  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

现在是明白干嘛用的了，就是人为设置坐标轴的刻度显示的值。

# 导入 matplotlib 的所有内容（nympy 可以用 np 这个名字来使用） from pylab import *  # 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()

当我们设置记号的时候，我们可以同时设置记号的标签。注意这里使用了 LaTeX。 ²

移动脊柱 坐标系

ax = gca() ax.spines['right'].set_color('none') ax.spines['top'].set_color('none') ax.xaxis.set_ticks_position('bottom') ax.spines['bottom'].set_position(('data',0)) ax.yaxis.set_ticks_position('left') ax.spines['left'].set_position(('data',0))

这个地方确实没看懂，囧，以后再说吧，感觉就是移动了坐标轴的位置。

plt.legend()添加图例

plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine") plot(X, S, color="red",  linewidth=2.5, linestyle="-", label="sine")  legend(loc='upper left')

matplotlib.pyplot

使用 plt.style.use('ggplot') 命令，可以作出ggplot风格的图片。

# Import necessary packages import pandas as pd %matplotlib inline import matplotlib.pyplot as plt plt.style.use('ggplot') from sklearn import datasets from sklearn import linear_model import numpy as np # Load data boston = datasets.load_boston() yb = boston.target.reshape(-1, 1) Xb = boston['data'][:,5].reshape(-1, 1) # Plot data plt.scatter(Xb,yb) plt.ylabel('value of house /1000 ($)') plt.xlabel('number of rooms') # Create linear regression object regr = linear_model.LinearRegression() # Train the model using the training sets regr.fit( Xb, yb) # Plot outputs plt.scatter(Xb, yb,  color='black') plt.plot(Xb, regr.predict(Xb), color='blue',          linewidth=3) plt.show() 

给特殊点做注释

好吧，又是注释，多个例子参考一下！

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先，我们在对应的函数图像位置上画一个点；然后，向横轴引一条垂线，以虚线标记；最后，写上标签。

t = 2*np.pi/3 # 作一条垂直于x轴的线段，由数学知识可知，横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。 plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--") scatter([t,],[np.cos(t),], 50, color ='blue')  annotate(r'$/sin(/frac{2/pi}{3})=/frac{/sqrt{3}}{2}$',          xy=(t, np.sin(t)), xycoords='data',          xytext=(+10, +30), textcoords='offset points', fontsize=16,          arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))  plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--") scatter([t,],[np.sin(t),], 50, color ='red')  annotate(r'$/cos(/frac{2/pi}{3})=-/frac{1}{2}$',          xy=(t, np.cos(t)), xycoords='data',          xytext=(-90, -50), textcoords='offset points', fontsize=16,          arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) 

plt.subplot()

plt.subplot(2,3,1) 表示把图标分割成2*3的网格。也可以简写 plt.subplot(231) 。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。

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 ^{3 4} ：

plt.axes-官方文档

• 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.

show code:

http://matplotlib.org/examples/pylab_examples/axes_demo.html  import matplotlib.pyplot as plt import numpy as np  # create some data to use for the plot 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.show()

pyplot.pie参数

• matplotlib.pyplot.pie

colors颜色

找出matpltlib.pyplot.plot中的colors可以取哪些值？

• so-Named colors in matplotlib

• CSDN-matplotlib学习之（四）设置线条颜色、形状

for name,hex in matplotlib.colors.cnames.iteritems():     print name,hex

打印颜色值和对应的RGB值。

• plt.axis('equal') 避免比例压缩为椭圆

autopct

• How do I use matplotlib autopct?

autopct enables you to display the percent value using Python string formatting. For example, if autopct='%.2f', then for each pie wedge, the format string is '%.2f' and the numerical percent value for that wedge is pct, so the wedge label is set to the string '%.2f'%pct.