Matplotlib可视化教程

风晓
风晓 2023-12-28 14:08:47 48430 赞同 0 反对 0
分类： 资源
本文会逐步整理maplotlib常见用法
  • matplotlib版本：3.1.1
import matplotlib.pyplot as plt
import numpy as np
import random

基础图表

基本示例

# 生成数据
x = np.linspace(0, 10, 1000) 
y = x**2

plt.figure()  # 新建一个空画布
plt.plot(x, y)  # 绘图
plt.show()

另一种实现方式；

#生成数据
x = np.linspace(0, 10, 1000) 
y = x**3

fig, ax = plt.subplots()   # 创建画布（包含axes）
ax.plot(x, y)  
plt.show()

折线图

  • 设置标题；
  • 画布大小设置；
  • 线型设置；
# 生成数据
x = np.linspace(-10, 10, 1000) 

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.plot(x, np.sin(x), ':r', label='sin(x)')  
plt.plot(x, np.cos(x), '-.g', label='cos(x)') 
plt.legend()    # 显示图例
plt.title("I'm Title")
plt.show()

中文显示（默认中文会显示方框）；

坐标轴文本设置；

# 指定字体，默认不支持中文显示
# 显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']  #Windows
#plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] #Mac
plt.rcParams['axes.unicode_minus'] = False


# 生成数据
x = np.linspace(-10, 10, 1000) 

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.plot(x, np.sin(x), ':r', label='sin(x)')  
plt.plot(x, np.cos(x), '-.g', label='cos(x)') 
plt.legend()    # 显示图例
plt.title("我是中文标题")
plt.ylabel('我是Y轴')
plt.show()

柱状图/直方图

  • 标题/标题位置设置；
  • 图例显示；
# 示例数据，
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [123, 153, 157, 107, 98, 142]
data2 = [56, 77, 93, 68, 45, 67]

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.bar(cate, data1, label='总计')
plt.bar(cate, data2, label='线上')
plt.legend()
plt.title('各手机品牌销售额对比', 
          # 设置标题位置
          loc="left")
plt.show()
  • 图像不重叠；
  • 设置字体/字体大小；
  • 刻度值设置；
# 示例数据，
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [89, 45, 56, 74, 23, 21]
data2 = [56, 77, 93, 68, 45, 67]

x_location = np.arange(len(cate))

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.bar(x_location, data1, label='线下', width=0.3)
plt.bar(x_location+0.3, data2, label='线上', width=0.3)

# 为X轴设置刻度值
plt.xticks(x_location+0.15, cate)
plt.legend()
plt.title('各手机品牌销售额对比', loc="left", 
          # 设置标题字体
          fontdict={'fontsize':18,'color':'red'})
plt.show()

纵向显示

如遇标签过长，可选择纵向显示图像；

# 示例数据，
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [89, 45, 56, 74, 23, 21]
data2 = [56, 77, 93, 68, 45, 67]

x_location = np.arange(len(cate))

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.barh(x_location, data1, label='线下', height=0.3)
plt.barh(x_location+0.3, data2, label='线上', height=0.3)

# 为X轴设置刻度值
plt.yticks(x_location+0.15, cate)
plt.legend()
plt.title('各手机品牌销售额对比', loc="left", 
          # 设置标题字体
          fontdict={'fontsize':18,'color':'red'})
plt.show()

饼图

  • 基础示例；
  • 显示百分比；
# 示例数据
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data = [153, 124, 107, 99, 89, 46]

plt.figure(figsize=(5, 5))  # 新建一个空画布，设置尺寸
plt.pie(data, labels=cate,
        # 显示百分比，支持调用方法
        autopct='%.2f%%')
plt.show()
  • 突出显示类目；
  • 显示阴影；
# 示例数据
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data = [153, 124, 107, 99, 89, 46]

plt.figure(figsize=(5, 5))  # 新建一个空画布，设置尺寸
plt.pie(data, labels=cate,
        # 对应类目偏移，0为不偏移
        explode=[0,0.1,0,0,0.2,0],
        autopct='%.2f%%',
        shadow=True)
plt.show()
  • 标签文本设置
  • 颜色设置
# 示例数据
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data = [153, 124, 107, 99, 89, 46]

plt.figure(figsize=(8, 8))  # 新建一个空画布，设置尺寸
plt.pie(data, 
        labels=cate, 
        explode=[0,0.1,0,0,0,0],
        autopct='%.2f%%',
        shadow=True,
        # 自定义颜色，不需要于类目数相等，循环调用
        colors=['#FFC0CB', '#FF00FF', '#FFD700', '#FFA500', '#00FF7F', 'blue'],
        # 文本设置，包括字体，大小，颜色等属性
        textprops={'fontsize':12,'color':'red'})
plt.legend()
plt.show()

散点图

  • 基础示例；
data_x = [random.randint(1, 100) for _ in range(1000)]
data_y = [random.randint(1, 100) for _ in range(1000)]
          
plt.figure(figsize=(8, 8))
plt.scatter(data_x, data_y)
plt.show()
  • 设置散点颜色；
  • 设置散点大小；
  • 透明度设置；
N = 100
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = np.pi * (15 * np.random.rand(N))**2 

plt.figure(figsize=(8, 8))
plt.scatter(x, y, 
            # 图形大小
            s=area, 
            # 颜色
            c=colors, 
            # 透明度
            alpha=0.3)
plt.show()

图表动态刷新

交互模式

  • 我们在训练模型的时候，可能需要去不停去更新图表数据；
# jupyter中动态显示需要
from IPython import display

x, y1, y2 = [], [], []
plt.ion()    # 交互模式打开
for i in np.linspace(0,20,500):
    x.append(i)
    y1.append(np.cos(i))
    y2.append(np.sin(i))
    plt.figure(figsize=(12, 2))
    plt.clf()   
    plt.ylim(-1, 1)    # 设置y轴刻度值最大最小值
    plt.plot(x, y1, '--r')
    plt.plot(x, y2, 'g')
    plt.pause(0.1)
    display.clear_output(wait=True)    # 清除输出
plt.ioff()   # 关闭交互模式

子图/图表风格

  • 多子图；
  • 图表风格设置；
# 可用风格
style_list = plt.style.available

# 数据
cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [89, 45, 56, 74, 23, 21]
data2 = [56, 77, 93, 68, 45, 67]
x_location = np.arange(len(cate))

plt.figure(figsize=(20, 40))
for i, style in enumerate(style_list):
    
    with plt.style.context(style):  # 设置图表风格     
        plt.subplot(7, 4, i+1)
        plt.bar(x_location, data1, label='线下', width=0.3)
        plt.bar(x_location+0.3, data2, label='线上', width=0.3)

        # 为X轴设置刻度值
        plt.xticks(x_location+0.15, cate)
        plt.title(style,
                 fontdict={'fontsize':20,'color':'red'})
plt.show()

图片显示

  • 指定图片通道（RGB为例）；
from PIL import Image

img = Image.open('img/新垣结衣.jpeg')

plt.figure(figsize=(15, 8))
plt.subplot(1, 2, 1)
plt.imshow(img)
plt.axis('off') # 关掉坐标轴为 off
plt.subplot(1, 2, 2)

# 显示灰度图片
plt.imshow(img.convert('L'), cmap='gray')
plt.axis('off') # 关掉坐标轴为 off
plt.show()

如果您发现该资源为电子书等存在侵权的资源或对该资源描述不正确等，可点击“私信”按钮向作者进行反馈；如作者无回复可进行平台仲裁，我们会在第一时间进行处理！

评价 0 条

相关资源

  • 可视化学习：CSS transform与仿射变换 2023-12-29 53401 浏览

    在几年前，我就在一些博客中看到关于CSS中transform的分析，讲到它与线性代数中矩阵的关系，但当时由于使用transform比较少，再加上我毕竟是个数学学渣，对数学有点畏难心理，就有点看不下去，所以只是随便扫了两眼，就没有再继续了解了。现在在学习可视化，又遇到了这个点，又说到这是可视化的基础知识，既然这样，那看来还是逃不过去，那就再多了解一点吧。

  • 一款开源的Linux可视化管理项目，运维效率翻倍 2024-01-05 48613 浏览

    Linux是个非常好的开源操作系统，功能强大，使用也非常广泛，服务器的运维管理主要依赖命令行操作，但是这种方式对于普通人来说，晦涩难懂，相对复杂，今天介绍一款开源的Linux 可视化管理项目1panel。

  • 使用TorchLens可视化一个简单的神经网络 2024-01-02 49781 浏览

    TorchLens：可用于可视化任何PyTorch模型，一个包用于在一行代码中提取和映射PyTorch模型中每个张量运算的结果。TorchLens功能非常强大，如果能够熟练掌握，算是可视化PyTorch模型的一把利剑。本文通过TorchLens可视化一个简单神经网络，算是抛砖引玉吧。

  • 可视化学习：图形系统中的颜色表示 2023-12-29 50598 浏览

    说到颜色，前端的小伙伴们一定都不陌生，比如字体颜色、背景色等等，颜色是构建视觉效果的重要部分，所以也必然是可视化的关键部分，当学习到可视化中有关于颜色表示的这一部分时，我也想起了我曾经玩过的一个游戏，叫做Blendoku，这个名字和数独的Sudoku有些类似，考验的是玩家对颜色的敏锐度，下面是其中一个关卡的截图，可以明显看出，这个截图中有一个颜色渐变的趋势。色彩对人的视觉感知以及情绪心理都存在不少的影响，所以了解颜色表示对可视化非常重要。那么图形系统中都有哪些颜色表示方式呢？

  • 探索Kafka可视化工具的奥秘：你必须掌握的五种工具 2024-01-05 51401 浏览

    探索Kafka可视化工具的世界：你需要了解的五种工具

  • 可视化学习：WebGL的基础使用 2023-12-29 52847 浏览

    继续复习可视化的学习。WebGL和其他Web端的图形系统存在很大的不同，是OpenGL ES规范在浏览器的实现，它最大的不同就在于它更接近底层，可以由开发者直接操作GPU来实现绘图，性能很好，可以充分利用GPU并行计算的能力，并且WebGL还支持3D物体的渲染；WebGL最大的缺点应该就在于它的使用比较复杂，不易掌握，不同于一般的Web API使用，想要掌握好WebGL，还需要了解与WebGL相关的GLSL语言。

  • 告别敲命令！麒麟软件MakeInstaller搞定可视化一键安装包 2024-01-05 50558 浏览

    麒麟软件MakeInstaller搞定可视化一键安装包

  • 炫酷，SpringBoot+Echarts实现用户访问地图可视化（附源码） 2024-01-01 51788 浏览

    SpringBoot+Echarts用户访问地图可视化 意义 在常见的电商、新闻、社交网站等，合理运用运营成本才能最大化输出自己的产品，其中最常见的功能就有针对不同访问热度的城市制定不同的运营手段，因此我们掌握用户城市分布情况至关重要。 pc端与移动端不同，无法依托手机自带的gps定位到用户所在城市，只能通过ip来进行判断所在地理位置。

  • 可视化学习：利用向量判断多边形边界 2023-12-29 51542 浏览

    继续巩固我的可视化学习，向量运算是计算机图形学的基础，本例依旧是向量的一种应用，利用向量判断多边形边界，但是多边形的边界判断稍微有点复杂，所以除了应用向量之外，还需要借助三角剖分的相关工具。这个例子中可视化的展示采用Canvas2D来实现。

  • 可视化学习： 利用向量计算点到线段的距离并展示 2023-12-29 51981 浏览

    最近我在学可视化的东西，借此来巩固一下学习的内容，向量运算是计算机图形学的基础，这个例子就是向量的一种应用，是利用向量来计算点到线段的距离，这个例子中可视化的展示采用Canvas2D来实现。 说起向量，当时一看到这个词，我是一种很模糊的记忆；这些是中学学的东西，感觉好像都还给老师了。然后又说起了向量的乘法，当看到点积、叉积这两个词，我才猛然想起点乘和叉乘；但整体上还是模模糊糊的，不太记得两者具体的定义了；就找资料快速过了一遍吧。 因为本文中不涉及向量的基础知识；如果有跟我一样遗忘的小伙伴，可以找点视频回忆一下，或者是找点资料看下。

风晓
风晓L1
粉丝 1 资源 2038 + 关注 私信
最近热门资源
银河麒麟桌面操作系统备份用户数据  123
统信桌面专业版【全盘安装UOS系统】介绍  117
银河麒麟桌面操作系统安装佳能打印机驱动方法  109
银河麒麟桌面操作系统 V10-SP1用户密码修改  102
最近下载排行榜
银河麒麟桌面操作系统备份用户数据 0
统信桌面专业版【全盘安装UOS系统】介绍 0
银河麒麟桌面操作系统安装佳能打印机驱动方法 0
银河麒麟桌面操作系统 V10-SP1用户密码修改 0
作者收入月榜
1

prtyaa 收益393.62元

2

zlj141319 收益218元

3

1843880570 收益214.2元

4

IT-feng 收益209.03元

5

风晓 收益208.24元

6

777 收益172.71元

7

Fhawking 收益106.6元

8

信创来了 收益105.84元

9

克里斯蒂亚诺诺 收益91.08元

10

技术-小陈 收益79.5元

请使用微信扫码

加入交流群

请使用微信扫一扫!