20. Matplotlib 数据可视化

目录

    • 1. 简介
    • 2. Matplotlib 开发环境
      • 2.1 画图
      • 2.2 画图接口
      • 2.4 线形图
      • 2.5 散点图
      • 2.6 等高线图
      • 2.7 直方图

1. 简介

Matplotlib网址：https://matplotlib.org/

数据可视化是数据分析中最重要的工作之一。Matploblib是建立在Numpy数组基础上的多平台数据可视化程序库，专门用于开发2D图表（包括3D图表）。matploblib继承了Matlab的交互性，用户可以逐条输入命令，为数据生成渐趋完整的图形表示。

Matplotlib注意有如下优点：

  • 使用简单。
  • 以渐进、交互式方式实现数据可视化。
  • 表达式和文本使用LaTeX排版。
  • 对图像元素控制力强。
  • 可输出PNG、PDF、SVG和EPS。

安装和导入Matplotab

# 安装Pandas
'''Windows 按住win+R 输入 cmd，Mac 打开Terminal
conda install matplotlib
pip install matplotlib
'''
import matplotlib as mpl # 导入模块
import matplotlib.pyplot as plt # 导入模块方法

2. Matplotlib 开发环境

Matplotlib 有3种开发环境，分别是脚本、IPython shell 和 IPython Notebook。

2.1 画图

在脚本中画图

如果在一个脚本文件中使用Matplotlib，那么现实图形的时候必须使用plt.show()启动一个事件循环（event loop），并找到所有当前可用的图形对象，然后打开一个或多个交互式窗口显示图形。

# 方法一
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100) # 生成1～10中100个等差数
plt.plot(x,np.sin(x)) # 正弦曲线
plt.plot(x,np.cos(x)) # 余弦曲线
plt.show() # 画图

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
fig = plt.figure()
plt.plot(x,np.sin(x))
plt.plot(x,np.cos(x))

在IPython shell中画图

在IPython中使用%matplotlib魔法命令，启动Matplotlib模式，就不需要使用plt.show()。

%matplotlib
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
plt.plot(x,np.sin(x))
plt.plot(x,np.cos(x))

在IPython Notebook中画图

IPython Notebook 是一款基于浏览器的交互式数据分析工具，可以将描述文字、代码、图形、HTML元素以及更多的媒体形式组合起来，集成到单个可执行的Notebook文档中。

  • %matplotlib notebook：在Notebook中启动交互式图形。
  • %matplotlib inline：在Notebook中启动静态图形。
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
fig = plt.figure()
plt.plot(x,np.sin(x))
plt.plot(x,np.cos(x))

2.2 画图接口

Matplotlib 提供了两种画图接口：一种是便捷的Matlab风格接口，另一个是功能更强大的面向对象接口。

Matlab 风格接口：最重要的特性是有状态的（stateful），它持续跟踪当前的图形和坐标轴，所有plt命令都可以应用。可以使用plt.gcf()获取当前图形的具体信息，使用plt.gca()获取当前坐标轴的具体信息。

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
plt.figure() # 创建图形
plt.subplot(2,1,1) # 创建两个子图中的第一个，设置坐标轴，行、列、子图编号
plt.plot(x,np.sin(x))
plt.subplot(2,1,2) # 创建两个子图中的第二个，设置坐标轴
plt.plot(x,np.cos(x))

面向对象接口：可适应更复杂的场景，可以更好地控制图形。画图函数不再受到当前活动的图形或坐标轴的限制，而变成了显式的Figure和Axes的方法。复杂图形时，面向对象接口方法更方便。

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
fig,ax = plt.subplots(2) # 创建图形网格，ax是一个包含两个Axes对象的数组
ax[0].plot(x,np.sin(x))
ax[1].plot(x,np.cos(x))

在这里插入图片描述

2.4 线形图

线性图形就是方程y=f(x)使用plt.style可以选择图形的绘图风格。figure 可以被看成是一个能够容纳各种坐标轴、图形、文字和标签的容器。axes 是一个带有刻度和标签的矩形，最终包含所有可视化的图形元素。

plt.style.use('seaborn-whitegrid') # 
fig = plt.figure() # 创建一个图形 fig
ax = plt.axes() # 创建一个坐标 ax
x = np.linspace(0,10,1000)
ax.plot(x,np.sin(x)) # 使用 ax.plot画图
plt.plot(x,np.cos(x)) # 使用 pylab 接口画图

调整线条的颜色与风格

put.plot()函数可以通过相应的参数设置颜色与风格。要修改颜色，可以使用color参数，它支持各种颜色值的字符串。

plt.plot(x,np.sin(x-0),color='blue') # 标准颜色名称
plt.plot(x,np.sin(x-1),color='g') # 缩写颜色代码
plt.plot(x,np.sin(x-2),color='0.75') # 范围在0～1的灰度值
plt.plot(x,np.sin(x-3),color='#FFDD44') # 十六进制（RRGGBB，00～FF）
plt.plot(x,np.sin(x-4),color=(1.0,0.2,0.3)) # RGB 元组，范围0～1
plt.plot(x,np.sin(x-5),color='chartreuse') # HTML 颜色名称

在这里插入图片描述

使用linestyle可以调整线条的风格

plt.plot(x,x+0,linestyle='solid')
plt.plot(x,x+1,linestyle='dashed')
plt.plot(x,x+2,linestyle='dashdot')
plt.plot(x,x+3,linestyle='dotted')
plt.plot(x,x+4,linestyle='-') # 实线
plt.plot(x,x+5,linestyle='--') # 虚线
plt.plot(x,x+6,linestyle='-.') # 点画线
plt.plot(x,x+7,linestyle=':') # 实点线

在这里插入图片描述

也可以将linestyle和color组合起来，作为plt.plot()函数的一个非关键字使用。

plt.plot(x,x+0,'-g') # 绿色实线
plt.plot(x,x+1,'--c') # 青色虚线
plt.plot(x,x+2,'-.k') # 黑色点画线
plt.plot(x,x+3,':r') # 红色实点线

在这里插入图片描述

调整坐标轴上下限和设置图形标签

Matplotlib 自动为图形选择最合适的坐标轴上下限，但是有时自定义坐标轴上下限可能会更好。调整坐标轴上下限最基础的方法是plt.xlim()和plt.ylim()。

也可以使用plt.axis()，通过传入[xmin,xmax,ymin,ymax]对应的值，它还可以按照图形的内容自动收紧坐标轴，不留空白区域。

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
fig = plt.figure()
plt.plot(x,np.sin(x))
# plt.xlim(-1,11)
# plt.ylim(-1.5,1.5)
plt.axis([-1,11,-1.5,1.5])
plt.axis('tight') # 根据内容自动收紧坐标轴，不留空白
plt.axis('equal') # 设置分辨率为1:1，x轴单位长度和y轴单位长度相等
plt.title('y=sin(x)') # 标题
plt.xlabel('x') # x轴标题
plt.ylabel('sin(x)') # y轴标题

在这里插入图片描述

也可以使用plt.legend()方法创建图例。将每条的标签与其风格、颜色自动匹配。

plt.plot(x,np.sin(x),'-g',label='sin(x)')
plt.plot(x,np.cos(x),':b',label='cos(x)')
plt.axis('equal')
plt.legend() # 自动匹配

在这里插入图片描述

2.5 散点图

散点图是由独立的恶点、圆圈或其它形状构成的。

使用plt.plot/ax.plot画散点图。

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn-whitegrid')
x = np.linspace(0,10,30)
y = np.sin(x)
plt.plot(x,y,'o',color='black')

rng = np.random.RandomState(0)
for marker in ['o','.',',','x','+','v','^','<','>','s','d']:plt.plot(rng.rand(5),rng.rand(5),marker,label="marker='{0}'".format(marker))plt.legend(numpoints=1)plt.xlim(0,1.8)

在这里插入图片描述

plt.plot(x,y,'-ok') # 直线（-）、圆圈（o)、黑色（k）plt.plot(x,y,'-p',color='gray',markersize=15,linewidth=4,markerfacecolor='white',markeredgecolor='gray',markeredgewidth=2)
plt.ylim(-1.2,1.2)

用plt.scatter函数画散点图。

plt.scatter与plt.plot的主要区别：前者在创建散点图时具有更高的灵活性，可以单独控制每个散点图与数据匹配，也可以让每个散点图具有不同的属性（大小、表面颜色、边框颜色等）

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()

在这里插入图片描述

from sklearn.datasets import load_iris
iris = load_iris()
features = iris.data.T
plt.scatter(features[0],features[1],alpha=0.2,s=100*features[3],c=iris.target,cmap='viridis')
plt.xlabel(iris.feature_names[0])
plt.ylabel(iris.feature_names[1])

在这里插入图片描述

数据量较小的时候，plt.plot与plt.scatter在效率上差异不大，但是当数据大的时候，plt.plot的效率将大大高于plt.scatter。

2.6 等高线图

使用plt.contour可以画等高线图，可以画带有填充色的等高线图的色彩，使用plt.imshow可以显示图形。

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn-white')
def f(x,y):return np.sin(x)**10+np.cos(10+y*x)*np.cos(x)
x = np.linspace(0,5,50) # 0～5中50个等差数字
y = np.linspace(0,5,40)
X,Y = np.meshgrid(x,y) # 从一维数组构建二维网格数据
Z = f(X,Y)
# plt.contour(X,Y,Z,colors='black') # 画标准的线形等高线图
plt.contour(X,Y,Z,20,cmap='RdGy') # 设置一个线条配色方案自定义颜色，将数据范围等分为20份；红-灰
plt.colorbar() # 自动创建一个表示图形各种颜色对应的标签颜色条

在这里插入图片描述

contours = plt.contour(X,Y,Z,3,colors='black')
plt.clabel(contours,inline=True,fontsize=8)
plt.imshow(Z,extent=[0,5,0,5],origin='lower',cmap='RdGy',alpha=0.5)# alpha 设置透明度
plt.colorbar()

在这里插入图片描述

2.7 直方图

一维直方图：创建一个简易的频次直方图

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn-white')# data = np.random.randn(1000)
# plt.hist(data,bins=30,density=True,alpha=0.5,
#          histtype='stepfilled',color='steelblue',
#          edgecolor='none')x1 = np.random.normal(0,0.8,1000)
x2 = np.random.normal(-2,1,1000)
x3 = np.random.normal(3,2,1000)
kwargs = dict(histtype='stepfilled',alpha=0.3,density=True,bins=40)
plt.hist(x1,**kwargs)
plt.hist(x2,**kwargs)
plt.hist(x3,**kwargs)
print(counts) # 查看每段区间样本数 [ 16 249 565 165   5]

在这里插入图片描述

二维直方图：将二维数组按照二维区间进行切分创建二维频次直方图。

使用plt.hist2d

mean = [0,0]
cov = [[1,1],[1,2]]
x,y = np.random.multivariate_normal(mean,cov,10000).T
plt.hist2d(x,y,bins=30,cmap='Blues')
cb = plt.colorbar()
cb.set_label('counts in bin')
counts,xedges,yedges = np.histogram2d(x,y,bins=30)

在这里插入图片描述

使用plt.hexbin，正六边形分割，将二维数据集成分割成蜂窝状

plt.hexbin(x,y,gridsize=30,cmap='Blues')
cb = plt.colorbar(label='count in bin')

核密度估计：使用KDE方法抹除空间中离散的数据点，从而拟合一个平滑的函数。

from scipy.stats import gaussian_kde
data = np.vstack([x,y])
kde = gaussian_kde(data)
xgrid = np.linspace(-3.5,3.5,40)
ygrid = np.linspace(-6,6,40)
Xgrid,Ygrid = np.meshgrid(xgrid,ygrid)
Z = kde.evaluate(np.vstack([Xgrid.ravel(),Ygrid.ravel()]))
plt.imshow(Z.reshape(Xgrid.shape),origin='lower',aspect='auto',extent=[-3.5,3.5,-6,6],cmap='Blues')
cb = plt.colorbar(label='density')

在这里插入图片描述

KDE 方法通过不同的平滑带宽长度在拟合函数的准确性和平滑性之间做出权衡。gaussian_kde通过一种经验方法试图找到输入数据平滑长度的近似最优解。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/206047.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

WPF前端实现人脸扫描动画效果

WPF前端实现人脸扫描动画效果

前言 本章实现的效果主要通过OpacityMask与LinearGradientBrush（径向渐变） 的组合应用来实现。最终实现效果如下： LinearGradientBrush线性渐变画刷 LinearGradientBrush其实很简单，我们只需要关注5个属性，使用这5个属性你就可以完成这个画刷几乎所有的变化。 属性介…
阅读更多...
样品实验Placcel230N聚己内酯二元醇PCL说明书

样品实验Placcel230N聚己内酯二元醇PCL说明书

样品实验Placcel230N聚己内酯二元醇PCL说明书 1KG/罐
阅读更多...
财报解读：三季度的美国零售，“沃尔玛效应”仍在持续

财报解读：三季度的美国零售，“沃尔玛效应”仍在持续

经济学中常用“沃尔玛效应”来指代“消费者减少消费时&#xff0c;会选择每种类别中价格最低的商品”这一现象。作为全球最大的零售商&#xff0c;沃尔玛一定程度上成为了消费市场的风向标。 近日&#xff0c;沃尔玛发布的2024财年第三季度财报显示&#xff0c;其相较去年同期…
阅读更多...
Linux：Ubuntu系统安装软件

Linux：Ubuntu系统安装软件

本次以安装vim为例 sudo apt-get remove vim //卸载vim sudo apt-get install vim //安装vim sudo apt-cache show vim //获取vim软件信息安装时间较长。 安装完成后&#xff0c;执行下第三条指令&#xff0c;测试下是否安装成功即可。
阅读更多...
c#把bitmap格式转换为其他格式图片

c#把bitmap格式转换为其他格式图片

增加引用命名空间 using System.Drawing.Imaging; 打开对话框的方式读入bmp格式图片&#xff0c;转换为其他格式。 也可以直接传入图片名称。 OpenFileDialog ofd new OpenFileDialog();ofd.Title "打开对话框";ofd.InitialDirectory "D:/";ofd.Filt…
阅读更多...
ASM字节码操作类库(打开java语言世界通往字节码世界的大门) | 京东云技术团队

ASM字节码操作类库(打开java语言世界通往字节码世界的大门) | 京东云技术团队

前言&#xff1a;授人以鱼不如授人以渔&#xff0c;应用asm的文章有很多&#xff0c;简单demo的也很多&#xff0c;那么ASM都具备哪些能力呢&#xff1f;如何去学习编写ASM代码呢&#xff1f;什么样的情景需要用到ASM呢&#xff1f;让我们带着这些问题阅读这篇文章吧。 这里由…
阅读更多...
linux服务器安装gitlab

linux服务器安装gitlab

一、安装gitlab sudo yum install curl policycoreutils-python openssh-server openssh-clients sudo systemctl enable sshd sudo systemctl start sshd sudo firewall-cmd --permanent --add-servicehttp curl https://packages.gitlab.com/install/repositories/gitla…
阅读更多...
Golang并发模型：Goroutine 与 Channel 初探

Golang并发模型：Goroutine 与 Channel 初探

文章目录 goroutinegoexit() channel缓冲closerangeselect goroutine goroutine 是 Go 语言中的一种轻量级线程&#xff08;lightweight thread&#xff09;&#xff0c;由 Go 运行时环境管理。与传统的线程相比&#xff0c;goroutine 的创建和销毁的开销很小&#xff0c;可以…
阅读更多...
sap系统连接其它系统

sap系统连接其它系统

本文来自博客园&#xff0c;作者&#xff1a;Lovemywx2&#xff0c;转载请注明原文链接&#xff1a;https://www.cnblogs.com/1187163927ch/p/8669859.html JAVA连接ORACLE数据库 1&#xff0c;首先需要在Oracle安装完成之后新建一个用户 --新建用户 create user chenh iden…
阅读更多...
BOM浏览器对象模型

BOM浏览器对象模型

BOM(Browser Object Model) 浏览器对象模型 操作浏览器api和接口 1.打开链接 返回一个窗口对象 w window.open(url,"_blank",wi…
阅读更多...
原神：夏洛蒂是否值得培养？全队瞬抬治疗量不输五星，但缺点也很明显

原神：夏洛蒂是否值得培养？全队瞬抬治疗量不输五星，但缺点也很明显

作为四星冰系治疗角色&#xff0c;夏洛蒂的实战表现可以说相当让人惊喜。不仅有相当有意思的普攻动作以及技能特效&#xff0c;而且她还有治疗和挂冰等功能性。下面就来详细聊聊夏洛蒂是否值得培养。 【治疗量让人惊喜&#xff0c;但也有缺点】 说实话&#xff0c;在使用夏洛蒂…
阅读更多...
陶陶摘苹果、跳跃游戏

陶陶摘苹果、跳跃游戏

1. 陶陶摘苹果 题目描述&#xff1a; 陶陶家的院子里有一棵苹果树&#xff0c;每到秋天树上就会结出 10 个苹果。苹果成熟的时候&#xff0c;陶陶就会跑去摘苹果。陶陶有个 30 厘米高的板凳&#xff0c;当她不能直接用手摘到苹果的时候&#xff0c;就会踩到板凳上再试试。 现在…
阅读更多...
Spring第三课,Lombok工具包下载，对应图书管理系统列表和登录界面的后端代码，分层思想

Spring第三课,Lombok工具包下载，对应图书管理系统列表和登录界面的后端代码，分层思想

目录 一、Lombok工具包下载 二、前后端互联的图书管理系统 规范 三、分层思想 三层架构&#xff1a; 1.表现层 2.业务逻辑层 3.数据层 一、Lombok工具包下载 这个工具包是为了做什么呢&#xff1f; 他是为了不去反复的设置setting and getting 而去产生的工具包 ⚠️工具…
阅读更多...
(5h)Unity3D快速入门之Roll-A-Ball游戏开发

(5h)Unity3D快速入门之Roll-A-Ball游戏开发

DAY1&#xff1a;Unity3D安装 链接 DAY2&#xff1a;构建场景&#xff0c;编写代码 链接 内容&#xff1a;WASD前后左右移动、摄像机跟随 DAY3&#xff1a;待更新 DAY4&#xff1a;待更新 DAY5&#xff1a;待更新
阅读更多...
渗透测试|HW蓝队

渗透测试|HW蓝队

记录某个对某个钓鱼事件中获取的钓鱼样本进行分析&#xff0c;以及简单的制作学习 样本行为分析 首先看到是 qq 邮箱发来的某个压缩包大概本身是带密码的&#xff0c;反手就丢到虚拟机先看下大概文件&#xff0c;解压后是这样的一个快捷方式 然后打开属性查看快捷方式&#x…
阅读更多...
流程不会搭建？集简云上线AI智能创建流程功能，辅助您更简单地创建自动化流程

流程不会搭建？集简云上线AI智能创建流程功能，辅助您更简单地创建自动化流程

用户在使用集简云创建流程时&#xff0c;经常会遇到的两个问题&#xff1a; 1. 不知道要如何选择应用动作&#xff0c;和动作的执行顺序&#xff1b; 2. 应用动作设置中的字段匹配&#xff0c;不知道要如何选择对应的字段&#xff1b; 集简云基于大量历史数据积累与自训练AI模…
阅读更多...
【001】sg-exam在线考试项目分析-项目结构技术栈

【001】sg-exam在线考试项目分析-项目结构技术栈

开源项目地址&#xff1a;https://gitee.com/wells2333/sg-exam 系统中服务器端 采用springboot mysql &#xff0c;oss 存储采用 七牛云 或minio 。项目依赖管理采用 gradle. 服务器端模块 &#xff1a; 项目启动入口在&#xff1a; 后台管理系统H5代码&#xff1a; PC端H…
阅读更多...
k8s部署es和skywalking

k8s部署es和skywalking

使用k8s部署es和skywalking skywalking介绍 skywalking架构 整个架构&#xff0c;分成上、下、左、右四部分&#xff1a; 上部分 Agent &#xff1a;负责从应用中&#xff0c;收集链路信息&#xff0c;发送给 SkyWalking OAP 服务器。目前支持 SkyWalking、Zikpin、Jaeger 等…
阅读更多...
java后端自学总结

java后端自学总结

自学总结 MessageSource国际化接口总结 MessageSource国际化接口 今天第一次使用MessageSource接口,比较意外遇到了一些坑 messageSource是spring中的转换消息接口&#xff0c;提供了国际化信息的能力。MessageSource用于解析 消息&#xff0c;并支持消息的参数化和国际化。 S…
阅读更多...
Oracle SQL优化

Oracle SQL优化

1、书写顺序和执行顺序 在Oracle SQL中&#xff0c;查询的书写顺序和执行顺序是不同的。 1.1SQL书写顺序如下&#xff1a; SELECTFROMWHEREGROUP BYHAVINGORDER BY 1.2 SQL执行顺序 FROM&#xff1a;数据源被确定&#xff0c;表连接操作也在此步骤完成。 WHERE&#xff1a;对…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发