2023Python大数据分析工具Matplotlib用法04

大数据分析工具Matplotlib用法目录TOC\o"1-2"\h\u289751.1初级绘制 3259421.使用默认配置 5159582.改变线条的颜色和粗细 774703.设置边界 7236964.设置刻度 7323505.设置刻度标签 8240706.移动轴线 92627.添加图例 9242048.注解某些点 1033491.2图像、子区、子图、刻度 1171931.图像 1139372.子图 12174033.坐标轴 12277884.刻度 1227351.3其他种类的绘图 14266121.常规绘图 14275312.散点图 1518573.条形图 1657854.等高线图 18325955.饼图 1916146.矢量图 20239587.极轴图 21174148.三维绘图 22309861.4总结 23大数据分析工具Matplotlib用法Matplotlib是Python2D绘图领域使用广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。本章将会探索Matplotlib的常见用法。在Matplotlib中使用最多的模块是Pyplot。Pylab是Matplotlib面向对象绘图库的一个接口。它的语法和Matlab十分相近。也就是说，它主要的绘图命令和Matlab对应的命令有相似的参数。初级绘制使用Matplotlib库绘图，原理很简单，就是下面这5步：创建一个图纸（figure）。在图纸上创建一个或多个绘图（plotting）区域（也叫子图、坐标系／轴）。在plotting区域上描绘点、线等各种marker。为plotting添加修饰标签（绘图线上的或坐标轴上的）。其他各种DIY。在上面的过程中，主要涉及下面3个元素：变量。函数。图纸（figure）和子图（axes，也可以理解成坐标轴）。其中，变量和函数通过改变figure和axes中的元素（例如标题、标签、点和线等）一起描述figure和axes，也就是在画布上绘图。图片结构如图5.1所示。图5.1Matplotlib库绘图图片结构这一节将从简到繁：先尝试用默认配置在同一张图上绘制正弦和余弦函数图像，然后逐步美化它。下面取得正弦函数和余弦函数的值：frompylabimport*frompylabimport*X=np.linspace(-np.pi,np.pi,256,endpoint=True)C,S=np.cos(X),np.sin(X)X现在是一个NumPy数组，包含从-π到+π（包含π）等差分布的256个值。C是正弦值（256个值），S是余弦值（256个值）。可以在IPython的交互模式下测试代码，也可以执行Python文件。 pythonexercise_1.py 使用默认配置Matplotlib的默认配置都允许用户自定义。可以调整大多数的默认配置：图片大小和分辨率（dpi）、线宽、颜色、风格、坐标轴以及网格的属性、文字与字体属性等。不过，Matplotlib的默认配置在大多数情况下已经做得足够好，只在很少的情况下才会更改这些默认配置。frompylabimport*frompylabimport*X=np.linspace(-np.pi,np.pi,256,endpoint=True)C,S=np.cos(X),np.sin(X)plot(X,C)plot(X,S)show()Matplotlib使用默认配置的正余弦图如图5.2所示。下面的代码中展现了Matplotlib的默认配置并辅以注释说明，这部分配置包含有关绘图样式的所有配置。代码中的配置与默认配置完全相同，可以在交互模式中修改其中的值来观察效果。##导入Matplotlib的所有内容（NymPy可以用np这个名字）frompylabimport*#创建一个8*6点（point）的图，并设置分辨率为80figure(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="green",linewidth=1.0,linestyle="-")#设置横轴的上下限xlim(-4.0,4.0)#设置横轴记号xticks(np.linspace(-4,4,9,endpoint=True))#设置纵轴的上下限ylim(-1.0,1.0)#设置纵轴记号yticks(np.linspace(-1,1,5,endpoint=True))##以分辨率72来保存图片#savefig("exercice_2.png",dpi=72)#在屏幕上显示show()改变线条的颜色和粗细以蓝色和红色分别表示余弦和正弦函数，而后将线条变粗一点。在水平方向拉伸一下整个图，如图5.3所示。图5.3改变线条的颜色和粗细figure(figsize=(10,6),dpi=80)figure(figsize=(10,6),dpi=80)plot(X,C,color="blue",linewidth=2.5,linestyle="-")plot(X,S,color="red",linewidth=2.5,linestyle="-")设置边界当前的图像边界有点太紧了，而且想要预留一点空间使数据点更清晰。xlim(X.min()*1.1,xlim(X.min()*1.1,X.max()*1.1)ylim(C.min()*1.1,C.max()*1.1)设置刻度当前的刻度并不理想，因为不显示正余弦中我们感兴趣的值（+/-π,+/-π/2）。我们将进行更改，让其只显示这些值。xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi])yticks([-1,0,+1])xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi])yticks([-1,0,+1])效果如图5.4所示。图5.4设置刻度设置刻度标签刻度已经设置得很合适了，但是其标签并不是很清楚，可以猜出3.142是π，但是最好让它更直接。当设置刻度值时，也可以在第二个参数列表中提供相应的标签。注意，用latex可以获得更好渲染的标签。效果如图5.5所示。图5.5设置刻度标签移动轴线轴线（spines）是连接刻度标志和标示数据区域边界的线。它们可以被放置在任意地方，现在是轴的边界。改变这点，让它们位于中间。一共有4个轴线（上／下／左／右）。通过将它们的颜色设置成None舍弃位于顶部和右部的轴线。然后把底部和左部的轴线移动到数据空间坐标中的零点。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))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))添加图例下面在图片左上角添加一个图例。这仅仅需要向plot命令添加关键字参数label（之后将被图例框使用）。plot(X,C,color="blue",linewidth=2.5,linestyle="-",label="cosine")plot(X,S,color="red",linewidth=2.5,linestyle="-",label="sine")plot(X,C,color="blue",linewidth=2.5,linestyle="-",label="cosine")plot(X,S,color="red",linewidth=2.5,linestyle="-",label="sine")legend(loc='upperleft')效果如图5.6所示。图5.6添加图例注解某些点现在使用annotate命令注解一些我们感兴趣的点。选择2π/3作为想要注解的正弦值和余弦值。我们将在曲线上做一个标记和一个垂直的虚线。然后，使用annotate一个箭头和一些文本。效果如图5.7所示。图5.7注解某些点图像、子区、子图、刻度到目前为止，我们都用隐式的方法来绘制图像和坐标轴。在快速绘图中，这种方法很方便。我们也可以显式地控制图像（Figures）、子图（Axes）和坐标轴。Matplotlib中的“图像”指的是用户在界面上看到的整个窗口内容。在图像里面有所谓的“子图”。子图的位置是由坐标网格确定的，而“坐标轴”却不受此限制，可以放在图像的任意位置。我们已经隐式地使用过图像和子图：在调用plot函数的时候，Matplotlib调用gca()函数和gcf()函数来获取当前的坐标轴和图像。如果无法获取图像，就会调用figure()函数来创建一个图像，严格地说，是用subplot(1,1,1)创建一个只有一个子图的图像。图像所谓图像，就是GUI里以“Figure #”为标题的那些窗口。图像编号从1开始，与Matlab的风格一致，而与Python从0开始编号的风格不同。表5.1所示的参数是图像的属性。表5.1图像的属性参数除了图像数量这个参数外，其余的参数都很少修改。“×”来关闭窗口，Matplotlib还提供了名为close的函数来关闭这个窗口。和其他对象一样，你可以使用setp或者set_something来设置图像的属性。子图用户可以用子图来将图样（Plot）放在均匀的坐标网格中，如图5.8所示。用subplot函数的时候需要指明网格的行列数量，以及希望将图样放在哪个网格区域中。此外，gridspec函数的功能更强大，也可以选择它来实现这个功能。图5.8子图样式坐标轴坐标轴和子图的功能类似，不过它可以放在图像的任意位置，样例图如图5.9所示。因此，如果希望在一幅图中绘制一个小图，就可以用这个功能。刻度良好的刻度是图像的重要组成部分。Matplotlib的刻度系统里的各个细节都可以由用户个性化配置。可以用TickLocators来指定在哪些位置放置刻度，用TickFormatters来调整刻度的样式。主要和次要的刻度可以以不同的方式呈现。默认情况下，每一个次要的刻度都是隐藏的，也就是说，次要刻度列表是空的（NullLocator）。坐标轴样例图如图5.9所示。图5.9坐标轴样例图表5.2所示为不同需求设计的一些Locators。这些Locators都是matplotlib.ticker.Locator的子类，用户可以据此定义自己的Locator。以日期为刻度特别复杂，因此Matplotlib提供了matplotlib.dates来实现这一功能。表5.2刻度Locators这些定位器源于Matplotlib的基类matplotlib.ticker.Locator。用户可以源于它创建自己的定位器。处理时间刻度可能非常棘手，因此，Matplotlib在matplotlib.dates中提供了特殊的定位器。其他种类的绘图常规绘图下面尝试生成图5.10所示的图形。图5.10普通图提示：需要使用fill_between命令。散点图下面尝试生成图5.11所示的图形，注意标记大小、颜色和透明度。图5.11散点图提示：色彩由(X,Y)角度给出。条形图下面尝试生成图5.12所示的图形。图5.12条形图提示：要注意文本对齐。等高线图下面尝试生成图5.13所示的图形。图5.13等高线图饼图下面尝试生成图5