matplotlib入门

x轴和y轴

matplotlib比较难写，我们一般缩写成plt。用plot()方法进行绘制图像，第一个参数表示x轴，第二个参数表示y轴

xpoints = np.array([1, 8])  
ypoints = np.array([3, 10])  
plt.plot(xpoints, ypoints)  
plt.show()  
```  
  
画多个点(有连线)

xpoints = np.array([1, 2, 6, 8])
ypoints = np.array([3, 8, 1, 10])
plt.plot(xpoints, ypoints)
plt.show()

  
`tips:`这里的x轴是有默认值的，如果你没有传入x轴的参数，默认是从0开始增长，到传入y轴的参数个数-1

ypoints = np.array([3, 8, 1, 10, 5, 7])
plt.plot(ypoints)
plt.show()

  
## 参数marker

marker用指定的标记来强调每个点

marker='o'，对应的坐标会变成实心小圆点

ypoints = np.array([3, 8, 1, 10])
plt.plot(ypoints, marker = ‘o’)
plt.show()

  
marker | 图像  
---|---  
'o' | 实心原点  
'*' | *  
'.' | .(小点)  
',' | 像素(我看不到)  
'x' | X  
'X' | X (粗的)  
'+' | +  
'P' | +(粗的)  
's' | 实心正方形  
'D' | 斜方棱形  
'd' | 斜棱形(窄一点)  
'p' | 五边形  
'H' | 六边形(平的)  
'h' | 六边形(竖着的，尖朝上)  
'v' | 倒三角  
'^' | 正三角  
'<' | 三角(尖朝左)  
'>' | 三角(尖朝右)  
'1' | Y形(朝下)  
'2' | Y形(朝上)  
'3' | Y形(朝左)  
'4' | Y形(朝右)  
'|' | |  
'_' | _  
  
## 格式字符串fmt

也可以使用快捷字符串符号参数来指定标记。

该参数也被称为fmt，并使用以下语法编写:

`*marker*|*line*|*color*`

线 | 形状  
---|---  
'-' | 实线  
':' | 点虚线  
'–' | 线虚线  
'-.' | 点线交错虚线  
  
如果不指定颜色，默认是蓝色

如果不指定线的形状，就没有线

如果不指明点的形状，就没有点

颜色对应字符 | 颜色  
---|---  
'r' | 红色  
'g' | 绿色  
'b' | 蓝色  
'c' | 青色(Cyan)  
'm' | 洋红色(Magenta)  
'y' | 黄色  
'k' | 黑色  
'w' | 白色  
  
## marksize

指定点的大小，参数为marksize，或者缩写成ms

ypoints = np.array([3, 8, 1, 10])
plt.plot(ypoints, marker = ‘o’, ms = 20)
plt.show()

  
## markeredgecolor

markeredgecolor设置点的边缘的颜色，可以缩写成mec

ypoints = np.array([3, 8, 1, 10])
plt.plot(ypoints, marker = ‘o’, ms = 20, mec = ‘r’)
plt.show()

  
## markerfacecolor

markerfacecolor设置点的里面的颜色，可以缩写成mfc

ypoints = np.array([3, 8, 1, 10])
plt.plot(ypoints, marker = ‘o’, ms = 20, mfc = ‘r’)
plt.show()

1
2
3

ypoints = np.array([3, 8, 1, 10])
plt.plot(ypoints, marker = ‘o’, ms = 20, mec = ‘r’, mfc = ‘r’)
plt.show()

  
这个mec和mfc可以用十六进制表示颜色，也可以用一些颜色的名字指定

plt.plot(ypoints, marker = ‘o’, ms = 20, mec = ‘#4CAF50’, mfc = ‘#4CAF50’)
plt.plot(ypoints, marker = ‘o’, ms = 20, mec = ‘hotpink’, mfc = ‘hotpink’)

  
## linestyle

linestyle指定线的格式，实际上用的最多的还是上面的fmt(方便)，缩写成ls

形状 | 参数  
---|---  
'solid' (default) | '-'  
'dotted' | ':'  
'dashed' | '–'  
'dashdot' | '-.'  
'None' | '' or ' '  
  
实际上和上边的fmt提到的一样

## color

color设置线的颜色，和fmt里面的c一样

plt.plot(ypoints, c = ‘hotpink’)

  
## linewidth

设置线的宽度，fmt里面好像没有这个

缩写成lw

ypoints = np.array([3, 8, 1, 10])
plt.plot(ypoints, linewidth = ‘20.5’)
plt.show()

  
## 绘制多条线

你可以通过简单地添加更多的plot .plot()函数来绘制任意多的线

y1 = np.array([3, 8, 1, 10])
y2 = np.array([6, 2, 7, 11])
plt.plot(y1)
plt.plot(y2)
plt.show()

  
还可以通过在相同的plt.plot()函数中为每条直线添加x轴和y轴的点来绘制多条直线

y1 = np.array([3, 8, 1, 10])
y2 = np.array([6, 2, 7, 11])
plt.plot(y1)
plt.plot(y2)
plt.show() # 我们只指定y轴上的点，这意味着x轴上的点得到默认值(0,1,2,3)

  
x和y值成对出现

x1 = np.array([0, 1, 2, 3])
y1 = np.array([3, 8, 1, 10])
x2 = np.array([0, 1, 2, 3])
y2 = np.array([6, 2, 7, 11])
plt.plot(x1, y1, x2, y2)
plt.show()

  
## 标签和标题

### xlabel()和ylabel()

x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])
y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])
plt.plot(x, y)
plt.xlabel(“Average Pulse”)
plt.ylabel(“Calorie Burnage”)
plt.show()

  
### title()

标题，写在最上面

x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])
y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])
plt.plot(x, y)
plt.title(“Sports Watch Data”)
plt.xlabel(“Average Pulse”)
plt.ylabel(“Calorie Burnage”)
plt.show()

  
### 参数fontdict 给标题和标签设置样式

这个fontdict拿到的实参格式，就是css格式

x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])
y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])
font1 = {‘family’:’serif’,’color’:’blue’,’size’:20}
font2 = {‘family’:’serif’,’color’:’darkred’,’size’:15}
plt.title(“Sports Watch Data”, fontdict = font1)
plt.xlabel(“Average Pulse”, fontdict = font2)
plt.ylabel(“Calorie Burnage”, fontdict = font2)
plt.plot(x, y)
plt.show()

  
### loc参数确定title的位置

可选：left、right、center(默认)

x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])
y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])
plt.title(“Sports Watch Data”, loc = ‘left’)
plt.xlabel(“Average Pulse”)
plt.ylabel(“Calorie Burnage”)
plt.plot(x, y)
plt.show()

  
## 网格线

### plt.grid()方法添加网格线

x = np.array([80, 85, 90, 95, 100, 105, 110, 115, 120, 125])
y = np.array([240, 250, 260, 270, 280, 290, 300, 310, 320, 330])
plt.title(“Sports Watch Data”)
plt.xlabel(“Average Pulse”)
plt.ylabel(“Calorie Burnage”)
plt.plot(x, y)
plt.grid()
plt.show()

  
### 指定要显示的网格线的轴向

grid()里面的参数axis表示显示的是x轴还是y轴还是都显示 x、y、both

1
2

plt.grid(axis = ‘y’)

  
### 给网格线设置样式

你也可以设置网格的线条属性，像这样:grid(color = 'color'， linestyle = 'linestyle'， linewidth = number)

  
## 子图

### subplot()放多张图

plt.subplot(a, b, c) 这个视图被分成了a行b列，均匀切割，并且切换当前这个图到第c个图(一共a*b个)

#plot 1:
x = np.array([0, 1, 2, 3])
y = np.array([3, 8, 1, 10])
plt.subplot(2, 1, 1)
plt.plot(x,y)
#plot 2:
x = np.array([0, 1, 2, 3])
y = np.array([10, 20, 30, 40])
plt.subplot(2, 1, 2)
plt.plot(x,y)
plt.show()

1
2

x = np.array([0, 1, 2, 3])
y = np.array([3, 8, 1, 10])
plt.subplot(2, 3, 1)
plt.plot(x,y)
x = np.array([0, 1, 2, 3])
y = np.array([10, 20, 30, 40])
plt.subplot(2, 3, 2)
plt.plot(x,y)
x = np.array([0, 1, 2, 3])
y = np.array([3, 8, 1, 10])
plt.subplot(2, 3, 3)
plt.plot(x,y)
x = np.array([0, 1, 2, 3])
y = np.array([10, 20, 30, 40])
plt.subplot(2, 3, 4)
plt.plot(x,y)
x = np.array([0, 1, 2, 3])
y = np.array([3, 8, 1, 10])
plt.subplot(2, 3, 5)
plt.plot(x,y)
x = np.array([0, 1, 2, 3])
y = np.array([10, 20, 30, 40])
plt.subplot(2, 3, 6)
plt.plot(x,y)
plt.show()

  
### 标题

`tips:`每个子图都可以加标题

#plot 1:
x = np.array([0, 1, 2, 3])
y = np.array([3, 8, 1, 10])
plt.subplot(1, 2, 1)
plt.plot(x,y)
plt.title(“SALES”)
#plot 2:
x = np.array([0, 1, 2, 3])
y = np.array([10, 20, 30, 40])
plt.subplot(1, 2, 2)
plt.plot(x,y)
plt.title(“INCOME”)
plt.show()

  
如果用了subplot的话，总的图还可以用suptitle()来添加一个大标题

  
## 散点图

### 用scatter()创造一个散点图

#day one, the age and speed of 13 cars:
x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
plt.scatter(x, y)
#day two, the age and speed of 15 cars:
x = np.array([2,2,8,1,15,8,12,9,7,3,11,4,7,14,12])
y = np.array([100,105,84,105,90,99,90,95,94,100,79,112,91,80,85])
plt.scatter(x, y)
plt.show()

  
操作基本上和plot是一样的，实际上我感觉plot把那个线的参数设置成空，然后把点的参数设置成o，就等于这个散点图了

### color参数(缩写c)

基本上类似

plt.scatter(x, y, color = ‘hotpink’)
plt.scatter(x, y, color = ‘#88c999’)

  
你甚至可以通过使用一个颜色数组作为c参数的值来为每个点设置特定的颜色

x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
colors = np.array([“red”,”green”,”blue”,”yellow”,”pink”,”black”,”orange”,”purple”,”beige”,”brown”,”gray”,”cyan”,”magenta”])
plt.scatter(x, y, c=colors)
plt.show()

  
### colirmap

Matplotlib模块有许多可用的色彩图。

colormap就像一个颜色列表，其中每个颜色都有一个从0到100的值。

下面是一个色彩图的例子:

这个配色图被称为"viridis"，如你所见，它的范围从0(紫色)到100(黄色)

你可以用关键字参数cmap和colormap的值来指定色彩图，在本例中是'viridis'，它是Matplotlib中可用的内置色彩图之一。

另外，你必须创建一个包含值的数组(从0到100)，每个点对应一个散点图中的值

x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])
plt.scatter(x, y, c=colors, cmap=’viridis’)
plt.show()

  
你可以在绘图中使用plt.colorbar()语句

plt.colorbar()

  
我感觉使用色彩图应该就是要和这个colorbar一起用才有意义，不然我也可以通过给每个点指定颜色来实现colormap(复杂一点点)(内置的色彩图有点多，这里不放了，自己查看看吧)

### 大小

参数s来修改大小

sizes = np.array([20,50,100,200,500,1000,60,90,10,300,600,800,75])
plt.scatter(x, y, s=sizes)

  
和c一样，都可以整花活，给每一个点都整个不同的大小

### 透明度

参数alpha指定透明度 0~1

plt.scatter(x, y, s=sizes, alpha=0.5)

  
整个花活儿

x = np.random.randint(100, size=(100))
y = np.random.randint(100, size=(100))
colors = np.random.randint(100, size=(100))
sizes = 10 * np.random.randint(100, size=(100))
plt.scatter(x, y, c=colors, s=sizes, alpha=0.5, cmap=’nipy_spectral’)
plt.colorbar()
plt.show()