\'\'\' 【课程3.1】 Matplotlib简介及图表窗口 Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库 \'\'\'
import numpy as np import pandas as pd import matplotlib.pyplot as plt
# 图表窗口1 → plt.show() plt.plot(np.random.rand(10)) plt.show() # 直接生成图表
输出
# 图表窗口2 → 魔法函数，嵌入图表 % matplotlib inline x = np.random.randn(1000) y = np.random.randn(1000) plt.scatter(x,y) # 直接嵌入图表，不用plt.show() # <matplotlib.collections.PathCollection at ...> 代表该图表对象
输出：
# 图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口 % matplotlib notebook s = pd.Series(np.random.randn(100)) s.plot(style = \'k--o\',figsize=(10,5)) # 可交互的matplotlib窗口，不用plt.show() # 可做一定调整
输出：
# 图表窗口4 → 魔法函数，弹出matplotlib控制台 % matplotlib qt5 df = pd.DataFrame(np.random.rand(50,2),columns=[\'A\',\'B\']) df.hist(figsize=(12,5),color=\'g\',alpha=0.8) # 可交互性控制台 # 如果已经设置了显示方式（比如notebook），需要重启然后再运行魔法函数 # 网页嵌入的交互性窗口 和 控制台，只能显示一个 #plt.close() # 关闭窗口 #plt.gcf().clear() # 每次清空图表内内容
输出：
array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000CA745C0>, <matplotlib.axes._subplots.AxesSubplot object at 0x000000000CA7D9B0>]], dtype=object)
\'\'\' 【课程3.2】 图表的基本元素 图表内基本参数设置 \'\'\'
# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等 df = pd.DataFrame(np.random.rand(10,2),columns=[\'A\',\'B\']) fig = df.plot(figsize=(6,4)) # figsize：创建图表窗口，设置窗口大小 # 创建图表对象，并赋值与fig plt.title(\'Interesting Graph - Check it out\') # 图名 plt.xlabel(\'Plot Number\') # x轴标签 plt.ylabel(\'Important var\') # y轴标签 plt.legend(loc = \'upper right\') # 显示图例，loc表示位置 # \'best\' : 0, (only implemented for axes legends)(自适应方式) # \'upper right\' : 1, # \'upper left\' : 2, # \'lower left\' : 3, # \'lower right\' : 4, # \'right\' : 5, # \'center left\' : 6, # \'center right\' : 7, # \'lower center\' : 8, # \'upper center\' : 9, # \'center\' : 10, plt.xlim([0,12]) # x轴边界 plt.ylim([0,1.5]) # y轴边界 plt.xticks(range(10)) # 设置x刻度 plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2]) # 设置y刻度 fig.set_xticklabels("%.1f" %i for i in range(10)) # x轴刻度标签 fig.set_yticklabels("%.2f" %i for i in [0,0.2,0.4,0.6,0.8,1.0,1.2]) # y轴刻度标签 # 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数 # 轴标签则是显示刻度的标签 print(fig,type(fig)) # 查看表格本身的显示方式，以及类别
输出：
# 其他元素可视性 x = np.linspace(-np.pi,np.pi,256,endpoint = True) c, s = np.cos(x), np.sin(x) plt.plot(x, c) plt.plot(x, s) # 通过ndarry创建图表 plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = \'x\') # 显示网格 # linestyle：线型 # color：颜色 # linewidth：宽度 # axis：x，y，both，显示x/y/两者的格网 plt.tick_params(bottom=\'on\',top=\'off\',left=\'on\',right=\'off\') # 刻度显示 import matplotlib matplotlib.rcParams[\'xtick.direction\'] = \'out\' matplotlib.rcParams[\'ytick.direction\'] = \'inout\' # 设置刻度的方向，in,out,inout # 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot frame = plt.gca() #plt.axis(\'off\') # 关闭坐标轴 #frame.axes.get_xaxis().set_visible(False) #frame.axes.get_yaxis().set_visible(False) # x/y 轴不可见
输出：
\'\'\' 【课程3.3】 图表的样式参数 linestyle、style、color、marker \'\'\'
# linestyle参数 plt.plot([i**2 for i in range(100)], linestyle = \'-.\') # \'-\' solid line style # \'--\' dashed line style # \'-.\' dash-dot line style # \':\'
输出：
# marker参数 s = pd.Series(np.random.randn(100).cumsum()) s.plot(linestyle = \'--\', marker = \'.\') # \'.\' point marker # \',\' pixel marker # \'o\' circle marker # \'v\' triangle_down marker # \'^\' triangle_up marker # \'<\' triangle_left marker # \'>\' triangle_right marker # \'1\' tri_down marker # \'2\' tri_up marker # \'3\' tri_left marker # \'4\' tri_right marker # \'s\' square marker # \'p\' pentagon marker # \'*\' star marker # \'h\' hexagon1 marker # \'H\' hexagon2 marker # \'+\' plus marker # \'x\' x marker # \'D\' diamond marker # \'d\' thin_diamond marker # \'|\' vline marker # \'_\' hline marker
输出
# color参数 plt.hist(np.random.randn(100), color = \'g\',alpha = 0.8) # alpha：0-1，透明度 # 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y df = pd.DataFrame(np.random.randn(1000, 4),columns=list(\'ABCD\')) df = df.cumsum() df.plot(style = \'--.\',alpha = 0.8,colormap = \'GnBu\') # colormap：颜色板，包括： # Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, # Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, # PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, # RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, # YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, # cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, # gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, # gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral, # nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral, # spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r # 其他参数见“颜色参数.docx”
输出：
# style参数，可以包含linestyle，marker，color ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range(\'1/1/2000\', periods=1000)) ts.plot(style = \'--g.\',grid = True) # style → 风格字符串，这里包括了linestyle（-），marker（.），color（g） # plot()内也有grid参数
输出：
# 整体风格样式 import matplotlib.style as psl print(plt.style.available) # 查看样式列表 psl.use(\'ggplot\') ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range(\'1/1/2000\', periods=1000)) ts.plot(style = \'--g.\',grid = True,figsize=(10,6)) # 一旦选用样式后，所有图表都会有样式，重启后才能关掉
输出：
[\'seaborn-ticks\', \'ggplot\', \'seaborn-paper\', \'seaborn-whitegrid\', \'grayscale\', \'seaborn-deep\', \'seaborn-poster\', \'seaborn-talk\', \'seaborn-muted\', \'seaborn-white\', \'seaborn-colorblind\', \'seaborn-darkgrid\', \'seaborn-dark\', \'fivethirtyeight\', \'bmh\', \'dark_background\', \'seaborn-bright\', \'seaborn-pastel\', \'classic\', \'seaborn-notebook\', \'seaborn-dark-palette\']
\'\'\' 【课程3.4】 刻度、注解、图表输出 主刻度、次刻度 \'\'\'
# 刻度 from matplotlib.ticker import MultipleLocator, FormatStrFormatter t = np.arange(0.0, 100.0, 1) s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01) ax = plt.subplot(111) #注意:一般都在ax中设置,不再plot中设置 plt.plot(t,s,\'--*\') plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = \'both\') # 网格 #plt.legend() # 图例 xmajorLocator = MultipleLocator(10) # 将x主刻度标签设置为10的倍数 xmajorFormatter = FormatStrFormatter(\'%.0f\') # 设置x轴标签文本的格式 xminorLocator = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数 ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数 ymajorFormatter = FormatStrFormatter(\'%.1f\') # 设置y轴标签文本的格式 yminorLocator = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数 ax.xaxis.set_major_locator(xmajorLocator) # 设置x轴主刻度 ax.xaxis.set_major_formatter(xmajorFormatter) # 设置x轴标签文本格式 ax.xaxis.set_minor_locator(xminorLocator) # 设置x轴次刻度 ax.yaxis.set_major_locator(ymajorLocator) # 设置y轴主刻度 ax.yaxis.set_major_formatter(ymajorFormatter) # 设置y轴标签文本格式 ax.yaxis.set_minor_locator(yminorLocator) # 设置y轴次刻度 ax.xaxis.grid(True, which=\'both\') #x坐标轴的网格使用主刻度 ax.yaxis.grid(True, which=\'minor\') #y坐标轴的网格使用次刻度 # which：格网显示 #删除坐标轴的刻度显示 #ax.yaxis.set_major_locator(plt.NullLocator()) #ax.xaxis.set_major_formatter(plt.NullFormatter())
输出：
# 注解 df = pd.DataFrame(np.random.randn(10,2)) df.plot(style = \'--o\') plt.text(5,0.5,\'hahaha\',fontsize=10) # 注解 → 横坐标，纵坐标，注解字符串
输出：
# 图表输出 df = pd.DataFrame(np.random.randn(1000, 4), columns=list(\'ABCD\')) df = df.cumsum() df.plot(style = \'--.\',alpha = 0.5) plt.legend(loc = \'upper left\') plt.savefig(\'C:/Users/Hjx/Desktop/pic.png\', dpi=400, bbox_inches = \'tight\', facecolor = \'g\', edgecolor = \'b\') # 可支持png，pdf，svg，ps，eps…等，以后缀名来指定 # dpi是分辨率 # bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。 # facecolor，edgecolor： 图像的背景色，默认为‘w’（白色）
输出：
\'\'\' 【课程3.5】 子图 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(ax)对象都是一个拥有自己坐标系统的绘图区域 plt.figure, plt.subplot \'\'\'
# plt.figure() 绘图对象 # plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, # frameon=True, FigureClass=<class \'matplotlib.figure.Figure\'>, **kwargs) fig1 = plt.figure(num=1,figsize=(4,2)) plt.plot(np.random.rand(50).cumsum(),\'k--\') fig2 = plt.figure(num=2,figsize=(4,2)) plt.plot(50-np.random.rand(50).cumsum(),\'k--\') # num：图表序号，可以试试不写或都为同一个数字的情况，图表如何显示 # figsize：图表大小 # 当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)
输出：
# 子图创建1 - 先建立子图然后填充图表 fig = plt.figure(figsize=(10,6),facecolor = \'gray\') ax1 = fig.add_subplot(2,2,1) # 第一行的左图 plt.plot(np.random.rand(50).cumsum(),\'k--\') plt.plot(np.random.randn(50).cumsum(),\'b--\') # 先创建图表figure，然后生成子图，(2,2,1)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下 # 创建子图后绘制图表，会绘制到最后一个子图 ax2 = fig.add_subplot(2,2,2) # 第一行的右图 ax2.hist(np.random.rand(50),alpha=0.5) ax4 = fig.add_subplot(2,2,4) # 第二行的右图 df2 = pd.DataFrame(np.random.rand(10, 4), columns=[\'a\', \'b\', \'c\', \'d\']) ax4.plot(df2,alpha=0.5,linestyle=\'--\',marker=\'.\') # 也可以直接在子图后用图表创建函数直接生成图表
输出：
# 子图创建1 - 先建立子图然后填充图表 fig = plt.figure(figsize=(10,6),facecolor = \'gray\') ax1 = fig.add_subplot(2,2,1) # 第一行的左图 plt.plot(np.random.rand(50).cumsum(),\'k--\') plt.plot(np.random.randn(50).cumsum(),\'b--\') # 先创建图表figure，然后生成子图，(2,2,1)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下 # 创建子图后绘制图表，会绘制到最后一个子图 ax2 = fig.add_subplot(2,2,2) # 第一行的右图 ax2.hist(np.random.rand(50),alpha=0.5) ax4 = fig.add_subplot(2,2,4) # 第二行的右图 df2 = pd.DataFrame(np.random.rand(10, 4), columns=[\'a\', \'b\', \'c\', \'d\']) ax4.plot(df2,alpha=0.5,linestyle=\'--\',marker=\'.\') # 也可以直接在子图后用图表创建函数直接生成图表
输出：
# 子图创建2 - 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot fig,axes = plt.subplots(2,3,figsize=(10,4)) ts = pd.Series(np.random.randn(1000).cumsum()) print(axes, axes.shape, type(axes)) # 生成图表对象的数组 ax1 = axes[0,1] ax1.plot(ts)
输出：
[[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000BB5A4A8> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C08B240> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C0D6550>] [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000C10CDD8> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C15B160> <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C190DA0>]] (2, 3) <class \'numpy.ndarray\'>
# plt.subplots,参数调整 fig,axes = plt.subplots(2,2,sharex=True,sharey=True) # sharex,sharey：是否共享x，y刻度 for i in range(2): for j in range(2): axes[i,j].hist(np.random.randn(500),color=\'k\',alpha=0.5) plt.subplots_adjust(wspace=0,hspace=0) # wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距
输出：
# 子图创建3 - 多系列图，分别绘制 df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list(\'ABCD\')) df = df.cumsum() df.plot(style = \'--.\',alpha = 0.4,grid = True,figsize = (8,8), subplots = True, layout = (2,3), sharex = False) plt.subplots_adjust(wspace=0,hspace=0.2) # plt.plot()基本图表绘制函数 → subplots，是否分别绘制系列（子图） # layout：绘制子图矩阵，按顺序填充
输出：