matplotlib中繪圖常用函式
阿新 • • 發佈：2019-01-26
matplotlib中常用函式
- 散點圖
- 柱狀圖
- 等高線
- matplotlib繪製3D圖
- 子影象
- 動態圖
常見設定
一、設定座標軸
# x軸和y軸的值域 plt.xlim((-1,2)) plt.ylim((-2,3)) # color為線的顏色，linewidth為線寬度，linestyle為樣式（-為實線，--為虛線） plt.plot(x,y,color='red',linewidth=1.0,linestyle='—') plt.figure #繪製一個新畫布 plt.figsize #花布尺寸 # x和y軸 plt.xtick() plt.ytick() 例如： plt.xticks(new_ticks) #new_ticks 為-2，2分成十一等份 plt.yticks([-1,0,1,2,3], ['level2','level2','level3','level4','level5'])
二、
-
plt.gca #獲取當前的座標軸 spines['right'].set_color('red’) #右邊框為紅色 # 分別把x軸與y軸的刻度設定為bottom與left xaxis.set_ticks_position('bottom') yaxis.set_ticks_position('left’) # 分別v把bottom和left型別設定為data，交點為（0，0） spines['bottom'].set_position(('data',0)) spines['left'].set_position(('data',0)) 例如： ax = plt.gca() ax.spines['right'].set_color(‘red') ax.spines['top'].set_color(‘red’)三、
l1, = plt.plot(x,y1,color='red',linewidth=1.0,linestyle='—') #設定兩條線為l1,l2 注：應該在後面加上， l2, = plt.plot(x,y2,color="blue",linewidth=5.0,linestyle="-") plt.legend(handles=[l1,l2],labels=['test1','test2'],loc='best’) #將l1，l2繪製於一張圖中，其中名字分別是l1，l2，位置自動取在最佳位置設定備註
x0 = 0.5 y0 = 2*x0 + 1 # 畫點 plt.scatter(x0,y0,s=50,color='blue') # 畫虛線 plt.plot([x0,x0],[y0,0],'k--',lw=2)#[x0,x0],[y0,0]代表x0，y0點作虛線交於x0，0 k--代表顏色的虛線,lw代表寬度 plt.annotate(r'$2x+1=%s$' % y0,xy=(x0,y0),xytext=(+30,-30),textcoords='offset points',fontsize=16,arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2')) #xy=(x0,y0)指在x0，y0點，xytext=(+30,-30)指在點向右移動30，向下移動30,textcoords='offset points'指以點為起點 #arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2')指弧度曲線， .2指弧度 plt.text(-2,2,r'$This\ is\ the\ text$',fontsize=16,color='red’) #-2,2指從-2，2開始寫散點圖
x = np.random.normal(0,1,500) y = np.random.normal(0,1,500) plt.scatter(x,y,s=50,color='blue',alpha=0.5) #s指點大小，alpha指透明度 plt.show()柱狀圖
x = np.arange(10) y = 2**x + 10 plt.bar(x,y,facecolor='#9999ff',edgecolor='white')#柱顏色，柱邊框顏色 for x,y in zip(x,y):#zip指把x，y結合為一個整體，一次可以讀取一個x和一個y plt.text(x,y,'%.2f' % y,ha='center',va='bottom')#指字型在中間和柱最頂的頂部 plt.show()等高圖
def f(x,y): #用來生成高度 return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2) x = np.linspace(-3,3,100) y = np.linspace(-3,3,100) X,Y = np.meshgrid(x,y)#將x，y指傳入網格中 plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)#8指圖中的8+1根線，繪製等溫線，其中cmap指顏色 C = plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=.5)#colors指等高線顏色 plt.clabel(C,inline=True,fontsize=10)#inline=True指字型在等高線中 plt.xticks(()) plt.yticks(()) plt.show()matplotlib繪製3D圖
from mpl_toolkits.mplot3d import Axes3D#動態圖所需要的包 fig = plt.figure() ax = Axes3D(fig) x = np.arange(-4,4,0.25)#0.25指-4至4間隔為0.25 y = np.arange(-4,4,0.25) X,Y = np.meshgrid(x,y)#x，y放入網格 R = np.sqrt(X**2 + Y**2) Z = np.sin(R) ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))#rstride=1指x方向和y方向的色塊大小 ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap='rainbow')#zdir指對映到z方向，-2代表對映到了z=-2 ax.set_zlim(-2,-2) plt.show()子影象
plt.figure() plt.subplot(2,2,1)#建立一個兩行兩列的畫布，第一個 plt.plot([0,1],[0,1]) plt.subplot(2,2,2)#第二個 plt.plot([0,1],[0,1]) plt.subplot(2,2,3)#第三個 plt.plot([0,1],[0,1]) plt.subplot(2,2,4)#第四個 plt.plot([0,1],[0,1]) plt.show()plt.figure() plt.subplot(2,1,1)#建立一個兩行兩列的畫布，第一個 plt.plot([0,1],[0,1]) plt.subplot(2,3,4)#第二個 plt.plot([0,1],[0,1]) plt.subplot(2,3,5)#第三個 plt.plot([0,1],[0,1]) plt.subplot(2,3,6)#第四個 plt.plot([0,1],[0,1]) plt.show()動態圖
from matplotlib import animation#動態圖所需要的包 fig,ax = plt.subplots()#子影象 x = np.arange(0,2*np.pi,0.01) line, = ax.plot(x,np.sin(x)) def animate(i): line.set_ydata(np.sin(x+i/10))#用來改變的y對應的值 return line, def init(): line.set_ydata(np.sin(x))#動態圖初始影象 return line, ani = animation.FuncAnimation(fig=fig,func=animate,init_func=init,interval=20)#動態作圖的方法，func動態圖函式，init_func初始化函式，interval指影象改變的時間間隔 plt.show()注：若想看動態效果請在ipython中使用
使用顏色對映
顏色對映（colormap）是一系列顏色，它們從起始顏色漸變到結束顏色。在視覺化中，顏色對映用於突出資料的規律，例如，你可能用較淺的顏色來顯示較小的值，並使用較深的顏色來顯示較大的值。
import matplotlib.pyplot as plt
x_values = list(range(1001))
y_values = [x**2 for x in x_values]
plt.scatter(x_values, y_values, c=y_values, cmap=plt.cm.Blues, edgecolor='none', s=40)
這些程式碼將y值較小的點顯示為淺藍色，並將y值較大的點顯示為深藍色。
Matplotlib進階-Seaborn
Seaborn其實是在matplotlib的基礎上進行了更高階的API封裝，從而使得作圖更加容易，在大多數情況下使用seaborn就能做出很具有吸引力的圖。
安裝方式
安裝方式類似於matplotlib , 在Windows下和Linux下面都可以採用pip安裝方式。
set_style( )
set_style( )是用來設定主題的，Seaborn有五個預設好的主題： darkgrid , whitegrid , dark , white ,和 ticks 預設： darkgrid
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("whitegrid")
plt.plot(range(10))
plt.show()
直方圖
直方圖的繪製：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')
sns.distplot(df_iris['petal_length'], kde = True) # kde 密度曲線 rug 邊際毛毯
plt.show()
箱型圖
箱形圖（Box-plot）又稱為盒須圖、盒式圖或箱線圖，是一種用作顯示一組資料分散情況資料的統計圖。因形狀如箱子而得名。
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')
sns.boxplot(x = df_iris['species'], y = df_iris['sepal_width'])
plt.show()
聯合分佈
兩個變數的畫圖
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')
sns.jointplot(df_iris['petal_width'], df_iris['sepal_width'])
plt.show()
不用圓點表示的話也是可以的，可以用其他方式來表示，比如六角形來表示：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')
sns.jointplot(df_iris['petal_width'], df_iris['sepal_width'], kind='hex')
plt.show()
熱力圖
相關係數是最早由統計學家卡爾·皮爾遜設計的統計指標，是研究變數之間線性相關程度的量，一般用字母 r 表示。由於研究物件的不同，相關係數有多種定義方式，較為常用的是皮爾遜相關係數。
相關係數是用以反映變數之間相關關係密切程度的統計指標。相關係數是按積差方法計算，同樣以兩變數與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變數之間相關程度；著重研究線性的單相關係數。公式：以上公式中：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df_iris = pd.read_csv(r'D:\Windows 7 Documents\Desktop\iris.csv')
corrmat = df_iris[df_iris.columns[:4]].corr()
sns.heatmap(corrmat, square=True, linewidths=.5, annot=True)
plt.show()
多變數圖
關注資料框中各個特徵之間的相關關係，呈現圖形的展示，給人以直觀的感受。而不是"冰冷"的數字。可以非常方便的找到各個特徵之間呈現什麼樣的關係。比如線性，離散等關係。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_csv(r"D:\Windows 7 Documents\Desktop\iris.csv")
sns.set(style="ticks") # 使用預設配色
sns.pairplot(data,hue="species") # hue 選擇分類列
plt.show()
