python繪圖庫的基本操作方法介紹

這篇文章主要給大家介紹了利用numpy+matplotlib繪圖的基本操作，文中介紹的非常詳細，對大家學習matplotlib繪圖具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧。

簡述

Matplotlib是一個基於python的2D畫圖庫，能夠用python指令碼方便的畫出折線圖，長條圖，功率譜圖，散佈圖等常用圖表，而且文法簡單。具體介紹見matplot官網。

Numpy（Numeric Python）是一個模仿matlab的對python數值運算進行的擴充，提供了許多進階的數值編程工具，如：矩陣資料類型、向量處理，以及精密的運算庫。專為進行嚴格的數文書處理而產生，而且據說自從他出現了以後，NASA就把很多原來用fortran和matlab做的工作交給了numpy來做了，可見其強大。。。他的官網在這裡，具體的資料都在裡面。

安裝

$sudo apt-get install python-matplotlib$sudo apt-get install python-numpy

(牛力大法好～)

使用

matplotlib可以在指令碼中使用，不過如果在ipython中使用則會更加炫（直接添加–pylab參數可以免去導包的過程），而且能得到類似Matlab/Mathematica一樣的功能，即時輸入，即時輸出。個人覺得說白了他就是模仿Matlab/Mathematica的，但是的確比前者更加方便編程。

很多情況下matplot需要配合numpy包一起用，關於numpy包我不打算分開來說，用到的時候提一下就行。有一點需要注意的是，numpy包通常是這樣匯入的：

import numpy as np

會給他起一個叫np的別名，而且這幾乎已經是約定俗成了。

在python或者ipython中輸入help(*需要尋找的函數*) 就行（當然需要先匯入下包）。

第一個映像

需要匯入的包：

import numpy as npfrom pylab import *

第一個函數映像

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()

有matlab基礎的同學肯定不陌生。。。是的，這兩個模組的組合幾乎就跟matlab的用法無二。。

１、首先用np.linspace方法產生一個數組X，這個數組是從$-\pi$開始到$\pi$的總共包含256個元素的數組，endpoint參數表示是否包含首尾端點(他的值是True或False，首字母要大寫。。。。)。當然，這個數組就是一個普通的數組了，跟其他數組沒有區別。

２、然後用np.cos()和np.sin()方法作用在X數組上，對於X中的每一個元素進行計算，產生結果數組。(免去了迭代的過程)。

３、接著調用pylab的plot方法，第一個參數是橫座標數組，第二個參數是縱座標數組，其他參數暫且不談。這樣他會產生一個預設的圖表了。(不會立刻顯示)

４、當然，最後還要調用show方法來顯示圖表。

５、結果：

圖表的名字叫figure1，左下面有幾個按鈕，都是很實用的東西，右下角會顯示當前滑鼠左邊，也很方便。

圖表布局和座標分布

每一個圖表都是在一個figure裡面，我們可以通過如下命令產生一個空的figure：

figure(figsize=(8,6), dpi=80)

這裡參數的順序沒有要求，但是一定要加上參數名，因為他是根據參數名來區別每個參數的，是一種跟C語言類型不同的函數。figsize參數表示figure的寬高比，然後dpi表示每一份占的長度，比如這裡就表示映像是640x480的。

輸出命令之後會立刻出現一個視窗，接下來所有的plot命令都會立刻顯示在這個視窗上而不用再輸入show命令了。

一個figure裡也能顯示多個圖表，我們可以用如下函數來分割一個figure:

subplot(3,4,6)

這樣就會把當前的figure分割成３行４列的表，而啟用其中的第６張，即第２行第３張。以後的plot都是在這一個子表上產生的，如果需要更換則可以重新輸入subplot命令來確定其新的位置。

除此之外，如果我們對圖表顯示的範圍不滿意，我們還可以直接調整圖表的座標範圍：

xlim(-4.0,4.0)ylim(-1.0,1.0)

這就表示x軸的範圍設定在-4到4，y軸的範圍設定在-1到1。當然，如果是想相對的進行修改我們可以利用下numpy數組的min和max方法。比如X.min() 這樣的東西。

如果對座標顯示的密度啊什麼的不滿意，我們也可以調節他的標註點：

xticks(np.linspace(-4,4,9,endpoint=True))yticks(np.linspace(-1,1,5,endpoint=True))

對於xticks和yticks，我們實際上可以傳入任意的數組，這裡不過是為了方便而用numpy快速產生的等差數列。

當然，我們也可以給標註點進行任意的命名，像下面這樣：

xticks([1,2,3,4,5],['one','two','three','four','five'])

效果也很好想象，就不貼圖了。需要注意的是這裡也可以支援LaTex文法，將LaTex引用在兩個$之間就可以了。（關於LaTex）

這裡也有個小竅門，就是如果想不顯示標註的話，我們就可以直接給xticks賦一個空的數組。

更改色彩和線寬

我們可以在畫plot的時候用如下方法指定他的顏色和線寬：

plot(X, C, color='#cadae3', linestyle='-',linewidth=1.3, marker='o', markerfacecolor='blue', markersize=12,)

同樣，這裡參數的順序不重要，名字才重要。

color參數可以指定RGB的色相，也可以用一些預設的名字，比如red blue之類的。

linestyle參數則指定了線的樣式，具體參照以下樣式：

參數	樣式
‘-‘	實線
‘–'	虛線
‘-.'	線-點
‘:'	點虛線

linewidth參數指定折線的寬度，是個浮點數。

marker參數指定散點的樣式，具體參照以下樣式：

參數	樣式
‘.'	實心點
‘o'	圓圈
‘,'	一個像素點
‘x'	叉號
‘+'	十字
‘*'	星號
‘^' ‘v' ‘<' ‘>'	三角形(上下左右)
‘1' ‘2' ‘3' ‘4'	三叉號（上下左右）

markerfacecolor參數指定marker的顏色

markersize參數指定marker的大小

這樣就基本上能夠自訂任何的折線圖、散佈圖的樣式了。

移動軸線

這段有點小複雜，暫時不想具體瞭解奇奇怪怪的函數調用，姑且先記錄下用法和原理：

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))

我們知道一張圖有上下左右四個軸線，這裡我們把右邊和上邊的軸線顏色調為透明，然後把下邊設定到y軸資料為0的地方，把左邊設定到x軸資料為0的地方。這樣我們就能根據自己想要位置來調節軸線了。

比如下面這段官方的代碼：

# -----------------------------------------------------------------------------# Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved.# Distributed under the (new) BSD License. See LICENSE.txt for more info.# -----------------------------------------------------------------------------import numpy as npimport matplotlib.pyplot as pltplt.figure(figsize=(8,5), dpi=80)ax = plt.subplot(111)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))X = np.linspace(-np.pi, np.pi, 256,endpoint=True)C,S = np.cos(X), np.sin(X)plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-")plt.plot(X, S, color="red", linewidth=2.5, linestyle="-")plt.xlim(X.min()*1.1, X.max()*1.1)plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])plt.ylim(C.min()*1.1,C.max()*1.1)plt.yticks([-1, 0, +1], [r'$-1$', r'$0$', r'$+1$'])plt.show()

顯示的結果就是：

圖例和註解

圖例十分簡單，下述代碼就可以解決：

plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")legend(loc='upper left')

在plot裡指定label屬性就好了，最後調用下legend函數來確定圖例的位置，一般就是'upper left'就好了。

註解就有點麻煩了，要用到annotate命令，挺複雜的，暫時是在不想看，姑且貼一段完整的代碼和吧：

# -----------------------------------------------------------------------------# Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved.# Distributed under the (new) BSD License. See LICENSE.txt for more info.# -----------------------------------------------------------------------------import numpy as npimport matplotlib.pyplot as pltplt.figure(figsize=(8,5), dpi=80)ax = plt.subplot(111)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))X = np.linspace(-np.pi, np.pi, 256,endpoint=True)C,S = np.cos(X), np.sin(X)plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")plt.plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")plt.xlim(X.min()*1.1, X.max()*1.1)plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],  [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])plt.ylim(C.min()*1.1,C.max()*1.1)plt.yticks([-1, +1],  [r'$-1$', r'$+1$'])t = 2*np.pi/3plt.plot([t,t],[0,np.cos(t)],  color ='blue', linewidth=1.5, linestyle="--")plt.scatter([t,],[np.cos(t),], 50, color ='blue')plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',  xy=(t, np.sin(t)), xycoords='data',  xytext=(+10, +30), textcoords='offset points', fontsize=16,  arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))plt.plot([t,t],[0,np.sin(t)],  color ='red', linewidth=1.5, linestyle="--")plt.scatter([t,],[np.sin(t),], 50, color ='red')plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',  xy=(t, np.cos(t)), xycoords='data',  xytext=(-90, -50), textcoords='offset points', fontsize=16,  arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))plt.legend(loc='upper left', frameon=False)plt.savefig("../figures/exercice_9.png",dpi=72)plt.show()

：

還是十分高能的。。。

總結

【相關推薦】

1. Python免費視頻教程

2. Python基礎入門教程

3. Python在資料科學中的應用