Matplotlib库的常用函数

cv杨钰坤

已于 2025-02-07 18:39:51 修改

阅读量2k

点赞数 39

文章标签： matplotlib

于 2025-02-06 20:13:11 首次发布

本文链接：https://blog.youkuaiyun.com/2303_77006643/article/details/145477783

版权

2.8.1 xscale和yscale函数

2.8.2 set_xlim和set_ylim函数

2.8.3 set_xticks和set_yticks函数

1. 概念与安装

1.1 概念

matplotlib是一款用于数据可视化的python软件包，它能根据NumPy ndarray数组类绘制2D图像。

组成：（1）Figure：相当于一张画布，包括了所有元素

（2）Axes：绘制图像的实际区域，即绘图区

（3）Axis：坐标轴（x轴、y轴）

（4）Artist：函数图像以及对应标题等文本对象

1.2 安装

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/

1.3 导入软件包

from matplotlib import pyplot as plt
import numpy as np

2. 常用函数

2.1 plot函数

plot(x, y, format_string=None, **kwargs)：一个用于绘制二维图形的函数，它根据提供的x和y数据绘制图形。

参数：（1）x：x轴数据，可为数组或列表

（2）y：y轴数据，可为数组或列表

（3）format_string：用于指定线条样式、颜色等（常用：颜色：b(蓝色)、g(绿色)、r(红色)，线条：-(实线)、--(虚线)、:(点线)）

x = np.linspace(0, 10, 100)
y = np.sin(x)
# plot():绘制图形-->参数:format_string:设置曲线颜色、线条样式
plt.plot(x, y, 'r--')
# 显示图形
plt.show()

2.2 figure函数

figure()函数用来实例化figure对象，即画布对象，通过设置参数来调整样式。

参数：

figsize	指定画布的大小（宽高），单位为英寸
dpi	绘图对象的分辨率，默认80
facecolor	背景颜色
dgecolor	边框颜色
frameon	是否显示边框

2.2.1 add_axes()

add_axes()：轴域对象，它指定了一个有数值范围限制的绘图区域。在一个画布（figure）中有多个绘图区域（axes），但同一个绘制区域（axes）只能在一个画布中使用。

参数：

add_axes([left, bottom, width, height])

left和bottom用于定位绘图区域，且取值范围在0~1之间，是使用的比例值。

width和height是区域的宽度和高度的比例值，范围在0~1之间，主要是用来适应具体画布大小。

# figure():生成画布-->参数:figsize:设置画布的宽高，数据格式为元组，单位:英寸
fig = plt.figure(figsize=(12, 8))
# add_axes():画布生成绘画区域-->参数:left、bottom、width、height:取值范围为0~1
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
x = np.linspace(-10, 10, 100)
y = x ** 2
# 通过绘图区域对象调用plot()绘制图形，使图形绘制在绘图区域中
ax.plot(x, y)
plt.show()

2.2.2 axes.legend()

legend()函数用于添加图例，以便识别图中的不同数据系列。

参数;

handles	设置图形实例，参数数据格式为列表
labels	设置图形实力的标签说明，数据格式为列表
loc	设置图例显示的位置，如best、center、upper center等

fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
x = np.linspace(-10, 10, 100)
y = x ** 2

# legend():设置图形的图例-->参数:handles:设置图形实例(列表)、
# labels:设置图形实例的标签说明(列表)、loc:设置图例显示的位置
# line = ax.plot(x, y)
# ax.legend(handles=line, labels=['x^2'], loc='best')

# 图例设置的第二种方式(常用)
# 1.在plot方法中添加label参数，设置图例说明
# 2.调用legend方法使图例生效，legend方法里可以不用设置handles和label
ax.plot(x, y, label='x^2 函数')
ax.legend(loc='upper center')
plt.show()

2.3 标题中文乱码

如果标题设置的是中文，会出现乱码。有两种处理方式。

（1）局部处理

# 局部处理中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

（2）全局处理

# 全局处理中文乱码
import matplotlib
print(matplotlib.matplotlib_fname())

运行上述代码后，获得matplotlib的配置文件。复制该地址后，在任意文件夹中粘贴该地址并回车，会打开该配置文件。

打开配置文件后，进行三步操作：

1.删除font.family前的#号

2.删除font.sans-serif前的#号，并在后面添加SimHei

3.删除axes.unicode_minus前的#号，并将其值改为False

2.4 subplot函数

subplot函数是较早的函数，因此现在大部分是使用add_subplot函数。它更具灵活性，用于向图像容器中添加子图，使得一个画布中有多个子图形。

缺陷是代码可读性差，需要手动计算子图的行列索引，并且不适用于复杂的子图布局，如嵌套子图或坐标轴共享。

# 准备数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 生成figure画布
fig = plt.figure(figsize=(12, 4))

# 添加第一个子图区域
# ax1 = fig.add_subplot(1, 3, 1)
ax1 = fig.add_subplot(131)
ax1.plot(x, y1, label='sin(x)')
plt.legend()

# 添加第二个子图区域
ax2 = fig.add_subplot(1, 3, 2)
ax2.plot(x, y2, label='cos(x)')
plt.legend()

# 添加第三个子图区域
ax3 = fig.add_subplot(1, 3, 3)
ax3.plot(x, y3, label='tan(x)')
# 使图例生效
plt.legend()

# 显示图形
plt.show()

2.5 subplots函数（使用最多）

subplots创建了一个包含多个子图的图形窗口，且它返回的是一个包含所有子图的数组，这样使得更方便地对每个子图进行操作，因此可以批量操作这些子图。

缺陷是灵活性较低，子图的数量和布局已经提前确定好，无法动态的添加子图。

# 准备数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 按照nrows和ncols生成多个子图区域，在每个子图区域中绘制图形
fig, axs = plt.subplots(1, 3, figsize=(12, 4))

axs[0].plot(x, y1)
axs[1].plot(x, y2)
axs[2].plot(x, y3)

plt.show()

而且subplots函数还可以在同一个绘图区域绘制多个子图图形。

# 准备数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 生成一个子图区域，并在这一个区域中绘制多个图形
fig, axs = plt.subplots()
axs.plot(x, y1, 'r')
axs.plot(x, y2, 'b')
axs.plot(x, y3, 'g')

plt.show()

2.6 subplot2grid函数

subplot2grid函数用于在网格中创建子图。它允许你更灵活地指定子图的位置和大小，以非等分的形式对画布进行切分，使得你可以创建复杂的布局。

语法：

plt.subplot2grid(shape, loc, rowspan=1, colspan=1)

参数：

shape	网格的形状，参数格式为元组（rows, cols）
loc	子图的起始位置，格式为元组（row, col）
rowspan	子图占据的行数
colspan	子图占据的列数

# 准备数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(x)

# shape:将画布分为3x3的区域，loc:当前子图所在位置，colspan:所占列数，rowspan:所占行数
axs1 = plt.subplot2grid((3, 3), (0, 0), colspan=2)
axs2 = plt.subplot2grid((3, 3), (1, 0))
axs3 = plt.subplot2grid((3, 3), (2, 0))
axs4 = plt.subplot2grid((3, 3), (2, 2))

axs1.plot(x, y1)
axs2.plot(x, y2)
axs3.plot(x, y3)
axs4.plot(x, y4)

plt.show()

2.7 grid函数

grid是用于在图形中添加网格线的函数，帮助读者更清晰地理解数据地分布和趋势。

语法：

ax.grid(b=None, which='major', axis='both', **kwargs)

参数：

b	是否显示网格线，默认是None
which	指定要显示的网格线类型：major主刻度、minor次刻度、both主刻度和次刻度
axis	指定要显示网格线的轴：x(x轴)、y(y轴)、both(两个轴)
**kwargs	其他可选参数，如color（网格线颜色）、linestyle（线条样式）、linewidth（线条粗细）等

# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, axs = plt.subplots()
axs.plot(x, y)
# grid():在图形中添加网格线
# 参数:b-是否显示网格线、which-网格线类型、axis-显示哪个轴的网格线(x, y, both)、
# kwargs-设置color(网格线颜色)、linestyle(线条样式)、linewidth(线条粗细)
plt.grid(True, color='r', linewidth=2, axis='x')

plt.show()

2.8 对坐标轴的一些修改参数

2.8.1 xscale和yscale函数

xscale 和 yscale 函数用于设置坐标轴的刻度类型。默认情况下，坐标轴的刻度类型是线性的。

语法：

ax.set_xscale(value)
ax.set_yscale(value)

参数：

value：linear--线性刻度、log--对数刻度、symlog--对称对数刻度、logit--对数几率刻度等。

# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, axs = plt.subplots()
axs.plot(x, y)

# xscale、yscale:设置x、y轴的刻度类型
plt.xscale('symlog')
plt.yscale('linear')

plt.show()

2.8.2 set_xlim和set_ylim函数

set_xlim 和 set_ylim 函数用于设置坐标轴的范围。

语法：

ax.set_xlim(left, right)
ax.set_ylim(bottom, top)

参数：

left和right：x轴的范围，left是最小值，right是最大值。

bottom和top：y轴的范围，bottom是最小值，top是最大值。

若数据准备时已经确定了x、y的范围，则可以适当的调整范围。因为超出准备范围外的坐标轴是没有图像的，则超出范围就没有设置的必要了。

# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, axs = plt.subplots()
axs.plot(x, y)

# set_xlim、set_xlim:设置x、y轴的取值范围
axs.set_xlim(0, 5)
axs.set_ylim(0, 1)

plt.show()

2.8.3 set_xticks和set_yticks函数

set_xticks() 和 set_yticks() 函数可以手动指定刻度，接受一个列表对象作为参数，列表中的元素表示对应轴上要显示的刻度。

语法：

ax.set_xticks(ticks)
ax.set_yticks(ticks)

参数：

ticks：一个包含刻度位置的列表或数组。

# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

fig, axs = plt.subplots()
axs.plot(x, y)
axs.set_ylim(0, 1)

# set_xticks、set_xticks:手动设置x、y轴的刻度列表
axs.set_xticks([0, 2, 4, 6])
axs.set_yticks([0, 0.4, 0.8, 1])

plt.show()

2.8.4 twinx和twiny函数

twinx 和 twiny 函数用于在同一个图形中创建共享 x 轴或 y 轴的多个子图。twinx 函数用于创建共享 Xx轴的子图，twiny 函数用于创建共享 y 轴的子图。

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, axs = plt.subplots()
axs.plot(x, y1, 'r')

# 共享x轴
# axs1 = axs.twinx()
# axs1.plot(x, y2)
# 共享y轴
axs2 = axs.twiny()
axs2.plot(x, y2, 'g')

plt.show()

共享x轴：

共享y轴：

3. 多种图形

3.1 柱状图

语法：

ax.bar(x, height, width=0.8, bottom=None, align='center, **kwargs)

参数：

x	柱状图的x轴位置，数据格式为list
height	柱状图高度，即y轴数据，数据格式为list
width	柱状图的宽度，默认为0.8
bottom	柱状图的底部位置，默认为0
align	柱状图的对齐方式：'center'居中对齐，'edge'边缘对齐
**kwargs	其他可选参数，如color、edgecolor、lindwidth

最常见的三种柱状图：

（1）基本柱状图

categories = ['A', 'B', 'C', 'D']
values = [20, 35, 30, 25]
fig, ax = plt.subplots()
# bar():柱状图-->参数:x:x轴的数据，格式是list
# height:y轴的数据，格式是list、width:柱子的宽度，在0~1之间
# align:柱子的对齐方式，center:中间对齐 edge:边缘对齐
ax.bar(categories, values)
plt.show()

（2）堆叠柱状图

categories = ['A', 'B', 'C', 'D']
value1 = [20, 35, 30, 25]
value2 = [10, 35, 3, 15]
fig, ax = plt.subplots()
ax.bar(categories, value1, color='skyblue')
# 通过添加bottom属性，使得第二个柱状图拼接到第一个柱状图上
ax.bar(categories, value2, bottom=value1, color='lightgreen')
plt.show()

（3）分组柱状图

categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]
# 创建图形和子图
fig, ax = plt.subplots()
# 计算柱状图的位置
x = np.arange(len(categories))
width = 0.35
# 绘制第一个数据集的柱状图
ax.bar(x - width / 2, values1, width, color='skyblue', label='Values 1')
# 绘制第二个数据集的柱状图
ax.bar(x + width / 2, values2, width, color='lightgreen', label='Values 2')
plt.show()

3.2 直方图

语法：

ax.hist(x, bins=None, range=None, destiny=False, weights=None, cumulative=False, **kwargs)

参数：

x	数据数组
bins	直方图的柱数，可以是整数或序列
range	直方图的范围，格式：（min, max）
destiny	是否将直方图归一化，默认False
weights	每个数据点的权重
cumulative	是否绘制累计直方图，默认False
**kwargs	可选参数，如color、edgecolor、lindwidth等

# 生成随机数据，生成均值为 0，标准差为 1 的标准正态分布的随机样本
data = np.random.randn(1000)
fig, ax = plt.subplots()
# hist():直方图
ax.hist(data, bins=50, color='skyblue', edgecolor='black')
plt.show()

3.3 饼图

语法：

ax.pie(x, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=0, **kwargs)

参数：

x	数据数组，表示每个扇区的占比
explode	数组，表示每个扇区偏离圆心的距离，默认None
labels	每个扇区的标签
colors	每个扇区的颜色
autopct	控制显示每个扇区的占比，可以是格式化字符串或函数
shadow	是否显示阴影
startangle	饼图的起始角度，默认0
**kwargs	可选参数，同上述直方图

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 15]
fig, ax = plt.subplots()
# pie():绘制饼图-->参数:x:数据数组、labels:数据对应的标签名称、autopct:控制显示数据占比
# startangle:饼图的起始位置
ax.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.show()

3.4 散点图

语法：

ax.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)

参数：

x	x轴数据
y	y轴数据
s	点的大小，可以是标量或数组
c	点的颜色，可以是标量、数组或颜色列表
marker	点的形状，默认'o'圆圈
cmap	颜色映射，用于将颜色映射到数据
norm	归一化对象，用于数据映射到颜色映射
vmin、vmax	颜色映射的最小值、最大值
alpha	点的透明度，范围0~1
linewidths	点的边框宽度
edgecolors	点的边框颜色

x = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = [
    [120, 132, 101, 134, 90, 230, 210],
    [220, 182, 191, 234, 290, 330, 310],
]
y0 = data[0]
y1 = data[1]
fig, ax = plt.subplots()
# scatter():散点图，用于比较两个或多个数据集之间的关系
ax.scatter(x, y0, color='skyblue')
ax.scatter(x, y1, color='lightgreen')
plt.show()

4. 图片读取

plt.imread是Matplotlib库中的一个函数，用于读取图像文件并将其转换为NumPy数组。

语法：

plt.imread(fname, format)

参数：

fname	图像文件的路径（字符串）
format	图像格式（可选）。未指定，会根据文件扩展名自动推断格式

返回值：

（1）灰度图像：返回一个二维数组(height, width)，即（行，列）-- HW

（2）彩色图像：返回一个三维数组(height, width, channels)，即（行，列，颜色），其中channels通常是3（RGB）或4（RGBA）-- HWC

# 获取文件所在文件夹
filepath = os.path.dirname(__file__)
print(filepath)
# 获取图像的绝对路径（这里是将图像放在了代码文件所在文件夹）
filepath = os.path.join(filepath, '1.png')
print(filepath)
# 转化为相对路径
filepath = os.path.realpath(filepath)
print(filepath)

# imread():读取图片，并生成多维数组
data = plt.imread(filepath)
print(data.shape)
print(data)

# imshow():将数组显示为图片
plt.imshow(data)
plt.show()

data1 = np.transpose(data, (2, 0, 1))
for i in data1:
    plt.imshow(i)
    plt.show()
    # imsave():把数组保存为图片
    # plt.imsave('2.png', i)