Python中Matplotlib库的使用(三)—— Matplotlib绘制图的常用类型

matplotlib绘制极坐标图 matplotlib绘制极坐标图 数据准备 # 生成行列数据 azimuths = np.radians(list(range(0,351,30))) zeniths = np.array([0,15,30,45,60,75]) # 生成格网数据 r, theta = np.meshgrid(zeniths, azimuths) # 读取绘制数据 data = pd.read_excel("E:/temp/data/SandBRDF-2.xlsx") values = data[data["天顶角"]& 阅读详情

Matplotlib绘制图的常用类型

plot(x,y)

plot(x, y)函数用于绘制折线图。折线图是一种用来展示连续数据之间关系的图表类型,适用于表示数据随着一个或多个变量的变化而变化的情况。

具体来说,plot(x, y)函数接受两个参数:

  • x:表示X轴上的数据点的值,通常是一个数组或列表,表示自变量的取值。
  • y:表示Y轴上的数据点的值,也是一个数组或列表,表示因变量随自变量变化的取值。

折线图会将这些数据点连接起来,形成一条或多条线,以展示数据的趋势或变化情况。以下是一些常见的折线图样式及其特点:

  1. 单条折线图:用于表示单一变量的变化趋势。可以通过添加数据标记点来强调关键数据点。
  2. 多条折线图:可以在同一张图上绘制多条折线,用于比较多个变量之间的趋势。每条折线可以使用不同的颜色或线型进行区分。
  3. 带标记点的折线图:通过在折线上添加标记点,可以更清晰地表示数据的取值,尤其在数据变化明显的位置。
  4. 平滑曲线折线图:使用平滑曲线(如样条曲线或平滑的多项式拟合曲线)来连接数据点,以平滑显示数据的变化趋势,避免过多的波动。
  5. 面积图折线图:可以通过在折线下方填充颜色,展示数据随时间的累积变化。常用于表示累积数据,如总收入或总销量。
  6. 双坐标轴折线图:在同一张图上绘制两条折线,分别使用左右两个不同的Y轴刻度,用于表示不同量纲或变化幅度较大的数据。

例如:

import matplotlib.pyplot as plt
import numpy as np
plt.style.use('_mpl-gallery')
# 生成数据
x = np.linspace(0, 10, 100)
y = 4 + 2 * np.sin(2 * x)

# plot
fig, ax = plt.subplots()

ax.plot(x, y, linewidth=2.0)

ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))
plt.show()

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

scatter(x, y)

scatter(x, y)函数用于绘制散点图。散点图是一种用于展示两个变量之间关系的图表类型,每个数据点由两个数值(X轴和Y轴上的值)表示,以点的形式在图表上进行表示。

scatter(x, y)函数接受两个参数:

  • x:表示X轴上的数据点的值,通常是一个数组或列表,表示自变量的取值。
  • y:表示Y轴上的数据点的值,也是一个数组或列表,表示因变量的取值。

散点图通过在坐标系中放置单个数据点来展示两个变量之间的关系。以下是一些散点图的特点和用途:

  1. 相关性检测:通过绘制散点图,可以观察两个变量之间的关系,判断它们之间是否存在线性相关性、正相关还是负相关。
  2. 分布情况:散点图可以用来展示数据的分布情况,特别是在两个维度上都有变化的情况下。
  3. 聚类分析:当数据点在图上聚集成群时,散点图可以帮助识别是否存在多个聚类或群集。
  4. 异常值识别:通过观察散点图,可以识别出位于数据集中的异常值或离群点。
  5. 多变量关系:散点图也可以用于展示多个变量之间的关系,通过使用不同的颜色、大小或形状来表示不同的变量。

比如生成一个显示汽车速度与制动距离关系的散点图,其中每个数据点表示一个速度-制动距离的对应关系:

import matplotlib.pyplot as plt
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体

# 示例数据:汽车速度与制动距离的关系
speed = [4, 7, 11, 15, 18, 20, 22, 24, 26, 29]
brake_distance = [2, 4, 7, 10, 12, 15, 18, 22, 25, 28]

# 创建散点图
plt.figure(figsize=(8, 6))  # 设置图像大小
plt.scatter(speed, brake_distance, color='blue', marker='o', label='数据点')  # 绘制散点图
plt.title('汽车速度与制动距离关系')  # 添加标题
plt.xlabel('速度 (mph)')  # 添加X轴标签
plt.ylabel('制动距离 (ft)')  # 添加Y轴标签
plt.legend()  # 显示图例
plt.grid(True)  # 添加网格线
plt.show()  # 显示图像

在这里插入图片描述

在使用scatter(x, y)函数时,还可以通过设置参数来定制散点图的外观,如点的大小、颜色、标记形状等,以便更好地传达数据的信息。

例如生成一个具有随机数据点、自定义样式和点大小、颜色的散点图:

import matplotlib.pyplot as plt
import numpy as np
# 创建数据
np.random.seed(3)
x = 4 + np.random.normal(0, 2, 24)  # 生成24个随机数,以4为中心,标准差为2
y = 4 + np.random.normal(0, 2, len(x))  # 生成与x相同数量的随机数,以4为中心,标准差为2
# 设置点的大小和颜色
sizes = np.random.uniform(15, 80, len(x))  # 生成在15和80之间的随机数作为点的大小
colors = np.random.uniform(15, 80, len(x))  # 生成在15和80之间的随机数作为颜色

# 绘制散点图
fig, ax = plt.subplots()  # 创建一个图像和坐标轴的组合
ax.scatter(x, y, s=sizes, c=colors, vmin=0, vmax=100)  # 绘制散点图,设置点的大小和颜色的范围

# 设置坐标轴范围和刻度
ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))

plt.show()  # 显示图像

在这里插入图片描述

bar(x, height)

bar(x, height)函数用于绘制条形图(柱状图)。条形图是一种常用的数据可视化方式,用于展示不同类别或组之间的比较。每个条形的高度表示与该类别或组相关联的数值。

bar(x, height)函数接受两个主要参数:

  • x:表示条形的位置,通常是一个数组或列表,表示每个条形的位置。
  • height:表示每个条形的高度,也是一个数组或列表,表示每个条形的数值。

以下是一些关于bar(x, height)函数的特点和用途:

  1. 分类比较:条形图适用于对不同类别或组之间的数值进行比较。每个条形代表一个类别,其高度表示与该类别相关的数值。
  2. 单个数据集内的分布:可以使用条形图来展示单个数据集内不同类别的分布情况,比如一个时间段内不同产品的销售数量。
  3. 多组数据比较:通过在同一张图上绘制多组条形,可以方便地比较不同组的数据,以查看它们之间的差异。
  4. 标记数据点:可以在每个条形上方添加数值标签,以明确显示每个类别对应的具体数值。
  5. 堆叠条形图:通过在同一位置堆叠多个条形,可以展示多个维度的数据,同时呈现每个类别内部的分布。
  6. 分组条形图:将每个类别内的不同组的条形并列显示,便于比较不同组之间的数值。

例如创建一个条形图用于比较不同城市的人口数量和GDP:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体

# 示例数据:不同城市的人口数量和GDP
cities = ['City A', 'City B', 'City C', 'City D', 'City E']
population = [1200000, 850000, 1500000, 2000000, 800000]
gdp = [250000, 180000, 320000, 400000, 150000]

# 设置条形图的位置
x_positions = np.arange(len(cities))

# 创建条形图
fig, ax1 = plt.subplots()

# 绘制人口数量的条形
ax1.bar(x_positions - 0.2, population, width=0.4, align='center', color='b', label='人口数量')

# 创建第二个坐标轴以显示GDP数据
ax2 = ax1.twinx()
ax2.bar(x_positions + 0.2, gdp, width=0.4, align='center', color='r', label='GDP')

# 设置图例和标签
ax1.set_xticks(x_positions)
ax1.set_xticklabels(cities)
ax1.set_xlabel('城市')
ax1.set_ylabel('人口数量')
ax2.set_ylabel('GDP')

# 合并图例
lines, labels = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax2.legend(lines + lines2, labels + labels2, loc='upper left')

plt.title('城市人口数量和GDP对比')

plt.show()

每个城市在图中由两个相邻的条形表示,左侧的蓝色条形代表人口数量,右侧的红色条形代表GDP。通过双坐标轴的设计,使得两种数据可以在同一图中进行比较,而X轴上的城市名称使得每个条形与相应城市相关联。这个例子演示了如何处理具有多个数据集和双坐标轴的情况。

在这里插入图片描述

stem(x,y)

stem(x, y)函数用于绘制茎叶图(stem plot),也称为蒂叶图。茎叶图是一种用于可视化数据分布和变化的图表类型,特别适用于展示数据的离散值以及它们的频率分布。

stem(x, y)函数接受两个参数:

  • x:表示X轴上的数据点的值,通常是一个数组或列表,表示数据点的位置。
  • y:表示Y轴上的数据点的值,也是一个数组或列表,表示数据点的取值。

茎叶图的绘制方式是:对每个数据点,将其拆分为茎(高位部分)和叶(个位部分),然后在图表上绘制一个垂直线(茎)和水平线(叶),以表示数据的分布。

茎叶图的特点和用途:

  1. 数据展示:茎叶图可用于展示离散数据的取值情况,更能突显数据的分布。
  2. 频率分布:通过茎叶图,可以直观地查看数据的频率分布,有助于发现数据的模式和趋势。
  3. 离群值识别:茎叶图可以帮助识别离群值,这些值可能在图表上单独突出显示。
  4. 数据比较:通过绘制多个数据集的茎叶图,可以方便地比较它们之间的分布。

例如:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体

# 示例数据:随机生成一组数据
data = np.array([21, 35, 22, 18, 26, 39, 29, 28, 23, 35])

# 创建茎叶图
plt.stem(data)

# 添加标题和标签
plt.title('茎叶图示例')
plt.xlabel('数据索引')
plt.ylabel('数据值')

plt.show()

在这里插入图片描述

step(x,y)

step(x, y)函数用于绘制阶梯图(step plot),也被称为阶梯线图或台阶图。阶梯图是一种用于可视化离散数据的图表类型,其特点是数据点之间通过垂直和水平线段连接,而不是平滑的曲线。

step(x, y)函数接受两个参数:

  • x:表示X轴上的数据点的值,通常是一个数组或列表,表示自变量的取值。
  • y:表示Y轴上的数据点的值,也是一个数组或列表,表示因变量的取值。

阶梯图的绘制方式是:对每个数据点,将其前一个数据点的X值作为起点,当前数据点的Y值作为终点,连接这两个点。这样,就可以形成一系列水平线段和垂直线段。

阶梯图的特点和用途:

  1. 数据展示:阶梯图适用于展示离散数据点之间的变化趋势,尤其适用于时间序列数据。
  2. 数据步进:通过阶梯图,可以更清晰地表示数据从一个离散点到另一个离散点的变化。
  3. 模拟变化:阶梯图可用于模拟连续变量在离散时间或事件点上的变化,如模拟某个值在不同时间段内的变化。

例如:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据:模拟温度变化
time = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
temperature = np.array([20, 22, 24, 25, 23, 22, 21, 20, 19, 18])

# 创建阶梯图
plt.step(time, temperature, where='mid')

# 添加标题和标签
plt.title('温度变化阶梯图')
plt.xlabel('时间')
plt.ylabel('温度 (°C)')

plt.show()

在这里插入图片描述

在这个示例图中,time数组表示时间点,temperature数组表示相应时间点的温度。通过plt.step(time, temperature, where='mid')语句,我们绘制了这些温度变化的阶梯图。where='mid'参数指定了线段连接到每个数据点的中间位置。其他部分用于添加标题和标签,最后使用plt.show()显示图像。这个示例演示了如何使用step(x, y)函数绘制阶梯图,以展示离散数据的变化趋势。

fill_between(x, y1, y2)

fill_between(x, y1, y2)函数用于在两个Y轴数据序列之间填充颜色,通常用于表示两个数据序列之间的区域或范围。这个函数可以用于创建各种图表,如误差范围图、置信区间图等。

fill_between(x, y1, y2)函数接受三个参数:

  • x:表示X轴上的数据点的值,通常是一个数组或列表,表示自变量的取值。
  • y1:表示Y轴上的数据点的值,也是一个数组或列表,表示第一个数据序列的取值。
  • y2:表示Y轴上的数据点的值,也是一个数组或列表,表示第二个数据序列的取值。

fill_between函数会在y1和y2之间的区域填充颜色,从而突出两个数据序列之间的差异或范围。

fill_between函数的特点和用途:

  1. 数据区间表示:fill_between函数非常适用于展示数据序列之间的区间、范围或误差。
  2. 误差范围图:通过填充两个数据序列之间的区域,可以展示测量值的误差范围,帮助理解数据的不确定性。
  3. 置信区间图:可以使用fill_between来显示置信区间,即表达数据的预测范围。

在下面这个股票价格波动图的例子中,fill_between函数的目的是用于将股票价格的上限和下限之间的区域填充颜色,以突出价格的波动范围:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据:股票价格走势和价格波动范围
days = np.arange(1, 11)
stock_prices = [100, 105, 110, 108, 112, 115, 120, 118, 125, 123]
price_range = [4, 3, 5, 3, 4, 3, 4, 3, 5, 4]

# 创建股票价格波动图
plt.plot(days, stock_prices, color='b', marker='o', label='股票价格')
plt.fill_between(days, np.subtract(stock_prices, price_range), np.add(stock_prices, price_range), color='lightblue', alpha=0.3, label='价格波动范围')

# 添加标题和标签
plt.title('股票价格走势和价格波动范围')
plt.xlabel('天数')
plt.ylabel('价格')
plt.legend()

plt.show()

在这里插入图片描述

首先,我们有每天的股票价格数据列表 stock_prices,以及每天的价格波动范围列表 price_range。对于每一天,我们通过从相应的 stock_prices 中减去 price_range 来计算下限值,通过加上 price_range 来计算上限值。这样,我们获得了每天股票价格的下限和上限。

然后,使用 plt.fill_between() 函数,我们将这些下限和上限之间的区域进行填充。fill_between 函数的第一个参数是 X 轴的数据,这里是 days,第二个参数是 Y 轴的下限,第三个参数是 Y 轴的上限。这使得函数知道在哪个范围内填充颜色。

stackplot(x, y)

stackplot(x, y)函数用于绘制堆叠区域图(stacked area plot),也称为堆积面积图。堆叠区域图适用于展示多个数据序列在相同X轴上的分布情况,并突出不同数据序列的累积贡献。

stackplot(x, y)函数接受两个参数:

  • x:表示X轴上的数据点的值,通常是一个数组或列表,表示自变量的取值。
  • y:一个列表(或多维数组)的列表,表示每个数据序列在各个X值上的高度。多个数据序列将在图表上堆叠显示。

堆叠区域图的绘制方式是:从下到上,按照给定的数据序列顺序,将每个数据序列的高度在X轴上进行累积叠加。

堆叠区域图的特点和用途:

  1. 多个序列比较:堆叠区域图适用于比较多个数据序列之间的分布,可以突出每个数据序列的相对贡献。
  2. 部分与整体关系:可以用于展示每个部分对于整体的贡献,例如市场份额、不同产品的销售构成等。
  3. 分布变化:通过展示堆叠的区域,可以清楚地看到各个数据序列在不同X值上的分布变化。

例如:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据:不同年龄段的人口构成
age_groups = ['0-10', '11-20', '21-30', '31-40', '41-50', '51-60', '61+']
male_population = [1500, 2200, 3200, 3000, 2800, 2000, 1800]
female_population = [1400, 2100, 3100, 2900, 2700, 1900, 1700]
other_population = [100, 150, 200, 150, 100, 50, 30]

# 创建人口构成堆叠区域图
plt.stackplot(age_groups, male_population, female_population, other_population,
              labels=['男性', '女性', '其他'], colors=['b', 'r', 'g'], alpha=0.7)

# 添加标题和标签
plt.title('不同年龄段的人口构成')
plt.xlabel('年龄段')
plt.ylabel('人口数量')
plt.legend(loc='upper right')

plt.show()

在这个示例中使用plt.stackplot()函数绘制了人口构成的堆叠区域图,每个数据序列在X轴上叠加显示,通过labels参数添加图例标签,colors参数设置不同颜色,alpha参数设置填充颜色的透明度,以突出不同年龄段的人口构成情况。通过比较不同性别和其他人口在不同年龄段的分布,可以更好地了解人口构成的特点和变化趋势。

在这里插入图片描述

imshow(Z)

imshow(Z)函数用于显示一个二维数组(或矩阵)Z,将其表示为彩色或灰度图像。这个函数常用于图像处理、数据可视化、热图等应用场景。

imshow(Z)函数接受一个参数:

  • Z:一个二维数组,表示图像的像素值或数据矩阵。它可以是灰度图像、彩色图像的某个通道,或者表示其他数据的矩阵。

imshow函数的特点和用途:

  1. 图像显示:imshow函数可用于将二维数组显示为图像,通过不同的像素值映射到不同的颜色,形成可视化结果。
  2. 热图:当Z是一个数据矩阵时,imshow函数可以用于绘制热图,通过不同的数据值映射到不同的颜色,帮助显示数据的分布情况。
  3. 图像处理:在图像处理中,可以使用imshow来显示图像的各种处理结果,如滤波、边缘检测等。

以绘制热图(heatmap)为例。热图常用于显示矩阵数据的分布情况,其中矩阵的每个元素通过颜色来表示其值的大小:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据:矩阵数据表示数据强度
matrix_data = np.random.random((10, 10))  # 10x10的随机矩阵数据

# 显示热图
plt.imshow(matrix_data, cmap='hot', origin='upper')

# 添加颜色条
plt.colorbar()

# 添加标题和标签
plt.title('数据强度热图')
plt.xlabel('列')
plt.ylabel('行')

plt.show()

在这里插入图片描述

对于这个示例,matrix_data是一个随机生成的10x10矩阵,表示不同位置的数据强度。通过使用imshow(matrix_data, cmap='hot', origin='upper'),将矩阵数据绘制成了一个热图,其中不同颜色表示不同的数据强度。cmap参数指定了使用热色彩映射,origin参数指定了坐标原点在图像的上方。

hist(x)

hist(x)函数用于绘制直方图,用于展示数据的分布情况,特别是连续型数据的频率分布。直方图将数据范围划分为多个区间(称为“箱子”或“bin”),然后统计每个区间中数据的数量或频率。

hist(x)函数接受一个参数:

  • x:一个一维数组或列表,表示要绘制直方图的数据。

hist函数的特点和用途:

  1. 数据分布可视化:hist函数可以将数据的分布情况以直观的方式展示出来,帮助了解数据的中心趋势、离散程度以及异常值等。
  2. 频率分布:通过将数据分成多个区间,hist函数可以显示每个区间内数据的频率,帮助你分析数据在不同值范围内的密度。
  3. 分析分布形状:直方图的形状可以提供关于数据分布是否对称、偏斜或多峰等信息。

例如分析学生考试成绩分布情况:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据:学生考试成绩
exam_scores = np.random.randint(0, 100, 200)  # 随机生成200个考试成绩

# 绘制直方图
plt.hist(exam_scores, bins=10, color='green', edgecolor='black')

# 添加标题和标签
plt.title('学生考试成绩分布')
plt.xlabel('分数范围')
plt.ylabel('学生人数')

plt.show()

使用plt.hist(exam_scores, bins=10, color='green', edgecolor='black')函数绘制了直方图,bins参数指定了要使用的区间数量,color参数设置了柱子的填充颜色,edgecolor参数设置了柱子的边框颜色。

在这里插入图片描述

pie(x)

pie(x)函数用于绘制饼图(pie chart),用于显示数据的相对比例。饼图通过将数据按照不同的比例分成扇形,以表示各个部分在整体中的贡献。饼图常用于展示分类数据的分布情况。

pie(x)函数接受一个参数:

  • x:一个包含各个部分比例的一维数组或列表,表示要绘制饼图的数据。

pie函数的特点和用途:

  1. 数据比例:pie函数适用于展示不同部分在整体中的比例关系,特别是当你关注数据的相对贡献时。
  2. 数据分类:饼图可以用于展示数据的分类,各个扇形区域表示不同的数据类别。
  3. 直观显示:饼图提供了一种直观的方式来显示相对比例,使观察者能够迅速理解数据的分布情况。

比如需要进行能源分析,了解一个城市的不同能源类型在总能源供应中的比例,以及不同能源对环境的影响:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 示例数据:城市能源供应结构比例
energy_sources = ['煤炭', '石油', '天然气', '核能', '可再生能源']
proportions = [30, 25, 20, 10, 15]  # 各个能源的供应比例

# 绘制饼图
plt.pie(proportions, labels=energy_sources, autopct='%1.1f%%', startangle=140, colors=['gray', 'pink', 'blue', 'green', 'orange'])

# 添加标题
plt.title('城市能源供应结构')

plt.axis('equal')  # 使饼图保持圆形

plt.show()

在这里插入图片描述

在上图中,使用plt.pie(proportions, labels=energy_sources, autopct='%1.1f%%', startangle=140, colors=['gray', 'black', 'blue', 'green', 'orange'])函数绘制了饼图,labels参数指定了每个扇形的标签,autopct参数设置了百分比显示格式,startangle参数设置了饼图的起始角度,colors参数设置了每个扇形的颜色。

contour(X, Y, Z)和contourf(X, Y, Z)

contour(X, Y, Z)和contourf(X, Y, Z)函数用于绘制等高线图(contour plot)和填充等高线图(filled contour plot),用于表示二维数据的等高线分布。等高线图在可视化数据表面的高度或数值分布时非常有用。

这两个函数的参数如下:

  • X和Y:表示二维数据的网格点坐标,通常是由numpy.meshgrid函数生成的两个二维数组。
  • Z:一个与X和Y对应的二维数组,表示要绘制等高线的数据值。

contour(X, Y, Z)函数的特点和用途:

  1. 数据轮廓:contour函数用于绘制等高线图,其中等高线表示数据表面上的高度或数值分布。
  2. 轮廓线:绘制的等高线通过线条表示不同数据值的轮廓,颜色通常相同。
  3. 数据分布:等高线图能够清晰地展示数据在二维空间中的分布情况,特别适用于显示地形高度、温度分布等数据。

contourf(X, Y, Z)函数的特点和用途:

  1. 填充区域:contourf函数用于绘制填充等高线图,其中不同等高线之间的区域被填充颜色,以突出数据值的分布。
  2. 颜色映射:填充区域的颜色根据数据值的大小来映射,可以通过cmap参数指定颜色映射。
  3. 数据分布:填充等高线图可以更直观地显示数据值在不同区域的分布,特别适用于表示温度、浓度等数据。

假设想要绘制一个地区的地形高度分布图,包括等高线图和填充等高线图,以便更好地理解地势起伏情况:

import matplotlib.pyplot as plt
import numpy as np
# 设置全局字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定微软雅黑或其他中文字体
# 设置负号为标准的减号
plt.rcParams['axes.unicode_minus'] = False

# 创建网格点坐标
x = np.linspace(-5, 5, 300)
y = np.linspace(-5, 5, 300)
X, Y = np.meshgrid(x, y)

# 示例数据:地形高度
Z = np.sin(np.sqrt(X**2 + Y**2)) + np.cos(np.sqrt(X**2 + Y**2))

# 创建绘图区域
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 绘制等高线图
contour1 = ax1.contour(X, Y, Z, levels=20, colors='black')
ax1.set_title('等高线图')
ax1.set_xlabel('X轴')
ax1.set_ylabel('Y轴')

# 绘制填充等高线图
contourf = ax2.contourf(X, Y, Z, levels=20, cmap='viridis')
ax2.set_title('填充等高线图')
ax2.set_xlabel('X轴')
ax2.set_ylabel('Y轴')

# 添加颜色条
cbar = plt.colorbar(contourf, ax=ax2)
cbar.set_label('高度')

plt.tight_layout()
plt.show()

在这里插入图片描述

注意,以上只是一些基本的Matplotlib所能绘制的图形类型,它还可以与很多其他库结合使用,绘制更多更加复杂的图形。

---------------------------END---------------------------

题外话

感谢你能看到最后,给大家准备了一些福利!

感兴趣的小伙伴,赠送全套Python学习资料,包含面试题、简历资料等具体看下方。


👉优快云大礼包🎁:全网最全《Python学习资料》免费赠送🆓!(安全链接,放心点击)

一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

img

二、Python兼职渠道推荐*

学的同时助你创收,每天花1-2小时兼职,轻松稿定生活费.
在这里插入图片描述

三、最新Python学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。

img

四、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

img

👉优快云大礼包🎁:全网最全《Python学习资料》免费赠送🆓!(安全链接,放心点击)

若有侵权,请联系删除

python matplotlib读取Excel文件绘制图显示中文 python matplotlib读取Excel文件绘制图显示中文 import xlrd import xlwt import numpy as np import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体 mpl.rcParams['a... 阅读详情

相关推荐

Python库matplotlib的使用总结

matplotlib库在Python中用于二维图表的绘制,一般用于基于程序的数据分析方向。

2301_76737200的博客 1487

matplotlib绘制函数图像

样本由两组正态分布的随机数据组成,其中一组数据的标准差是0,标准差为1,另外一组数据的均值为1,标准差为1。对x轴或者y轴取对数。

qq_54423921的博客 2956

Python绘图之Matplotlib:绘制折线图

在这个例子中,我们对绘制的折线图进行了一些样式设置。首先,我们设置了折线颜色为绿色,线型为虚线,点的形状为圆形。然后,我们添加了x轴和y轴的标签,以及设置了y轴的刻度范围。当然,我们也可以对绘制的折线图进行更多的样式设置。例如,我们可以设置折线颜色,线型,和点的形状等。Matplotlib是一个功能强大的Python绘图库,它可以帮助我们轻松地实现各种类型的图表。通过这个例子,我们可以看到Matplotlib的强大之处,它可以帮助我们轻松地实现各种复杂的图表。接着,定义x轴和y轴的数据。

qq_37934722的博客 1477

Python学习笔记(11-2):matplotlib绘图——图形绘制函数

本节主要讲解了通过matplotlib绘制各类基础图形的方法,及其对应的修饰参数等相关内容,包括:(1)基于颜色(color)、数据点标记(marker)和曲线形式(linestyle)等几个通用参数,来介绍设置参数的一些预备知识;(2)使用plot()、step()函数绘制折线图,以及三种绘制坐标对数变换图的方法; (3)绘制散点图时设置散点颜色和大小的参数方法;(4)介绍基于基础条形图、堆叠条形图和水平堆积条形图的条形图绘制方法;(5)绘制饼图的方法及其参数的设置;(6)绘制一维和二维的直方图方法;

jinwei94的博客 2万+

【Python画图】演示如何使用matplotlib画折线图

导入matplotlib库中的pyplot模块,并将其命名为plt,以便后续调用该模块的函数。传入x和y作为参数,用于指定折线图的横坐标和纵坐标数据。:使用show函数显示绘制的折线图窗口,并阻塞程序运行,直到关闭图形窗口为止。参数可以在折线图上添加数据点,其中'o'表示使用圆形表示数据点。:定义一个列表x,其中包含了示例数据的x轴数值。:定义一个列表y,其中包含了示例数据的y轴数值。:使用xlabel函数设置x轴的标签为'X'。:使用ylabel函数设置y轴的标签为'Y'。显示了绘制的折线图。

Fanjufei的博客 213

Python:Matplotlib库的使用

为了正确显示中文字体,请用以下代码更改默认设置,其中’SimHei’表示黑体字。常见字体名称的中英文对照字体英文表示字体名称SimSun宋体SimHei黑体KaiTi楷体微软雅黑LiSu隶书FangSong仿宋YouYuan幼圆STSong华文宋体STHeiti华文黑体苹果丽中黑matplotlib库由一系列有组织有隶属关系的对象构成,这对于基础绘图操作来说显得过于复杂。因此,matplotib提供了一套快捷命令式的绘图接口函数,即pyplot子模块。

衍生星球的博客 1万+

【Python】matplotlib库的安装和简单使用

本文主要介绍matplotlib库的安装和简单使用。针对新手,首先从升级pip工具开始,然后使用pip工具从国内镜像快速下载安装matplotlib库,同时附带简单完整的python代码,用于演示绘制正弦曲线图形。

huanqing2010的专栏 40万+

HarmonyOS开发第一步:Dev Eco Studio4.0保姆级安装配置指南(含Node.js环境)

本文提供HarmonyOS开发环境搭建的保姆级教程,重点详解Dev Eco Studio 4.0的安装与配置,并攻克Node.js环境与Ohpm包管理器的关键设置难点。通过清晰的步骤指引,帮助开发者从零开始,高效完成开发环境部署,顺利迈出鸿蒙应用开发的第一步。

lake5的博客 570

Matplotlib库的介绍及使用

Matplotlib库由各种可视化类构成,内部结构复杂,受Matlab启发,本文章主要介绍其子库pyplot的基本使用和基础图标的绘制。

qq_53763141的博客 1万+

7.7 数据分析助手:用AI洞察业务数据价值

摘要:AI数据分析助手构建指南 本文介绍了如何构建AI数据分析助手,帮助企业从业务数据中提取价值。系统包含四大核心模块:自然语言理解模块解析用户查询意图,查询规划模块转换为SQL语句,数据可视化模块生成图表,以及洞察生成模块提供深度分析。文章通过销售数据分析助手案例,展示了从数据库准备到自然语言处理的完整实现流程,包括示例代码和系统架构图。该解决方案可降低数据分析门槛,让业务人员直接参与数据探索,提升决策效率。

yonggeit的博客 4094

说一下Intel Fortran 编译器经典版ifort和新一代ifx

摘要:ifort是Intel开发的传统Fortran编译器,以稳定性和遗留代码兼容性著称,现已进入维护模式。ifx则是基于LLVM架构的新一代Fortran编译器,具有更好的性能优化、更快的编译速度,并支持最新Fortran标准和GPU加速。英特尔计划逐步用ifx取代ifort,前者将成为未来主力发展的产品线。两者的核心区别在于技术基础(传统vs.现代化LLVM)和功能支持(维护状态vs.持续更新)。

luohaitao的专栏 1347

Matplotlib库

Matplotlib 库:是一款用于数据可视化的 Python 软件包,支持跨平台运行,它能够根据 NumPy ndarray 数组来绘制 2D 图像,它使用简单、代码清晰易懂

m0_62808220的博客 2141

onnxruntime模型部署(一)-pythonAPI

简单模型的onnx模型的导出,以及onnxruntime推理引擎的模型部署

qq_45983373的博客 4059

python的matplotlib库

matplotlib底层绘图库详解(python)

m0_47533197的博客 4386

低供电电压CMOS偏置电路分析(有些类似于三支路电流源)

1、偏置电路原理图以及仿真结果 电路电流分析:Ip=Ip1=Ip2=Ip3,那么 Ip=12μnCoxWL(IpR−VTH)2 I_p=\frac{1}{2} μ_nC_{ox}\frac{W}{L} (I_{p}R-V_{TH})^2 Ip​=21​μn​Cox​LW​(Ip​R−VTH​)2 解出方程式即可得到参考电流及参考电压 2、电路电源抑制比PSRR分析 这里为了方便,小信号前都不加△ 首先做一个近似,由于gmRo>>1,直接将VDD变化导致的P3管漏级电压变化与VDD变化量做相等

qq_46579389的博客 2910

从INCA到Excel:手把手教你移植汽车标定数据的查表插值算法(附源码)

本文详细介绍了如何将汽车标定数据从INCA平台移植到Excel,实现查表插值算法的完整迁移。通过解析INCA MAP数据结构,设计Excel环境下的双线性插值算法,并提供VBA和C#两种实现方案,帮助工程师高效处理标定数据。文章包含实用代码示例和性能优化技巧,适用于ECU开发与标定场景。

weixin_29313239的博客 412

python之Matplotlib库

python之Matplotlib库1. 前言2. 环境配置3. Matplotlib3.1 折线图plot3.1.1 单条曲线3.1.2 多条曲线3.2 散点图 sccatter3.2.1 简单的散点图3.3 柱状图 bar3.4 多子图 subplot3.5 直方图 hist3.6 误差图 errorbar bar3.7 图修饰3.7.1 线条3.7.2 数据点3.7.3 坐标轴3.7.4 图形3.7.5 添加文字和箭头3.8 面向对象的绘图风格3.9 三维绘图4. 其它绘图工具4.1 seaborn库

weixin_42384444的博客 2345

高速设计注意事项总结——MDI篇

在以太网高速通信系统中,MDI(Medium Dependent Interface,介质相关接口)是连接物理层芯片(PHY)与传输介质(如网线)的关键接口,其设计直接影响信号完整性、传输速率和抗干扰能力。本文围绕 MDI 及 RJ45 接口电路、关键参数、设计与布线要点展开,为高速以太网设计提供参考。本文包含MDI 及 RJ45 接口电路组成、电路设计注意事项、布局布线要求等内容

qq_16237389的博客 1454

Matplotlib 库

Matplotlib 库:是一款用于数据可视化的 Python 软件包,支持跨平台运行,它能够根据 NumPy ndarray 数组来绘制 2D 图像,它使用简单、代码清晰易懂Matplotlib 图形组成:Figure:指整个图形,您可以把它理解成一张画布,它包括了所有的元素,比如标题、轴线等Axes:绘制 2D 图像的实际区域,也称为轴域区,或者绘图区Axis:指坐标系中的垂直轴与水平轴,包含轴的长度大小(图中轴长为 7)、轴标签(指 x 轴,y轴)和刻度标签。

weixin_69229857的博客 1838

NVIDIA Jetson AGX Xavier设置风扇转速、工作模式及性能监控

Xavier的风扇在开机之后是默认关闭的,每次重启都需要手动打开风扇,后续可能考虑修改bashrc文件进行自动开启 这个是显示当前风扇的转速,默认应该是0,表示关闭,最大是250 cat /sys/devices/pwm-fan/target_pwm 可以通过修改该文件的值来修改风扇转速 vim /sys/devices/pwm-fan/target_pwm 我一般使用的是100这个值 作者:ryan_ren 链接:https://www.jianshu.com/p/d3c2041f7f7d 来源:简书 著

weixin_43877080的博客 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

python库之matplotlib库

文章目录一、简介:1.安装二、matplotlib.pyplot1.简介2.import as3.参考三、图的元素设置0.总汇1.显示2.保存的图像分辨率3.标题文字4.网格5.边界6.刻度7.刻度精度???代码 一、简介: 1.安装 pip install matplotlib 二、matplotlib.pyplot 1.简介 matplotlib.pyplot是一个用于python编程语言...

sandalphon4869的博客 2509

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Matplotlib库安装及使用、常用函数

Matplotlib是一个基于Python的绘图库,它提供了一套和MATLAB相似的命令API, 广泛应用于科学计算、数据分析、机器学习等领域,便于用户快速上手。我们使用Matplotlib库时,更多的使用的是Matplotlib库下的pyplot模块, pyplot 模块包含了大量的绘图函数,这些函数能够快速地创建各种类型的图表,包括线图、 散点图、条形图、饼图等,并且Matplotlib库在绘制图像时,可以很好的与Numpy 库进行结合使用。

硕士在读小菜鸟的博客 910

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Python之Matplotlib库常用函数

简单的小例子 import matplotlib.pyplot as plt path = "" plt.plot([4,7,1,9,4]) #绘图接收一个list,如果只有一个list默认其为Y轴,X轴数据为其索引值,从0开始 plt.ylabel("grade") plt.axis([-2,8,0,12]) #axis函数接收一个list,设定横纵坐标尺度,list各个参...

mingyuli的博客 3万+

Python中Matplotlib库的学习

Matplotlib 是 Python 中一个强大且灵活的 2D 图形绘制库,可以创建多种类型的图表和图形。: 一个图像窗口,其中可以包含一个或多个子图(Axes)。: 图表的绘图区域,每个 Axes 对象都包含 X 轴和 Y 轴,并可以在一个 Figure 中包含多个。: 坐标轴(X 轴或 Y 轴),可以控制刻度线和标签的属性。: 实际绘制的图形,可以是线条、柱状图、散点图等。

m0_68625595的博客 1155

Python Matplotlib库用法笔记

Matplotlib一、了解Matplotlib1 Matplotlib是什么2 Matplotlib的作用3利用Matplotlib做一个简单的画图3.1matplotlib.pyplot模块3.2画图4 Matplotlib的三层结构4.1容器层4.2 辅助显示层4.3图像层二、折线图1 折线图的绘制与显示2 设置画布属性2.1 代码示例3 图片的保存4 设置辅助显示层 用于日常学习的积累,如有不足请多多指教。 一、了解Matplotlib 1 Matplotlib是什么 Matplotlib可以

fqllll的博客 3406
上一篇: Python中Matplotlib库的使用(二)—— Pyplot模块
下一篇: Python安装.whl文件流程
Python_P叔
博客等级 码龄3年 5455粉丝 827原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值