python Matplotlib画图之调整字体大小的示例

部署运行你感兴趣的模型镜像

@本文来源于公众号:csdn2299,喜欢可以关注公众号 程序员学府
本篇文章主要介绍了python Matplotlib画图之调整字体大小的示例,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
一张字体调整好的示例图:在这里插入图片描述
字体大小就是 fontsize 参数

import matplotlib.pyplot as plt
 
# 代码中的“...”代表省略的其他参数
ax = plt.subplot(111)
# 设置刻度字体大小
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
# 设置坐标标签字体大小
ax.xlabel(..., fontsize=20)
ax.ylabel(..., fontsize=20)
# 设置图例字体大小
ax.legend(..., fontsize=20)

实战:

import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
 
mpl.rcParams['font.sans-serif'] = ['FangSong']
mpl.rcParams['axes.unicode_minus']=False
 
x_data = [2.59,2.72,2.90,3.02,3.23,3.40,3.47,3.61,3.98,4.02,4.09,4.15,4.35,4.44,4.50,4.55,4.63,5.00,5.15,5.28,5.38,5.51,5.57,5.62,5.71,5.74,5.85,5.92,6.22,6.34,6.37,6.48,6.62,6.73,6.76,6.81,6.86,6.96,7.02,7.54,7.64,7.80,7.98,8.12,8.24,8.53,8.70,8.88,9.04]
y_data = [0.32,0.54,0.61,0.48,0.12,0.01,0.07,0.50,1.32,1.35,1.27,1.05,0.33,0.08,0.02,0.08,0.35,1.74,1.96,1.81,1.39,0.82,0.52,0.38,0.28,0.36,0.80,1.08,2.21,2.34,2.37,2.29,1.85,1.37,1.27,1.07,0.93,0.81,0.94,2.79,2.85,2.69,2.13,1.71,1.54,3.23,5.08,4.86,4.06]
 
x = np.array(x_data)
y = np.array(y_data)
 
plt.figure(figsize=(30,30),dpi=400,linewidth = 0.6)
# plt.subplot(1,1,1)
 
plt.plot(x,y,'-*g')
plt.title("电压电流的比",fontsize = 60)
plt.xlabel('Ug2 (*10V)',fontsize=50)
plt.ylabel('Ip (*10**-8A)',fontsize=50)
plt.xticks(fontsize=30)
plt.yticks(fontsize=30)
 
plt.savefig(r"C:\Users\AsuraDong\Desktop\test.png")
# plt.show()

这里直接用代码片段说明一下如何设置刻度、图例和坐标标签字体大小。

import matplotlib.pyplot as plt
 
# 代码中的“...”代表省略的其他参数
ax = plt.subplot(111)
# 设置刻度字体大小
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
# 设置坐标标签字体大小
ax.set_xlabel(..., fontsize=20)
ax.set_ylabel(..., fontsize=20)
# 设置图例字体大小
ax.legend(..., fontsize=20)

非常感谢你的阅读
大学的时候选择了自学python,工作了发现吃了计算机基础不好的亏,学历不行这是没办法的事,只能后天弥补,于是在编码之外开启了自己的逆袭之路,不断的学习python核心知识,深入的研习计算机基础知识,整理好了,我放在我们的微信公众号《程序员学府》,如果你也不甘平庸,那就与我一起在编码之外,不断成长吧!

其实这里不仅有技术,更有那些技术之外的东西,比如,如何做一个精致的程序员,而不是“屌丝”,程序员本身就是高贵的一种存在啊,难道不是吗?[点击加入]
想做你自己想成为高尚人,加油!

您可能感兴趣的与本文相关的镜像

Python3.11

Python3.11

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

以下是几个基于 `matplotlib` 的绘图示例代码及其说明: ### 示例 1:绘制简单折线图 此示例展示了如何使用 `plt.plot()` 函数绘制一条简单的折线图。 ```python import matplotlib.pyplot as plt # 数据准备 x = [1, 2, 3, 4, 5] y = [2, 3, 5, 7, 11] # 创建折线图 plt.plot(x, y, label="Line", color="blue", linestyle="--", marker="o") # 添加标签和标题 plt.xlabel("X-axis Label") plt.ylabel("Y-axis Label") plt.title("Simple Line Plot Example") plt.legend() # 显示图像 plt.show() ``` 这段代码利用了 `plt.plot()` 方法来生成一个带有标记点的虚线图表[^1]。 --- ### 示例 2:水平柱状图 下面是一个展示不同国家人口数量的水平柱状图的例子。 ```python import matplotlib.pyplot as plt name_list = ['China', 'USA', 'India', 'Russia'] num_list = [14, 3.3, 7.8, 1.46] plt.barh(name_list, num_list, color=['red', 'green', 'blue', 'purple']) plt.xlabel("Population (Billion)") plt.ylabel("Country Names") plt.title("Horizontal Bar Chart of Population by Country") plt.tight_layout() # 自动调整子图参数,使之填充整个图像区域 plt.show() ``` 这个例子中的 `plt.barh()` 方法被用来制作水平方向上的条形统计图[^2]。 --- ### 示例 3:决策树分类边界可视化 这是一个更高级的应用场景——显示决策树模型对于二维空间内的分类边界的描绘方式。 ```python from sklearn.datasets import make_moons from sklearn.tree import DecisionTreeClassifier import numpy as np import matplotlib.pyplot as plt # 构建月牙形状数据集 X, y = make_moons(n_samples=100, noise=0.1) # 训练决策树模型 tree_clf = DecisionTreeClassifier(max_depth=3).fit(X, y) # 定义网格并预测每个网格单元所属类别 xx, yy = np.meshgrid(np.linspace(-2, 3, 500), np.linspace(-1, 2, 500)) Z = tree_clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 可视化结果 fig, ax = plt.subplots(figsize=(6, 4)) ax.contourf(xx, yy, Z, alpha=0.4, cmap=plt.cm.Paired) scatter = ax.scatter(X[:, 0], X[:, 1], c=y, s=20, edgecolors='k') legend = scatter.legend_elements(prop="colors", fmt=None)[0] ax.legend(legend, ["Class 0", "Class 1"], loc="upper left") plt.title("Decision Boundary Visualization Using Decision Tree Classifier") plt.show() ``` 这里通过调用 `contourf()` 和 `scatter()` 来呈现连续变化以及离散分布两种形式的数据特征[^4]。 --- ### 示例 4:带颜色条的高斯噪声热力图 最后介绍一种涉及渐变色彩表现手法的情况——即应用颜色映射技术表达数值差异程度的地图样式图形。 ```python import numpy as np import matplotlib.pyplot as plt import matplotlib.colors as mcolors np.random.seed(0) data = np.random.randn(10, 10) * 10 cmap = plt.cm.get_cmap('coolwarm') # 获取指定名称的颜色映射方案 norm = mcolors.Normalize(vmin=data.min(), vmax=data.max()) # 归一化处理原始矩阵元素值域至[0,1]区间范围内 fig, ax = plt.subplots() heatmap = ax.imshow(data, interpolation='nearest', cmap=cmap, norm=norm) cb = fig.colorbar(heatmap, ax=ax) # 插入右侧垂直放置的颜色比例尺组件对象实例变量赋值给局部变量名'cb' cb.set_label('Intensity') plt.title("Gaussian Noise Heatmap with Colorbar Progression") plt.xticks([]) plt.yticks([]) plt.show() ``` 在此案例里运用到了 `imshow()` 结合自定义好的颜色梯度表单完成最终渲染效果[^5]。 --- ####
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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