python--matplotlib库\numpy库

matplotlib

matplotlib.pyplot

 matplotlib.pyplot 【记忆：plot是图标相关；lib是library的缩写“图书馆”，或者翻译成“库”】是 Matplotlib 库中的一个模块，通常用于绘制各种类型的图形。在数据可视化中，它提供大量的绘图功能，类似于 MATLAB 的绘图方式，用户可以使用简单的命令来创建复杂的图形。

plt.tight_layout()

自动调整子图布局

plt.figure(figuresize)

plt.figure(figsize=(10, 8)) 是 Matplotlib 中用来创建新图形窗口的函数，figsize 参数用于设置图形窗口的大小。

• plt.figure()：该函数用于创建一个新的图形（figure）对象，所有的绘图都会在此对象上进行。
• figsize：此参数接受一个元组，表示图形的宽度和高度。单位是英寸（inches）。
• 图形窗口的大小可以根据数据的复杂性和可视化的需求进行调整，较大的图形可以更清晰地展示数据。

plt.subplot()

plt.subplot() 是 Matplotlib 库中用于创建子图的函数。它可以在一个图形窗口中绘制多个子图，用于比较不同的数据可视化。

        在一个坐标系中生成多个图像；在一个窗口中生成多个图像；公用坐标系

基本语法：

plt.subplot(nrows, ncols, index)

• nrows：子图的行数。
• ncols：子图的列数。
• index：当前子图的位置，从 1 开始计算，按行优先的顺序。

示例1：--方法1，一遍一遍显示plt.subplot(i,j,x)

        iXj为子图个数，也是子图布局格式。i是行数，j是列数。x显示当前是第几个子图（从1开始，不是从0开始）

        先通过linspace生成100个0到10的随机数；然后基于x分别生成sin、cos、tan、log函数

代码

#%%
import numpy as np
import matplotlib.pyplot as plt

x=np.linspace(0,10,100)
y1= np.sin(x)
y2=np.cos(x)
y3=np.tan(x)
y4=np.log(x+1)

#创建一个2X2的子图
plt.figure(figsize=(10,8))

#第一个子图
plt.subplot(2,2,1)#四个图形，2行2列，第一个子图
plt.plot(x,y1,label='sin(x)',color='blue')
plt.title('Sine Function')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.legend()

#第二个子图
plt.subplot(2, 2, 2)  # 2 行 2 列，第 2 个
plt.plot(x, y2, label='cos(x)', color='orange')
plt.title('Cosine Function')
plt.xlabel('x')
plt.ylabel('cos(x)')
plt.legend()

#第三个子图
plt.subplot(2, 2, 3)  # 2 行 2 列，第 3 个
plt.plot(x, y3, label='tan(x)', color='green')
plt.title('Tangent Function')
plt.xlabel('x')
plt.ylabel('tan(x)')
plt.ylim(-10, 10)  # 限制 y 轴的范围
plt.legend()

#第四个子图
plt.subplot(2, 2, 4)  # 2 行 2 列，第 4 个
plt.plot(x, y4, label='log(x + 1)', color='red')
plt.title('Logarithm Function')
plt.xlabel('x')
plt.ylabel('log(x + 1)')
plt.legend()


#自动调整子图布局
plt.tight_layout()
# 显示图形
plt.show()

代码结果：

 示例2--for loop

代码

#%%
# subplots
plt.subplot(3,1,1)
plt.plot(t[:nsmp], eta[:nsmp, 0])
plt.subplot(3,1,2)
plt.plot(t[:nsmp], eta[:nsmp, 5])
plt.subplot(3,1,3)
plt.plot(t[:nsmp], eta[:nsmp, 10])
plt.show()
#%%
# subplots with for-loop 

j = 1
for i in range(0, eta.shape[1], 5):
    plt.subplot(3,1,j)
    plt.plot(t[:nsmp], eta[:nsmp, i])
    j = j + 1
plt.show()

plt.plot() 

使用前需要导入matplotlib模块，可以通过以下方式导入

import matplotlib.pyplot as plt

语法 

plt.plot(x, y, **kwargs) 

参数说明

• x：x 轴数据（列表或数组）。
• y：y 轴数据（列表或数组）。
• kwargs：可选参数，用于设置线条样式、颜色、标签等。

绘制折线图步骤

plt.plot(x,y)
plt.title('Sine wave')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.grid()#绘制折线图
plt.show()

在IDLE中的代码

     

结果显示

绘制散点图--plt.sactter(x,y)

import numpy as np
import matplotlib.pyplot as plt
#生成随机数据
x = np.random.rand(10)
y = np.random.rand(10)

#绘制散点图
plt.scatter(x,y)#生成散点图的函数格式
plt.title('Random Scatter Plot')
plt.xlabel('x-axis')
plt.ylabel('y-axis')
plt.grid()
plt.show()

绘制柱状图-plt.bar(x,y)

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
categories = ['A', 'B', 'C', 'D']
values = [10, 15, 7, 10]

# 绘制柱状图
plt.bar(categories, values)#绘制柱状图函数指令
plt.title('Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.show()

plt.pcolormesh（）

plt.pcolormesh() 是 Matplotlib 中用于绘制伪彩色图（或热图）的函数。它通常用于可视化二维数组数据的强度或颜色分布。下面是使用 plt.pcolormesh() 的基本用法和示例。

1. 引入库

首先，确保你已经导入了 Matplotlib 和 NumPy：

import matplotlib.pyplot as plt
import numpy as np

2. 基本用法

plt.pcolormesh(X, Y, C, **kwargs) 的基本语法是：

• X：x 轴的坐标（可以是一个一维或二维数组）。
• Y：y 轴的坐标（可以是一个一维或二维数组）。
• C：用于确定颜色的二维数组。
• kwargs：可选参数，用于设置颜色图（colormap）、标题等。

3. 示例

3.1 简单示例

下面是一个简单的示例，创建一个伪彩色图：

# 创建网格数据
x = np.linspace(0, 10, 100)
y = np.linspace(0, 10, 100)
X, Y = np.meshgrid(x, y)  # 创建网格
Z = np.sin(X) * np.cos(Y)  # 创建 Z 数据

# 绘制伪彩色图
plt.pcolormesh(X, Y, Z, shading='auto')  # shading='auto' 用于自动处理边缘情况
plt.colorbar()  # 添加颜色条
plt.title('Pcolormesh Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

3.2 自定义颜色图

你可以通过 cmap 参数来设置颜色图：

plt.pcolormesh(X, Y, Z, cmap='viridis', shading='auto')  # 使用 Viridis 颜色图
plt.colorbar()
plt.title('Pcolormesh with Viridis colormap')
plt.show()

3.3 更改边界和间隔

如果你的数据有不同的间隔，可以自定义 X 和 Y 的边界：

x_edges = np.linspace(0, 10, 11) # x 轴边界
y_edges = np.linspace(0, 10, 11) # y 轴边界
Z = np.sin(np.outer(np.linspace(0, 10, 10), np.linspace(0, 10, 10)))  # 计算 Z 数据

plt.pcolormesh(x_edges, y_edges, Z, shading='auto')
plt.colorbar()
plt.title('Pcolormesh with Edge Arrays')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

4. 图例

plt.colorbar() 可以在图旁边添加图例，显示颜色到数值的对应关系。

np.meshgrid

np.meshgrid() 是 NumPy 中用于生成网格坐标矩阵的函数，常用于在二维或三维空间中创建自变量，以便进行函数计算或绘图。

1. 基本用法

np.meshgrid(*xi, indexing='xy') 的基本语法是：

• xi：一维数组或列表，代表每个维度的坐标。
• indexing：可选参数，决定返回的网格点的类型。'xy' 表示标准的矩阵索引，而 'ij' 表示以样式的方式生成网格（即使用笛卡尔积）。

2. 示例

2.1 生成简单的二维网格

以下是生成一个简单的二维网格的示例：

import numpy as np

# 定义 x 和 y 的取值范围
x = np.array([1, 2, 3])
y = np.array([4, 5])

# 生成网格
X, Y = np.meshgrid(x, y)

print("X:\n", X)
print("Y:\n", Y)

输出：

X:
 [[1 2 3]
 [1 2 3]]
Y:
 [[4 4 4]
 [5 5 5]]

在这个例子中，X 和 Y 生成了一个二维坐标网格。X 包含了 x 轴的值，而 Y 则包含了 y 轴的值。

2.2 生成更复杂的网格

下面是一个更复杂的例子，生成一个连续的坐标网格：

import numpy as np
import matplotlib.pyplot as plt

# 定义 x 和 y 的取值范围
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)

# 生成网格
X, Y = np.meshgrid(x, y)

# 计算 Z 值
Z = np.sin(np.sqrt(X**2 + Y**2))

# 绘图
plt.pcolormesh(X, Y, Z, shading='auto')
plt.colorbar()
plt.title('Meshgrid Example: Z = sin(sqrt(X^2 + Y^2))')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

在这个例子中，我们首先生成了 x 和 y 的连续取值，然后使用 np.meshgrid() 生成相应的 X 和 Y 网格坐标，最后计算 z 值并绘制了伪彩色图。

numpy

np.genfromtxt()

     记忆：gen是英文generate的缩写gen；from来源；txt文本类型

基本语法

data = np.genfromtxt(filename, delimiter=',', dtype=None, encoding=None)

参数说明

• filename：要读取的文件名（可以是路径或 URL）。
• delimiter：用于分隔值的字符，默认为空格。
• dtype：数据类型，可以是字符串、整数或浮点数等。默认为 None，根据数据自动推断。
• encoding：如果文件中包含字符串数据，可以设置字符编码（如 'utf-8'）。

np.genfromtxt 是 NumPy 库中的一个函数，主要用于从文本文件中加载数据，并能处理缺失值(在参数中通过通过 filling_values 参数设置【见示例】)。

示例：

np.random.rand()

np.random.rand() 可以用来生成[0,1)之间的一个或多个随机数数组，可以设置一个或多个维度参数来指定生成数组的形状。生成的随机数是均匀分布在 [0, 1) 区间的。

语法 

• np.random.rand()：生成一个标量（0维数组）
• np.random.rand(n)：生成一个形状为 (n,) 的一维数组
• np.random.rand(n, m)：生成一个形状为 (n, m) 的二维数组
• np.random.rand(n, m, p)：生成一个形状为 (n, m, p) 的三维数组
• 以此类推，可以生成更高维的数组。

如何使用 np.random.rand()生成特定范围内的随机数？

线性转换。生成[a,b)[a,b)区间的随机数，可以使用以下公式：

random_number=a+(b−a)⋅np.random.rand()random_number=a+(b−a)⋅np.random.rand()

示例：生成[5,10)之间的随机数：

#%%
import numpy as np
import matplotlib.pyplot as plt
a=5
b=10
random_number=a+(b-a)*np.random.rand()
print(random_number)

np.linespace()

np.min()

找数组array中的最小值。

        其实找出数组中的最值（最小值和最大值），可以使用 np.min() 和 np.max() 函数，或者使用数组对象的 .min() 和 .max() 方法。

”函数“和”数组对象“的区别在于：

• 使用函数时，你需要传递数组作为参数。
• 使用方法时，你是调用该方法在数组实例上。

示例：

import numpy as np

# 创建一个 NumPy 数组
array = np.array([3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5])

# 方法一：使用 NumPy 函数
min_value = np.min(array)
max_value = np.max(array)

print("最小值:", min_value)  # 输出: 最小值: 1
print("最大值:", max_value)  # 输出: 最大值: 9

# 方法二：使用数组对象的方法
min_value_method = array.min()
max_value_method = array.max()

print("最小值 (方法):", min_value_method)  # 输出: 最小值 (方法): 1
print("最大值 (方法):", max_value_method)  # 输出: 最大值 (方法): 9

np.max