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：
安装：pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/
1、常用API
1.1 绘图类型
| 函数名称 | 描述 |
|---|---|
| Bar | 绘制条形图 |
| Barh | 绘制水平条形图 |
| Boxplot | 绘制箱型图 |
| Hist | 绘制直方图 |
| his2d | 绘制2D直方图 |
| Pie | 绘制饼状图 |
| Plot | 在坐标轴上画线或者标记 |
| Polar | 绘制极坐标图 |
| Scatter | 绘制x与y的散点图 |
| Stackplot | 绘制堆叠图 |
| Stem | 用来绘制二维离散数据绘制（又称为火柴图） |
| Step | 绘制阶梯图 |
| Quiver | 绘制一个二维按箭头 |
1.2 Image 函数
| 函数名称 | 描述 |
|---|---|
| Imread | 从文件中读取图像的数据并形成数组 |
| Imsave | 将数组另存为图像文件 |
| Imshow | 在数轴区域内显示图像 |
1.3 Axis 函数
| 函数名称 | 描述 |
|---|---|
| Axes | 在画布(Figure)中添加轴 |
| Text | 向轴添加文本 |
| Title | 设置当前轴的标题 |
| Xlabel | 设置x轴标签 |
| Xlim | 获取或者设置x轴区间大小 |
| Xscale | 设置x轴缩放比例 |
| Xticks | 获取或设置x轴刻标和相应标签 |
| Ylabel | 设置y轴的标签 |
| Ylim | 获取或设置y轴的区间大小 |
| Yscale | 设置y轴的缩放比例 |
| Yticks | 获取或设置y轴的刻标和相应标签 |
1.4 Figure 函数
| 函数名称 | 描述 |
|---|---|
| Figtext | 在画布上添加文本 |
| Figure | 创建一个新画布 |
| Show | 显示数字 |
| Savefig | 保存当前画布 |
| Close | 关闭画布窗口 |
2、常用函数
2.1plot 函数
pylab.plot 是一个用于绘制二维图形的函数。它可以根据提供的 x 和 y 数据点绘制线条和/或标记。
语法：
pylab.plot(x, y, format_string=None, **kwargs)
参数：
-
x: x 轴数据，可以是一个数组或列表。
-
y: y 轴数据，可以是一个数组或列表。
-
format_string: 格式字符串，用于指定线条样式、颜色等。
-
**kwargs: 其他关键字参数，用于指定线条的属性。
plot 函数可以接受一个或两个数组作为参数，分别代表 x 和 y 坐标。如果你只提供一个数组，它将默认用作 y 坐标，而 x 坐标将默认为数组的索引。
格式字符串：
格式字符串由颜色、标记和线条样式组成。例如：
颜色：
'b'：蓝色 'g'：绿色 'r'：红色 'c'：青色 'm'：洋红色 'y'：黄色 'k'：黑色 'w'：白色
标记：
'.'：点标记
','：像素标记
'o'：圆圈标记
'v'：向下三角标记
'^'：向上三角标记
'<'：向左三角标记
'>'：向右三角标记
's'：方形标记
'p'：五边形标记
'*'：星形标记
'h'：六边形标记1
'H'：六边形标记2
'+'：加号标记
'x'：叉号标记
'D'：菱形标记
'd'：细菱形标记
'|'：竖线标记
'_'：横线标记
线条样式：
'-'：实线 '--'：虚线 '-.'：点划线 ':'：点线
# 导入 pylab 库
import pylab
# 创建数据，使用 linspace 函数
# pylab.linspace 函数生成一个等差数列。这个函数返回一个数组，数组中的数值在指定的区间内均匀分布。
x = pylab.linspace(-6, 6, 40)
# 基于 x 构建 y 的数据
y = x**2
# 绘制图形
pylab.plot(x,y,'r:') #r：红，":"：点线
# 展示图形
pylab.show()
警告日志关闭
import logging
logging.captureWarnings(True)
2.2 figure 函数
figure() 函数来实例化 figure 对象，即绘制图形的对象，可以通过这个对象，来设置图形的样式等
参数：
-
figsize：指定画布的大小，(宽度,高度)，单位为英寸
-
dpi：指定绘图对象的分辨率，即每英寸多少个像素，默认值为80
-
facecolor：背景颜色
-
dgecolor：边框颜色
-
frameon：是否显示边框
import matplotlib.pyplot as pl
import numpy as np
def fun2():
x = np.linspace(-10, 10, 100)
y = x**2
y1 = x**2+x-10
#创建画布
fig = pl.figure(figsize=(10, 8), dpi=80, facecolor='w', edgecolor='k', linewidth=1, frameon=True)
#添加子图
#add_exes : x轴范围，y轴范围
ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax1.plot(x, y, 'r', label='y=x^2')
ax1.plot(x, y1, 'b', label='y=x^2+x-10')
#图例
ax1.legend()
pl.show()
fun2()
2.2.1 figure.add_axes()
Matplotlib 定义了一个 axes 类（轴域类），该类的对象被称为 axes 对象（即轴域对象），它指定了一个有数值范围限制的绘图区域。在一个给定的画布（figure）中可以包含多个 axes 对象，但是同一个 axes 对象只能在一个画布中使用。
参数：
是一个包含四个元素的列表或元组，格式为 [left, bottom, width, height]，其中：
left 和 bottom 是轴域左下角的坐标，范围从 0 到 1。
width 和 height 是轴域的宽度和高度，范围从 0 到 1。
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。图例会自动显示每条线或数据集的标签。
参数：
-
labels 是一个字符串序列，用来指定标签的名称
-
loc 是指定图例位置的参数，其参数值可以用字符串或整数来表示
-
handles 参数，它也是一个序列，它包含了所有线型的实例
legend() 函数 loc 参数：
| 位置 | 字符串表示 | 整数数字表示 |
|---|---|---|
| 自适应 | best | 0 |
| 右上方 | upper right | 1 |
| 左上方 | upper left | 2 |
| 左下 | lower left | 3 |
| 右下 | lower right | 4 |
| 右侧 | right | 5 |
| 居中靠左 | center left | 6 |
| 居中靠右 | center right | 7 |
| 底部居中 | lower center | 8 |
| 上部居中 | upper center | 9 |
| 中部 | center | 10 |
2.3 标题中文乱码
如果标题设置的是中文，会出现乱码
局部处理：
#局部处理：中文显示问题
#适合小批量
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
全局处理：
首先，找到 matplotlibrc 文件的位置，可以使用以下代码：
import matplotlib print(matplotlib.matplotlib_fname())
然后，修改 matplotlibrc 文件，找到 font.family 和 font.sans-serif 项，设置为支持中文的字体，如 SimHei。
同时，设置 axes.unicode_minus 为 False 以正常显示负号。
修改完成后，重启pyCharm。如果不能解决，尝试运行以下代码来实现：
from matplotlib.font_manager import _rebuild _rebuild()
2.4 subplot 函数
subplot 是一个较早的函数，用于创建并返回一个子图对象。它的使用比较简单，通常用于创建网格状的子图布局。subplot 的参数通常是一个三位数的整数，其中每个数字代表子图的行数、列数和子图的索引。
add_subplot 是一个更灵活的函数，它是 Figure类的一个方法，用于向图形容器中添加子图。推荐使用 add_subplot，因为它提供了更好的灵活性和控制。
语法：fig.add_subplot(nrows, ncols, index)
def fun3():
x = np.linspace(-10, 10, 100)
y = x**2
y1 = np.tan(x)
#创建画布gistration
fig = plt.figure()
#添加子图:1行2列，第1个子图
ax1 = fig.add_subplot(1, 2, 1)
ax1.plot(x, y, 'r', label='y=x^2函数')
#添加子图:1行2列，第2个子图
ax2 = fig.add_subplot(1, 2, 2)
ax2.plot(x, y1, 'b', label='y=tan(x)函数')
plt.show()
fun3()
2.5 subplots 函数
subplots 是 matplotlib.pyplot 模块中的一个函数，用于创建一个包含多个子图（subplots）的图形窗口。subplots 函数返回一个包含所有子图的数组，这使得你可以更方便地对每个子图进行操作。
语法：
fig, axs = plt.subplots(nrows, ncols, figsize=(width, height))
参数：
-
nrows: 子图的行数。
-
ncols: 子图的列数。
-
figsize: 图形的尺寸，以英寸为单位。
#subplots函数创建子图
#参数
#nrows：行数
#ncols：列数
#sharex：是否共享x轴
#sharey：是否共享y轴
#返回值：返回一个Figure对象和一个Axes对象的元组
def fun4():
x = np.linspace(-10, 10, 100)
y = x**2
y1 = np.tan(x)
y2 = np.sin(x)
#subplots函数创建子图
#返回值：返回一个Figure对象和一个Axes对象的元组
#fig：画布对象
#axs：子图对象列表
fig,axs = plt.subplots(2,2)
axs[0,0].plot(x, y, 'r', label='y=x^2函数')
axs[0,1].plot(x, y1, 'b', label='y=tan(x)函数')
axs[1,0].plot(x, y2, 'g', label='y=sin(x)函数')
#图例
axs[0,0].legend()
axs[0,1].legend()
axs[1,0].legend()
plt.show()
fun4()
3、绘制图表
3.1 柱状图
柱状图（Bar Chart）是一种常用的数据可视化工具，用于展示分类数据的分布情况。
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。
-
height: 柱状图的高度。
-
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，可以是 'center'（居中对齐）或 'edge'（边缘对齐）。
-
**kwargs: 其他可选参数，用于定制柱状图的外观，如 color、edgecolor、linewidth 等。
案例1：
# 绘制柱状图
import matplotlib.pyplot as plt
# 数据准备
x = ['A', 'B', 'C', 'D', 'E']
y = [5, 7, 3, 9, 1]
y2 = [3, 5, 2, 8, 4]
# 绘制柱状图
plt.bar(x, y, width=0.5, color='blue', alpha=0.5, label='y')
plt.legend()
plt.show()
堆叠柱状图
# 数据
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()
# 绘制第一个数据集的柱状图
ax.bar(categories, values1, color='skyblue', label='Values 1')
# 绘制第二个数据集的柱状图，堆叠在第一个数据集上
ax.bar(categories, values2, bottom=values1, color='lightgreen', label='Values 2')
# 设置标题和标签
ax.set_title('Stacked Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')
# 添加图例
ax.legend()
# 显示图形
plt.show()
bottom=values1：绘制第二个数据集的柱状图，堆叠在第一个数据集上
分组柱状图
# 数据
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')
# 设置 X 轴标签
ax.set_xticks(x)
ax.set_xticklabels(categories)
# 设置标题和标签
ax.set_title('Grouped Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')
# 添加图例
ax.legend()
# 显示图形
plt.show()
3.2 直方图
直方图（Histogram）是一种常用的数据可视化工具，用于展示数值数据的分布情况。
语法：
ax.hist(x, bins=None, range=None, density=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，格式为 (min, max)。
-
density: 是否将直方图归一化，默认为 False。
-
weights: 每个数据点的权重。
-
cumulative: 是否绘制累积直方图，默认为 False。
-
**kwargs: 其他可选参数，用于定制直方图的外观，如 color、edgecolor、linewidth 等。
from matplotlib import pyplot as plt
import numpy as np
# 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)
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制直方图
ax.hist(data, bins=30, color='skyblue', edgecolor='black')
# 设置标题和标签
ax.set_title('Simple Histogram')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')
# 显示图形
plt.show()
3.3 饼图
饼图（Pie Chart）是一种常用的数据可视化工具，用于展示分类数据的占比情况。
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: 一个数组，表示每个扇区偏离圆心的距离，默认为 None。
-
labels: 每个扇区的标签，默认为 None。
-
colors: 每个扇区的颜色，默认为 None。
-
autopct: 控制显示每个扇区的占比，可以是格式化字符串或函数，默认为 None。
-
shadow: 是否显示阴影，默认为 False。
-
startangle: 饼图的起始角度，默认为 0。
-
**kwargs: 其他可选参数，用于定制饼图的外观。
案例
from matplotlib import pyplot as plt
import numpy as np
# 数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制饼图
ax.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
# 设置标题
ax.set_title('Simple Pie Chart')
# 显示图形
plt.show()
3.4 折线图
使用 plot 函数
案例：
from matplotlib import pyplot as plt
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图形和子图
fig, ax = plt.subplots()
# 绘制多条折线图
ax.plot(x, y1, label='sin(x)', color='blue')
ax.plot(x, y2, label='cos(x)', color='red')
# 设置标题和标签
ax.set_title('Multiple Line Charts')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
# 添加图例
ax.legend()
# 显示图形
plt.show()
3.5 散点图
散点图（Scatter Plot）是一种常用的数据可视化工具，用于展示两个变量之间的关系。
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，默认为 'o'（圆圈）。
-
cmap: 颜色映射，用于将颜色映射到数据。
-
norm: 归一化对象，用于将数据映射到颜色映射。
-
vmin, vmax: 颜色映射的最小值和最大值。
-
alpha: 点的透明度，取值范围为 0 到 1。
-
linewidths: 点的边框宽度。
-
edgecolors: 点的边框颜色。
-
**kwargs: 其他可选参数，用于定制散点图的外观。
案例：
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
fig = plt.figure()
axes = fig.add_axes([.1,.1,.8,.8])
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]
axes.scatter(x,y0,color='red')
axes.scatter(x,y1,color='blue')
axes.set_title('散点图')
axes.set_xlabel('日期')
axes.set_ylabel('数量')
plt.legend(labels=['Email', 'Union Ads'],)
plt.show()
marker常用的参数值：
-
'o': 圆圈
-
's': 正方形
-
'D': 菱形
-
'^': 上三角形
-
'v': 下三角形
-
'>': 右三角形
-
'<': 左三角形
-
'p': 五边形
-
'*': 星形
-
'+': 加号
-
'x': 叉号
-
'.': 点
-
',': 像素
-
'1': 三叉戟下
-
'2': 三叉戟上
-
'3': 三叉戟左
-
'4': 三叉戟右
-
'h': 六边形1
-
'H': 六边形2
-
'd': 小菱形
-
'|': 竖线
-
'_': 横线
3.6 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。这个函数非常方便，可以轻松地将图像加载到 Python 中进行处理或显示。
参数
-
fname: 图像文件的路径（字符串）。 -
format: 图像格式（可选）。如果未指定，imread会根据文件扩展名自动推断格式。
返回值
-
返回一个 NumPy 数组，表示图像的像素数据。数组的形状取决于图像的格式：
-
对于灰度图像，返回一个二维数组
(height, width)。 -
对于彩色图像，返回一个三维数组
(height, width, channels)，其中channels通常是 3（RGB）或 4（RGBA）。
-
案例：
from matplotlib import pyplot as plt
import numpy as np
import os
def read_img():
dirpath = os.path.dirname(__file__)
print(dirpath)
filepath = os.path.join(dirpath, 'f01.png') # 图片路径：当前目录下的 f01.png，与当前文件同级
print(filepath)
img = plt.imread(filepath)
print(img.shape)
plt.imshow(img)
plt.show()
# 检查图像的维度
if len(img.shape) == 3 and img.shape[2] == 4:
img1 = np.transpose(img, (2, 0, 1))
for channel in img1:
plt.imshow(channel, cmap='gray') # 如果是多通道图像，可以指定 cmap='gray' 来显示每个通道
plt.show()
elif len(img.shape) == 3 and img.shape[2] == 3:
img1 = np.transpose(img, (2, 0, 1))
for channel in img1:
plt.imshow(channel, cmap='gray')
plt.show()
else:
print("图像不是RGB或RGBA格式")
if __name__ == '__main__':
read_img()
扫一扫
1082
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
