Matplotlib的常用图形_实验7matplotlib接口和常用图形-优快云博客

本文介绍了Matplotlib的安装及使用，包括点图、线图、散点图、条形图、等高线图、3D数据、子图、次坐标轴及动画的创建。详细讲解了坐标轴设置、标签修改、注解标注等技巧，并提供了多个相关教程及函数的参考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 安装

pip3 install matplotlib

2. 导入常用库

import matplotlib.pyplot as plt
from matplotlib import *
from pylab import *
import numpy as np
import seaborn as sns

%matplotlib inline

matplotlib 画动态图以及plt.ion()和plt.ioff()的使用

2.1 点图

plt.figure(figsize = (8,5))#图的大小为（8，5）
plt.plot([7,29,23,3,25])#默认x为[0,1,2,3,4]
plt.show()

在这里插入图片描述

plt.figure(figsize = (16,5))
plt.subplot(1,2,1)
plt.plot([7,29,23,3,25], c = 'r', label = 'y1')
plt.legend()
plt.subplot(1,2,2)
plt.plot([10,11,12,13,14],[7,29,23,3,25], c = 'b', label = 'y2')
plt.legend()
plt.show()

在这里插入图片描述

plt.figure(figsize = (8,5))
plt.plot([7,29,23,3,25], c = 'r', label = 'y1')
plt.plot([2,16,28,14,9], c = 'b', label = 'y2')
plt.legend(loc = 'upper left')
plt.show()

在这里插入图片描述

2.2 线图

x = np.linspace(-4,4,15)#定义x，在(-4，4)之间生成15个样本数
y = x
plt.plot(x,y)

plt.xlabel('x')
plt.ylabel('y')
plt.savefig('line.png')#保存图片

在这里插入图片描述

fig = plt.figure(figsize=(18,5))
x = np.linspace(-3,4,30)
y = -x**3
plt.subplot(1,3,1)
plt.plot(x,y,c = 'r')
plt.xlabel('x')
plt.ylabel('y')
plt.title('graph of y = -x**3')
plt.subplot(1,3,2)
plt.plot(x,y,'g*')
plt.subplot(1,3,3)
plt.plot(x,y,'b:')
plt.show()

在这里插入图片描述

x = np.linspace(-4,4,30)
y1 = x**2
y2 = -x**2
y3 = (x-2)**2
plt.plot(x,y1,label = 'y1 = x^2')
plt.plot(x,y2,label = 'y2 = -x^2')
plt.plot(x,y3,label = 'y3 = (x-2)^2')
plt.legend()
plt.show()
plt.savefig('plots.png')

在这里插入图片描述

plt.figure(figsize = (10,8))
x = np.linspace(-2*np.pi, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.subplot(3,1,1)
plt.plot(x, y1, 'go-')
plt.title('Introduction to trig functions', fontsize = 10)
plt.ylabel('y1 = sinx')
plt.subplot(3,1,2)
plt.plot(x, y2, 'r.-')
plt.ylabel('y2 = cosx')
plt.subplot(3,1,3)
plt.plot(x, y1+y2, 'm*:')
plt.ylabel('y3 = sinx+cosx')
plt.show()

在这里插入图片描述

for i in range(1,7):
    plt.subplot(2,3,i)
    plt.text(0.5,0.5,str((2,3,i)),fontsize=18,ha='center')#以文本形式打印

在这里插入图片描述

from pylab import *
y = randn(1000)
plt.figure(figsize = (16,5))
plt.subplot(1,2,1)
plot(y)
plt.subplot(1,2,2)
plot(y)
plt.autoscale(tight='x')
plt.tight_layout()
plt.show()

在这里插入图片描述

from sympy import *

plt.style.use('seaborn-whitegrid')
x = np.linspace(0,10,50)
dy = 0.8
y = np.sin(x) + dy*np.random.randn(50)

plt.errorbar(x,y,yerr=dy,fmt='.k')

在这里插入图片描述

plt.errorbar(x,y,yerr=dy,fmt='o',color='black',ecolor='lightgray',elinewidth=3,capsize=0)

在这里插入图片描述

def f(x, y):
    return np.sin(x)**10 + np.cos(10+y*x)*np.cos(x)

x = np.linspace(0,5,50)
y = np.linspace(0,5,40)

X, Y = np.meshgrid(x, y)
Z = f(X, Y)

plt.contour(X,Y,Z,colors='black')

在这里插入图片描述

plt.contour(X,Y,Z,20,cmap='RdGy')
plt.colorbar()

在这里插入图片描述

contours = plt.contour(X,Y,Z,3,colors='black')
plt.clabel(contours, inline=True, fontsize=8)

plt.imshow(Z, extent=[0,5,0,5], origin='lower', cmap='RdGy', alpha=0.5)
plt.colorbar()

在这里插入图片描述

plt.style.use('classic')

#Create some data
rng = np.random.RandomState(0)
x = np.linspace(0,10,500)
y = np.cumsum(rng.randn(500,6),0)

plt.plot(x, y)
plt.legend('ABCDEF', ncol=2, loc='upper left')

在这里插入图片描述

import seaborn as sns
sns.set()

plt.plot(x,y)
plt.legend('ABCDEF', ncol=2, loc='upper left')

在这里插入图片描述

import pandas as pd

data = np.random.multivariate_normal([0,0],[[5,2],[2,2]],size=2000)
data = pd.DataFrame(data, columns=['x', 'y'])

for col in 'xy':
    plt.hist(data[col], normed = True, alpha=0.5)

在这里插入图片描述

w_init = [0.0339, 0.0934, 0.1644, 0.1034, 0.2177, 0.099, 0.0323, 0.1385, 0.1175]
namelist = ['XLB', 'XLE', 'XLF', 'XLI', 'XLK', 'XLP', 'XLU', 'XLV', 'XLY']
labels = namelist
plt.pie(w_init, labels = labels, shadow = True)

在这里插入图片描述

x=np.linspace(-3,3,50)  #定义x，在(-3，3)之间生成50个样本数
y1=2*x+1  #定义y1数据范围
y2=x**2
plt.figure(num = 1, figsize = (8, 5))  #定义图像窗口，编号为1，大小为(8,5)
plt.plot(x,y1,color = 'red', linewidth = 2, linestyle = '--', label = '$y1=2*x+1$')  #画出曲线
plt.legend()
plt.plot(x,y2,color = 'blue', linewidth = 2, label = '$y2=x**2$')
plt.legend()
plt.show() #显示图像

在这里插入图片描述

2.3 设置坐标轴

设置坐标轴的范围：
plt.xlim()
plt.ylim()

设置坐标轴的显示：
plt.xlabel()
plt.ylabel()

替换坐标轴刻度:
plt.xticks()
plt.yticks()

设置坐标轴边框属性
调整移动坐标轴

plt.rcParams['font.sans-serif'] = ['SimHei'] #用于正常显示中文
plt.rcParams['axes.unicode_minus'] = False   
#解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串

x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=1,figsize=(8,5)) #定义编号为1，大小为（8,5）
plt.plot(x,y1,color = 'red', linewidth = 2, linestyle = '--', label = '$y1=2*x+1$')  #画出曲线
plt.legend(loc='best') #显示在最好的位置,自动分配
plt.plot(x,y2,color = 'blue', linewidth = 2, label = '$y2=x**2$')
plt.legend(loc='best') #显示在最好的位置,自动分配

plt.xlim(-1,2) #x轴的范围
plt.ylim(-2,3) #y轴的范围

plt.xlabel("x轴")#x轴的标签
plt.ylabel("y轴")#y轴的标签

new_ticks=np.linspace(-1,2,5)  #-1到2分成5段，包含端点
#print('x轴刻度值%s'%new_ticks)
plt.xticks(new_ticks)  #进行替换新下标
plt.yticks([-2,-1,0,1,2,],
          [r'$really\ bad$','$bad$','$0$','$well$','$really\ well$'])
          #第一个方框表示对应y轴上的值，第二个方框表示y轴相对应的显示的文字

#设置边框属性
ax=plt.gca()  #get current axis  ax有上下左右四个边框
ax.spines['right'].set_color('none') #边框属性设置为None 不显示，即右边框不显示
ax.spines['top'].set_color('none') #上边框不显示

plt.show()

在这里插入图片描述

2.4 修改标签名称

loc中的参数：best、upper right、upper left、lower left、lower right、right、center right、
lower center、upper center、center

x=np.linspace(-3,3,50)
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5))
plt.xlim(-1,2)
plt.ylim(-2,3)

new_ticks=np.linspace(-1,2,5) 
plt.xticks(new_ticks)
plt.yticks([-2,-1,1,2,],
          [r'$really\ bad$','$bad$','$well$','$really\ well$'])

l1,=plt.plot(x,y1,color='red',linewidth=2,linestyle='--',label='linear line')
l2,=plt.plot(x,y2,label='square line') 

#单独修改label的信息
plt.legend(loc='best',handles=[l1,l2],labels=['up','down']) #显示在最好的位置,自动分配

plt.show() #显示图

在这里插入图片描述

2.5 设置移动坐标轴

#调整移动坐标轴
plt.rcParams['font.sans-serif'] = ['SimHei'] #用于正常显示中文
plt.rcParams['axes.unicode_minus'] = False   #解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串
x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5)) #定义编号为2，大小为（8,5）
plt.plot(x,y1,color='red',linewidth=2,linestyle='--')  
plt.plot(x,y2)
plt.xlim(-1,2) #x轴的范围
plt.ylim(-2,3) #y轴的范围
plt.xlabel("x轴")
plt.ylabel("y轴")

new_ticks=np.linspace(-1,2,5)  #-1到2分成5段，包含端点
#print(new_ticks)
plt.xticks(new_ticks)  #进行替换新下标
plt.yticks([-2,-1,0,1,2,],
          [r'$really\ bad$','$bad$','$0$','$well$','$really\ well$'])

ax=plt.gca()  #get current axis
ax.spines['right'].set_color('none') #边框属性设置为None 不显示
ax.spines['top'].set_color('none')
   
ax.xaxis.set_ticks_position('bottom')  #设置x坐标刻度数字或名称的位置，所有属性为：top,bottom,both,default,none
ax.spines['bottom'].set_position(('data',0)) # 设置.spines边框x轴，设置.set_position设置边框的位置，y=0位置；位置所有属性有outward,axes,data
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0)) #坐标中心点在（0,0）位置
    
plt.show()

在这里插入图片描述

2.6 Annotation标注

annotate(s='str' , # 注释文本内容 
         xy=(x,y) ,# 被注释的坐标点
         xytext=(l1,l2) , # 为注释文字的坐标位置
         xycooders,
         extcoords, # 设置注释文字偏移量
         arrowprops, # 箭头参数（dict）
         bbox        # 给标题增加外框(dict)
         va          # verticalalignment设置水平对齐方式 
         ha          # horizontalalignment设置垂直对齐方式，可选参数：left,right,center
        )

s 为注释文本内容
xy 为被注释的坐标点
xytext 为注释文字的坐标位置

x=np.linspace(-3,3,50)
y=2*x+1
plt.figure(num=1,figsize=(8,5))
plt.plot(x,y)

#移动坐标轴
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

#标注信息
x0=1
y0=2*x0+1
plt.scatter(x0,y0,color='b')
plt.plot([x0,x0],[y0,0],'k--',lw=2.5)  #连接两个点，k表示黑色，lw=line weight 线粗细

#Annotation标注
plt.annotate(r'$2x0+1=%s$' % y0,xy=(x0,y0),xycoords='data',xytext=(+10,-10),textcoords='offset points',fontsize=16,
             arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))
#xycoords='data'  基于数据的值来选位置，xytext=(+30,-30),对于标注位置的描述，textcoords='offset points'，xy偏差值，
#arrowprops对图中箭头类型设置

#plt.annotate(s, xy, xycoords, xytext, textcoords, fontsize, arrowprops)
#在annotation标注函数中我们可以设置注释文本的内容，被注释的坐标点位置， 注释文字的坐标位置， 标注箭头类型

plt.text(-3.7,3,r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',fontdict={'size':16,'color':'r'})

plt.show()

在这里插入图片描述

2.7 tick能见度

x=np.linspace(-3,3,50)
y=0.1*x
plt.figure()
plt.plot(x,y,linewidth=10,zorder=1)
plt.ylim(-2,2)

#移动坐标轴
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

#label.set_fontsize(12) 重新调整字体的大小，
#bbox设置目的内容透明度相关系数
#set_bbox(dict(facecolor='white', edgecolor = 'None', alpha = 0.7, zorder = 2))
#facecolor调节box的前景色
#edgecolor设置边框
#alpha设置透明度范围0-1
#zorder设置图层顺序，在z轴方向排序
for label in ax.get_xticklabels()+ax.get_yticklabels():
    label.set_fontsize(12)
    label.set_bbox(dict(facecolor='yellow',edgecolor='None',alpha=0.7,zorder=2))

plt.show()

在这里插入图片描述

2.8 Scatter散点图

n=1024
X=np.random.normal(0,1,n)  
Y=np.random.normal(0,1,n)
T=np.arctan2(Y,X)  #arctan2返回给定的X和Y值的反正切值

#scatter画散点图，size=75,颜色为T,透明度为50%，利用xticks函数来隐藏x坐标轴
plt.scatter(X,Y,s=75,c=T,alpha=0.5)

plt.xlim(-1.5,1.5)
plt.xticks(())  #忽略xticks
plt.ylim(-1.5,1.5)
plt.yticks(()) #忽略yticks
plt.show()

在这里插入图片描述

2.9 Bar条形图

n=12
X=np.arange(n)
Y1=(1-X/float(n))*np.random.uniform(0.5,1,n)
Y2=(1-X/float(n))*np.random.uniform(0.5,1,n)

#bar画条形图
plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')

#标记值
for x,y in zip(X,Y1):  #zip表示可以传递两个值
    plt.text(x+0.1,y+0.01,'%.2f'%y,ha='center',va='bottom')  #ha表示横向对齐，bottom表示向下对齐
for x,y in zip(X,Y2):
    plt.text(x+0.1,-y-0.01,'%.2f'%y,ha='center',va='top')
plt.xlim(-0.5,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())

plt.show()

在这里插入图片描述

2.10 Contours等高线图

n=256
x=np.linspace(-3,3,n)
y=np.linspace(-3,3,n)
X,Y=np.meshgrid(x,y)  #从坐标向量返回坐标矩阵
#函数用来计算高度值，利用contour函数把颜色加进去，位置参数依次为x,y,f(x,y)，透明度为0.75，并将f(x,y)的值对应到camp之中
def f(x,y):
    return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)

#contourf画等高线图
plt.contourf(X,Y,f(X,Y),10,alpha=0.75,cmap=plt.cm.hot)  #8表示等高线分成多少份，alpha表示透明度，cmap表示color map

C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)
plt.clabel(C,inline=True,fontsize=10)
plt.xticks(()) #隐藏坐标轴
plt.yticks(())

plt.show()

在这里插入图片描述

2.11 Image图片

import matplotlib.pyplot as plt
import numpy as np

a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
              0.365348418405, 0.439599930621, 0.525083754405,
              0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)

plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
plt.show()

在这里插入图片描述

#利用matplotlib打印出图像
a=np.array([0.313660827978,0.365348418405,0.423733120134,
           0.365348418405,0.439599930621,0.525083754405,
           0.423733120134,0.525083754405,0.651536351379]).reshape(3,3)
plt.imshow(a,interpolation='nearest',cmap='bone',origin='lower') #origin='lower'代表就是选择原点位置
plt.colorbar(shrink=.92) #shrink参数是将图片长度变为原来的92%
plt.xticks(())
plt.yticks(())
plt.show()

在这里插入图片描述

2.12 3D数据

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D   #需要导入模块Axes3D

fig=plt.figure() #定义图像窗口
ax=Axes3D(fig)  #在窗口上添加3D坐标轴
#将x和y值编织成栅格
X=np.arange(-4,4,0.25)
Y=np.arange(-4,4,0.25)
X,Y=np.meshgrid(X,Y)
R=np.sqrt(X**2+Y**2)
Z=np.sin(R)  #高度值

#将colormap ranbow填充颜色，之后将三维图像投影到XY平面做等高线图，其中rstride和cstride表示row和column的宽度
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow')) #rstride表示图像中分割线的跨图

#添加XY平面等高线 投影到Z平面
ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap=plt.get_cmap('rainbow')) #把图像进行投影的图形 offset表示比0坐标轴低两个位置
ax.set_zlim(-2,2)
plt.show()

在这里插入图片描述

2.13 Subplot

多合一显示
均匀图中图：MatPlotLib可以组合许多的小图在大图中显示，使用的方法叫做subplot

plt.figure()
plt.subplot(2,2,1)  #表示将整个图像分割成2行2列，当前位置为1
plt.plot([0,1],[0,1]) #横坐标变化为[0,1] 竖坐标变化为[0,2]

plt.subplot(2,2,2)
plt.plot([0,1],[0,2])

plt.subplot(2,2,3)
plt.plot([0,1],[0,3])

plt.subplot(2,2,4)
plt.plot([0,1],[0,4])
plt.show()

在这里插入图片描述
不均匀图中图

plt.figure()
plt.subplot(2,1,1)  #表示将整个图像分割成2行1列，当前位置为1
plt.plot([0,1],[0,1]) #横坐标变化为[0,1] 竖坐标变化为[0,2]

plt.subplot(2,3,4)
plt.plot([0,1],[0,2])

plt.subplot(2,3,5)
plt.plot([0,1],[0,3])

plt.subplot(2,3,6)
plt.plot([0,1],[0,4])
plt.show()

在这里插入图片描述
分格显示

   #方法一
    import matplotlib.gridspec as gridspec  #引入新模块
    plt.figure()
    #使用plt.subplot2grid创建一个小图，（3,3）表示将整个图像分割成三行三列，（0,0）表示从第0行0列开始作图，
    #colspan=3表示列的跨度为3.colspan和rowspan缺省时默认跨度为1
    ax1=plt.subplot2grid((3,3),(0,0),colspan=3)  
    ax1.plot([1,2],[1,2])
    ax1.set_title('ax1_title')  #设置图的标题
    
    #将图像分割成3行3列，从第1行0列开始作图，列的跨度为2
    ax2=plt.subplot2grid((3,3),(1,0),colspan=2)
    
    #将图像分割成3行3列，从第1行2列开始作图，行的跨度为2
    ax3=plt.subplot2grid((3,3),(1,2),rowspan=2)
    
    #将图像分割成3行3列，从第2行0列开始作图，行与列的跨度默认为1
    ax4=plt.subplot2grid((3,3),(2,0))
    ax4.scatter([1,2],[2,2])
    ax4.set_xlabel('ax4_x')
    ax4.set_ylabel('ax4_y')
    
    ax5=plt.subplot2grid((3,3),(2,1))
    plt.show()

在这里插入图片描述

#方法二
plt.figure()
gs=gridspec.GridSpec(3,3)  #将图像分割成三行三列
ax6=plt.subplot(gs[0,:]) #gs[0:1]表示图占第0行和所有列
ax7=plt.subplot(gs[1,:2]) #gs[1,:2]表示图占第1行和前两列
ax8=plt.subplot(gs[1:,2]) #gs[1,:]表示图占后两行的最后一列
ax9=plt.subplot(gs[-1,0]) 
ax10=plt.subplot(gs[-1,-2]) #gs[-1,-2]表示这个图占倒数第一行和倒数第2列
plt.show()

在这里插入图片描述

#方法三
#建立一个2行2列的图像窗口，sharex=True表示共享x轴坐标，sharey=True表示共享y轴坐标，
#((ax11,ax12),(ax13,ax14))表示从左到右一次存放ax11,ax12,ax13,ax14
f,((ax11,ax12),(ax13,ax14))=plt.subplots(2,2,sharex=True,sharey=True)
ax11.scatter([1,2],[1,2]) #坐标范围x为[1,2],y为[1,2]
plt.tight_layout() #表示紧凑显示图像
plt.show()

在这里插入图片描述
图中图

fig=plt.figure()
#创建数据
x=[1,2,3,4,5,6,7]
y=[1,3,4,2,5,8,6]

#绘制大图：假设大图的大小为10，那么大图被包含在由（1,1）开始，宽8高8的坐标系之中
left,bottom,width,height=0.1,0.1,0.8,0.8
ax1=fig.add_axes([left,bottom,width,height]) #main axes
ax1.plot(x,y,'r')  #绘制大图，颜色为red
ax1.set_xlabel('x') #横坐标名称为x
ax1.set_ylabel('y')
ax1.set_title('title') #图名称为title

#绘制小图，注意坐标系位置和大小的改变
ax2=fig.add_axes([0.2,0.6,0.25,0.25])
ax2.plot(y,x,'b') #颜色为bule
ax2.set_xlabel('x')
ax2.set_title('title inside 1')

#绘制第二个小图
plt.axes([0.6,0.2,0.25,0.25])
plt.plot(y[::-1],x,'g')  #将y进行逆序
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')
plt.show()

在这里插入图片描述

2.14 次坐标轴

#同一个图中有两个y坐标轴
#获取figure默认坐标系：fig, ax1 = plt.subplots()
#通过ax1调用twinx，生成ax2: ax2 = ax1.twinx()
#分别在ax1和ax2中画图

x=np.arange(0,10,0.1)
y1=0.5*x**2
y2=-1*y1
fig,ax1=plt.subplots()

ax2=ax1.twinx()  #镜像显示
ax1.plot(x,y1,'g-')
ax2.plot(x,y2,'b-')

ax1.set_xlabel('x data')
ax1.set_ylabel('Y1 data',color='g') #第一个y坐标轴
ax2.set_ylabel('Y2 data',color='b') #第二个y坐标轴
plt.show()

在这里插入图片描述

2.15 Animation动画

import matplotlib.pyplot as plt
import numpy as np
%matplotlib notebook  
#在jupyter 中显示动画
from matplotlib.animation import FuncAnimation #引入新模块
fig,ax=plt.subplots()
x=np.arange(0,2*np.pi,0.01)  #数据为0~2PI范围内的正弦曲线
line,=ax.plot(x,np.sin(x))  #line表示列表

#构造自定义动画函数animate,用来更新每一帧上x和y坐标值，参数表示第i帧
def animate(i):
    line.set_ydata(np.sin(x+i/100))
    return line,

#构造开始帧函数init
def init():
    line.set_ydata(np.sin(x))
    return line,

ani=FuncAnimation(fig=fig,func=animate,frames=200,init_func=init,interval=10,blit=False)
#fig：进行动画绘制的figure； func：自定义动画函数，即传入刚定义的函数animate；
#frames：表示动画长度，一次循环所包含的帧数； init_func：自定义开始帧，即传入刚定义的函数init；
#interval表示更新频率，以ms计
#blit选择更新所有点，还是仅更新新变化产生的点。应该选True，但mac用户选择False，否则无法显示动画

plt.show()

这是动画的初始帧上图是动画的初始帧

%matplotlib notebook
from matplotlib import animation#引入新模块
fig,ax=plt.subplots()
x=np.arange(0,2*np.pi,0.01)#数据为0~2PI范围内的正弦曲线
line,=ax.plot(x,np.sin(x))# line表示列表

#构造自定义动画函数animate，用来更新每一帧上x和y坐标值，参数表示第i帧
def animate(i):
    line.set_ydata(np.sin(x+i/100))
    return line,

#构造开始帧函数init
def init():
    line.set_ydata(np.sin(x))
    return line,

  # frame表示动画长度，一次循环所包含的帧数；interval表示更新频率 
  # blit选择更新所有点，还是仅更新新变化产生的点。应该选True，但mac用户选择False。
ani=animation.FuncAnimation(fig=fig,func=animate,frames=200,init_func=init,interval=20,blit=False)
plt.show()

在这里插入图片描述

from matplotlib import pyplot as plt
from matplotlib import animation
import numpy as np
fig, ax = plt.subplots()
#我们的数据是一个0~2π内的正弦曲线
x = np.arange(0, 2*np.pi, 0.01)
line, = ax.plot(x, np.sin(x))

#接着，构造自定义动画函数animate，用来更新每一帧上各个x对应的y坐标值，参数表示第i帧
def animate(i):
    line.set_ydata(np.sin(x + i/10.0))
    return line,
#然后，构造开始帧函数init
def init():
    line.set_ydata(np.sin(x))
    return line,
#接下来，我们调用FuncAnimation函数生成动画。参数说明：
#fig 进行动画绘制的figure
#func 自定义动画函数，即传入刚定义的函数animate
#frames 动画长度，一次循环包含的帧数
#init_func 自定义开始帧，即传入刚定义的函数init
#interval 更新频率，以ms计
#blit 选择更新所有点，还是仅更新产生变化的点。应选择True，但mac用户请选择False，否则无法显示动画

ani = animation.FuncAnimation(fig=fig,
                              func=animate,
                              frames=100,
                              init_func=init,
                              interval=20,
                              blit=False)
plt.show()

 #当然，你也可以将动画以mp4格式保存下来，但首先要保证你已经安装了ffmpeg 或者mencoder
 # ani.save('basic_animation.mp4', fps=30, extra_args=['-vcodec', 'libx264'])

在这里插入图片描述

%matplotlib notebook
import tensorflow as tf 
import numpy as np 
import matplotlib.pyplot as plt
from matplotlib import animation
fig, ax = plt.subplots()
x =np.arange(0,2*np.pi,0.01)
 # 返回的是个列表
line , = ax.plot(x,np.sin(x))
def animate(i):
    # xdata 保持不变， ydata 更新成另外一批数据
    # 将0-100都传进去更新一下，i变化时，y也会变化，更新图像
    line.set_ydata(np.sin(x+i/10))
    return line,

def init():
    line.set_ydata(np.sin(x))
    return line,

 # interval 是更新的频率，隔多少毫秒更新一次，这里是隔20ms更新一次
 # blit=True,只更新有变化的点
ani = animation.FuncAnimation(fig=fig,func=animate,frames =100,init_func=init,interval =20,blit=False)
plt.show()

在这里插入图片描述

3. 参考

3.1 Matplotlib 教程

3.2 Matplotlib Python 画图教程 (莫烦Python)

在这里插入图片描述

df.plot()

参考：详解pandas.DataFrame.plot( )画图函数
DataFrame.plot( )函数

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
                sharex=None, sharey=False, layout=None,figsize=None, 
                use_index=True, title=None, grid=None, legend=True, 
                style=None, logx=False, logy=False, loglog=False, 
                xticks=None, yticks=None, xlim=None, ylim=None, rot=None,
                xerr=None,secondary_y=False, sort_columns=False, **kwds)

参数详解如下：

Parameters:
x : label or position, default None#指数据框列的标签或位置参数

y : label or position, default None

kind : str
‘line’ : line plot (default)#折线图
‘bar’ : vertical bar plot#条形图
‘barh’ : horizontal bar plot#横向条形图
‘hist’ : histogram#柱状图
‘box’ : boxplot#箱线图
‘kde’ : Kernel Density Estimation plot#Kernel 的密度估计图，主要对柱状图添加Kernel 概率密度线
‘density’ : same as ‘kde’
‘area’ : area plot#不了解此图
‘pie’ : pie plot#饼图
‘scatter’ : scatter plot#散点图  需要传入columns方向的索引
‘hexbin’ : hexbin plot#不了解此图

ax : matplotlib axes object, default None#**子图(axes, 也可以理解成坐标轴) 要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot**其中，变量和函数通过改变figure和axes中的元素（例如：title,label,点和线等等）一起描述figure和axes，也就是在画布上绘图。

subplots : boolean, default False#判断图片中是否有子图
Make separate subplots for each column

sharex : boolean, default True if ax is None else False#如果有子图，子图共x轴刻度，标签
In case subplots=True, share x axis and set some x axis labels to invisible; defaults to True if ax is None otherwise False if an ax is passed in; Be aware, that passing in both an ax and sharex=True will alter all x axis labels for all axis in a figure!

sharey : boolean, default False#如果有子图，子图共y轴刻度，标签
In case subplots=True, share y axis and set some y axis labels to invisible

layout : tuple (optional)#子图的行列布局
(rows, columns) for the layout of subplots

figsize : a tuple (width, height) in inches#图片尺寸大小

use_index : boolean, default True#默认用索引做x轴
Use index as ticks for x axis

title : string#图片的标题用字符串
Title to use for the plot

grid : boolean, default None (matlab style default)#图片是否有网格
Axis grid lines

legend : False/True/’reverse’#子图的图例，添加一个subplot图例(默认为True)
Place legend on axis subplots

style : list or dict#对每列折线图设置线的类型
matplotlib line style per column

logx : boolean, default False#设置x轴刻度是否取对数
Use log scaling on x axis
logy : boolean, default False
Use log scaling on y axis

loglog : boolean, default False#同时设置x，y轴刻度是否取对数
Use log scaling on both x and y axes

xticks : sequence#设置x轴刻度值，序列形式（比如列表）
Values to use for the xticks

yticks : sequence#设置y轴刻度，序列形式（比如列表）
Values to use for the yticks

xlim : 2-tuple/list#设置坐标轴的范围，列表或元组形式
ylim : 2-tuple/list

rot : int, default None#设置轴标签（轴刻度）的显示旋转度数
Rotation for ticks (xticks for vertical, yticks for horizontal plots)

fontsize : int, default None#设置轴刻度的字体大小
Font size for xticks and yticks

colormap : str or matplotlib colormap object, default None#设置图的区域颜色
Colormap to select colors from. If string, load colormap with that name from matplotlib.

colorbar : boolean, optional  #图片柱子
If True, plot colorbar (only relevant for ‘scatter’ and ‘hexbin’ plots)

position : float   
Specify relative alignments for bar plot layout. From 0 (left/bottom-end) to 1 (right/top-end). Default is 0.5 (center)

layout : tuple (optional)  #布局
(rows, columns) for the layout of the plot

table : boolean, Series or DataFrame, default False  #如果为正，则选择DataFrame类型的数据并且转换匹配matplotlib的布局。
If True, draw a table using the data in the DataFrame and the data will be transposed to meet matplotlib’s default layout. If a Series or DataFrame is passed, use passed data to draw a table.

yerr : DataFrame, Series, array-like, dict and str
See Plotting with Error Bars for detail.

xerr : same types as yerr.

stacked : boolean, default False in line and
bar plots, and True in area plot. If True, create stacked plot.

sort_columns : boolean, default False  # 以字母表顺序绘制各列，默认使用前列顺序

secondary_y : boolean or sequence, default False  ##设置第二个y轴（右y轴）
Whether to plot on the secondary y-axis If a list/tuple, which columns to plot on secondary y-axis

mark_right : boolean, default True
When using a secondary_y axis, automatically mark the column labels with “(right)” in the legend

kwds : keywords
Options to pass to matplotlib plotting method

Returns:axes : matplotlib.AxesSubplot or np.array of them