[TOC]
1.简单曲线绘制
Copy import matplotlib.pyplot as plt
import numpy as np
plt.plot([1, 2, 3, 4], 'r')
plot.ylabel('Simple red line')
plot.show() plot([x], y, [fmt], data=None, **kwargs)
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)
该函数可以绘制点或者曲线，根据给定的(x, y)坐标值，可以在一个图中绘制两条曲线，可以使用
Line2D 的属性作为关键字参数设置更多的特性。
Copy plt.plot(x, y, 'go--', linewidth=2, markersize=12)
plt.plot(x, y, color='green', marker='o', linestyle='dashed',
linewidth=2, marksize=12) Parameters: \
x, y : 给定的点的坐标，默认会将这些点连成曲线，使用参数 'b-' 即蓝色的直线 x坐标可以省略，默认为０－n-1
fmt : 指定点或者连线的模式，可用的颜色以及连线的格式如下
Copy import matplotlib.pyplot as plt
ply.plot([1,2,3,4], [1,4,9,16])
plt.aixs([0, 6, 0, 20]) # axis()函数接受四个参数，指定横轴以及纵轴的范围
## 控制曲线属性
#使用关键字直接设置属性
plt.plot(x, y, linewidth=2)
#使用setp()命令
line = plt.plot(x, y)
plt.setp(line, color='g', linewidth=2.0) 2. 创建子图
plt.subplots((nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=
None, gridspec_kw=None, **fig_kw)`
使用该函数创建子图布局，返回figure对象，以及一个numpy.ndarray，可以根据位置制定相应的子图对象
nrows, ncols:子图的行列布局】
sharex, sharey指定是否共享坐标轴可以的选项{'none', 'all'm, 'row', 'col'}
squeeze:true时返回的坐标对象的多余维度被压缩
subplots_kw:构建每个子图的关键字的字典
gridspec_kw: 构建布局的关键字
**fig_kw: 所有需要传递给plt.figure() 的关键字参数
Copy import matplotlib.pyplot as plt
import numpy as np
np.random.seed(189832) #使用随机数种子，确保每次运行得到的随机数相同
data = np.random.randn(2, 100) #生成2*100的二维正态分布的随机数
fig, axs = plt.subplots(2q, 2, figsize=(5, 5))
axs[0, 0].hist(data[0])
axs[1, 0].scatter(data[0], data[1])
axs[0, 1].plot(data[0], data[1])
axs[1, 1].hist2d(data[0], data[1])
plt.show()
#创建极坐标系
>>> fig, axes = plt.subplots(2, 2, subplot_kw=dict(polar=True))
>>> axes[0, 0].plot(x, y)
>>> axes[1, 1].scatter(x, y) plt.subplot(nrows, ncols, index, **kwargs)
在当前的表格中创建一个新的坐标图并且返回，其虚拟位置在index(1-n),当函数猎术以及坐标值都小于１０时，可以采用三位数字表示三个参数
注意：创建子图时会覆盖之前创建的重叠的子图
一个figure中只有一个plot时相当于调用了 plt.subplot(111)
创建子图后，如果需要设置每个子图的属性，可以通过
axs[i, j].set_title()设置标题
axs[i, j].set_xlabel() set_ylabel()设置横纵轴标签
Copy Creating a subplot will delete any pre-existing subplot that overlaps
with it beyond sharing a boundary::
import matplotlib.pyplot as plt
# plot a line, implicitly creating a subplot(111)
plt.plot([1,2,3])
# now create a subplot which represents the top plot of a grid
# with 2 rows and 1 column. Since this subplot will overlap the
# first, the plot (and its axes) previously created, will be removed
plt.subplot(211)
plt.plot(range(12))
plt.subplot(212, facecolor='y') # creates 2nd subplot with yellow background 3.设置图例
通过设置子图，生成了坐标轴对象AxesSuplot ,利用该对象可以设置相应的图形，再调用plt.legend() 进行图样的设置,可以采用三种方式进行调用
1. ax.legend() 自动填充
被加入到图例中的元素被自动检测，通过对每一个设置了label的图形进行检测，直接调用该函数，不需要多余的参数，ax是生成的子图对象(Axessubplot)
Copy f = plt.figure("Legend test")
ax = f.subplot(111)
line = ax.plot([1, 2, 3], label='Line')
ax.legend()
f.show() 2.给已存在的元素添加标签
Copy ax.plot([1, 2, 3])
ax.legend(['A simple line'])
#可以通过这种方式给一个已经在坐标轴上存在的图像设置标签
#这种方式不提倡使用，因为每个元素及其标签的关系仅靠顺序简单维护，容易引起歧义 3.plt.legend((l1, l2, l3), ('label1', 'label2', 'label3'))
对标签进行详细定义，为了对每一个元素的标记进行完全控制，可以元素以及标签以可迭代的序列的方式传入，元素一般为.Artist(lines, patches) 的序列对象,通过参数 handles 传入 ；相对应的标签是string序列
其他参数：
fontsizse: 整数，浮点数，或者｛'xx-small', 'x-small', 'small', 'medium', 'large', 'x-large', 'xx-large'｝设置字体大小
framealpha: 设置背景透明度 也可以使用leg.get_frmae().set_alpha(0.5)
mode : 可以设置为‘expand’ None 设置水平展开
Copy >>> f1 = plt.figure('test')
>>> ax = f1.subplot(2, 1)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'Figure' object has no attribute 'subplot'
>>> ax = f1.subplots(2, 1)
>>> ax
array([<matplotlib.axes._subplots.AxesSubplot object at 0x7efec3fe7c50>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7efec3879f98>],
dtype=object)
>>> ax[0].set_title('t1')
Text(0.5,1,'t1')
>>> ax[0].set_xlabel('x1')
Text(0.5,0,'x1')
>>> ax[0].set_ylabel('y1')
Text(0,0.5,'y1')
>>> a = ax[0].plot(t1, f(t1), 'bo', t2, f(t2), 'k')
>>> ax[0].legend(a, 'line t1')
<matplotlib.legend.Legend object at 0x7efec2eb0cc0>
>>> ax[1].set_title('t2')
Text(0.5,1,'t2')
>>> ax[1].set_xlabel('x2')
Text(0.5,0,'x2')
>>> ax[1].set_ylabel('y2')
Text(0,0.5,'y2')
>>> b = ax[1].plot(t2, np.cos(np.pi*2*t2), 'r--', label='line t2')
>>> ax[1].legend()
<matplotlib.legend.Legend object at 0x7efec3fe7630>
>>> f1.show() 4.显示图片
1.读入图片
可以使用pillow库将图片读入，并且转换为np.array对象，也可以使用matplotlib.image 进行读入，但是只可以读取png文件，可以直接获得相应的arrays
Copy import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('../../doc/_static/stinkbug.png')
print(img)
###利用pillow
>>> img = Image.open('wall.png')
>>> img
<PIL.PngImagePlugin.PngImageFile image mode=RGBA size=2000x1325 at 0x7F9D4D26F710>
>>> import numpy as np
>>> img = np.array(img)
>>> img 2.图片显示
Copy imshow(X, #类似与array的对象，其shape可以是(m,n)(m,n,3)(m,n,4),或者是PIL.Image
cmap=None, # 设置颜色参数
norm=None, #
aspect=None, # 方向参数，【auto|equal|标量】
interpolation=None, #
alpha=None, # 标量，指定透明度
vmin=None, #
vmax=None,
origin=None,
extent=None, # 指定图片在坐标系中的位置(left,right,bottom,topqq)
shape=None,
filternorm=1,
filterrad=4.0,
imlim=None,
resample=None,
url=None,
hold=None,
data=None,
**kwargs) 可以通过对数组进行预处理而进行数据分析，对于一个三（RDB）、四(RGBA)通道图片而言，可以仅获取单一通道的数据进行分析
Copy img[:,:,0][0] # 获取某一通道的数据
imgplot = plt.imshow(lum_img) # plt.imshow(, cmap='...')
imgplot.set_cmap('nipy_spectral') # 类似红外成像 'hot'->暖色调
plt.colorbar() 可以使用直方图进行色彩分析
Copy imgplot = plt.imshow(lum_img, clim=(0.0, 0.7)) You can also specify the clim using the returned object
Copy fig = plt.figure()
a = fig.add_subplot(1, 2, 1)
imgplot = plt.imshow(lum_img)
a.set_title('Before')
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')
a = fig.add_subplot(1, 2, 2)
imgplot = plt.imshow(lum_img)
imgplot.set_clim(0.0, 0.7)
a.set_title('After')
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')