> For the complete documentation index, see [llms.txt](https://books.innohub.top/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://books.innohub.top/pyinfo/matplotlib-draw.md). # Matplotlib 基本使用 \[TOC] [*matplotlib 图库链接*](https://matplotlib.org/gallery.html) ## 1.简单曲线绘制 ```python 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。 ```python 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 | character | color | | --------- | ---------- | | 'b' | blue | | 'g' | green | | 'r' | red | | 'c' | cyan(天蓝) | | 'm' | magenta(紫) | | 'y' | yellow | | 'k' | black | | 'w' | white | | character | description | | --------- | ----------- | | ‘-’ | 直线 | | ‘--’ | 虚线 | | '-.' | 短线点相连 | | ‘:’ | 小圆点 | ```python 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 ```python 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 ```python 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) ```python 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 ```python 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：* * **loc:** 整数或者字符串，用于确定图例的位置 | Location string | Location code | | --------------- | ------------- | | 'best' | 0 | | 'upper right' | 1 | | 'upper left' | 2 | | 'lower left' | 3 | | 'lower right' | 4 | | 'right' | 5 | | 'center left' | 6 | | 'center right' | 7 | | 'lower center ' | 8 | | 'upper center' | 9 | | 'center' | 10 | * **ncol:** 图例的列数，默认是１ * **prop:** 设置图例字体 * **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 * **fancybox:** 确定是否使用圆边 bool * **shadow:** 是否添加图例的阴影 * **framealpha:** 设置背景透明度 也可以使用`leg.get_frmae().set_alpha(0.5)` * **facecolor:** 设置背景色 * **mode**: 可以设置为‘expand’ None 设置水平展开 ```python >>> f1 = plt.figure('test') >>> ax = f1.subplot(2, 1) Traceback (most recent call last): File "", line 1, in AttributeError: 'Figure' object has no attribute 'subplot' >>> ax = f1.subplots(2, 1) >>> ax array([, ], 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') >>> 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() >>> 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 ```python 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 >>> import numpy as np >>> img = np.array(img) >>> img ``` ### 2.图片显示 ```python 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 ```python 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 ``` imgplot = plt.imshow(lum_img, clim=(0.0, 0.7)) ``` You can also specify the clim using the returned object ``` 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') ```