Python — matplotlib.pyplot 绘图模块及常用函数

pyplot 的 rc 参数中文字符正常显示所需参数设置其它常用 rc 参数2. 绘制多个子图方法一: 先用 figure() 函数创建画布, 再用 figure.add_subplot() 方法创建子图创建画布创建子图方法二: 用 plt.subplots() 函数创建画布和子图plt 常用函数 tight_layout()3. 散点图与拟合散点图函数 scatter()numpy 补充多元正态

Charle4Leclerc

2930人浏览 · 2022-09-25 16:02:09

Charle4Leclerc · 2022-09-25 16:02:09 发布

1. 基本用法与折线图

pyplot 模块的常用函数

函数	描述
`figure`	创建一个空白画布，可以指定画布的大小和像素
`figure.add_subplot` 方法	创建并选中一个子图，可以指定子图所在的行号，列号和标号
`subplots`	用 `fig,ax = plt.subplots()` 同时在 `subplots` 里建立一个 `fig` 对象、一个 `axis` 对象数组
`title`	在当前绘图区中添加标题，可以指定标题的名称、颜色、字体等参数
`xlabel`	在当前绘图区中添加 $x$ 轴名称，可以指定名称、颜色、字体等参数
`ylabel`	在当前绘图区中添加 $y$ 轴名称，可以指定名称、颜色、字体等参数
`xlim`	指定当前绘图区 $x$ 轴的范围
`ylim`	指定当前绘图区 $y$ 轴的范围
`xticks`	指定 $x$ 轴刻度的数目与取值
`yticks`	指定 $y$ 轴刻度的数目与取值
`legend`	指定当前绘图区的图例，可以指定图例的大小、位置、标签
`plot`	绘制点以及点之间的连续线条（折线图）
`savefig`	保存绘制的图形
`show`	在本机显示全部画布 `figure` 上的图形

折线图函数: matplotlib.pyplot.plot()

matplotlib.pyplot.plot(x, y, format_string, ...)

在当前画布 figure 的当前绘图区 Axes 中根据提供的 x，y 中的数据，在坐标系中一一对应绘制各点，以及上一点与下一点之间的连续线条。（折线图）

返回：由 matplotlib.lines.Line2D 线条组成的列表。

常用参数：

x：x 轴数据，以类似数组的数据提供。
y：y 轴数据，以类似数组的数据提供。
format_string：控制点与线的格式字串，由表示色彩、点的形状以及线条线型的字符组合而成。

format_string 数据格式字符串由三项组成，格式为：

format_string = '[颜色][标记形状][线型]'

分别表示绘制的颜色、数据点的标记形状或线型，其中这三项每一项都是可选的，并可前后自由组合搭配。

常用 format_string 参数

颜色缩写	说明（颜色全称）	点形状	说明	线型	说明
`'b'`	蓝色（blue）	`'.'`	点	`'-'`	实线
`'g'`	绿色（green）	`'o'`	圆	`'--'`	虚线
`'r'`	红色（red）	`'+'`	加号	`'-.'`	点划线
`'y'`	黄色（yellow）	`'*'`	星号	`':'`	点构成的虚线
`'k'`	黑色（black）	`'v'`	向下三角形
`'c'`	青色（cyan）	`'^'`	向上三角形
`'m'`	紫红色（magenta）	`'<'`	向左三角形
`'w'`	白色（white）	`'>'`	向右三角形

常用函数 grid () 控制各轴网格线的显示状态

matplotlib.pyplot.grid(b=None, which='major', axis='both', **kwargs)

常用参数：

b：逻辑值或 None。决定是否显示网格线。如果提供了任何 kwargs，则假定您要打开网格，并且 b 将被设置为 True。如果 b 为 None 且没有 kwargs，则将切换网格线的可见性。
which：哪些层级的刻度上需要网格线。主刻度、次刻度、两者：'major'，'minor'，'both'。
axis：上述网格线出现在哪根轴。'both'，'x'，'y'。

常用函数 savefig() 保存当前画布内容

matplotlib.pyplot.savefig(fname, dpi=None, quality=None，bbox_inches=None, ...)

常用参数：

fname：字符串文件名或者已打开的文件对象。如果 format 参数没有被设置，则输出格式从扩展名中获得（缺省：“PNG”）。
支持的图像文件格式：eps, jpeg, jpg, pdf, pgf, png, ps, raw, rgba, svg, svgz, tif, tiff
dpi：分辨率。以每英寸点数为单位。如果为 None，则默认为使用当前画布图像的 dpi 值。
quality：图像质量。范围从 1（最差）到 95（最佳）。仅当格式为 jpg 或 jpeg 时适用，否则忽略。如果为 None，则默认为（默认值：95）。应避免超过 95 的值；100 则完全禁用 JPEG 优化。
bbox_inches：以英寸为单位的边界框：仅保存图形的给定部分。如果为 'tight'，则为当前图像的 tight bbox。（保存矢量图不完整时可在保存时加上 bbox_inches = 'tight'）

常用函数 legend() 绘制图例

matplotlib.pyplot.legend(labels, loc, bbox_to_anchor, title, fontsize, ...)

#实用格式：
legend()
legend(labels)
legend(handles, labels)

常用参数：

handles：已绘制的各种图形实例。可以用类似列表的方式提供。缺省值为所有已绘制的图形。
labels：图例文字。可用类似列表的方式提供。缺省值为绘制图形时在绘制的方法或函数中所提供的 label 参数。
loc：相对位置。它和 bbox_to_anchor 参数协同配合决定图例的最终位置。
- 当不提供 bbox_to_anchor 参数时，loc 决定图例在图形边界中出现的相对位置。
- 当 loc 为两个元素的元组时，表示图例的左下角的 x,y 坐标(在整个坐标长度中的占比)，此时 bbox_to_anchor 参数将失效。
- 通常可以用字符串或数字来表示在区域中的相对位置 (见下表)。
bbox_to_anchor：图例锚定辅助参数:
- (x, y, width, height)：以四个元素的元组给出 bbox（相对区域），x, y 为该区域的左下角，其余两个为区域的宽和高，所有数据都是占比数。此时 loc 参数将被解释成在此区域中的相对位置。
- (x,y)：以两个元素的元组给出的相对坐标，此时 loc 参数将被被解释成为图例本身的“方位点”的坐标占比。
title：图例的标题。
fontsize：文字大小。数值型或字符串描述: 'xx-small', 'x-small', 'small', 'medium', 'large', 'x-large', 'xx-large'

`loc` 参数位置的表示
位置字符串	位置码
`'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`

常用函数 text() 添加文字

matplotlib.pyplot.text(x, y, s, fontdict=None, **kwargs)

向图像中添加文本。

常用参数：

x, y: 浮点数, 放置文本的位置。默认情况下，这是在数据坐标中。可以使用 transform 参数更改坐标系。
s: 字符串, 要添加的文本。

返回：创建的 Text 实例。

pyplot 的 rc 参数

matplotlib.pyplot.rcParams 是一个字典，其中每个键值对的 “键”，对应以字符串形式表现的 rc 参数名，“值” 对应该参数的值。通过修改字典键值对中的值，即可设定 rc 参数。

中文字符正常显示所需参数设置

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
plt.rcParams['font.size'] = 14  # 调整字体大小
plt.rcParams['text.usetex'] = False  # 不使用 tex (与中文不能同时使用)

其它常用 rc 参数

`rc` 参数名称	说明	取值
`lines.linewidth`	线条宽度	0~10，默认值1.5
`lines.linestyle`	线条样式	4 种样式：“-”,”–”,”-.”,”:”
`lines.marker`	线条上点的样式	可以取”o”,”D”,”+”等
`lines.markersize`	点的大小	0~10，默认值1

2. 绘制多个子图

方法一: 先用 figure() 函数创建画布, 再用 figure.add_subplot() 方法创建子图

创建画布

matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, ...)

返回：Figure 画布对象
常用参数：

num：画布的编号。如为 None，则系统自动提供（从 1 开始）。如为字符串，则作为画布窗口中的标题。
figsize：以英寸为单位的画布的尺寸，以 [ 宽, 高 ] 方式提供。缺省值为 [6.4, 4.8]。
dpi：图像分辨率，设置每英寸的点数。缺省值为 100dpi。
facecolor：画布的颜色。

创建子图

matplotlib.figure.Figure.add_subplot(nrows, ncols, index, **kwargs)

创建的子图将在具有 nrows 行和 ncols 列的虚拟布局网格上占据索引位置。索引从左上角的 1 位置开始并向右向下逐渐增加。

返回：创建的子图，类型为 axes.SubplotBase 或者其它 Axes 的子类。

一次只能创建一个子图。

常用参数：

nrows：在画布中的虚拟布局子图行数。
ncols：在画布中的虚拟布局子图列数。
index：在虚拟布局中创建的子图的索引号。决定子图的具体位置。

可以提供一个三位的数字，以合并的方式决定 nrows、ncols 和 index，因为通常行数和列数不会超过 9。
也可以三个参数分开提供。

方法二: 用 plt.subplots() 函数创建画布和子图

matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, num=None, ...)

创建一张画布和一组子图。

返回：一个两个元素的元组:

fig：Figure 画布
ax：Axes 对象（子图）或 Axes 对象数组（多个子图）

常用参数：

nrows，ncols：可选，默认值：1。子图网格的行数/列数。
sharex，sharey：逻辑值或 'none'，'all'，'row'，'col'。控制 x (sharex) 或 y (sharey) 轴之间的属性共享：
- True 或 "all"：x 轴或 y 轴将在所有子图中共享。
- False 或 "none"：每个子图的 x 轴或 y 轴将是独立的。
- "row"：每个子图行将共享一个 x 轴或 y 轴。
- "col"：每个子图列将共享一个 x 轴或 y 轴。
- 当子图沿列具有共享的 x 轴时，仅创建底部子图的 x 刻度标签。同样，当子图沿行具有共享的 y 轴时，仅创建第一列子图的 y 刻度标签。若要稍后打开其他子图的刻度标签，可使用 tick_params。
num：指定画布编号。在指定的画布上创建子图。

plt 常用函数 tight_layout()

plt.tight_layout()

调整子图之间和周围的填充。可用于解决子图间轴标签、刻度标签以及标题重合的问题。

3. 散点图与拟合

散点图函数 scatter()

Axes.scatter (x, y, s=None, c=None, marker=None, alpha=None, linewidths=None, edgecolors=None, ... **kwargs)

功能：绘制散点图。

常用参数：

x, y：散点图的数据源。类数组数据。
s, c：点标记的尺寸（正常标记尺寸的平方）、标记的颜色。
marker：标记的风格，
alpha：透明度。0 透明，1 不透明。
linewidths：标记边缘线的宽度。
edgecolors：标记边缘线的颜色。

numpy 补充

多元正态分布矩阵

numpy.random.multivariate_normal(mean, cov, size=None, check_valid='warn', tol=1e-8)

返回：数组
常用参数：

mean：是多维分布的均值。
cov：协方差矩阵。
size：指定生成的正态分布矩阵的大小。

多项式拟合函数

numpy.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)

返回：通过 $y = f (x)$ 关系中大量 $x$ 和 $y$ 的对应数据，以数组类型返回拟合后的多项式系数。
常用参数：

x, y：多项式 $y = f (x)$ 中大量实际 $x$ 值和 $y$ 值，以类似数组方式提供。
deg：设定多项式中所希望的最高阶数。

多项式对象

numpy.poly1d(c_or_r, r = False, variable=None)

根据多项式系数，封装并返回多项式对象，以便进一步根据多项式计算更多的 $x$ 值所对应的 $y$ 值。

返回：多项式对象。如要算出真正的多项式的值，需要将多项式对象当作函数使用，参数可以是多个 $x$ 值的序列，可得到多个多项式的结果值。
常用参数：

c_or_r ：多项式的系数，类数组型。以幂次递减，或者如果 r 参数的值为True，则表示为多项式的根（多项式的值为 0 时 x 的值）。例如:
- poly1d([1, 2, 3]) 代表 $x^2 + 2x + 3$
- poly1d([1, 2, 3], True) 代表 $x-1)(x-2)(x-3) = x^3 - 6x^2 + 11x -6$
r ：布尔型，可选。如果为 True，则 c_or_r 指定多项式的根。默认值为 False。

多项式对象属性：

c：多项式的各个系数
r：多项式的根（多项式的值为 0 时 x 的值）
o：多项式的阶数（最高幂次数）

离散点拟合线绘制

根据数据调用 numpy.polyfit() 函数，获取多项式各项系数。
根据多项式系数调用 numpy.poly1d() 函数构造多项式对象。
通过类似函数调用的手法调用多项式对象，获得直线上各点的数据。（也可用 np.polyval() 得到拟合的预测值，参见 polyfit 进行多项式拟合）
根据直线上各个点的数据使用 matplotlib.pyplot.plot() 函数绘制直线。

pandas 的散点矩阵图函数

pandas.plotting.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None, grid=False, diagonal='hist', marker='.',…… **kwargs)

常用参数：

frame：pandas dataframe 对象。
diagonal：对角线图形类型。‘hist’, ‘kde’ 中选择1个:
- 'hist'：表示直方图 (Histogram plot)
- 'kde'：表示核密度估计 (Kernel Density Estimation)。
- 默认 'hist'。需要 scipy 模块的支持。

4. 其它统计图

直方图

Axes.hist(x, bins=None, range=None, histtype='bar', label=None, ...**kwargs)

根据数据绘制直方图。

常用参数：

x：指定要绘制直方图的数据。
bins：指定直方图条形的个数，默认 10。或序列表示的若干个区域边界。
range：指定直方图数据的上下界，超出范围的将被忽略。默认包含绘图数据的最大值和最小值。
histtype：画图的形状: 'bar', 'barstacked', 'step', 'stepfilled'。

返回值：一个三个元素的元组，三个元素分别为：

n：表示每一区间的数据个数，并组成序列。
bins：区间分界点组成的序列。个数为 n 的长度 $+ 1$ 。
patches：各个分区对象组成的序列。

饼图

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, ...)

常用参数：

x：每块扇形占总和的百分比数值，如果 sum(x) $> 1$ 会使用 sum(x) 自动计算每块占总的百分比。
explode：每块扇形被炸离中心的距离，以相对于半径的比例来指定。
labels：每块扇形外侧显示的说明文字（数据标签）
colors：每块扇形的默认颜色: ‘b’, ‘g’, ‘r’, ‘c’, ‘m’, ‘y’, ‘k’, ‘w’
autopct：控制饼图内百分比文字格式设置,可以使用格式化字符串。
pctdistance：饼内文字离开中心的距离，以相对于半径的比例来指定 autopct 的位置刻度, 默认值为 0.6
shadow：在饼图下面画一个阴影。默认值：False，即不画阴影；
labeldistance：label 标签的绘制位置，类似于 pctdistance，相对于半径的比例，默认值为 1.1, 如 $< 1$ 则绘制在饼图内侧
startangle：起始绘制角度,默认图是从 x 轴正方向逆时针画起。

柱状图

(1) 用 plt.bar()

matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, yerr, ...**kwargs)

常用参数：

x：x 轴数据。通常，每个分类与连续的各个整数对应，给 height 在 x 轴上定位。
height：y 轴对应柱的高度。数据个数与 x 的数据个数相同。
width：x 轴对应柱的相对宽度（等分宽度中的占比），默认 0.8 (保证柱与柱之间留有 0.2 的空隙)。
bottom：y 轴基准值，默认为 0。
yerr：y 轴误差线数据。

(2) 用 pandas 的绘图功能

DataFrame.plot.bar (x=None, y=None, **kwargs)

常用参数：

x：各个分类的名字，如果不指定，则使用 DataFrame 的行索引名作为各个分类名。
y：各个分类的数值数据，如果不指定，则使用 DataFrame 的所有数值列数据，列名为图例中的数据名。
rot：轴刻度文字的角度。
xlabel、ylabel：x 和 y 轴的轴标签。
xlim、ylim：以2个元素的元组或列表决定 x 或 y 轴的上下限。
title：子图标签。
grid：逻辑值，表示是否显示网格线（x、y 轴同时控制）

5. 等高线图和三维表面图

等高线图

matplotlib.pyplot.contour([X, Y,] Z, [levels], **kwargs)

绘制等高线。

matplotlib.pyplot.contourf([X, Y,] Z, [levels], **kwargs)

填充等高线轮廓。

contour() 和 contourf() 分别绘制等高线和填充等高线。主要参数和返回值相同。

常用参数：

X, Y: 类数组，可选, Z 中的值的坐标。X 和 Y 必须都是 2D 且具有与 Z 相同的形状 (例如，通过 numpy.meshgrid() 创建); 或者它们必须都是 1-D 且使得 len(X) $= N$ 为 Z 的列数, len(Y) $= M$ 是 Z 的行数。 X 和 Y 都必须单调排序。
如果未给出，则假定它们是整数索引，即 X = range(N)，Y = range(M)。
Z: 形状为 (M, N) 的类数组, 需绘制的高度值。
levels: int 或类数组，可选, 确定等高线/区域的数量和位置。如果是 int $n$ ，则用 MaxNLocator 在 vmin 和 vmax 之间自动选择不超过 $n + 1$ 个较好的轮廓级别。如果是类数组，则在指定级别绘制等高线, 这些值必须按升序排列。

返回: matplotlib.contour.QuadContourSet 对象。

三维表面图

首先需要通过将 projection="3d" 关键字参数传递给 Figure.add_subplot 来创建 3D 坐标轴（属于 Axes3D 类）。

fig = plt.figure()
ax = fig.add_subplot(projection='3d')

(3D Axes 中也可以用 plot, scatter 等绘制折线图, 散点图等, 参见官方文档)

绘制三维表面图函数：

Axes3D.plot_surface(X, Y, Z, *args, norm=None, vmin=None, vmax=None, lightsource=None, **kwargs)

参数：

X, Y, Z: 二维数组, 数据值。
norm: 标准化, 颜色图的规范化。
vmin, vmax: float, 规范化的界限。
lightsource: 当 shade 为 True 时使用的光源。
cmap: Colormap: 如 'viridis', 'gist_rainbow' 等。

示例

import matplotlib.pyplot as plt
import numpy as np
#节点的 x, y, z 坐标
xn=
yn=
zn=
#画等高线图
plt.subplot(121)
contr=plt.contour(xn,yn,zn)
plt.clabel(contr) #在等高线图中标出高度数据
#----------#
#画三维表面图
X,Y=np.meshgrid(xn,yn) #构造网格节点
ax=plt.subplot(122, projection='3d')
ax.plot_surface(X, Y, zn, cmap='viridis')