TA的最新馆藏注：该文是上了开智学堂数据科学基础班的课后做的笔记，主讲人是肖凯老师。
数据可视化的原则
为什么要做数据可视化？
为什么要做数据可视化？因为可视化后获取信息的效率高。为什么可视化后获取信息的效率就高？因为人眼是个高带宽的巨量信号输入并行处理器，具有超强的模式识别能力，对可视符号的感知速度比对数字或文本快多个数量级，而可视化就是迎合了人眼的这种特点，才使得获取信息难度大大降低。（获取信息难度大大降低，也就是学习难度降低，也就能以有限的精力学到更多的东西，从而提高学习效率，所以可视化做得好就可以大大提高学习效率……）
这才会有一图胜前言的说法，一堆数据费劲看半天不明白，一生成图形就一目了然了。比如用图表达国际象棋对比围棋的复杂度：
从信息加工的角度看，丰富的信息将消耗大量的注意力，需要有效地分配注意力。精心设计的可视化可作为某种，辅助人们在人脑之外保存待处理信息，从而补充人脑有限的记忆内存，有助于将认知行为从感知系统中剥离，提高信息认知的效率。另一方面，视觉系统的高级处理过程中包含一个重要部分，即有意识地集中注意力，但人们保持视觉搜索的效率通常只能保持几分钟，无法持久。图形化符号可高效地传递信息，将用户的注意力引导到重要的目标上，好刀用在刀刃上。
可视化的作用体现在多个方面，如揭示想法和关系、形成论点或意见、观察事物演化的趋势、总结或积聚数据、存档和汇整、寻求真相和真理、传播知识和探索性数据分析等。
虽然可视化这个名字今年来才被大众所熟知，但其实“可视化与山岳一样古老”，在地图、科学与工程制图、统计图表中，可视化的技术和理念已经应用和发展了数百年。这方面的例子很多，这里不再赘述。
在计算机学科的分类中，利用人眼的感知能力对数据进行交互的可视表达，以增强认知的技术，称为可视化。它将不可见、或难以直接显示的数据转化为可感知的图形、符号、颜色、纹理等，增强数据识别效率，传递有效信息。这方面的例子也很多，举些常见的例子，世界杯、奥运会期间的大型网站做的可视化就越来越好，还有针对一些新闻热点所做的社交网络分析也非常清晰。相信大家也碰到过不少可视化的优秀案例。
推荐个有趣的。
再收藏个，说不定后面有用^_^
要用什么数据表达什么信息？
考虑你想传达什么知识，想要回答什么问题，或者想要讲述什么故事。这个阶段就是抽象地规划可视化功能，这时考虑实现细节还为时过早。这是个关键步骤，很值得投入时间。
受众是谁？
这是可视化必须要考虑的问题。一旦确定了可视化要传递的信息或达到的目标，接下来就要思考如何使用可视化。受众的需求、行话和需求必须纳入考虑，在这个阶段，明确他们需要从可视化中获取的知识将很有帮助。
如何使图更好看？
如何使图更好看？问题很简单，却不容易回答。什么叫好看？显然，这里的好看绝不是颜色搭配、线条粗细的设置这么简单，最重要的是要表达出足够的信息，要能够帮助到读者理解并获得新知识。要用图来表达大量的信息，且能够使读者快速、愉快地接收到，这绝不是件简单的事儿。下面是《》第一章对该问题的解读。
美丽的可视化可反映出所描述数据的品质，显式地揭示出源数据中内在和隐式的属性和关系，读者了解了这些属性和关系之后，可以因此而获取新的知识、洞察力和乐趣。
一个称得上“美”的可视效果，不但必须美观，而且必须新颖、充实和高效。
新颖：指用一种崭新的视角观察数据，或者用一种风格可以激发读者的激情从而达到新的理解高度。当然，好的可视化绝非为了新颖而设计，而是为了更加高效，新颖性只是展示新洞察的副产品，绝大多数情况下，还是应当遵从标准的格式和惯例，因为它们易于创建、为多数读者所熟悉，且具有自明性。采用新颖可视化必须是为了传递信息而非多样化。
高效：可视化不能包含太多和主题无关的内容或信息，不相关的数据如同噪音，如果无益，则很可能有害。
充实：首先考虑你想要传达什么知识，想要回答什么问题，或者想要讲述什么故事；然后理解受众的需求和目标，读者的需求、行话和偏好必须纳入考虑之中，然后有效选择数据，判断哪些数据是没用的，更糟的是分散你的注意力。
美观：图形化构建——包括坐标轴、布局、形状、色彩、线条和排版——是实现可视化之美的必要因素，合理利用这些因素来引导用户传播信息、揭示关系、突出结论以及提高视觉魅力是必要的。例如，在某些情况下，可以对信息进行冗余编码，如一个给定的值或分类可用位置和颜色来描述，可以使用文字标签和形状大小来描述，与单一编码相比，冗余编码可以帮助读者更快、更容易地区分感知和了解更多信息。也可以选择熟悉的色彩板、图标、布局以及和使用场景相关的全局风格，可以使读者更轻松或者舒适地接受展现处理的信息。
门捷列夫的化学元素周期表是可视化的杰作。
Matplotlib 的基本操作
如何定义画布？
%pylab inline
import matplotlib.pyplot as plt
Populating the interactive namespace from numpy and matplotlib
Matplotlib 的图像都位于 Figure 画布中，可以使用 plt.figure 创建一个新画布。
如果要在一个图表中绘制多个子图，可使用 subplot。
fig = plt.figure() # 创建一个新的 Figure
ax1 = fig.add_subplot(2, 2, 1)
# 不能通过空 Figure 绘图，必须用 add_subplot 创建一个或多个 subplot 才行
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
from numpy.random import randn
plt.plot(randn(50).cumsum(),'k--') # 这条没有指定具体 subplot 的绘图命令会在最后一个用过的 subplot 上进行绘制
_ = ax1.hist(randn(100), bins=20, color='k', alpha=0.3)
ax2.scatter(np.arange(30), np.arange(30) + 3*randn(30)) ; # 这里加分号可以屏蔽不必要的输出
如果要同时绘制多个图表，可以给 figure() 传递一个整数参数指定 Figure 对象的序号，如果序号所指定的Figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。如下例所示：
import numpy as np
plt.figure(1) # 创建图表1
plt.figure(2) # 创建图表2
ax1 = plt.subplot(211) # 在图表2中创建子图1
ax2 = plt.subplot(212) # 在图表2中创建子图2
x = np.linspace(0, 3, 100)
for i in xrange(5):
plt.figure(1)
# 选择图表1
plt.plot(x, np.exp(i*x/3))
plt.sca(ax1)
# 选择图表2的子图1
plt.plot(x, np.sin(i*x))
plt.sca(ax2)
# 选择图表2的子图2
plt.plot(x, np.cos(i*x))
plt.figure 有一些选项，特别是 figsize，它用于确保当图片保存到磁盘时具有一定的大小和纵横比。
x = np.linspace(0, 10, 1000)
y = np.sin(x)
plt.figure(figsize=(14,4))
plt.plot(x,y,label=&$sin(x)$&,color=&red&,linewidth=2)
plt.legend()
&matplotlib.legend.Legend at 0x7f09ef935610&
现在问题来了，之前章节我们在使用 Matplotlib 的 plot 函数绘图时并没有创建 figure，怎么也能画出图呢？
import numpy as np
x = np.linspace(-5, 5, num = 100)
y = np.e**x
plt.plot(x,y)
[&matplotlib.lines.Line2D at 0x7f09efba06d0&]
其实这里的 plt.plot() 是通过 plt.gca() 获得当前 Axes 对象的 ax，如果没有会创建一个，然后再调用 ax.plot 方法实现真正的绘图。
Matplotlib 是一套面向对象的绘图库，它所绘制的图表中的每个图表元素，如线条 Line2D、文字 Text、刻度等在内存中都有一个对象与之对应。
为了将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用plt.gcf()和plt.gca()获得，分别表示&Get Current Figure&和&Get Current Axes&。在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：
plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图。
画图有许多细节可以手动调整，需要慢慢熟悉
图形的类型
常用图形有哪些？
线图 line、条形图 bar、饼图 pie、直方图 histgram、散点图 scatter
思考什么情况下更适合使用哪种图形
表现一个连续的数值变化时，用线图，如表现 PM2.5 随时间的变化。
如果要处理离散的数据，如要展示不同城市的不同 PM2.5 均值，就可以用条形图画不同的城市。
如果要表示 PM2.5 不同成分的构成，就可以用饼图表现不同比例成分的大小。
在初学者看来，直方图和条形图很相似，其实是有很严格的区别，条形图是画离散数据的，而直方图是画连续数据的，如要看一群人身高的分布，身高是连续值，所以用直方图表示身高的分布。
如果要探索两个因素的相关性，如要探索一群人身高和体重的相关性，就可以用散点图。
上面是肖老师视频里讲的内容，下面是课外阅读内容。
之前总结过该问题，可参考我的博客：。
根据统计图呈现变量的数量将其分为单变量图、双变量图、多变量图，然后再根据测试尺度进行细分。变量主要分为3类：无序、有序和连续型变量。
1、单变量图：连续型变量。包括直方图、茎叶图、箱图、P-P图等。
2、单变量图：分类变量。包括饼图、简单条图、Pareto图。
3、双变量图：连续应变量。即应变量为连续性变量的情形。注意此处 “应” 字并非笔误，应变量可理解为数学方程中的因变量。
此时又可分为三种情况，当另一个主动变化的变量（自变量）为：
（1）无序分类变量：简单条图。
（2）有序分类变量：线图，条图。用于直观表现随着有序变量的变化，应变量是如何上升或下降的。
（3）连续性变量：散点图。用散点的疏密程度和变化趋势来对两个连续变量间的数量联系进行呈现。
4、双变量图：分类应变量。当自变量为：
（1）分类变量：条图。按具体呈现方式，又可分为：复式条图、分段条图和马塞克图3种。
（2）连续变量：目前没有很好的图形可用。常见处理方式是，将自/应变量交换后用条图呈现。
以上介绍的双变量图仅是正规和常见的，其实还可利用单变量图的特性，当自变量为分类变量时，可分类别绘制相应单变量图进行呈现，常见的有分组箱图、复式饼图、直方图组。
5、多变量图。此处仅介绍 3 变量图，切勿将统计图做得太复杂，不然将失去统计图 “直观明了” 的优点。
要表现3个变量的关联，最好是采用三维坐标的立体统计图，但由于实际上还是在平面上对三维图呈现，立体图在使用上并不方便。
（1）当其中有变量为分类变量时，可以对二维图进行扩充，使二维图能够表现更多信息。例如在散点图中用点的形状或者颜色区分不同类别，其实就是呈现了两个连续变量和一个分类变量的数量关联信息。类似的还有多线图。
（2）当所有变量均为连续变量时，则上面的方法就不可用了。需要高维的散点图才行，SPSS提供了一系列功能，如散点图矩阵、立体散点图和动态旋转等。
6、其它特殊用途的统计图。
（1）满足某一行业特殊需求：如用于将统计数据与地域分布相结合的统计地图、用于工业质量控制的控制图、用于股票分析的高低图。
（2）解决某种专门的统计分析问题：用于描述样本指标可信区间或分布范围的误差条图、用于诊断性试验效果分析的ROC曲线、用于时间序列数据预分析的序列图。
数据可视化的高级特性
matplotlib 还有哪些高级特性？
复杂的图需要注意一些细节，比如要画一些图例、一些丰富的数学标注、在一个画布里容纳多个图、画中画等。这些都是画图的高级特性。
何时需要用到这些特性？
画一些图例、丰富的数学标注、在一个画布里容纳多个图，这些都是很常用的。
双坐标图在探索两种尺度不同的数据的关系时会用到。
fig, ax1 = plt.subplots(figsize=(8, 4))
r = np.linspace(0, 5, 100)
a = 4 * np.pi * r ** 2
v = (4 * np.pi / 3) * r ** 3
ax1.set_title(&surface area and volume of a sphere&, fontsize=16)
ax1.set_xlabel(&radius [m]&, fontsize=16)
ax1.plot(r, a, lw=2, color=&blue&)
ax1.set_ylabel(r&surface area ($m^2$)&, fontsize=16, color=&blue&)
for label in ax1.get_yticklabels():
label.set_color(&blue&)
ax2 = ax1.twinx()
ax2.plot(r, v, lw=2, color=&red&)
ax2.set_ylabel(r&volume ($m^3$)&, fontsize=16, color=&red&)
for label in ax2.get_yticklabels():
label.set_color(&red&)
fig.tight_layout()
画中画在需要局部放大时会用到。
fig = plt.figure(figsize=(8, 4))
return 1/(1 + x**2) + 0.1/(1 + ((3 - x)/0.1)**2)
def plot_and_format_axes(ax, x, f, fontsize):
ax.plot(x, f(x), linewidth=2)
ax.xaxis.set_major_locator(mpl.ticker.MaxNLocator(5))
ax.yaxis.set_major_locator(mpl.ticker.MaxNLocator(4))
ax.set_xlabel(r&$x$&, fontsize=fontsize)
ax.set_ylabel(r&$f(x)$&, fontsize=fontsize)
# main graph
ax = fig.add_axes([0.1, 0.15, 0.8, 0.8], axisbg=&#f5f5f5&)
x = np.linspace(-4, 14, 1000)
plot_and_format_axes(ax, x, f, 18)
x0, x1 = 2.5, 3.5
ax = fig.add_axes([0.5, 0.5, 0.38, 0.42], axisbg='none')
x = np.linspace(x0, x1, 1000)
plot_and_format_axes(ax, x, f, 14)
可视化是对数据进行提炼和展现信息的重要手段
Matplotlib 可用于高质量的通用绘图工具
其他绘图模块可参考 seaborn 或者 bokeh
阅读(...) 评论()python科学计算学习二：matplotlib绘图，图标注释（2）
python科学计算学习二：matplotlib绘图，图标注释（2）
发布时间： 14:10:20
编辑：www.fx114.net
本篇文章主要介绍了"python科学计算学习二：matplotlib绘图，图标注释（2）"，主要涉及到python科学计算学习二：matplotlib绘图，图标注释（2）方面的内容，对于python科学计算学习二：matplotlib绘图，图标注释（2）感兴趣的同学可以参考一下。
& & 图标注释对于搞研究的人来说是很重要的，一般的paper里面也都会有。所以是很有必要要学习的。
& & 下面通过一个例子来说明python是怎么做的。
1 import matplotlib.pyplot as plt
2 import numpy as np
4 x=np.linspace(-1,1,10)
7 fig=plt.figure(figsize=(8,4))
8 ax=plt.subplot(111)
9 plt.plot(x,y)
11 for i,(_x,_y) in enumerate(zip(x,y)):
12 plt.text(_x,_y,i,color='red',fontsize=i+10)
13 plt.text(0.5,0.8,'subplot words',color='blue',ha='center',transform=ax.trans Axes)
14 plt.figtext(0.1,0.92,'figure words',color='green')
15 plt.annotate('buttom',xy=(0,0),xytext=(0.2,0.2),arrowprops=dict(facecolor='blue', shrink=0.05))
16 plt.show()
& & 前面1-10行很清楚啊。前面已经学习过了。11行表示i从0到N-1（N表示xy的个数），-x，-y从所给的数据中取10组出来。然后再每一个点的位置写上i。这个i 数字的大小是越来越大的。这个for i,(_x,_y) in enumerate(zip(x,y)):具体的用法不懂的可以参见http://blog.csdn.net/ikerpeng/article/details/的第9个知识点。若是还要更加细致的了解在参见：/blog/2008/04/how-to-use-pythons-enumerate-and-zip-to。后面13,14行讲的是子图和图像中输入文字。关于text（）figtext（），具体的参见/post//。在通过annotate（）函数画一个标注的箭头；其中的两个位置是箭头和箭尾的坐标，后面是颜色等信息。于是得到如下的结果：
标注的基本知识到此结束了。
一、不得利用本站危害国家安全、泄露国家秘密，不得侵犯国家社会集体的和公民的合法权益，不得利用本站制作、复制和传播不法有害信息！
二、互相尊重，对自己的言论和行为负责。
本文标题：
本页链接：使用python中的matplotlib进行绘图分析数据 - 推酷
使用python中的matplotlib进行绘图分析数据
matplotlib介绍
matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。它的文档相当完备，并且
页面 中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。
在Linux下比较著名的数据图工具还有gnuplot，这个是免费的，Python有一个包可以调用gnuplot，但是语法比较不习惯，而且画图质量不高。而Matplotlib则比较强：Matlab的语法、python语言、latex的画图质量（还可以使用内嵌的latex引擎绘制的数学公式）。
可以在Ipython中输入类似& plt.plot?? &的命令查看pyplot模块的函数是如何对各种绘图对象进行包装的。
面向对象方式绘图 matplotlib实际上是一套面向对象的绘图库，它所绘制的图表中的每个绘图元素，例如线条Line2D、文字Text、刻度等在内存中都有一个对象与之对应。
为了方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。我们只需要调用pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。pyplot模块虽然用法简单，
但不适合在较大的应用程序中使用 。
获取当前图和轴线 为了将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用
plt.gcf()和plt.gca() 获得，分别表示&Get Current Figure&和&Get Current Axes&。在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：&&&
plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图。
如，用下面的代码先获得axes对象再用ax来操作
ax = plt.gca()
ax = plt.axes()
地如设置xy轴的tickers就要用ax.yaxis来操作
ax.yaxis.set_minor_locator(yminorLocator)
安装numpy和matplotlib
检测是否安装成功：
&&& import numpy&&& numpy.__version__
&&& import matplotlib&&& matplotlib.__version__
不同绘图语言比较
工科生说Matlab完爆其他
数学系的说Mathematica高贵冷艳
统计系的说R语言作图领域天下无敌&
计算机系的说Python低调奢华有内涵
matplotlib.pyplot 模块 - 快速绘图
matplotlib的 pyplot 子库提供了和matlab类似的绘图API，方便用户快速绘制2D图表。
1.调用figure创建一个绘图对象，并且使它成为当前的绘图对象。（可选）
plt.figure(figsize=(8,4))
也可以不创建绘图对象直接调用接下来的plot函数直接绘图，matplotlib会为我们自动创建一个绘图对象！！
如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。
figsize参数：指定绘图对象的宽度和高度，单位为英寸；dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80。因此本例中所创建的图表窗口的宽度为8*80 = 640像素。
但是用show()出来的工具栏中的保存按钮保存下来的png图像的大小是800*400像素。这是因为保存图表用的函数savefig使用不同的DPI配置，savefig函数也有一个dpi参数，如果不设置的话，将使用matplotlib配置文件中的配置，此配置可以通过如下语句进行查看：&&&matplotlib.rcParams[&savefig.dpi&]100
2.通过调用plot函数在当前的绘图对象中进行绘图
plt.plot(years, price, 'b*')#,label=&$cos(x^2)$&)
plt.plot(years, price, 'r')
1. 第一句将x,y数组传递给plot
2.通过第三个参数&b--&指定曲线的颜色和线型，这个参数称为格式化参数，它能够通过一些易记的符号快速指定曲线的样式。其中b表示蓝色，&--&表示线型为虚线。
3. 用关键字参数指定各种属性：label : 给所绘制的曲线一个名字，此名字在图示/图例(legend)中显示。只要在字符串前后添加&$&符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。color : 指定曲线的颜色linewidth : 指定曲线的宽度
具体参见【附录 - matplotlib中的作图参数】
3.设置绘图对象的各个属性
plt.xlabel(&years(+2000)&)
plt.ylabel(&housing average price(*2000 yuan)&)
plt.ylim(0, 15)
plt.title('line_regression & gradient decrease')
plt.legend()
xlabel : 设置X轴的文字
ylabel : 设置Y轴的文字
title : 设置图表的标题
ylim : 设置Y轴的范围
legend : 显示图示
4.最后调用plt.show()显示出我们创建的所有绘图对象。
Matplotlib 里的常用类的包含关系为 Figure -& Axes -& (Line2D, Text, etc.)一个Figure对象可以包含多个子图(Axes)，在matplotlib中用Axes对象表示一个绘图区域，可以理解为子图。
清空plt绘制的内容
plt . close ( 0 ) # 关闭图 0
plt.close('all') 关闭所有图
5. 绘制多子图
可以使用subplot()快速绘制包含多个子图的图表，它的调用形式如下：
subplot(numRows, numCols, plotNum)
subplot将整个绘图区域等分为numRows行* numCols列个子区域，然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1。如果numRows，numCols和plotNum这三个数都小于10的话，可以把它们缩写为一个整数，例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。
通过axisbg参数给每个轴设置不同的背景颜色。
subplot()返回它所创建的Axes对象，我们可以将它用变量保存起来，然后用sca()交替让它们成为当前Axes对象，并调用plot()在其中绘图。
Note:& 当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。
6.绘制多图表
如果需要同时绘制多幅图表，可以给figure()传递一个整数参数指定Figure对象的序号，如果序号所指定的Figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。
import numpy as np
import matplotlib.pyplot as plt
plt.figure(1) # 创建图表1
plt.figure(2) # 创建图表2
ax1 = plt.subplot(211) # 在图表2中创建子图1
ax2 = plt.subplot(212) # 在图表2中创建子图2
x = np.linspace(0, 3, 100)
for i in xrange(5):
plt.figure(1)
#选择图表1
plt.plot(x, np.exp(i*x/3))
plt.sca(ax1)
#选择图表2的子图1
plt.plot(x, np.sin(i*x))
plt.sca(ax2)
# 选择图表2的子图2
plt.plot(x, np.cos(i*x))
plt.show()
7. 在图表中显示中文
matplotlib的缺省配置文件中所使用的字体无法正确显示中文。为了让图表能正确显示中文，可以有几种解决方案。
在程序中直接指定字体。
在程序开头修改配置字典rcParams。
修改配置文件。
比较简便的方式是，中文字符串用unicode格式，例如：u''测试中文显示''，代码文件编码使用utf-8 加上& #&coding = utf-8 &&一行。
8. 面向对象画图
matplotlib API包含有三层，Artist层处理所有的高层结构，例如处理图表、文字和曲线等的绘制和布局。通常我们只和Artist打交道，而不需要关心底层的绘制细节。
直接使用Artists创建图表的标准流程如下：
创建Figure对象
用Figure对象创建一个或者多个Axes或者Subplot对象
调用Axies等对象的方法创建各种简单类型的Artists
import matplotlib.pyplot as plt
X1 = range(0, 50)
Y1 = [num**2 for num in X1] # y = x^2 X2 = [0, 1] Y2 = [0, 1] # y = x
Fig = plt.figure(figsize=(8,4)) # Create a `figure' instance
Ax = Fig.add_subplot(111) # Create a `axes' instance in the figure
Ax.plot(X1, Y1, X2, Y2) # Create a Line2D instance in the axes
Fig.show()
Fig.savefig(&test.pdf&)
（面向对象绘图）]
9.图形保存和输出设置
可以调用plt.savefig()将当前的Figure对象保存成图像文件，图像格式由图像文件的扩展名决定。下面的程序将当前的图表保存为“test.png”，并且通过dpi参数指定图像的分辨率为 120，因此输出图像的宽度为“8X120 = 960”个像素。
plt.savefig(&test.png&,dpi=120)
也可以通过show()出来的图形界面手动保存和设置
matplotlib中绘制完成图形之后通过show()展示出来，我们还可以通过图形界面中的工具栏对其进行设置和保存
matplotlib修改图片大小：图形界面下方工具栏可以设置图形上下左右的边距
坐标轴设定
Axis容器包括坐标轴的刻度线、刻度标签、坐标网格以及坐标轴标题等内容。刻度包括主刻度和副刻度，分别通过get_major_ticks()和get_minor_ticks()方法获得。每个刻度线都是一 个XTick或YTick对象，它包括实际的刻度线和刻度标签。Axis 对象提供了 get_ticklabels()和get_ticklines()方法,可以直接获得刻度标签和刻度线。
&&& plt.plot([1,2,3],[4,5,6])
&&&plt.show()
&&& axis = plt.gca().xaxis
&&& axis.get_ticklocs()#获得axis对象的刻度位置列表
array([ 1. ,& 1.5,& 2. ,& 2.5,& 3. ])
&&& axis.get_ticklabels() # 获得刻度标签列表
&a list of 5 Text major ticklabel objects&
&&& [x.get_text() for x in axis.get_ticklabels()]# 获得刻度的文本字符串
[u'1.0', u'1.5', u'2.0', u'2.5', u'3.0‘]
获得X轴上表示主刻度线的列表，可看到X轴上共有10条刻度线:
&&&& axis.get_ticklines()
&a list of 10 Line2D ticklines objects&
由于没有副刻度线，因此副刻度线列表的长度为0：
&&& axis.get_ticklines(minor=True) # 获得副刻度线列表
&a list of 0 Line2D ticklines objects&
使用pyplot模块中的xticks()能够完成X轴上刻度标签的配置：
&&&plt.xticks(fontsize=16, color=&red&, rotation=45)
MatPlotLib中设置坐标轴主刻度标签和次刻度标签显示
{配置刻度线位置Locator类-控制刻度标签显示Formatter类}
用于计算副刻度位置的对象默认为 NullLocator,它不产生任何刻度线。而计算主刻度位置的对象为AutoLocator,它会根据当前的缩放等配置自动计算刻度的位置。matplotlib提供了多种配置刻度线位置的Locator类，以及控制刻度标签显示的Formatter 类。
与刻度定位和文本格式化相关的类都在matplotlib.ticker模块中定义，载入了两个类：MultipleLocaton, FuncFormatter可以以指定值的整数倍为刻度放置主、副刻度线。使用指定的函数计算刻度文本，它会将刻度值和刻度的序号作为参数传递给计算刻度文本的函数。
对于次刻度显示,如果要使用默认设置只要matplotlib.pyplot.minorticks_on()
设置刻度示例
from matplotlib import ticker, pyplot as plt ... ...
= plt.gca()ax.yaxis.set_minor_locator(ticker.MultipleLocator(
# 将此y轴次刻度标签设置为0.5的倍数 ax.yaxis.set_minor_formatter(ticker.FormatStrFormatter(
# 设置y轴次标签文本格式 ax.yaxis.set_major_formatter(ticker.FormatStrFormatter(
# 设置y轴主标签文本的格式 ax.xaxis.grid(
# x坐标轴的网格使用主刻度 ax.yaxis.grid(
# y坐标轴的网格使用次刻度
上面的示例中，实际主刻度标签和副刻度标签文本是重叠的，如果格式不一样就会显示不好，这样可能需要下面的FuncFormatter。
下面的程序设置X轴的主刻度为π/4,副刻度为π/20,并且主刻度上的标签用数学符号显示π。
from matplotlib.ticker import MultipleLocator, FuncFormatter
ax.xaxis.set_major_locator( MultipleLocator(np.pi/4) )
ax.xaxis.set_minor_locator( MultipleLocator(np.pi/20) )
ax.xaxis.set_major_formatter( FuncFormatter( pi_formatter ) )
def pi_formatter(x, pos):
m = np.round(x / (np.pi/4))
while m!=0 and m%2==0: m, n = m//2, n//2
if m == 0:
return &0&
if m == 1 and n == 1:
return &$\pi$&
if n == 1:
return r&$%d \pi$& % m
if m == 1:
return r&$\frac{\pi}{%d}$& % n
return r&$\frac{%d \pi}{%d}$& % (m,n)
matplotlib所绘制的图的每个组成部分都对应有一个对象 ，我们可以通过调用这些对象的属性设置方法set_*或者pyplot的属性设置函数setp设置其属性值。
设置对象的属性
例如plot函数返回一个 matplotlib.lines.Line2D 对象的列表，下面的例子显示如何设置Line2D对象的属性：
&&& import numpy as np
&&& import matplotlib.pyplot as plt
&&& x = np.arange(0, 5, 0.1)
&&& line, = plt.plot(x, x*x) # plot返回一个列表，通过line,获取其第一个元素
&&& # 调用Line2D对象的set_*方法设置属性值
&&& line.set_antialiased(False)
&&& # 同时绘制sin和cos两条曲线，lines是一个有两个Line2D对象的列表
&&& lines = plt.plot(x, np.sin(x), x, np.cos(x)) #
&&& # 调用setp函数同时配置多个Line2D对象的多个属性值
&&& plt.setp(lines, color=&r&, linewidth=2.0)
这段例子中，通过调用Line2D对象line的set_antialiased方法，关闭对象的反锯齿效果。或者通过调用plt.setp函数配置多个Line2D对象的颜色和线宽属性。
获取对象的属性值
同样我们可以通过调用Line2D对象的get_*方法，或者plt.getp函数获取对象的属性值：
&&& line.get_linewidth()
&&& plt.getp(lines[0], &color&) # 返回color属性
&&& plt.getp(lines[1]) # 输出全部属性
alpha = 1.0
animated = False
antialiased or aa = True
axes = Axes(0.125,0.1;0.775x0.8)
:getp函数只能对一个对象进行操作，它有两种用法：
指定属性名：返回对象的指定属性的值
不指定属性名：打印出对象的所有属性和其值
获取当前的绘图对象 plt.gcf()
matplotlib的整个图表为一个Figure对象，此对象在调用plt.figure函数时返回，我们也可以 通过plt.gcf函数获取当前的绘图对象 ：
&&& f = plt.gcf()
&&& plt.getp(f)
alpha = 1.0
animated = False
Figure对象axes属性 plt.gca()
Figure对象有一个axes属性，其值为AxesSubplot对象的列表，每个AxesSubplot对象代表图表中的一个子图，前面所绘制的图表只包含一个子图， 当前子图也可以通过plt.gca获得
&&& plt.getp(f, &axes&)
[&matplotlib.axes.AxesSubplot object at 0x05CDD170&]
&&& plt.gca()
&matplotlib.axes.AxesSubplot object at 0x05CDD170&
获取对象的各种属性plt.getp
用plt.getp可以发现AxesSubplot对象有很多属性，例如它的lines属性为此子图所包括的 Line2D 对象列表：
&&& alllines = plt.getp(plt.gca(), &lines&)
&&& alllines
&a list of 3 Line2D objects&
&&& alllines[0] == line # 其中的第一条曲线就是最开始绘制的那条曲线
通过这种方法我们可以很容易地查看对象的属性和它们之间的包含关系，找到需要配置的属性。
绘制一幅图需要对许多对象的属性进行配置，例如颜色、字体、线型等等。我们在绘图时，并没有逐一对这些属性进行配置，许多都直接采用了matplotlib的缺省配置。
matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件中，通过修改配置文件，我们可以修改图表的缺省样式。
在matplotlib中可以使用多个“matplotlibrc”配置文件，它们的搜索顺序如下，顺序靠前的配置文件将会被优先采用。
当前路径：程序的当前路径。
用户配置路径：通常在用户文件夹的“.matplotlib”目录下，可以通过环境变量MATPLOTLIBRC修改它的位置。
系统配置路径：保存在matplotlib的安装目录下的mpl-data中。
通过下面的语句可以获取用户配置路径：
&&& import matplotlib
&&& matplotlib.get_configdir()
'C:\\Documents and Settings\\用户名\\.matplotlib'
通过下面的语句可以获得目前使用的配置文件的路径：
&&& import matplotlib
&&& matplotlib.matplotlib_fname()
'C:\\Python26\\lib\\site-packages\\matplotlib\\mpl-data\\matplotlibrc'
由于在当前路径和用户配置路径中都没有找到配置文件，因此最后使用的是系统配置路径下的配置文件。如果读者将matplotlibrc复制一份到脚本的当前目录(例如，c:\zhang\doc)下：
&&& import os
&&& os.getcwd()
'C:\\zhang\\doc'
复制配置文件之后再查看配置文件的路径，就会发现它变为了当前目录下的配置文件：
&&& matplotlib.matplotlib_fname()
'C:\\zhang\\doc\\matplotlibrc'
如果读者使用文本编辑器打开此配置文件，就会发现它实际上是一个字典。为了对众多的配置进行区分，字典的键根据配置的种类，用“.”分为多段。
配置文件的读入可以使用rc_params()，它返回一个配置字典：
&&& matplotlib.rc_params()
{'agg.path.chunksize': 0,
'axes.axisbelow': False,
'axes.edgecolor': 'k',
'axes.facecolor': 'w',
在matplotlib模块载入时会调用rc_params()，并把得到的配置字典保存到rcParams变量中：
&&& matplotlib.rcParams
{'agg.path.chunksize': 0,
'axes.axisbelow': False,
matplotlib将使用rcParams字典中的配置进行绘图。用户可以直接修改此字典中的配置，所做的改变会反映到此后创建的绘图元素。例如下面的代码所绘制的折线将带有圆形的点标识符：
&&& matplotlib.rcParams[&lines.marker&] = &o&
&&& plt.plot([1,2,3,2])
&&& plt.show()
为了方便对配置字典进行设置，可以使用rc()。下面的例子同时配置点标识符、线宽和颜色：
&&& matplotlib.rc(&lines&, marker=&x&, linewidth=2, color=&red&)
如果希望恢复到缺省的配置(matplotlib载入时从配置文件读入的配置)，可以调用rcdefaults()。
&&& matplotlib.rcdefaults()
如果手工修改了配置文件，希望重新从配置文件载入最新的配置，可以调用：
&&& matplotlib.rcParams.update( matplotlib.rc_params() )
通过pyplot模块也可以使用rcParams、rc和rcdefaults。
图像载入和显示
imread()和imshow()提供了简单的图像载入和显示功能.
从图像文件读入数据，得到一个表示图像的NumPy数组。它的第一个参数是文件名或文件对象，format参数指定图像类型，如果省略，就由文件的扩展名决定图像类型。
对于灰度图像，它返回一个形状为(M，N)的数组；对于彩色图像，返冋形状为(M，N，C)的数组。 其中,M为图像的高度,N为图像的宽度,C为3或4,表示图像的通道数。
程序从“lena.jpg” 中读入图像数据：
&&&img = plt.imread(“lena.jpg&)
&&& img.shape
&&& (393, 512, 3)
&&& img.dtype
dtype(’uint8’)
plt.imshow
&&& plt.imshow(img〉#注意图像是上下颠倒的
#plt.imshow(img[::-1]) #反转图像数组的第0轴，不好理解？
&&& plt.imshow(img, origin=”lower”) # 让图表的原点在左下角
得到的数组img是一个形状为(393,512,3)的单字节无符号整数数组。这是因为通常使用的图像都是采用单字节分别保存每个像素的红、绿、蓝三个通道的分量。
注意，从JPG图像中读入的数据是上下颠倒的，为了正常显示图像，可以将数组的第0轴反转，或者设置imshow()的origin参数为“lower”,从而让所显示图表的原点在左下角。
如果三维数组的元素类型为浮点数
，那么元素的取值范围为0.0到1.0,与颜色值0到255 对应，超出这个范围可能会出现颜色异常的像素。
&&& img = img[: :-1]
&&& plt.imshow(img*1.0) #取值范围为0.0到255.0的浮点数组，不能正确显示颜色
&&& plt.imshow(img/255.0) #取值范围为0.0到1.0的浮点数组，能正确显示颜色
&&& plt.imshow(np.clip(img/200.0, 0, 1)& # 使用 clip()限制取值范围，整个图像变亮
如果imshow()的参数是二维数组
，就使用颜色映射表决定每个像素的颜色。下面显示图像 中的红色通道：
&&& plt.imshow(img[:,:,0])
显示效果比较吓人，因为默认的图像映射将最小值映射为蓝色、将最大值映射为红色. 可以使用colorbar()将颜色映射表在图表中显示出来：
&&& plt.colorbar()
imshow()的cmap参数
可以修改显示图像时所采用的颜色映射表。颜色映射表是一个 ColorMap对象，matplotlib中已经预先定义好了很多颜色映射表，可通过下面的语句找到这 些颜色映射表的名字：
&&& import matplotlib.cm as cm
&&& cm._cmapnames
[‘Spectral’,’copper’, ‘RdYlGn', ‘Set2’,’ sumner’, ’spring’,’gist_ncar’，…]
下面使用名为copper的颜色映射表显示图像的红色通道，很有老照片的味道：
&&&plt.imshow(img[:,:,0],cmap=cm.copper)
使用imshow()显示任意的二维数据
，例如下面的程序使用图像直观地显示了二元函数:
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm
y, x = np.ogrid[-2:2:200j, -2:2:200j]
z = x * np.exp( - x**2 - y**2)
extent = [np.min(x), np.max(x), np.min(y), np.max(y)]
plt.figure(figsize=(10,3))
plt.subplot(121)
plt.imshow(z, extent=extent, origin=&lower&)
plt.colorbar()
plt.subplot(122)
plt.imshow(z, extent=extent, cmap=cm.gray, origin=&lower&)
plt.colorbar()
plt.show()
imshow()的extent参数
，图表的X、Y轴的刻度标签所指定的范围.
ref:python matplotlib中所有模块查询：
matplotlib所有类和类中的函数查询：
绘图命令集合 ：
Gallerys :
Matplotlib教程(点击对应的图可见源码，复制可直接使用)：
关于各个部件和属性：
已发表评论数()
请填写推刊名
描述不能大于100个字符!
权限设置： 公开
仅自己可见
正文不准确
标题不准确
排版有问题
主题不准确
没有分页内容
图片无法显示
视频无法显示
与原文不一致}