一文帶你掌握Matplotlib圖形繪制
1. 2D 圖形繪制
1.2 曲線圖
在《Matplotlib快速入門》中，作為入門示例，我們已經了解了曲線圖的繪制方法，為了完整起見，本節(jié)中我們首先簡單回顧下，如何在使用 Matplotlib 繪制曲線圖，同時介紹多曲線圖等更復雜曲線圖的繪制。
1.2.1 簡單曲線圖的繪制
在以下示例中，我們繪制曲線 c o s ( x ) cos(x) cos(x)， x x x 在 [ 0 , 2 π ] [0, 2\pi] [0,2π] 區(qū)間內：
# cos_1.py import math import matplotlib.pyplot as plt scale = range(100) x = [(2 * math.pi * i) / len(scale) for i in scale] y = [math.cos(i) for i in x] plt.plot(x, y) plt.show()
我們已經知道， Matplotlib 使用的數據可以有不同來源，接下來，我們以使用 Numpy 獲取的數據為例，繪制 [-10,10] 區(qū)間內的曲線 y = x 3 + 5 x − 10 ：
# plot_np.py import numpy as np import matplotlib.pyplot as plt x = np.linspace(-10, 10, 800) y = x ** 3 + 5 * x - 10 plt.plot(x, y) plt.show()
1.2.2 繪制多曲線圖
很多時候我們需要對比多組數據，以發(fā)現數據間的異同，此時就需要在一張圖片上繪制多條曲線——多曲線圖，下圖展示了在同一圖片中繪制函數 y = x y=x y=x、 y = x 2 y=x^2 y=x2， y = l o g e x y=log_ex y=loge?x 以及 y = s i n ( x ) y=sin(x) y=sin(x)：
# plot_multi_curve.py import numpy as np import matplotlib.pyplot as plt x = np.linspace(0.1, 2 * np.pi, 100) y_1 = x y_2 = np.square(x) y_3 = np.log(x) y_4 = np.sin(x) plt.plot(x,y_1) plt.plot(x,y_2) plt.plot(x,y_3) plt.plot(x,y_4) plt.show()
Note： 一條曲線的繪制需要調用一次 plt.plot() ，而 plt.show() 只需調用一次。這種延遲呈現機制是 Matplotlib 的關鍵特性，我們可以在代碼中的任何地方調用繪圖函數，但只有在調用 plt.show() 時才會渲染顯示圖形。為了更好的說明這種延遲呈現機制，我們編寫以下代碼：
# deferred_rendering.py import numpy as np import matplotlib.pyplot as plt def plot_func(x, y): x_s = x[1:] - y[:-1] y_s = y[1:] - x[:-1] plt.plot(x[1:], x_s / y_s) x = np.linspace(-5, 5, 200) y = np.exp(-x ** 2) plt.plot(x, y) plot_func(x, y) plt.show()
可以看到，盡管其中一個 plt.plot() 是在 plot_func 函數中調用的，它對圖形的呈現沒有任何影響，因為 plt.plot() 只是聲明了我們要呈現的內容，但還沒有執(zhí)行渲染。因此可以使用延遲呈現特性結合 for 循環(huán)、條件判斷等語法完成復雜圖形的繪制，同時也可以在同一張圖中組合不同類型的統(tǒng)計圖。
1.2.3 讀取數據文件繪制曲線圖
很多情況下數據都是存儲于文件中，因此，需要首先讀取文件中的數據，再進行繪制，說明起見，以 .txt 文件為例，其他諸如 Excel 、 CSV文件 等同樣可以進行讀取，并用于可視化繪制。假設存在 data.txt 文件如下：
0 11 22 54 175 266 37
讀取數據和繪制的代碼如下：
# read_txt.py
import matplotlib.pyplot as plt
x, y = [], []
for line in open('data.txt', 'r'):
values = [float(s) for s in line.split()]
x.append(values[0])
y.append(values[1])
plt.plot(x, y)
plt.show()
1.2 散點圖
當繪制曲線圖時，我們假設點與點之間存在序列關系。而散點圖是簡單地繪制點，它們之間并不存在連接。散點圖來為兩個序列中的每個相對應的數據對在坐標軸中對應的位置畫一個點。
import numpy as np import matplotlib.pyplot as plt data = np.random.rand(1000, 2) plt.scatter(data[:,0], data[:,1]) plt.show()
可以看到，函數 plt.scatter() 的調用方式與 plt.plot() 完全相同，分別將點的 x 和 y 坐標序列作為輸入參數。
1.3 條形圖
條形圖具有豐富的表現形式，常見的類型包括單組條形圖，多組條形圖，堆積條形圖和對稱條形圖等。
1.3.1 單組條形圖
條形圖的每種表現形式都可以繪制成垂直條形圖或水平條形圖，以單組條形圖的兩種繪制方式為例。
(1) 垂直條形圖
import matplotlib.pyplot as plt data = [10., 20., 5., 15.] plt.bar(range(len(data)), data) plt.show()
plt.bar() 函數的作用是：接收兩個參數，包括每個條形的 x 坐標和每個條形的高度。通過使用可選參數 width ， plt.bar() 還可以控制條形圖中條形的寬度：
import matplotlib.pyplot as plt data = [10., 20., 5., 15.] plt.bar(range(len(data)), data, width=0.5) plt.show()
(2) 水平條形圖
如果更喜歡水平條形外觀，就可以使用 plt.barh() 函數，在用法方面與 plt.bar() 基本相同，但是修改條形寬度(或者在水平條形圖中應該稱為高度)，需要使用參數 height ：
import matplotlib.pyplot as plt data = [10., 20., 5., 15.] plt.barh(range(len(data)), data, height=0.5) plt.show()
1.3.2 多組條形圖
當需要比較不同年份相應季度的銷量等此類需求時，我們可能需要多組條形圖。
import numpy as np import matplotlib.pyplot as plt data = [[10., 20., 30., 20.],[40., 25., 53., 18.],[6., 22., 52., 19.]] x = np.arange(4) plt.bar(x + 0.00, data[0], color = 'b', width = 0.25) plt.bar(x + 0.25, data[1], color = 'g', width = 0.25) plt.bar(x + 0.50, data[2], color = 'r', width = 0.25) plt.show()
1.3.3 堆積條形圖
通過使用 plt.bar() 函數中的可選參數，可以繪制堆積條形圖， plt.bar() 函數的可選參數 bottom 允許指定條形圖的起始值。
import matplotlib.pyplot as plt y_1 = [3., 25., 45., 22.] y_2 = [6., 25., 50., 25.] x = range(4) plt.bar(x, y_1, color = 'b') plt.bar(x, y_2, color = 'r', bottom = y_1) plt.show()
可以結合 for 循環(huán)，利用延遲呈現機制可以堆疊更多的條形：
import numpy as np import matplotlib.pyplot as plt data = np.array([[5., 30., 45., 22.], [5., 25., 50., 20.], [1., 2., 1., 1.]]) x = np.arange(data.shape[1]) for i in range(data.shape[0]): plt.bar(x, data[i], bottom = np.sum(data[:i], axis = 0)) plt.show()
1.3.4 對稱條形圖
例如，當我們想要繪制不同年齡段的男性與女性數量的對比時，一個簡單且有用的技巧是對稱繪制兩個條形圖：
import numpy as np import matplotlib.pyplot as plt w_pop = np.array([5., 30., 45., 22.]) m_pop = np.array( [5., 25., 50., 20.]) x = np.arange(4) plt.barh(x, w_pop) plt.barh(x, -m_pop) plt.show()
圖中女性人口的條形圖照常繪制。然而，男性人口的條形圖的條形圖的條形圖向左延伸，而不是向右延伸?？梢允褂脭祿呢撝祦砜焖賹崿F對稱條形圖的繪制。
1.4 餅圖
餅圖可以用于對比數量間的相對關系， plt.pie() 函數將一系列值作為輸入，將值傳遞給 Matplolib ，它就會自動計算各個值在餅圖中的相對面積，并進行繪制：
import matplotlib.pyplot as plt data = [10, 15, 30, 20] plt.pie(data) plt.show()
1.5 直方圖
直方圖是概率分布的圖形表示。事實上，直方圖只是一種特殊的條形圖。我們可以很容易地使用 Matplotlib 的條形圖函數，并進行一些統(tǒng)計運算來生成直方圖。但是，鑒于直方圖的使用頻率非常高，因此 Matplotlib 提供了一個更加方便的函數—— plt.hist() 。 plt.hist() 函數的作用是：獲取一系列值作為輸入。值的范圍將被劃分為大小相等的范圍(默認情況下數量為 10 )，然后生成條形圖，一個范圍對應一個條柱，一個條柱的高度是相應范圍內中的值的數量，條柱的數量由可選參數 bins 確定。
import numpy as np import matplotlib.pyplot as plt x = np.random.randn(1024) plt.hist(x, bins = 20) plt.show()
1.6 箱形圖
箱形圖可以通過方便地顯示一組值的中位數、四分位數、最大值和最小值來比較值的分布。
import numpy as np import matplotlib.pyplot as plt data = np.random.randn(200) plt.boxplot(data) plt.show()
Tips：plt.boxplot()函數的作用是：獲取一組值，并自動計算平均值、中位數和其他統(tǒng)計量。
箱形圖描述：
- 圖中黃線是分布的中位數。
- 方形箱框包括從下四分位數Q1到上四分位數Q3的50%的數據。
- 下盒須的下四分位延伸到1.5 (Q3-Q1)。
- 上盒須從上四分位延伸至1.5 (Q3-Q1)。
- 離盒須較遠的數值用圓圈標記。
要在單個圖形中繪制多個箱形圖，對每個箱形圖調用一次 plt.boxplot() 是不可行。它會將所有箱形圖畫在一起，形成一個混亂的、不可讀的圖形。如果想要到達符合要求的效果，只需在一次調用 plt.boxplot() 中，同時繪制多個箱形圖即可，如下所示：
import numpy as np import matplotlib.pyplot as plt data = np.random.randn(200, 6) plt.boxplot(data) plt.show()
2. 3D 圖形繪制
繪制 3D 圖形的函數使用方式與 2D 非常相似，在上節(jié)中，我們已經學習了一系列 2D 圖形的繪制，接下里，我們在圖中再添加一個維度以展示更多信息。
2.1 3D 散點圖
3D 散點圖的繪制方式與 2D 散點圖基本相同。
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# Dataset generation
a, b, c = 10., 28., 8. / 3.
def lorenz_map(x, dt = 1e-2):
x_dt = np.array([a * (x[1] - x[0]), x[0] * (b - x[2]) - x[1], x[0] * x[1] - c * x[2]])
return x + dt * x_dt
points = np.zeros((2000, 3))
x = np.array([.1, .0, .0])
for i in range(points.shape[0]):
points[i], x = x, lorenz_map(x)
# Plotting
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')
ax.set_title('Lorenz Attractor a=%0.2f b=%0.2f c=%0.2f' % (a, b, c))
ax.scatter(points[:, 0], points[:, 1],points[:, 2], zdir = 'z', c = 'c')
plt.show()
需要注意的是，在彈出的交互式繪圖窗口中，按住鼠標左鍵移動鼠標可以旋轉查看三維圖形。接下來，我們詳細講解如何使用 Matplotlib 進行三維繪圖，我們首先需要導入 Matplotlib 的三維擴展 Axes3D ：
from mpl_toolkits.mplot3d import Axes3D
對于三維繪圖，需要創(chuàng)建一個 Figure 實例并附加一個 Axes3D 實例：
fig = plt.figure() ax = fig.gca(projection='3d')
之后，三維散點圖的繪制方式與二維散點圖完全相同：
ax.scatter(points[:, 0], points[:, 1],points[:, 2], zdir = 'z', c = 'c')
需要注意的是，繪制 3D 散點圖需要調用 Axes3D 實例的 scatter() 方法，而非 plt 中的 scatter 方法。只有 Axes3D 中的 scatter() 方法才能解釋三維數據。同時 2D 統(tǒng)計圖中的注釋也可以在 3D 圖中使用，例如 set_title() 、 set_xlabel() 、 set_ylabel() 和 set_zlabel() 等。
2.2 3D曲線圖
與在 3D 空間中繪制散點圖類似，繪制 3D 曲線圖同樣需要設置一個 Axes3D 實例，然后調用其 plot() 方法：
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# Dataset generation
a, b, c = 10., 28., 8. / 3.
def lorenz_map(x, dt = 1e-2):
x_dt = np.array([a * (x[1] - x[0]), x[0] * (b - x[2]) - x[1], x[0] * x[1] - c * x[2]])
return x + dt * x_dt
points = np.zeros((8000, 3))
x = np.array([.1, .0, .0])
for i in range(points.shape[0]):
points[i], x = x, lorenz_map(x)
# Plotting
fig = plt.figure()
ax = fig.gca(projection = '3d')
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')
ax.set_title('Lorenz Attractor a=%0.2f b=%0.2f c=%0.2f' % (a, b, c))
ax.plot(points[:, 0], points[:, 1], points[:, 2], c = 'c')
plt.show()
2.3 3D標量場
到目前為止，我們看到的 3D 繪圖方式類似與相應的 2D 繪圖方式，但也有許多特有的三維繪圖功能，例如將二維標量場繪制為 3D 曲面， plot_surface() 方法使用 x x x、 y y y 和 z z z 三個序列將標量場顯示為三維曲面：
import numpy as np from matplotlib import cm from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt x = np.linspace(-3, 3, 256) y = np.linspace(-3, 3, 256) x_grid, y_grid = np.meshgrid(x, y) z = np.sinc(np.sqrt(x_grid ** 2 + y_grid ** 2)) fig = plt.figure() ax = fig.gca(projection = '3d') ax.plot_surface(x_grid, y_grid, z, cmap=cm.viridis) plt.show()
可以看到曲面上線條帶有顯著的色彩標識，如果不希望看到三維曲面上顯示的曲線色彩，可以使用 plot_surface() 的附加可選參數：
ax.plot_surface(x_grid, y_grid, z, cmap=cm.viridis, linewidth=0, antialiased=False)
同樣，我們也可以僅保持曲線色彩，而曲面不使用其他顏色，這也可以通過 plot_surface() 的可選參數來完成：
import numpy as np from matplotlib import cm from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt x = np.linspace(-3, 3, 256) y = np.linspace(-3, 3, 256) x_grid, y_grid = np.meshgrid(x, y) z = np.sinc(np.sqrt(x_grid ** 2 + y_grid ** 2)) fig = plt.figure() ax = fig.gca(projection = '3d') ax.plot_surface(x_grid, y_grid, z, edgecolor='b',color='w') plt.show()
而如果我們希望消除曲面，而僅使用線框進行繪制，可以使用 plot_wireframe() 函數， plot_wireframe() 參數與 plot_surface() 相同，使用兩個可選參數 rstride 和 cstride 用于令 Matplotlib 跳過 x x x 和 y y y 軸上指定數量的坐標，用于減少曲線的密度：
ax.plot_wireframe(x_grid, y_grid, z, cstride=10, rstride=10,color='c')
2.4 繪制3D曲面
在前述方法中，使用 plot_surface() 來繪制標量：即 f(x, y)=z 形式的函數，但 Matplotlib 也能夠使用更通用的方式繪制三維曲面：
import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt # Generate torus mesh angle = np.linspace(0, 2 * np.pi, 32) theta, phi = np.meshgrid(angle, angle) r, r_w = .25, 1. x = (r_w + r * np.cos(phi)) * np.cos(theta) y = (r_w + r * np.cos(phi)) * np.sin(theta) z = r * np.sin(phi) # Display the mesh fig = plt.figure() ax = fig.gca(projection = '3d') ax.set_xlim3d(-1, 1) ax.set_ylim3d(-1, 1) ax.set_zlim3d(-1, 1) ax.plot_surface(x, y, z, color = 'c', edgecolor='m', rstride = 2, cstride = 2) plt.show()
同樣可以使用 plot_wireframe() 替換對 plot_surface() 的調用，以便獲得圓環(huán)的線框視圖：
ax.plot_wireframe(x, y, z, edgecolor='c', rstride = 2, cstride = 1)
2.5 在3D坐標軸中繪制2D圖形
注釋三維圖形的一種有效方法是使用二維圖形：
import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt x = np.linspace(-3, 3, 256) y = np.linspace(-3, 3, 256) x_grid, y_grid = np.meshgrid(x, y) z = np.exp(-(x_grid ** 2 + y_grid ** 2)) u = np.exp(-(x ** 2)) fig = plt.figure() ax = fig.gca(projection = '3d') ax.set_zlim3d(0, 3) ax.plot(x, u, zs=3, zdir='y', lw = 2, color = 'm') ax.plot(x, u, zs=-3, zdir='x', lw = 2., color = 'c') ax.plot_surface(x_grid, y_grid, z, color = 'b') plt.show()
Axes3D 實例同樣支持常用的二維渲染命令，如 plot() ：
ax.plot(x, u, zs=3, zdir='y', lw = 2, color = 'm')
Axes3D 實例對 plot() 的調用有兩個新的可選參數：
zdir ：用于決定在哪個平面上繪制2D繪圖，可選值包括 x、y 或 z；
zs ：用于決定平面的偏移。
因此，要將二維圖形嵌入到三維圖形中，只需將二維原語用于 Axes3D 實例，同時使用可選參數，zdir 和 zs，來放置所需渲染圖形平面。接下來，讓我們實際查看下在 3D 空間中堆疊 2D 條形圖的示例：
import numpy as np from matplotlib import cm import matplotlib.colors as col from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt # Data generation alpha = 1. / np.linspace(1, 8, 5) t = np.linspace(0, 5, 16) t_grid, a_grid = np.meshgrid(t, alpha) data = np.exp(-t_grid * a_grid) # Plotting fig = plt.figure() ax = fig.gca(projection = '3d') cmap = cm.ScalarMappable(col.Normalize(0, len(alpha)), cm.viridis) for i, row in enumerate(data): ax.bar(4 * t, row, zs=i, zdir='y', alpha=0.8, color=cmap.to_rgba(i)) plt.show()
2.6 3D 柱狀圖
最后，我們來介紹 3D 柱狀圖的繪制。
import numpy as np
from matplotlib import cm
import matplotlib.colors as col
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
# Data generation
alpha = np.linspace(1, 8, 5)
t = np.linspace(0, 5, 16)
t_grid, a_grid = np.meshgrid(t, alpha)
data = np.exp(-t_grid * (1. / a_grid))
# Plotting
fig = plt.figure()
ax = fig.gca(projection = '3d')
xi = t_grid.flatten()
yi = a_grid.flatten()
zi = np.zeros(data.size)
dx = .30 * np.ones(data.size)
dy = .30 * np.ones(data.size)
dz = data.flatten()
ax.set_xlabel('T')
ax.set_ylabel('Alpha')
ax.bar3d(xi, yi, zi, dx, dy, dz, color = 'c')
plt.show()
3D 柱體以網格布局定位， bar3d() 方法接受六個必需參數作為輸入。前三個參數是每個柱體下端的 x 、 y 和 z 坐標：
xi = t_grid.flatten() yi = a_grid.flatten() zi = np.zeros(data.size)
bar3d() 方法將坐標列表作為輸入，而不是網格坐標，因此需要對矩陣 a_grid 和 t_grid 調用flatten方法。 bar3d() 方法的另外三個必需參數是每個柱體在每個維度的值。這里，柱狀圖的高度取自數據矩陣。柱形寬度和深度設置為 0.30 ：
dx = .30 * np.ones(data.size) dy = .30 * np.ones(data.size) dz = data.flatten()
相關鏈接
總結
到此這篇關于Matplotlib圖形繪制的文章就介紹到這了,更多相關Matplotlib圖形繪制內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python中subprocess模塊用法及注意事項的相關資料,Python?subprocess模塊用于運行外部命令,支持run()和Popen()方法,提供輸入輸出管理、環(huán)境變量設置等高級功能,需要的朋友可以參考下2025-05-05
變量賦值是我們在日常開發(fā)中經常會遇到的一個問題，下面這篇文章主要給大家介紹了關于python中將函數賦值給變量時需要注意的一些問題，文中通過示例代碼介紹的非常詳細，對大家具有一定的參考學習價值，需要的朋友們下面來一起看看吧。2017-08-08
這篇文章主要為大家詳細介紹了python學生信息管理系統(tǒng)的完整版本代碼，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-10-10
這篇文章主要為大家詳細介紹了python爬取個性簽名的方法，具有一定的參考價值，感興趣的朋友可以參考一下2018-06-06
這篇文章主要介紹了Django MTV和MVC的區(qū)別詳解，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-03-03
這篇文章主要介紹了Python調用shell cmd方法代碼示例解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-06-06
任何編程語言都需要處理數據，比如數字、字符串、字符等，我們可以直接使用數據，也可以將數據保存到變量中，方便以后使用。本文主要介紹了python定義變量類型，感興趣的可以了解一下2021-06-06
這篇文章主要介紹了Python的兩種異步HTTP請求,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-06-06
本文詳細介紹了如何下載和安裝帶有Python3.8的Anaconda發(fā)行版,包括Anaconda簡介、下載步驟、安裝指南以及驗證安裝結果,此外,還介紹了如何設置Python3.8作為默認版本并利用別名功能進行快捷切換,幫助讀者快速上手使用這一強大的數據科學工具,感興趣的朋友一起看看吧2025-02-02
這篇文章主要介紹了Python生成密碼庫功能,涉及Python基于隨機字符串實現的生成密碼功能相關操作技巧,需要的朋友可以參考下2017-05-05