進階第十七課 Python模塊之matplotlib

轉載

Python之matplotlib基礎

matplotlib是Python優秀的數據可視化第三方庫
matplotlib庫的效果可參考
http://matplotlib.org/gallery.html
matplotlib的使用 由各類可視化類構成，內部結構複雜，受matlab庫啓發，matplotlab.pyplot是繪製種類可視化圖形的命令子庫，至關於快捷方式
import matplotlib.pyplot as plt

一個小示例

import matplotlib.pyplot as plt plt.plot([2,3,4,5,1,6]) plt.ylabel("Grade") plt.ylabel("number") plt.axis([-1,11,0,7]) plt.savefig('test',dpi=600)#plt.savefig()將輸出圖形存儲爲文件，默認爲png格式，能夠經過dpi修改輸出質量 plt.show()

獲得結果

繪製多圖subplot

plot.subplot(nrows,ncols,plot_number)
在全局繪製區域中建立一個分區體系，並定位到一個子繪圖區域
pyplot繪圖區域示例

import numpy as np import matplotlib.pyplot as plt def f(t): return np.exp(-t) * np.cos(2 * np.pi * t) a = np.arange(0.0, 5.0, 0.02) plt.subplot(211) plt.plot(a, f(a)) plt.subplot(2, 1, 2) plt.plot(a, np.cos(2 * np.pi * a), 'r--') plt.savefig('test',dpi=600) plt.show()

獲得結果：

pyplot的plot()函數詳解

plt.plot(x,y,format_string,**kwargs)
x:x軸數據，列表或數組，可選 y:y軸數據，列表或數組 format_string: 控制曲線的格式字符串，可遷 **kwargs: 第二組或更多的(x,y,format_string)

注意：當繪製多條曲線時，各條曲線的x不能省略

format_string：控制曲線的格式字符串，可選。由顏色字符、風格字符和標記字符組成

顏色字符	說明	顏色字符	說明
'b'	blue	'm'	magenta洋紅色
'g'	green	'y'	黃色
'r'	red	'k'	黑色
'c'	cyan青綠色	'w'	白色
'#008000'	RGB某顏色	'0.8'	灰度值字符串

風格字符	說明
'-'	實線
'--'	破折線
'-.'	點劃線
':'	虛線
' '	無線條

標記字符	說明	標記字符	說明	標記字符	說明
'.'	點標記	'1'	下花三角標記	'h'	豎六邊形標記
','	像素標記(極小點)	'2'	上花三角標記	'H'	橫六邊形標記
'o'	實心圏標記	'3'	左花三角標記	'+'	十字形標記
'v'	倒三角標記	'4'	右花三角標記	'x'	x標記
'^'	上三角標記	's'	實心方形標記	'D'	菱形標記
'>'	右三角標記	'p'	實心五角標記	'd'	瘦菱形標記
'<'	左三角標記	'*'	星形標記	'	'

**kwargs: 第二組或更多(x,y,format_string) color: 控制顏色 如color='green' linestyle:線條控制 如linestyle='dashed' marker:標記風格，marker='o' markerfacecolor:標記顏色，markerfacecolor='blue' markersize:標記尺寸，markersize=20 ...

pyplot的中文顯示

pyplot並不默認支持中文顯示，須要rcParams修改字體實現

全局設置中文字體

import matplotlib import matplotlib.pyplot as plt matplotlib.rcParams['font.family']='SimHei' plt.plot([3,1,4,5,2]) plt.ylabel('縱軸值') plt.savefig('test',dpi=600) plt.show()

結果以下：

rcParams的屬性

屬性	說明
'font.family'	用於顯示字體的名字
'font.style'	字體風格，正常'normal'或斜體'italic'
'font.size'	字體大小，整數字號或者'large','x-small'

中文字體的種類

rcParams['font.family']
| 中文字體 | 說明 |
|------------|----------|
| 'SimHei' | 中文黑體 |
| 'Kaiti' | 中文楷體 |
| 'LiSu' | 中文隸書 |
| 'FangSong' | 中文仿宋 |
| 'YouYuan' | 中文幼圓 |
| STSong | 華文宋體 |

示例：

import matplotlib import matplotlib.pyplot as plt import numpy as np matplotlib.rcParams['font.family']='STSong' matplotlib.rcParams['font.size']=20 a = np.arange(0.0,5.0,0.02) plt.xlabel('縱軸： 振幅') plt.ylabel('橫軸： 時間') plt.plot(a,np.cos(2*np.pi*a),'r--') plt.savefig('test',dpi=600) plt.show()

局部設置中文字體

在有中文輸出的地方，增長一個屬性：fontproperties

import matplotlib.pyplot as plt import numpy as np a = np.arange(0.0,5.0,0.02) plt.xlabel('縱軸： 振幅', fontproperties='SimHei',fontsize=20) plt.ylabel('橫軸： 時間', fontproperties='SimHei',fontsize=20) plt.plot(a,np.cos(2*np.pi*a),'r--') plt.savefig('test',dpi=600) plt.show()

注意到，若是設置全局字體的話，那麼座標軸的字體也被改變，局部設置中文字體不改變座標軸的字體。

pyplot的文本顯示

pyplot的文本顯示函數
| 函數 | 說明 |
|----------------|--------------------------|
| plt.xlabel() | 對x軸增長文本標籤 |
| plt.ylabel() | 對y軸增長文本標籤 |
| plt.title() | 對圖形本總體增長文本標籤 |
| plt.text() | 在任意位置增長文本 |
| plt.annotate() | 在圖形中增長帶箭頭的註釋 |

text函數示例

import matplotlib.pyplot as plt import numpy as np a = np.arange(0.0,5.0,0.02) plt.xlabel('縱軸： 振幅', fontproperties='SimHei', fontsize=20, color = 'green') plt.ylabel('橫軸： 時間', fontproperties='SimHei', fontsize=20) plt.title(r'正弦波實例$y=cos(2\pi x)$',fontproperties='SimHei',fontsize=25) plt.text(2,1,r'$\mu=100$',fontsize=15) plt.plot(a,np.cos(2*np.pi*a),'r--') plt.savefig('test',dpi=600) plt.show()

annotate函數示例

import matplotlib.pyplot as plt import numpy as np a = np.arange(0.0,5.0,0.02) plt.plot(a,np.cos(2*np.pi*a),'r--') plt.xlabel('縱軸： 振幅', fontproperties='SimHei', fontsize=20, color = 'green') plt.ylabel('橫軸： 時間', fontproperties='SimHei', fontsize=20) plt.title(r'正弦波實例$y=cos(2\pi x)$',fontproperties='SimHei',fontsize=25) plt.annotate(r'$\mu=100$',xy=(2,1),xytext=(3,1.5), arrowprops=dict(facecolor='black',shrink=0.1,width=2)) plt.axis([-1,6,-2,2]) plt.grid() plt.savefig('test',dpi=600) plt.show()

 

 

介紹

Matplotlib 多是 Python 2D-繪圖領域使用最普遍的套件。它能讓使用者很輕鬆地將數據圖形化，而且提供多樣化的輸出格式。這裏將會探索 matplotlib 的常見用法。

IPython 以及 pylab 模式

IPython 是 Python 的一個加強版本。它在下列方面有所加強：命名輸入輸出、使用系統命令（shell commands）、排錯（debug）能力。咱們在命令行終端給 IPython 加上參數 -pylab （0.12 之後的版本是 --pylab）以後，就能夠像 Matlab 或者 Mathematica 那樣以交互的方式繪圖。

pylab

pylab 是 matplotlib 面向對象繪圖庫的一個接口。它的語法和 Matlab 十分相近。也就是說，它主要的繪圖命令和 Matlab 對應的命令有類似的參數。

初級繪製

這一節中，咱們將從簡到繁：先嚐試用默認配置在同一張圖上繪製正弦和餘弦函數圖像，而後逐步美化它。

第一步，是取得正弦函數和預先函數的值：

1 2 3 4

from pylab import * X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X)

X 是一個 numpy 數組，包含了從  到  等間隔的 256 個值。C 和 S 則分別是這 256 個值對應的餘弦和正弦函數值組成的numpy 數組。

你能夠在 IPython 的交互模式下測試代碼，也能夠下載代碼（下載連接就是這些示例圖），而後執行：

1	python exercise_1.py

使用默認配置

Matplotlib 的默認配置都容許用戶自定義。你能夠調整大多數的默認配置：圖片大小和分辨率（dpi）、線寬、顏色、風格、座標軸、座標軸以及網格的屬性、文字與字體屬性等。不過，matplotlib 的默認配置在大多數狀況下已經作得足夠好，你可能只在不多的狀況下才會想更改這些默認配置。

1 2 3 4 5 6 7 8 9

from pylab import * X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) plot(X,C) plot(X,S) show()

默認配置的具體內容

下面的代碼中，咱們展示了 matplotlib 的默認配置並輔以註釋說明，這部分配置包含了有關繪圖樣式的全部配置。代碼中的配置與默認配置徹底相同，你能夠在交互模式中修改其中的值來觀察效果。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

# 導入 matplotlib 的全部內容（nympy 能夠用 np 這個名字來使用） from pylab import * # 建立一個 8 * 6 點（point）的圖，並設置分辨率爲 80 figure(figsize=(8,6), dpi=80) # 建立一個新的 1 * 1 的子圖，接下來的圖樣繪製在其中的第 1 塊（也是惟一的一塊） subplot(1,1,1) X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) # 繪製餘弦曲線，使用藍色的、連續的、寬度爲 1 （像素）的線條 plot(X, C, color="blue", linewidth=1.0, linestyle="-") # 繪製正弦曲線，使用綠色的、連續的、寬度爲 1 （像素）的線條 plot(X, S, color="green", linewidth=1.0, linestyle="-") # 設置橫軸的上下限 xlim(-4.0,4.0) # 設置橫軸記號 xticks(np.linspace(-4,4,9,endpoint=True)) # 設置縱軸的上下限 ylim(-1.0,1.0) # 設置縱軸記號 yticks(np.linspace(-1,1,5,endpoint=True)) # 以分辨率 72 來保存圖片 # savefig("exercice_2.png",dpi=72) # 在屏幕上顯示 show()

改變線條的顏色和粗細

首先，咱們以藍色和紅色分別表示餘弦和正弦函數，然後將線條變粗一點。接下來，咱們在水平方向拉伸一下整個圖。

1 2 3 4 5

... figure(figsize=(10,6), dpi=80) plot(X, C, color="blue", linewidth=2.5, linestyle="-") plot(X, S, color="red", linewidth=2.5, linestyle="-") ...

設置圖片邊界

當前的圖片邊界設置得很差，因此有些地方看得不是很清楚。

1 2 3 4

... xlim(X.min()*1.1, X.max()*1.1) ylim(C.min()*1.1, C.max()*1.1) ...

更好的方式是這樣：

1 2 3 4 5 6 7 8

xmin ,xmax = X.min(), X.max() ymin, ymax = Y.min(), Y.max() dx = (xmax - xmin) * 0.2 dy = (ymax - ymin) * 0.2 xlim(xmin - dx, xmax + dx) ylim(ymin - dy, ymax + dy)

設置記號

咱們討論正弦和餘弦函數的時候，一般但願知道函數在  和  的值。這樣看來，當前的設置就不那麼理想了。

1 2 3 4

... xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi]) yticks([-1, 0, +1]) ...

設置記號的標籤

記號如今沒問題了，不過標籤卻不大符合指望。咱們能夠把  當作是 ，但畢竟不夠精確。當咱們設置記號的時候，咱們能夠同時設置記號的標籤。注意這裏使用了 LaTeX。

1 2 3 4 5 6 7

... xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$']) yticks([-1, 0, +1], [r'$-1$', r'$0$', r'$+1$']) ...

移動脊柱

座標軸線和上面的記號連在一塊兒就造成了脊柱（Spines，一條線段上有一系列的凸起，是否是很像脊柱骨啊~），它記錄了數據區域的範圍。它們能夠放在任意位置，不過至今爲止，咱們都把它放在圖的四邊。

實際上每幅圖有四條脊柱（上下左右），爲了將脊柱放在圖的中間，咱們必須將其中的兩條（上和右）設置爲無色，而後調整剩下的兩條到合適的位置——數據空間的 0 點。

1 2 3 4 5 6 7 8 9

... ax = gca() ax.spines['right'].set_color('none') ax.spines['top'].set_color('none') ax.xaxis.set_ticks_position('bottom') ax.spines['bottom'].set_position(('data',0)) ax.yaxis.set_ticks_position('left') ax.spines['left'].set_position(('data',0)) ...

添加圖例

咱們在圖的左上角添加一個圖例。爲此，咱們只須要在 plot 函數裏以「鍵 - 值」的形式增長一個參數。

1 2 3 4 5 6

... plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine") plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine") legend(loc='upper left') ...

給一些特殊點作註釋

咱們但願在  的位置給兩條函數曲線加上一個註釋。首先，咱們在對應的函數圖像位置上畫一個點；而後，向橫軸引一條垂線，以虛線標記；最後，寫上標籤。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

... t = 2*np.pi/3 plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--") scatter([t,],[np.cos(t),], 50, color ='blue') annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$', xy=(t, np.sin(t)), xycoords='data', xytext=(+10, +30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--") scatter([t,],[np.sin(t),], 50, color ='red') annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$', xy=(t, np.cos(t)), xycoords='data', xytext=(-90, -50), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) ...

精益求精

座標軸上的記號標籤被曲線擋住了，做爲強迫症患者（霧）這是不能忍的。咱們能夠把它們放大，而後添加一個白色的半透明底色。這樣能夠保證標籤和曲線同時可見。

1 2 3 4 5

... for label in ax.get_xticklabels() + ax.get_yticklabels(): label.set_fontsize(16) label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65 )) ...

圖像、子圖、座標軸和記號

到目前爲止，咱們都用隱式的方法來繪製圖像和座標軸。快速繪圖中，這是很方便的。咱們也能夠顯式地控制圖像、子圖、座標軸。Matplotlib 中的「圖像」指的是用戶界面看到的整個窗口內容。在圖像裏面有所謂「子圖」。子圖的位置是由座標網格肯定的，而「座標軸」卻不受此限制，能夠放在圖像的任意位置。咱們已經隱式地使用過圖像和子圖：當咱們調用 plot 函數的時候，matplotlib 調用 gca() 函數以及 gcf() 函數來獲取當前的座標軸和圖像；若是沒法獲取圖像，則會調用 figure() 函數來建立一個——嚴格地說，是用 subplot(1,1,1) 建立一個只有一個子圖的圖像。

圖像

所謂「圖像」就是 GUI 裏以「Figure #」爲標題的那些窗口。圖像編號從 1 開始，與 MATLAB 的風格一致，而於 Python 從 0 開始編號的風格不一樣。如下參數是圖像的屬性：

參數	默認值	描述
num	1	圖像的數量
figsize	figure.figsize	圖像的長和寬（英寸）
dpi	figure.dpi	分辨率（點/英寸）
facecolor	figure.facecolor	繪圖區域的背景顏色
edgecolor	figure.edgecolor	繪圖區域邊緣的顏色
frameon	True	是否繪製圖像邊緣

這些默認值能夠在源文件中指明。不過除了圖像數量這個參數，其他的參數都不多修改。

你在圖形界面中能夠按下右上角的 X 來關閉窗口（OS X 系統是左上角）。Matplotlib 也提供了名爲 close 的函數來關閉這個窗口。close 函數的具體行爲取決於你提供的參數：

1. 不傳遞參數：關閉當前窗口；
2. 傳遞窗口編號或窗口實例（instance）做爲參數：關閉指定的窗口；
3. all：關閉全部窗口。

和其餘對象同樣，你可使用 setp 或者是 set_something 這樣的方法來設置圖像的屬性。

子圖

你能夠用子圖來將圖樣（plot）放在均勻的座標網格中。用 subplot 函數的時候，你須要指明網格的行列數量，以及你但願將圖樣放在哪個網格區域中。此外，gridspec 的功能更強大，你也能夠選擇它來實現這個功能。

座標軸

座標軸和子圖功能相似，不過它能夠放在圖像的任意位置。所以，若是你但願在一副圖中繪製一個小圖，就能夠用這個功能。

記號

良好的記號是圖像的重要組成部分。Matplotlib 裏的記號系統裏的各個細節都是能夠由用戶個性化配置的。你能夠用 Tick Locators 來指定在那些位置放置記號，用 Tick Formatters 來調整記號的樣式。主要和次要的記號能夠以不一樣的方式呈現。默認狀況下，每個次要的記號都是隱藏的，也就是說，默認狀況下的次要記號列表是空的——NullLocator。

Tick Locators

下面有爲不一樣需求設計的一些 Locators。

類型	說明
NullLocator	No ticks.
IndexLocator	Place a tick on every multiple of some base number of points plotted.
FixedLocator	Tick locations are fixed.
LinearLocator	Determine the tick locations.
MultipleLocator	Set a tick on every integer that is multiple of some base.
AutoLocator	Select no more than n intervals at nice locations.
LogLocator	Determine the tick locations for log axes.

這些 Locators 都是 matplotlib.ticker.Locator 的子類，你能夠據此定義本身的 Locator。以日期爲 ticks 特別複雜，所以 Matplotlib 提供了 matplotlib.dates 來實現這一功能。

其餘類型的圖

接下來的內容是練習。請運用你學到的知識，從提供的代碼開始，實現配圖所示的效果。具體的答案能夠點擊配圖下載。

普通圖

1 2 3 4 5 6 7 8 9

from pylab import * n = 256 X = np.linspace(-np.pi,np.pi,n,endpoint=True) Y = np.sin(2*X) plot (X, Y+1, color='blue', alpha=1.00) plot (X, Y-1, color='blue', alpha=1.00) show()

散點圖

1 2 3 4 5 6 7 8

from pylab import * n = 1024 X = np.random.normal(0,1,n) Y = np.random.normal(0,1,n) scatter(X,Y) show()

條形圖

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

from pylab import * n = 12 X = np.arange(n) Y1 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n) Y2 = (1-X/float(n)) * np.random.uniform(0.5,1.0,n) bar(X, +Y1, facecolor='#9999ff', edgecolor='white') bar(X, -Y2, facecolor='#ff9999', edgecolor='white') for x,y in zip(X,Y1): text(x+0.4, y+0.05, '%.2f' % y, ha='center', va= 'bottom') ylim(-1.25,+1.25) show()

等高線圖

1 2 3 4 5 6 7 8 9 10 11 12

from pylab import * def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2) n = 256 x = np.linspace(-3,3,n) y = np.linspace(-3,3,n) X,Y = np.meshgrid(x,y) contourf(X, Y, f(X,Y), 8, alpha=.75, cmap='jet') C = contour(X, Y, f(X,Y), 8, colors='black', linewidth=.5) show()

灰度圖（Imshow）

1 2 3 4 5 6 7 8 9

from pylab import * def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2) n = 10 x = np.linspace(-3,3,4*n) y = np.linspace(-3,3,3*n) X,Y = np.meshgrid(x,y) imshow(f(X,Y)), show()

餅狀圖

1 2 3 4 5

from pylab import * n = 20 Z = np.random.uniform(0,1,n) pie(Z), show()

量場圖（Quiver Plots）

1 2 3 4 5

from pylab import * n = 8 X,Y = np.mgrid[0:n,0:n] quiver(X,Y), show()

網格

1 2 3 4 5 6 7 8 9

from pylab import * axes = gca() axes.set_xlim(0,4) axes.set_ylim(0,3) axes.set_xticklabels([]) axes.set_yticklabels([]) show()

多重網格

1 2 3 4 5 6 7

from pylab import * subplot(2,2,1) subplot(2,2,3) subplot(2,2,4) show()

極軸圖

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

from pylab import * axes([0,0,1,1]) N = 20 theta = np.arange(0.0, 2*np.pi, 2*np.pi/N) radii = 10*np.random.rand(N) width = np.pi/4*np.random.rand(N) bars = bar(theta, radii, width=width, bottom=0.0) for r,bar in zip(radii, bars): bar.set_facecolor( cm.jet(r/10.)) bar.set_alpha(0.5) show()

3D 圖

1 2 3 4 5 6 7 8 9 10 11 12 13 14

from pylab import * from mpl_toolkits.mplot3d import Axes3D fig = figure() ax = Axes3D(fig) X = np.arange(-4, 4, 0.25) Y = np.arange(-4, 4, 0.25) X, Y = np.meshgrid(X, Y) R = np.sqrt(X**2 + Y**2) Z = np.sin(R) ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='hot') show()

手稿

 

 

 Python的可視化包 – Matplotlib

Matplotlib是Python中最經常使用的可視化工具之一，能夠很是方便地建立海量類型地2D圖表和一些基本的3D圖表。Matplotlib最先是爲了可視化癲癇病人的腦皮層電圖相關的信號而研發，由於在函數的設計上參考了MATLAB，因此叫作Matplotlib。Matplotlib首次發表於2007年，在開源和社區的推進下，如今在基於Python的各個科學計算領域都獲得了普遍應用。Matplotlib的原做者John D. Hunter博士是一名神經生物學家，2012年不幸因癌症去世，感謝他建立了這樣一個偉大的庫。

安裝Matplotlib的方式和numpy很像，能夠直接經過Unix/Linux的軟件管理工具，好比Ubuntu 16.04 LTS下，輸入：

>> sudo apt install python-matplotlib

或者經過pip安裝：

>> pip install matplotlib

Windows下也能夠經過pip，或是到官網下載：

python plotting – Matplotlib 1.5.3 documentation

Matplotlib很是強大，不過在深度學習中經常使用的其實只有很基礎的一些功能，這節主要介紹2D圖表，3D圖表和圖像顯示。

5.4.1 2D圖表

Matplotlib中最基礎的模塊是pyplot。先從最簡單的點圖和線圖開始，好比咱們有一組數據，還有一個擬合模型，經過下面的代碼圖來可視化：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43

import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt   # 經過rcParams設置全局橫縱軸字體大小 mpl.rcParams['xtick.labelsize'] = 24 mpl.rcParams['ytick.labelsize'] = 24   np.random.seed(42)   # x軸的採樣點 x = np.linspace(0, 5, 100)   # 經過下面曲線加上噪聲生成數據，因此擬合模型就用y了…… y = 2*np.sin(x) + 0.3*x**2 y_data = y + np.random.normal(scale=0.3, size=100)   # figure()指定圖表名稱 plt.figure('data')   # '.'標明畫散點圖，每一個散點的形狀是個圓 plt.plot(x, y_data, '.')   # 畫模型的圖，plot函數默認畫連線圖 plt.figure('model') plt.plot(x, y)   # 兩個圖畫一塊兒 plt.figure('data & model')   # 經過'k'指定線的顏色，lw指定線的寬度 # 第三個參數除了顏色也能夠指定線形，好比'r--'表示紅色虛線 # 更多屬性能夠參考官網：http://matplotlib.org/api/pyplot_api.html plt.plot(x, y, 'k', lw=3)   # scatter能夠更容易地生成散點圖 plt.scatter(x, y_data)   # 將當前figure的圖保存到文件result.png plt.savefig('result.png')   # 必定要加上這句才能讓畫好的圖顯示在屏幕上 plt.show()

matplotlib和pyplot的慣用別名分別是mpl和plt，上面代碼生成的圖像以下：

基本的畫圖方法就是這麼簡單，若是想了解更多pyplot的屬性和方法來畫出風格多樣的圖像，能夠參考官網：

pyplot – Matplotlib 1.5.3 documentation

Customizing matplotlib

點和線圖表只是最基本的用法，有的時候咱們獲取了分組數據要作對比，柱狀或餅狀類型的圖或許更合適：

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73

import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt   mpl.rcParams['axes.titlesize'] = 20 mpl.rcParams['xtick.labelsize'] = 16 mpl.rcParams['ytick.labelsize'] = 16 mpl.rcParams['axes.labelsize'] = 16 mpl.rcParams['xtick.major.size'] = 0 mpl.rcParams['ytick.major.size'] = 0   # 包含了狗，貓和獵豹的最高奔跑速度，還有對應的可視化顏色 speed_map = {     'dog': (48, '#7199cf'),     'cat': (45, '#4fc4aa'),     'cheetah': (120, '#e1a7a2') }   # 總體圖的標題 fig = plt.figure('Bar chart & Pie chart')   # 在整張圖上加入一個子圖，121的意思是在一個1行2列的子圖中的第一張 ax = fig.add_subplot(121) ax.set_title('Running speed - bar chart')   # 生成x軸每一個元素的位置 xticks = np.arange(3)   # 定義柱狀圖每一個柱的寬度 bar_width = 0.5   # 動物名稱 animals = speed_map.keys()   # 奔跑速度 speeds = [x[0] for x in speed_map.values()]   # 對應顏色 colors = [x[1] for x in speed_map.values()]   # 畫柱狀圖，橫軸是動物標籤的位置，縱軸是速度，定義柱的寬度，同時設置柱的邊緣爲透明 bars = ax.bar(xticks, speeds, width=bar_width, edgecolor='none')   # 設置y軸的標題 ax.set_ylabel('Speed(km/h)')   # x軸每一個標籤的具體位置，設置爲每一個柱的中央 ax.set_xticks(xticks+bar_width/2)   # 設置每一個標籤的名字 ax.set_xticklabels(animals)   # 設置x軸的範圍 ax.set_xlim([bar_width/2-0.5, 3-bar_width/2])   # 設置y軸的範圍 ax.set_ylim([0, 125])   # 給每一個bar分配指定的顏色 for bar, color in zip(bars, colors):     bar.set_color(color)   # 在122位置加入新的圖 ax = fig.add_subplot(122) ax.set_title('Running speed - pie chart')   # 生成同時包含名稱和速度的標籤 labels = ['{}\n{} km/h'.format(animal, speed) for animal, speed in zip(animals, speeds)]   # 畫餅狀圖，並指定標籤和對應顏色 ax.pie(speeds, labels=labels, colors=colors)   plt.show()

在這段代碼中又出現了一個新的東西叫作，一個用ax命名的對象。在Matplotlib中，畫圖時有兩個經常使用概念，一個是平時畫圖蹦出的一個窗口，這叫一個figure。Figure至關於一個大的畫布，在每一個figure中，又能夠存在多個子圖，這種子圖叫作axes。顧名思義，有了橫縱軸就是一幅簡單的圖表。在上面代碼中，先把figure定義成了一個一行兩列的大畫布，而後經過fig.add_subplot()加入兩個新的子圖。subplot的定義格式頗有趣，數字的前兩位分別定義行數和列數，最後一位定義新加入子圖的所處順序，固然想寫明確些也沒問題，用逗號分開便可。。上面這段代碼產生的圖像以下：

5.3.1 3D圖表

Matplotlib中也能支持一些基礎的3D圖表，好比曲面圖，散點圖和柱狀圖。這些3D圖表須要使用mpl_toolkits模塊，先來看一個簡單的曲面圖的例子：

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

import matplotlib.pyplot as plt import numpy as np   # 3D圖標必須的模塊，project='3d'的定義 from mpl_toolkits.mplot3d import Axes3D       np.random.seed(42)   n_grids = 51         # x-y平面的格點數 c = n_grids / 2     # 中心位置 nf = 2               # 低頻成分的個數   # 生成格點 x = np.linspace(0, 1, n_grids) y = np.linspace(0, 1, n_grids)   # x和y是長度爲n_grids的array # meshgrid會把x和y組合成n_grids*n_grids的array，X和Y對應位置就是全部格點的座標 X, Y = np.meshgrid(x, y)   # 生成一個0值的傅里葉譜 spectrum = np.zeros((n_grids, n_grids), dtype=np.complex)   # 生成一段噪音，長度是(2*nf+1)**2/2 noise = [np.complex(x, y) for x, y in np.random.uniform(-1,1,((2*nf+1)**2/2, 2))]   # 傅里葉頻譜的每一項和其共軛關於中心對稱 noisy_block = np.concatenate((noise, [0j], np.conjugate(noise[::-1])))   # 將生成的頻譜做爲低頻成分 spectrum[c-nf:c+nf+1, c-nf:c+nf+1] = noisy_block.reshape((2*nf+1, 2*nf+1))   # 進行反傅里葉變換 Z = np.real(np.fft.ifft2(np.fft.ifftshift(spectrum)))   # 建立圖表 fig = plt.figure('3D surface & wire')   # 第一個子圖，surface圖 ax = fig.add_subplot(1, 2, 1, projection='3d')   # alpha定義透明度，cmap是color map # rstride和cstride是兩個方向上的採樣，越小越精細，lw是線寬 ax.plot_surface(X, Y, Z, alpha=0.7, cmap='jet', rstride=1, cstride=1, lw=0)   # 第二個子圖，網線圖 ax = fig.add_subplot(1, 2, 2, projection='3d') ax.plot_wireframe(X, Y, Z, rstride=3, cstride=3, lw=0.5)   plt.show()

這個例子中先生成一個全部值均爲0的複數array做爲初始頻譜，而後把頻譜中央部分用隨機生成，但同時共軛關於中心對稱的子矩陣進行填充。這至關於只有低頻成分的一個隨機頻譜。最後進行反傅里葉變換就獲得一個隨機波動的曲面，圖像以下：

3D的散點圖也是經常用來查看空間樣本分佈的一種手段，而且畫起來比表面圖和網線圖更加簡單，來看例子：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

import matplotlib.pyplot as plt import numpy as np   from mpl_toolkits.mplot3d import Axes3D   np.random.seed(42)   # 採樣個數500 n_samples = 500 dim = 3   # 先生成一組3維正態分佈數據，數據方向徹底隨機 samples = np.random.multivariate_normal(     np.zeros(dim),     np.eye(dim),     n_samples )   # 經過把每一個樣本到原點距離和均勻分佈吻合獲得球體內均勻分佈的樣本 for i in range(samples.shape[0]):     r = np.power(np.random.random(), 1.0/3.0)     samples[i] *= r / np.linalg.norm(samples[i])   upper_samples = [] lower_samples = []   for x, y, z in samples:     # 3x+2y-z=1做爲判別平面     if z > 3*x + 2*y - 1:         upper_samples.append((x, y, z))     else:         lower_samples.append((x, y, z))   fig = plt.figure('3D scatter plot') ax = fig.add_subplot(111, projection='3d')   uppers = np.array(upper_samples) lowers = np.array(lower_samples)   # 用不一樣顏色不一樣形狀的圖標表示平面上下的樣本 # 判別平面上半部分爲紅色圓點，下半部分爲綠色三角 ax.scatter(uppers[:, 0], uppers[:, 1], uppers[:, 2], c='r', marker='o') ax.scatter(lowers[:, 0], lowers[:, 1], lowers[:, 2], c='g', marker='^')   plt.show()

這個例子中，爲了方便，直接先採樣了一堆3維的正態分佈樣本，保證方向上的均勻性。而後歸一化，讓每一個樣本到原點的距離爲1，至關於獲得了一個均勻分佈在球面上的樣本。再接着把每一個樣本都乘上一個均勻分佈隨機數的開3次方，這樣就獲得了在球體內均勻分佈的樣本，最後根據判別平面3x+2y-z-1=0對平面兩側樣本用不一樣的形狀和顏色畫出，圖像以下：

5.3.1 圖像顯示

Matplotlib也支持圖像的存取和顯示，而且和OpenCV一類的接口比起來，對於通常的二維矩陣的可視化要方便不少，來看例子：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import matplotlib.pyplot as plt   # 讀取一張小白狗的照片並顯示 plt.figure('A Little White Dog') little_dog_img = plt.imread('little_white_dog.jpg') plt.imshow(little_dog_img)   # Z是上小節生成的隨機圖案，img0就是Z，img1是Z作了個簡單的變換 img0 = Z img1 = 3*Z + 4   # cmap指定爲'gray'用來顯示灰度圖 fig = plt.figure('Auto Normalized Visualization') ax0 = fig.add_subplot(121) ax0.imshow(img0, cmap='gray')   ax1 = fig.add_subplot(122) ax1.imshow(img1, cmap='gray')   plt.show()

這段代碼中第一個例子是讀取一個本地圖片並顯示，第二個例子中直接把上小節中反傅里葉變換生成的矩陣做爲圖像拿過來，原圖和通過乘以3再加4變換的圖直接繪製了兩個形狀同樣，可是值的範圍不同的圖案。顯示的時候imshow會自動進行歸一化，把最亮的值顯示爲純白，最暗的值顯示爲純黑。這是一種很是方便的設定，尤爲是查看深度學習中某個卷積層的響應圖時。獲得圖像以下：

只講到了最基本和經常使用的圖表及最簡單的例子，更多有趣精美的例子能夠在Matplotlib的官網找到：