數據分析與科學計算可視化-----用於科學計算的numpy庫與可視化工具matplotlib

1、numpy庫與matplotlib庫的基本介紹

1.安裝

（1）經過pip安裝：

>> pip install matplotlib

                                                                                                     安裝完成 

安裝matplotlib的方式和numpy很像，下面再也不介紹。

2.做用

（1）numpy：科學計算包，支持N維數組運算、處理大型矩陣、成熟的廣播函數庫、矢量運算、線性代數、傅里葉變換、隨機數生成，並可與C++/Fortran語言無縫結合。樹莓派Python v3默認安裝已經包含了numpy。

numPy 是一個運行速度很是快的數學庫，主要用於數組計算，包含：

• 一個強大的N維數組對象 ndarray
• 廣播功能函數
• 整合 C/C++/Fortran 代碼的工具
• 線性代數、傅里葉變換、隨機數生成等功能

（2）

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，能夠繪製多種形式的圖形，包括線圖、直方圖、餅狀圖、散點圖、偏差線圖等等而且提供多樣化的輸出格式。是數據可視化的重要工具。

2、擴展庫numpy的簡介

導入模塊 >>> import numpy as np

生成數組 >>> np.array([1, 2, 3, 4, 5])        # 把列表轉換爲數組
array([1, 2, 3, 4, 5]) >>> np.array((1, 2, 3, 4, 5))        # 把元組轉換成數組
array([1, 2, 3, 4, 5]) >>> np.array(range(5))               # 把range對象轉換成數組
array([0, 1, 2, 3, 4]) >>> np.array([[1, 2, 3], [4, 5, 6]]) # 二維數組
array([[1, 2, 3], [4, 5, 6]]) >>> np.arange(8)                     # 相似於內置函數range()
array([0, 1, 2, 3, 4, 5, 6, 7]) >>> np.arange(1, 10, 2) array([1, 3, 5, 7, 9])
生成各類各樣的矩陣或數組，下面再也不介紹

數組與數值的運算 >>> x = np.array((1, 2, 3, 4, 5))    # 建立數組對象
>>> x array([1, 2, 3, 4, 5]) >>> x * 2                            # 數組與數值相乘，返回新數組
array([ 2, 4, 6, 8, 10]) >>> x / 2                            # 數組與數值相除
array([ 0.5, 1. , 1.5, 2. , 2.5]) >>> x // 2                           # 數組與數值整除
array([0, 1, 1, 2, 2], dtype=int32) >>> x ** 3                           # 冪運算
array([1, 8, 27, 64, 125], dtype=int32) >>> x + 2                            # 數組與數值相加
array([3, 4, 5, 6, 7]) >>> x % 3                            # 餘數
array([1, 2, 0, 1, 2], dtype=int32)

　>>> 2 ** x

　array([2, 4, 8, 16, 32], dtype=int32)

  >>> 2 / x

  array([2. ,1. ,0.66666667, 0.5, 0.4])

  >>> 63 // x

　array([63, 31, 21, 15, 12], dtype=int32)

數組與數組的運算 >>> a = np.array((1, 2, 3)) >>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9])) >>> c = a * b                   # 數組與數組相乘
>>> c                           # a中的每一個元素乘以b中的對應列元素
array([[ 1, 4, 9], [ 4, 10, 18], [ 7, 16, 27]]) >>> c / b                       # 數組之間的除法運算
array([[ 1.,  2.,  3.], [ 1.,  2.,  3.], [ 1.,  2.,  3.]]) >>> c / a array([[ 1.,  2.,  3.], [ 4.,  5.,  6.], [ 7.,  8.,  9.]]) >>> a + a                         # 數組之間的加法運算
array([2, 4, 6]) >>> a * a                         # 數組之間的乘法運算
array([1, 4, 9]) >>> a - a                         # 數組之間的減法運算
array([0, 0, 0]) >>> a / a                         # 數組之間的除法運算
array([ 1.,  1.,  1.])

轉置 >>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9])) >>> b array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> b.T                           # 轉置
array([[1, 4, 7], [2, 5, 8], [3, 6, 9]])

參考資料：http://www.runoob.com/numpy/numpy-matplotlib.html

3、matplotlib庫的簡介

matplotlib中最基礎的模塊是pyplot

由於matplotlib庫源於matlab，其操做基本如matlab的操做，如下用繪製一個函數的例子介紹matplotlib庫。

import numpy as np import matplotlib.pyplot as plt X = np.linspace(-np.pi, np.pi, 256, endpoint=True) C,S = np.cos(X), np.sin(X) plt.plot(X,C) plt.plot(X,S) plt.show()

效果以下。

參考資料：http://www.runoob.com/w3cnote/matplotlib-tutorial.html

4、繪製雷達圖

代碼實現：

import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'SimHei'        # 設置字體
plt.rcParams['font.sans-serif'] = ['SimHei']  # 設置字體
 labels = np.array(['發育','死亡','擊殺','助攻','團戰','出裝']) # 設置標籤
datas = np.array([5, 2, 9, 13, 11, 7])       # 設置數據
angles = np.linspace(0, 2*np.pi, 6, endpoint = False) # 設置角度
datas = np.concatenate((datas, [datas[0]])) angles = np.concatenate((angles, [angles[0]])) fig = plt.figure(facecolor = 'white')         # 建立繪圖區域
plt.subplot(111, polar = True)                # 極座標
plt.plot(angles, datas, 'bo-', color = 'g', linewidth = 1) # 畫圖
plt.fill(angles, datas, facecolor = 'g', alpha = 0.25)     # 填充
plt.thetagrids(angles*180/np.pi, labels)      # 設置極座標的位置
plt.figtext(0.52, 0.95, '28-lie', ha = 'center') # 設置標題
plt.grid(True)   # 打開網格線
plt.show()       # 展現圖片

 

 

 5、此處展現PIL製做手繪風格
1.手繪圖像的基本思想是利用像素之間的梯度值重構每一個像素值，爲了體現光照效果，設計一個光源，創建光源對個點梯度值的影響函數，進而運算出新的像素值，從而體現邊界點灰度變化，造成手繪效果。
2.代碼實現

from PIL import Image import numpy as np vec_el = np.pi/2.2 # 光源的俯視角度，弧度值
vec_az = np.pi/4. # 光源的方位角度，弧度值
depth = 10. # (0-100)
im = Image.open(r'C:\Users\80939\Desktop\tiantan.jpg').convert('L') a = np.asarray(im).astype('float') grad = np.gradient(a) #取圖像灰度的梯度值
grad_x, grad_y = grad #分別取橫縱圖像梯度值
grad_x = grad_x*depth/100. grad_y = grad_y*depth/100. dx = np.cos(vec_el)*np.cos(vec_az) #光源對x 軸的影響
dy = np.cos(vec_el)*np.sin(vec_az) #光源對y 軸的影響
dz = np.sin(vec_el) #光源對z 軸的影響
A = np.sqrt(grad_x**2 + grad_y**2 + 1.) uni_x = grad_x/A uni_y = grad_y/A uni_z = 1./A a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源歸一化
a2 = a2.clip(0,255) im2 = Image.fromarray(a2.astype('uint8')) #重構圖像
im2.save(r'C:\Users\80939\Desktop\tiantan1.jpg')

3.效果對比