matplotlib 畫圖

matplotlib 畫圖

 

1. 畫曲線圖

1.  
    
2.  
   Tompson = np.array([ 0, 0, 0, 0, 0.011, 0.051, 0.15, 0.251, 0.35, 0.44, 0.51, 0.59, 0.65, 0.68, 0.725, 0.752, 0.8])
3.  
   ours = np.array([ 0.00000000e+00, 1.21182744e-04, 4.26563257e-02,
4.  
   1.76078526e-01, 3.51187591e-01, 5.02666020e-01,
5.  
   6.18274358e-01, 7.03102278e-01, 7.61754726e-01,
6.  
   8.12893844e-01, 8.63427048e-01, 9.02205526e-01,
7.  
   9.30198740e-01, 9.51284537e-01, 9.61706253e-01,
8.  
   9.74066893e-01, 9.79641299e-01])
9.  
   Deep_prior = np.array([ 0, 0, 0.03, 0.09, 0.15, 0.251, 0.34, 0.415, 0.49, 0.55, 0.62, 0.69, 0.74, 0.79, 0.83, 0.86, 0.9])
10.  
    Zhou = np.array([ 0, 0, 0.023, 0.1, 0.21, 0.325, 0.415, 0.52, 0.59, 0.661, 0.73, 0.78, 0.85, 0.885, 0.91, 0.94, 0.95])
11.  
    Feedback_loop = np.array(
12.  
        [ 0, 0, 0.022, 0.09, 0.20, 0.32, 0.415, 0.53, 0.642, 0.72, 0.79, 0.85, 0.88, 0.91, 0.951, 0.96, 0.965])
13.  
    Crossing_net = np.array(
14.  
        [ 0, 0, 0.07, 0.17, 0.25, 0.36, 0.485, 0.62, 0.715, 0.79, 0.865, 0.906, 0.92, 0.95, 0.952, 0.970, 0.97])
15.  
    qinghua = np.array([ 0.        ,  0.00121183,  0.06386331,  0.17886573,  0.3427048 ,
16.  
            0.4655841 ,  0.57828405,  0.67716917,  0.76223946,  0.82222492,
17.  
            0.87433349,  0.91250606,  0.94122637,  0.96122152,  0.9726127 ,
18.  
            0.9831556 ,  0.98679108])
19.  
    def draw_map(errs1, errs2, errs3, errs4, errs5, errs6, errs7):
20.  
        # err_flat = errs.ravel()  # Return a flattened array, 相同功能的函數爲np.flat
21.  
        thresholds = np.arange( 0, 85, 5)  # 不包含85
22.  
        fig=plt.figure(figsize=( 10, 8)) # 設置figsize的大小
23.  
        ax = fig.add_subplot( 111)
24.  
        ax.plot(thresholds, errs1, '-.', thresholds, errs2, '-_',
25.  
                 thresholds, errs3, '--', thresholds, errs4, '--*', thresholds, errs5, ':*',
26.  
                 thresholds, errs6, ':x', linewidth=2)
27.  
        ax.plot(thresholds, errs7, '-', linewidth=2.25, color='b')
28.  
        ax.set_xlabel( 'Maximum joint error threshold (mm)', fontsize=15)
29.  
        ax.set_ylabel( 'Fraction of frames within threshold', fontsize=15)
30.  
        ax.tick_params(axis= 'x', labelsize=15)
31.  
        ax.tick_params(axis= 'y', labelsize=15)    
32.  
    #     設置x, y軸的數字字號    
33.  
    #     plt.rcParams['xtick.labelsize']=15
34.  
    #     plt.rcParams['ytick.labelsize']=15
35.  
    #     或者   
36.  
    #     plt.set_xticks(fontsize=15)  # 設置座標軸刻度字體大小
37.  
    #     plt.set_yticks(fontsize=15)
38.  
        ax.legend([ 'Tompson et al.', 'Prior', 'Zhou et al.', 'Feedback',  'REN', 'Crossing Nets','ours'], loc='lower right',
39.  
                   prop={ 'size': 15})
40.  
        ax.grid( True)
41.  
     
42.  
    fig=draw_map(Tompson, Deep_prior, Zhou, Feedback_loop, qinghua, Crossing_net, ours)
43.  
     
44.  
     

 

 

<span style="font-size:18px">
plt.savefig('D:\\filename.svg',format='svg')  #保持爲eps格式或者svg格式
plt.show()</span>

 

 

 前面依然使用plt句柄，只是最後獲取當前圖像

 

1.  
   # plt調用gcf函數取得當前繪製的figure並調用savefig函數
2.  
   foo_fig = plt.gcf() # 'get current figure'
3.  
   foo_fig.savefig( 'foo.eps', format='eps', dpi=1000)
4.  
   plt.show()

2. 畫柱狀圖

 

1.  
   def draw_error(errs1, errs2, errs3, errs4, errs5, errs6, dataset='nyu'):
2.  
   bar_width = 0.23
3.  
   opacity = 0.4
4.  
   # 將整體的mean計算出來也放進去!!
5.  
   if dataset == 'icvl':
6.  
   joint_idx = [ 0, 1, 3, 4, 6, 7, 9, 10, 12, 13, 15, 16]
7.  
   names = [ 'Palm', 'Thumb.R', 'Thumb.T', 'Index.R', 'Index.T', 'Mid.R', 'Mid.T', 'Ring.R', 'Ring.T', 'Pinky.R',
8.  
   'Pinky.T', 'Mean']
9.  
   elif dataset == 'nyu':
10.  
    joint_idx = [ 0, 1, 2, 3, 4, 5, 6, 7, 13, 11, 12, 8, 9, 10, 14]
11.  
    names = [ 'P1', 'P2', 'R1', 'R2', 'M1', 'M2', 'I1', 'I2', 'C', 'W1', 'W2', 'T1', 'T2', 'T3', 'AVG']
12.  
     
13.  
    x = np.arange(len(joint_idx))
14.  
    plt.figure(figsize=( 12, 8))
15.  
    # plt.bar(x, errs1[joint_idx]) # 選中indx爲joint_idx的元素
16.  
    # plt.title('error')
17.  
    plt.xticks(x + 0.5, names, fontsize=15) # set the locations and labels of the xticks , rotation='vertical'
18.  
    plt.yticks(fontsize= 15) # 設置座標軸刻度字體大小
19.  
    plt.ylabel( 'Mean Error (mm)', fontsize=15)
20.  
    # plt.grid(True)
21.  
     
22.  
    rects1 = plt.bar(x, errs1, bar_width / 2, alpha=opacity, color='y', label='Tompson et al.')
23.  
    rects2 = plt.bar(x + bar_width / 2, errs2, bar_width / 2, alpha=opacity, color='k', label='Prior')
24.  
     
25.  
    rects3 = plt.bar(x + bar_width, errs3, bar_width / 2, alpha=opacity, color='c', label='Zhou et al.')
26.  
    rects4 = plt.bar(x + 1.5 * bar_width, errs4, bar_width / 2, alpha=opacity, color='m', label='Feedback')
27.  
    rects5 = plt.bar(x + 2 * bar_width, errs5[joint_idx], bar_width / 2, alpha=opacity, color='g', label='REN')
28.  
    rects6 = plt.bar(x + 2.5 * bar_width, errs6[joint_idx], bar_width / 2, alpha=opacity, color='b', label='ours')
29.  
     
30.  
    plt.legend(loc= 'upper left', prop={'size': 12})
31.  
    plt.tight_layout()
32.  
    foo_fig = plt.gcf() # 'get current figure'
33.  
    foo_fig.savefig( '柱狀圖.eps', format='eps', dpi=1000)
34.  
    plt.show()

3. 轉載的一個教程： 點擊打開連接

 

官網介紹：

 

matplotlib API

一個很詳細的博客：

matplotlib繪圖基礎

漂亮插圖demo

基礎知識：

首先一幅Matplotlib的圖像組成部分介紹。

在matplotlib中，整個圖像爲一個Figure對象。在Figure對象中能夠包含一個或者多個Axes對象。每一個Axes(ax)對象都是一個擁有本身座標系統的繪圖區域。所屬關係以下：

下面以一個直線圖來詳解圖像內部各個組件內容:

其中：title爲圖像標題，Axis爲座標軸, Label爲座標軸標註，Tick爲刻度線，Tick Label爲刻度註釋。各個對象關係能夠梳理成如下內容：

圖像中全部對象均來自於Artist的基類。

上面基本介紹清楚了圖像中各個部分的基本關係，下面着重講一下幾個部分的詳細的設置。

一個"Figure"意味着用戶交互的整個窗口。在這個figure中容納着"subplots"。

當咱們調用plot時，matplotlib會調用gca()獲取當前的axes繪圖區域，並且gca反過來調用gcf()來得到當前的figure。若是figure爲空，它會自動調用figure()生成一個figure, 嚴格的講，是生成subplots(111)。

Figures

Subplots

1.  
   plt.subplot(221) # 第一行的左圖
2.  
   plt.subplot(222) # 第一行的右圖
3.  
   plt.subplot(212) # 第二整行
4.  
   plt.show()

注意：其中各個參數也能夠用逗號,分隔開。第一個參數表明子圖的行數；第二個參數表明該行圖像的列數； 第三個參數表明每行的第幾個圖像。

另外：fig, ax = plt.subplots(2,2),其中參數分別表明子圖的行數和列數，一共有 2x2 個圖像。函數返回一個figure圖像和一個子圖ax的array列表。

補充：gridspec命令能夠對子圖區域劃分提供更靈活的配置。

中文顯示方框問題

這是因爲matplotlib文件夾內沒有中文字體包致使的，實際上函數包自己是支持中文的，常看法決方案是拷貝字體文件到matplotlib中，不過我感受太麻煩，找到了另外的方式，

1 2 3 4

from  pylab  import  mpl   mpl.rcParams[ 'font.sans-serif' ]  =  [ 'FangSong' ]     # 指定默認字體 mpl.rcParams[ 'axes.unicode_minus' ]  =  False         # 解決保存圖像是負號'-'顯示爲方塊的問題

加上這三行代碼指定一下字體就好了（實際上最後一行能夠不加）

經常使用繪製流程

1.axes列表中包含各個子圖句柄

1 2 3 4 5 6 7

# 3x3子圖 fig, axes  =  plt.subplots( 3 ,  3 ) # 子圖間距設定 fig.subplots_adjust(hspace = 0.3 , wspace = 0.3 ) # 在分別繪製各個子圖 for  i, ax  in  enumerate (axes.flat):      pass

2.每一個子圖句柄須要單獨生成

1 2 3 4 5 6 7 8

# 畫布 fig  =  plt.figure() # 添加子圖 ax  =  fig.add_subplot( 211 ) pass # 添加子圖 ax2  =  fig.add_subplot( 212 ) pass

3.使用plt包命名空間代指多個子圖句柄

【注】這種方法的句柄含在plt中，與上面的ax的方法屬性並不相同，下面會詳解

1 2 3 4 5 6 7 8 9

# 添加子圖 plt.subplot( 311 ) pass # 添加子圖 plt.subplot( 312 ) pass # 添加子圖 plt.subplot( 313 ) pass

繪圖功能

【注】使用ax代指子圖方法一、2的句柄，plt代指方法3中的命名空間。座標生成：

1 2 3 4 5 6

# 一維座標生成 x  =  np.linspace( 0 , 10 , 100 )   # 二維網格生成 u  =  np.linspace( - 1 , 1 , 100 ) x,y  =  np.meshgrid(u,u)

 座標軸標籤：

1 2 3 4 5 6 7 8

xlabel  =  "True: {0}, Pred: {1}" . format (cls_true[i], cls_pred[i]) xlabel  =  "y"   ax.set_xlabel(xlabel) ax.set_ylabel(ylabel)   plt.xlabel( 'x' ) plt.ylabel( 'y' )

 座標軸刻度：

1 2 3 4 5

ax.set_xticks([]) ax.set_yticks([])   plt.xticks( range ( len (x)), [ 'a' ,  'b' ,  'c' ,  'd' ,  'e' ,  'f' ]) plt.yticks( range ( 1 ,  8 ,  2 ))

 座標網格：

1 2 3 4 5 6 7

# 橫縱座標單位長度統一 plt.axis( 'equal' ) # 網格 plt.grid( True )   # 網格 ax.grid( True )

 圖表標題：

1	plt.title( 'Second Derivative' )

 對數座標：

1 2 3 4 5

'''對數座標'''   plt.semilogx(x,y)   # 對x取對數 plt.semilogy(x,y)   # 對y取對數 plt.loglog(x,y)     # 同時取對數

繪圖：

1 2 3 4 5 6 7 8 9 10

# 色彩填充 ax.fill(x,y1,facecolor = 'g' ,alpha = 0.3 ) ax.fill_between(x,y,y1,facecolor = 'b' ) # 等高線 ax.contourf(x,y,z) # 顯示數組，由於是數組因此纔會有vmin和vmax的關鍵字 ax.imshow()   # 線性繪圖 plt.plot(x,y1,c = 'b' ,linestyle = ' ',marker=' ^')

經典實現

餅狀圖

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

import  matplotlib.pyplot as plt   plt.figure(figsize = ( 12 , 9 ))   labels  =  [ 'part1' ,  'part2' ,  'part3' ] # 各個餅的比例 sizes  =  [ 30 ,  20 ,  50 ] colors  =  [ 'yellowgreen' ,  'gold' ,  'lightskyblue' ]   # 各個模塊離圓心的距離，參數爲距離 explode  =  ( 0.05 ,  0.0 ,  0.0 )  # 圖 label的text 比例的text patches, l_texts, p_texts  =  plt.pie(sizes, explode = explode, labels = labels, colors = colors, labeldistance = 0.8 ,          autopct = '%3.1f%%' , shadow = True , startangle = 90 , pctdistance = 0.6 )   # 設置x，y軸刻度一致，這樣餅圖才能是圓的 plt.axis( 'equal' ) plt.legend()   # 設置label的字體大小 for  t  in  l_texts:      t.set_size( 20 ) # 設置比例數字的字體大小 for  t  in  p_texts:      t.set_size( 20 )   plt.show()

 

柱狀圖

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

import  numpy as np from  matplotlib  import  pyplot as plt   plt.figure(figsize = ( 9 , 6 ))   n  =  12 X  =  np.arange(n) + 1 # numpy.random.uniform(low=0.0, high=1.0, size=None), normal Y1  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n) Y2  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n)   # bar and barh width  =  0.35 plt.bar(X, Y1, width = width, facecolor = '#9999ff' , edgecolor = 'white' ) plt.bar(X + width, Y2, width = width, facecolor = '#ff9999' , edgecolor = 'white' ) plt.bar(X,  - Y2, width = width, facecolor = '#ff9999' , edgecolor = 'white' )   # 柱狀圖添加說明文字 for  x,y  in  zip (X,Y1):      plt.text(x, y + 0.05 ,  '%.2f'  %  y, ha = 'center' , va =  'bottom' )       for  x,y  in  zip (X, - Y2):      plt.text(x + 0.4 , y - 0.15 ,  '%.2f'  %  y, ha = 'center' , va =  'bottom' )   #plt.ylim(-1.25,+1.25) plt.show()

 

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

import  numpy as np from  matplotlib  import  pyplot as plt   plt.figure(figsize = ( 9 , 6 ))   n  =  12 X  =  np.arange(n) + 1 # numpy.random.uniform(low=0.0, high=1.0, size=None), normal Y1  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n) Y2  =  ( 1 - X / float (n + 1 ))  *  np.random.uniform( 0.5 , 1.0 ,n)   # bar and barh width  =  0.35 # 方法barh和參數height能夠實現橫向的柱狀圖 plt.barh(X, Y1, height = width, facecolor = '#9999ff' , edgecolor = 'white' )   plt.show()

 

機率分佈圖

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

from  matplotlib  import  pyplot as plt import  numpy as np   mu  =  0 sigma  =  1 x  =  mu  +  sigma * np.random.randn( 10000 )   fig,(ax0,ax1) = plt.subplots(ncols = 2 , figsize = ( 9 , 6 ))   ax0.hist(x,  20 , normed = 1 , histtype = 'bar' , facecolor = 'g' , rwidth = 0.8 , alpha = 0.75 ) ax0.set_title( 'pdf' ) # 累積機率密度分佈 ax1.hist(x,  20 , normed = 1 , histtype = 'bar' , rwidth = 0.8 , cumulative = True ) ax1.set_title( 'cdf' )   plt.show()

 

散點圖

atan2(a,b)是4象限反正切，它的取值不只取決於正切值a/b，還取決於點 (b, a) 落入哪一個象限： 當點(b, a) 落入第一象限時，atan2(a,b)的範圍是 0 ~ pi/2; 　當點(b, a) 落入第二象限時，atan2(a,b)的範圍是 pi/2 ~ pi; 當點(b, a) 落入第三象限時，atan2(a,b)的範圍是 －pi～－pi/2; 　當點(b, a) 落入第四象限時，atan2(a,b)的範圍是 -pi/2～０

而 atan(a/b) 僅僅根據正切值爲a/b求出對應的角度 （能夠看做僅僅是2象限反正切）： 當 a/b > 0 時，atan(a/b)取值範圍是 0 ~ pi/2； 當 a/b < 0 時，atan(a/b)取值範圍是 -pi/2～０

故 atan2(a,b) = atan(a/b) 僅僅發生在 點 (b, a) 落入第一象限 （b>0, a>0）或 第四象限（b>0, a0 , 故 atan(a/b) 取值範圍是 0 ~ pi/2，2atan(a/b) 的取值範圍是 0 ~ pi，而此時atan2(a,b)的範圍是 －pi～－pi/2，很顯然，atan2(a,b) = 2atan(a/b)

舉個最簡單的例子，a = 1, b = -1，則 atan(a/b) = atan(-1) = -pi/4, 而 atan2(a,b) = 3*pi/4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

from  matplotlib  import  pyplot as plt import  numpy as np   plt.figure(figsize = ( 9 , 6 ))   n  =  1024   # 均勻分佈 高斯分佈 # rand 和 randn X  =  np.random.rand( 1 ,n) Y  =  np.random.rand( 1 ,n)   # 設定顏色 T  =  np.arctan2(Y,X)   plt.scatter(X,Y, s = 75 , c = T, alpha = . 4 , marker = 'o' )   #plt.xlim(-1.5,1.5), plt.xticks([]) #plt.ylim(-1.5,1.5), plt.yticks([])   plt.show()

 

不規則組合圖

# 定義子圖區域
left, width = 0.1, 0.65
bottom, height = 0.1, 0.65
bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]
rect_histx = [left, bottom_h, width, 0.2]
rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 須要傳入[左邊起始位置，下邊起始位置，寬，高]
# 根據子圖區域來生成子圖
axScatter = plt.axes(rect_scatter)
axHistx = plt.axes(rect_histx)
axHisty = plt.axes(rect_histy)

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

# ref : http://matplotlib.org/examples/pylab_examples/scatter_hist.html   import  numpy as np import  matplotlib.pyplot as plt   # the random data x  =  np.random.randn( 1000 ) y  =  np.random.randn( 1000 )   # 定義子圖區域 left, width  =  0.1 ,  0.65 bottom, height  =  0.1 ,  0.65 bottom_h  =  left_h  =  left  +  width  +  0.02   rect_scatter  =  [left, bottom, width, height] rect_histx  =  [left, bottom_h, width,  0.2 ] rect_histy  =  [left_h, bottom,  0.2 , height]   plt.figure( 1 , figsize = ( 6 ,  6 ))   # 根據子圖區域來生成子圖 axScatter  =  plt.axes(rect_scatter) axHistx  =  plt.axes(rect_histx) axHisty  =  plt.axes(rect_histy)   # no labels #axHistx.xaxis.set_ticks([]) #axHisty.yaxis.set_ticks([])   # now determine nice limits by hand: N_bins = 20 xymax  =  np. max ([np. max (np.fabs(x)), np. max (np.fabs(y))]) binwidth  =  xymax / N_bins lim  =  ( int (xymax / binwidth)  +  1 )  *  binwidth nlim  =  - lim   # 畫散點圖，機率分佈圖 axScatter.scatter(x, y) axScatter.set_xlim((nlim, lim)) axScatter.set_ylim((nlim, lim))   bins  =  np.arange(nlim, lim  +  binwidth, binwidth) axHistx.hist(x, bins = bins) axHisty.hist(y, bins = bins, orientation = 'horizontal' )   # 共享刻度 axHistx.set_xlim(axScatter.get_xlim()) axHisty.set_ylim(axScatter.get_ylim())   plt.show()

 

三維數據圖

使用散點圖的點大小、顏色、透明度表示高維數據：

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

import  numpy as np import  matplotlib.pyplot as plt   fig  =  plt.figure(figsize = ( 9 , 6 ),facecolor = 'white' )   # Number of ring n  =  50 size_min  =  50 size_max  =  50 * 50   # Ring position P  =  np.random.rand(n, 2 )   # Ring colors R,G,B,A C  =  np.ones((n, 4 ))  *  ( 0.5 , 0.5 , 0 , 1 ) # Alpha color channel goes from 0 (transparent) to 1 (opaque),很厲害的實現 C[:, 3 ]  =  np.linspace( 0 , 1 ,n)   # Ring sizes S  =  np.linspace(size_min, size_max, n)   # Scatter plot plt.scatter(P[:, 0 ], P[:, 1 ], s = S, lw  =  0.5 ,                    edgecolors  =  C, facecolors = C)   plt.xlim( 0 , 1 ), plt.xticks([]) plt.ylim( 0 , 1 ), plt.yticks([])   plt.show()

 

美化

1 2 3 4 5 6 7 8

# 美化matplotlib繪出的圖，導入後自動美化 import  seaborn as sns   # matplotlib自帶美化風格 # 打印可選風格 print (plt.style.available  #ggplot, bmh, dark_background, fivethirtyeight, grayscale) # 激活風格 plt.style.use( 'bmh' )

一維顏色填充 & 三維繪圖 & 三維等高線圖

『Python』Numpy學習指南第九章_使用Matplotlib繪圖

from mpl_toolkits.mplot3d import Axes3D

ax = fig.add_subplot(111,projection='3d')

ax.plot() 繪製3維線

ax.plot_surface繪製三維網格（面）

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

from  mpl_toolkits.mplot3d  import  Axes3D    #<-----導入3D包 import  numpy as np import  matplotlib.pyplot as plt   fig  =  plt.figure(figsize = ( 9 , 6 )) ax  =  fig.add_subplot( 111 ,projection = '3d' )  #<-----設置3D模式子圖 <br> # 新思路，以前都是生成x和y繪製z=f(x，y)的函數，此次繪製x=f1(z),y=f2(z) z  =  np.linspace( 0 ,  6 ,  1000 ) r  =  1 x  =  r  *  np.sin(np.pi * 2 * z) y  =  r  *  np.cos(np.pi * 2 * z)   ax.plot(x, y, z, label = u '螺旋線' , c = 'r' ) ax.legend()   # dpi每英寸長度的點數 plt.savefig( '3d_fig.png' ,dpi = 200 ) plt.show()

 

 # ax.plot 繪製的是3維線，ax.plot_surface繪製的是三維網格（也就是面）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

from  mpl_toolkits.mplot3d  import  axes3d import  matplotlib.pyplot as plt from  matplotlib  import  cm   fig  =  plt.figure() ax  =  fig.add_subplot( 111 ,projection = '3d' ) X, Y, Z  =  axes3d.get_test_data( 0.05 ) print (X,Y,Z) # ax.plot 繪製的是3維線，ax.plot_surface繪製的是三維網格（也就是面） ax.plot_surface(X, Y, Z, rstride = 5 , cstride = 5 , alpha = 0.3 ) # 三維圖投影製做，zdir選擇投影方向座標軸 cset  =  ax.contour(X, Y, Z,  10 , zdir = 'z' , offset = - 100 , cmap = cm.coolwarm) cset  =  ax.contour(X, Y, Z, zdir = 'x' , offset = - 40 , cmap = cm.coolwarm) cset  =  ax.contour(X, Y, Z, zdir = 'y' , offset = 40 , cmap = cm.coolwarm)   ax.set_xlabel( 'X' ) ax.set_xlim( - 40 ,  40 ) ax.set_ylabel( 'Y' ) ax.set_ylim( - 40 ,  40 ) ax.set_zlabel( 'Z' ) ax.set_zlim( - 100 ,  100 )   plt.show()

 

 

 

 # 爲等高線圖添加標註

1 2	cs  =  ax2.contour(X,Y,Z) ax2.clabel(cs, inline = 1 , fontsize = 5 )

 

 

配置Colorbar

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 74 75 76 77 78 79 80 81 82 83

# -*- coding: utf-8 -*-  #**********************************************************  import  os  import  numpy as np  import  wlab  #pip install wlab  import  matplotlib  import  matplotlib.cm as cm  import  matplotlib.pyplot as plt  from  matplotlib.ticker  import  MultipleLocator  from  scipy.interpolate  import  griddata  matplotlib.rcParams[ 'xtick.direction' ]  =  'out'  matplotlib.rcParams[ 'ytick.direction' ]  =  'out'  #**********************************************************  FreqPLUS = [ 'F06925' , 'F10650' , 'F23800' , 'F18700' , 'F36500' , 'F89000' ]  #  FindPath = '/d3/MWRT/R20130805/'  #**********************************************************  fig  =  plt.figure(figsize = ( 8 , 6 ), dpi = 72 , facecolor = "white" )  axes  =  plt.subplot( 111 )  axes.cla() #清空座標軸內的全部內容  #指定圖形的字體  font  =  { 'family'  :  'serif' ,           'color'   :  'darkred' ,           'weight'  :  'normal' ,           'size'    :  16 ,           }  #**********************************************************  # 查找目錄總文件名中保護F06925，EMS和txt字符的文件  for  fp  in  FreqPLUS:       FlagStr = [fp, 'EMS' , 'txt' ]       FileList = wlab.GetFileList(FindPath,FlagStr)       #       LST = [] #地表溫度       EMS = [] #地表發射率       TBH = [] #水平極化亮溫       TBV = [] #垂直極化亮溫       #       findex = 0       for  fn  in  FileList:           findex = findex + 1           if  (os.path.isfile(fn)):               print ( str (findex) + '-->' + fn)               #fn='/d3/MWRT/R20130805/F06925_EMS60.txt'               data = wlab.dlmread(fn)               EMS = EMS + list (data[:, 1 ]) #地表發射率               LST = LST + list (data[:, 2 ]) #溫度               TBH = TBH + list (data[:, 8 ]) #水平亮溫               TBV = TBV + list (data[:, 9 ]) #垂直亮溫       #-----------------------------------------------------------       #生成格點數據，利用griddata插值       grid_x, grid_y  =  np.mgrid[ 275 : 315 : 1 ,  0.60 : 0.95 : 0.01 ]       grid_z  =  griddata((LST,EMS), TBH, (grid_x, grid_y), method = 'cubic' )       #將橫縱座標都映射到（0，1）的範圍內       extent = ( 0 , 1 , 0 , 1 )        #指定colormap       cmap  =  matplotlib.cm.jet       #設定每一個圖的colormap和colorbar所表示範圍是同樣的，即歸一化       norm  =  matplotlib.colors.Normalize(vmin = 160 , vmax = 300 )       #顯示圖形，此處沒有使用contourf #>>>ctf=plt.contourf(grid_x,grid_y,grid_z)       gci = plt.imshow(grid_z.T, extent = extent, origin = 'lower' ,cmap = cmap, norm = norm)       #配置一下座標刻度等       ax = plt.gca()       ax.set_xticks(np.linspace( 0 , 1 , 9 ))       ax.set_xticklabels( ( '275' ,  '280' ,  '285' ,  '290' ,  '295' ,   '300' ,   '305' ,   '310' ,  '315' ))       ax.set_yticks(np.linspace( 0 , 1 , 8 ))       ax.set_yticklabels( ( '0.60' ,  '0.65' ,  '0.70' ,  '0.75' ,  '0.80' , '0.85' , '0.90' , '0.95' ))       #顯示colorbar       cbar  =  plt.colorbar(gci)       cbar.set_label( '$T_B(K)$' ,fontdict = font)       cbar.set_ticks(np.linspace( 160 , 300 , 8 ))       cbar.set_ticklabels( ( '160' ,  '180' ,  '200' ,  '220' ,  '240' ,   '260' ,   '280' ,   '300' ))       #設置label       ax.set_ylabel( 'Land Surface Emissivity' ,fontdict = font)       ax.set_xlabel( 'Land Surface Temperature(K)' ,fontdict = font)  #陸地地表溫度LST       #設置title       titleStr = '$T_B$ for Freq = ' + str ( float (fp[ 1 : - 1 ]) * 0.01 ) + 'GHz'       plt.title(titleStr)       figname = fp + '.png'       plt.savefig(figname)       plt.clf() #清除圖形      #plt.show()  print ( 'ALL -> Finished OK' )

上面的例子中，每一個保存的圖，都是用一樣的colormap，而且每一個圖的顏色映射值都是同樣的，也就是說第一個圖中若是200表示藍色，那麼其餘圖中的200也表示藍色。

示例的圖形以下：

 

4.  樣式美化(matplotlib.pyplot.style.use)  點擊打開連接

 

使用matplotlib自帶的幾種美化樣式，就能夠很輕鬆的對生成的圖形進行美化。

可使用matplotlib.pyplot.style.available獲取全部的美化樣式

 

#!/usr/bin/python
#coding: utf-8

import numpy as np
import matplotlib.pyplot as plt

# 獲取全部的自帶樣式
print plt.style.available

# 使用自帶的樣式進行美化
plt.style.use("ggplot")

fig, axes = plt.subplots(ncols = 2, nrows = 2)

# 四個子圖的座標軸賦予四個對象
ax1, ax2, ax3, ax4 = axes.ravel()

x, y = np.random.normal(size = (2, 100))
ax1.plot(x, y, "o")

x = np.arange(1, 10)
y = np.arange(1, 10)

# plt.rcParams['axes.prop_cycle']獲取顏色的字典
# 會在這個範圍內依次循環
ncolors = len(plt.rcParams['axes.prop_cycle'])
# print ncolors
# print plt.rcParams['axes.prop_cycle']

shift = np.linspace(1, 20, ncolors)
for s in shift:
    # print s
    ax2.plot(x, y + s, "-")

x = np.arange(5)
y1, y2, y3 = np.random.randint(1, 25, size = (3, 5))
width = 0.25

# 柱狀圖中要顯式的指定顏色
ax3.bar(x, y1, width, color = "r")
ax3.bar(x + width, y2, width, color = "g")
ax3.bar(x + 2 * width, y3, width, color = "y")

for i, color in enumerate(plt.rcParams['axes.prop_cycle']):
    xy = np.random.normal(size= 2)
    for c in color.values():
        ax4.add_patch(plt.Circle(xy, radius = 0.3, color= c))

ax4.axis("equal")

plt.show()

使用ggplot進行美化後的結果