利用Matplotlib画简单的线形图

实验题目：简单的线形图

实验目的：利用Matplotlib画简单的线形图

实验环境：海豚大数据和人工智能实验室，使用的Python库

名称

版本

简介

numpy

1.16.0

线性代数

Pandas

0.25.0

数据分析

Matplotlib

3.1.0

数据可视化

3实验适用的对象

  • 已经学习了Python基础，具备机器学习基础
  • 学习对象：本科学生、研究生、人工智能、算法相关研究者、开发者
  • 大数据分析与人工智能

步骤1. 安装并引入必要的库

  1. 代码：

!pip install numpy==1.16.0

!pip install pandas==0.25.0!

pip install matplotlib==3.1.0

  1. 结果：

Looking in indexes: https://pypi.zjhu.dolphin-labs.com/simple/, Simple Index

Requirement already satisfied: numpy==1.16.0 in /opt/conda/lib/python3.6/site-packages (1.16.0)

WARNING: You are using pip version 20.1; however, version 21.3.1 is available.

You should consider upgrading via the '/resources/common/.virtualenv/python3.6/bin/python -m pip install --upgrade pip' command.

Looking in indexes: https://pypi.zjhu.dolphin-labs.com/simple/, Simple Index

Requirement already satisfied: pandas==0.25.0 in /opt/conda/lib/python3.6/site-packages (0.25.0)

Requirement already satisfied: pytz>=2017.2 in /opt/conda/lib/python3.6/site-packages (from pandas==0.25.0) (2021.3)

Requirement already satisfied: python-dateutil>=2.6.1 in /opt/conda/lib/python3.6/site-packages (from pandas==0.25.0) (2.8.1)

Requirement already satisfied: numpy>=1.13.3 in /opt/conda/lib/python3.6/site-packages (from pandas==0.25.0) (1.16.0)

Requirement already satisfied: six>=1.5 in /opt/conda/lib/python3.6/site-packages (from python-dateutil>=2.6.1->pandas==0.25.0) (1.14.0)

WARNING: You are using pip version 20.1; however, version 21.3.1 is available.

You should consider upgrading via the '/resources/common/.virtualenv/python3.6/bin/python -m pip install --upgrade pip' command.

Looking in indexes: https://pypi.zjhu.dolphin-labs.com/simple/, Simple Index

Requirement already satisfied: matplotlib==3.1.0 in /opt/conda/lib/python3.6/site-packages (3.1.0)

Requirement already satisfied: python-dateutil>=2.1 in /opt/conda/lib/python3.6/site-packages (from matplotlib==3.1.0) (2.8.1)

Requirement already satisfied: cycler>=0.10 in /opt/conda/lib/python3.6/site-packages (from matplotlib==3.1.0) (0.11.0)

Requirement already satisfied: numpy>=1.11 in /opt/conda/lib/python3.6/site-packages (from matplotlib==3.1.0) (1.16.0)

Requirement already satisfied: kiwisolver>=1.0.1 in /opt/conda/lib/python3.6/site-packages (from matplotlib==3.1.0) (1.3.1)

Requirement already satisfied: pyparsing!=2.0.4,!=2.1.2,!=2.1.6,>=2.0.1 in /opt/conda/lib/python3.6/site-packages (from matplotlib==3.1.0) (2.4.7)

Requirement already satisfied: six>=1.5 in /opt/conda/lib/python3.6/site-packages (from python-dateutil>=2.1->matplotlib==3.1.0) (1.14.0)

WARNING: You are using pip version 20.1; however, version 21.3.1 is available.

You should consider upgrading via the '/resources/common/.virtualenv/python3.6/bin/python -m pip install --upgrade pip' command.

  1. 代码：

%matplotlib inline

import matplotlib.pyplot as plt

plt.style.use('seaborn-whitegrid')

import numpy as np

可能最简单的图是一个函数y=f(x)的可视化。

在这里，我们将首先考虑创建这种类型的简单图。

对于所有的Matplotlib图，我们首先创建一个图形和一个坐标轴：

  1. 代码：

fig = plt.figure()

ax = plt.axes()

x = np.linspace(0, 10, 1000)

ax.plot(x, np.sin(x));

  1. 结果：
1.1 Figure对象

在Matplotlib中，图(类plt.Figure的一个实例)可以被认为是一个包含所有表示轴、图形、文本和标签的对象的容器。

figure 对象是最外层的绘图单位，默认是以 1开始编号（MATLAB风格，Figure 1, Figure 2, ...），可以用 plt.figure() 产生一幅图像，除了默认参数外，可以指定的参数有：

  • num - 编号
  • figsize - 图像大小
  • dpi - 分辨率
  • facecolor - 背景色
  • edgecolor - 边界颜色
  • frameon - 边框

这些属性也可以通过 Figure 对象的 set_xxx 方法来改变。

1.2 Axes 轴域

我们在上面看到的ax是轴域(类plt.Axes的一个实例):一个带有刻度和标签的边界框, 可理解成一些轴（Axis，具体的坐标系）的集合，这个集合还有很多轴（Axis）属性、标注等，它最终将包含构成我们的可视化的plot元素。

一旦我们创建了一个坐标轴，我们就可以使用ax.plot函数来绘制一些数据。

  1. 代码：

fig = plt.figure()  

ax1 = fig.add_axes([0.1, 0.3, 0.7, 0.7])     

ax2 = fig.add_axes([0.3, 0.5, 0.3, 0.3])    

plt.plot(np.arange(3))

plt.show()

  1. 结果：

或者，我们可以使用pylab接口，并在后台为我们创建图和轴。

  1. 代码：

plt.plot(x, np.sin(x));

  1. 结果：

如果我们想要创建一个多行的图形，我们可以简单地调用plot 函数多次:

  1. 代码：

plt.plot(x, np.sin(x))

plt.plot(x, np.cos(x));

  1. 结果：

这就是在Matplotlib中绘制简单函数的全部内容!

现在我们将深入了解如何控制轴和线的外观。

步骤2 调整图形:线条的颜色和风格

你首先想要调整的可能是控制一个图形的线条颜色和风格。 plt.plot()函数接受额外的参数，可以用来指定这些参数。

为了调整颜色，你可以使用color这个词，它接受一个代表几乎任何可以想象到的颜色的字符串参数。

颜色可以通过多种方式来指定:

  1. 代码：

plt.plot(x, np.sin(x - 0), color='blue')       

plt.plot(x, np.sin(x - 1), color='g')          

plt.plot(x, np.sin(x - 2), color='0.75')       

plt.plot(x, np.sin(x - 3), color='#FFDD44')    

plt.plot(x, np.sin(x - 4), color=(1.0,0.2,0.3))

plt.plot(x, np.sin(x - 5), color='chartreuse');

  1. 结果：

如果没有指定颜色，Matplotlib将自动循环通过一组默认颜色来进行多行。

同样的，线条风格也可以通过使用linestyle 关键字来调整：

  1. 代码：

plt.plot(x, x + 0, linestyle='solid')

plt.plot(x, x + 1, linestyle='dashed')

plt.plot(x, x + 2, linestyle='dashdot')

plt.plot(x, x + 3, linestyle='dotted');

plt.plot(x, x + 4, linestyle='-') 

plt.plot(x, x + 5, linestyle='--')

plt.plot(x, x + 6, linestyle='-.')

plt.plot(x, x + 7, linestyle=':'); 

  1. 结果：

如果你想要非常简洁，这些 linestyle和color的代码可以组合成一个非关键字的plt.plot()功能:

  1. 代码：

plt.plot(x, x + 0, '-g') 

plt.plot(x, x + 1, '--c')

plt.plot(x, x + 2, '-.k')

 plt.plot(x, x + 3, ':r'); 

  1. 结果：

表示颜色的字符参数有：

字符

颜色

‘b’

蓝色，blue

‘g’

绿色，green

‘r’

红色，red

‘c’

青色，cyan

‘m’

品红，magenta

‘y’

黄色，yellow

‘k’

黑色，black

‘w’

白色，white

‘#008000’

RGB某颜色

‘0.8’

灰度值字符串

表示（风格）类型的字符参数有：

字符

类型

字符

类型

'-'

实线

'--'

虚线

'-.'

虚点线

':'

点线

'.'

点

','

像素点

'o'

圆点

'v'

下三角点

'^'

上三角点

'<'

左三角点

'>'

右三角点

'1'

下三叉点

'2'

上三叉点

'3'

左三叉点

'4'

右三叉点

's'

正方点

'p'

五角点

'*'

星形点

'h'

六边形点1

'H'

六边形点2

'+'

加号点

'x'

乘号点

'D'

实心菱形点

'd'

瘦菱形点

'_'

横线点

步骤3. 设定坐标轴的范围

Matplotlib在为图形选择默认的坐标轴上做的很好，但是有时候我们有更改坐标轴的需要

  1. 代码：

x = np.linspace(-5* np.pi,5 * np.pi)

y, z = np.sin(x), np.cos(x)

plt.plot(x, y, linewidth=2.0, color='r')

plt.plot(x, z, linewidth=3.0, color='b', linestyle='--')

plt.show()

  1. 结果：

最基本的调整轴限的方法是使用plt.xlim() 和 plt.ylim() 的方法：

  1. 代码：

x = np.linspace(-5* np.pi,5 * np.pi, 200)

y, z = np.sin(x), np.cos(x)

plt.plot(x, y, linewidth=2.0, color='r')

plt.plot(x, z, linewidth=3.0, color='b', linestyle='--')

plt.xlim(-5, 5)

plt.show()

  1. 结果：

如果出于某种原因，您想要反向显示任意一个轴，您可以简单地颠倒参数的顺序：

  1. 代码：

plt.plot(x, np.sin(x))

plt.xlim(10, 0)

plt.ylim(1.2, -1.2);

  1. 结果：

一个有用的相关方法是 plt.axis()，允许您通过一个指定[xmin, xmax, ymin, ymax]的列表来设置x和y的极限：

  1. 代码：

plt.plot(x, np.sin(x))

plt.axis([-1, 11, -1.5, 1.5]);

  1. 结果：

plt.axis()方法甚至超出了这个范围，允许你做一些事情，比如自动收紧当前图形的边界:

  1. 代码：

plt.plot(x, np.sin(x))

plt.axis('tight');

  1. 结果：

它甚至允许更高级别的规范，比如保证一个相等的宽比，这样在屏幕上，x中的一个单位就等于y中的一个单位:

  1. 代码;

plt.plot(x, np.sin(x))

plt.axis('equal');

  1. 结果：
  • 练习 1:绘制x的tan函数图像,将x轴设为（0,10），y轴设为（-1.5，1.5）
  1. 代码：

plt.plot(x, np.tan(x))

plt.axis([0,10,-1.5,1.5]);
  1. 结果：

步骤4 图形的标签

作为本实验的最后一部分，我们将简要地看一下图形的标签:标题、轴标签和简单的说明。

标题和轴标签是最简单的标签，有一些方法可以用来快速设置它们:

  1. 代码：
import numpy as np
t =np.arange(0., 5., 0.2)    
plt.plot(t, t, 'r--', label='y=t')
plt.plot(t, t ** 2, 'bs',  label='y=t^2')
plt.plot(t, t ** 3, 'g^',  label='y=t^3')
plt.xlabel("X values")
plt.ylabel("Y values")
plt.legend()
plt.show()
  1. 结果：

这些标签的位置、大小和样式可以使用可选参数来调整。

当在单个轴中显示多个行时，创建一个标记每行类型的图形说明是很有用的。

同样，Matplotlib有一种快速创建这样一个说明的内置方法。

这是通过plt.legend() 的方法来完成的。

虽然有几种有效的使用方法，但我发现最容易的方法是使用label的plot函数关键字来指定每行的标签:

  1. 代码：

plt.plot(x, np.sin(x), '-g', label='sin(x)')

plt.plot(x, np.cos(x), ':b', label='cos(x)')

plt.axis('equal')

plt.legend();

  1. 结果：

正如您所看到的，plt.legend()函数可以跟踪线条样式和颜色，并与正确的标签匹配。

  • 练习 2:对练习1创建的图形添加标签：x轴、y轴、以及图形说明
  1. 代码：
import numpy as np
t = np.arange(0., 5., 0.2)    
plt.plot(x, np.tan(x), '-p', label='tan(x)')
plt.axis([0,10,-1.5,1.5])
plt.xlabel("X values")
plt.ylabel("Y values")
plt.legend()
plt.show()
  1. 结果：

步骤5 Matplotlib陷阱

虽然大多数 plt函数可以直接转化为 ax的方法(如plt.plot() → ax.plot(), plt.legend() → ax.legend()等)，但不是对于所有的命令都是这样的。

特别地，设置坐标轴极限、标签和标题的函数被稍微修改了。

要在matlabstyle函数和面向对象的方法之间进行转换，请进行以下更改:

  1. plt.xlabel() → ax.set_xlabel()
  2. plt.ylabel() → ax.set_ylabel()
  3. plt.xlim() → ax.set_xlim()
  4. plt.ylim() → ax.set_ylim()
  5. plt.title() → ax.set_title()

在面向对象的界面中绘图，而不是单独调用这些函数，使用ax.set()方法来设置所有这些属性通常更方便:

  1. 代码：
ax=plt.axes()
ax.plot(x, np.sin(x))
ax.set(xlim=(0, 10), ylim=(-2, 2),xlabel='x', ylabel='sin(x)',title='A Simple Plot');
  • 练习 3:使用上文中介绍到的办法，对练习2的代码进行相应的修改。
ax = plt.axes()
ax.plot(x, np.tan(x))
ax.set(xlim=(0, 10), ylim=(-1.5, 1.5), xlabel='x', ylabel='tan(x)',title='A Simple Plot');
​

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/238100.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

备份至关重要！如何解决iCloud的上次备份无法完成的问题

备份至关重要！如何解决iCloud的上次备份无法完成的问题

将iPhone和iPad备份到iCloud对于在设备发生故障或丢失时确保数据安全至关重要。但iOS用户有时会收到一条令人不安的消息&#xff0c;“上次备份无法完成。”下面我们来看看可能导致此问题的原因&#xff0c;如何解决此问题&#xff0c;并使你的iCloud备份再次顺利运行。 这些故…
阅读更多...
技术分享-Jenkins

技术分享-Jenkins

持续集成及Jenkins介绍 软件开发生命周期叫SDLC&#xff08;Software Development Life Cycle&#xff09;&#xff0c;集合了计划、开发、测试、部署过程。 在平常的开发过程中&#xff0c; 需要频繁地&#xff08;一天多次&#xff09;将代码集成到主干&#xff0c;这个叫持…
阅读更多...
闭包 闭包理解 闭包的应用实例

闭包 闭包理解 闭包的应用实例

闭包 形成闭包的条件&#xff1a;一个函数访问外部的变量就形成了闭包 用闭包的好处&#xff1a; (1)可以通过闭包函数形成独立实例的变量 (2)不会造成全局污染 代码调试&#xff0c;演示闭包形成过程 <script> //函数内部访问外部的变量&#xff0c;就形成了闭包functi…
阅读更多...
Leetcode 406 根据身高重建队列

Leetcode 406 根据身高重建队列

题意理解&#xff1a; people [[7,0],[4,4],[7,1],[5,0],[6,1],[5,2]] 给定一个二维数组&#xff0c;&#xff08;h,k&#xff09;h表示此人身高&#xff0c;k表示前面有几个人比他高。 我们按照每个人的h,k两个维度的需求给每个人排在合适的位置。 如&#xff1a; [5,0][7,0]…
阅读更多...
深入浅出堆排序: 高效算法背后的原理与性能

深入浅出堆排序: 高效算法背后的原理与性能

&#x1f3ac; 鸽芷咕&#xff1a;个人主页 &#x1f525; 个人专栏: 《linux深造日志》 《高效算法》 ⛺️生活的理想&#xff0c;就是为了理想的生活! &#x1f4cb; 前言 &#x1f308;堆排序一个基于二叉堆数据结构的排序算法&#xff0c;其稳定性和排序效率在八大排序中也…
阅读更多...
ctfshow sql 195-200

ctfshow sql 195-200

195 堆叠注入 十六进制 if(preg_match(/ |\*|\x09|\x0a|\x0b|\x0c|\x0d|\xa0|\x00|\#|\x23|\|\"|select|union|or|and|\x26|\x7c|file|into/i, $username)){$ret[msg]用户名非法;die(json_encode($ret));}可以看到没被过滤&#xff0c;select 空格 被过滤了&#xff0c;可…
阅读更多...
制造行业定制软件解决方案——工业信息采集平台

制造行业定制软件解决方案——工业信息采集平台

摘要&#xff1a;针对目前企业在线检测数据信号种类繁多&#xff0c;缺乏统一监控人员和及时处置措施等问题。蓝鹏测控开发针对企业工业生产的在线数据的集中采集分析平台&#xff0c;通过该工业信息采集平台可将企业日常各种仪表设备能够得到数据进行集中分析处理存储&#xf…
阅读更多...
VM——计算流程执行耗时

VM——计算流程执行耗时

1、计算同一个流程内的耗时&#xff0c;可以直接用“耗时统计”模块&#xff1b; 2、计算多个流程的运行耗时&#xff0c;需要使用“脚本”&#xff0c;利用C#函数计算耗时 首先&#xff0c;记录起始时间&#xff0c;保存到string类型的全局变量中&#xff0c; curTmStr Dat…
阅读更多...
C++之深拷贝和浅拷贝

C++之深拷贝和浅拷贝

目录 浅拷贝 深拷贝 赋值运算符重载的深拷贝 在学习C类和对象时我们学习了浅拷贝&#xff0c;本期我们将再次回顾浅拷贝并为大家讲述深拷贝的概念。 浅拷贝 在学习类和对象时我们学习了拷贝构造函数的概念&#xff0c;而且我们也知道&#xff0c;因为拷贝构造函数属于类的默…
阅读更多...
Go后端开发 -- 环境搭建

Go后端开发 -- 环境搭建

Go后端开发 – 环境搭建 文章目录 Go后端开发 -- 环境搭建一、环境配置二、IDE的选择三、使用go mod构建项目1.初始化项目2.添加依赖项3.运行项目 四、环境报错1.VS Code中gopls报错 一、环境配置 Go官网下载地址&#xff1a;https://golang.org/dl/ https://go.dev/dl/ Go官方…
阅读更多...
JavaWeb笔记之前端开发JQuery

JavaWeb笔记之前端开发JQuery

一、引言 1.1 概述 jQuery是一个快速、简洁的JavaScript代码库。jQuery设计的宗旨是“Write Less&#xff0c;Do More”&#xff0c;即倡导写更少的代码&#xff0c;做更多的事情。它封装JavaScript常用的功能代码&#xff0c;提供一种简便的 JavaScript操作方式&#xff0c…
阅读更多...
麒麟V10 ARM 离线生成RabbitMQ docker镜像并上传Harbor私有仓库

麒麟V10 ARM 离线生成RabbitMQ docker镜像并上传Harbor私有仓库

第一步在外网主机执行&#xff1a; docker pull arm64v8/rabbitmq:3.8.9-management 将下载的镜像打包给离线主机集群使用 在指定目录下执行打包命令&#xff1a; 执行&#xff1a; docker save -o rabbitmq_arm3.8.9.tar arm64v8/rabbitmq:3.8.9-management 如果懒得打包…
阅读更多...
国产低成本Wi-Fi SoC解决方案芯片ESP8266与ESP8285对比差异

国产低成本Wi-Fi SoC解决方案芯片ESP8266与ESP8285对比差异

目录 ESP8266与ESP8285对比差异微信号&#xff1a;dnsj5343ESP8285简介ESP8285 主要特性Wi-Fi特性射频模块CPU特性硬件软件 ES8285 8266通用开发板 ESP8266与ESP8285对比差异 ESP8285相当于在ESP8266基础上多加了1/2MB Flash&#xff0c; ESP8285与ESP8266同用一套SDK&#xf…
阅读更多...
落叶归根：递归思想在二叉树叶子节点类问题中的妙用

落叶归根：递归思想在二叉树叶子节点类问题中的妙用

&#x1f3ac; 鸽芷咕&#xff1a;个人主页 &#x1f525; 个人专栏: 《linux深造日志》 《高效算法》 ⛺️生活的理想&#xff0c;就是为了理想的生活! 文章目录 一、递归的介绍二、递归算法的妙用2.1 二叉树结点个数2.2 二叉树叶子结点个数2.3 二叉树第k层结点个数2.4 二叉树…
阅读更多...
基于比较的排序算法总结（java实现版）

基于比较的排序算法总结（java实现版）

目录 什么是基于比较的排序算法 什么是排序算法的稳定性 基础排序算法的稳定性 插入排序法 希尔排序法 冒泡排序法 总结 高级算法的稳定性 快速排序法 堆排序法 归并排序法 总结 注意 什么是基于比较的排序算法 基于比较的排序算法定义&#xff1a;之所以能给元素…
阅读更多...
安装gnvm,nodejs,npm使用方法

安装gnvm,nodejs,npm使用方法

安装gnvm,nodejs,npm使用方法 一、安装gnvm gnvm.exe下载地址&#xff1a; https://download.csdn.net/download/hsg77/88651752 http://ksria.com/gnvm/#download 二、配置gnvm环境变量 新建目录&#xff0c;如&#xff1a;d:/nodejs 并把gnvm.exe存储到此目录 并把d:/node…
阅读更多...
【MATLAB第85期】基于MATLAB的2023年智能进化算法/元启发式算法合集（持续更新）

【MATLAB第85期】基于MATLAB的2023年智能进化算法/元启发式算法合集（持续更新）

【MATLAB第85期】基于MATLAB的2023年智能进化算法/元启发式算法合集&#xff08;持续更新&#xff09; 1.海象进化算法&#xff08;Walrus Optimization Algorithm&#xff09; 作者&#xff1a;Pavel Trojovsk and Mohammad Dehghani 2.暴龙优化算法&#xff08;Tyrannosa…
阅读更多...
安卓13上手势导航失效、手机卡死问题

安卓13上手势导航失效、手机卡死问题

问题描述&#xff1a;打开我们开发的app后&#xff0c;手势导航无法退回、无法回到桌面、无法切换应用。 使用设备&#xff1a;小米手机、MI14,、安卓13 未适配安卓13安卓x的情况下&#xff0c;检查自己的 AndroidManifest 文件&#xff0c;过滤器是否设置了 <category a…
阅读更多...
什么是伦敦金的假突破？假突破为何有效？

什么是伦敦金的假突破？假突破为何有效？

部分投资者做伦敦金交易的时候喜欢追逐那些强势的行情&#xff0c;也就是我们所说的突破行情。但是突破行情会带来两种结果&#xff0c;一种是突破成功&#xff0c;而另一种是出现假突破。什么是伦敦金中的假突破呢&#xff1f;为什么假突破会有效呢&#xff1f;下面我们就来讨…
阅读更多...
Python自动化测试（超详细总结）

Python自动化测试（超详细总结）

Python自动化测试常用于Web应用、移动应用、桌面应用等的测试 Python自动化实现思路通常分为以下几步&#xff1a; 1. 确定自动化测试的范围和目标&#xff1a; 首先需要明确需要进行自动化测试的范围和目标&#xff0c;包括测试场景、测试用例、测试数据等。 2. 选择自动化…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023