整体图示
.ipynb 转换md时候图片不能通知携带，所有图片失效，不过直接运行代码可以执行
figure figure,axes与axis
import matplotlib.pyplot as plt
fig=plt.figure()
fig2=plt.subplots()
fig3,axs=plt.subplots(2,2)
plt.show()
<Figure size 640x480 with 0 Axes>
Axes:一个图形上的数据点
- 数据限制可以通过 axes.Axes.set_xlim()和 axes.Axes.set_ylim() 方法
- 每个Axes都有一个标题（通过 set_title() 设置）、一个 x 标签（通过 set_xlabel() 设置）和一个通过 set_ylabel() 设置的 y 标签
Axis
- number-line的对象，即我们日常说的坐标轴
- 负责设置图形限制并生成刻度（轴上的标记）和刻度标签（标记刻度的字符串）
- 刻度的位置由 Locator 对象确定，刻度标签字符串由 Formatter 格式化
Artist
- 图上看到的所有东西都是Artist（甚至是 Figure、Axes和Axis对象
- 包括 Text 对象、Line2D 对象、collections对象、Patch 对象
- 渲染图形时，所有的Artist会被绘制到画布上。其中大多数Artist会被绑在轴上，这些Artist不能被多个轴共享，也不能从一个轴移动到另一个轴
fig,ax=plt.subplots()
ax.plot([1, 2, 3, 4], [1, 4, 2, 3])
[<matplotlib.lines.Line2D at 0x123efb690>]
Axes 绘图方法，matplotlib.pyplot 模块中有一个相应的函数可以在“当前”轴上执行该绘图，如果它们尚不存在，则会创建该轴（及其父图形
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
[<matplotlib.lines.Line2D at 0x123f33690>]
一个完整的绘画
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])plt.show()
#上述代码相当于
fig,ax=plt.subplots()
ax.plot([1,2,3,4],[1,4,2,3])
plt.show()
绘图函数的输入类型
- 所有绘图函数都需要 numpy.array 或 numpy.ma.masked_array 作为输入
import pandas as pd
import numpy as npa=pd.DataFrame(np.random.rand(4,5),columns=list('abcde'))
a_asarray=a.values
print(a)
print(a_asarray) a b c d e
0 0.942851 0.469160 0.163871 0.383466 0.482122
1 0.153815 0.297769 0.402677 0.449713 0.501791
2 0.084304 0.471720 0.446233 0.112047 0.172477
3 0.648961 0.762354 0.651969 0.436571 0.151777
[[0.94285104 0.46915987 0.16387077 0.38346593 0.4821217 ][0.15381521 0.2977688 0.4026774 0.44971345 0.50179147][0.08430377 0.47171985 0.44623296 0.11204723 0.172477 ][0.64896052 0.76235361 0.65196889 0.43657115 0.15177734]]
b=np.matrix([[1,2],[3,4]])
b_asarray=np.asanyarray(b)
print(b)
print(b_asarray)
[[1 2][3 4]]
[[1 2][3 4]]
object-oriented接口和pyplot接口
- 两种使用 Matplotlib 的方法
- 创建图形和轴，并在它们上调用方法（“面向对象 (OO) ”）
- 依靠 pyplot 自动创建和管理图形和坐标轴，并使用 pyplot 函数进行绘图
## oo方法
x=np.linspace(0,2,100)
fig,ax=plt.subplots()ax.plot(x,x,label='linear')
ax.plot(x,x**2,label='quadratic')
ax.plot(x,x**3,label='cubic')
ax.set_xlabel('x_label')
ax.set_ylabel('y_label')
ax.set_title("Simple label")
ax.legend() ## 添加图例
plt.show()
重复利用
def my_plotter(ax,data1,data2,param_dict):out=ax.plot(data1,data2,**param_dict)return out
data1,data2,data3,data4=np.random.randn(4,100)
fig,ax=plt.subplots(1,1)
my_plotter(ax,data1,data2,{'marker':'x'})
plt.show()
fig,(ax1,ax2)=plt.subplots(1,2)
data1, data2, data3, data4 = np.random.randn(4, 100)
my_plotter(ax1,data1,data2,{'marker':'x'})
my_plotter(ax2,data3,data4,{'marker':'o'})
plt.show()
简化
线段简化
- path.simplify 参数是一个布尔值，指示线段是否被简化
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mply=np.random.rand(100000)
y[50000:]*=2
y[np.linspace(1,np.log10(5000),400).astype(int)]=-1
mpl.rcParams['path.simplify']=True
mpl.rcParams['path.simplify_threshold']=0.0plt.plot(y)
plt.show()
Matplotlib 默认为 1/9 的保守简化阈值
标记简化
- 标记简化仅适用于 Line2D 对象（通过 markevery 属性
x=[1,2,3,4]
y=[1,3,3,2]
plt.plot(x, y, markevery=10)
[<matplotlib.lines.Line2D at 0x126b66b90>]
pyplot教程
- matplotlib.pyplot 是使 matplotlib 像 MATLAB 一样工作的命令样式函数的集合
- 每个 pyplot 函数都会对图形进行一些更改，例如，创建图形、在图形中创建绘图区域、在绘图区域中绘制一些线、用标签装饰绘图等。
使用 pyplot 生成可视化非常快
import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()
plot() 命令提供单个列表或数组，matplotlib 会假定它是一个 y 值序列，并自动为你生成 x 值.
默认的 x 向量的长度与 y 相同，但从 0 开始，因此 x 数据为 [0, 1, 2, 3]
import matplotlib.pyplot as plt
plt.plot([1,2,3,4],[1,4,9,16])
plt.show()
添加颜色
import matplotlib.pyplot as plt
plt.plot([1,2,3,4],[1,4,9,16],'ro')
plt.axis([0,6,0,20])
plt.show()
axis() 命令采用 [xmin, xmax, ymin, ymax] 列表来指定x、y轴的范围
使用数组在一个命令中绘制具有不同样式的多条线
import matplotlib.pyplot as plt
import numpy as npt=np.arange(0.,5.,0.2)
plt.plot(t,t,'r--',t,t**2,'bs',t,t**3,'g^')
plt.show()
使用关键字字符串绘图
数据格式允许你使用字符串访问特定变量。例如numpy.recarray 或 pandas.DataFrame
atplotlib 允许你为这样的对象提供 data 关键字参数，并使用与这些变量对应的字符串生成图
data={'a':np.arange(50),'c':np.random.randint(0,50,50),'d':np.random.randn(50),}
data['b']=data['a']+10*np.random.randn(50)
data['d']=np.abs(data['d'])*100plt.scatter('a','b',c='c',s='d',data=data)
plt.xlabel('entry a')
plt.ylabel('entry b')
plt.show()
import matplotlib.pyplot as pltnames = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]plt.figure(figsize=(9, 3))
## (131) 表示将绘图区域划分为一个 1x3 的网格（1 行 3 列），并选择当前要绘制的子图为第 1 个子图
plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')
plt.show()
线属性
线宽、虚线样式、反走样等
使用关键字参数
x=[1, 2, 3, 4]
plt.plot(x,linewidth=3.0) #设置宽限plt.ylabel('some numbers')
plt.show()
使用 Line2D 的setter 方法
import matplotlib.pyplot as pltx = [1, 2, 3, 4]
y = [1, 4, 9, 16]line, = plt.plot(x, y, '-')
line.set_antialiased(False) # 关闭antialiasingprint(line) # >>> Line2D(_child0)
plt.show()
Line2D(_child0)
要获取可设置属性的列表，可以使用一行或多行作为参数调用 setp() 函数
import matplotlib.pyplot as pltlines = plt.plot([1, 2, 3])
print(plt.setp(lines))
agg_filter: a filter function, which takes a (m, n, 3) float array and a dpi value, and returns a (m, n, 3) array and two offsets from the bottom left corner of the imagealpha: scalar or Noneanimated: boolantialiased or aa: boolclip_box: `~matplotlib.transforms.BboxBase` or Noneclip_on: boolclip_path: Patch or (Path, Transform) or Nonecolor or c: colordash_capstyle: `.CapStyle` or {'butt', 'projecting', 'round'}dash_joinstyle: `.JoinStyle` or {'miter', 'round', 'bevel'}dashes: sequence of floats (on/off ink in points) or (None, None)data: (2, N) array or two 1D arraysdrawstyle or ds: {'default', 'steps', 'steps-pre', 'steps-mid', 'steps-post'}, default: 'default'figure: `~matplotlib.figure.Figure`fillstyle: {'full', 'left', 'right', 'bottom', 'top', 'none'}gapcolor: color or Nonegid: strin_layout: boollabel: objectlinestyle or ls: {'-', '--', '-.', ':', '', (offset, on-off-seq), ...}linewidth or lw: floatmarker: marker style string, `~.path.Path` or `~.markers.MarkerStyle`markeredgecolor or mec: colormarkeredgewidth or mew: floatmarkerfacecolor or mfc: colormarkerfacecoloralt or mfcalt: colormarkersize or ms: floatmarkevery: None or int or (int, int) or slice or list[int] or float or (float, float) or list[bool]mouseover: boolpath_effects: list of `.AbstractPathEffect`picker: float or callable[[Artist, Event], tuple[bool, dict]]pickradius: floatrasterized: boolsketch_params: (scale: float, length: float, randomness: float)snap: bool or Nonesolid_capstyle: `.CapStyle` or {'butt', 'projecting', 'round'}solid_joinstyle: `.JoinStyle` or {'miter', 'round', 'bevel'}transform: `~matplotlib.transforms.Transform`url: strvisible: boolxdata: 1D arrayydata: 1D arrayzorder: float
None
使用 setp() 命令
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]lines = plt.plot(x, y)
plt.step(x,y,color='r',linewidth=2.0)
plt.show()
多个图形和轴
import matplotlib.pyplot as plt
import numpy as npdef f(t):return np.exp(-t) * np.cos(2*np.pi*t)t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)plt.figure()
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()
subplot() 命令指定 numrows、numcols、plot_number。
import matplotlib.pyplot as plt
plt.figure(1) # 第一个图形
plt.subplot(211) # 第一个图形中的第1个子图
plt.plot([1, 2, 3])
plt.subplot(212) # 第一个图形中的第2个子图
plt.plot([4, 5, 6])plt.figure(2) # 第二个图形
plt.plot([4, 5, 6]) # 创建默认子图，默认subplot(111)plt.figure(1) # 当前图形为figure 1; 由于subplot(212) 在211后面定义，所以当前子图为subplot(212)
plt.subplot(211) # 定义当前子图为subplot(211)
plt.title('Easy as 1, 2, 3') # 给211子图定义标题plt.show()
文本处理
import matplotlib.pyplot as plt
import numpy as npmu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)# 柱状图
n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
plt.xlabel('my data', fontsize=14, color='red')
Text(0.5, 0, 'my data')
注释文本
text() 命令的使用可以将文本放置在轴上的任意位置
文本的一个常见用途是对绘图的某些特征进行注释，并且 annotate() 方法提供了帮助功能使注释变得容易
在注释中，需要考虑两点：参数 xy 表示的被注释位置和文本 xytext 的位置，这两个参数都是 (x, y) 元组
import matplotlib.pyplot as plt
import numpy as npax = plt.subplot(111)t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),arrowprops=dict(facecolor='black', shrink=0.05),)
'''
local max：注释的内容
xy：箭头头的坐标xytext：注释内容的起始位置
arrowprops：设置箭头的一些属性，颜色、宽度等
'''
plt.ylim(-2, 2)
plt.show()
对数轴
import matplotlib.pyplot as plt
import numpy as npnp.random.seed(19680801)y=np.random.normal(loc=0.5,scale=4,size=1000)
y=y[(y>0)&(y<1)]
y.sort()
x=np.arange(len(y))plt.figure()#linear
plt.subplot(121)
plt.plot(x,y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)# log
plt.subplot(122)
plt.plot(x,y)
plt.yscale('log')
plt.title('log')
plt.grid(True)
图片处理
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
img=mpimg.imread('data.png')
print(img)
[[0.40784314 0.40784314 0.40784314 ... 0.42745098 0.42745098 0.42745098][0.4117647 0.4117647 0.4117647 ... 0.42745098 0.42745098 0.42745098][0.41960785 0.41568628 0.41568628 ... 0.43137255 0.43137255 0.43137255]...[0.4392157 0.43529412 0.43137255 ... 0.45490196 0.4509804 0.4509804 ][0.44313726 0.44313726 0.4392157 ... 0.4509804 0.44705883 0.44705883][0.44313726 0.4509804 0.4509804 ... 0.44705883 0.44705883 0.44313726]]
Matplotlib 已将每个通道的 8 位数据重新缩放为 0.0 到 1.0 之间的浮点数据，每个内部列表代表一个像素
对于 RGB 图像，有 3 个值。由于它是黑白图像，因此 R、G 和 B 都相似
对于 RGBA（其中 A 是 alpha 或透明度），每个内部列表有 4 个值，而简单的亮度图像只有一个值（因此只是一个 2-D 数组，而不是 3-D 数组）
## 将 numpy 数组绘制为图像
Matplotlib 中，可以使用 imshow() 函数来渲染图像数据生成的numpy数组
import matplotlib.pyplot as plt
import matplotlib.image as mpimgimg = mpimg.imread('data.png')
img
#将伪彩色方案应用于图像图
lum_img = np.expand_dims(img, axis=2)
plt.imshow(lum_img)plt.show()
## 增加亮色plt.imshow(lum_img,cmap='hot')
<matplotlib.image.AxesImage at 0x1268284d0>
imgplot = plt.imshow(lum_img)
imgplot.set_cmap('nipy_spectral')
加入色标
import matplotlib.pyplot as plt
import matplotlib.image as mpimgimg = mpimg.imread('data.png')
img
#将伪彩色方案应用于图像图
lum_img = np.expand_dims(img, axis=2)
plt.imshow(lum_img)
plt.colorbar()
plt.show()
检查特定数据范围
import matplotlib.pyplot as plt
import matplotlib.image as mpimgimg = mpimg.imread('data.png')
lum_img = np.expand_dims(img, axis=2)plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')plt.show()
对比度
import matplotlib.pyplot as plt
import matplotlib.image as mpimgimg = mpimg.imread('data.png')
lum_img = np.expand_dims(img, axis=2)fig = plt.figure()a = fig.add_subplot(1, 2, 1)
imgplot = plt.imshow(lum_img)
a.set_title('Before')
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')a = fig.add_subplot(1, 2, 2)
imgplot = plt.imshow(lum_img, clim=(0.0, 0.7))
# 也可以：
# imgplot = plt.imshow(lum_img)
# imgplot.set_clim(0.0, 0.7)
a.set_title('After')
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')plt.show()
插值
import matplotlib.pyplot as plt
from PIL import Imageimg = Image.open('data.png')
img.thumbnail((64, 64), Image.LANCZOS)
imgplot = plt.imshow(img)plt.show()
imgplot = plt.imshow(img, interpolation="nearest")
双三次插值（bicubic)
imgplot = plt.imshow(img, interpolation="bicubic")
完整实例
import numpy as np
import matplotlib.pyplot as pltdata = {'Barton LLC': 109438.50,'Frami, Hills and Schmidt': 103569.59,'Fritsch, Russel and Anderson': 112214.71,'Jerde-Hilpert': 112591.43,'Keeling LLC': 100934.30,'Koepp Ltd': 103660.54,'Kulas Inc': 137351.96,'Trantow-Barrows': 123381.38,'White-Trantow': 135841.99,'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)fig, ax = plt.subplots()
ax.barh(group_names, group_data)
plt.show()
设置样式
import matplotlib.pyplot as plt
print(plt.style.available)
['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-v0_8', 'seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep', 'seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid', 'tableau-colorblind10']
plt.style.use('fivethirtyeight') #样式设置成fivethirtyeight
fig, ax = plt.subplots()
ax.barh(group_names, group_data)
<BarContainer object of 10 artists>
保存图形
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
print(fig.canvas.get_supported_filetypes())
'''
{'eps': 'Encapsulated Postscript', 'jpg': 'Joint Photographic Experts Group',
'jpeg': 'Joint Photographic Experts Group', 'pdf': 'Portable Document Format',
'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics',
'ps': 'Postscript', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap',
'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics',
'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format'}
'''
{'eps': 'Encapsulated Postscript', 'jpg': 'Joint Photographic Experts Group', 'jpeg': 'Joint Photographic Experts Group', 'pdf': 'Portable Document Format', 'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics', 'ps': 'Postscript', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap', 'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics', 'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format', 'webp': 'WebP Image Format'}"\n{'eps': 'Encapsulated Postscript', 'jpg': 'Joint Photographic Experts Group', \n'jpeg': 'Joint Photographic Experts Group', 'pdf': 'Portable Document Format', \n'pgf': 'PGF code for LaTeX', 'png': 'Portable Network Graphics', \n'ps': 'Postscript', 'raw': 'Raw RGBA bitmap', 'rgba': 'Raw RGBA bitmap', \n'svg': 'Scalable Vector Graphics', 'svgz': 'Scalable Vector Graphics', \n'tif': 'Tagged Image File Format', 'tiff': 'Tagged Image File Format'}\n"
# 保存图形
fig.savefig('山月.png', transparent=False, dpi=80, bbox_inches="tight")
![[嵌入式AI从0开始到入土]9_yolov5在昇腾上推理](https://img-blog.csdnimg.cn/direct/993ed03ce22442aba322d22a0550a23d.png)
