簡述
Matplotlib是一個基于python的2D畫圖庫，能夠用python腳本方便的畫出折線圖，直方圖，功率譜圖，散點圖等常用圖表，而且語法簡單。具體介紹見matplot官網。
Numpy（Numeric Python）是一個模仿matlab的對python數值運算進行的擴展，提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理，以及精密的運算庫。專為進行嚴格的數字處理而產生，而且據說自從他出現了以后，NASA就把很多原來用fortran和matlab做的工作交給了numpy來做了，可見其強大。。。他的官網在這里，具體的資料都在里面。
安裝
|
1
2
|
$sudo apt-get install python-matplotlib$sudo apt-get install python-numpy |
(牛力大法好～)
使用
matplotlib可以在腳本中使用，不過如果在ipython中使用則會更加炫（直接添加–pylab參數可以免去導包的過程），而且能得到類似Matlab/Mathematica一樣的功能，即時輸入，即時輸出。個人覺得說白了他就是模仿Matlab/Mathematica的，但是的確比前者更加方便編程。
很多情況下matplot需要配合numpy包一起用，關于numpy包我不打算分開來說，用到的時候提一下就行。有一點需要注意的是，numpy包通常是這樣導入的：
|
1
|
import numpy as np |
會給他起一個叫np的別名，而且這幾乎已經是約定俗成了。
在python或者ipython中輸入help(*需要查找的函數*) 就行（當然需要先導入下包）。
第一個圖像
需要導入的包：
|
1
2
|
import numpy as npfrom pylab import * |
第一個函數圖像
|
1
2
3
4
5
|
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() |
有matlab基礎的同學肯定不陌生。。。是的，這兩個模塊的組合幾乎就跟matlab的用法無二。。
１、首先用np.linspace方法生成一個數組X，這個數組是從$-\pi$開始到$\pi$的總共包含256個元素的數組，endpoint參數表示是否包含首尾端點(他的值是True或False，首字母要大寫。。。。)。當然，這個數組就是一個普通的數組了，跟其他數組沒有區別。
２、然后用np.cos()和np.sin()方法作用在X數組上，對于X中的每一個元素進行計算，生成結果數組。(免去了迭代的過程)。
３、接著調用pylab的plot方法，第一個參數是橫坐標數組，第二個參數是縱坐標數組，其他參數暫且不談。這樣他會生成一個默認的圖表了。(不會立刻顯示)
４、當然，最后還要調用show方法來顯示圖表。
５、結果：
圖表的名字叫figure1，左下面有幾個按鈕，都是很實用的東西，右下角會顯示當前鼠標左邊，也很方便。
圖表布局和坐標分布
每一個圖表都是在一個figure里面，我們可以通過如下命令生成一個空的figure：
|
1
|
figure(figsize=(8,6), dpi=80) |
這里參數的順序沒有要求，但是一定要加上參數名，因為他是根據參數名來區別每個參數的，是一種跟C語言類型不同的函數。figsize參數表示figure的寬高比，然后dpi表示每一份占的長度，比如這里就表示圖像是640x480的。
輸出命令之后會立刻出現一個窗口，接下來所有的plot命令都會立刻顯示在這個窗口上而不用再輸入show命令了。
一個figure里也能顯示多個圖表，我們可以用如下函數來分割一個figure:
|
1
|
subplot(3,4,6) |
這樣就會把當前的figure分割成３行４列的表，而激活其中的第６張，即第２行第３張。以后的plot都是在這一個子表上生成的，如果需要更換則可以重新輸入subplot命令來確定其新的位置。
除此之外，如果我們對圖表顯示的范圍不滿意，我們還可以直接調整圖表的坐標范圍：
|
1
2
|
xlim(-4.0,4.0)ylim(-1.0,1.0) |
這就表示x軸的范圍設置在-4到4，y軸的范圍設置在-1到1。當然，如果是想相對的進行修改我們可以利用下numpy數組的min和max方法。比如X.min() 這樣的東西。
如果對坐標顯示的密度啊什么的不滿意，我們也可以調節他的標注點：
|
1
2
|
xticks(np.linspace(-4,4,9,endpoint=True))yticks(np.linspace(-1,1,5,endpoint=True)) |
對于xticks和yticks，我們實際上可以傳入任意的數組，這里不過是為了方便而用numpy快速生成的等差數列。
當然，我們也可以給標注點進行任意的命名，像下面這樣：
|
1
|
xticks([1,2,3,4,5],['one','two','three','four','five']) |
效果也很好想象，就不貼圖了。需要注意的是這里也可以支持LaTex語法，將LaTex引用在兩個$之間就可以了。（關于LaTex）
這里也有個小竅門，就是如果想不顯示標注的話，我們就可以直接給xticks賦一個空的數組。
更改色彩和線寬
我們可以在畫plot的時候用如下方法指定他的顏色和線寬：
|
1
|
plot(X, C, color='#cadae3', linestyle='-',linewidth=1.3, marker='o', markerfacecolor='blue', markersize=12,) |
同樣，這里參數的順序不重要，名字才重要。
color參數可以指定RGB的色相，也可以用一些默認的名字，比如red blue之類的。
linestyle參數則指定了線的樣式，具體參照以下樣式：
| 參數 | 樣式 |
|---|---|
| ‘-‘ | 實線 |
| ‘–' | 虛線 |
| ‘-.' | 線-點 |
| ‘:' | 點虛線 |
linewidth參數指定折線的寬度，是個浮點數。
marker參數指定散點的樣式，具體參照以下樣式：
| 參數 | 樣式 |
|---|---|
| ‘.' | 實心點 |
| ‘o' | 圓圈 |
| ‘,' | 一個像素點 |
| ‘x' | 叉號 |
| ‘+' | 十字 |
| ‘*' | 星號 |
| ‘^' ‘v' ‘<' ‘>' | 三角形(上下左右) |
| ‘1' ‘2' ‘3' ‘4' | 三叉號（上下左右） |
markerfacecolor參數指定marker的顏色
markersize參數指定marker的大小
這樣就基本上能夠自定義任何的折線圖、散點圖的樣式了。
移動軸線
這段有點小復雜，暫時不想具體了解奇奇怪怪的函數調用，姑且先記錄下用法和原理：
|
1
2
3
4
5
6
7
|
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)) |
我們知道一張圖有上下左右四個軸線，這里我們把右邊和上邊的軸線顏色調為透明，然后把下邊設置到y軸數據為0的地方，把左邊設置到x軸數據為0的地方。這樣我們就能根據自己想要位置來調節軸線了。
比如下面這段官方的代碼：
|
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
|
# -----------------------------------------------------------------------------# Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved.# Distributed under the (new) BSD License. See LICENSE.txt for more info.# -----------------------------------------------------------------------------import numpy as npimport matplotlib.pyplot as pltplt.figure(figsize=(8,5), dpi=80)ax = plt.subplot(111)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))X = np.linspace(-np.pi, np.pi, 256,endpoint=True)C,S = np.cos(X), np.sin(X)plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-")plt.plot(X, S, color="red", linewidth=2.5, linestyle="-")plt.xlim(X.min()*1.1, X.max()*1.1)plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])plt.ylim(C.min()*1.1,C.max()*1.1)plt.yticks([-1, 0, +1], [r'$-1$', r'$0$', r'$+1$'])plt.show() |
顯示的結果就是：
圖例和注解
圖例十分簡單，下述代碼就可以解決：
|
1
2
3
|
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') |
在plot里指定label屬性就好了，最后調用下legend函數來確定圖例的位置，一般就是'upper left'就好了。
注解就有點麻煩了，要用到annotate命令，挺復雜的，暫時是在不想看，姑且貼一段完整的代碼和效果圖吧：
|
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
|
# -----------------------------------------------------------------------------# Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved.# Distributed under the (new) BSD License. See LICENSE.txt for more info.# -----------------------------------------------------------------------------import numpy as npimport matplotlib.pyplot as pltplt.figure(figsize=(8,5), dpi=80)ax = plt.subplot(111)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))X = np.linspace(-np.pi, np.pi, 256,endpoint=True)C,S = np.cos(X), np.sin(X)plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")plt.plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")plt.xlim(X.min()*1.1, X.max()*1.1)plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])plt.ylim(C.min()*1.1,C.max()*1.1)plt.yticks([-1, +1], [r'$-1$', r'$+1$'])t = 2*np.pi/3plt.plot([t,t],[0,np.cos(t)], color ='blue', linewidth=1.5, linestyle="--")plt.scatter([t,],[np.cos(t),], 50, color ='blue')plt.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"))plt.plot([t,t],[0,np.sin(t)], color ='red', linewidth=1.5, linestyle="--")plt.scatter([t,],[np.sin(t),], 50, color ='red')plt.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"))plt.legend(loc='upper left', frameon=False)plt.savefig("../figures/exercice_9.png",dpi=72)plt.show() |
效果圖：
還是十分高能的。。。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家學習或者使用python能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對服務器之家的支持。
原文鏈接：https://blog.mythsman.com/2016/01/23/2/
