主要内容是Matplotlib库的基本使用和方法

1 Matplotlib库

　　Python优秀的数据可视化第三方库

　　数据可视化就是将数据以特定的图形图像的方式展示出来, 使数据更加的直观明了

　　范例网站

　　Matplotlib库是由各种可视化类构成, 内部结构复杂

　　为了简洁使用, 可以使用matplotlib.pyplot这个绘制各类可视化图形的命令子库, 类似于快捷方式的库来简化操作

　　导入

import matplotlib.pyplot as plt

　　　　同样plt也是约定俗成的别名

　　基本使用

　　　　使用plt.plot(数组)传入数组, 如果只有一个一维数组, 那么数组的值会指定给Y轴, X轴为他们的索引值

　　　　使用plt.ylabel(名字)设置Y轴的名字

　　　　使用plt.savefig(文件名, dpi=dpi的大小)保存图像为图像文件, dpi一般设置为600, 默认是PNG格式保存

　　　　使用plt.show()在IPython中展示生成的图形

　　　　使用plt.axis([x1, x2, y1, y2])可以设置X轴的起点和终点, Y轴的起点和终点

　　　　相关代码如下

import matplotlib.pyplot as plt

plt.plot([0, 2, 4, 6, 8], [3, 1, 4, 5, 2])
plt.ylabel("Y")
plt.axis([-1, 10, 0, 6])
plt.savefig("test", dpi=600)
plt.show()

　　　　相关结果如下

　　　　

　　pyplot的绘图区域

　　　　使用plt.subplot(nrows, ncols, plot_number)在全局绘图区域中创建一个分区体系, 然后指定在哪个子区域里绘图

　　　　其中nrows表示横向划分多少的区域, ncols表示纵向划分多少的区域, 子区域的标号是从1开始的, 从上到下从左到右依次排序

　　　　另外在数量小的时候, 这三个参数之间的逗号可以去掉

　　　　具体代码如下

import numpy as np
import matplotlib.pyplot as plt

def f(t):
return np.exp(-t) * np.cos(2*np.pi*t)

a = np.arange(0.0, 5.0, 0.02)

plt.subplot(211)
plt.plot(a, f(a))

plt.subplot(2,1,2)
plt.plot(a, np.cos(2*np.pi*a), 'r--')
plt.show()

　　　　具体效果如下

　　　　

　　plot()的具体形式如下:

plt.plot(x, y, format_string, **kwargs)

　　　　x: X轴的数据, 可以是列表或者数组, 可选项, 但是当绘制多条曲线的时候, 各条曲线的x不能省略

　　　　y: Y轴的数据, 列表或数组, 必填项

　　　　format_string: 控制曲线的格式的字符串, 可选项

　　　　**kwargs: 第二组或更多的 (x, y, format_string)

　　　　绘制多条图像

import numpy as np
import matplotlib.pyplot as plt

a = np.arange(10)
plt.plot(a, 1.5*a, a, 2.5*a, a, 3.6*a, a, 4.5*a)
plt.show()

　　　　结果为

　　　　

　　曲线的格式控制

　　　　format_string由制颜色字符, 风格字符和标记字符组成

　　　　具体有

　　　　

　　　　

　　　　

　　　　更改之前的风格代码

import numpy as np
import matplotlib.pyplot as plt

a = np.arange(10)
plt.plot(a, 1.5*a, 'go-', a, 2.5*a, 'rx', a, 3.6*a, '*', a, 4.5*a, 'b-.')
plt.show()

　　　　效果为

　　　　

　　关于**kwargs

　　　　可以添加更多更详细的参数

　　　　color: 控制颜色, color="green"

　　　　linestyle: 线条风格, linestyle="dashed"

　　　　marker: 标记风格, marker="o", 这三个和前面的format是对应的, 此外还有

　　　　markerfacecolor: 标记的颜色, markerfacecolor="blue"

　　　　markersize: 标记的尺寸, markersize=20

　　　　…

　　默认情况下, pyplot并不支持中文字符, 在最开始的折线图中, 如果设置ylabel()为中文, 则在图像中不能正常显示

　　要显示中文有种办法

　　1) 使用rcParams

　　　　设置其font.family为中文字符

　　　　具体代码如下

import matplotlib.pyplot as plt
import matplotlib

matplotlib.rcParams['font.family'] = 'SimHei'
plt.plot([0, 2, 4, 6, 8], [3, 1, 4, 5, 2])
plt.ylabel("Y轴坐标")
plt.axis([-1, 10, 0, 6])
plt.savefig("test", dpi=600)
plt.show()

　　　　具体效果

　　　　

　　　　　　其中SimHei是黑体

　　　　具体更多参数

　　　　

　　　　相应的中文字体种类

　　　　

　　　　参考实例

import numpy as np
import matplotlib.pyplot as plt
import matplotlib

matplotlib.rcParams['font.family'] = 'FangSong'
matplotlib.rcParams['font.size'] = 20

a = np.arange(0.0, 5.0, 0.02)

plt.xlabel("X轴: 时间")
plt.ylabel("Y轴: 振幅")

plt.plot(a, np.cos(2*np.pi*a)+1, 'r--')
plt.savefig('test2', dpi=600)
plt.show()

　　　　效果为

　　

　　2) 增加 fontproperties属性

　　　　在上述的例子中, 可以在xlabel中增加参数fontproperties来限定显示的字体, 用此来解决中文显示

　　　　具体代码如下

import numpy as np
import matplotlib.pyplot as plt

a = np.arange(0.0, 5.0, 0.02)

plt.xlabel("X轴: 时间", fontproperties="FangSong", fontsize=20)
plt.ylabel("Y轴: 振幅", fontproperties="FangSong", fontsize=20)

plt.plot(a, np.cos(2*np.pi*a)+1, 'r--')
plt.show()

　　两种方法的区别就是第一种是全局修改, 第二种是指定修改

　　建议使用第二种方法, 但是为了统一可以使用方法一

　　常见的文本显示函数是

　　　　

　　　　其中title会在整个图形的正中上放写上文字

　　具体实例如下

import numpy as np
import matplotlib.pyplot as plt

a = np.arange(0.0, 5.0, 0.02)
plt.plot(a, np.cos(2*np.pi*a)+2, 'r--')

plt.xlabel("X轴: 时间", fontproperties="FangSong", fontsize=15, color='green')
plt.ylabel("Y轴: 振幅", fontproperties="FangSong", fontsize=15)
plt.title(r'正玄波实例$y=cos(2\pi x)$', fontproperties="SimHei", fontsize=25)
plt.text(2, 3, r'$\mu=100$', fontsize=15)

plt.axis([-1, 6, 0, 4])
plt.grid(True)
plt.savefig('test3', dpi=600)
plt.show()

　　效果为

　　

　　其中$$这种是LeTeX的语法

　　title()第一个参数表示横坐标的位置, 第二个参数是纵坐标的位置

　　grid(True)增加网格显示

　　关于annotate函数

plt.annotate(s, xy=arrow_crd, xytext=text_crd, arrowprops=dict)

　　　　s: 要注解的字符串

　　　　xy: 箭头所在的位置, 元组类型

　　　　xytext: 文本显示的位置, 元组类型

　　　　arrowprops: 定义了整个箭头显示的属性, dict()

　　　　　　facecolor="颜色" 箭头的颜色

　　　　　　shrink 起始会按照指定的比例缩进, 这样箭头与两边的内容会留有一下空白

　　　　　　width 箭头的宽度

　　具体代码如下

import numpy as np
import matplotlib.pyplot as plt

a = np.arange(0.0, 5.0, 0.02)
plt.plot(a, np.cos(2*np.pi*a)+2, 'r--')

plt.xlabel("X轴: 时间", fontproperties="FangSong", fontsize=15, color='green')
plt.ylabel("Y轴: 振幅", fontproperties="FangSong", fontsize=15)
plt.title(r'正玄波实例$y=cos(2\pi x)$', fontproperties="SimHei", fontsize=25)
plt.annotate(r"$\mu=100$", xy=(2, 3), xytext=(3, 3.5), arrowprops=dict(
facecolor="black", shrink=0.1, width=2
))

plt.axis([-1, 6, 0, 4])
plt.grid(True)
plt.savefig('test3', dpi=600)
plt.show()

　　效果为

　　

　　使用subplot可以进行简单的分区, 具体实现复杂的分区需要另一个函数

　　plt.subplot2grid()

plt.subplot2grid(GridSpec, CurSpec, colspan=1, rowspan=1)

　　　　基本使用方法是: 先将整个布局进行均分, 然后指定一块小区域作为起始点, 然后使用colspan和rowspan来在横向和纵向上增加小块的个数

　　　　GridSpec: 整体划分, 元组类型

　　　　CurSpec: 指定起始小块位置, 元组类型

　　　　colspan: 横向小块数量

　　　　rawspan: 纵向小块数量

　　　　选择实例:

　　　　

　　使用GridSpec类可以简化操作

　　　　导入

import matplotlib.gridspec as gridspec

　　　　生成gridspec对象

gs = gridspec.GridSpec(3, 3)

　　　　使用切片的方式来获取

　　　　具体如下

　　　　

2 基础绘图函数

　　使用绘制函数的基本思想:

　　　　图像的种类是繁多的, 我们应该专注于选择与更合适的图表来结合数据, 而不是学习使用所有的函数

　　

　　

　　

　　常用于百分比的内容, 尤其是需要对比组成部分, 占有比例的时候, 更是直观

　　生成饼图的函数pie

plt.pie(sizes, explode=(), labels=(), autopct="", shadow=False, startangle=90)

　　　　sizes: 元组类型, 各个成分的占比

　　　　explode: 元组类型, 优先级, 优先级高的会突出来, 为0是正常组成部分

　　　　labels: 各个部分对应的标签名字, 要和sizes对应上

　　　　autopct: 显示比例的格式

　　　　shadow: 是否有阴影

　　　　startangle: 起始绘图时候的角度, 和极坐标角度类似

　　具体实例

import matplotlib.pyplot as plt

labels = "Python", "Java", "C/C++", "C#", "Javascript", "Other"
sizes = [31.2, 19.6, 15.9, 7.4, 3.6, 22.3]
explode = [0.1, 0, 0 ,0 , 0, 0]

plt.pie(sizes, explode=explode, labels=labels, autopct="%.2f%%", shadow=True, startangle=90)

plt.title(r'2015最受欢迎的编程语言', fontproperties="SimHei", fontsize=15)
plt.show()

　　具体效果

　　

　　如果希望图形不是侧着的, 可以使用

plt.axis('equal')

　　使用hist画直方图

hist(x, bins, normed, histtype, facecolor, alpha)

　　　　x: 处理的数据

　　　　bins: 生成的图形中, 直方(在X轴上直立的长条矩形)的个数

　　　　　　具体情况是: 找到x中的最小值和最大值, 然后在这个值域中均分bins份, 每一份都是一个小的值域, x中的元素就会对应的落在相应的值域中, Y轴的值就是在这个值域的数量(normed=False时)

　　　　normed: 为True会归一化成概率, 为False时Y轴显示的是数量, 默认为False

　　  具体代码如下

import numpy as np
import matplotlib.pylab as plt

np.random.seed(0)
mu, sigma = 100, 20
a = np.random.normal(mu, sigma, size=100)

plt.hist(a, 30, normed=False, histtype='stepfilled', facecolor='b',
alpha=0.75)
plt.title("Histogram")

plt.show()

　　效果如下

　　

　　绘制极坐标用

ax = plt.subplot(111, projection='polar')

　　　　通过生成一个对象ax, 来绘制极坐标的图像

　　　　通过ax.bar()来设置图像

bar(left, height, width=0.8, bottom=None, **kwargs)

　　　　　　left: 绘制极坐标时的开始位置, 图中的某个位置

　　　　　　height: 中心点向边界延伸的长度

　　　　　　width: 旋转的宽度

　　具体代码如下

import matplotlib.pylab as plt
import numpy as np

N = 20
theta = np.linspace(0.0, 2*np.pi, N, endpoint=False)
radii = 10*np.random.rand(N)
width = np.pi/4*np.random.rand(N)

ax = plt.subplot(111, projection='polar')
bars = ax.bar(theta, radii, width=width, bottom=0.0)

for r, bar in zip(radii, bars):
bar.set_facecolor(plt.cm.viridis(r/10.))
bar.set_alpha(0.5)

plt.show()

　　具体效果为

　　

　　具体代码

import matplotlib.pylab as plt
import numpy as np

fig, ax = plt.subplots()
ax.plot(10*np.random.random(100), 10*np.random.randn(100), 'o')
ax.set_title("simple Scatter")

plt.show()

　　具体效果

　　

3 引力波的绘制

　　引力波是因为时空弯曲对外以辐射形式传播的能量

　　爱因斯坦的广义相对论预言了引力波的存在

　　产生时间序列

　　读取应变数据

　　绘制H1 Strain

　　显示并保存图像