Matplotlib 基础

Matplotlib 基础

在使用Numpy之前，需要了解一些画图的基础。

Matplotlib是一个类似Matlab的工具包，主页地址为

导入 matplotlib 和 numpy：

In [1]:

%pylab

Using matplotlib backend: Qt4Agg
Populating the interactive namespace from numpy and matplotlib

plot 二维图

plot(y)
plot(x, y)
plot(x, y, format_string)

只给定 y 值，默认以下标为 x 轴：

In [2]:

%matplotlib inline
x = linspace(0, 2 * pi, 50)
plot(sin(x))

Out[2]:

[<matplotlib.lines.Line2D at 0xa086fd0>]

给定 x 和 y 值：

In [3]:

plot(x, sin(x))

Out[3]:

[<matplotlib.lines.Line2D at 0xa241898>]

多条数据线：

In [4]:

plot(x, sin(x),
    x, sin(2 * x))

Out[4]:

[<matplotlib.lines.Line2D at 0xa508b00>,
 <matplotlib.lines.Line2D at 0xa508d30>]

使用字符串，给定线条参数：

In [5]:

plot(x, sin(x), 'r-^')

Out[5]:

[<matplotlib.lines.Line2D at 0xba6ea20>]

多线条：

In [9]:

plot(x, sin(x), 'b-o',
    x, sin(2 * x), 'r-^')

Out[9]:

[<matplotlib.lines.Line2D at 0xbcf1710>,
 <matplotlib.lines.Line2D at 0xbcf1940>]

更多参数设置，请查阅帮助。事实上，字符串使用的格式与Matlab相同。

scatter 散点图

scatter(x, y)
scatter(x, y, size)
scatter(x, y, size, color)

假设我们想画二维散点图：

In [10]:

plot(x, sin(x), 'bo')

Out[10]:

[<matplotlib.lines.Line2D at 0xbd6c0b8>]

可以使用 scatter 达到同样的效果：

In [11]:

scatter(x, sin(x))

Out[11]:

<matplotlib.collections.PathCollection at 0xbd996d8>

事实上，scatter函数与Matlab的用法相同，还可以指定它的大小，颜色等参数：

In [12]:

x = rand(200)
y = rand(200)
size = rand(200) * 30
color = rand(200)
scatter(x, y, size, color)
# 显示颜色条
colorbar()

Out[12]:

<matplotlib.colorbar.Colorbar instance at 0x000000000C31F448>

多图

使用figure()命令产生新的图像：

In [13]:

t = linspace(0, 2*pi, 50)
x = sin(t)
y = cos(t)
figure()
plot(x)
figure()
plot(y)

Out[13]:

[<matplotlib.lines.Line2D at 0xc680cf8>]

或者使用 subplot 在一幅图中画多幅子图：

subplot(row, column, index)

In [15]:

subplot(1, 2, 1)
plot(x)
subplot(1, 2, 2)
plot(y)

Out[15]:

[<matplotlib.lines.Line2D at 0xcd47518>]

向图中添加数据

默认多次 plot 会叠加：

In [16]:

plot(x)
plot(y)

Out[16]:

[<matplotlib.lines.Line2D at 0xcbcfd30>]

可以跟Matlab类似用 hold(False)关掉，这样新图会将原图覆盖：

In [17]:

plot(x)
hold(False)
plot(y)
# 恢复原来设定
hold(True)

Out[17]:

[<matplotlib.lines.Line2D at 0xcf4b9b0>]

坐标轴，标题，网格

可以设置坐标轴的标签和标题：

In [22]:

plot(x, sin(x))
xlabel('radians')
# 可以设置字体大小
ylabel('amplitude', fontsize='large')
title('Sin(x)')

Out[22]:

<matplotlib.text.Text at 0xd727dd8>

用 'grid()' 来显示网格：

In [23]:

plot(x, sin(x))
xlabel('radians')
ylabel('amplitude', fontsize='large')
title('Sin(x)')
grid()

清除、关闭图像

清除已有的图像使用：

clf()

关闭当前图像：

close()

关闭所有图像：

close('all')

imshow 显示图片

灰度图片可以看成二维数组：

In [25]:

# 导入lena图片
from scipy.misc import lena
img = lena()
img

Out[25]:

array([[162, 162, 162, ..., 170, 155, 128],
       [162, 162, 162, ..., 170, 155, 128],
       [162, 162, 162, ..., 170, 155, 128],
       ..., 
       [ 43,  43,  50, ..., 104, 100,  98],
       [ 44,  44,  55, ..., 104, 105, 108],
       [ 44,  44,  55, ..., 104, 105, 108]])

我们可以用 imshow() 来显示图片数据：

In [26]:

imshow(img,
       # 设置坐标范围
      extent = [-25, 25, -25, 25],
       # 设置colormap
      cmap = cm.bone)
colorbar()

Out[26]:

<matplotlib.colorbar.Colorbar instance at 0x000000000DECFD88>

更多参数和用法可以参阅帮助。

这里 cm 表示 colormap，可以看它的种类：

In [28]:

dir(cm)

Out[28]:

[u'Accent',
 u'Accent_r',
 u'Blues',
 u'Blues_r',
 u'BrBG',
 u'BrBG_r',
 u'BuGn',
 u'BuGn_r',
 u'BuPu',
 u'BuPu_r',
 u'CMRmap',
 u'CMRmap_r',
 u'Dark2',
 u'Dark2_r',
 u'GnBu',
 u'GnBu_r',
 u'Greens',
 u'Greens_r',
 u'Greys',
 u'Greys_r',
 'LUTSIZE',
 u'OrRd',
 u'OrRd_r',
 u'Oranges',
 u'Oranges_r',
 u'PRGn',
 u'PRGn_r',
 u'Paired',
 u'Paired_r',
 u'Pastel1',
 u'Pastel1_r',
 u'Pastel2',
 u'Pastel2_r',
 u'PiYG',
 u'PiYG_r',
 u'PuBu',
 u'PuBuGn',
 u'PuBuGn_r',
 u'PuBu_r',
 u'PuOr',
 u'PuOr_r',
 u'PuRd',
 u'PuRd_r',
 u'Purples',
 u'Purples_r',
 u'RdBu',
 u'RdBu_r',
 u'RdGy',
 u'RdGy_r',
 u'RdPu',
 u'RdPu_r',
 u'RdYlBu',
 u'RdYlBu_r',
 u'RdYlGn',
 u'RdYlGn_r',
 u'Reds',
 u'Reds_r',
 'ScalarMappable',
 u'Set1',
 u'Set1_r',
 u'Set2',
 u'Set2_r',
 u'Set3',
 u'Set3_r',
 u'Spectral',
 u'Spectral_r',
 u'Wistia',
 u'Wistia_r',
 u'YlGn',
 u'YlGnBu',
 u'YlGnBu_r',
 u'YlGn_r',
 u'YlOrBr',
 u'YlOrBr_r',
 u'YlOrRd',
 u'YlOrRd_r',
 '__builtins__',
 '__doc__',
 '__file__',
 '__name__',
 '__package__',
 '_generate_cmap',
 '_reverse_cmap_spec',
 '_reverser',
 'absolute_import',
 u'afmhot',
 u'afmhot_r',
 u'autumn',
 u'autumn_r',
 u'binary',
 u'binary_r',
 u'bone',
 u'bone_r',
 u'brg',
 u'brg_r',
 u'bwr',
 u'bwr_r',
 'cbook',
 'cmap_d',
 'cmapname',
 'colors',
 u'cool',
 u'cool_r',
 u'coolwarm',
 u'coolwarm_r',
 u'copper',
 u'copper_r',
 'cubehelix',
 u'cubehelix_r',
 'datad',
 'division',
 u'flag',
 u'flag_r',
 'get_cmap',
 u'gist_earth',
 u'gist_earth_r',
 u'gist_gray',
 u'gist_gray_r',
 u'gist_heat',
 u'gist_heat_r',
 u'gist_ncar',
 u'gist_ncar_r',
 u'gist_rainbow',
 u'gist_rainbow_r',
 u'gist_stern',
 u'gist_stern_r',
 u'gist_yarg',
 u'gist_yarg_r',
 u'gnuplot',
 u'gnuplot2',
 u'gnuplot2_r',
 u'gnuplot_r',
 u'gray',
 u'gray_r',
 u'hot',
 u'hot_r',
 u'hsv',
 u'hsv_r',
 u'jet',
 u'jet_r',
 'ma',
 'mpl',
 u'nipy_spectral',
 u'nipy_spectral_r',
 'np',
 u'ocean',
 u'ocean_r',
 'os',
 u'pink',
 u'pink_r',
 'print_function',
 u'prism',
 u'prism_r',
 u'rainbow',
 u'rainbow_r',
 'register_cmap',
 'revcmap',
 u'seismic',
 u'seismic_r',
 'six',
 'spec',
 'spec_reversed',
 u'spectral',
 u'spectral_r',
 u'spring',
 u'spring_r',
 u'summer',
 u'summer_r',
 u'terrain',
 u'terrain_r',
 'unicode_literals',
 u'winter',
 u'winter_r']

使用不同的 colormap 会有不同的显示效果。

In [29]:

imshow(img, cmap=cm.RdGy_r)

Out[29]:

<matplotlib.image.AxesImage at 0xe0883c8>

从脚本中运行

在脚本中使用 plot 时，通常图像是不会直接显示的，需要增加 show() 选项，只有在遇到 show() 命令之后，图像才会显示。

直方图

从高斯分布随机生成1000个点得到的直方图：

In [30]:

hist(randn(1000))

Out[30]:

(array([   2.,    7.,   37.,  119.,  216.,  270.,  223.,   82.,   31.,   13.]),
 array([-3.65594649, -2.98847032, -2.32099415, -1.65351798, -0.98604181,
        -0.31856564,  0.34891053,  1.0163867 ,  1.68386287,  2.35133904,
         3.01881521]),
 <a list of 10 Patch objects>)