思维导图备注

SciPy Lecture Notes 中文版（Python科学计算生态的介绍的中文翻译）
首页 白天 夜间 BookChat 小程序 小程序 阅读
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

1.4.2.5 设置坐标轴刻度值

 来源:cloga 浏览 511 扫码 分享 2020-03-15 10:49:52
  • 1.4.2.5 设置坐标轴刻度值

    1.4.2.5 设置坐标轴刻度值

    提示：文档

    • xticks()命令
    • yticks()命令
    • 刻度容器
    • 刻度位置和格式

    现在的刻度不太理想，因为他们没有显示对于sine和cosine有意义的值（+/-π,+/-π/2）。我们将改变这些刻度，让他们只显示这些值。

    1. pl.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
    2. pl.yticks([-1, 0, +1])

    plot_exercice_5_1.png

    当前内容版权归 cloga 或其关联方所有，如需对内容或内容相关联开源项目进行关注与资助，请访问 cloga .
    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • 介绍
    • 1.1 科学计算工具及流程
      • 1.1.1 为什么是Python？
      • 1.1.2 Python科学计算的构成
      • 1.1.3 交互工作流：IPython和文本编辑器
    • 1.2 Python语言
      • 1.2.1 第一步
      • 1.2.2 基础类型
        • 1.2.2.1 数值类型
        • 1.2.2.2 容器
      • 1.2.3 流程控制
        • 1.2.3.1 if/elif/else
        • 1.2.3.2 for/range
        • 1.2.3.3 while/break/continue
        • 1.2.3.4 条件表达式
        • 1.2.3.5. 高级循环
      • 1.2.4. 定义函数
        • 1.2.4.1 函数的定义
        • 1.2.4.2 返回语句
        • 1.2.4.3 参数
        • 1.2.4.4 值传递
        • 1.2.4.5 全局变量
        • 1.2.4.6 可变数量参数
        • 1.2.4.7 Docstrings
        • 1.2.4.8 函数作为对象
        • 1.2.4.9 方法
        • 1.2.4.10. 练习
    • 1.3 NumPy：创建和操作数值数据
      • 1.3.1 Numpy 数组对象
        • 1.3.1.1 什么是Numpy以及Numpy数组？
        • 1.3.1.2 创建数组
        • 1.3.1.3基础数据类型
        • 1.3.1.4基本可视化
        • 1.3.1.6 副本和视图
      • 1.3.2 数组的数值操作
        • 1.3.2.1 元素级操作
        • 1.3.2.2 基础简化
        • 1.3.2.3 广播
        • 1.3.2.4数组形状操作
        • 1.3.2.5 数据排序
        • 1.3.2.6 总结
      • 1.3.3 数据的更多内容
        • 1.3.3.1 更多的数据类型
        • 1.3.3.2 结构化的数据类型
        • 1.3.3.3 面具数组（maskedarray）: 处理缺失值（的传播）
      • 1.3.4 高级操作
        • 1.3.4.1. 多项式
        • 1.3.4.2 加载数据文件
      • 1.3.5 一些练习
        • 1.3.5.1 数组操作
        • 1.3.5.2 图片操作：给Lena加边框
        • 1.3.5.3 数据统计
        • 1.3.5.4 粗略积分估计
        • 1.3.5.5 Mandelbrot集合
        • 1.3.5.6 马尔科夫链
    • 1.4 Matplotlib：绘图
      • 1.4.1 简介
      • 1.4.2 简单绘图
        • 1.4.2.1 用默认设置绘图
        • 1.4.2.2 默认值示例
        • 1.4.2.3 改变颜色和线宽度
        • 1.4.2.4 设置极值
        • 1.4.2.5 设置坐标轴刻度值
        • 1.4.2.6 设置刻度标签
        • 1.4.2.7 移动脊柱
        • 1.4.2.8 添加图例
        • 1.4.2.9 标注一些点
        • 1.4.2.10 细节是魔鬼
      • 1.4.3 图形、子图、轴和刻度
        • 1.4.3.1 图形
        • 1.4.3.2 子图
        • 1.4.3.3 轴
        • 1.4.3.4 刻度
      • 1.4.4 其他类型的图形：例子与练习
        • 1.4.4.1 常规图形
        • 1.4.4.2 散点图
        • 1.4.4.3 柱状图
        • 1.4.4.4 轮廓图
        • 1.4.4.5 Imshow
        • 1.4.4.6 饼图
        • 1.4.4.7 梯度图
        • 1.4.4.8 网格
        • 1.4.4.9 多图
        • 1.4.4.10 极坐标系
        • 1.4.4.11 3D绘图
        • 1.4.4.12 文本
      • 1.4.5 这本教程之外
        • 1.4.5.1 教程
        • 1.4.5.2 Matplotlib文档
        • 1.4.5.3 代码文档
        • 1.4.5.4 画廊
        • 1.4.5.5 邮件列表
      • 1.4.6 快速参考
    • 1.5 Scipy：高级科学计算
      • 1.5.1 文件输入/输出：scipy.io
      • 1.5.2 特殊函数：scipy.special
      • 1.5.3 线性代数操作：scipy.linalg
      • 1.5.4 快速傅立叶变换：scipy.fftpack
      • 1.5.5 优化及拟合：scipy.optimize
      • 1.5.6. 统计和随机数：scipy.stats
      • 1.5.7 插值：scipy.interpolate
      • 1.5.8 数值积分：
      • 1.5.9 信号处理：scipy.signal
      • 1.5.10 图像处理：scipy.ndimage
      • 1.5.11 科学计算的总结练习
    • 1.6 获取帮助及寻找文档
    • 2.1 Python高级功能（Constructs）
      • 2.1.1 迭代器、生成器表达式和生成器
        • 2.1.1.5 生成器链
        • 2.1.1.1 迭代器
        • 2.1.1.2 生成器表达式
        • 2.1.1.3 生成器
        • 2.1.1.4 双向沟通
      • 2.1.2 修饰器
        • 2.1.2.8 更多例子和阅读
        • 2.1.2.1 替换或调整原始对象
        • 2.1.2.2 像类和函数一样实现修饰器
        • 2.1.2.3 复制原始函数的文档字符串和其他属性
        • 2.1.2.4 标准类库中的实例
        • 2.1.2.5 函数废弃
        • 2.1.2.6 A while-loop删除修饰器
        • 2.1.2.7 插件注册系统
      • 2.1.3 上下文管理器
        • 2.1.3.1 捕捉异常
        • 2.1.3.2 使用生成器定义上下文管理器
    • 2.2 高级Numpy
      • 2.2.1 ndarray的一生
        • 2.2.1.1 它是…
        • 2.2.1.2 内存块
        • 2.2.1.3 数据类型
        • 2.2.1.4 索引体系：步幅
        • 2.2.1.5 剖析上的发现
      • 2.2.2 通用函数
        • 2.2.2.1 他们是什么？
        • 2.2.2.2 练习：从0开始构建一个ufunc
        • 2.2.2.4 广义ufuncs
      • 2.2.3 互操性功能
        • 2.2.3.1 多维度类型数据贡献
        • 2.2.3.2 旧的buffer协议
        • 2.2.3.3 旧的buffer协议
        • 2.2.3.4 数组接口协议
      • 2.2.4 数组的兄弟：chararray、maskedarray、matrix
        • 2.2.4.1 chararray：: 向量化字符操作
        • 2.2.4.2 masked_array缺失数据
        • 2.2.4.3 recarray：仅仅方便
        • 2.2.4.4 矩阵：方便？
      • 2.2.5 总结
      • 2.2.6 为Numpy/Scipy做贡献
    • 2.3 代码除错
      • 2.3.1 避免bugs
      • 2.3.2 除错工作流
      • 2.3.3 使用Python除错器
      • 2.3.4 用gdb除错段错误（segmentation faults）
    • 2.4 代码优化
      • 2.4.1 优化工作流
      • 2.4.2剖析Python代码
      • 2.4.3 让代码更快
      • 2.4.4 写更快的数值代码
    • 2.5 SciPy中稀疏矩阵
      • 2.5.1 介绍
      • 2.5.2 存储机制
        • 2.5.2.1 通用方法
        • 2.5.2.2 稀疏矩阵类
        • 2.5.2.3 总结
    • 2.6 使用Numpy和Scipy进行图像操作及处理
      • 2.6.1 打开和写入图像文件
      • 2.6.2 显示图像
      • 2.6.3 基础操作
      • 2.6.4 图像过滤
      • 2.6.6 测量对象属性: ndimage.measurements
    • 2.7 数学优化：找到函数的最优解
      • 2.7.1 了解你的问题
      • 2.7.2 不同最优化方法的回顾
        • 2.7.2.1 入门: 一维最优化
        • 2.7.2.2 基于梯度的方法
        • 2.7.2.3 牛顿和拟牛顿法
        • 2.7.2.4 较少梯度方法
        • 2.7.2.5 全局最优化算法
      • 2.7.3 使用scipy优化的现实指南
      • 2.7.4 特殊案例: 非线性最小二乘
      • 2.7.5 有限制条件的优化
    • 2.8 与C进行交互
      • 2.8.1 简介
      • 2.8.2 Python-C-Api
      • 2.8.3. Ctypes
      • 2.8.4 SWIG
      • 2.8.5 Cython
      • 2.8.7 Further Reading and References
      • 2.8.8 练习
    • 3.1 Python中的统计学
      • 3.1.1 数据表征和交互
        • 3.1.1.1 数据作为表格
        • 3.1.1.2 panda data-frame
      • 3.1.2 假设检验: 比较两个组
      • 3.1.3 线性模型、多因素和因素分析
        • 3.1.3.1 用“公式” 来在Python中指定统计模型
        • 3.1.3.2 多元回归: 包含多因素
        • 3.1.3.3 事后假设检验: 方差分析 (ANOVA))
      • 3.1.4 更多可视化: 用seaborn来进行统计学探索
      • 3.1.5 交互作用检验
      • 3.1.6 完整例子
    • 3.2 Sympy：Python中的符号数学
      • 3.2.1 SymPy第一步
      • 3.2.2 代数运算
      • 3.2.2.2 化简
      • 3.2.3 微积分
        • 3.2.3.1 极限
        • 3.2.3.2 微分法
        • 3.2.3.3 序列展开
        • 3.2.3.4 积分法
      • 3.2.4 方程求解
        • 3.2.4.1 练习
      • 3.2.5 线性代数
        • 3.2.5.2 微分方程
    • 3.3 Scikit-image：图像处理
      • 3.3.1 介绍和观点
      • 3.3.2 输入/输出, 数据类型和颜色空间
    • 3.4 Traits：创建交互对话
      • Python中高级程序员
      • 3.4.1 介绍
      • 3.4.2 例子
      • 3.4.3 Traits是什么
    • 3.5 使用Mayavi进行3D作图
    • 3.6 scikit-learn：Python中的机器学习
      • 3.5.1 加载样例数据集
      • 3.5.2 分类
      • 3.5.3 聚类 : 将观察值分组
      • 3.5.4 使用主成分分析的降维
      • 3.5.5 把所有的东西放在一起: 面孔识别
      • 3.5.6 线性模型: 从回归到简约
      • 3.5.7 模型选择: 选择预测器及其参数
    暂无相关搜索结果！

      本文档使用 BookStack 构建

      展开/收起文章目录

      分享，让知识传承更久远

      文章二维码

      手机扫一扫，轻松掌上读

      文档下载

      • 普通下载
      • 下载码下载(免登录无限下载)
      你与大神的距离，只差一个APP
      APP下载
      请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
      PDF文档 EPUB文档 MOBI文档
      温馨提示 每天每在网站阅读学习一分钟时长可下载一本电子书，每天连续签到可增加阅读时长
      下载码方式下载：免费、免登录、无限制。 免费获取下载码

      微信小程序阅读

      BookChat 微信小程序阅读
      您与他人的薪资差距，只差一个随时随地学习的小程序

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度