http://www.jianshu.com/p/51f6562e1884
https://morvanzhou.github.io/tutorials/data-manipulation/plt/3-3-contours/
https://github.com/MorvanZhou/tutorials/tree/master/matplotlibTUT
https://github.com/jiandanjinxin/tf-dev-summit-tensorboard-tutorial
https://github.com/jiandanjinxin/tensorflow-mnist-tutorial
matplotlib標准模式
plt.figure(num=5, figsize=(8,5),)
#plt.figure(num='newimage', figsize=(8,5),)
plt.title('The image title', color='#0000FF')
plt.imshow(lena) # 顯示圖片
plt.axis('off') # 不顯示坐標軸
plt.show()
# 1、顯示圖片
import matplotlib.pyplot as plt #plt 用於顯示圖片
import matplotlib.image as mpimg #mpimg 用於讀取圖片
import numpy as np
lena = mpimg.imread('lena.png') #讀取和代碼處於同一目錄下的lena.png
# 此時 lena 就已經是一個 np.array 了，可以對它進行任意處理
lena.shape #(512, 512, 3)
plt.figure(num=1, figsize=(8,5),)
plt.title('The image title')
plt.imshow(lena) # 顯示圖片
plt.axis('off') # 不顯示坐標軸
plt.show()
# 2、顯示圖片的第一個通道
lena_1 = lena[:,:,0]
plt.figure(num=2, figsize=(8,5),)
plt.imshow('lena_1')
plt.title('The image title')
plt.axis('off')
plt.show()
# 此時會發現顯示的是熱量圖，不是我們預想的灰度圖，可以添加 cmap 參數，有如下幾種添加方法：
#方法一
plt.figure(num=1, figsize=(8,5),)
plt.imshow('lena_1', cmap='Greys_r')
plt.title('The image title')
plt.axis('off')
plt.show()
#方法二
plt.figure(num=2, figsize=(8,5),)
img = plt.imshow('lena_1')
img.set_cmap('gray') # 'hot' 是熱量圖
plt.title('The image title')
plt.axis('off')
plt.show()
#3、將 RGB 轉為灰度圖
def rgb2gray(rgb):
return np.dot(rgb[...,:3], [0.299, 0.587, 0.114])
gray = rgb2gray(lena)
# 也可以用 plt.imshow(gray, cmap = plt.get_cmap('gray'))
plt.figure(num=3, figsize=(8,5),)
plt.imshow(gray, cmap='Greys_r')
plt.title('The image title')
plt.axis('off')
plt.show()
#4、對圖像進行放縮
from scipy import misc
lena_new_sz = misc.imresize(lena, 0.5) # 第二個參數如果是整數，則為百分比，如果是tuple，則為輸出圖像的尺寸
plt.figure(num=4, figsize=(8,5),)
plt.imshow(lena_new_sz)
plt.title('The image title')
plt.axis('off')
plt.show()
附上imresize的用法
功能：改變圖像的大小。
用法：
B = imresize(A,m)
B = imresize(A,m,method)
B = imresize(A,[mrows ncols],method)
B = imresize(...,method,n)
B = imresize(...,method,h)
imrersize函數使用由參數method指定的插值運算來改變圖像的大小。
method的幾種可選值：
'nearest'（默認值）最近鄰插值
'bilinear'雙線性插值
'bicubic'雙三次插值
B = imresize(A,m)表示把圖像A放大m倍
B = imresize(...,method,h)中的h可以是任意一個FIR濾波器（h通常由函數ftrans2、fwind1、fwind2、或fsamp2等生成的二維FIR濾波器）。
#5、保存 matplotlib 畫出的圖像
plt.savefig('lena_new_sz.png')
#5、將 array 保存為圖像
from scipy import misc
misc.imsave('lena_new_sz.png', lena_new_sz)
#5、直接保存 array
#讀取之后還是可以按照前面顯示數組的方法對圖像進行顯示，這種方法完全不會對圖像質量造成損失
np.save('lena_new_sz', lena_new_sz) # 會在保存的名字后面自動加上.npy
img = np.load('lena_new_sz.npy') # 讀取前面保存的數組
matplotlib畫圖清空圖片
fig = plt.figure(0) # 新圖 0
plt.savefig() # 保存
plt. close(0) # 關閉圖 0
還有簡便的 plt.close('all') 關閉所有圖,不用管 fig 號碼
fig = plt.figure() # 新圖 0
plt.savefig() # 保存
plt.close('all') # 關閉圖 0
matplotlib-數據可視化
Some plots from these tutorials:
單個圖像繪制
import matplotlib.pyplot as plt
import numpy as np
#使用np.linspace定義x：范圍是(-1,1);個數是50. 仿真一維數據組(x ,y)表示曲線1
x = np.linspace(-1,1,50)
y = 2*x +1
#使用plt.figure定義一個圖像窗口. 使用plt.plot畫(x ,y)曲線. 使用plt.show顯示圖像
plt.figure(num=1, figsize=(8,5),)
plt.plot(x,y)
plt.show()
多個圖像繪制和同一個figure多個圖片
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3,3,50)
y1 = 2*x
y2 = x**2
plt.figure(num=2, figsize=(8,5),)
plt.plot(x, y1)
plt.show()
plt.figure(num=3, figsize=(8,5),)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--)
plt.plot(x,y2)
plt.show()
設置坐標軸1
調整名字和間隔
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
#使用plt.figure定義一個圖像窗口. 使用plt.plot畫(x ,y2)曲線. 使用plt.plot畫(x ,y1)曲線，曲線的顏色屬性(color)為紅色;曲線的寬度(linewidth)為1.0；曲線的類型(linestyle)為虛線.
plt.figure()
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
#使用plt.xlim設置x坐標軸范圍：(-1, 2)； 使用plt.ylim設置y坐標軸范圍：(-2, 3)； 使用plt.xlabel設置x坐標軸名稱：’I am x’； 使用plt.ylabel設置y坐標軸名稱：’I am y’；
plt.xlim((-1, 2))
plt.ylim((-2, 3))
plt.xlabel('I am x')
plt.ylabel('I am y')
plt.show()
#使用np.linspace定義范圍以及個數：范圍是(-1,2);個數是5. 使用print打印出新定義的范圍. 使用plt.xticks設置x軸刻度：范圍是(-1,2);個數是5.
new_ticks = np.linspace(-1, 2, 5)
print(new_ticks)
plt.xticks(new_ticks)
使用plt.yticks設置y軸刻度以及名稱：刻度為[-2, -1.8, -1, 1.22, 3]；對應刻度的名稱為[‘really bad’,’bad’,’normal’,’good’, ‘really good’]. 使用plt.show顯示圖像
plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad\ \alphas$', r'$normal$', r'$good$', r'$really\ good$'])
plt.show()
#r 正則表達，改變字體加$. \alphas，轉字符\。
設置坐標軸2
設置不同名字和位置
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
plt.figure()
plt.plot(x, y2)
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
plt.xlim((-1, 2))
plt.ylim((-2, 3))
new_ticks = np.linspace(-1, 2, 5)
plt.xticks(new_ticks)
plt.yticks([-2, -1.8, -1, 1.22, 3],['$really\ bad$', '$bad$', '$normal$', '$good$', '$really\ good$'])
#使用plt.gca獲取當前坐標軸信息get current axis. 使用.spines設置邊框：右側邊框；使用.set_color設置邊框顏色：默認白色； 使用.spines設置邊框：上邊框；使用.set_color設置邊框顏色：默認白色；
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
plt.show()
#spines脊梁，實際上是四個邊框。
調整坐標軸
#使用.xaxis.set_ticks_position設置x坐標刻度數字或名稱的位置：bottom.（所有位置：top，bottom，both，default，none）
ax.xaxis.set_ticks_position('bottom')
#使用.spines設置邊框：x軸；使用.set_position設置邊框位置：y=0的位置；（位置所有屬性：outward，axes，data）
ax.spines['bottom'].set_position(('data', 0))
plt.show()
#使用.yaxis.set_ticks_position設置y坐標刻度數字或名稱的位置：left.（所有位置：left，right，both，default，none）
ax.yaxis.set_ticks_position('left')
#使用.spines設置邊框：y軸；使用.set_position設置邊框位置：x=0的位置；（位置所有屬性：outward，axes，data） 使用plt.show顯示圖像.
ax.spines['left'].set_position(('data',0))
plt.show()
Legend 圖例
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y1 = 2*x + 1
y2 = x**2
plt.figure()
# set x limits
plt.xlim((-1, 2))
plt.ylim((-2, 3))
# set new sticks
new_sticks = np.linspace(-1, 2, 5)
plt.xticks(new_sticks)
# set tick labels
plt.yticks([-2, -1.8, -1, 1.22, 3],
[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
#本節中我們將對圖中的兩條線繪制圖例，首先我們設置兩條線的類型等信息（藍色實線與紅色虛線).
l1, = plt.plot(x, y2, label='linear line')
l2, = plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--', label='square line')
#egend將要顯示的信息來自於上面代碼中的 label. 所以我們只需要簡單寫下一下代碼, plt 就能自動的為我們添加圖例.
plt.legend(loc='upper right')
參數loc='upper right'
表示圖例將添加在圖中的右上角.
調整位置和名稱
#如果我們想單獨修改之前的 label 信息, 給不同類型的線條設置圖例信息. 我們可以在 plt.legend 輸入更多參數. 如果以下面這種形式添加 legend, 我們需要確保, 在上面的代碼 plt.plot(x, y2, label='linear line') 和 plt.plot(x, y1, label='square line') 中有用變量 l1 和 l2 分別存儲起來. 而且需要注意的是 l1, l2,要以逗號結尾, 因為plt.plot() 返回的是一個列表.
plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='best')
# the "," is very important in here l1, = plt... and l2, = plt... for this step
"""legend( handles=(line1, line2, line3),
labels=('label1', 'label2', 'label3'),
'upper right')
The *loc* location codes are::
'best' : 0, (currently not supported for figure legends)
'upper right' : 1,
'upper left' : 2,
'lower left' : 3,
'lower right' : 4,
'right' : 5,
'center left' : 6,
'center right' : 7,
'lower center' : 8,
'upper center' : 9,
'center' : 10,"""
plt.show()
最后我們得到帶有圖例信息的圖片.
Annotation 標注
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = 2*x + 1
plt.figure(num=1, figsize=(8, 5),)
plt.plot(x, y,)
移動坐標
然后我們挪動坐標軸的位置.
ax = plt.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))
然后標注出點(x0, y0)的位置信息. 用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)
畫出一條垂直於x軸的虛線.
x0 = 1
y0 = 2*x0 + 1
plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5)#虛線， k代表黑色 -- 虛線
plt.scatter([x0, ], [y0, ], s=50, color='b')# 散點圖
添加注釋 annotate
接下來我們就對(x0, y0)這個點進行標注.
# method 1:
#####################
plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),
textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
其中參數xycoords='data'
是說基於數據的值來選位置,xytext=(+30, -30)
和textcoords='offset points'
對於標注位置的描述 和 xy 偏差值,arrowprops
是對圖中箭頭類型的一些設置.
添加注釋 text
# method 2:
########################
plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',
fontdict={'size': 16, 'color': 'r'})
plt.show()
其中-3.7, 3,
是選取text的位置, 空格需要用到轉字符
,fontdict
設置文本字體.
tick 能見度
生成圖形
當圖片中的內容較多，相互遮蓋時，我們可以通過設置相關內容的透明度來使圖片更易於觀察，也即是通過本節中的bbox
參數設置來調節圖像信息.
首先參考之前的例子, 我們先繪制圖像基本信息：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-3, 3, 50)
y = 0.1*x
plt.figure()
plt.plot(x, y, linewidth=10)
plt.ylim(-2, 2)
ax = plt.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))
調整坐標
然后對被遮擋的圖像調節相關透明度，本例中設置 x軸 和 y軸 的刻度數字進行透明度設置
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_fontsize(12)
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7))
plt.show()
其中label.set_fontsize(12)重新調節字體大小，bbox設置目的內容的透明度相關參，facecolor調節 box 前景色，edgecolor 設置邊框， 本處設置邊框為無，alpha設置透明度. 最終結果如下:
Scatter 散點圖
散點圖
首先，先引入matplotlib.pyplot簡寫作plt,再引入模塊numpy用來產生一些隨機數據。生成1024個呈標准正態分布的二維數據組 (平均數是0，方差為1) 作為一個數據集，並圖像化這個數據集。每一個點的顏色值用T來表示：
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # data size
X = np.random.normal(0, 1, n) # 每一個點的X值
Y = np.random.normal(0, 1, n) # 每一個點的Y值
T = np.arctan2(Y,X) # for color value
數據集生成完畢，現在來用scatterplot這個點集，鼠標點上去，可以看到這個函數的各個parameter的描述，如下圖：
輸入X和Y作為location，size=75，顏色為T，color map用默認值，透明度alpha 為 50%。 x軸顯示范圍定位(-1.5，1.5)，並用xtick()函數來隱藏x坐標軸，y軸同理：
plt.scatter(X, Y, s=75, c=T, alpha=.5)
plt.xlim(-1.5, 1.5)
plt.xticks(()) # ignore xticks
plt.ylim(-1.5, 1.5)
plt.yticks(()) # ignore yticks
plt.show()
Bar 柱狀圖
今天的柱狀圖分成上下兩部分，每一個柱體上都有相應的數值標注，並且取消坐標軸的顯示。
生成基本圖形
向上向下分別生成12個數據，X為 0 到 11 的整數 ，Y是相應的均勻分布的隨機數據。使用的函數是plt.bar
，參數為X和Y：
import matplotlib.pyplot as plt
import numpy as np
n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
plt.bar(X, +Y1)
plt.bar(X, -Y2)
plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())
plt.show()
這樣我們就生成了下圖所示的柱狀圖基本框架：
加顏色和數據
下面我們就顏色和數值進行優化。用facecolor設置主體顏色，edgecolor設置邊框顏色為白色，
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')
現在的結果呈現：
接下來我們用函數plt.text分別在柱體上方（下方）加上數值，用%.2f保留兩位小數，橫向居中對齊ha='center'，縱向底部（頂部）對齊va='bottom'：
for x, y in zip(X, Y1):
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')
for x, y in zip(X, Y2):
# ha: horizontal alignment
# va: vertical alignment
plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')
最終的結果就像開始一樣：
Contours 等高線圖
畫等高線
數據集即三維點 (x,y) 和對應的高度值，共有256個點。高度值使用一個 height function f(x,y) 生成。 x, y 分別是在區間 [-3,3] 中均勻分布的256個值，並用meshgrid在二維平面中將每一個x和每一個y分別對應起來，編織成柵格:
import matplotlib.pyplot as plt
import numpy as np
def f(x,y):
# the height function
return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)
接下來進行顏色填充。使用函數plt.contourf把顏色加進去，fill, 位置參數分別為：X, Y, f(X,Y)。透明度0.75，並將 f(X,Y) 的值對應到color map的暖色組中尋找對應顏色。8代表等高線的個數。
# use plt.contourf to filling contours
# X, Y and value for (X,Y) point
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)
接下來進行等高線繪制。使用plt.contour函數划線。位置參數為：X, Y, f(X,Y)。顏色選黑色，線條寬度選0.5。現在的結果如下圖所示，只有顏色和線條，還沒有數值Label：
# use plt.contour to add contour lines
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)
添加高度數字
其中，8代表等高線的密集程度，這里被分為10個部分。如果是0，則圖像被一分為二。
最后加入Label，inline控制是否將Label畫在線里面，字體大小為10。並將坐標軸隱藏：
plt.clabel(C, inline=True, fontsize=10)
plt.xticks(())
plt.yticks(())
plt.clabel(C, inline=False, fontsize=10)
plt.xticks(())
plt.yticks(())
Image 圖片
隨機矩陣畫圖
這一節我們講解怎樣在matplotlib中打印出圖像。這里我們打印出的是純粹的數字，而非自然圖像。 我們今天用這樣 3x3 的 2D-array 來表示點的顏色，每一個點就是一個pixel。
import matplotlib.pyplot as plt
import numpy as np
a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
0.365348418405, 0.439599930621, 0.525083754405,
0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
plt.imshow(a, interpolation='nearest', cmap='bone', origin='upper')
colorbar
下面我們添加一個colorbar ，其中我們添加一個shrink參數，使colorbar的長度變短為原來的92%：
plt.colorbar(shrink=.92)
plt.xticks(())
plt.yticks(())
plt.show()
3D 數據
3D
首先在進行 3D Plot 時除了導入 matplotlib ，還要額外添加一個模塊，即 Axes 3D 3D 坐標軸顯示：
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
之后要先定義一個圖像窗口，在窗口上添加3D坐標軸，顯示成下圖：
fig = plt.figure()
ax = Axes3D(fig)
接下來給進 X 和 Y 值，並將 X 和 Y 編織成柵格。每一個（X, Y）點對應的高度值我們用下面這個函數來計算。
# X, Y value
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y) # x-y 平面的網格
R = np.sqrt(X ** 2 + Y ** 2)
# height value
Z = np.sin(R)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
其中，rstride 和 cstride 分別代表 row 和 column 的跨度。
下面兩個圖分別是跨度為1 和 5 的效果：
投影
下面添加 XY 平面的等高線：
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.get_cmap('rainbow'))
ax.set_zlim(-2, 2)
ax.contourf(X, Y, Z, zdir='x', offset=-4, cmap=plt.get_cmap('rainbow'))
plt.show()
如果 zdir 選擇了x，那么效果將會是對於 XZ 平面的投影，效果如下
Subplot 多合一顯示
均勻圖中圖
matplotlib 是可以組合許多的小圖, 放在一張大圖里面顯示的. 使用到的方法叫作 subplot.
使用import導入matplotlib.pyplot模塊, 並簡寫成plt. 使用plt.figure創建一個圖像窗口.
import matplotlib.pyplot as plt
plt.figure()
使用plt.subplot來創建小圖. plt.subplot(2,2,1)表示將整個圖像窗口分為2行2列, 當前位置為1. 使用plt.plot([0,1],[0,1])在第1個位置創建一個小圖.
plt.subplot(2,2,2)表示將整個圖像窗口分為2行2列, 當前位置為2. 使用plt.plot([0,1],[0,2])在第2個位置創建一個小圖.
plt.subplot(2,2,3)表示將整個圖像窗口分為2行2列,當前位置為3. plt.subplot(2,2,3)可以簡寫成plt.subplot(223), matplotlib同樣可以識別. 使用plt.plot([0,1],[0,3])在第3個位置創建一個小圖.
plt.subplot(224)表示將整個圖像窗口分為2行2列, 當前位置為4. 使用plt.plot([0,1],[0,4])在第4個位置創建一個小圖.
plt.subplot(2,2,1)
plt.plot([0,1],[0,1])
plt.subplot(2,2,2)
plt.plot([0,1],[0,2])
plt.subplot(223)
plt.plot([0,1],[0,3])
plt.subplot(224)
plt.plot([0,1],[0,4])
plt.show() # 展示
不均勻圖中圖
如果希望展示的小圖的大小不相同, 應該怎么做呢? 以上面的4個小圖為例, 如果把第1個小圖放到第一行, 而剩下的3個小圖都放到第二行.
使用plt.subplot(2,1,1)將整個圖像窗口分為2行1列, 當前位置為1. 使用plt.plot([0,1],[0,1])在第1個位置創建一個小圖.
使用plt.subplot(2,3,4)將整個圖像窗口分為2行3列, 當前位置為4. 使用plt.plot([0,1],[0,2])在第4個位置創建一個小圖.
這里需要解釋一下為什么第4個位置放第2個小圖. 上一步中使用plt.subplot(2,1,1)將整個圖像窗口分為2行1列, 第1個小圖占用了第1個位置, 也就是整個第1行. 這一步中使用plt.subplot(2,3,4)將整個圖像窗口分為2行3列, 於是整個圖像窗口的第1行就變成了3列, 也就是成了3個位置, 於是第2行的第1個位置是整個圖像窗口的第4個位置.
使用plt.subplot(235)將整個圖像窗口分為2行3列,當前位置為5. 使用plt.plot([0,1],[0,3])在第5個位置創建一個小圖. 同上, 再創建plt.subplot(236).
import matplotlib.pyplot as plt
plt.figure()
plt.subplot(2,1,1)
plt.plot([0,1],[0,1])
plt.subplot(2,3,4)
plt.plot([0,1],[0,2])
plt.subplot(235)
plt.plot([0,1],[0,3])
plt.subplot(236)
plt.plot([0,1],[0,4])
plt.show() # 展示
Subplot 分格顯示
subplot2grid
使用import導入matplotlib.pyplot模塊, 並簡寫成plt. 使用plt.figure()創建一個圖像窗口
import matplotlib.pyplot as plt
plt.figure()
使用plt.subplot2grid來創建第1個小圖, (3,3)表示將整個圖像窗口分成3行3列, (0,0)表示從第0行第0列開始作圖，colspan=3表示列的跨度為3, rowspan=1表示行的跨度為1. colspan和rowspan缺省, 默認跨度為1.
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax1.plot([1, 2], [1, 2]) # 畫小圖
ax1.set_title('ax1_title') # 設置小圖的標題
使用plt.subplot2grid來創建第2個小圖, (3,3)表示將整個圖像窗口分成3行3列, (1,0)表示從第1行第0列開始作圖，colspan=2表示列的跨度為2. 同上畫出 ax3, (1,2)表示從第1行第2列開始作圖，rowspan=2表示行的跨度為2. 再畫一個 ax4 和 ax5, 使用默認 colspan, rowspan.
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))
使用ax4.scatter創建一個散點圖, 使用ax4.set_xlabel和ax4.set_ylabel來對x軸和y軸命名.
ax4.scatter([1, 2], [2, 2])
ax4.set_xlabel('ax4_x')
ax4.set_ylabel('ax4_y')
gridspec
使用import導入matplotlib.pyplot模塊, 並簡寫成plt. 使用import導入matplotlib.gridspec, 並簡寫成gridspec
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
使用plt.figure()創建一個圖像窗口, 使用gridspec.GridSpec將整個圖像窗口分成3行3列.
plt.figure()
gs = gridspec.GridSpec(3, 3)
使用plt.subplot來作圖, gs[0, :]表示這個圖占第0行和所有列, gs[1, :2]表示這個圖占第1行和第2列前的所有列, gs[1:, 2]表示這個圖占第1行后的所有行和第2列, gs[-1, 0]表示這個圖占倒數第1行和第0列, gs[-1, -2]表示這個圖占倒數第1行和倒數第2列.
ax6 = plt.subplot(gs[0, :])
ax7 = plt.subplot(gs[1, :2])
ax8 = plt.subplot(gs[1:, 2])
ax9 = plt.subplot(gs[-1, 0])
ax10 = plt.subplot(gs[-1, -2])
subplots
使用plt.subplots建立一個2行2列的圖像窗口，sharex=True表示共享x軸坐標, sharey=True表示共享y軸坐標. ((ax11, ax12), (ax13, ax14))表示第1行從左至右依次放ax11和ax12, 第2行從左至右依次放ax13和ax14.
f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True)
使用ax11.scatter創建一個散點圖.
ax11.scatter([1,2], [1,2])
plt.tight_layout()表示緊湊顯示圖像, plt.show()表示顯示圖像.
plt.tight_layout()
plt.show()
圖中圖
數據
# 導入pyplot模塊
import matplotlib.pyplot as plt
# 初始化figure
fig = plt.figure()
# 創建數據
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 3, 4, 2, 5, 8, 6]
大圖
接着，我們來繪制大圖。首先確定大圖左下角的位置以及寬高：
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
注意，4個值都是占整個figure坐標系的百分比。在這里，假設figure的大小是10x10，那么大圖就被包含在由(1, 1)開始，寬8，高8的坐標系內。
將大圖坐標系添加到figure中，顏色為r(red)，取名為title：
ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x, y, 'r')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')
小圖
接着，我們來繪制左上角的小圖，步驟和繪制大圖一樣，注意坐標系位置和大小的改變：
eft, bottom, width, height = 0.2, 0.6, 0.25, 0.25
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(y, x, 'b')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('title inside 1')
最后，我們來繪制右下角的小圖。這里我們采用一種更簡單方法，即直接往plt里添加新的坐標系：
plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(y[::-1], x, 'g') # 注意對y進行了逆序處理
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')
plt.show()
次坐標軸
第一個y坐標
有時候我們會用到次坐標軸，即在同個圖上有第2個y軸存在。同樣可以用matplotlib做到，而且很簡單。
首先，我們做一些准備工作：
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(0, 10, 0.1)
y1 = 0.05 * x**2
y2 = -1 * y1
可以看到，y2和y1是互相倒置的。接着，獲取figure默認的坐標系 ax1：
fig, ax1 = plt.subplots()
第二個y坐標
對ax1調用twinx()方法，生成如同鏡面效果后的ax2：
ax2 = ax1.twinx()
接着進行繪圖, 將 y1, y2 分別畫在 ax1, ax2 上：
ax1.plot(x, y1, 'g-') # green, solid line
ax1.set_xlabel('X data')
ax1.set_ylabel('Y1 data', color='g')
ax2.plot(x, y2, 'b-') # blue
ax2.set_ylabel('Y2 data', color='b')
plt.show()
Animation 動畫
定義方程
使用matplotlib做動畫也是可以的，我們使用其中一種方式，function animation來說說，具體可參考matplotlib animation api。首先，我們做一些准備工作：
from matplotlib import pyplot as plt
from matplotlib import animation
import numpy as np
fig, ax = plt.subplots()
我們的數據是一個0~2π內的正弦曲線：
x = np.arange(0, 2*np.pi, 0.01)
line, = ax.plot(x, np.sin(x))
接着，構造自定義動畫函數animate，用來更新每一幀上各個x對應的y坐標值，參數表示第i幀
def animate(i):
line.set_ydata(np.sin(x + i/10.0))
return line,
然后，構造開始幀函數init：
def init():
line.set_ydata(np.sin(x))
return line,
參數設置
接下來，我們調用FuncAnimation函數生成動畫。參數說明：
fig 進行動畫繪制的figure
func 自定義動畫函數，即傳入剛定義的函數animate
frames 動畫長度，一次循環包含的幀數
init_func 自定義開始幀，即傳入剛定義的函數init
interval 更新頻率，以ms計
blit 選擇更新所有點，還是僅更新產生變化的點。應選擇True，但mac用戶請選擇False，否則無法顯示動畫
ani = animation.FuncAnimation(fig=fig,
func=animate,
frames=100,
init_func=init,
interval=20,
blit=False)
plt.show()
當然，你也可以將動畫以mp4格式保存下來，但首先要保證你已經安裝了ffmpeg
或者mencoder
，更多信息參考matplotlib animation api：
anim.save('basic_animation.mp4', fps=30, extra_args=['-vcodec', 'libx264'])
作者：jiandanjinxin
鏈接：http://www.jianshu.com/p/51f6562e1884
來源：簡書
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。