摘要：Matplotlib 是 Python 的繪圖庫。 它可與 NumPy 一起使用 ，Matplotlib也是深度學習的常用繪圖庫，主要是將訓練的成果進行圖形化，因為這樣更直觀，更方便發現訓練中的問題。
本文分享自華為雲社區《深度學習基礎之matplotlib，一文搞定各個示例，建議收藏以后參考丨【百變AI秀】》，作者：香菜聊游戲。
Matplotlib 是 Python 的繪圖庫。 它可與 NumPy 一起使用 ，Matplotlib也是深度學習的常用繪圖庫，主要是將訓練的成果進行圖形化，因為這樣更直觀，更方便發現訓練中的問題，今天來學習下，走起！！
1、先來個demo 分析下
下面是一個典型的圖形，我們如果想畫這樣一個圖，應該做什么，應該准備哪些數據，這樣的圖形有哪些屬性是你需要關注的？
1、怎么做一個圖？ 怎么創建一個畫板？
2、怎么設置數據？x，y 的數據怎么放上去
3、設置圖標示，左上角的各種線的顏色這種小窗體怎么畫上去？
4、外觀 ，不同線的顏色不同怎么處理？
5、怎么顯示？
6、怎么保存？
這么多的問題，怎么搞？一步一步來，先給你看看代碼，看下能明白多少
x = np.linspace(0, 2, 100) plt.plot(x, x, label='linear') # Plot some data on the (implicit) axes. plt.plot(x, x**2, label='quadratic') # etc. plt.plot(x, x**3, label='cubic') plt.xlabel('x label') plt.ylabel('y label') plt.title("Simple Plot") plt.legend()
2、matplotlib中的概念
下面這張圖是官網的一張圖，指明了很多概念，基本上常用的我們都能看到，看起來大部分也都能理解
Figure(容器)
整個圖像稱為Figure， Figure用於保存返回的Axes(坐標域)， 一個Figure可以包含任意數量的Axes，可以理解為一個容器。
Axes(坐標域)
可以將它理解為一個單個畫板， 一個Axes包含兩個Axis(坐標軸)(在3D圖中為三個Axis), 每個Axes都有 一個 title(方法: set_title()), 一個x-label(方法: set_xlabel()), 一個y-label(方法: set_ylabel()).注意：一個給出的Axes對象只能包含在一個Figure中。
Axis(坐標軸)
這是一種類似數軸的對象。可以通過Axis以及Axis的方法設置坐標軸上刻度的樣式和坐標軸上的值。刻度的位置由Locater對象決定， 刻度對應的值由Formatter對象決定。
總結：Axes 差不多就是我們腦中所想的一個 ‘plot’。可以說就是單張紙。一個確定的figure當中可以有很多個Axes，但是一個確定的Axes只能在一個figure當中。
2維空間的Axes包含兩個Axis（即x軸與y軸），3維空間的Axes包含三個Axis（即x軸，y軸和z軸）。這里注意區別Axes和Axis的概念。
Axis是一個數軸對象，它主要用於設置一個Axes里面的數據約束（即兩個端點的值）和軸上的ticks（就是軸上的標記刻度）和tick-labels刻度的標簽。
Subplot：子圖，figure對象下創建一個或多個subplot對象(即axes)用於繪制圖像。
axes: 設置坐標軸邊界和表面的顏色、坐標刻度值大小和網格的顯示
figure: 控制dpi、邊界顏色、圖形大小、和子區( subplot)設置
font: 字體集（font family）、字體大小和樣式設置
grid: 設置網格顏色和線性
legend: 設置圖例和其中的文本的顯示
line: 設置線條（顏色、線型、寬度等）和標記
patch: 是填充2D空間的圖形對象，如多邊形和圓。控制線寬、顏色和抗鋸齒設置等。
savefig: 可以對保存的圖形進行單獨設置。例如，設置渲染的文件的背景為白色。
verbose: 設置matplotlib在執行期間信息輸出，如silent、helpful、debug和debug-annoying。
xticks和yticks: 為x,y軸的主刻度和次刻度設置顏色、大小、方向，以及標簽大小。
3、matplotlib 支持的圖形
3.1 線圖line
import matplotlib.pyplot as plt import numpy as np # Data for plotting t = np.arange(0.0, 2.0, 0.01) s = 1 + np.sin(2 * np.pi * t) fig, ax = plt.subplots() ax.plot(t, s) ax.set(xlabel='time (s)', ylabel='voltage (mV)', title='About as simple as it gets, folks') ax.grid() fig.savefig("test.png") plt.show()
3.2 直方圖hist
import numpy as np import matplotlib.pyplot as plt np.random.seed(19680801) # example data mu = 100 # mean of distribution sigma = 15 # standard deviation of distribution x = mu + sigma * np.random.randn(437) num_bins = 50 fig, ax = plt.subplots() # the histogram of the data n, bins, patches = ax.hist(x, num_bins, density=True) # add a 'best fit' line y = ((1 / (np.sqrt(2 * np.pi) * sigma)) * np.exp(-0.5 * (1 / sigma * (bins - mu))**2)) ax.plot(bins, y, '--') ax.set_xlabel('Smarts') ax.set_ylabel('Probability density') ax.set_title(r'Histogram of IQ: $\mu=100$, $\sigma=15$') # Tweak spacing to prevent clipping of ylabel fig.tight_layout() plt.show()
3.3 路線
import matplotlib.path as mpath import matplotlib.patches as mpatches import matplotlib.pyplot as plt fig, ax = plt.subplots() Path = mpath.Path path_data = [ (Path.MOVETO, (1.58, -2.57)), (Path.CURVE4, (0.35, -1.1)), (Path.CURVE4, (-1.75, 2.0)), (Path.CURVE4, (0.375, 2.0)), (Path.LINETO, (0.85, 1.15)), (Path.CURVE4, (2.2, 3.2)), (Path.CURVE4, (3, 0.05)), (Path.CURVE4, (2.0, -0.5)), (Path.CLOSEPOLY, (1.58, -2.57)), ] codes, verts = zip(*path_data) path = mpath.Path(verts, codes) patch = mpatches.PathPatch(path, facecolor='r', alpha=0.5) ax.add_patch(patch) # plot control points and connecting lines x, y = zip(*path.vertices) line, = ax.plot(x, y, 'go-') ax.grid() ax.axis('equal') plt.show()
3.4 散點圖Scatter
3.5 極坐標圖Polar plots
import numpy as np import matplotlib.pyplot as plt r = np.arange(0, 2, 0.01) theta = 2 * np.pi * r fig, ax = plt.subplots(subplot_kw={'projection': 'polar'}) ax.plot(theta, r) ax.set_rmax(2) ax.set_rticks([0.5, 1, 1.5, 2]) # Less radial ticks ax.set_rlabel_position(-22.5) # Move radial labels away from plotted line ax.grid(True) ax.set_title("A line plot on a polar axis", va='bottom') plt.show()
3.6 餅圖pie
import matplotlib.pyplot as plt # Pie chart, where the slices will be ordered and plotted counter-clockwise: labels = 'Frogs', 'Hogs', 'Dogs', 'Logs' sizes = [15, 30, 45, 10] explode = (0, 0.1, 0, 0) # only "explode" the 2nd slice (i.e. 'Hogs') fig1, ax1 = plt.subplots() ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90) ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle. plt.show()
3.7 3d 圖形
import matplotlib.pyplot as plt from matplotlib import cm from matplotlib.ticker import LinearLocator import numpy as np fig, ax = plt.subplots(subplot_kw={"projection": "3d"}) # Make data. X = np.arange(-5, 5, 0.25) Y = np.arange(-5, 5, 0.25) X, Y = np.meshgrid(X, Y) R = np.sqrt(X**2 + Y**2) Z = np.sin(R) # Plot the surface. surf = ax.plot_surface(X, Y, Z, cmap=cm.coolwarm, linewidth=0, antialiased=False) # Customize the z axis. ax.set_zlim(-1.01, 1.01) ax.zaxis.set_major_locator(LinearLocator(10)) # A StrMethodFormatter is used automatically ax.zaxis.set_major_formatter('{x:.02f}') # Add a color bar which maps values to colors. fig.colorbar(surf, shrink=0.5, aspect=5) plt.show()
#使用numpy產生數據 x=np.arange(-5,5,0.1) y=x*3 #創建窗口、子圖 #方法1：先創建窗口，再創建子圖。（一定繪制） fig = plt.figure(num=1, figsize=(15, 8),dpi=80) #開啟一個窗口，同時設置大小，分辨率 ax1 = fig.add_subplot(2,1,1) #通過fig添加子圖，參數：行數，列數，第幾個。 ax2 = fig.add_subplot(2,1,2) #通過fig添加子圖，參數：行數，列數，第幾個。 print(fig,ax1,ax2) #方法2：一次性創建窗口和多個子圖。（空白不繪制） fig,axarr = plt.subplots(4,1) #開一個新窗口，並添加4個子圖，返回子圖數組 ax1 = axarr[0] #通過子圖數組獲取一個子圖 print(fig,ax1) #方法3：一次性創建窗口和一個子圖。（空白不繪制） ax1 = plt.subplot(1,1,1,facecolor='white') #開一個新窗口，創建1個子圖。facecolor設置背景顏色 print(ax1) #獲取對窗口的引用，適用於上面三種方法 # fig = plt.gcf() #獲得當前figure # fig=ax1.figure #獲得指定子圖所屬窗口 # fig.subplots_adjust(left=0) #設置窗口左內邊距為0，即左邊留白為0。 #設置子圖的基本元素 ax1.set_title('python-drawing') #設置圖體，plt.title ax1.set_xlabel('x-name') #設置x軸名稱,plt.xlabel ax1.set_ylabel('y-name') #設置y軸名稱,plt.ylabel plt.axis([-6,6,-10,10]) #設置橫縱坐標軸范圍，這個在子圖中被分解為下面兩個函數 ax1.set_xlim(-5,5) #設置橫軸范圍，會覆蓋上面的橫坐標,plt.xlim ax1.set_ylim(-10,10) #設置縱軸范圍，會覆蓋上面的縱坐標,plt.ylim xmajorLocator = MultipleLocator(2) #定義橫向主刻度標簽的刻度差為2的倍數。就是隔幾個刻度才顯示一個標簽文本 ymajorLocator = MultipleLocator(3) #定義縱向主刻度標簽的刻度差為3的倍數。就是隔幾個刻度才顯示一個標簽文本 ax1.xaxis.set_major_locator(xmajorLocator) #x軸 應用定義的橫向主刻度格式。如果不應用將采用默認刻度格式 ax1.yaxis.set_major_locator(ymajorLocator) #y軸 應用定義的縱向主刻度格式。如果不應用將采用默認刻度格式 ax1.xaxis.grid(True, which='major') #x坐標軸的網格使用定義的主刻度格式 ax1.yaxis.grid(True, which='major') #x坐標軸的網格使用定義的主刻度格式 ax1.set_xticks([]) #去除坐標軸刻度 ax1.set_xticks((-5,-3,-1,1,3,5)) #設置坐標軸刻度 ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small') #設置刻度的顯示文本，rotation旋轉角度，fontsize字體大小 plot1=ax1.plot(x,y,marker='o',color='g',label='legend1') #點圖：marker圖標 plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2') #線圖：linestyle線性，alpha透明度，color顏色，label圖例文本 ax1.legend(loc='upper left') #顯示圖例,plt.legend() ax1.text(2.8, 7, r'y=3*x') #指定位置顯示文字,plt.text() ax1.annotate('important point', xy=(2, 6), xytext=(3, 1.5), #添加標注，參數：注釋文本、指向點、文字位置、箭頭屬性 arrowprops=dict(facecolor='black', shrink=0.05), ) #顯示網格。which參數的值為major(只繪制大刻度)、minor(只繪制小刻度)、both，默認值為major。axis為'x','y','both' ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=2) axes1 = plt.axes([.2, .3, .1, .1], facecolor='y') #在當前窗口添加一個子圖，rect=[左, 下, 寬, 高]，是使用的絕對布局，不和以存在窗口擠占空間 axes1.plot(x,y) #在子圖上畫圖 plt.savefig('aa.jpg',dpi=400,bbox_inches='tight') #savefig保存圖片，dpi分辨率，bbox_inches子圖周邊白色空間的大小 plt.show() #打開窗口，對於方法1創建在窗口一定繪制，對於方法2方法3創建的窗口，若坐標系全部空白，則不繪制
總結：
上面大部分的數據是總結自官方網站：https://matplotlib.org/stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py
如果上面有說的不准確的可以參考官方網站，還不能完全掌握，我也只能畫畫簡單的圖，能滿足日常的需求罷了。