数据可视化：Matplotlib详解及实战

 1 Matplotlib介绍

 Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表。

Matplotlib提供了一个套面向绘图对象编程的API接口，能够很轻松地实现各种图像的绘制，并且它可以配合Python GUI工具（如 PyQt、Tkinter 等）在应用程序中嵌入图形。同时 Matplotlib 也支持以脚本的形式嵌入到 IPython shell、Jupyter 笔记本、web 应用服务器中使用。

1.1 Matplotlib架构组成

matplotlib框架分为三层，这三层构成了一个栈，上层可以调用下层。

 文章来源地址https://www.toymoban.com/news/detail-625773.html

1.1.1 脚本层

主要用于可视化编程，pytplot模块可以提供给我们一个与matplotlib打交道的接口。可以只通过调用pyplot模块的函数从而操作整个程序包，来绘制图形。

• 操作或者改动Figure对象，例如创建Figure对象
• 大部分工作是处理样本文件的图形与坐标的生成

1.1.2 美工层

图形中所有能看到的元素都属于Artist对象，即标题、轴标签、刻度等组成图形的所有元素都是Artist对象的实例。

• Figure：指整个图形(包括所有的元素，比如标题、线等)。
• Axes(坐标系)：axes是子图对象，子图对象指的是x和y轴。axes 常用有set_xlabel()、set_ylabel()设置x和y轴坐标名字。
• Axis(坐标轴)：坐标系中的一条轴，包含大小限制、刻度和刻度标签。

一个figure(图)可以包含多个axes(坐标系)，但是一个axes只能属于一个figure。一个axes(坐标系)可以包含多个axis(坐标轴)，包含两个即为2d坐标系，3个即为3d坐标系。

 

1.1.3 后端层

matplotlib的底层，实现了大量的抽象接口类，这些API用来在底层实现图形元素的一个个类。

• FigureCanvas对象实现了绘图区域这一概念。
• Renderer对象在FigureCanvas上绘图。

1.2 Pyplot介绍

通过Pyplot 对数据进行图形化展示，可以直观的了解数据的分布情况，更好的制定出学习方法。同时，它还可以展示出我们机器学习到的计算方法，了解其与实际情况是否相符等问题。

• Pyplot 是 Matplotlib 的子库，提供了和 MATLAB 类似的绘图 API。
• Pyplot 是常用的绘图模块，能很方便让用户绘制 2D 图表。
• Pyplot 包含一系列绘图函数的相关函数，每个函数会对当前的图像进行一些修改，例如：给图像加上标记，生成新的图像，在图像中产生新的绘图区域等等。

Pyplot 绘图流程如下：

2 Pyplot函数

Pyplot 包含一系列绘图函数的相关函数，每个函数会对当前的图像进行一些修改

• plot()：用于绘制线图和散点图
• scatter()：用于绘制散点图
• bar()：用于绘制垂直条形图和水平条形图
• hist()：用于绘制直方图
• pie()：用于绘制饼图
• imshow()：用于绘制图像
• subplots()：用于创建子图

2.1 plt.plot参数说明

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

`plt.plot()`函数是Matplotlib库中用于绘制线条图的函数，它有多个参数可以控制绘图的各个方面。以下是常用的一些参数：

• x: x轴数据的列表或数组
• y: y轴数据的列表或数组
• linewidth: 线条的宽度，从0到无穷大的浮点数，例如2.5
• color: 线条的颜色，可以是字符串、元组或RGBA值，代表不同的颜色。例如：红色'red'、绿色'green'、蓝色'blue'、黑色'black'、白色'white'、灰色'gray'等；RGB元组(0, 0, 1)表示蓝色，RGBA元组(0, 1, 0, 0.5)表示半透明的绿色
• linestyle: 线条的样式，可以是字符串，如实线'-'、虚线'--'、点线':'、破折线'-.'等

  '-': 实线

  '--': 虚线

  '-.': 点划线

  ':': 点线

  '': 无线条，只显示标记

  'None': 无线条，不显示标记

  ' ': 无线条，不显示标记

• marker: 数据点的标记样式

• markersize: 标记的大小，从0到无穷大的浮点数，例如7.5
• label: 字符串类型，代表绘制的线条的标签，在图例中显示。例如Line 1
• alpha: 线条和标记的透明度，从0到1的浮点数，表示线条和标记的透明度。例如0.5
• zorder: 整数类型，表示绘图的层数，数值越大越靠上。例如2

还有一些其他参数：

• solid_capstyle: 实线端点的样式，如普通平直样式"butt"、圆角样式"round"、斜角样式"projecting"等
• dash_capstyle: 虚线端点的样式，与solid_capstyle类似
• dash_joinstyle: 虚线连接处的样式，如圆弧连接"round"、斜接连接"bevel"、锐角连接"miter"等
• solid_joinstyle: 实线连接处的样式，与dash_joinstyle类似
• markevery: 标记显示的间隔，可以是数字、元组或者函数，可以是数字、元组或者函数。例如：每隔一个数据点标记一个点：markevery=2；从第二个开始，每个5个数据点标记一个点：markevery=(1, 5)；根据某个函数的返回值来控制标记的位置：markevery=lambda i: i%3==0

`plt.plot()`函数的参数比较多，不同的参数组合可以实现各种各样的效果。

2.2 plt.scatter参数说明

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, *, edgecolors=None, plotnonfinite=False, data=None, **kwargs)

• x, y → 散点的坐标，float or array-like, shape (n, )
• s → 散点的面积，float or array-like, shape (n, ), optional
• c → 散点的颜色（默认值为蓝色，'b'，其余颜色同plt.plot( )）
• marker → 散点样式（默认值为实心圆，'o'，其余样式同plt.plot( )）
• alpha → 散点透明度（[0, 1]之间的数，0表示完全透明，1则表示完全不透明）
• linewidths →散点的边缘线宽
• edgecolors → 散点的边缘颜色

2.3 plt.bar参数说明

bar(x, height, width=0.8, bottom=None, ***, align='center', data=None, **kwargs)

• x 表示x坐标，数据类型为int或float类型，
• height 表示柱状图的高度，也就是y坐标值，数据类型为int或float类型，
• width 表示柱状图的宽度，取值在0~1之间，默认为0.8
• bottom 柱状图的起始位置，也就是y轴的起始坐标，
• align 柱状图的中心位置，"center","lege"边缘
• color 柱状图颜色
• edgecolor 边框颜色
• linewidth 边框宽度
• tick_label 下标标签
• log 柱状图y周使用科学计算方法，bool类型
• orientation 柱状图是竖直还是水平，竖直："vertical"，水平条："horizontal"

 2.4 plt.hist参数说明

matplotlib.pyplot.hist(  
    x, bins=10, range=None, normed=False,   
    weights=None, cumulative=False, bottom=None,   
    histtype=u'bar', align=u'mid', orientation=u'vertical',   
    rwidth=None, log=False, color=None, label=None, stacked=False,   
    hold=None, **kwargs)  

• x : (n,) array or sequence of (n,) arrays，这个参数是指定每个bin(箱子)分布的数据,对应x轴
• bins : integer or array_like, optional，这个参数指定bin(箱子)的个数,也就是总共有几条条状图
• normed : boolean, optional，If True, the first element of the return tuple will be the counts normalized to form a probability density, i.e.,n/(len(x)`dbin)，这个参数指定密度,也就是每个条状图的占比例比,默认为1
• color : color or array_like of colors or None, optional，这个指定条状图的颜色

3.5 plt.pie参数说明

pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None)

• x: 数组序列，数组元素对应扇形区域的数量大小。
• labels: 列表字符串序列，为每个扇形区域备注一个标签名字。
• colors; 为每个扇形区域设置颜色，默认按照颜色周期自动设置。
• autopct: 格式化字符串"fmt%pct"，使用百分比的格式设置每个扇形区的标签，并将其放置在扇形区内。
• pctdistance：设置百分比标签与圆心的距离；
• labeldistance：设置各扇形标签（图例）与圆心的距离；
• explode: 指定饼图某些部分的突出显示，即呈现爆炸式；()
• shadow：是否添加饼图的阴影效果

2.6 plt.imshow参数说明

matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None,extent=None, shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, url=None, hold=None, data=None, **kwargs)

• X：图像数据。支持的数组形状是：

  • （M，N） ：带有标量数据的图像。数据可视化使用色彩图。
  • （M，N，3） ：具有RGB值的图像（float或uint8）。
  • （M，N，4） ：具有RGBA值的图像（float或uint8），即包括透明度。
    前两个维度（M，N）定义了行和列图片，即图片的高和宽；
    RGB（A）值应该在浮点数[0, ..., 1]的范围内,或者
    整数[0, ... ,255]。超出范围的值将被剪切为这些界限。
• cmap：将标量数据映射到色彩图，颜色默认为：rc：image.cmap。

• norm :~matplotlib.colors.Normalize，如果使用scalar data ，则Normalize会对其进行缩放[0,1]的数据值内。默认情况下，数据范围使用线性缩放映射到颜色条范围。 RGB（A）数据忽略该参数。

• aspect：{'equal'，'auto'}或float，可选，控制轴的纵横比。该参数可能使图像失真，即像素不是方形的。equal：确保宽高比为1,像素将为正方形。（除非像素大小明确地在数据中变为非正方形,坐标使用 extent ）。auto: 更改图像宽高比以匹配轴的宽高比。通常，这将导致非方形像素。

• interpolation：str，使用的插值方法，支持的值有：'none', 'nearest', 'bilinear', 'bicubic','spline16', 'spline36', 'hanning', 'hamming', 'hermite', 'kaiser','quadric', 'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc','lanczos'.如果interpolation = 'none'，则不执行插值

• alpha：alpha值，介于0（透明）和1（不透明）之间。RGBA输入数据忽略此参数。

• vmin, vmax : scalar,如果使用* norm 参数，则忽略 vmin ， vmax *。vmin,vmax与norm结合使用以标准化亮度数据。
• origin : {'upper', 'lower'}，将数组的[0,0]索引放在轴的左上角或左下角。'upper'通常用于矩阵和图像。请注意，垂直轴向上指向“下”但向下指向“上”。

• extent：(left, right, bottom, top）数据坐标中左下角和右上角的位置。 如果为“无”，则定位图像使得像素中心落在基于零的（行，列）索引上。

2.7 plt.subplots参数说明

matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)

• nrows,ncols：整型，可选参数，默认为1。表示子图网格(grid)的行数与列数。
• sharex,sharey：布尔值或者{'none','all','row','col'}，默认：False，控制x(sharex)或y(sharey)轴之间的属性共享：

   1.True或者'all'：x或y轴属性将在所有子图(subplots)中共享.

   2.False或'none'：每个子图的x或y轴都是独立的部分
   3.'row'：每个子图在一个x或y轴共享行(row)
   4.'col':每个子图在一个x或y轴共享列(column)

当子图在x轴有一个共享列时('col'),只有底部子图的x tick标记是可视的。同理，当子图在y轴有一个共享行时('row'),只有第一列子图的y tick标记是可视的。

• squeeze：布尔类型，可选参数，默认：True。

如果是True，额外的维度从返回的Axes(轴)对象中挤出。
        如果只有一个子图被构建(nrows=ncols=1)，结果是单个Axes对象作为标量被返回。
        对于N*1或1*N个子图，返回一个1维数组。
        对于N*M，N>1和M>1返回一个2维数组。
如果是False，不进行挤压操作：返回一个元素为Axes实例的2维数组，即使它最终是1x1。

• subplot_kw:字典类型，可选参数。把字典的关键字传递给add_subplot()来创建每个子图。
• gridspec_kw字典类型，可选参数。把字典的关键字传递给GridSpec构造函数创建子图放在网格里(grid)。
• **fig_kw：把所有详细的关键字参数传给figure()函数 

3 Matplotlib绘图

3.1 绘制一条直线

import matplotlib.pyplot as plt

plt.plot([1,2,3,4])
plt.ylabel('some numbers')
plt.show()

我们为plot命令提供了一个list或者是array，matplotlib认为这个序列是Y轴上的取值，并且会自动生成X轴上的值。因为python中的范围是从0开始的，因此X轴就是从0开始，长度与Y的长度相同，也就是[0,1,2,3]，所以显示如下：

 3.2 绘制一条折线

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.ylabel('some numbers')
plt.show()

plot的参数可以是任意数量，上面参数表示的是(x,y)对，(1,1)(2,4)(3,9)(4,16)。这里有第三个可选参数，它是字符串格式的，表示颜色和线的类型。它是颜色字符串和线的类型字符串的组合。默认情况下，该字符串参数是’b-‘，表示蓝色的实线。显示如下：

 3.3 绘制一个点集

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro')
plt.axis([0, 6, 0, 20])
plt.show()

'ro'表示红色圆圈绘制上述点集，显示如下：

3.4 通过numpy数据绘制多个点集

import numpy as np
import matplotlib.pyplot as plt

# 0到5之间每隔0.2取一个数
t = np.arange(0., 5., 0.2)

# 红色的破折号，蓝色的方块，绿色的三角形
plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')
plt.show()

构建三组numpy数据，通过不同的样式展示出来，显示如下：

 3.5 绘制多图形(figures)和多坐标系(axes)

import numpy as np
import matplotlib.pyplot as plt

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

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

plt.figure("2subplot")
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

pyplot所有的绘图命令都是应用于当前图形(figure)和当前坐标系(axes)，分别在两个坐标系绘制一个图形，显示如下：

 3.6 绘图直方图

import numpy as np
import matplotlib.pyplot as plt

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# 直方图
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)

plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

text()命令可以被用来在任何位置添加文字，xlabel()、ylabel()、title()被用来在指定位置添加文字。所有text()命令返回一个matplotlib.text.Text实例，可以通过关键字参数在text()定制文本样式，也可以通过setp()来定制文字的样式： 

t = plt.xlabel('my data', fontsize=14, color='red')
setp(t,color='blue')

import matplotlib.pyplot as plt
import numpy as np

# 生成三组随机数据
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1, 1000)
data3 = np.random.normal(-2, 1, 1000)

# 绘制直方图
plt.hist(data1, bins=30, alpha=0.5, label='Data 1')
plt.hist(data2, bins=30, alpha=0.5, label='Data 2')
plt.hist(data3, bins=30, alpha=0.5, label='Data 3')

# 设置图表属性
plt.title('matplotlib hist() ')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.grid()
plt.legend()

# 显示图表
plt.show()

3.7 绘制Y轴使用不同刻度下的曲线图

import numpy as np
import matplotlib.pyplot as plt

# 在区间[0,1]制造一些数据
# np.random.normal为高斯分布
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))

# 创建一个窗口
plt.figure(1)

# 线性
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)

# 对数
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')
plt.title('log')
plt.grid(True)

# symmetric log
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthreshy=0.05)
plt.title('symlog')
plt.grid(True)

# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale('logit')
plt.title('logit')
plt.grid(True)

plt.show()

 matplotlib.pylot不仅仅提供了线性的坐标，还提供了对数(logarithmic)和分对数(logit)坐标。当数据的维度跨越许多数量级时，这种坐标就很有用

 3.8 绘制散点图

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

x = np.random.randn(50)
y = np.random.randn(50)  
color =  np.random.rand(50)
changecolor = colors.Normalize(vmin=0.4, vmax=0.8)
plt.scatter(x, y, c=color, s=60, alpha=0.3, cmap='viridis',norm=changecolor)
plt.colorbar()  # 显示颜色条
plt.show()

参数 vmin、vmax 分别为要设置的数据范围的最小值和最大值（注意：设置之后，原来大于vmax的值被“拉低”成vmax；原来小于vmin的值被“拉高”成vmin） 

class matplotlib.colors.Normalize(vmin=None, vmax=None)

颜色表如下：

import numpy as np
import matplotlib.pyplot as plt

# 随机数生成器的种子
np.random.seed(2)
N = 50
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N))**2  # 0 to 15 point radii

plt.scatter(x, y, s=area, c=colors, alpha=0.5) # 设置颜色及透明度

plt.title("matplotlib Scatter ") # 设置标题
plt.colorbar()

plt.show()

 3.9 绘制饼图

import matplotlib.pyplot as plt

#定义饼的标签，
labels = ['one','two','three','four','five','other']

#每个标签所占的数量
x = [200,500,1200,7000,200,900]

#饼图分离
explode = (0.03,0.05,0.06,0.04,0.08,0.1)

#设置阴影效果
#plt.pie(x,labels=labels,autopct='%3.2f%%',explode=explode,shadow=True)

plt.pie(x,labels=labels,autopct='%3.2f%%',explode=explode, labeldistance=1.35, pctdistance=1.2)
plt.legend()
plt.show()

 3.10 绘制条形图

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

# 将全局的字体设置为黑体
matplotlib.rcParams['font.family'] = 'SimHei'

# 数据
N = 5
y = [20, 10, 30, 25, 15]
x = np.arange(N)

# 绘图 x x轴， height 高度, 默认：color="blue", width=0.8
p1 = plt.bar(x, height=y, width=0.5, )

# 展示图形
plt.show()

"""
    水平条形图，需要修改以下属性
    orientation="horizontal"
"""
import numpy as np
import matplotlib.pyplot as plt
 
# 数据
N = 5
x = [20, 10, 30, 25, 15]
y = np.arange(N)
 
# 绘图 x= 起始位置， bottom= 水平条的底部(左侧), y轴， height 水平条的宽度， width 水平条的长度
p1 = plt.bar(x=0, bottom=y, height=0.5, width=x, orientation="horizontal")
 
# 展示图形
plt.show()

import numpy as np
import matplotlib.pyplot as plt

# 设置画布颜色为 blue
plt.style.use("seaborn-v0_8-whitegrid")
fig, ax = plt.subplots()


# y 轴数据
data = [[5,25,50,20],
        [4,23,51,17],
        [6,22,52,19]]

X = np.arange(4)
width=0.25

plt.bar(X+width*0, data[0], color = 'darkorange', width = width,label = 'A')
plt.bar(X+width*1, data[1], color = 'steelblue', width =width,label="B")
plt.bar(X+width*2, data[2], color = 'violet', width = width,label = 'C')


# 添加文字描述
W = [width*0,width*1,width*2]# 偏移量
for i in range(3):
    for a,b in zip(X+W[i],data[i]):#zip拆包
        plt.text(a,b,"%.0f"% b,ha="center",va= "bottom")#格式化字符串，保留0位小数
 
plt.xlabel("Group")
plt.ylabel("Num")

# 在（0,48）这个位置，显示note 这个值
plt.text(1,48,"note",fontsize=15, ha='left', rotation=15, wrap=True)   


# family参数是一个字体参数
plt.text(1.5,32,"deep",fontsize=15, ha='left', rotation=15, wrap=True,
         bbox=dict(boxstyle='round,pad=0.5', fc='yellow', ec='k',lw=1 ,alpha=0.5))   


plt.legend()
plt.show()

 3.11 绘制多子图

import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots(3, 3, figsize=(6,6))

fig.text(0.5, 0, 'x', ha='center')
fig.text(0, 0.5, 'y', va='center')

x = np.linspace(0, 2*np.pi, 50, endpoint=False)
sins = np.sin(x)
coss = np.cos(x)

ax[1][1].plot(x, sins, 'r', alpha=0.5, lw=0.5, ls='-', marker='+', label='sin')
ax2 = ax[1][1].twinx()
ax2.plot(x, coss, 'g', alpha=0.5, lw=0.5, ls='-', marker='+', label='cos')
for tl in ax2.get_yticklabels():
    tl.set_color("r")
    
plt.tight_layout()
plt.show()

 3.12 绘制时间变化图

import random
import time
 
import matplotlib.pyplot as plt
from pylab import mpl
 
mpl.rcParams["font.sans-serif"] = ["SimHei"]  # 设置显示中文字体
mpl.rcParams["axes.unicode_minus"] = False  # 设置正常显示符号
 
x = range(1, 101)
times = [random.randint(10, 200) for i in range(100)]
plt.figure(figsize=(15, 5), dpi=80)  # 创建画布
plt.plot(x, times, color='r', linestyle='-', label='t = 2', marker='v')  # 绘制折线图，点划线
 
plt.legend(loc=0)  # 显示图例
# 描述信息
plt.xlabel("设备数/个")
plt.ylabel("时间/s")
plt.title("时间变化图", fontsize=18)
 
plt.savefig("./time.jpg")  # 保存至指定位置
plt.show()  # 显示图像

3.13 绘制多张图片显示

# opencv显示
import cv2
# plt显示
from PIL import Image
import matplotlib.pyplot as plt


PATH = 'D:/dataset/cat_dog/valid/3.jpg'
plt.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文

plt.subplot(1, 3, 1)
im = Image.open(PATH)
plt.imshow(im)
plt.xlabel('原图')

plt.subplot(1, 3, 2)
im = cv2.imread(PATH, 0)  # 参数0为灰度显示，参数1为RGB显示
plt.imshow(im, cmap='gray')
plt.xlabel('单通道图')

plt.subplot(1, 3, 3)
im = cv2.imread(PATH, 0)  # 参数0为灰度显示，参数1为RGB显示
im = cv2.equalizeHist(im)  # 直方图均衡
plt.imshow(im, cmap='gray')
plt.xlabel('直方图')

plt.show()

 3.14 绘制3D图

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 生成3D figure
fig = plt.figure()
ax = Axes3D(fig, auto_add_to_figure=False)
fig.add_axes(ax)

# X, Y value
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X ** 2 + Y ** 2)

Z = np.sin(R)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'), edgecolor='k')
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap='rainbow')

ax.set_zlim(-2, 2)
plt.show()

import numpy as np
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
#定义坐标轴
fig = plt.figure()
ax1 = plt.axes(projection='3d')
#ax = fig.add_subplot(111,projection='3d')  #这种方法也可以画多个子图
#定义三维数据
xx = np.arange(-5,5,0.5)
yy = np.arange(-5,5,0.5)
X, Y = np.meshgrid(xx, yy)
Z = np.sin(X)+np.cos(Y)
#作图
ax1.plot_surface(X,Y,Z)
ax1.contour(X,Y,Z, zdim='z',offset=-2,cmap='rainbow')   #等高线图，要设置offset，为Z的最小值

fig = plt.figure()  #定义新的三维坐标轴
ax3 = plt.axes(projection='3d')
#定义三维数据
xx = np.arange(-5,5,0.5)
yy = np.arange(-5,5,0.5)
X, Y = np.meshgrid(xx, yy)
Z = np.sin(X)+np.cos(Y)
#作图
ax3.plot_surface(X,Y,Z,cmap='rainbow')
ax3.contour(X,Y,Z, zdim='z',offset=-2,cmap='rainbow')   #等高线图，要设置offset，为Z的最小值
plt.show()

 3.15 给绘图添加注释

import matplotlib.pyplot as plt
import numpy as np

fig, geeeks = plt.subplots()

t = np.arange(0.0, 5.0, 0.001)
s = np.cos(3 * np.pi * t)
line = geeeks.plot(t, s, lw=2)

# Annotation
geeeks.annotate('Local Max', xy=(3.3, 1),
                xytext=(3, 1.8),
                arrowprops=dict(facecolor='green',
                                shrink=0.05), )

geeeks.set_ylim(-2, 2)

# Plot the Annotation in the graph
plt.show()

annotate()方法添加注释，有两点需要注意：需要被注释的地方，使用xy参数来指出，还有就是注释文本所放置的位置，使用参数xytext来指定位置，这两个参数都是(x,y)元组，这里的xy和xytext所使用的坐标是根据XY轴的刻度的坐标，称为data coordinates。

import numpy as np 
import matplotlib.pyplot as plt 
  
x = np.arange(0, 10, 0.005) 
y = np.exp(-x / 3.) * np.sin(3 * np.pi * x) 
  
fig, ax = plt.subplots() 
ax.plot(x, y) 
ax.set_xlim(0, 10) 
ax.set_ylim(-1, 1) 
  
# Setting up the parameters 
xdata, ydata = 5, 0
xdisplay, ydisplay = ax.transData.transform((xdata, ydata)) 
  
bbox = dict(boxstyle ="round", fc ="0.8") 
arrowprops = dict( 
    arrowstyle = "->", 
    connectionstyle = "angle, angleA = 0, angleB = 90,\ 
    rad = 10") 
  
offset = 72
  
# Annotation 
ax.annotate('data = (%.1f, %.1f)'%(xdata, ydata), 
            (xdata, ydata), xytext =(-2 * offset, offset), 
            textcoords ='offset points', 
            bbox = bbox, arrowprops = arrowprops) 
  
  
disp = ax.annotate('display = (%.1f, %.1f)'%(xdisplay, ydisplay), 
            (xdisplay, ydisplay), xytext =(0.5 * offset, -offset), 
            xycoords ='figure pixels', 
            textcoords ='offset points', 
            bbox = bbox, arrowprops = arrowprops) 
  
# To display the annotation 
plt.show()

到了这里，关于数据可视化：Matplotlib详解及实战的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！