转载自:Segment Fault
本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找。
强烈推荐ipython
无论你工作在什么项目上,IPython都是值得推荐的。利用ipython --pylab
,可以进入PyLab模式,已经导入了matplotlib库与相关软件包(例如Numpy和Scipy),额可以直接使用相关库的功能。
这样IPython配置为使用你所指定的matplotlib GUI后端(TK/wxPython/PyQt/Mac OS X native/GTK)。对于大部分用户而言,默认的后端就已经够用了。Pylab模式还会向IPython引入一大堆模块和函数以提供一种更接近MATLAB的界面。
参考
- matplotlib-绘制精美的图表
- matplotlib.pyplot.plt参数介绍
[python] view plain copy print ?
- import matplotlib.pyplot as plt
- labels=’frogs’,‘hogs’,‘dogs’,‘logs’
- sizes=15,20,45,10
- colors=’yellowgreen’,‘gold’,‘lightskyblue’,‘lightcoral’
- explode=0,0.1,0,0
- plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct=’%1.1f%%’,shadow=True,startangle=50)
- plt.axis(’equal’)
- plt.show()
import matplotlib.pyplot as plt
labels='frogs','hogs','dogs','logs'
sizes=15,20,45,10
colors='yellowgreen','gold','lightskyblue','lightcoral'
explode=0,0.1,0,0
plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)
plt.axis('equal')
plt.show()
matplotlib图标正常显示中文 为了在图表中能够显示中文和负号等,需要下面一段设置:
[python] view plain copy print ?
- import matplotlib mpl
- mpl.rcParams[’font.sans-serif’]=[‘SimHei’] #用来正常显示中文标签
- mpl.rcParams[’axes.unicode_minus’]=False #用来正常显示负号
import matplotlib mpl
mpl.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
mpl.rcParams['axes.unicode_minus']=False #用来正常显示负号
matplotlib inline和pylab inline 可以使用
ipython --pylab
打开ipython命名窗口。[plain] view plain copy print ?
- %matplotlib inline #notebook模式下
- %pylab inline #ipython模式下
%matplotlib inline #notebook模式下
%pylab inline #ipython模式下
这两个命令都可以在绘图时,将图片内嵌在交互窗口,而不是弹出一个图片窗口,但是,有一个缺陷:除非将代码一次执行,否则,无法叠加绘图,因为在这两种模式下,是要有
plt
出现,图片会立马show
出来,因此:推荐在ipython notebook时使用,这样就能很方便的一次编辑完代码,绘图。
为项目设置matplotlib参数 在代码执行过程中,有两种方式更改参数:
- 使用参数字典(rcParams)
- 调用matplotlib.rc()命令 通过传入关键字元祖,修改参数
matplot.get_config()
命令来找到当前用户的配置文件目录。配置文件包括以下配置项:
axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示线条相关属性标记设置 用来该表线条的属性
backend: 设置目标暑促TkAgg和GTKAgg
figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
font: 字体集(font family)、字体大小和样式设置
grid: 设置网格颜色和线性
legend: 设置图例和其中的文本的显示
line: 设置线条(颜色、线型、宽度等)和标记
patch: 是填充2D空间的图形对象,如多边形和圆。控制线宽、颜色和抗锯齿设置等。
savefig: 可以对保存的图形进行单独设置。例如,设置渲染的文件的背景为白色。
verbose: 设置matplotlib在执行期间信息输出,如silent、helpful、debug和debug-annoying。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向,以及标签大小。
线条风格linestyle或ls | 描述 | 线条风格linestyle或ls | 描述 | |
---|---|---|---|---|
‘-‘ | 实线 | ‘:’ | 虚线 | |
‘–’ | 破折线 | ‘None’,’ ‘,” | 什么都不画 | |
‘-.’ | 点划线 |
标记maker | 描述 | 标记 | 描述 | |
---|---|---|---|---|
‘o’ | 圆圈 | ‘.’ | 点 | |
‘D’ | 菱形 | ’s’ | 正方形 | |
‘h’ | 六边形1 | ‘*’ | 星号 | |
‘H’ | 六边形2 | ‘d’ | 小菱形 | |
‘_’ | 水平线 | ‘v’ | 一角朝下的三角形 | |
‘8’ | 八边形 | ‘<’ | 一角朝左的三角形 | |
‘p’ | 五边形 | ‘>’ | 一角朝右的三角形 | |
‘,’ | 像素 | ‘^’ | 一角朝上的三角形 | |
‘+’ | 加号 | ‘\ | ‘ | 竖线 |
‘None’,”,’ ‘ | 无 | ‘x’ | X |
matplotlib.pyplot.colors()
得到matplotlib支持的所有颜色。别名 | 颜色 | 别名 | 颜色 | |
---|---|---|---|---|
b | 蓝色 | g | 绿色 | |
r | 红色 | y | 黄色 | |
c | 青色 | k | 黑色 | |
m | 洋红色 | w | 白色 |
- 使用HTML十六进制字符串
color='eeefff'
使用合法的HTML颜色名字(’red’,’chartreuse’等)。
- 也可以传入一个归一化到[0,1]的RGB元祖。
color=(0.3,0.3,0.4)
[python] view plain copy print ?
- plt.tilte(‘Title in a custom color’,color=‘#123456’)
plt.tilte('Title in a custom color',color='#123456')
背景色 【Python--matplotlib绘图可视化】通过向如
matplotlib.pyplot.axes()
或者matplotlib.pyplot.subplot()
这样的方法提供一个axisbg
参数,可以指定坐标这的背景色。[python] view plain copy print ?
- subplot(111,axisbg=(0.1843,0.3098,0.3098)
subplot(111,axisbg=(0.1843,0.3098,0.3098)
基础 如果你向plot()指令提供了一维的数组或列表,那么matplotlib将默认它是一系列的y值,并自动为你生成x的值。默认的x向量从0开始并且具有和y同样的长度,因此x的数据是[0,1,2,3].
图片来自:绘图: matplotlib核心剖析
确定坐标范围
- plt.axis([xmin, xmax, ymin, ymax])
上面例子里的axis()命令给定了坐标范围。
- xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围
[python] view plain copy print ?
- %matplotlib inline
- import numpy as np
- import matplotlib.pyplot as plt
- from pylab import *
- x = np.arange(-5.0, 5.0, 0.02)
- y1 = np.sin(x)
- plt.figure(1)
- plt.subplot(211)
- plt.plot(x, y1)
- plt.subplot(212)
- #设置x轴范围
- xlim(-2.5, 2.5)
- #设置y轴范围
- ylim(-1, 1)
- plt.plot(x, y1)
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
x = np.arange(-5.0, 5.0, 0.02)
y1 = np.sin(x)
plt.figure(1)
plt.subplot(211)
plt.plot(x, y1)
plt.subplot(212)
#设置x轴范围 xlim(-2.5, 2.5) #设置y轴范围 ylim(-1, 1) plt.plot(x, y1)
叠加图 用一条指令画多条不同格式的线。
[python] view plain copy print ?
- import numpy as np
- import matplotlib.pyplot as plt
- # evenly sampled time at 200ms intervals
- t = np.arange(0., 5., 0.2)
- # red dashes, blue squares and green triangles
- plt.plot(t, t, ’r–’, t, t**2, ‘bs’, t, t**3, ‘g^’)
- plt.show()
import numpy as np
import matplotlib.pyplot as plt
# evenly sampled time at 200ms intervals t = np.arange(0., 5., 0.2) # red dashes, blue squares and green triangles plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^') plt.show()
plt.figure() 你可以多次使用figure命令来产生多个图,其中,图片号按顺序增加。这里,要注意一个概念当前图和当前坐标。所有绘图操作仅对当前图和当前坐标有效。通常,你并不需要考虑这些事,下面的这个例子为大家演示这一细节。
[python] view plain copy print ?
- import matplotlib.pyplot as plt
- plt.figure(1) # 第一张图
- plt.subplot(211) # 第一张图中的第一张子图
- plt.plot([1,2,3])
- plt.subplot(212) # 第一张图中的第二张子图
- plt.plot([4,5,6])
- plt.figure(2) # 第二张图
- plt.plot([4,5,6]) # 默认创建子图subplot(111)
- plt.figure(1) # 切换到figure 1 ; 子图subplot(212)仍旧是当前图
- plt.subplot(211) # 令子图subplot(211)成为figure1的当前图
- plt.title(’Easy as 1,2,3’) # 添加subplot 211 的标题
import matplotlib.pyplot as plt
plt.figure(1) # 第一张图
plt.subplot(211) # 第一张图中的第一张子图
plt.plot([1,2,3])
plt.subplot(212) # 第一张图中的第二张子图
plt.plot([4,5,6])
plt.figure(2) # 第二张图
plt.plot([4,5,6]) # 默认创建子图subplot(111)
plt.figure(1) # 切换到figure 1 ;
子图subplot(212)仍旧是当前图
plt.subplot(211) # 令子图subplot(211)成为figure1的当前图
plt.title('Easy as 1,2,3') # 添加subplot 211 的标题
figure感觉就是给图像ID,之后可以索引定位到它。
plt.text()添加文字说明
- text()可以在图中的任意位置添加文字,并支持LaTex语法
- xlable(), ylable()用于添加x轴和y轴标签
- title()用于添加图的题目
[python] view plain copy print ?
- import numpy as np
- import matplotlib.pyplot as plt
- mu, sigma = 100, 15
- x = mu + sigma * np.random.randn(10000)
- # 数据的直方图
- n, bins, patches = plt.hist(x, 50, normed=1, facecolor=‘g’, alpha=0.75)
- plt.xlabel(’Smarts’)
- plt.ylabel(’Probability’)
- #添加标题
- plt.title(’Histogram of IQ’)
- #添加文字
- plt.text(60, .025, r‘ μ=100, σ=15μ = 100 , & n b s p ; σ = 15 ’)
- plt.axis([40, 160, 0, 0.03])
- plt.grid(True)
- plt.show()
import numpy as np
import matplotlib.pyplot as plt
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)
# 数据的直方图 n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75) plt.xlabel('Smarts') plt.ylabel('Probability') #添加标题 plt.title('Histogram of IQ') #添加文字 plt.text(60, .025, r'μ=100, σ=15μ = 100 ,σ = 15') plt.axis([40, 160, 0, 0.03]) plt.grid(True) plt.show()
text中前两个参数感觉应该是文本出现的坐标位置。
plt.annotate()文本注释 在数据可视化的过程中,图片中的文字经常被用来注释图中的一些特征。使用annotate()方法可以很方便地添加此类注释。在使用annotate时,要考虑两个点的坐标:被注释的地方xy(x, y)和插入文本的地方xytext(x, y)。1
[python] view plain copy print ?
- import numpy as np
- import matplotlib.pyplot as plt
- ax = plt.subplot(111)
- t = np.arange(0.0, 5.0, 0.01)
- s = np.cos(2*np.pi*t)
- line, = plt.plot(t, s, lw=2)
- plt.annotate(’local max’, xy=(2, 1), xytext=(3, 1.5),
- arrowprops=dict(facecolor=’black’, shrink=0.05),
- )
- plt.ylim(-2,2)
- plt.show()
import numpy as np
import matplotlib.pyplot as plt
ax = plt.subplot(111)
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)
plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='black', shrink=0.05),
)
plt.ylim(-2,2)
plt.show()
plt.xticks()/plt.yticks()设置轴记号 现在是明白干嘛用的了,就是人为设置坐标轴的刻度显示的值。
[python] view plain copy print ?
- # 导入 matplotlib 的所有内容(nympy 可以用 np 这个名字来使用)
- from pylab import *
- # 创建一个 8 * 6 点(point)的图,并设置分辨率为 80
- figure(figsize=(8,6), dpi=80)
- # 创建一个新的 1 * 1 的子图,接下来的图样绘制在其中的第 1 块(也是唯一的一块)
- subplot(1,1,1)
- X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
- C,S = np.cos(X), np.sin(X)
- # 绘制余弦曲线,使用蓝色的、连续的、宽度为 1 (像素)的线条
- plot(X, C, color=”blue”, linewidth=1.0, linestyle=“-“)
- # 绘制正弦曲线,使用绿色的、连续的、宽度为 1 (像素)的线条
- plot(X, S, color=”r”, lw=4.0, linestyle=“-“)
- plt.axis([-4,4,-1.2,1.2])
- # 设置轴记号
- xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
- [r’ ?π? π ’, r‘ ?π/2? π / 2 ’, r‘ 00 ’, r‘+π/2+ π / 2 ’, r‘ +π+ π ’])
- yticks([-1, 0, +1],
- [r’ ?1? 1 ’, r‘ 00 ’, r‘+1+ 1 ’])
- # 在屏幕上显示
- show()
# 导入 matplotlib 的所有内容(nympy 可以用 np 这个名字来使用)
from pylab import *
# 创建一个 8 * 6 点(point)的图,并设置分辨率为 80 figure(figsize=(8,6), dpi=80) # 创建一个新的 1 * 1 的子图,接下来的图样绘制在其中的第 1 块(也是唯一的一块) subplot(1,1,1) X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) # 绘制余弦曲线,使用蓝色的、连续的、宽度为 1 (像素)的线条 plot(X, C, color="blue", linewidth=1.0, linestyle="-") # 绘制正弦曲线,使用绿色的、连续的、宽度为 1 (像素)的线条 plot(X, S, color="r", lw=4.0, linestyle="-") plt.axis([-4,4,-1.2,1.2]) # 设置轴记号 xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'?π? π', r'?π/2? π / 2', r'00', r'+π/2+ π / 2', r'+π+ π']) yticks([-1, 0, +1], [r'?1? 1', r'00', r'+1+ 1']) # 在屏幕上显示 show()
当我们设置记号的时候,我们可以同时设置记号的标签。注意这里使用了 LaTeX。2
移动脊柱 坐标系
[python] view plain copy print ?
- ax = 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))
ax = 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))
这个地方确实没看懂,囧,以后再说吧,感觉就是移动了坐标轴的位置。
plt.legend()添加图例
[python] view plain copy print ?
- plot(X, C, color=“blue”, linewidth=2.5, linestyle=“-“, label=“cosine”)
- plot(X, S, color=”red”, linewidth=2.5, linestyle=“-“, label=“sine”)
- legend(loc=’upper left’)
plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine")
plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine")
legend(loc='upper left')
matplotlib.pyplot 使用
plt.style.use('ggplot')
命令,可以作出ggplot风格的图片。[python] view plain copy print ?
- # Import necessary packages
- import pandas as pd
- %matplotlib inline
- import matplotlib.pyplot as plt
- plt.style.use(’ggplot’)
- from sklearn import datasets
- from sklearn import linear_model
- import numpy as np
- # Load data
- boston = datasets.load_boston()
- yb = boston.target.reshape(-1, 1)
- Xb = boston[’data’][:,5].reshape(-1, 1)
- # Plot data
- plt.scatter(Xb,yb)
- plt.ylabel(’value of house /1000 ($)’)
- plt.xlabel(’number of rooms’)
- # Create linear regression object
- regr = linear_model.LinearRegression()
- # Train the model using the training sets
- regr.fit( Xb, yb)
- # Plot outputs
- plt.scatter(Xb, yb, color=’black’)
- plt.plot(Xb, regr.predict(Xb), color=’blue’,
- linewidth=3)
- plt.show()
# Import necessary packages
import pandas as pd
%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('ggplot')
from sklearn import datasets
from sklearn import linear_model
import numpy as np
# Load data boston = datasets.load_boston() yb = boston.target.reshape(-1, 1) Xb = boston['data'][:,5].reshape(-1, 1) # Plot data plt.scatter(Xb,yb) plt.ylabel('value of house /1000 ($)') plt.xlabel('number of rooms') # Create linear regression object regr = linear_model.LinearRegression() # Train the model using the training sets regr.fit( Xb, yb) # Plot outputs plt.scatter(Xb, yb, color='black') plt.plot(Xb, regr.predict(Xb), color='blue', linewidth=3) plt.show()
给特殊点做注释 好吧,又是注释,多个例子参考一下!
我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先,我们在对应的函数图像位置上画一个点;然后,向横轴引一条垂线,以虚线标记;最后,写上标签。
[python] view plain copy print ?
- t = 2*np.pi/3
- # 作一条垂直于x轴的线段,由数学知识可知,横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。
- plot([t,t],[0,np.cos(t)], color =‘blue’, linewidth=2.5, linestyle=“–”)
- scatter([t,],[np.cos(t),], 50, color =‘blue’)
- annotate(r’ sin(2π3 )=3√ 2sin ? ( 2 π 3 ) = 3 2 ’,
- xy=(t, np.sin(t)), xycoords=’data’,
- xytext=(+10, +30), textcoords=‘offset points’, fontsize=16,
- arrowprops=dict(arrowstyle=”->”, connectionstyle=“arc3,rad=.2”))
- plot([t,t],[0,np.sin(t)], color =‘red’, linewidth=2.5, linestyle=“–”)
- scatter([t,],[np.sin(t),], 50, color =‘red’)
- annotate(r’ cos(2π3 )=?12cos ? ( 2 π 3 ) = ? 1 2 ’,
- xy=(t, np.cos(t)), xycoords=’data’,
- xytext=(-90, -50), textcoords=‘offset points’, fontsize=16,
- arrowprops=dict(arrowstyle=”->”, connectionstyle=“arc3,rad=.2”))
t = 2*np.pi/3
# 作一条垂直于x轴的线段,由数学知识可知,横坐标一致的两个点就在垂直于坐标轴的直线上了。这两个点是起始点。 plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--") scatter([t,],[np.cos(t),], 50, color ='blue') annotate(r'sin(2π3 )=3√ 2sin ? ( 2 π 3 ) = 3 2', xy=(t, np.sin(t)), xycoords='data', xytext=(+10, +30), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--") scatter([t,],[np.sin(t),], 50, color ='red') annotate(r'cos(2π3 )=?12cos ? ( 2 π 3 ) = ? 1 2', xy=(t, np.cos(t)), xycoords='data', xytext=(-90, -50), textcoords='offset points', fontsize=16, arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.subplot()
plt.subplot(2,3,1)
表示把图标分割成2*3的网格。也可以简写plt.subplot(231)
。其中,第一个参数是行数,第二个参数是列数,第三个参数表示图形的标号。plt.axes() 我们先来看什么是Figure和Axes对象。在matplotlib中,整个图像为一个Figure对象。在Figure对象中可以包含一个,或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。其逻辑关系如下34:
plt.axes-官方文档
- axes() by itself creates a default full subplot(111) window axis.
- axes(rect, axisbg=’w’) where rect = [left, bottom, width, height] in normalized (0, 1) units. axisbg is the background color for the axis, default white.
- axes(h) where h is an axes instance makes h the current axis. An Axes instance is returned.
rect=[左, 下, 宽, 高] 规定的矩形区域,rect矩形简写,这里的数值都是以figure大小为比例,因此,若是要两个axes并排显示,那么axes[2]的左=axes[1].左+axes[1].宽,这样axes[2]才不会和axes[1]重叠。show code:
[python] view plain copy print ?
- http://matplotlib.org/examples/pylab_examples/axes_demo.html
- import matplotlib.pyplot as plt
- import numpy as np
- # create some data to use for the plot dt = 0.001 t = np.arange(0.0, 10.0, dt) r = np.exp(-t[:1000]/0.05) # impulse response x = np.random.randn(len(t)) s = np.convolve(x, r)[:len(x)]*dt # colored noise # the main axes is subplot(111) by default plt.plot(t, s) plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)]) plt.xlabel(‘time (s)’) plt.ylabel(‘current (nA)’) plt.title(‘Gaussian colored noise’) # this is an inset axes over the main axes a = plt.axes([.65, .6, .2, .2], axisbg=’y’) n, bins, patches = plt.hist(s, 400, normed=1) plt.title(‘Probability’) plt.xticks([]) plt.yticks([]) # this is another inset axes over the main axes a = plt.axes([0.2, 0.6, .2, .2], axisbg=’y’) plt.plot(t[:len(r)], r) plt.title(‘Impulse response’) plt.xlim(0, 0.2) plt.xticks([]) plt.yticks([]) plt.show()
- dt = 0.001
- t = np.arange(0.0, 10.0, dt)
- r = np.exp(-t[:1000]/0.05) # impulse response
- x = np.random.randn(len(t))
- s = np.convolve(x, r)[:len(x)]*dt # colored noise
- # the main axes is subplot(111) by default
- plt.plot(t, s)
- plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])
- plt.xlabel(’time (s)’)
- plt.ylabel(’current (nA)’)
- plt.title(’Gaussian colored noise’)
- # this is an inset axes over the main axes
- a = plt.axes([.65, .6, .2, .2], axisbg=‘y’)
- n, bins, patches = plt.hist(s, 400, normed=1)
- plt.title(’Probability’)
- plt.xticks([])
- plt.yticks([])
- # this is another inset axes over the main axes
- a = plt.axes([0.2, 0.6, .2, .2], axisbg=‘y’)
- plt.plot(t[:len(r)], r)
- plt.title(’Impulse response’)
- plt.xlim(0, 0.2)
- plt.xticks([])
- plt.yticks([])
- plt.show()
http://matplotlib.org/examples/pylab_examples/axes_demo.html
import matplotlib.pyplot as plt
import numpy as np
# create some data to use for the plot dt = 0.001 t = np.arange(0.0, 10.0, dt) r = np.exp(-t[:1000]/0.05) # impulse response x = np.random.randn(len(t)) s = np.convolve(x, r)[:len(x)]*dt # colored noise # the main axes is subplot(111) by default plt.plot(t, s) plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)]) plt.xlabel('time (s)') plt.ylabel('current (nA)') plt.title('Gaussian colored noise') # this is an inset axes over the main axes a = plt.axes([.65, .6, .2, .2], axisbg='y') n, bins, patches = plt.hist(s, 400, normed=1) plt.title('Probability') plt.xticks([]) plt.yticks([]) # this is another inset axes over the main axes a = plt.axes([0.2, 0.6, .2, .2], axisbg='y') plt.plot(t[:len(r)], r) plt.title('Impulse response') plt.xlim(0, 0.2) plt.xticks([]) plt.yticks([]) plt.show() dt = 0.001 t = np.arange(0.0, 10.0, dt) r = np.exp(-t[:1000]/0.05) # impulse response x = np.random.randn(len(t)) s = np.convolve(x, r)[:len(x)]*dt # colored noise # the main axes is subplot(111) by default plt.plot(t, s) plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)]) plt.xlabel('time (s)') plt.ylabel('current (nA)') plt.title('Gaussian colored noise') # this is an inset axes over the main axes a = plt.axes([.65, .6, .2, .2], axisbg='y') n, bins, patches = plt.hist(s, 400, normed=1) plt.title('Probability') plt.xticks([]) plt.yticks([]) # this is another inset axes over the main axes a = plt.axes([0.2, 0.6, .2, .2], axisbg='y') plt.plot(t[:len(r)], r) plt.title('Impulse response') plt.xlim(0, 0.2) plt.xticks([]) plt.yticks([]) plt.show()
pyplot.pie参数
- matplotlib.pyplot.pie
- so-Named colors in matplotlib
- CSDN-matplotlib学习之(四)设置线条颜色、形状
[python] view plain copy print ?
- for name,hex in matplotlib.colors.cnames.iteritems():
- print name,hex
for name,hex in matplotlib.colors.cnames.iteritems():
print name,hex
打印颜色值和对应的RGB值。
-
plt.axis('equal')
避免比例压缩为椭圆
- How do I use matplotlib autopct?
autopct enables you to display the percent value using Python string formatting. For example, if autopct='%.2f', then for each pie wedge, the format string is '%.2f' and the numerical percent value for that wedge is pct, so the wedge label is set to the string '%.2f'%pct.
- DataHub-Python 数据可视化入门1?
- Matplotlib 教程?
- 绘图: matplotlib核心剖析?
- python如何调整子图的大小??
延伸阅读:Matplotlib绘图双纵坐标轴设置及控制设置时间格式
推荐阅读
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- Python|Win10下 Python开发环境搭建(PyCharm + Anaconda) && 环境变量配置 && 常用工具安装配置
- Python绘制小红花
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- OpenCV|OpenCV-Python实战(18)——深度学习简介与入门示例
- python|8. 文件系统——文件的删除、移动、复制过程以及链接文件
- 爬虫|若想拿下爬虫大单,怎能不会逆向爬虫,价值过万的逆向爬虫教程限时分享
- 分布式|《Python3网络爬虫开发实战(第二版)》内容介绍
- java|微软认真聆听了开源 .NET 开发社区的炮轰( 通过CLI 支持 Hot Reload 功能)