Python--matplotlib绘图可视化 python

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

如果不想每次使用matplotlib时都在代码部分进行配置，可以修改matplotlib的文件参数。可以用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
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。

线条相关属性标记设置用来该表线条的属性

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

线条标记

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

颜色可以通过调用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

如果这两种颜色不够用，还可以通过两种其他方式来定义颜色值：

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)

很多方法可以介绍颜色参数，如title()。

[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

colors颜色找出matpltlib.pyplot.plot中的colors可以取哪些值？

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

autopct

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.