matplotlib介绍
基本图形展现
使用plot函数，首先收藏链接：http://matplotlib.org/contents.html
%matplotlib inline
import matplotlib.pyplot as plt
plt.plot([1,3,2,4]，[1,3,2,7],'ro')
plt.ylabel('some numbers')
plt.axis([0, 6, 0, 20])
plt.show()
上面例子里的plot里的list规定了x和y，如果缺省一个则将视为y值，后面的‘ro’表示红色的圈圈，可以做修改；
axis()命令给定了坐标范围，格式是[xmin, xmax, ymin, ymax]；
实际上，matplotlib不仅可以用于画向量，还可以用于画多维数据数组。
# 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()
格式设置
线形设置
有很多线的性质可供你设置：线宽，虚线格式，反锯齿补偿，等。进一步深入了解参数可以参见matplotlib.lines.Line2D
·我们可以通过'linewidth'来设置线宽，通过设定set_antialiased来确定是否消除锯齿
line = plt.plot([1,2,3,4], [1,4,9,16], '-', linewidth=2.0)
line.set_antialiased(False) # 关闭反锯齿
面我们都只画了一条线。这里，我们采用lines = plot(x1,y1,x2,y2)来画两条线。可以使用setp()命令，可以像MATLAB一样设置几条线的性质。 setp可以使用python 关键词，也可用MATLAB格式的字符串。(plt.setp(lines))
lines = plt.plot([1,2,3,4], [1,4,9,16], [1,2,3,4], [16,5,6,2])
# use keyword args
plt.setp(lines, color='r', linewidth=2.0)
# or MATLAB style string value pairs
plt.setp(lines, 'color', 'r', 'linewidth', 2.0)
我们在作图中经常用到的性质都在以下列表中给出了：
线型包括
线型 描述
'-' 实线
'--' 虚线
'-.' 点划线
':' 点
'None', '', 不画
线标记包括
标记 描述
'o' 圆圈
'D' 钻石
'h' 六边形1
'H' 六边形2
'x' X
'', 'None' 不画
'8' 八边形
'p' 五角星
',' 像素点
'+' 加号
'.' 点
's' 正方形
'*' 星型
'd' 窄钻石
'v' 下三角
'<' 左三角
'>' 右三角
'^' 上三角
颜色 所有的颜色设置可以通过命令matplotlib.pyplot.colors()来查询
标记 颜色
'b' 蓝色
'g' 绿色
'r' 红色
'c' 蓝绿色
'm' 品红
'y' 黄色
'k' 黑色
'w' 白色
如果上面的颜色还是不够用，可以采用RGB3元组来定义，范围是0~1
比如：color = (0.3, 0.3, 0.4)
color可以被用在一系列和函数中，这里我们再title中改变color
修改坐标范围
默认情况下，坐标轴的最小值和最大值与输入数据的最小、最大值一致。也就是说，默认情况下整个图形都能显示在所画图片上，我们可以通过xlim(xmin, xmax)和ylim(ymin, ymax)来调整x,y坐标范围，见下：
xlim(-2.5, 2.5)
#设置y轴范围
ylim(-1, 1)
plt.plot(x, y1)
创建子图
你可以通过plt.figure创建一张新的图，plt.subplot来创建子图。subplot()指令包含numrows(行数), numcols(列数), fignum(图像编号)，其中图像编号的范围是从1到行数 * 列数。在行数 * 列数<10时，数字间的逗号可以省略。
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(1)
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()
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。
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
添加文字
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
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'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
t0 = plt.text(0.35,0.5,'my text')
plt.setp(t0, color='b',fontsize=24)
t = plt.xlabel('my data', fontsize=14, color='red')
注释文本
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)
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()
图例
一个图例包含多个图例项，每个图例项由图例说明和图例标签构成
图例标签
由彩色的图案构成，位于图例说明的左侧
图例说明
图例标签的说明文字
使用legend()函数可以自动添加图例
line_up, = plt.plot([1,2,3], label='Line 2')
line_down, = plt.plot([3,2,1], label='Line 1')
plt.legend(handles=[line_up, line_down])
有时候多个图例图例分别添加在不同位置使图有更强的可读性。可以通过多次调用legned()函数来实现。添加图例的位置可以用关键词loc来指定。
line1, = plt.plot([1,2,3], label="Line 1", linestyle='--')
line2, = plt.plot([3,2,1], label="Line 2", linewidth=4)
# Create a legend for the first line.
first_legend = plt.legend(handles=[line1], loc=1)
# Add the legend manually to the current Axes.
ax = plt.gca().add_artist(first_legend)
# Create another legend for the second line.
plt.legend(handles=[line2], loc=4)
plt.show()
seaborn介绍
参考以下链接：http://seaborn.pydata.org/tutorial.html
格式设置 Style management
seaborn有五种模版darkgrid, whitegrid, dark, white, and ticks可以选择
sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data);
可以用下面的命令去掉axes spines
sns.despine()
you can pass a dictionary of parameters to the rc argument of axes_style() and set_style()
sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()
颜色设置
这里喜欢用的颜色：
渐变蓝色：
sns.palplot(sns.color_palette("Blues"))
渐变绿色：
sns.palplot(sns.color_palette("BuGn_r"))
渐变紫色：
sns.palplot(sns.cubehelix_palette(8))
颜色设置方法：
x, y = np.random.multivariate_normal([0, 0], [[1, -.5], [-.5, 1]], size=300).T
cmap = sns.cubehelix_palette(light=1, as_cmap=True)
sns.kdeplot(x, y, cmap=cmap, shade=True);
设置图像的大小和位置
f, ax = plt.subplots(figsize=(7, 3))
sns.countplot(y="deck", data=titanic, color="c");
各类图像
分布图
单变量分布图
在画分布图的时候可以选择是否加阴影（就是下面的填充），可以选择是否按照什么分布fit，可以选择kde和hist
sns.distplot(x, bins=20, kde=False, rug=True，hist=False);
sns.kdeplot(x, bw=.2, label="bw: 0.2"，shade=True, cut=0)；
sns.distplot(x, kde=False, fit=stats.gamma);
两个变量关系图
从最简单的散点图开始：
sns.jointplot(x="x", y="y", data=df);
难一点的蜂窝图
x, y = np.random.multivariate_normal(mean, cov, 1000).T
with sns.axes_style("white"):
sns.jointplot(x=x, y=y, kind="hex", color="k");
以及密度核型图
sns.jointplot(x="x", y="y", data=df, kind="kde");
等高线图：
f, ax = plt.subplots(figsize=(6, 6))
sns.kdeplot(df.x, df.y, ax=ax)
sns.rugplot(df.x, color="g", ax=ax)
sns.rugplot(df.y, vertical=True, ax=ax);
还可以玩出花样：
g = sns.jointplot(x="x", y="y", data=df, kind="kde", color="m")
g.plot_joint(plt.scatter, c="w", s=30, linewidth=1, marker="+")
g.ax_joint.collections[0].set_alpha(0)
g.set_axis_labels("$X$", "$Y$");
pairplot
iris = sns.load_dataset("iris")
sns.pairplot(iris);
g = sns.PairGrid(iris)
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.kdeplot, cmap="Blues_d", n_levels=6);
类别变量
sns.stripplot(x="day", y="total_bill", data=tips);
sns.swarmplot(x="day", y="total_bill", data=tips);
sns.swarmplot(x="total_bill", y="day", hue="time", data=tips);
sns.boxplot(x="day", y="total_bill", hue="time", data=tips);
sns.violinplot(x="total_bill", y="day", hue="time", data=tips);
可以将两个图叠加在一起
sns.violinplot(x="day", y="total_bill", data=tips, inner=None)
sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5);
对于图进行基本的统计：
sns.barplot(x="sex", y="survived", hue="class", data=titanic);
sns.countplot(x="deck", data=titanic, palette="Greens_d");
sns.pointplot(x="sex", y="survived", hue="class", data=titanic);
分面图：
sns.factorplot(x="day", y="total_bill", hue="smoker",
col="time", data=tips, kind="swarm");
线性关系图
sns.regplot(x="total_bill", y="tip", data=tips);
sns.lmplot(x="total_bill", y="tip", data=tips);
网友评论