python绘图 科研作图 常用函数 方法

        总结一些python绘图方法。python绘图有一个强大的库工具：matplotlib.

导入画图工具代码：

import matplotlib.pyplot as plt

   一.散点图

• 函数功能：散点图，寻找两个变量之间的关系
• plt.scatter(x, y, s=20, c=None, marker=‘o’, cmap=None, norm=None, alpha=None, linewidths=None, edgecolors=None
• 参数说明：

x: 指定散点图的x轴数据
y: 指定散点图的y轴数据
s: 指定散点图点的大小，默认为20，通过新传入的变量，实现气泡图的绘制
c: 指定散点图点的颜色，默认为蓝色
marker: 指定散点图点的形状，默认为圆形
cmap: 指定色图，只有当c参数是一个浮点型的数组时才起作用
norm: 指定数据亮度， 标准化到0~1之间，使用该参数仍需要c为浮点型的数组
vmin、vmax: 亮度设置，与norm类似，如果使用了norm则该参数无效
alpha: 设置散点的透明度
edgecolors: 设置散点边界线的颜色
linewidths: 设置散点边界线的粗细

cmap和c 

        cmap和c配合使用。

        参数c可以是一个序列，如：plt.scatter(a,b,c=['b','r','b','r','b'],s=80)，则图中5个散点依次颜色为蓝、红、蓝、红、蓝。

        此时c的序列是一个颜色序列，除了上述的简洁写法，还可以使用RGB或RBGA：plt.scatter(a,b,c=['#f00','#0f0','#f00','#0f0','#f00'],s=80)

        上面的例子是将参数c设置为颜色序列，但是一般我们用来做分类的数据Y是整数0，1，2，.......，等等。此时就需要配合cmap参数来使用了。如：

1.  
   a = np.array([1,2,3,4,5])
2.  
   b= np.array([6,7,8,9,10])
3.  
   c = np.array([0,1,2,3,4])
4.  
   plt.scatter(a,b,c=c,s=80,cmap=plt.cm.Spectral)

其结果：

         在这里需要注意的是，plt.cm.Spectral是一个颜色映射集，但是，并不是说0~5各代表了某个颜色。而是说，参数c的序列中出现了5个不同的值，然后为每一个值分配一个颜色。

常见的颜色集有：

1. cmap=plt.cm.Spectral

效果示意：

2.cmap=plt.cm.cool

效果示意：

 3.cmap=plt.cm.spring

效果示意：

 4.cmap=plt.cm.Paired

效果示意：

5.cmap=plt.cm.plasma

效果示意：

6.cmap=plt.cm.PuBu

效果示意：

marker参数可指定值：

edgecolor

 二.热度图

• plt.matshow(Mat, cmap=plt.cm.gray)

 示例：

1.  
   Mat = np.array([[ 0.1443294 -0.24518758 -0.00205106 -0.23932041 0.14199204 0.39466085
2.  
   0.4229343 -0.2985331 0.31342949 -0.0886167 0.29671456 0.37616741
3.  
   0.28675223]
4.  
   [-0.48365155 -0.22493093 -0.31606881 0.0105905 -0.299634 -0.06503951
5.  
   0.00335981 -0.02877949 -0.03930172 -0.52999567 0.27923515 0.16449619
6.  
   -0.36490283]])
7.  
   plt.matshow(Mat, cmap='plasma')
8.  
   # 纵轴为主成分数
9.  
   plt.yticks([0, 1], ['component 1', 'component 2'])
10.  
    plt.colorbar()
11.  
    # 横轴为原始特征数量
12.  
    plt.xticks(range(len(wine.feature_names)), wine.feature_names, rotation=60, ha='left')
13.  
    plt.show()

 结果：

 三.折线图

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

 1.x为x轴数据, y为y轴数据

1.  
   X = [[1], [4]] # 横坐标
2.  
   y = [3, 5] # 纵坐标
3.  
   plt.plot(X, y, c='k')

结果：

2.可传入多组x, y

1.  
   import numpy as np
2.  
   import pandas as pd
3.  
   import matplotlib.pyplot as plt
4.  
    
5.  
   x=(3,4,5)
6.  
   y1=np.array([3,4,3])
7.  
   y2=pd.Series([4,5,4])
8.  
    
9.  
   plt.plot(x,y1,x,y2) # 此时x不可省略
10.  
    plt.show()

 结果：

 四.子图

     fig,ax = plt.subplots(nrows, ncols, figsize, sharex, sharey, squeeze, subplot_kw, gridspec_kw, fig_kw)

• 返回值：type(fig)是matplotlib.figure.Figure，type(ax)是numpy.ndarray；

• nrows/ncols：创建行数*列数的子图；
• figsize：指定整个画布的大小，以元组形式输入；
• sharex/sharey：是否共享x/y轴的属性； squeeze：默认True；
• subplot_kw：带有关键字的字典，该关键字传递给用于创建每个子图的add_subplot调用；
• gridspec_kw：带有关键字的字典，该关键字传递给用于创建每个子图网格的GridSpec函数；

示例：

1.  
   # 导入数据集获取工具
2.  
   from sklearn.datasets import fetch_lfw_people
3.  
   # 载入人脸数据集
4.  
   faces = fetch_lfw_people(min_faces_per_person=20, resize=0.8)
5.  
   image_shape = faces.images[0].shape
6.  
   # 将照片打印出来
7.  
   fig, axes = plt.subplots(3, 4, figsize=(12, 9), subplot_kw={'xticks':(), 'yticks':()})
8.  
   for target, image, ax in zip(faces.target, faces.images, axes.ravel()):
9.  
   ax.imshow(image, cmap=plt.cm.gray)
10.  
    ax.set_title(faces.target_names[target])
11.  
    plt.show()

 subplot_kw={'xticks':(), 'yticks':()}的效果是去除子图的横纵坐标轴

结果：

使用plt.subplots函数时，可以直接在该函数内部设置子图纸信息
该函数返回两个变量，一个是Figure实例fig，另一个 AxesSubplot实例ax 。fig代表整个图像，ax代表坐标轴和画的子图，通过下标获取需要的子区域。

 结果：

 参考：https://zhuanlan.zhihu.com/p/523005023

五.等高线

plt.contourf ()

参数：  

 X,Y：类似数组，可选为Z中的坐标值,当 X,Y,Z 都是 2 维数组时，它们的形状必须相同。如果都是 1 维数组时，len(X)是 Z 的列数，而 len(Y) 是 Z 中的行数。（例如，经由创建numpy.meshgrid()）
Z：类似矩阵绘制轮廓的高度值

levels：int或类似数组，可选,确定轮廓线/区域的数量和位置 
其他参数：    

aalpha：float ，可选
alpha混合值，介于0（透明）和1（不透明）之间。
cmap：str或colormap ，可选
Colormap用于将数据值（浮点数）从间隔转换为相应Colormap表示的RGBA颜色。用于将数据缩放到间隔中看 。

1.  
   import numpy as np
2.  
   import pandas as pd
3.  
   import matplotlib.pyplot as plt
4.  
    
5.  
    
6.  
   # 计算x,y坐标对应的高度值
7.  
   def f(x, y):
8.  
   return (1-x/2 x**3 y**5) * np.exp(-x**2-y**2)
9.  
    
10.  
    # 生成x,y的数据
11.  
    n = 256
12.  
    x = np.linspace(-3, 3, n)
13.  
    y = np.linspace(-3, 3, n)
14.  
     
15.  
    # 把x,y数据生成mesh网格状的数据，因为等高线的显示是在网格的基础上添加上高度值
16.  
    X, Y = np.meshgrid(x, y)
17.  
     
18.  
    # 填充等高线
19.  
    plt.contourf(X, Y, f(X, Y))
20.  
    # 显示图表
21.  
    plt.show()

 结果：

六.分类图

matplotlib.pyplot.pcolormesh(*args,alpha=None, norm=None, cmap=None, vmin=None,
vmax=None, shading=None,antialiased=False,data=None, **kwargs)

1.  
   from sklearn.neural_network import MLPClassifier
2.  
   from sklearn.datasets import load_wine
3.  
   from sklearn.model_selection import train_test_split
4.  
   wine = load_wine()
5.  
   X = wine.data[:, :2]
6.  
   y = wine.target
7.  
   X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
8.  
   mlp = MLPClassifier(solver='lbfgs')
9.  
   mlp.fit(X_train, y_train)
10.  
    import matplotlib.pyplot as plt
11.  
    from matplotlib.colors import ListedColormap
12.  
    import numpy as np
13.  
    # 使用不同的色块表示不同的分类
14.  
    cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
15.  
    cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])
16.  
    x_min, x_max = X_train[:, 0].min() - 1, X_train[:, 0].max() 1
17.  
    y_min, y_max = X_train[:, 1].min() - 1, X_train[:, 1].max() 1
18.  
    xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),
19.  
    np.arange(y_min, y_max, .02))
20.  
    Z = mlp.predict(np.c_[xx.ravel(), yy.ravel()])
21.  
    Z = Z.reshape(xx.shape)
22.  
    plt.figure()
23.  
    plt.pcolormesh(xx, yy, Z, cmap=cmap_light)
24.  
    plt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k', s=60)
25.  
    plt.xlim(xx.min(), xx.max())
26.  
    plt.ylim(yy.min(), yy.max())
27.  
    plt.title("MLPClassifier: solver:lbfgs")
28.  
    plt.show()

 结果：

七.常用函数

1.图例

plt.legend()

1.  
   import matplotlib.pyplot as plt
2.  
   import numpy as np
3.  
   x = np.arange(0,10,1)
4.  
   plt.plot(x,x,'r--',x,np.cos(x),'g--',marker='*')
5.  
   plt.xlabel('row')
6.  
   plt.ylabel('cow')
7.  
   plt.legend(["BJ","SH"],loc='upper left')
8.  
   plt.show()

结果：

 2.坐标轴

xlabel、ylabel: 设置横轴、纵轴标签及大小
例如plt.xlabel("csdn test", fontsize=20)

xlim、ylim： 设置x、y坐标轴的起始点（从哪到哪）
例如plt.xlim(0,50) plt.ylim(0,60)

xticks、yticks： 设置坐标轴刻度的字体大小
例如plt.xticks(labelsize=20)

title： 设置图片的标题
例如 plt.title(“csdn test”)

3.水平/竖直线

plt.hlines水平线

plt.vlines竖直线

必须要指定xmin，xmax/ymin,ymax

这篇好文章是转载于：学新通技术网