diff --git a/Python/matplotlab/学习教程/02配置属性列表.md b/Python/matplotlab/学习教程/02配置属性列表.md new file mode 100644 index 00000000..13929866 --- /dev/null +++ b/Python/matplotlab/学习教程/02配置属性列表.md @@ -0,0 +1,60 @@ +# 属性配置 + + +## 线条风格linestyle + +线条风格| 描述 +----|--- +‘-‘ |实线 +‘:’ |虚线 +‘–’ |破折线 +‘None’,’ ‘,’’ |什么都不画 +‘-.’ |点划线 + +## 线条标记marker + +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color + +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 + +## 位置position + +别名 | 位置 +--|-- +bottom | 底部 +top | 顶部 +left | 左边 +right | 右边 \ No newline at end of file diff --git a/Python/matplotlab/学习教程/02面向对象绘图实例.md b/Python/matplotlab/学习教程/03面向对象绘图实例.md similarity index 89% rename from Python/matplotlab/学习教程/02面向对象绘图实例.md rename to Python/matplotlab/学习教程/03面向对象绘图实例.md index a70196fe..fb9dfa3f 100644 --- a/Python/matplotlab/学习教程/02面向对象绘图实例.md +++ b/Python/matplotlab/学习教程/03面向对象绘图实例.md @@ -2,7 +2,7 @@ > 在这里的实例中，面向对象的方法与命令行的方式进行了混用，不提倡。首先运用好交互式命令行的方式进行绘图。 -## 配置参数 +## 对象和参数 * 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 * figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置 @@ -16,56 +16,6 @@ * 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 - -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 -----|---- -‘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 - -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 - - ## 绘图步骤 ```py diff --git a/Python/matplotlab/学习教程/03基本用法.md b/Python/matplotlab/学习教程/04基本用法（坐标轴）.md similarity index 87% rename from Python/matplotlab/学习教程/03基本用法.md rename to Python/matplotlab/学习教程/04基本用法（坐标轴）.md index bba0d704..52ff4737 100644 --- a/Python/matplotlab/学习教程/03基本用法.md +++ b/Python/matplotlab/学习教程/04基本用法（坐标轴）.md @@ -81,9 +81,10 @@ ax.spines['right'].set_color('none') ax.spines['top'].set_color('none') plt.show() ``` -调整刻度及边框位置 -使用.xaxis.set_ticks_position设置x坐标刻度数字或名称的位置：bottom.（所有位置：top，bottom，both，default，none）；使用.spines设置边框：x轴；使用.set_position设置边框位置：y=0的位置；（位置所有属性：outward，axes，data） +## 调整刻度及边框位置 +* 使用.xaxis.set_ticks_position设置x坐标刻度数字或名称的位置：bottom.（所有位置：top，bottom，both，default，none）；使用.spines设置边框：x轴；使用.set_position设置边框位置：y=0的位置；（位置所有属性：outward，axes，data） +```py plt.figure(num=3, figsize=(8, 5)) plt.plot(x, y2) plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--') @@ -97,9 +98,10 @@ ax.spines['top'].set_color('none') ax.xaxis.set_ticks_position('bottom') ax.spines['bottom'].set_position(('data', 0)) plt.show() +``` 使用.yaxis.set_ticks_position设置y坐标刻度数字或名称的位置：left.（所有位置：left，right，both，default，none） 使用.spines设置边框：y轴；使用.set_position设置边框位置：x=0的位置；（位置所有属性：outward，axes，data） 使用plt.show显示图像. - +```py plt.figure(num=3, figsize=(8, 5)) plt.plot(x, y2) plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--') @@ -115,10 +117,10 @@ ax.spines['bottom'].set_position(('data', 0)) ax.yaxis.set_ticks_position('left') ax.spines['left'].set_position(('data',0)) plt.show() - -练一练 -小伙伴们，以上就是matplotlib的基本用法，是不是比较简单呢？现在，请根据上述所学内容，画出直线 y = x-1, 线型为虚线，线宽为1，纵坐标范围（-2，1），横坐标范围（-1，2），横纵坐标在（0，0）坐标点相交。横坐标的 [-1,-0.5,1] 分别对应 [bad, normal, good]。请一定自己尝试一番再看下面的答案噢~ - +``` +## 练一练 +* 小伙伴们，以上就是matplotlib的基本用法，是不是比较简单呢？现在，请根据上述所学内容，画出直线 y = x-1, 线型为虚线，线宽为1，纵坐标范围（-2，1），横坐标范围（-1，2），横纵坐标在（0，0）坐标点相交。横坐标的 [-1,-0.5,1] 分别对应 [bad, normal, good]。请一定自己尝试一番再看下面的答案噢~ +```py #答案 x = np.linspace(-1, 2, 50) y = x - 1 @@ -132,4 +134,5 @@ ax.spines['top'].set_color('none') ax.spines['right'].set_color('none') ax.spines['left'].set_position(('data',0)) ax.spines['bottom'].set_position(('data',0)) -plt.show() \ No newline at end of file +plt.show() +``` \ No newline at end of file diff --git a/Python/matplotlab/学习教程/05图例和标注.md b/Python/matplotlab/学习教程/05图例和标注.md new file mode 100644 index 00000000..a2c64dff --- /dev/null +++ b/Python/matplotlab/学习教程/05图例和标注.md @@ -0,0 +1,193 @@ +# 图例和标注 + +## 基本用法 +本章知识点归纳如下： + +1. 添加图例：plt.legend() + +2. 画点：plt.scatter() + +3. 添加标注：plt.annotate() + +4. 添加注释：plt.text() + +## 添加图例 +* matplotlib 中的 legend 图例就是为了帮我们展示出每个数据对应的图像名称. 更好的让读者认识到你的数据结构。上次课我们了解到关于坐标轴设置方面的一些内容，代码如下： +```py +import matplotlib.pyplot as plt +import numpy as np + +x = np.linspace(-3, 3, 50) +y1 = 2*x + 1 +y2 = x**2 + +plt.figure() +#set x limits +plt.xlim((-1, 2)) +plt.ylim((-2, 3)) + +# set new sticks +new_sticks = np.linspace(-1, 2, 5) +plt.xticks(new_sticks) +# set tick labels +plt.yticks([-2, -1.8, -1, 1.22, 3], + [r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$']) +/opt/conda/lib/python3.5/site-packages/matplotlib/font_manager.py:278: UserWarning: Matplotlib is building the font cache using fc-list. This may take a moment. + 'Matplotlib is building the font cache using fc-list. ' +([, + , + , + , + ], + ) + +``` +* 本节中我们将对图中的两条线绘制图例，首先我们设置两条线的类型等信息（蓝色实线与红色虚线)，并且通过label参数为两条线设置名称。比如直线的名称就叫做 "linear line", 曲线的名称叫做 "square line"。当然，只是设置好名称并不能使我们的图例出现，要通过plt.legend()设置图例的显示。legend获取代码中的 label 的信息, plt 就能自动的为我们添加图例。 +```py +# set line syles +l1 = plt.plot(x, y1, label='linear line') +l2 = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line') +plt.legend() + +``` +* 如果希望图例能够更加个性化，可通过以下方式更改：参数 loc 决定了图例的位置,比如参数 loc='upper right' 表示图例将添加在图中的右上角。 其中’loc’参数有多种，’best’表示自动分配最佳位置，其余的如下： +``` +'best' : 0, +'upper right' : 1, +'upper left' : 2, +'lower left' : 3, +'lower right' : 4, +'right' : 5, +'center left' : 6, +'center right' : 7, +'lower center' : 8, +'upper center' : 9, +'center' : 10 +``` +```py +l1 = plt.plot(x, y1, label='linear line') +l2 = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line') +plt.legend(loc='upper right') + +``` +* 同样可以通过设置 handles 参数来选择图例中显示的内容。首先，在上面的代码 plt.plot(x, y2, label='linear line') 和 plt.plot(x, y1, label='square line') 中用变量 l1 和 l2 分别存储起来，而且需要注意的是 l1, l2,要以逗号结尾, 因为plt.plot() 返回的是一个列表。然后将 l1,l2 这样的objects以列表的形式传递给 handles。另外，label 参数可以用来单独修改之前的 label 信息, 给不同类型的线条设置图例信息。 +```py +l1, = plt.plot(x, y1, label='linear line') +l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line') +plt.legend(handles=[l1,l2,], labels=['up','down'], loc='best') + +``` + +## Annotation 标注 +* 当图线中某些特殊地方需要标注时，我们可以使用 annotation. matplotlib 中的 annotation 有两种方法， + * 一种是用 plt 里面的 annotate， + * 一种是直接用 plt 里面的 text 来写标注。 + +* 标注出点(x0, y0)的位置信息。用plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) 画出一条垂直于x轴的虚线。其中，[x0, x0,], [0, y0,] 表示在图中画一条从点 (x0,y0) 到 (x0,0) 的直线，'k--' 表示直线的颜色为黑色(black)，线形为虚线。而 plt.scatter 函数可以在图中画点，此时我们画的点为 (x0,y0), 点的大小(size)为 50， 点的颜色为蓝色(blue),可简写为 b。 +```py +plt.figure(num=1, figsize=(8, 5),) +ax = plt.gca() +ax.spines['right'].set_color('none') +ax.spines['top'].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)) +plt.plot(x, y,) + +x0 = 1 +y0 = 2*x0 + 1 +plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) +# set dot styles +plt.scatter([x0, ], [y0, ], s=50, color='b') + +``` +## 添加注释 annotate +* 接下来我们就对(x0, y0)这个点进行标注。第一种方式就是利用函数 annotate()，其中 r'' %y0 代表标注的内容，可以通过字符串 %s 将 y0 的值传入字符串；参数xycoords='data' 是说基于数据的值来选位置, xytext=(+30, -30) 和 textcoords='offset points' 表示对于标注位置的描述 和 xy 偏差值，即标注位置是 xy 位置向右移动 30，向下移动30, arrowprops是对图中箭头类型和箭头弧度的设置，需要用 dict 形式传入。 +```py +plt.figure(num=1, figsize=(8, 5),) +ax = plt.gca() +ax.spines['right'].set_color('none') +ax.spines['top'].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)) +plt.plot(x, y,) + +x0 = 1 +y0 = 2*x0 + 1 +plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) +# set dot styles +plt.scatter([x0, ], [y0, ], s=50, color='b') +plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30), + textcoords='offset points', fontsize=16, + arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2")) +Text(30,-30,'$2x+1=3$') +``` + +## 添加注释 text +第二种注释方式是通过 text() 函数，其中 -3.7,3, 是选取text的位置, r'' 为 text 的内容，其中空格需要用到转字符 \ ,fontdict 设置文本字的大小和颜色。 +```py +plt.figure(num=1, figsize=(8, 5),) +ax = plt.gca() +ax.spines['right'].set_color('none') +ax.spines['top'].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)) +plt.plot(x, y,) + +x0 = 1 +y0 = 2*x0 + 1 +plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) +# set dot styles +plt.scatter([x0, ], [y0, ], s=50, color='b') +plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30), + textcoords='offset points', fontsize=16, + arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2")) +plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$', + fontdict={'size': 16, 'color': 'r'}) +Text(-3.7,3,'$This\\ is\\ the\\ some\\ text. \\mu\\ \\sigma_i\\ \\alpha_t$') +``` +## tick 能见度 +当图片中的内容较多，相互遮盖时，我们可以通过设置相关内容的透明度来使图片更易于观察，也即是通过本节中的bbox参数设置来调节图像信息.首先参考之前的例子, 我们先绘制图像基本信息： +``` +x = np.linspace(-3, 3, 50) +y = 0.1*x + +plt.figure() +# 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序 +plt.plot(x, y, linewidth=10, zorder=1) +plt.ylim(-2, 2) +ax = plt.gca() +ax.spines['right'].set_color('none') +ax.spines['top'].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)) +``` +* 然后对被遮挡的图像调节相关透明度，本例中设置 x轴 和 y轴 的刻度数字进行透明度设置。其中label.set_fontsize(12)重新调节字体大小，bbox设置目的内容的透明度相关参，facecolor调节 box 前景色，edgecolor 设置边框， 本处设置边框为无，alpha设置透明度. 最终结果如下: +```py +plt.plot(x, y, linewidth=10, zorder=1) +plt.ylim(-2, 2) +ax = plt.gca() +ax.spines['right'].set_color('none') +ax.spines['top'].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)) +for label in ax.get_xticklabels() + ax.get_yticklabels(): + label.set_fontsize(12) + # 在 plt 2.0.2 或更高的版本中, 设置 zorder 给 plot 在 z 轴方向排序 + label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.7, zorder=2)) +plt.show() +``` \ No newline at end of file diff --git a/Python/matplotlab/学习教程/06各类图形.md b/Python/matplotlab/学习教程/06各类图形.md new file mode 100644 index 00000000..532f382f --- /dev/null +++ b/Python/matplotlab/学习教程/06各类图形.md @@ -0,0 +1,175 @@ +# 不同图形 + +## 基本用法 +本章知识点归纳如下： + +1. 散点图：plt.scatter() + +2. 柱状图：plt.bar() + +3. 等高线图：plt.contourf() + +4. 在等高线图中增加label：plt.clabel() + +5. 矩阵画图：plt.imshow() + +6. 在随机矩阵图中增加colorbar：plt.colorbar() + +## 散点图 + +* 首先，先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。 + +1. 数据生成 +生成1024个呈标准正态分布的二维数据组 (平均数是0，方差为1) 作为一个数据集，并图像化这个数据集。每一个点的颜色值用T来表示： +```py +import matplotlib.pyplot as plt +import numpy as np + +n = 1024 # data size +X = np.random.normal(0, 1, n) # 每一个点的X值 +Y = np.random.normal(0, 1, n) # 每一个点的Y值 +T = np.arctan2(Y,X) # for color value +``` +2. 画图： +数据集生成完毕，现在来用 plt.scatter 画出这个点集，输入X和Y作为location，size=75，颜色为T，color map用默认值，透明度alpha 为 50%。 x轴显示范围定位(-1.5，1.5)，并向xtick()函数传入空集()来隐藏x坐标轴，y轴同理： +```py +plt.scatter(X, Y, s=75, c=T, alpha=.5) + +plt.xlim(-1.5, 1.5) +plt.xticks(()) # ignore xticks +plt.ylim(-1.5, 1.5) +plt.yticks(()) # ignore yticks + +plt.show() +``` + +## 柱状图 +* 柱状图是在数据分析过程中最为常用的图表，折线图和饼图能够表达的信息，柱状图都能够表达。在学术报告或工作场景下，大家应尽量使用柱状图来代替折线图与饼图。下面，我们就开始吧~ + +1. 数据生成： +首先生成画图数据，向上向下分别生成2组数据，X为0到11的整数 ，Y是相应的均匀分布的随机数据。 + +2. 画图： +使用的函数是plt.bar，参数为X和Y，X代表横坐标，即柱形的位置，Y代表纵坐标，即柱形的高度。 +```py +import matplotlib.pyplot as plt +import numpy as np + +n = 12 +X = np.arange(n) +Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n) +Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n) + +plt.bar(X, +Y1) +plt.bar(X, -Y2) + +plt.xlim(-.5, n) +plt.xticks(()) +plt.ylim(-1.25, 1.25) +plt.yticks(()) + +plt.show() +``` +3. 修改颜色和数据标签 +如果小伙伴们想要改变柱状图的颜色，并且希望每个柱形上方能够显示该项数值该怎么做呢？我们可以用 plt.bar 函数中的facecolor参数设置柱状图主体颜色，用edgecolor参数设置边框颜色；而函数 plt.text 可以帮助我们在柱体上方（下方）加上数值：用%.2f保留两位小数，用ha='center'设置横向居中对齐，用va='bottom'设置纵向底部（顶部）对齐。 +```py +plt.bar(X, +Y1, facecolor='#FFCCCC', edgecolor='white') +plt.bar(X, -Y2, facecolor='#6699CC', edgecolor='white') + +for x, y in zip(X, Y1): + # ha: horizontal alignment + # va: vertical alignment + plt.text(x, y , '%.2f' % y, ha='center', va='bottom') + +for x, y in zip(X, Y2): + # ha: horizontal alignment + # va: vertical alignment + plt.text(x, -y , '%.2f' % y, ha='center', va='top') +``` +## 等高线图 +1. 数据生成 +数据集即三维点 (x,y) 和对应的高度值，共有256个点。高度值使用一个 height function f(x,y) 生成。 x, y 分别是在区间 [-3,3] 中均匀分布的256个值，并用meshgrid在二维平面中将每一个x和每一个y分别对应起来，编织成栅格: +```py +def f(x,y): + # the height function + return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2) + +n = 256 +x = np.linspace(-3, 3, n) +y = np.linspace(-3, 3, n) +X,Y = np.meshgrid(x, y) +``` +2. 画图： +接下来进行颜色填充。使用函数plt.contourf把颜色加进去，位置参数分别为：X, Y, f(X,Y)。8代表等高线的密集程度，这里被分为10个部分。如果是0，则图像被一分为二。透明度为0.75，并将 f(X,Y) 的值对应到color map的RdBu组中寻找对应颜色。大家可能并不能直观理解 colormap ，它可以将颜色和数字进行映射。如果暂时不能理解的话也没有关系，我们可以将其想象成matplotlib为我们提供的配色方案，大家可以查看此链接选择自己喜欢的配色方案应用在自己的图上。 +``` +# use plt.contourf to filling contours +# X, Y and value for (X,Y) point +plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.RdBu) + +``` +接下来进行等高线绘制。使用plt.contour函数划线。位置参数为：X, Y, f(X,Y)。颜色选黑色，线条宽度选0.5。现在的结果如下图所示，只有颜色和线条，还没有数值Label： +``` +# use plt.contour to add contour lines +plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.RdBu) +C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5) +/opt/conda/lib/python3.5/site-packages/matplotlib/contour.py:960: UserWarning: The following kwargs were not used by contour: 'linewidth' + s) +``` +3. 添加高度数字： +最后我们要通过 plt.clabel() 在等高线上加入高度数值，即加入Label，其中参数 inline 控制是否将 Label 画在线里面，fontsize 设置字体大小为10。并将坐标轴隐藏： +``` +plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.RdBu) +C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5) +plt.clabel(C, inline=True, fontsize=10) +plt.xticks(()) +plt.yticks(()) +/opt/conda/lib/python3.5/site-packages/matplotlib/contour.py:960: UserWarning: The following kwargs were not used by contour: 'linewidth' + s) +([], ) +``` + +## 随机矩阵画图 +* 这一节我们讲解怎样在matplotlib中打印出图像。这里我们打印出的是纯粹的数字，而非自然图像。 + +1. 数据生成 +首先生成一个 3x3 的 2D-array ，也就是三行三列的格子，array 中的每个值经过colormap与一个颜色对应并填充在格子中 +```py +a = np.array([0.313660827978, 0.365348418405, 0.423733120134, + 0.365348418405, 0.439599930621, 0.525083754405, + 0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3) +``` +2. 画图： +我们之前选cmap的参数时用的是：cmap=plt.cmap.RdBu，而现在，我们可以直接用单引号传入参数。 origin='lower'代表的就是选择的原点的位置。而 interpolation 表示画图方式，从该链接可看到matplotlib官网上对于内插法的不同方法的描述。这里我们使用的是内插法中的 Nearest-neighbor 的方法，其他的方式也都可以随意取选。 +```py +plt.imshow(a, interpolation='nearest', cmap='RdBu', origin='lower') + +``` +3. 增加colorbar +下面我们添加一个colorbar ，它可以为我们显示不同颜色的区块所对应的具体数值。其中shrink参数可以用来调整 colorbar 的长度，这里我们使colorbar的长度变短为原来的92%，这样我们2D图像就创建完毕了： +```py +plt.imshow(a, interpolation='nearest', cmap='RdBu', origin='lower') +plt.colorbar(shrink=.92) + +plt.xticks(()) +plt.yticks(()) +plt.show() +``` +## 练一练 +现在，小伙伴们可以尝试用上述方法对豆瓣电影数据集进行分析。请根据数据集中的表格'电影影评.csv'画出电影星级分布图。横坐标为电影的评分星级，分别为1，2，3，4，5；纵坐标为该星级下的电影数量。 提示：使用value_counts()函数对不同星级的电影数量进行计算 +```py +#答案： +import pandas as pd +data = pd.read_csv('/home/kesci/input/movie_douban/电影影评.csv') +data = data[data['星级']<=5] +data_distri = data['星级'].value_counts() +/opt/conda/lib/python3.5/site-packages/IPython/core/interactiveshell.py:2785: DtypeWarning: Columns (12,13,14,15,16,17,18,19,20,21,22,23,24,25,28,33,36) have mixed types. Specify dtype option on import or set low_memory=False. + interactivity=interactivity, compiler=compiler, result=result) +plt.figure(figsize=(6,4)) +plt.bar(data_distri.index, data_distri.values) +plt.ylim(0, 60000) +#设置数值标签 +x = np.array(list(data_distri.index)) +y = np.array(list(data_distri.values)) +for a,b in zip(x,y): + plt.text(a, b+500, '%.0f' % b, ha='center', va= 'bottom',fontsize=10) +``` \ No newline at end of file diff --git a/Python/matplotlab/学习教程/07子图绘制.md b/Python/matplotlab/学习教程/07子图绘制.md new file mode 100644 index 00000000..81d5a2cb --- /dev/null +++ b/Python/matplotlab/学习教程/07子图绘制.md @@ -0,0 +1,253 @@ +# 子图绘制 + +## 基本用法 +本章知识点归纳如下,我们可以通过这三种方法中的任一种实现多图： + +1. plt.subplot() + +2. plt.subplot2grid() + +3. gridspec.GridSpec() + +4. plt.subplots() + +5. 图中图：fig.add_axes() + +6. 次坐标轴：ax.twinx() + +## Subplot 多合一显示 +1. 均匀图中图 +首先使用import导入matplotlib.pyplot模块, 并简写成plt。 使用plt.figure创建一个图像窗口.使用plt.subplot来创建小图。plt.subplot(2,2,1)表示将整个图像窗口分为2行2列, 当前位置为1. 使用plt.plot([0,1],[0,1])在第1个位置创建一个小图。plt.subplot(2,2,2)表示将整个图像窗口分为2行2列, 当前位置为2。使用plt.plot([0,1],[0,2])在第2个位置创建一个小图。plt.subplot(2,2,3)表示将整个图像窗口分为2行2列,当前位置为3。 plt.subplot(2,2,3)可以简写成plt.subplot(223), matplotlib同样可以识别。使用plt.plot([0,1],[0,3])在第3个位置创建一个小图。plt.subplot(224)表示将整个图像窗口分为2行2列, 当前位置为4。使用plt.plot([0,1],[0,4])在第4个位置创建一个小图。 +```py +import matplotlib.pyplot as plt +plt.figure() + +plt.subplot(2,2,1) +plt.plot([0,1],[0,1]) + +plt.subplot(2,2,2) +plt.plot([0,1],[0,2]) + +plt.subplot(223) +plt.plot([0,1],[0,3]) + +plt.subplot(224) +plt.plot([0,1],[0,4]) + +plt.show() # 展示 +``` + +2. 不均匀图中图 +如果希望展示的小图的大小不相同, 应该怎么做呢? 以上面的4个小图为例, 如果把第1个小图放到第一行, 而剩下的3个小图都放到第二行。使用plt.subplot(2,1,1)将整个图像窗口分为2行1列, 当前位置为1。使用plt.plot([0,1],[0,1])在第1个位置创建一个小图。使用plt.subplot(2,3,4)将整个图像窗口分为2行3列, 当前位置为4。使用plt.plot([0,1],[0,2])在第4个位置创建一个小图。 + +这里需要解释一下为什么第4个位置放第2个小图。上一步中使用plt.subplot(2,1,1)将整个图像窗口分为2行1列, 第1个小图占用了第1个位置, 也就是整个第1行。这一步中使用plt.subplot(2,3,4)将整个图像窗口分为2行3列, 于是整个图像窗口的第1行就变成了3列, 也就是成了3个位置, 于是第2行的第1个位置是整个图像窗口的第4个位置。 +```PY +plt.subplot(2,1,1) +plt.plot([0,1],[0,1]) + +plt.subplot(2,3,4) +plt.plot([0,1],[0,2]) +[] +``` +接着，使用plt.subplot(235)将整个图像窗口分为2行3列,当前位置为5。使用plt.plot([0,1],[0,3])在第5个位置创建一个小图。同上, 再创建plt.subplot(236). +```PY +plt.subplot(2,1,1) +plt.plot([0,1],[0,1]) + +plt.subplot(2,3,4) +plt.plot([0,1],[0,2]) + +plt.subplot(235) +plt.plot([0,1],[0,3]) + +plt.subplot(236) +plt.plot([0,1],[0,4]) + +plt.show() # 展示 +``` +matplotlib 的 subplot 还可以是分格的,这里介绍三种方法同样也能达到 subplot() 函数的效果：subplot2grid、gridspec 和 subplots 。他们相比起普通的 subplot 会更加方便，在判断图的编号时不需要进行很复杂的考虑。 + +## subplot2grid +使用plt.subplot2grid来创建第1个小图, (3,3)表示将整个图像窗口分成3行3列, (0,0)表示从第0行第0列开始作图，colspan=3表示列的跨度为3, rowspan=1表示行的跨度为1。colspan和rowspan缺省, 表示默认跨度为1。 +```PY +ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3) +ax1.plot([1, 2], [1, 2]) # 画小图 +ax1.set_title('ax1_title') # 设置小图的标题 +Text(0.5,1,'ax1_title') +``` + +使用plt.subplot2grid来创建第2个小图, (3,3)表示将整个图像窗口分成3行3列, (1,0)表示从第1行第0列开始作图，colspan=2表示列的跨度为2. 同上画出 ax3, (1,2)表示从第1行第2列开始作图，rowspan=2表示行的跨度为2. 再画一个 ax4 和 ax5, 使用默认 colspan, rowspan。使用ax4.scatter创建一个散点图, 使用 ax4.setxlabel 和 ax4.setylabel 来对x轴和y轴命名。这样，我们就通过 subplot2grid() 完成了一张不均匀图中图。 细心的小伙伴可能可以注意到，在第一章我们设置标题与坐标轴时，使用的是plt.title()这样的语句，针对小图 ax ，我们的设置前都要加上 'set'。 +```PY +plt.figure(figsize=(8, 6)) +ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3) +ax1.plot([1, 2], [1, 2]) # 画小图 +ax1.set_title('ax1_title') # 设置小图的标题 +ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2) +ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2) +ax4 = plt.subplot2grid((3, 3), (2, 0)) +ax5 = plt.subplot2grid((3, 3), (2, 1)) +ax4.scatter([1, 2], [2, 2]) +ax4.set_xlabel('ax4_x') +ax4.set_ylabel('ax4_y') +Text(0,0.5,'ax4_y') +``` +## gridspec +gridspec 同样能帮助我们画出前文的图，个人觉得 gridspec 的使用是最为方便的，因为它允许我们使用索引的方式指定小图的大小和位置。首先，利用import导入matplotlib.pyplot模块, 并简写成plt. 利用import导入matplotlib.gridspec, 并简写成gridspec. +```PY +import matplotlib.pyplot as plt +import matplotlib.gridspec as gridspec +/opt/conda/lib/python3.5/site-packages/matplotlib/font_manager.py:278: UserWarning: Matplotlib is building the font cache using fc-list. This may take a moment. + 'Matplotlib is building the font cache using fc-list. ' +``` +使用plt.figure()创建一个图像窗口, 使用gridspec.GridSpec将整个图像窗口分成3行3列.使用plt.subplot来作图, gs[0, :]表示这个图占第0行和所有列, gs[1, :2]表示这个图占第1行和第2列前的所有列, gs[1:, 2]表示这个图占第1行后的所有行和第2列, gs[-1, 0]表示这个图占倒数第1行和第0列, gs[-1, -2]表示这个图占倒数第1行和倒数第2列. +```PY +plt.figure(figsize=(8, 8)) +gs = gridspec.GridSpec(3, 3) + +ax6 = plt.subplot(gs[0, :]) +ax7 = plt.subplot(gs[1, :2]) +ax8 = plt.subplot(gs[1:, 2]) +ax9 = plt.subplot(gs[-1, 0]) +ax10 = plt.subplot(gs[-1, -2]) +``` + +## subplots +subplots 不同于 subplot, 它允许我们将图像窗口集合在一起表示。请看下面的代码： + +首先，使用plt.subplots建立一个2行2列的图像窗口，sharex=True表示共享x轴坐标, sharey=True表示共享y轴坐标. ((ax11, ax12), (ax13, ax14))表示第1行从左至右依次放ax11和ax12, 第2行从左至右依次放ax13和ax14.接着使用ax11.scatter创建一个散点图. +``` +f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True) +ax11.scatter([1,2], [1,2]) + +``` +plt.tight_layout()表示紧凑显示图像, plt.show()表示显示图像. +``` +f, ((ax11, ax12), (ax13, ax14)) = plt.subplots(2, 2, sharex=True, sharey=True) +ax11.scatter([1,2], [1,2]) +plt.tight_layout() +plt.show() +``` + +## 图中图 +接下来我们来介绍 matplotlib 里一个很有意思的功能，叫做图中图(plot in plot)。通过它，我们可以在大图中嵌入小图。 + +1. 生成数据 +``` +# 导入pyplot模块 +import matplotlib.pyplot as plt + +# 创建数据 +x = [1, 2, 3, 4, 5, 6, 7] +y = [1, 3, 4, 2, 5, 8, 6] +
+``` +2. 绘制大图 +首先确定大图左下角的位置以及宽高： + +left, bottom, width, height = 0.1, 0.1, 0.8, 0.8 +注意，4个值都是占整个figure窗口的百分比。在这里，假设figure的大小是10x10，那么大图就被包含在由(1, 1)开始，宽8，高8的坐标系内。在klab上大家可能并不能理解figure的窗口大小，因为我们的图片会直接在代码下方显示，但对于其他平台，会出现弹出图片窗口的情况，这里的 figure 大小指的就是弹出窗口的大小。 + +接着，我们将大图坐标系添加到 figure 中，颜色为 r(red)，取名为 title： +``` +fig = plt.figure() + +ax1 = fig.add_axes([left, bottom, width, height]) +ax1.plot(x, y, 'r') +ax1.set_xlabel('x') +ax1.set_ylabel('y') +ax1.set_title('title') +Text(0.5,1,'title') +``` +3.绘制小图 +接着，我们来绘制左上角的小图，步骤和绘制大图一样，注意坐标系位置和大小的改变： +```PY +fig = plt.figure() + +left, bottom, width, height = 0.1, 0.1, 0.8, 0.8 +ax1 = fig.add_axes([left, bottom, width, height]) +ax1.plot(x, y, 'r') +ax1.set_xlabel('x') +ax1.set_ylabel('y') +ax1.set_title('title') + +left, bottom, width, height = 0.2, 0.6, 0.25, 0.25 +ax2 = fig.add_axes([left, bottom, width, height]) +ax2.plot(y, x, 'b') +ax2.set_xlabel('x') +ax2.set_ylabel('y') +ax2.set_title('title inside 1') +Text(0.5,1,'title inside 1') +``` +最后，我们再来绘制右下角的小图。这里我们采用一种更简单方法，即直接往plt里添加新的坐标系： +```PY +fig = plt.figure() + +left, bottom, width, height = 0.1, 0.1, 0.8, 0.8 +ax1 = fig.add_axes([left, bottom, width, height]) +ax1.plot(x, y, 'r') +ax1.set_xlabel('x') +ax1.set_ylabel('y') +ax1.set_title('title') + +left, bottom, width, height = 0.2, 0.6, 0.25, 0.25 +ax2 = fig.add_axes([left, bottom, width, height]) +ax2.plot(y, x, 'b') +ax2.set_xlabel('x') +ax2.set_ylabel('y') +ax2.set_title('title inside 1') + +plt.axes([0.6, 0.2, 0.25, 0.25]) +plt.plot(y[::-1], x, 'g') # 注意对y进行了逆序处理 +plt.xlabel('x') +plt.ylabel('y') +plt.title('title inside 2') + +plt.show() +``` +## 次坐标轴 +有时候我们会用到次坐标轴，即在同个图上有第2个y轴存在。这件事同样可以用matplotlib做到，而且很简单。首先，我们做一些准备工作： + +1. 数据生成： +```PY +x = np.arange(0, 10, 0.1) +y1 = 0.05 * x**2 +y2 = -1 * y1 +``` +2. 设置两个坐标系并画图： +可以看到，y2和y1是互相倒置的。所以，我们先获取figure默认的坐标系 ax1；然后对ax1调用twinx()方法，生成如同镜面效果后的ax2；最后接着进行绘图, 将 y1, y2 分别画在 ax1, ax2 上： +```PY +fig, ax1 = plt.subplots() +ax2 = ax1.twinx() + +ax1.plot(x, y1, 'g-') # green, solid line +ax1.set_xlabel('X data') +ax1.set_ylabel('Y1 data', color='g') +ax2.plot(x, y2, 'b-') # blue +ax2.set_ylabel('Y2 data', color='b') +Text(0,0.5,'Y2 data') +``` +练一练 +相信通过本章的学习小伙伴们已经能够进行多图合并显示了，下面，请选择以上任意一种方法，画出3个函数：y = x; y = x^2; y = 0.01*x - 0.01 +``` +#参考答案： +import matplotlib.pyplot as plt +import matplotlib.gridspec as gridspec +import numpy as np + +x = np.linspace(-3, 3, 50) +y1 = x +y2 = x**2 +y3 = 0.01*x - 0.01 + +plt.figure(figsize=(8, 8)) +gs = gridspec.GridSpec(2, 2) + +ax1 = plt.subplot(gs[0, 0]) +ax2 = plt.subplot(gs[0, 1]) +ax3 = plt.subplot(gs[1, :]) + +ax1.plot(x,y1) +ax2.plot(x,y2) +ax3.plot(x,y3) +[] +``` \ No newline at end of file diff --git a/Python/matplotlab/学习教程/083D与动画.md b/Python/matplotlab/学习教程/083D与动画.md new file mode 100644 index 00000000..09346756 --- /dev/null +++ b/Python/matplotlab/学习教程/083D与动画.md @@ -0,0 +1,129 @@ +# 3D与动画 +## 基本方法 +本章知识点归纳如下: + +1. 创建3D图：ax = Axes3D(fig) + +2. 画出3D图：ax.plot_surface() + +3. 投影：ax.contourf() + +4. 动画：animation.FuncAnimation() + +## 3D作图 +首先在进行 3D Plot 时除了导入 matplotlib ，还要额外添加一个模块，即 Axes 3D 3D 坐标轴显示,并且之后要先定义一个图像窗口，在窗口上添加3D坐标轴，显示成下图： +```py +import numpy as np +import matplotlib.pyplot as plt +from mpl_toolkits.mplot3d import Axes3D + +fig = plt.figure() +ax = Axes3D(fig) +``` +接下来给进 X 和 Y 值，并将 X 和 Y 编织成栅格。每一个（X, Y）点对应的高度值我们用下面这个函数来计算: +```py +# X, Y value +X = np.arange(-4, 4, 0.25) +Y = np.arange(-4, 4, 0.25) +X, Y = np.meshgrid(X, Y) # x-y 平面的网格 +R = np.sqrt(X ** 2 + Y ** 2) +# height value +Z = np.sin(R) +``` +做出一个三维曲面，并将一个 colormap rainbow 填充颜色，之后将三维图像投影到 XY 平面上做一个等高线图。其中，rstride 和 cstride 分别代表 row 和 column 的跨度。跨度越小，图形上的网格越密集，实际画出的 plot 3D 图像会如下图所示： +```py +fig = plt.figure() +ax = Axes3D(fig) +ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) + +``` + +## 投影 +有时候我们在观察3D图形时，可能需要图形映射到平面中来观察。还记得之前学习过的等高线图吗，它可以帮助我们对3D图像进行投影。下面代码为添加 XY 平面的等高线,如果 zdir 选择了x，那么效果将会是对于 XZ 平面的投影，而调整offset可以调整投影出现的位置，整体效果如下： +```py +fig = plt.figure() +ax = Axes3D(fig) +ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) +ax.contourf(X, Y, Z, zdir='z', offset=-1, cmap=plt.get_cmap('rainbow')) + +``` +如果 zdir 选择了x，那么效果将会是对于 XZ 平面的投影，效果如下： +```py +fig = plt.figure() +ax = Axes3D(fig) +ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) +ax.contourf(X, Y, Z, zdir='x', offset=-4, cmap=plt.get_cmap('rainbow')) + +``` +## Animation 动画 +最后，matplotlib还为我们提供了动画的接口。我们将使用其中一种方式 function animation 来为大家讲解，具体可参考matplotlib animation api。下面，我们就开始吧！ + +1. 导入动画库并定义方程 +我们的数据是一个0~2π内的正弦曲线： +``` +from matplotlib import pyplot as plt +from matplotlib import animation +import numpy as np + +fig, ax = plt.subplots() + +x = np.arange(0, 2*np.pi, 0.01) +line, = ax.plot(x, np.sin(x)) +``` +2. 构造动画函数与帧函数： +接着，构造自定义动画函数animate，用来更新每一帧上各个x对应的y坐标值，参数表示第i帧；然后，构造开始帧函数init： +``` +def animate(i): + line.set_ydata(np.sin(x + i/10.0)) + return line, +def init(): + line.set_ydata(np.sin(x)) + return line, +``` +3. 参数设置： +接下来，我们调用FuncAnimation函数生成动画。参数说明： + + 1. fig 进行动画绘制的figure + + 2. func 自定义动画函数，即传入刚定义的函数animate + + 3. frames 动画长度，一次循环包含的帧数 + + 4. init_func 自定义开始帧，即传入刚定义的函数init + + 5. interval 更新频率，以ms计 + + 6. lit 选择更新所有点，还是仅更新产生变化的点。应选择True，但mac用户请选择False，否则无法显示动画 + +(因为平台的不兼容问题，请klab暂时无法进行动画的演示，请大家在自己的电脑上尝试进行动画作图吧~) +```py +fig, ax = plt.subplots() +line, = ax.plot(x, np.sin(x)) + +ani = animation.FuncAnimation(fig=fig, + func=animate, + frames=100, + init_func=init, + interval=20, + blit=True) +plt.show() +``` +当然，你也可以将动画以mp4格式保存下来，但首先要保证你已经安装了ffmpeg 或者mencoder +``` +ani.save('basic_animation.mp4', fps=30, extra_args=['-vcodec', 'libx264']) +``` +## 练一练 +请大家根据之前所学的3D图画法画出3D数据 z = (x + y)^2， 并利用等高线图对其进行投影。 +``` +#参考答案： +X = np.arange(-4, 4, 0.25) +Y = np.arange(-4, 4, 0.25) +X, Y = np.meshgrid(X, Y) +Z = (X + Y)**2 + +fig = plt.figure() +ax = Axes3D(fig) +ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow')) +ax.contourf(X, Y, Z, zdir='x', offset=-4, cmap=plt.get_cmap('rainbow')) + +``` \ No newline at end of file diff --git a/Python/matplotlab/学习教程/3d_test.py b/Python/matplotlab/学习教程/3d_test.py new file mode 100644 index 00000000..02de03d4 --- /dev/null +++ b/Python/matplotlab/学习教程/3d_test.py @@ -0,0 +1,19 @@ +import numpy as np +import matplotlib.pyplot as plt +from mpl_toolkits.mplot3d import Axes3D + +# 生成数据 + +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) + +# 画图 + +fig = plt.figure() +ax = Axes3D(fig) +ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap = plt.get_cmap('rainbow')) +ax.contourf(X, Y, Z, zdir='x', offset=-4, cmap=plt.get_cmap('rainbow')) +plt.show() \ No newline at end of file diff --git a/Python/matplotlab/学习教程/animation_test.py b/Python/matplotlab/学习教程/animation_test.py new file mode 100644 index 00000000..339a6efb --- /dev/null +++ b/Python/matplotlab/学习教程/animation_test.py @@ -0,0 +1,26 @@ +from matplotlib import pyplot as plt +from matplotlib import animation +import numpy as np + +# fig, ax = plt.subplots() + +x = np.arange(0, 2*np.pi, 0.01) +# line, = ax.plot(x, np.sin(x)) + +def animate(i): + line.set_ydata(np.sin(x + i/10.0)) + return line, +def init(): + line.set_ydata(np.sin(x)) + return line, + +fig, ax = plt.subplots() +line, = ax.plot(x, np.sin(x)) + +ani = animation.FuncAnimation(fig=fig, + func=animate, + frames=100, + init_func=init, + interval=20, + blit=True) +plt.show() \ No newline at end of file diff --git a/Python/matplotlab/学习教程/test1.py b/Python/matplotlab/学习教程/axis_test.py similarity index 77% rename from Python/matplotlab/学习教程/test1.py rename to Python/matplotlab/学习教程/axis_test.py index d57e773a..8d7a0464 100644 --- a/Python/matplotlab/学习教程/test1.py +++ b/Python/matplotlab/学习教程/axis_test.py @@ -29,5 +29,11 @@ plt.yticks([-2,-1.8,-1,1.22,3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good ax = plt.gca() ax.spines['right'].set_color('none') ax.spines['top'].set_color('none') + +# 调整刻度及边框位置 +ax.xaxis.set_ticks_position('top') +ax.spines['bottom'].set_position(('data',10)) +ax.yaxis.set_ticks_position('left') +ax.spines['left'].set_position(('data',0)) # 展示图像 plt.show() \ No newline at end of file diff --git a/Python/matplotlab/学习教程/legend_test.py b/Python/matplotlab/学习教程/legend_test.py new file mode 100644 index 00000000..7e194437 --- /dev/null +++ b/Python/matplotlab/学习教程/legend_test.py @@ -0,0 +1,45 @@ +import numpy as np +import matplotlib.pyplot as plt + +x = np.linspace(-3,3,50) +y1 = 2*x+1 +y2 = x**2 + +plt.figure() + +# 坐标轴范围 +plt.xlim((-4,5)) +plt.ylim((-2,10)) + +# 坐标 +ticks = np.linspace(-1,2,5) +plt.xticks(ticks) + +plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$']) + +# 线条 +plt.plot(x,y1,label='linear line') +plt.plot(x,y2,label='quick line',color='red',linewidth=1,linestyle='--') + +# 图例 +plt.legend(loc='upper right') + +# 设置x轴位置 +ax = plt.gca() +ax.spines['bottom'].set_position(('data', 0)) + +# 标注 + +x0 = 1 +y0 = 2*x0 + 1 +plt.plot([x0, x0,], [0, y0,], 'k--', linewidth=2.5) +plt.scatter([x0, ], [y0, ], s=50, color='b') + + +# 注释annotate +plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),textcoords='offset points', fontsize=16,arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2")) + +# 注释 text +plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',fontdict={'size': 16, 'color': 'r'}) +# 展示 +plt.show() diff --git a/Python/matplotlab/学习教程/subplot_test.py b/Python/matplotlab/学习教程/subplot_test.py new file mode 100644 index 00000000..e69de29b diff --git a/Python/matplotlab/学习教程/type_test.py b/Python/matplotlab/学习教程/type_test.py new file mode 100644 index 00000000..9c19c818 --- /dev/null +++ b/Python/matplotlab/学习教程/type_test.py @@ -0,0 +1,60 @@ +import matplotlib.pyplot as plt +import numpy as np + + +# 生成数据 +x = np.random.normal(0,1,1024) +y = np.random.normal(0,1,1024) +t = np.arctan2(x,y) + +# 绘制散点图 +plt.subplot(2,2,1) +plt.scatter(x,y,s = 75,c = t,alpha=0.5) + +# 生成数据 +X = np.arange(12) +Y1 = (1 - X / float(12)) * np.random.uniform(0.5, 1.0, 12) +Y2 = (1 - X / float(12)) * np.random.uniform(0.5, 1.0, 12) + +# 绘制柱状图 +plt.subplot(2,2,2) +plt.bar(X, +Y1, facecolor='#FFCCCC', edgecolor='white') +plt.bar(X, -Y2, facecolor='#6699CC', edgecolor='white') + +# zip()函数将两个可迭代对象打包成可迭代元组。 +for x, y in zip(X, Y1): + # ha: horizontal alignment + # va: vertical alignment + plt.text(x, y , '%.2f' % y, ha='center', va='bottom') + +for x, y in zip(X, Y2): + # ha: horizontal alignment + # va: vertical alignment + plt.text(x, -y , '%.2f' % y, ha='center', va='top') + +# 生成数据 +def f(x,y): + # the height function + return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2) + +n = 256 +x = np.linspace(-3, 3, n) +y = np.linspace(-3, 3, n) +# meshgrid，由x，y打包成矩阵 +X,Y = np.meshgrid(x, y) +# 绘制等高线地图 +plt.subplot(2,2,3) +plt.contourf(X, Y, f(X, Y),10, alpha=.75, cmap=plt.cm.RdBu) +c = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5) +plt.clabel(c, inline=True, fontsize=10) + +# 生成数据 +a = np.array([0.313660827978, 0.365348418405, 0.423733120134, + 0.365348418405, 0.439599930621, 0.525083754405, + 0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3) +plt.subplot(2,2,4) +plt.imshow(a, interpolation='nearest', cmap='RdBu', origin='lower') +plt.colorbar(shrink=.92) + +# 展示 +plt.show() \ No newline at end of file diff --git a/工作日志/2020年10月1日.md b/工作日志/2020年10月1日.md new file mode 100644 index 00000000..0bf2ffcd --- /dev/null +++ b/工作日志/2020年10月1日.md @@ -0,0 +1,7 @@ +# 想法存档 + +* 使用python3编程，实现markdown文章存放到本地。自己写Python对markdown语法的解析程序把。 + + + + diff --git a/工作日志/2020年9月30日.md b/工作日志/2020年9月30日.md index ac048d4e..bbed3888 100644 --- a/工作日志/2020年9月30日.md +++ b/工作日志/2020年9月30日.md @@ -1 +1,3 @@ -# 看论文工具与方法 \ No newline at end of file +# 看论文工具与方法 + +> 不要打断自己正在做的事情。可以对突发的想法进行存档。 \ No newline at end of file