Matplotlib 绘图库从入门到精通

 　　matplotlib是python的一个绘图库。使用它可以很方便的绘制出版质量级别的图形。说实话没有matlab画的图清楚。使用Matplotlib，能够轻易生成各种图像，例如：直方图、波谱图、条形图、散点图等。

绘图核心API

案例：绘制一条正弦曲线

import numpy as np
import matplotlib.pyplot as plt

xs = np.linspace(-np.pi, np.pi, 1000)
ys = np.sin(xs)
plt.plot(xs, ys)
plt.show()

绘制水平线和垂直线：

plt.vlines(vval, ymin, ymax, ...)　　绘制垂直线  

参数：

• vval：垂直线的 x轴坐标的起始值
• ymin：垂直线长度的最小值 
• ymax：垂直线长度的最大值

plt.hlines(xval, xmin, xmax, ...)　　绘制水平线 

参数：

• vval：水平线的 y轴坐标的起始值
• ymin：水平线长度的最小值 
• ymax：水平线长度的最大值

import matplotlib.pyplot as plt

plt.vlines(0,0,10)  # x轴
plt.hlines(0,0,10)  # y轴
plt.show()

线条、线宽和颜色

linestyle 线形

　　常见的线：直线：-　　虚线： - -　　点线：：　　点划线：-.　　星号：*

　　常见的点：点：.　　方形：s　　圆：o　　像素：,　　三角形：^

linewidth  线宽

color  颜色

• 英文颜色单词
• 常见颜色英文单词首字母
• 16进制表示颜色：#495434
• rgb或rgba(1,1,1) 或 (1,1,1,1)

常见的颜色：蓝色：b　　青色：c　　红色：r　　黑色：k　　绿色：g　　品红：r　　黄色：y　　白色：w

alpha  透明度，浮点数值

plt.plot(xarray, yarray, linestyle='', linewidth=1, color='', alpha=0.5)

坐标轴取值范围

plt.xlim(x_min,x_min)

参数：

• x_limt_min：x轴范围最小值
• x_limt_min：x轴范围最大值

plt.ylim(y_min,y_min)

参数：

• y_limt_min：y轴范围最小值
• y_limt_min：y轴范围最大值

坐标轴刻度

plt.xticks(x_val_list , x_text_list )

参数：

• x_val_list: x轴刻度值序列
• x_text_list: x轴刻度标签文本序列 [可选]

plt.yticks(y_val_list , y_text_list )

• y_val_list: y轴刻度值序列
• y_text_list: y轴刻度标签文本序列 [可选]

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], ["-π","-π/2", 0, "π/2", "π"])

刻度文本的特殊语法--LaTax语法字符串

plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
    [r"$-\pi$",r"$-\frac{\pi}{2}$", 0, r"$\frac{\pi}{2}$", r"$\pi$"])

 

设置坐标轴

坐标轴名：'left':左轴、'right':右轴、'bottom':下轴、'top':上轴

ax = plt.gca() 　　　　　　　　  获取其中某个坐标系axis = ax.spines['坐标轴名']　　获取某个具体的上下左右坐标轴，left、right、bottom、top

axis.set_position(("data", val))　　设置坐标轴位置

参数：

• type: 移动坐标轴的参照类型 一般为'data' (以数据的值作为移动参照值)
• val: 参照值

axis.set_color(color)　　　　设置坐标轴的颜色

案例：设置坐标轴至中心

ax = plt.gca()
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.yticks([-1, -0.5, 0.5, 1])

图例

显示图例，需要先在plt.plot中设置曲线的label，再plt.legend设置图例

plt.plot(xarray, yarray ... label='', ...)　　label: <关键字参数 str> 支持LaTex排版语法字符串

plt.legend(loc='')

　　loc：制定图例的显示位置 (若不设置loc，则显示默认最优位置)

'best'	最优的位置
'upper right'	上右
'upper left'	上左
'lower left'	下左
'lower right'	下右
'right'	右
'center left'	中心偏左
'center right'	中心偏右
'lower center'	中心偏下
'upper center'	中心偏上
'center'	中心

plt.title("****)　　设置图的标题

plt.xlabel("x")　　设置x轴的名称

plt.ylabel("y")　　设置y轴的名称

plt.grid(linestyle="")　　　　设置网格线，参数可以不写

mp.tick_params(labelsize=8)　　设置刻度字体大小

标注点

plt.scatter(x, y, marker='', s=60, edgecolor='', facecolor='', zorder=3)

参数：

• x，y：     需要标注的点，或点的数组
• marker：    点型
• s：       大小
• edgecolor：  边缘色
• facecolor：  填充色 
• zorder：    绘制图层编号 (编号越大，图层越靠上，就不会被线条盖住)
• label:　　　　用于在图例中显示的字符串

添加注释

有时候我们需要对特定的点进行标注，我们可以使用 plt.annotate 函数来实现。

这里我们要标注的点是 (x0, y0) = (π, 0)。

annotate("备注内容", xycoords="data", xy=(x,y), textcoords='offset points', xytext=(x, y), fontsize=14, arrowprops=dict(arrowstyle='', connectionstyle=''))

参数：

• 第一个参数，就是备注的内容，支持LaTax语法
• xycoords='data'：参照类型 一般为'data' (以数据的值作为移动参照值)
• textcoords='offset points'：表示对于标注位置的描述(offset points表示参照点的偏移坐标系)
• xytext=(+30, -30)  xy 偏差值，即标注位置是 xy 位置向右移动 30，向下移动30；
• fontsize：字体大小

• 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。

• • arrowstyle='', #定义箭头样式
  • connectionstyle='' #定义连接线的样式

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
plt.plot(x, y)

x0 = np.pi
y0 = 0

plt.scatter(x0, y0, s=50)        # 画出标注点
# 右边的
plt.annotate('sin(np.pi)=%s' % y0, xy=(np.pi, 0), xycoords='data', xytext=(+30, -30),
             textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))
# 左边的
plt.text(0.5, -0.25, "sin(np.pi) = 0", fontdict={'size': 16, 'color': 'r'})

plt.show()

============   =============================================
Name           Attrs
============   =============================================
  '-'          None
  '->'         head_length=0.4,head_width=0.2
  '-['         widthB=1.0,lengthB=0.2,angleB=None
  '|-|'        widthA=1.0,widthB=1.0
  '-|>'        head_length=0.4,head_width=0.2
  '<-'         head_length=0.4,head_width=0.2
  '<->'        head_length=0.4,head_width=0.2
  '<|-'        head_length=0.4,head_width=0.2
  '<|-|>'      head_length=0.4,head_width=0.2
  'fancy'      head_length=0.4,head_width=0.4,tail_width=0.4
  'simple'     head_length=0.5,head_width=0.5,tail_width=0.2
  'wedge'      tail_width=0.3,shrink_factor=0.5
============   =============================================

箭头样式

============   =============================================
Name           Attrs
============   =============================================
  'angle'         angleA=90,angleB=0,rad=0.0
  'angle3'         angleA=90,angleB=0`   
  'arc'            angleA=0,angleB=0,armA=None,armB=None,rad=0.0
  'arc3'         rad=0.0
  'bar'         armA=0.0,armB=0.0,fraction=0.3,angle=None
============   =============================================

连接线样式

我们也可以使用 plt.text 函数来添加注释。

plt.text是在图中书写文本

plt.text(x,y,"内容", ha="",va="", size, alpha)

参数：

• x,y：为本文的位置
• ha：文本水平位置 "center"
• va：文本水平位置 "center"
• size：字体大小
• alpha：透明度

一次性绘制多个图形

当需要两组数据进行对比，或者一组数据的不同展示方式，我们就可以在一个窗口中绘制多个图形。

图形窗口——figure

matplotlib在绘制图形的时候都在一个默认的figure中。我们可以通过plt.figure()再创建一个窗口

plt.figure("窗口名", figsize=(4,3)，facecolor="")

参数：

• figsize：窗口大小，元组形式
• facecolor：图标背景颜色

每次调用一次figure方法，一来是创建一个新窗口，而来是编辑这个窗口，如果创建的窗口已经存在，则是编辑那个已经存在的窗口。

import matplotlib.pyplot as plt
import numpy as np

data = np.arange(100, 201)  # 生成一组100到200，步长为1的数组
# 在第一个默认窗口画
plt.plot(data)  # 绘制data

data2 = np.arange(200,301)
plt.figure(figsize=(6, 3))    # 生成一个图形窗口,设置窗口的大小为(6,3)
# 在第二个窗口画
plt.plot(data2) # 绘制data2

plt.show()  # 展现

子图——subplot

　　有时候我们需要将多张子图展示在一起，可以使用 plt.subplot()实现。即在调用plot()函数之前需要先调用 subplot()函数。该函数的第一个参数代表子图的总行数，第二个参数代表子图的总列数，第三个参数代表活跃区域。下面绑定了实例，也可以不绑定。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)

ax1 = plt.subplot(2, 2, 1) # (行，列，活跃区)
plt.plot(x, np.sin(x), 'r')

ax2 = plt.subplot(2, 2, 2, sharey=ax1) # 与 ax1 共享y轴
plt.plot(x, 2 * np.sin(x), 'g')

ax3 = plt.subplot(2, 1, 2)  # 将窗口分为两行1列，这个图形占第二列
plt.plot(x, np.cos(x), 'b')

plt.show()

代码解析：

1、subplot(2,2,x)表示将图像窗口分为2行2列。x表示当前子图所在的活跃区域。

2、subplot(2,1,2)将窗口分为两行一列，这个图形画在第二列

3、plt.subplot(2,2,2,sharey=ax1)　　　　# 是与ax1函数共享受一个y轴。

4、如果之前定义了图片fig = plt.figure(),那么可以通过ax4 = fig.add_subplot(2,1,3)添加子图

运行结果如下：

注意;subplot函数的参数不仅仅支持上面的这种形式，还可以将三个整数(10之内的)合并一个整数。例如：plt.subplot(2,2,1)可以写成plt.subplot(221),结果是一样的。

常用的图形实例

Matplotlib可以生成非常多的图形，常用的有：线形图、散点图、饼状图、条形图、直方图。我们来依次了解一下。

线形图——plot

import matplotlib.pyplot as plt

plt.plot([1,2,3],[3,6,9], "-r")
plt.plot([1,2,3],[2,4,9], ":g")

plt.show()

代码解析：

1、plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，

2、最后一个参数是由两个字符构成，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线，关于样式和颜色的说明请参见plor函数的APIDoc：matplotlib.pyplot.plot

运行结果如下：

散点图——scatter

先上代码：

import matplotlib.pyplot as plt
import numpy as np

plt.subplot(2,1,1)
k = 500
x = np.random.rand(k)
y = np.random.rand(k)　　　　　　# [0,1)之间的随机数
size = np.random.rand(k) * 50 # 生成每个点的大小
colour = np.arctan2(x, y) # 生成每个点的颜色
plt.scatter(x, y, s=size, c=colour)
plt.colorbar() # 添加颜色栏

N = 20
# 参数c表示点的颜色，s是点的大小，alpha是透明度

plt.subplot(2,3,4)
plt.scatter(np.random.rand(N) * 100,
            np.random.rand(N) * 100,
            c="r", s=100, alpha=0.5)    # 红色

plt.subplot(2,3,5)
plt.scatter(np.random.rand(N) * 100,
            np.random.rand(N) * 100,
            c="g", s=200, alpha=0.5)    # 绿色

plt.subplot(2,3,6)
plt.scatter(np.random.rand(N) * 100,
            np.random.rand(N) * 100,
            c="b", s=300, alpha=0.5)    # 蓝色

plt.show() 

 代码解析：

1、这幅图包含三组数据，每组数据都包含了20个随机坐标的位置

2、参数c表示点的颜色,c的值可以是列表或者公式；s是点的大小，alpha是透明度

d = (x-172)**2 + (y-60)**2
mp.scatter(x, y, c=d, cmap='jet')    #以c作为参数，取cmap颜色映射表中的颜色值

　　cmap颜色映射表，值越大颜色偏蓝，值越小颜色偏红。

3、plt.colorbar()添加右边的颜色栏

运行结果：

饼状图——pie

mp.axis('equal')　　　　设置坐标大小一致，目的是为了让饼状图是圆而不是椭圆mp.pie(values, spaces, labels, colors, '%d%%', shadow=True, startangle=90, radius=1)

• values：值列表
• spaces：扇形之间的间距列表
• labels：标签列表
• colors：颜色列表
• autopct='%d%%'：标签所占比例格式
• shadow=True：是否显示阴影
• startangle=90：逆时针绘制饼状图时的起始角度
• radius=1：半径

先上代码：

import matplotlib.pyplot as plt
import numpy as np

labels = ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]

data = np.random.rand(7) * 100  # 生成7组随机数

# labels指定标签，autopct指定数值的精度
plt.pie(data, labels=labels, autopct="%1.1f%%")
plt.axis("equal")   # 设置了坐标大小一致
plt.legend()    # 指明要绘制的图例

plt.show()

代码解析：

1、data是一个包含7个数据的随机数值

2、图中的标签通过labels来指定

3、autopct指定了数值的精度格式

4、plt.axis('equal')设置了坐标轴大小一致

5、plt.legend()指明要绘制图例(见下图的右上角)

运行结果：

柱形图——bar

plt.bar(x, y, width, color="", label="", alpha=0.2)

参数：

• x：水平坐标轴
• y：柱状图高度数组
• width：柱子的宽度，小于1
• color：柱子的颜色
• label：用于图例显示
• tick_label：刻度标签
• alpha：透明度

import numpy as np
import matplotlib.pyplot as plt

apples = np.array([30, 25, 22, 36, 21, 29, 20, 24, 33, 19, 27, 15])
oranges = np.array([24, 33, 19, 27, 35, 20, 15, 27, 20, 32, 20, 22])
plt.figure('Bar', facecolor='lightgray')
plt.title('Bar', fontsize=20)
plt.xlabel('Month', fontsize=14)
plt.ylabel('Price', fontsize=14)
plt.tick_params(labelsize=10)
plt.grid(axis='y', linestyle=':')
plt.ylim((0, 40))
labels=['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun',
        'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
x = np.arange(len(apples))
plt.bar(x-0.2, apples, 0.4, color='dodgerblue',label='Apple', tick_label=labels)
plt.bar(x + 0.2, oranges, 0.4, color='orangered',label='Orange', alpha=0.75, tick_label=labels)
plt.legend()
plt.show()

直方图——hist

直方图是描述数据中某范围内数据出现的频率，

先上代码：

import matplotlib.pyplot as plt
import numpy as np

# 生成3组数据
data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K'] # 设置标签

# 设置数据点
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]

plt.hist(data, bins=bins, label=labels)
plt.legend()

plt.show()

代码解析：

[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含三个数组的列表。

• 第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000)
• 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000)
• 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)

 2、bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。

运行结果：

　　我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。

等高线图--contour

组成等高线需要网格点坐标矩阵，也需要每个点的高度。

cntr = plt.contour(x, y, z, 8, colors='black', linewidths=0.5)

• x：网格坐标矩阵的x坐标 (2维数组)
• y：网格坐标矩阵的y坐标 (2维数组)
• z：网格坐标矩阵的z坐标 (2维数组)
• 8：把等高线绘制成8部分
• colors='black'：等高线的颜色
• linewidths=0.5：线宽

plt.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10)　　为等高线图添加高度标签plt.contourf(x, y, z, 8, cmap='jet')　　　　填充等高线颜色

import numpy as np
import matplotlib.pyplot as plt

n = 1000
# 生成网格化坐标矩阵
x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n))
# 根据每个网格点坐标，通过某个公式计算z高度坐标
z = (1 - x/2 + x**5 + y**3) * np.exp(-x**2 - y**2)
plt.figure('Contour', facecolor='lightgray')
plt.title('Contour', fontsize=20)
plt.xlabel('x', fontsize=14)
plt.ylabel('y', fontsize=14)
plt.tick_params(labelsize=10)
plt.grid(linestyle=':')
plt.contourf(x, y, z, 8, cmap='jet')      # 添加颜色
cntr = plt.contour(x, y, z, 8, colors='black', linewidths=0.5)　　# 绘制等高线图
# 为等高线图添加高度标签 
plt.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10) 
plt.show()

填充

plt.fill_between(x, sin_x, cos_x, sin_x<cos_x, color='',alpha=0.2)

参数：

• x：x轴的水平坐标
• sin_x：下边界曲线上点的垂直坐标
• cos_x：上边界曲线上点的垂直坐标
• sin_x<cos_x：填充条件，为True时填充
• color：填充颜色
• alpha：透明度

举例：绘制两条曲线： sin_x = sin(x) cos_x = cos(x / 2) / 2 [0-8π]

import numpy as np
import matplotlib.pyplot as mp

x = np.linspace(0, 8 * np.pi, 1000)
sinx = np.sin(x)
cosx = np.cos(x / 2) / 2
mp.figure('Fill', facecolor='lightgray')
mp.title('Fill')
mp.plot(x, sinx, color='dodgerblue', label='sinx', linewidth=2)
mp.plot(x, cosx, color='orangered', label='cosx', linewidth=2)
# 绘制填充
mp.fill_between(x, sinx, cosx, sinx > cosx, color='dodgerblue', alpha=0.5)
mp.fill_between(x, sinx, cosx, sinx < cosx, color='orangered', alpha=0.5)

mp.legend()
mp.show()

 

3D图像

3维点阵图

ax3d.scatter(
    x,                 # x轴坐标数组
    y,                # y轴坐标数组
    z,                # z轴坐标数组
    marker='',         # 点型
    s=10,            # 大小
    zorder='',        # 图层序号
    color='',        # 颜色
    edgecolor='',     # 边缘颜色
    facecolor='',    # 填充色
    c=v,            # 颜色值 根据cmap映射应用相应颜色
    cmap=''            # 
)

案例：随机生成3组坐标，服从标准正态分布规则，并且绘制它们。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d

n = 500
x = np.random.normal(0, 1, n)
y = np.random.normal(0, 1, n)
z = np.random.normal(0, 1, n)
plt.figure('3D scatter')
ax3d = plt.gca(projection='3d')
d = x ** 2 + y ** 2 + z ** 2
ax3d.scatter(x, y, z, s=70, c=d, alpha=0.7, cmap='jet')
ax3d.set_xlabel('x')
ax3d.set_ylabel('y')
ax3d.set_zlabel('z')
plt.tight_layout()
plt.show()

3D曲面图

ax3d.plot_surface(
    x,                     # 网格坐标矩阵的x坐标 (2维数组)
    y,                     # 网格坐标矩阵的y坐标 (2维数组)
    z,                     # 网格坐标矩阵的z坐标 (2维数组)
    rstride=30,            # 行跨距
    cstride=30,         # 列跨距
    cmap='jet'            # 颜色映射
)

案例：绘制3d平面图

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d

n = 1000
# 生成网格化坐标矩阵
x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n))
# 根据每个网格点坐标，通过某个公式计算z高度坐标
z = (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)
plt.figure('3D', facecolor='lightgray')

ax3d = plt.gca(projection='3d')
plt.title('3D', fontsize=20)
ax3d.set_xlabel('x', fontsize=14)
ax3d.set_ylabel('y', fontsize=14)
ax3d.set_zlabel('z', fontsize=14)
plt.tick_params(labelsize=10)
# 绘制3D平面图
# rstride: 行跨距
# cstride: 列跨距
ax3d.plot_surface(x, y, z, rstride=30, cstride=30, cmap='jet')
plt.show()

等高线图

组成等高线需要网格点坐标矩阵，也需要每个点的高度。所以等高线属于3D数学模型范畴。

cntr = mp.contour(
    x,                     # 网格坐标矩阵的x坐标 (2维数组)
    y,                     # 网格坐标矩阵的y坐标 (2维数组)
    z,                     # 网格坐标矩阵的z坐标 (2维数组)
    8,                     # 把等高线绘制成8部分
    colors='black',        # 等高线的颜色
    linewidths=0.5        # 线宽
)
# 为等高线图添加高度标签
mp.clabel(cntr, inline_spacing=1, fmt='%.1f',
          fontsize=10)
# 填充等高线
mp.contourf(x, y, z, 8, cmap='jet')

案例：生成网格坐标矩阵，并且绘制等高线：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d

n = 1000
# 生成网格化坐标矩阵
x, y = np.meshgrid(np.linspace(-3, 3, n), np.linspace(-3, 3, n))
# 根据每个网格点坐标，通过某个公式计算z高度坐标
z = (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)
plt.figure('Contour', facecolor='lightgray')
plt.title('Contour', fontsize=20)
plt.xlabel('x', fontsize=14)
plt.ylabel('y', fontsize=14)
plt.tick_params(labelsize=10)
plt.grid(linestyle=':')
# 绘制等高线图
plt.contourf(x, y, z, 8, cmap='jet')
cntr = plt.contour(x, y, z, 8, colors='black', linewidths=0.5)
# 为等高线图添加高度标签
plt.clabel(cntr, inline_spacing=1, fmt='%.1f', fontsize=10)
plt.show()

简单动画

动画即是在一段时间内快速连续的重新绘制图像的过程。

matplotlib提供了方法用于处理简单动画的绘制。定义update函数用于即时更新图像。

import matplotlib.animation as ma
#定义更新函数行为
def update(number):
    pass
# 每隔10毫秒执行一次update更新函数，作用于plt.gcf()当前窗口对象
anim = ma.FuncAnimation(plt.gcf(), update, interval=10)
# plt.gcf()：    获取当前窗口
# update：    更新函数
# interval：    间隔时间(单位：毫秒)
plt.show()

使用生成器函数提供数据，实现动画绘制

在很多情况下，绘制动画的参数是动态获取的，matplotlib支持定义generator生成器函数，用于生成数据，把生成的数据交给update函数更新图像：

import matplotlib.animation as ma
#定义更新函数行为
def update(data):
    t, v = data
    ...
    pass

def generator():
    yield t, v
        
# 每隔10毫秒将会先调用生成器，获取生成器返回的数据，
# 把生成器返回的数据交给并且调用update函数，执行更新图像函数
anim = ma.FuncAnimation(mp.gcf(), update, generator,interval=10)

案例：绘制信号曲线：y=sin(2 * π * t) * exp(sin(0.2 * π * t))，数据通过生成器函数生成，在update函数中绘制曲线。

import numpy as np
import matplotlib.pyplot as mp
import matplotlib.animation as ma

x = 0
mp.figure("Signal", facecolor='lightgray')
mp.title("Signal", fontsize=14)
mp.xlim(0, 20)
mp.ylim(-3, 3)
mp.grid(linestyle='--', color='lightgray', alpha=0.5)
pl = mp.plot([], [], color='dodgerblue', label='Signal')[0]


def update(data):
    t, v = data
    x, y = pl.get_data()  # x,y是保存x,y坐标的ndarray对象
    x = np.append(x, t)
    y = np.append(y, v)
    pl.set_data(x, y)  # 重新设置数据源
    # 移动坐标轴
    if (x[-1] > 20):
        mp.xlim(x[-1] - 20, x[-1])


def y_generator():
    global x
    y = np.sin(2 * np.pi * x) * np.exp(np.sin(0.2 * np.pi * x))
    yield (x, y)
    x += 0.05


anim = ma.FuncAnimation(mp.gcf(), update, y_generator, interval=20)
mp.tight_layout()
mp.show()

绘制dates与收盘价的折线图：

import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md

def dmy2ymd(dmy):
    # 把日月年字符串转为年月日字符串
    dmy = str(dmy, encoding='utf-8')
    d = dt.datetime.strptime(dmy, '%d-%m-%Y').date()
    ymd = d.strftime('%Y-%m-%d')
    return ymd

# 加载文件
dates, opening_prices, highest_prices, lowest_prices, \
closing_prices = np.loadtxt('./aapl.csv', delimiter=',',
                            usecols=(1, 3, 4, 5, 6),
                            unpack=True, dtype='M8[D], f8, f8, f8, f8',
                            converters={1: dmy2ymd})

# 绘制收盘价的折线图
mp.figure('AAPL', facecolor='lightgray')
mp.title('AAPL', fontsize=18)
mp.xlabel('Date', fontsize=14)
mp.ylabel('Price', fontsize=14)
mp.grid(linestyle=':')
mp.tick_params(labelsize=10)

ax = mp.gca()       # 设置刻度定位器
maloc = md.WeekdayLocator(byweekday=md.MO)      # 每周一一个主刻度
ax.xaxis.set_major_locator(maloc)

ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d'))      # 设置主刻度日期的格式
ax.xaxis.set_minor_locator(md.DayLocator())             # DayLocator:每天一个次刻度
dates = dates.astype(md.datetime.datetime)              # 把dates的数据类型改为matplotlib的日期类型

# 绘制收盘价
mp.plot(dates, closing_prices, label='Closing Prices', linewidth=2, color='dodgerblue', linestyle='--', alpha=0.7)
mp.legend()
mp.gcf().autofmt_xdate()        # 刻度参数倾斜
mp.show()

View Code

刻度定位器

ax=plt.gca()　　获取当前坐标轴

x轴空刻度

ax.xaxis.set_major_locator(plt.NullLocator())

水平坐标轴的主刻度定位器，间隔1

ax.xaxis.set_major_locator(plt.MultipleLocator(1))

水平坐标轴的次刻度定位器为多点定位器，间隔0.1

ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1))

常用刻度器如下：

# 空定位器：不绘制刻度
plt.NullLocator()

# 最大值定位器：最多绘制nbins+1个刻度
plt.MaxNLocator(nbins=3)

# 定点定位器：根据locs参数中的位置绘制刻度
plt.FixedLocator(locs=[0, 2.5, 5, 7.5, 10])

# 自动定位器：由系统自动选择刻度的绘制位置
plt.AutoLocator()

# 索引定位器：由offset确定起始刻度，由base确定相邻刻度的间隔
plt.IndexLocator(offset=0.5, base=1.5)

# 多点定位器：从0开始，按照参数指定的间隔(缺省1)绘制刻度
plt.MultipleLocator()

# 线性定位器：等分numticks-1份，绘制numticks个刻度
plt.LinearLocator(numticks=21)

# 对数定位器：以base为底，绘制刻度
plt.LogLocator(base=2)

时间刻度器

文件在我的github中：https://github.com/LXP-Neve/data

import matplotlib.dates as md

ax = mp.gca()  # 设置刻度定位器
ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO))  # 每周一一个主刻度
ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d'))  # 设置主刻度日期的格式
ax.xaxis.set_minor_locator(md.DayLocator())  # 每天一个次刻度
dates = dates.astype(md.datetime.datetime)  # 把dates的数据类型改为matplotlib的日期类型

"""加载文件"""
import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md


def dmy2ymd(dmy):
    # 把日月年字符串转为年月日字符串
    dmy = str(dmy, encoding='utf-8')
    d = dt.datetime.strptime(dmy, '%d-%m-%Y').date()
    ymd = d.strftime('%Y-%m-%d')
    return ymd


# 加载文件
dates, opening_prices, highest_prices, lowest_prices, closing_prices = \
    np.loadtxt('./aapl.csv', delimiter=',',
               usecols=(1, 3, 4, 5, 6),
               unpack=True, dtype='M8[D], f8, f8, f8, f8',
               converters={1: dmy2ymd})

# 绘制收盘价的折线图
mp.figure('AAPL', facecolor='lightgray')
mp.title('AAPL', fontsize=18)
mp.xlabel('Date', fontsize=14)
mp.ylabel('Price', fontsize=14)
mp.grid(linestyle=':')
mp.tick_params(labelsize=10)

ax = mp.gca()  # 设置刻度定位器
ax.xaxis.set_major_locator(md.WeekdayLocator(byweekday=md.MO))  # 每周一一个主刻度
ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d'))  # 设置主刻度日期的格式
ax.xaxis.set_minor_locator(md.DayLocator())  # 每天一个次刻度
dates = dates.astype(md.datetime.datetime)  # 把dates的数据类型改为matplotlib的日期类型

# 绘制收盘价
mp.plot(dates, closing_prices, label='Closing Prices', linewidth=2, color='dodgerblue', linestyle='--', alpha=0.7)
mp.legend()
mp.gcf().autofmt_xdate()  # 刻度参数倾斜
mp.show()

View Code

网格刻度线

ax = plt.gca()

#绘制刻度网格线

ax.grid(which='', axis='', linewidth=1, linestyle='', color='', alpha=0.5)

参数

• which：major 主刻度；minor 次刻度
• axis：'x'、'y'/'both'-->绘制x或y轴
• linewidth：线宽
• linestyle：线型
• color：颜色
• alpha：透明度

import matplotlib.pyplot as plt

y = [1, 10, 100, 1000, 100, 10, 1]
# 设置刻度定位器
ax = plt.gca()
ax.xaxis.set_major_locator(plt.MultipleLocator(1))
ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1))
ax.yaxis.set_major_locator(plt.MultipleLocator(250))
ax.yaxis.set_minor_locator(plt.MultipleLocator(50))
# 绘制刻度网格线
ax.grid(which='major', axis='both', color='orangered', linewidth=0.75)
ax.grid(which='minor', axis='both', color='orangered', linewidth=0.25)

plt.plot(y, 'o-')
plt.show()

View Code

指数增长坐标

y轴将以指数方式递增。 基于半对数坐标绘制第二个子图，表示曲线：[1, 10, 100, 1000, 100, 10, 1]。

y = [1, 10, 100, 1000, 100, 10, 1]
plt.semilogy(y)

import matplotlib.pyplot as plt

plt.figure('Semilogy')
plt.subplot(211)
y = [1, 10, 100, 1000, 100, 10, 1]
# 设置刻度定位器
ax = plt.gca()
ax.xaxis.set_major_locator(plt.MultipleLocator(1))
ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1))
ax.yaxis.set_major_locator(plt.MultipleLocator(250))
ax.yaxis.set_minor_locator(plt.MultipleLocator(50))
# 绘制刻度网格线
ax.grid(which='major', axis='both', color='orangered', linewidth=0.75)
ax.grid(which='minor', axis='both', color='orangered', linewidth=0.25)
plt.plot(y, 'o-')

# 半对数坐标系
plt.subplot(212)
y = [1, 10, 100, 1000, 100, 10, 1]
# 设置刻度定位器
ax = plt.gca()
ax.xaxis.set_major_locator(plt.MultipleLocator(1))
ax.xaxis.set_minor_locator(plt.MultipleLocator(0.1))
ax.yaxis.set_major_locator(plt.MultipleLocator(250))
ax.yaxis.set_minor_locator(plt.MultipleLocator(50))
# 绘制刻度网格线
ax.grid(which='major', axis='both', color='orangered', linewidth=0.75)
ax.grid(which='minor', axis='both', color='orangered', linewidth=0.25)
plt.semilogy(y, 'o-')

plt.show()

View Code

解决中文乱码问题

默认情况下，Matplotlib中文会出现乱码，只显示方框。

import matplotlib.pyplot as plt

x = ['北京', '上海', '深圳', '广州']
y = [60000, 58000, 50000, 52000]

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示符号

plt.plot(x, y)
plt.gcf().autofmt_xdate()  # 自动设置旋转，避免重叠
plt.show()

 只需要配置一下后台字体就可以了。

 matplotlib官方文档

 Python 机器学习库 NumPy 教程

会动的音频