Matplotlib随记2

之前写了很多关于Matplotlib的基础知识，这次主要讲一下Matplotlib所生成的几个图：散点图，柱状图，等高线图，图片和3D数据

Scatter散点图

在制作Scatter散点图的过程中，我们首先要引入matplotlib.pyplot简写为plt，再引入模块numpy用来产生一些随机的数据。生成1024个呈正态分布的二维数组（平均数是0，方差是1）作为一个数据集，并图像化这个数据集。其中，每一个点的颜色用T来表示：

import matplotlib.pyplot as plt
import numpy as np

n=1024   #数据大小
X=np.random.normal(0,1,n)   #每一个点的X值
Y=np.random.normal(0,1,n)   #
T=np.arctan2(Y,X)

数据生成完毕之后，我们需要采用scatter来绘制这些点。在这里，我们输入X和Y作为输入点，颜色为T，color map用作默认值，透明度alpha为50%。X轴显示范围定位为（-1.5,1.5)，并用xtick()函数来隐藏x坐标轴，ytick()函数来隐藏y坐标轴

plt.scatter(X,Y,s=75,c=T,alpha=.5)

plt.xlim(-1.5,1.5)
plt.xticks(())
plt.ylim(-1.5,1.5)
plt.yticks(())

plt.show()

综上，该代码最终产生的结果为：

柱状图

在我们平时的机器学习领域中，柱状图通常有很大的作用，它可以很形象的看到趋势的变化。下面就介绍一下如何利用matplotlib来生成一个柱状图。

首先第一步便是生成数据。我们向上向下分别生成12个数据，X为0到11的整数，Y是相应的均匀分布的随机数据。使用的函数是plt.bar，参数是X和Y：

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(-1,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())

plt.show()

这样我们便可以生成柱状图的基本框架。下一步我们需要对该图就颜色和数值进行优化。用facecolor设置主题颜色，edgecolor设置边框颜色。

plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')

接下来我们用函数plt.text分别在柱体上方（下方）加上数值，用%.2f 保留两位小数，横向居中对齐ha='center'，纵向底部（顶部）对齐va='bottom'

for x,y in zip(X,Y1):
    plt.text(x+0.4,y+0.05,'%.2f' % y,ha='center',va='bottom')

for x,y in zip(X,Y2):
    plt.text(x+0.4,-y-0.05,'%.2f' % y,ha='center',va='bottom')

综上，本部分的所有代码为：

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,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')


for x,y in zip(X,Y1):
    plt.text(x+0.4,y+0.05,'%.2f' % y,ha='center',va='bottom')

for x,y in zip(X,Y2):
    plt.text(x+0.4,-y-0.05,'%.2f' % y,ha='center',va='bottom')

plt.xlim(-1,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())

plt.show()

所产生的结果为：

 

等高线图

在本部分，我们主要介绍如何利用matplotlib生成等高线。在生成等高线中，我们需要三维的数据点：（x，y）和对应的高度。在本程序中，高度我们用一个函数f()来生成。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：

import matplotlib.pyplot as plt
import numpy as np

def f(x,y):
    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)

接下来我们进行颜色填充。使用函数plt.contourf把颜色加进去，位置参数分别为:X，Y，f(X,Y)。透明度0.75，并将f(X,Y)的值对应到color map的暖色组中寻找对应颜色。

plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)

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)。在我们这里，我们将颜色选为黑色，线条宽度为0.5.现在的结果如下图所示：只有颜色和线条，没有数值Label

C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)

在上面的代码中，我们可以看到，其中的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。

再下一步，我们需要添加高度数字。我们加入Label,inline控制是否在Label画在线里面，字体大小为10.并将坐标轴隐藏：

plt.clabel(C,inline=True,fontsize=10)
plt.xticks(())
plt.yticks(())

所以，在画等高线的所有代码为：

import matplotlib.pyplot as plt
import numpy as np

def f(x,y):
    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)

plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)
C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)

plt.clabel(C,inline=True,fontsize=10)
plt.xticks(())
plt.yticks(())
plt.show()

所产生的结果为：

3D数据

在做机器学习的时候，有时候需要绘3D图片来看数据整体的下降趋势。首先在进行3D时除了导入matplotlib，还需要添加一个模块,即3D坐标轴显示，这个包不需要单独安装，python本身就自带的

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

之后要定义一个图像窗口，在窗口上添加3D坐标轴。

fig=plt.figure()
ax=Axes3D(fig)

接下来再给出X值和Y值，并将X值和Y值编织成栅格。每一个（X，Y）点对应的高度值，我们用下面这个函数进行计算：

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)

下一步我们需要做出一个三维曲面，并将一个colormap rainbow填充颜色，之后将三维图像投影到XY平面做一个等高线图。plot 3D 图像：

ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))

其中，rstride 和 cstride分别代表row 和 column的跨度

之后，我们添加XY平面的等高线：

ax.contourf(X,Y,Z,zdir='z',offset=-2,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。

因此，整个项目的代码为：

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig=plt.figure()
ax=Axes3D(fig)

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)

ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))

ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap=plt.get_cmap('rainbow'))

plt.show()

最终的效果图为：

本知识学自于：莫烦python