利用numpy+matplotlib绘图的基本操作教程

简述

Matplotlib是一个基于python的2D画图库，能够用python脚本方便的画出折线图，直方图，功率谱图，散点图等常用图表，而且语法简单。具体介绍见matplot官网。

Numpy（Numeric Python）是一个模仿matlab的对python数值运算进行的扩展，提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生，而且据说自从他出现了以后，NASA就把很多原来用fortran和matlab做的工作交给了numpy来做了，可见其强大。。。他的官网在这里，具体的资料都在里面。

安装

?

1 2	$sudo apt-get install python-matplotlib $sudo apt-get install python-numpy

(牛力大法好～)

使用

matplotlib可以在脚本中使用，不过如果在ipython中使用则会更加炫（直接添加–pylab参数可以免去导包的过程），而且能得到类似Matlab/Mathematica一样的功能，即时输入，即时输出。个人觉得说白了他就是模仿Matlab/Mathematica的，但是的确比前者更加方便编程。

很多情况下matplot需要配合numpy包一起用，关于numpy包我不打算分开来说，用到的时候提一下就行。有一点需要注意的是，numpy包通常是这样导入的：

?

1	import numpy as np

会给他起一个叫np的别名，而且这几乎已经是约定俗成了。

在python或者ipython中输入help(*需要查找的函数*) 就行（当然需要先导入下包）。

第一个图像

需要导入的包：

?

1 2	import numpy as np from pylab import *

第一个函数图像

?

1 2 3 4 5

X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) plot(X,C) plot(X,S) show()

有matlab基础的同学肯定不陌生。。。是的，这两个模块的组合几乎就跟matlab的用法无二。。

      １、首先用np.linspace方法生成一个数组X，这个数组是从$-pi$开始到$pi$的总共包含256个元素的数组，endpoint参数表示是否包含首尾端点(他的值是True或False，首字母要大写。。。。)。当然，这个数组就是一个普通的数组了，跟其他数组没有区别。

      ２、然后用np.cos()和np.sin()方法作用在X数组上，对于X中的每一个元素进行计算，生成结果数组。(免去了迭代的过程)。

      ３、接着调用pylab的plot方法，第一个参数是横坐标数组，第二个参数是纵坐标数组，其他参数暂且不谈。这样他会生成一个默认的图表了。(不会立刻显示)

      ４、当然，最后还要调用show方法来显示图表。

      ５、结果：

图表的名字叫figure1，左下面有几个按钮，都是很实用的东西，右下角会显示当前鼠标左边，也很方便。

图表布局和坐标分布

每一个图表都是在一个figure里面，我们可以通过如下命令生成一个空的figure：

?

1	figure(figsize=(8,6), dpi=80)

这里参数的顺序没有要求，但是一定要加上参数名，因为他是根据参数名来区别每个参数的，是一种跟C语言类型不同的函数。figsize参数表示figure的宽高比，然后dpi表示每一份占的长度，比如这里就表示图像是640x480的。

输出命令之后会立刻出现一个窗口，接下来所有的plot命令都会立刻显示在这个窗口上而不用再输入show命令了。

一个figure里也能显示多个图表，我们可以用如下函数来分割一个figure:

?

1	subplot(3,4,6)

这样就会把当前的figure分割成３行４列的表，而激活其中的第６张，即第２行第３张。以后的plot都是在这一个子表上生成的，如果需要更换则可以重新输入subplot命令来确定其新的位置。

除此之外，如果我们对图表显示的范围不满意，我们还可以直接调整图表的坐标范围：

?

1 2	xlim(-4.0,4.0) ylim(-1.0,1.0)

这就表示x轴的范围设置在-4到4，y轴的范围设置在-1到1。当然，如果是想相对的进行修改我们可以利用下numpy数组的min和max方法。比如X.min() 这样的东西。

如果对坐标显示的密度啊什么的不满意，我们也可以调节他的标注点：

?

1 2	xticks(np.linspace(-4,4,9,endpoint=True)) yticks(np.linspace(-1,1,5,endpoint=True))

对于xticks和yticks，我们实际上可以传入任意的数组，这里不过是为了方便而用numpy快速生成的等差数列。

当然，我们也可以给标注点进行任意的命名，像下面这样：

?

1	xticks([1,2,3,4,5],['one','two','three','four','five'])

效果也很好想象，就不贴图了。需要注意的是这里也可以支持LaTex语法，将LaTex引用在两个$之间就可以了。（关于LaTex）

这里也有个小窍门，就是如果想不显示标注的话，我们就可以直接给xticks赋一个空的数组。

更改色彩和线宽

我们可以在画plot的时候用如下方法指定他的颜色和线宽：

?

1	plot(X, C, color='#cadae3', linestyle='-',linewidth=1.3, marker='o', markerfacecolor='blue', markersize=12,)

同样，这里参数的顺序不重要，名字才重要。

color参数可以指定RGB的色相，也可以用一些默认的名字，比如red blue之类的。

linestyle参数则指定了线的样式，具体参照以下样式：

参数	样式
‘-‘	实线
‘–'	虚线
‘-.'	线-点
‘:'	点虚线

linewidth参数指定折线的宽度，是个浮点数。

marker参数指定散点的样式，具体参照以下样式：

参数	样式
‘.'	实心点
‘o'	圆圈
‘,'	一个像素点
‘x'	叉号
‘+'	十字
‘*'	星号
‘^' ‘v' ‘<' ‘>'	三角形(上下左右)
‘1' ‘2' ‘3' ‘4'	三叉号（上下左右）

markerfacecolor参数指定marker的颜色

markersize参数指定marker的大小

这样就基本上能够自定义任何的折线图、散点图的样式了。

移动轴线

这段有点小复杂，暂时不想具体了解奇奇怪怪的函数调用，姑且先记录下用法和原理：

?

1 2 3 4 5 6 7

ax = gca() ax.spines['right'].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))

我们知道一张图有上下左右四个轴线，这里我们把右边和上边的轴线颜色调为透明，然后把下边设置到y轴数据为0的地方，把左边设置到x轴数据为0的地方。这样我们就能根据自己想要位置来调节轴线了。

比如下面这段官方的代码：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

# ----------------------------------------------------------------------------- # Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved. # Distributed under the (new) BSD License. See LICENSE.txt for more info. # ----------------------------------------------------------------------------- import numpy as np import matplotlib.pyplot as plt plt.figure(figsize=(8,5), dpi=80) ax = plt.subplot(111) ax.spines['right'].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)) X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-") plt.plot(X, S, color="red", linewidth=2.5, linestyle="-") plt.xlim(X.min()*1.1, X.max()*1.1) plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],  [r'$-pi$', r'$-pi/2$', r'$0$', r'$+pi/2$', r'$+pi$']) plt.ylim(C.min()*1.1,C.max()*1.1) plt.yticks([-1, 0, +1],  [r'$-1$', r'$0$', r'$+1$']) plt.show()

显示的结果就是：

图例和注解

图例十分简单，下述代码就可以解决：

?

1 2 3

plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine") plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine") legend(loc='upper left')

在plot里指定label属性就好了，最后调用下legend函数来确定图例的位置，一般就是'upper left'就好了。

注解就有点麻烦了，要用到annotate命令，挺复杂的，暂时是在不想看，姑且贴一段完整的代码和效果图吧：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

# ----------------------------------------------------------------------------- # Copyright (c) 2015, Nicolas P. Rougier. All Rights Reserved. # Distributed under the (new) BSD License. See LICENSE.txt for more info. # ----------------------------------------------------------------------------- import numpy as np import matplotlib.pyplot as plt plt.figure(figsize=(8,5), dpi=80) ax = plt.subplot(111) ax.spines['right'].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)) X = np.linspace(-np.pi, np.pi, 256,endpoint=True) C,S = np.cos(X), np.sin(X) plt.plot(X, C, color="blue", linewidth=2.5, linestyle="-", label="cosine") plt.plot(X, S, color="red", linewidth=2.5, linestyle="-", label="sine") plt.xlim(X.min()*1.1, X.max()*1.1) plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],   [r'$-pi$', r'$-pi/2$', r'$0$', r'$+pi/2$', r'$+pi$']) plt.ylim(C.min()*1.1,C.max()*1.1) plt.yticks([-1, +1],   [r'$-1$', r'$+1$']) t = 2*np.pi/3 plt.plot([t,t],[0,np.cos(t)],   color ='blue', linewidth=1.5, linestyle="--") plt.scatter([t,],[np.cos(t),], 50, color ='blue') plt.annotate(r'$sin(frac{2pi}{3})=frac{sqrt{3}}{2}$',   xy=(t, np.sin(t)), xycoords='data',   xytext=(+10, +30), textcoords='offset points', fontsize=16,   arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) plt.plot([t,t],[0,np.sin(t)],   color ='red', linewidth=1.5, linestyle="--") plt.scatter([t,],[np.sin(t),], 50, color ='red') plt.annotate(r'$cos(frac{2pi}{3})=-frac{1}{2}$',   xy=(t, np.cos(t)), xycoords='data',   xytext=(-90, -50), textcoords='offset points', fontsize=16,   arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")) plt.legend(loc='upper left', frameon=False) plt.savefig("../figures/exercice_9.png",dpi=72) plt.show()

效果图：

还是十分高能的。。。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。