matplotlib笔记2

颜色和样式

八种内建默认颜色缩写
b:blue  g:green  r:red  c:cyan  m:magenta  y:yellow  k:black  w:white
其它颜色表示方法可以参照百度给的值
https://baike.baidu.com/item/%E5%8D%81%E5%85%AD%E8%BF%9B%E5%88%B6%E9
%A2%9C%E8%89%B2%E7%A0%81/10894232?fromtitle=%E9%A2%9C%E8%89%B2%E5%8D
%81%E5%85%AD%E8%BF%9B%E5%88%B6&fromid=15455510&fr=aladdin

灰色阴影
html 十六进制
RGB元组

import numpy as np
import matplotlib.pyplot as plt

y=np.arange(1,5)
# plt.plot(y,'--',marker='o',color='g')
# '--',marker='o',color='g'，分别表示线型，点型，颜色

# plt.plot(y+1,'-.',marker='D',color='0.5')
# plt.plot(y+2,':',marker='^',color='#FF00FF')
# plt.plot(y+3,'-',marker='p',color=(0.1,0.2,0.3))

# 可以将颜色，点型，线型写成一个字符串
plt.plot(y,'cx--')

plt.show()

面向对象 VS Matlab Style

 pyplot:经典高层封装，到目前为止，我们所用的都是pyplotpylab：将Matplotlib和NumPy合并的模块，模拟Matlab的编程环境面向对象的方式：Matplotlib的精髓，更基础和底层的方式

pyplot：简单易用。交互使用方便，可以根据命令实时作图。但底层定制能力不足

pylab：完全封装，环境最接近Matlab。不推荐使用

面向对象（Object-Oriented）的方式：接近Matplotlib基础和底层的方式。难度稍大。

但定制能力强而且是Matplotlib的精髓

总结：实战中推荐，根据需求，总和使用pyplot和面向对象的方式，显示导入numpy

常用模块导入代码：

import matplotlib.pyplot as plt

import numpy as np

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 10, 1)
y = np.random.randn(len(x))

fig = plt.figure()
# 面向对象方法，要先建立一个画布

ax = fig.add_subplot(111)
# 相当于将要在画布上建立一个一行一列的图，最后数字1表示要画的图在第一个位置
# ax = fig.add_subplot(221)

f1  = plt.plot(x, y)

t = ax.set_title('object oriented')  # 为图命名

# plt.plot(x, y)
plt.show()

多图

要创建多个画布即应该在代码中每画一个图就需要插入fig=plt.figure()如下代码

import matplotlib.pyplot as plt
# import numpy as np

figl=plt.figure()
ax1=figl.add_subplot(111)
ax1.plot([1,2,3],[3,2,1])

fig2=plt.figure()
ax2=fig2.add_subplot(111)
ax2.plot([1,2,3],[3,2,5])

plt.show()

网格

在画图的时候可以添加背景网格的形式增加图的可读性

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0,10,1)
fig = plt.figure()
ax = fig.add_subplot(111)
plt.plot(x,x*2)

ax.grid(color='g')
# 这是要给所画的图添加网格的代码行

plt.show()

图例

图例是图表中一种很重要的说明方式，在matplotlib中也可以添加图例

import matplotlib.pyplot as plt
import numpy as np

x=np.arange(1,11,1)

# 添加图例的第一种方式
# plt.plot(x, x*2, label='Normal')
# plt.plot(x, x*3, label='Fast')
# plt.plot(x, x*4, label='Faster')

plt.plot(x, x*2)
plt.plot(x, x*3)
plt.plot(x, x*4)
plt.legend(['Normal','Fast','Faster'])
plt.legend(loc=0)  # 图例放置最优位置，官网上有更多的相关解释
plt.legend(ncol=3)  # 图例分三列放

plt.show()

坐标轴范围

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-10,11,1)

plt.plot(x,x*x)

# plt.axis([-5,5,20,60])  # 前两个数字表示x轴范围，后两个数字表示y轴范围
plt.axis([-10,10,0,100])
# plt.xlim([-5,5])  # 可以只改变x轴范围y轴不变
# plt.ylim([0,60])
# plt.xlim(xmin=-5,xmax=5)  # 与plt.xlim([-5,5]) 效果一样
plt.xlim(xmin=-5)  # 只改变x轴一端的范围
plt.show()

坐标轴刻度

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
import datetime
x = np.arange(1,11,1)
plt.plot(x,x)
ax=plt.gca()  # 表示获取当前的坐标轴，对坐标轴操作需要添加此行

# ax.locator_params('x',nbins=5)
# 给x轴添加刻度

ax.locator_params('y', nbins=5)
# 给y轴添加刻度

# 下面是x轴的日期刻度标注方法
fig=plt.figure()
start=datetime.datetime(2015,1,1)
stop=datetime.datetime(2016,1,1)
delta=datetime.timedelta(days=1)

dates = mpl.dates.drange(start,stop,delta)
y=np.random.rand(len(dates))
ax=plt.gca()
ax.plot_date(dates,y,linestyle='-',marker='')

date_format=mpl.dates.DateFormatter('%Y-%m')
ax.xaxis.set_major_formatter(date_format)  # xaxis表示在x轴添加日期刻度
fig.autofmt_xdate()  # 由于日期的数字过长，所以需要matplotlib自动优化摆放方式

plt.show()

添加坐标轴

import matplotlib.pyplot as plt
import numpy as np

x=np.arange(2,20,1)
y1=x*x
y2=np.log(x)

# 这是添加y轴
# plt.plot(x,y1)
# plt.twinx()  #创建一个双胞胎ｘ轴
# plt.plot(x,y2,'r')

# 这是添加ｘ轴
plt.plot(y1, x)
plt.twiny()　#创建一个双胞胎ｙ轴
plt.plot(y2, x, color='r')


＃　这是用面向对象的方式添加坐标轴
# fig = plt.figure()
# ax1 = fig.add_subplot(111)
# ax1.plot(x,y1)
# ax1.set_ylabel('Y1')
# ax2=ax1.twinx()
# ax2.plot(x,y2,'r')
# ax2.set_ylabel('y2')
# ax1.set_xlabel('Compare Y1 and Y2')



plt.show()