各种图件

1. 线形图与散点图

1.1 线形图

plt.plot()函数：

• color参数——如果不显式指定颜色，Matplotlib就会为多条线自动循环使用一组默认的颜色：

  

• linestyle参数

  

• 结合color和linestyle的编码

  这些单字符颜色代码是RGB(Red/Green/Blue)与CMYK(Cyan/Magenta/Yellow/blacK)颜色系统中的标准缩写形式，通常用于数字化彩色图形。

  plt.plot(x, x + 0, '-g') # 绿色实线
  plt.plot(x, x + 1, '--c') # 青色虚线
  plt.plot(x, x + 2, '-.k') # 黑色点划线
  plt.plot(x, x + 3, ':r') # 红色实点线

• plt.plot()函数可一次性创建多条线，返回线条实例列表。

调整坐标轴的plt.xlim()、plt.ylim()函数：

• 常规示例：

  plt.plot(x, np.sin(x))
  plt.xlim(-1, 11)
  plt.ylim(-1.5, 1.5)

  

• 若要让坐标轴逆序显示，可以逆序设置坐标轴刻度值：

  plt.plot(x, np.sin(x))
  plt.xlim(10, 0)
  plt.ylim(1.2, -1.2)

  

调整坐标的plt.axis()函数：

• 用plt.axis()函数通过传入[xmin, xmax, ymin, ymax]对应的值，即可用一行代码设置x和y的限值

  

• plt.axis()还可以设置tight关键字使图形内容自动收紧于坐标轴，不留空白区域；使用equal关键字使屏幕上显示的图形分辨率为1:1，x轴单位长度与y轴单位长度相等。

  plt.plot(x, np.sin(x))
  plt.axis('tight')

  

  plt.plot(x, np.sin(x))
  plt.axis('equal')

  

设置图形标签:

操作	示例	说明
plt.title()	plt.title('A Sine Curve')	设置图形标题
plt.xlabel()	plt.xlabel('x')	设置x轴标签
plt.ylabel()	plt.ylabel('y')	设置y轴标签
plt.legend()	plt.legend()	显示图例
plt.plot()的label参数	plt.plot(x, np.sin(x), '-g', label='sin(x)')	单独设置曲线标签

1.2 散点图

• 用plt.plot()画散点：

  图片	说明
  	函数的第三个参数是一个字符，表示图形符号的类型
  	还可以与线条、颜色代码组合起来，画出一条连接散点的线
  	plt.plot()支持许多设置线条和散点属性的参数

• 用plt.scatter()画散点图：

  • 其用法与plt.plot()函数类似。两者的主要差别在于，前者在创建散点图时具有更高的灵活性，可以单独控制每个散点与数据匹配，也可以让每个散点具有不同的属性（大小、表面颜色、边框颜色等）。

  • 此图使散点的大小以像素为单位。这样，散点的颜色与大小就可以在可视化图中显示多维数据的信息了。

    

    

• 在数据量较小的时候，两者在效率上的差异不大。但是当数据变大到几千个散点时，plt.plot()的效率将大大高于plt.scatter()。

2. 密度图与等高线图

所用函数：

函数	语法	说明
plt.contour()	需三个参数：x 轴、y 轴、z 轴三个坐标轴的网格数据。x 轴与 y 轴表示图形中的位置，而 z 轴将通过等高线的等级来表示。	画等高线图
plt.contourf()	语法同plt.contour()	画带有填充色的等高线图
plt.imshow()		显示图形

用np.meshgrid()函数可以从一维数组构建二维网格数据：

x = np.linspace(0, 5, 50)
y = np.linspace(0, 5, 40)

X, Y = np.meshgrid(x, y)
Z = f(X, Y)

在用 plt.contour()函数画图时，当图形中只使用一种颜色时，默认使用虚线表示负数，使用实线表示正数。还可以用 cmap 参数设置一个线条本色方案来自定义颜色。

plt.contour(X, Y, Z, 20, cmap='RdGy')

这里使用 RdGy（红-灰，Red-Gray 的缩写）配色方案。

使用 plt.contourf() 函数来填充等高线图，并用 plt.colorbar()自动创建一个表示图形各种颜色对应标签信息的颜色条：

通过 plt.imshow() 函数可以将二维数组渲染成渐变图：

plt.imshow(Z, extent=[0, 5, 0, 5], origin='lower', cmap='RdGy')
plt.colorbar()
plt.axis(aspect='image')

plt.imshow()函数有一些注意事项：

• plt.imshow 不支持用 x 轴和 y 轴数据设置网格，而是必须通过 extent 参数设置图形的坐标范围[xmin, xmax, ymin, ymax]
• plt.imshow 默认使用标准的图形数组定义，就是原点位于左上角（浏览器都是如此），而不是绝大多数等高线图中使用的左下角，这一点在显示网格数据图形的时候必须调整
• plt.imshow 会自动调整坐标轴的精度以适应数据显示，可以通过 plt.axis(aspect='image') 来设置 x 轴与 y 轴的单位。

可将等高线图与彩色图组合起来。用一幅背景色半透明的彩色图，与另一幅坐标轴相同、带数据标签的等高线图用 plt.clabel()函数叠放在一起：

contours = plt.contour(X, Y, Z, 3, colors='black')
plt.clabel(contours, inline=True, fontsize=8)
plt.imshow(Z, extent=[0, 5, 0, 5], origin='lower', cmap='RdGy', alpha=0.5)
plt.colorbar()

将 plt.contour(), plt.contourf(), plt.imshow() 这三个函数组合起来就打开了用二维图画三维数据的无尽可能。

3. 频次直方图

频次直方图函数：

• plt.hist()
• plt.hist2d()：二维频次直方图
• plt.hexbin()：用正六边形分割的二维频次直方图

如果你只需要简单地计算频次直方图（就是计算每段区间的样本数），而并不想画图显示它们，那么：

• 可以直接用 np.histogram()：

  >>> counts, bin_edges = np.histogram(data, bins=5)
  >>> print(counts)
  [12, 190, 468, 301, 29]

• 相应地，二维有 np.histogram2d() 函数，其用法如下：

  >>> counts, xedges, yedges = np.hisogram2d(x, y, bins=30)

还有一种评估多维数据分布密度的常用方法是核密度估计(kernel density estimation, KDE)。

• KDE 方法通过不同的平滑带宽长度（smoothing length）在拟合函数的准确性与平衡性之间作出权衡（无处不在的偏差与方差的取舍问题的一个例子）。

• 现在先来简单地演示如何用 KDE 方法“抹掉”空间中离散的数据点，从而拟合出一个平滑的函数：

  

  

4. 可视化异常处理

4.1 基本误差线

x = np.linspace(0, 10, 50)
dy = 0.8
y = np.sin(x) + dy * np.random.randn(50)

plt.errorbar(x, y, yerr=dy, fmt='.k')

516

• fmt是一种控制线条和点的外观的代码格式，语法与plt.plot()的缩写代码相同。

• errorbar还有许多改善结果的选项，通过这些额外的选项可以轻松自定义误差线图形的绘画风格。我的经验是，让误差线的颜色比数据点的颜色浅一点效果会非常好，尤其是在那些比较密集的图形中：

  plt.errorbar(x, y, yerr=dy, fmt='o', color='black', ecolor='lightgray', elinewidth=3, capsize=0)

  

• 另外，还可以设置水平方向的误差线(xerr)、单侧误差线(one-sided errorbar)，以及其他形式的误差线。

4.2 连续误差

有时候可能需要显示连续变量的误差。虽然Matplotlib没有内置的简便方法可以解这个问题，但是通过plt.plot()与plt.fill_between()来解决也不是很难：

5. 三维图

初始化

导入 Matplotlib 自带的 mplot3d 工具箱：from mpl_toolkits import mplot3d，导入这个子模块之后，就可以在创建任意一个普通坐标轴的过程中加入projection='3d'关键字，从而创建一个三维坐标轴。

对于三维图，默认的初始观察角度有时不是最优的，view_init()方法可以调整观察角度与方位角。

# 此语句为将俯仰角调整为60度（x-y平面的旋转角度），方位角调整为35度（绕z轴顺时针旋转35度）
ax.view_init(60, 35)

三维数据点和线

默认情况下，散点会自动改变透明度，以在平面上呈现出立体感。

用ax.contour3D()画三维等高线图，这里同要求所有数据都是二维网格数据形式，并且由函数计算 z 轴数值：

线框图和曲面图

极坐标绘图

曲面三角剖分

1. 如果没有笛卡尔或极坐标风格的均匀绘制图形，该如何用一组随机数据画图呢？

   

   

2. 有许多地方需要修补，这些工作可由ax.plot_trisurf()函数完成。它首先找到一组所有点都连接起来的三角形，然后用这些三角形创建曲面。