Python可视化.1
https://matplotlib.org/stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots() # 创建一个画布
ax.plot(
[1, 2, 3, 4],
[1, 4, 2, 3]
)
这个代码是
import matplotlib.pyplot as plt
import numpy as np
plt.plot(
[1,2,3,4],
[1,4,2,3]
)
以上两个代码都是可以生成同样的图像
第二个代码对于matlab的使用者来说应该是熟悉的
在文档的开篇,学一个图形构成的元素很有必要
axs是轴的意思,就是在这个语境里面是坐标轴的意思
为了学习方便我进行了翻译,部分我翻译的不准
比如spines,这个意思的原意思为脊柱
那我这里就引申为骨架
部分有未标注的,这里补全
https://matplotlib.org/stable/api/axes_api.html#matplotlib.axes.Axes
import matplotlib.pyplot as plt
import numpy as np
# plt.plot(
[1, 2, 3, 4],
[1, 4, 2, 3]
# )
fig = plt.figure() # 一个无axe的空画布
fig, ax = plt.subplots() # 一个大图
fig, axs = plt.subplots(2, 2) # 2X2的子图
生成的图样
我们基础知识就先说这么多,我们来考虑更加现实的问题。对于一个绘图的流程怎么做?我这里给出自己的流程:
输入
传给绘图单元
显示
其实就是这么简单,而且这个过程是线性的,也是阻塞的。输入要“干净”,输出才有保障。所以我们的主题转入了->输入。
期望输入一个
数组或者是操作掩码数组
掩码是啥?
在许多情况下,数据集可能不完整或因无效数据的存在而受到污染。例如,传感器可能无法记录数据或记录无效值。numpy.ma模块通过引入掩码数组提供了一种解决此问题的便捷方法。
再看一种解释,数据很大形况下是凌乱的,并且含有空白的或者无法处理的字符,掩码式数组可以很好的忽略残缺的或者是无效的数据点。
掩码式数组由一个正常数组与一个布尔式数组组成,若布尔数组中为Ture,则表示正常数组中对应下标的值无效,反之False表示对应正常数组的值有效。
masked数组是标准numpy.ndarray和 masked的组合。掩码是nomask,表示关联数组的值无效,或者是一个布尔数组,用于确定关联数组的每个元素是否有效。当掩码的元素为False时,关联数组的相应元素有效,并且被称为未屏蔽。当掩码的元素为True时,相关数组的相应元素被称为被屏蔽(无效)。
import numpy.ma as ma
import numpy as np
x = np.array(
[1, 2, 3, 5, 7, 4, 3, 2, 9, 0]
)
print(x)
mask = x < 5
mx = ma.array(x, mask=mask)
print(mask)
print(mx)
输出的结果
看第二个的方法
掩码数组具有三个属性:data、mask、fill_value;
data表示原始数值数组,
mask表示获得掩码用的布尔数组,
fill_value表示的填充值替代无效值之>后的数组,该数组通过filled()方法查看;
https://numpy.org.cn/reference/routines/ma.html
https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.array
https://numpy.org/doc/stable/reference/generated/numpy.ma.masked_array.html#numpy.ma.masked_array
https://github.com/numpy/numpy
在此之前安装一下pandas
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2, 100)
print(x)
# Note that even in the OO-style, we use `.pyplot.figure` to create the figure.
fig, ax = plt.subplots() # Create a figure and an axes.
ax.plot(x, x, label='linear') # Plot some data on the axes.
ax.plot(x, x**2, label='quadratic') # Plot more data on the axes...
ax.plot(x, x**3, label='cubic') # 三次方
ax.set_xlabel('x label') # Add an x-label to the axes.
ax.set_ylabel('y label') # Add a y-label to the axes.
ax.set_title("Simple Plot") # 添加标题
ax.legend() # 添加图例
图像的结果
x = np.linspace(0, 10, 10)
x = np.linspace(0, 10, 5)
x = np.linspace(0, 5, 5)
注意这些步长的设置,可以让你的图更加的平缓
注意代码之前的序列生成器, numpy.linspace()
函数用于在线性空间中以均匀步长生成数字序列。
语法格式: array = numpy.linspace(start, end, num=num_points)
将在start
和end
之间生成一个统一的序列,共有num_points
个元素。
start -> Starting point (included) of the rangestart ->范围的起点(包括)
end -> Endpoint (included) of the rangeend ->范围的端点(包括)
num -> Total number of points in the sequencenum >序列中的总点数
import numpy as np
import matplotlib.pyplot as plt
y = np.zeros(5)
print(y)
x1 = np.linspace(0, 10, 5)
print(x1)
x2 = np.linspace(0, 10, 5)
print(x2)
plt.plot(x1, y, 'o')
plt.plot(x2, y + 0.5, 'o')
plt.ylim([-0.5, 1])
plt.show()
import numpy as np
import matplotlib.pyplot as plt
y = np.zeros(5)
print(y)
x1 = np.linspace(0, 10, 5)
print(x1)
x2 = np.linspace(0, 10, 5)
print(x2)
plt.plot(x1, y, 'o')
plt.plot(x2, y + 0.5, 'o')
plt.ylim([-0.5, 1])
plt.show()
注意linespace里面的取数
# import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2, 10)
y = np.linspace(0, 10, 5)
print(x)
print("--------------------------------------------------")
print(y)
你看都是浮点数的输出
如果不想要最后的一个值,可以使用参数。
用关键字参数endpoint
,可以将其设置为False
。(默认为True
)
numpy.linspace
(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
这个函数的参数
import numpy as np
p = np.array([[1, 2], [3, 4]])
print(p)
q = np.array([[5, 6], [7, 8]])
print("--------------------------------------------------------")
print(q)
r = np.linspace(p, q, 3, axis=0)
print("--------------------------------------------------------")
print(r)
s = np.linspace(p, q, 3, axis=1)
print("--------------------------------------------------------")
print(s)
最后这里,留个小尾巴。这个参数我有点没有看懂
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 5, 5)
# print(x)
# Note that even in the OO-style, we use `.pyplot.figure` to create the figure.
fig, ax = plt.subplots() # Create a figure and an axes.
ax.plot(x, x, label='linear') # Plot some data on the axes.
ax.plot(x, x**2, label='quadratic') # Plot more data on the axes...
ax.plot(x, x**3, label='cubic') # 三次方
ax.set_xlabel('x label') # Add an x-label to the axes.
ax.set_ylabel('y label') # Add a y-label to the axes.
ax.set_title("Simple Plot") # 添加标题
ax.legend() # 添加图例
要划分x轴的分度值,这个值取决于你的要求,我这里只说x轴,因为我们一直认为是x就是属于自变量
接着就是要选择你写代码的时候,具体的一个风格。是面向对象OO,还是传统的matlab绘制法。如果是想对绘制的图有一个全局的控制的,建议前者
接着就是调用一个最重要的plot进行绘图
接着就是对整体的图形一些修饰和美化