Python可视化.1
https://matplotlib.org/stable/tutorials/introductory/usage.html#sphx-glr-tutorials-introductory-usage-py
import matplotlib.pyplot as pltimport 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 pltimport 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 npx = np.array( [1, 2, 3, 5, 7, 4, 3, 2, 9, 0])print(x)mask = x < 5mx = 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.htmlhttps://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.arrayhttps://numpy.org/doc/stable/reference/generated/numpy.ma.masked_array.html#numpy.ma.masked_arrayhttps://github.com/numpy/numpy在此之前安装一下pandas
import matplotlib.pyplot as pltimport numpy as npx = 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 npimport matplotlib.pyplot as plty = 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 npimport matplotlib.pyplot as plty = 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 pltimport numpy as npx = 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 pltimport numpy as npx = 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