琅嬛玉洞——珍藏天下编程典籍

Matplotlib 教程——1.2. 初级绘制

初级绘制

这一节中,我们将从简到繁:先尝试用默认配置在同一张图上绘制正弦和余弦函数图像,然后逐步美化它。

第一步,是取得正弦函数和余弦函数的值:

1
2
3
4
from pylab import *

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

复制

X 是一个 numpy 数组,包含了从 −π−π 到 +π+π 等间隔的 256 个值。C 和 S 则分别是这 256 个值对应的余弦和正弦函数值组成的 numpy 数组。

你可以在 IPython 的交互模式下测试代码,也可以下载代码(下载链接就是这些示例图),然后执行:

1
python exercise_1.py

复制

使用默认配置

Matplotlib 的默认配置都允许用户自定义。你可以调整大多数的默认配置:图片大小和分辨率(dpi)、线宽、颜色、风格、坐标轴、坐标轴以及网格的属性、文字与字体属性等。不过,matplotlib 的默认配置在大多数情况下已经做得足够好,你可能只在很少的情况下才会想更改这些默认配置。

1
2
3
4
5
6
7
8
9
from pylab import *

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()

复制

点击图片下载相应 Python 代码

默认配置的具体内容

下面的代码中,我们展现了 matplotlib 的默认配置并辅以注释说明,这部分配置包含了有关绘图样式的所有配置。代码中的配置与默认配置完全相同,你可以在交互模式中修改其中的值来观察效果。

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
# 导入 matplotlib 的所有内容(nympy 可以用 np 这个名字来使用)
from pylab import *

# 创建一个 8 * 6 点(point)的图,并设置分辨率为 80
figure(figsize=(8,6), dpi=80)

# 创建一个新的 1 * 1 的子图,接下来的图样绘制在其中的第 1 块(也是唯一的一块)
subplot(1,1,1)

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

# 绘制余弦曲线,使用蓝色的、连续的、宽度为 1 (像素)的线条
plot(X, C, color=”blue”, linewidth=1.0, linestyle=”-“)

# 绘制正弦曲线,使用绿色的、连续的、宽度为 1 (像素)的线条
plot(X, S, color=”green”, linewidth=1.0, linestyle=”-“)

# 设置横轴的上下限
xlim(-4.0,4.0)

# 设置横轴记号
xticks(np.linspace(-4,4,9,endpoint=True))

# 设置纵轴的上下限
ylim(-1.0,1.0)

# 设置纵轴记号
yticks(np.linspace(-1,1,5,endpoint=True))

# 以分辨率 72 来保存图片
# savefig(“exercice_2.png”,dpi=72)

# 在屏幕上显示
show()

复制

点击图片下载相应 Python 代码

改变线条的颜色和粗细

首先,我们以蓝色和红色分别表示余弦和正弦函数,而后将线条变粗一点。接下来,我们在水平方向拉伸一下整个图。

1
2
3
4
5

figure(figsize=(10,6), dpi=80)
plot(X, C, color=”blue”, linewidth=2.5, linestyle=”-“)
plot(X, S, color=”red”, linewidth=2.5, linestyle=”-“)

复制

点击图片下载相应 Python 代码

设置图片边界

当前的图片边界设置得不好,所以有些地方看得不是很清楚。

1
2
3
4

xlim(X.min()*1.1, X.max()*1.1)
ylim(C.min()*1.1, C.max()*1.1)

复制

更好的方式是这样:

1
2
3
4
5
6
7
8
xmin ,xmax = X.min(), X.max()
ymin, ymax = Y.min(), Y.max()

dx = (xmax – xmin) * 0.2
dy = (ymax – ymin) * 0.2

xlim(xmin – dx, xmax + dx)
ylim(ymin – dy, ymax + dy)

复制

点击图片下载相应 Python 代码

设置记号

我们讨论正弦和余弦函数的时候,通常希望知道函数在 ±π±π 和 ±π2±π2 的值。这样看来,当前的设置就不那么理想了。

1
2
3
4

xticks( [-np.pi, -np.pi/2, 0, np.pi/2, np.pi])
yticks([-1, 0, +1])

复制

点击图片下载相应 Python 代码

设置记号的标签

记号现在没问题了,不过标签却不大符合期望。我们可以把 3.1423.142 当做是 ππ,但毕竟不够精确。当我们设置记号的时候,我们可以同时设置记号的标签。注意这里使用了 LaTeX。

1
2
3
4
5
6
7

xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi],
[r’$-\pi$’, r’$-\pi/2$’, r’$0$’, r’$+\pi/2$’, r’$+\pi$’])

yticks([-1, 0, +1],
[r’$-1$’, r’$0$’, r’$+1$’])

复制

点击图片下载相应 Python 代码

移动脊柱

坐标轴线和上面的记号连在一起就形成了脊柱(Spines,一条线段上有一系列的凸起,是不是很像脊柱骨啊~),它记录了数据区域的范围。它们可以放在任意位置,不过至今为止,我们都把它放在图的四边。

实际上每幅图有四条脊柱(上下左右),为了将脊柱放在图的中间,我们必须将其中的两条(上和右)设置为无色,然后调整剩下的两条到合适的位置——数据空间的 0 点。

1
2
3
4
5
6
7
8
9

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))

复制

点击图片下载相应 Python 代码

添加图例

我们在图的左上角添加一个图例。为此,我们只需要在 plot 函数里以「键 – 值」的形式增加一个参数。

1
2
3
4
5
6

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’)

复制

点击图片下载相应 Python 代码

给一些特殊点做注释

我们希望在 2π/32π/3 的位置给两条函数曲线加上一个注释。首先,我们在对应的函数图像位置上画一个点;然后,向横轴引一条垂线,以虚线标记;最后,写上标签。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19


t = 2*np.pi/3
plot([t,t],[0,np.cos(t)], color =’blue’, linewidth=2.5, linestyle=”–“)
scatter([t,],[np.cos(t),], 50, color =’blue’)

annotate(r’$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$’,
xy=(t, np.sin(t)), xycoords=’data’,
xytext=(+10, +30), textcoords=’offset points’, fontsize=16,
arrowprops=dict(arrowstyle=”->”, connectionstyle=”arc3,rad=.2″))

plot([t,t],[0,np.sin(t)], color =’red’, linewidth=2.5, linestyle=”–“)
scatter([t,],[np.sin(t),], 50, color =’red’)

annotate(r’$\cos(\frac{2\pi}{3})=-\frac{1}{2}$’,
xy=(t, np.cos(t)), xycoords=’data’,
xytext=(-90, -50), textcoords=’offset points’, fontsize=16,
arrowprops=dict(arrowstyle=”->”, connectionstyle=”arc3,rad=.2″))

复制

点击图片下载相应 Python 代码

精益求精

坐标轴上的记号标签被曲线挡住了,作为强迫症患者(雾)这是不能忍的。我们可以把它们放大,然后添加一个白色的半透明底色。这样可以保证标签和曲线同时可见。

1
2
3
4
5

for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_fontsize(16)
label.set_bbox(dict(facecolor=’white’, edgecolor=’None’, alpha=0.65 ))

复制

点击图片下载相应 Python 代码

图像、子图、坐标轴和记号

到目前为止,我们都用隐式的方法来绘制图像和坐标轴。快速绘图中,这是很方便的。我们也可以显式地控制图像、子图、坐标轴。Matplotlib 中的「图像」指的是用户界面看到的整个窗口内容。在图像里面有所谓「子图」。子图的位置是由坐标网格确定的,而「坐标轴」却不受此限制,可以放在图像的任意位置。我们已经隐式地使用过图像和子图:当我们调用 plot 函数的时候,matplotlib 调用 gca() 函数以及 gcf() 函数来获取当前的坐标轴和图像;如果无法获取图像,则会调用 figure() 函数来创建一个——严格地说,是用 subplot(1,1,1) 创建一个只有一个子图的图像。

发表评论

电子邮件地址不会被公开。