Python 플로팅 라이브러리 Matplotlib 입문 tutorial_python

Matplotlib는 Python 언어로 된 2D 드로잉 라이브러리입니다. 다양한 플랫폼을 지원하며 다양한 전문 이미지를 쉽게 그릴 수 있을 만큼 강력합니다. 이 글은 Python 그리기 라이브러리 Matplotlib에 대한 입문 튜토리얼입니다. 관심있는 친구들은 함께 배울 수 있습니다

실행 환경

Python 언어 소프트웨어 패키지이므로 컴퓨터에 Python 언어를 설치해야 합니다. 첫 번째 환경. 이에 관해서는 인터넷에서 직접 구하는 방법을 검색해 보시기 바랍니다.

Matplotlib 설치 방법에 대한 자세한 내용은 여기를 참조하세요: Matplotlib 설치.

저자는 pip를 통해 설치하는 것을 권장합니다. 구체적인 방법은 다음과 같습니다.

sudo pip3 install matplotlib

이 기사의 소스 코드와 테스트 데이터는 matplotlib_tutorial

에서 얻을 수 있습니다. 다른 Python 라이브러리인 NumPy를 사용하세요. 독자들은 먼저 NumPy에 대해 어느 정도 익히는 것이 좋습니다. 이전에 NumPy에 대한 기본 튜토리얼도 작성했습니다. Python Machine Learning Library NumPy Tutorial을 참조하세요.

이 기사의 코드는 다음 환경에서 테스트되었습니다.

• Apple OS

  소개

• Matplotlib는 다음을 포함한 다양한 환경에 적합합니다.

• Python 스크립트

IPython 쉘 Jupy 테르노트

웹 애플리케이션 서버

• 사용자 그래픽 인터페이스 툴킷

• Matplotlib을 사용하면 히스토그램, 스펙트로그램, 막대 그래프, 산점도 등과 같은 다양한 유형의 이미지를 쉽게 생성할 수 있습니다. 그리고 매우 쉽게 사용자 정의할 수 있습니다.

• 시작하기 코드 예제

• 먼저 가장 간단한 코드 예제를 살펴보고 Matplotlib이 어떤 것인지 느껴보겠습니다.

# test.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
plt.show()

이 코드의 주요 논리는 단 세 줄이지만, 아래와 같이 매우 직관적인 선형 그래프를 그립니다.

이 선 그래프와 대조하여 세 줄의 코드 논리를 설명하겠습니다.

np.arange(100 , 201)<를 통해 /code>[100, 200] 사이의 정수 배열을 생성합니다. 해당 값은 다음과 같습니다. [100, 101, 102, …, 200]</p><p></p><p><code>matplotlib.pyplot을 통해 그립니다. 분명히 표시된 값은 그래프의 세로 좌표(y축)에 해당합니다. 그리고 matplotlib 자체는 그래프의 가로축(x축)을 [0, 100]으로 설정합니다. 왜냐하면 우리는 정확히 100개의 값을 갖고 있고 plt.show()</를 통해 이 그래프를 표시하기 때문입니다. code> Come out</p><p style="text-align: center"><img alt="" src="https://img.php.cn/upload/article/000/153/291/62f0a2f053ce5e8b262e6cdc4f297057-0.jpg"/></p>이 코드는 매우 간단하고 동일하게 실행됩니다. 이 글의 실행 환경이 이미 있다면, 위의 코드를 텍스트 파일로 저장한 후(또는 Github를 통해 이 글의 소스 코드를 얻습니다), 다음 명령을 실행하여 자신의 컴퓨터에서 위의 그래픽을 확인하세요: <p></p> <ul class=" list-paddingleft-2"><div class="code" style="position:relative; padding:0px; margin:0px;"><pre class="brush:py;">python3 test.py</pre><div class="contentsignin">로그인 후 복사</div></div><li><p><code>np.arange(100, 201)生成一个[100, 200]之间的整数数组，它的值是：[100, 101, 102, … , 200]

通过matplotlib.pyplot将其绘制出来。很显然，绘制出来的值对应了图中的纵坐标（y轴）。而matplotlib本身为我们设置了图形的横坐标（x轴）：[0, 100]，因为我们刚好有100个数值

通过plt.show()将这个图形显示出来

这段代码非常的简单，运行起来也是一样。如果你已经有了本文的运行环境，将上面的代码保存到一个文本文件中（或者通过Github获取本文的源码），然后通过下面的命令就可以在你自己的电脑上看到上面的图形了:

# figure.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.plot(data)
data2 = np.arange(200, 301)
plt.figure()
plt.plot(data2)
plt.show()

注1：后面的教程中，我们会逐步讲解如何定制图中的每一个细节。例如：坐标轴，图形，着色，线条样式，等等。

注2：如果没有必要，下文的截图会去掉图形外侧的边框，只保留图形主体。

一次绘制多个图形

有些时候，我们可能希望一次绘制多个图形，例如：两组数据的对比，或者一组数据的不同展示方式等。

可以通过下面的方法创建多个图形：

多个figure

可以简单的理解为一个figure就是一个图形窗口。matplotlib.pyplot会有一个默认的figure，我们也可以通过plt.figure()创建更多个。如下面的代码所示：

# subplot.py
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(2, 1, 1)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(2, 1, 2)
plt.plot(data2)
plt.show()

这段代码绘制了两个窗口的图形，它们各自是一个不同区间的线形图，如下所示：

注：初始状态这两个窗口是完全重合的。

多个subplot

有些情况下，我们是希望在同一个窗口显示多个图形。此时就这可以用多个subplot。下面是一段代码示例：

plt.subplot(2, 1, 1)

这段代码中，除了subplot函数之外都是我们熟悉的内容。subplot참고 1: 다음 튜토리얼에서는 사진의 모든 세부 사항을 사용자 정의하는 방법을 단계별로 설명합니다. 예: 축, 그래픽, 색상, 선 스타일 등

참고 2: 필요하지 않은 경우 아래 스크린샷에서는 그래픽 외부 테두리를 제거하고 그래픽의 본문만 유지합니다.

한 번에 여러 그래프 그리기

🎜🎜🎜때로는 두 데이터 세트의 비교 또는 데이터 세트의 서로 다른 표시 방법 등을 사용하여 한 번에 여러 그래프를 그리고 싶을 수도 있습니다. 🎜🎜다음 방법을 통해 여러 도형을 생성할 수 있습니다. 🎜🎜🎜🎜여러 도형🎜🎜🎜🎜은 간단히 그림이 그래픽 창이라고 이해하면 됩니다. matplotlib.pyplot에는 기본 Figure가 있으며 plt.Figure()를 통해 더 많은 것을 만들 수도 있습니다. 다음 코드에 표시된 대로: 🎜🎜🎜

plt.subplot(2, 1, 2)

🎜🎜🎜이 코드는 아래와 같이 서로 다른 간격의 선 그래프인 두 창의 그래픽을 그립니다. 🎜🎜🎜🎜참고: 초기 상태에서는 이 두 창이 완전히 겹칩니다. 🎜🎜🎜🎜다중 하위 플롯🎜🎜🎜🎜경우에 따라 동일한 창에 여러 그래픽을 표시하고 싶을 수도 있습니다. 이 시점에서는 여러 하위 플롯을 사용할 수 있습니다. 다음은 코드 예시입니다. 🎜🎜🎜

import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(211)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(212)
plt.plot(data2)
plt.show()

🎜🎜🎜 이 코드에서는 subplot 함수를 제외하면 모두 익숙한 내용입니다. subplot 함수의 처음 두 매개변수는 하위 그림의 수를 지정합니다. 즉, 두 정수는 각각 행렬의 행과 열 수를 지정합니다. . 세 번째 매개변수는 행렬의 인덱스를 나타냅니다. 🎜🎜따라서 다음 코드 줄은 2행, 1열 서브플롯의 첫 번째 서브플롯을 나타냅니다. 🎜🎜🎜

# plot.py
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [3, 6, 9], '-r')
plt.plot([1, 2, 3], [2, 4, 9], ':g')
plt.show()

🎜🎜

下面这行代码指的是：2行1列subplot中的第2个subplot。

plt.subplot(2, 1, 2)

所以这段代码的结果是这个样子：

subplot函数的参数不仅仅支持上面这种形式，还可以将三个整数（10之内的）合并一个整数。例如：2, 1, 1可以写成211，2, 1, 2可以写成212。

因此，下面这段代码的结果是一样的：

import matplotlib.pyplot as plt
import numpy as np
data = np.arange(100, 201)
plt.subplot(211)
plt.plot(data)
data2 = np.arange(200, 301)
plt.subplot(212)
plt.plot(data2)
plt.show()

subplot函数的详细说明参见这里：matplotlib.pyplot.subplot

常用图形示例

Matplotlib可以生成非常多的图形式样，多到令人惊叹的地步。大家可以在这里：Matplotlib Gallery 感受一下。

本文作为第一次的入门教程，我们先来看看最常用的一些图形的绘制。

线性图

前面的例子中，线性图的横轴的点都是自动生成的，而我们很可能希望主动设置它。另外，线条我们可能也希望对其进行定制。看一下下面这个例子：

# plot.py
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [3, 6, 9], '-r')
plt.plot([1, 2, 3], [2, 4, 9], ':g')
plt.show()

这段代码可以让我们得到这样的图形：

这段代码说明如下：

plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线； 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线。关于样式和颜色的说明请参见plot函数的API Doc：matplotlib.pyplot.plot

散点图

scatter函数用来绘制散点图。同样，这个函数也需要两组配对的数据指定x和y轴的坐标。下面是一段代码示例：

# scatter.py
import matplotlib.pyplot as plt
import numpy as np
N = 20
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='r', s=100, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='g', s=200, alpha=0.5)
plt.scatter(np.random.rand(N) * 100,
   np.random.rand(N) * 100,
   c='b', s=300, alpha=0.5)
plt.show()

这段代码说明如下：

这幅图包含了三组数据，每组数据都包含了20个随机坐标的位置 参数c表示点的颜色，s是点的大小，alpha是透明度

这段代码绘制的图形如下所示：

scatter函数的详细说明参见这里：matplotlib.pyplot.scatter

饼状图

pie函数用来绘制饼状图。饼状图通常用来表达集合中各个部分的百分比。

# pie.py
import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = np.random.rand(7) * 100
plt.pie(data, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.legend()
plt.show()

这段代码说明如下：

data是一组包含7个数据的随机数值 图中的标签通过labels来指定 autopct指定了数值的精度格式 plt.axis('equal')设置了坐标轴大小一致 plt.legend()指明要绘制图例（见下图的右上角）

这段代码输出的图形如下所示：

pie函数的详细说明参见这里：matplotlib.pyplot.pie

条形图

bar函数用来绘制条形图。条形图常常用来描述一组数据的对比情况，例如：一周七天，每天的城市车流量。

下面是一个代码示例：

# bar.py
import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()

这段代码说明如下：

这幅图展示了一组包含7个随机数值的结果，每个数值是[0, 100]的随机数 它们的颜色也是通过随机数生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）个随机数，然后将它们组装成7行，那么每行就是三个数，这对应了颜色的三个组成部分。如果不理解这行代码，请先学习一下Python 机器学习库 NumPy 教程 title指定了图形的标题，labels指定了标签，alpha是透明度

这段代码输出的图形如下所示：

bar函数的详细说明参见这里：matplotlib.pyplot.bar

直方图

hist函数用来绘制直方图。直方图看起来是条形图有些类似。但它们的含义是不一样的，直方图描述了数据中某个范围内数据出现的频度。这么说有些抽象，我们通过一个代码示例来描述就好理解了：

# hist.py
import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]
plt.hist(data, bins=bins, label=labels)
plt.legend()
plt.show()

上面这段代码中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三个数组的数组，这其中：

第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000) 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000) 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)

bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。所以最终结果一共会显示7个数据点。同样的，我们指定了标签和图例。

这段代码的输出如下图所示：

在这幅图中，我们看到，三组数据在3000以下都有数据，并且频度是差不多的。但蓝色条只有3000以下的数据，橙色条只有4000以下的数据。这与我们的随机数组数据刚好吻合。

hist函数的详细说明参见这里：matplotlib.pyplot.hist

结束语

通过本文，我们已经知道了Matplotlib的大致使用方法和几种最基本的图形的绘制方式。

需要说明的是，由于是入门教程，因此本文中我们只给出了这些函数和图形最基本的使用方法。但实际上，它们的功能远不止这么简单。因此本文中我们贴出了这些函数的API地址以便读者进一步的研究。

相关推荐：

python绘图库的基本操作方法介绍

python绘图方法实例入门

위 내용은 Python 플로팅 라이브러리 Matplotlib 입문 tutorial_python의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!