matplotlib 画图

matplotlib 画图

1. 画曲线图

2. Tompson = np.array([0, 0, 0, 0, 0.011, 0.051, 0.15, 0.251, 0.35, 0.44, 0.51, 0.59, 0.65, 0.68, 0.725, 0.752, 0.8])
3. ours = np.array([0.00000000e+00, 1.21182744e-04, 4.26563257e-02,
4. 1.76078526e-01, 3.51187591e-01, 5.02666020e-01,
5. 6.18274358e-01, 7.03102278e-01, 7.61754726e-01,
6. 8.12893844e-01, 8.63427048e-01, 9.02205526e-01,
7. 9.30198740e-01, 9.51284537e-01, 9.61706253e-01,
8. 9.74066893e-01, 9.79641299e-01])
9. Deep_prior = np.array([0, 0, 0.03, 0.09, 0.15, 0.251, 0.34, 0.415, 0.49, 0.55, 0.62, 0.69, 0.74, 0.79, 0.83, 0.86, 0.9])
10. Zhou = np.array([0, 0, 0.023, 0.1, 0.21, 0.325, 0.415, 0.52, 0.59, 0.661, 0.73, 0.78, 0.85, 0.885, 0.91, 0.94, 0.95])
11. Feedback_loop = np.array(
12.     [0, 0, 0.022, 0.09, 0.20, 0.32, 0.415, 0.53, 0.642, 0.72, 0.79, 0.85, 0.88, 0.91, 0.951, 0.96, 0.965])
13. Crossing_net = np.array(
14.     [0, 0, 0.07, 0.17, 0.25, 0.36, 0.485, 0.62, 0.715, 0.79, 0.865, 0.906, 0.92, 0.95, 0.952, 0.970, 0.97])
15. qinghua = np.array([ 0.        ,  0.00121183,  0.06386331,  0.17886573,  0.3427048 ,
16.         0.4655841 ,  0.57828405,  0.67716917,  0.76223946,  0.82222492,
17.         0.87433349,  0.91250606,  0.94122637,  0.96122152,  0.9726127 ,
18.         0.9831556 ,  0.98679108])
19. def draw_map(errs1, errs2, errs3, errs4, errs5, errs6, errs7):
20.     # err_flat = errs.ravel()  # Return a flattened array, 相同功能的函数为np.flat
21.     thresholds = np.arange(0, 85, 5)  # 不包含85
22.     fig=plt.figure(figsize=(10, 8)) # 设置figsize的大小
23.     ax = fig.add_subplot(111)
24.     ax.plot(thresholds, errs1, '-.', thresholds, errs2, '-_',
25.              thresholds, errs3, '--', thresholds, errs4, '--*', thresholds, errs5, ':*',
26.              thresholds, errs6, ':x', linewidth=2)
27.     ax.plot(thresholds, errs7, '-', linewidth=2.25, color='b')
28.     ax.set_xlabel('Maximum joint error threshold (mm)', fontsize=15)
29.     ax.set_ylabel('Fraction of frames within threshold', fontsize=15)
30.     ax.tick_params(axis='x', labelsize=15)
31.     ax.tick_params(axis='y', labelsize=15)    
32. #     设置x, y轴的数字字号    
33. #     plt.rcParams['xtick.labelsize']=15
34. #     plt.rcParams['ytick.labelsize']=15
35. #     或者   
36. #     plt.set_xticks(fontsize=15)  # 设置坐标轴刻度字体大小
37. #     plt.set_yticks(fontsize=15)
38.     ax.legend(['Tompson et al.', 'Prior', 'Zhou et al.', 'Feedback',  'REN', 'Crossing Nets','ours'], loc='lower right',
39.                prop={'size': 15})
40.     ax.grid(True)
42. fig=draw_map(Tompson, Deep_prior, Zhou, Feedback_loop, qinghua, Crossing_net, ours)

1. <span style="font-size:18px">
2. plt.savefig('D:\\filename.svg',format='svg')  #保持为eps格式或者svg格式
3. plt.show()</span>

前面依然使用plt句柄，只是最后获取当前图像

1. # plt调用gcf函数取得当前绘制的figure并调用savefig函数
2. foo_fig = plt.gcf() # 'get current figure'
3. foo_fig.savefig('foo.eps', format='eps', dpi=1000)
4. plt.show()

2. 画柱状图

1. def draw_error(errs1, errs2, errs3, errs4, errs5, errs6, dataset='nyu'):
2. bar_width = 0.23
3. opacity = 0.4
4. # 将总体的mean计算出来也放进去!!
5. if dataset == 'icvl':
6. joint_idx = [0, 1, 3, 4, 6, 7, 9, 10, 12, 13, 15, 16]
7. names = ['Palm', 'Thumb.R', 'Thumb.T', 'Index.R', 'Index.T', 'Mid.R', 'Mid.T', 'Ring.R', 'Ring.T', 'Pinky.R',
8. 'Pinky.T', 'Mean']
9. elif dataset == 'nyu':
10. joint_idx = [0, 1, 2, 3, 4, 5, 6, 7, 13, 11, 12, 8, 9, 10, 14]
11. names = ['P1', 'P2', 'R1', 'R2', 'M1', 'M2', 'I1', 'I2', 'C', 'W1', 'W2', 'T1', 'T2', 'T3', 'AVG']
13. x = np.arange(len(joint_idx))
14. plt.figure(figsize=(12, 8))
15. # plt.bar(x, errs1[joint_idx]) # 选中indx为joint_idx的元素
16. # plt.title('error')
17. plt.xticks(x + 0.5, names, fontsize=15) # set the locations and labels of the xticks , rotation='vertical'
18. plt.yticks(fontsize=15) # 设置坐标轴刻度字体大小
19. plt.ylabel('Mean Error (mm)', fontsize=15)
20. # plt.grid(True)
22. rects1 = plt.bar(x, errs1, bar_width / 2, alpha=opacity, color='y', label='Tompson et al.')
23. rects2 = plt.bar(x + bar_width / 2, errs2, bar_width / 2, alpha=opacity, color='k', label='Prior')
25. rects3 = plt.bar(x + bar_width, errs3, bar_width / 2, alpha=opacity, color='c', label='Zhou et al.')
26. rects4 = plt.bar(x + 1.5 * bar_width, errs4, bar_width / 2, alpha=opacity, color='m', label='Feedback')
27. rects5 = plt.bar(x + 2 * bar_width, errs5[joint_idx], bar_width / 2, alpha=opacity, color='g', label='REN')
28. rects6 = plt.bar(x + 2.5 * bar_width, errs6[joint_idx], bar_width / 2, alpha=opacity, color='b', label='ours')
30. plt.legend(loc='upper left', prop={'size': 12})
31. plt.tight_layout()
32. foo_fig = plt.gcf() # 'get current figure'
33. foo_fig.savefig('柱状图.eps', format='eps', dpi=1000)
34. plt.show()

3. 转载的一个教程： 点击打开链接

官网介绍：

matplotlib API

一个很详细的博客：

matplotlib绘图基础

漂亮插图demo

基础知识：

首先一幅Matplotlib的图像组成部分介绍。

在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域。所属关系如下：

下面以一个直线图来详解图像内部各个组件内容:

其中：title为图像标题，Axis为坐标轴, Label为坐标轴标注，Tick为刻度线，Tick Label为刻度注释。各个对象关系可以梳理成以下内容：

图像中所有对象均来自于Artist的基类。

上面基本介绍清楚了图像中各个部分的基本关系，下面着重讲一下几个部分的详细的设置。

一个"Figure"意味着用户交互的整个窗口。在这个figure中容纳着"subplots"。

当我们调用plot时，matplotlib会调用gca()获取当前的axes绘图区域，而且gca反过来调用gcf()来获得当前的figure。如果figure为空，它会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)。

Figures

Subplots

1. plt.subplot(221) # 第一行的左图
2. plt.subplot(222) # 第一行的右图
3. plt.subplot(212) # 第二整行
4. plt.show()

注意：其中各个参数也可以用逗号,分隔开。第一个参数代表子图的行数；第二个参数代表该行图像的列数； 第三个参数代表每行的第几个图像。

另外：fig, ax = plt.subplots(2,2),其中参数分别代表子图的行数和列数，一共有 2x2 个图像。函数返回一个figure图像和一个子图ax的array列表。

补充：gridspec命令可以对子图区域划分提供更灵活的配置。

中文显示方框问题

这是由于matplotlib文件夹内没有中文字体包导致的，实际上函数包本身是支持中文的，常见解决方案是拷贝字体文件到matplotlib中，不过我感觉太麻烦，找到了另外的方式，

1 2 3 4

from pylab import mpl mpl.rcParams['font.sans-serif'] = ['FangSong']    # 指定默认字体 mpl.rcParams['axes.unicode_minus'] = False        # 解决保存图像是负号'-'显示为方块的问题

加上这三行代码指定一下字体就行了（实际上最后一行可以不加）

常用绘制流程

1.axes列表中包含各个子图句柄

1 2 3 4 5 6 7

# 3x3子图 fig, axes = plt.subplots(3, 3) # 子图间距设定 fig.subplots_adjust(hspace=0.3, wspace=0.3) # 在分别绘制各个子图 for i, ax in enumerate(axes.flat):     pass

2.每个子图句柄需要单独生成

1 2 3 4 5 6 7 8

# 画布 fig = plt.figure() # 添加子图 ax = fig.add_subplot(211) pass # 添加子图 ax2 = fig.add_subplot(212) pass

3.使用plt包命名空间代指多个子图句柄

【注】这种方法的句柄含在plt中，与上面的ax的方法属性并不相同，下面会详解

1 2 3 4 5 6 7 8 9

# 添加子图 plt.subplot(311) pass # 添加子图 plt.subplot(312) pass # 添加子图 plt.subplot(313) pass

绘图功能

【注】使用ax代指子图方法1、2的句柄，plt代指方法3中的命名空间。坐标生成：

1 2 3 4 5 6

# 一维坐标生成 x = np.linspace(0,10,100) # 二维网格生成 u = np.linspace(-1,1,100) x,y = np.meshgrid(u,u)

坐标轴标签：

1 2 3 4 5 6 7 8

xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i]) xlabel = "y" ax.set_xlabel(xlabel) ax.set_ylabel(ylabel) plt.xlabel('x') plt.ylabel('y')

坐标轴刻度：

1 2 3 4 5

ax.set_xticks([]) ax.set_yticks([]) plt.xticks(range(len(x)), ['a', 'b', 'c', 'd', 'e', 'f']) plt.yticks(range(1, 8, 2))

坐标网格：

1 2 3 4 5 6 7

# 横纵坐标单位长度统一 plt.axis('equal') # 网格 plt.grid(True) # 网格 ax.grid(True)

图表标题：

1	plt.title('Second Derivative')

对数坐标：

1 2 3 4 5

'''对数坐标''' plt.semilogx(x,y)  # 对x取对数 plt.semilogy(x,y)  # 对y取对数 plt.loglog(x,y)    # 同时取对数

绘图：

1 2 3 4 5 6 7 8 9 10

# 色彩填充 ax.fill(x,y1,facecolor='g',alpha=0.3) ax.fill_between(x,y,y1,facecolor='b') # 等高线 ax.contourf(x,y,z) # 显示数组，因为是数组所以才会有vmin和vmax的关键字 ax.imshow() # 线性绘图 plt.plot(x,y1,c='b',linestyle='',marker='^')

经典实现

饼状图

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

import matplotlib.pyplot as plt plt.figure(figsize=(12,9)) labels = ['part1', 'part2', 'part3'] # 各个饼的比例 sizes = [30, 20, 50] colors = ['yellowgreen', 'gold', 'lightskyblue'] # 各个模块离圆心的距离，参数为距离 explode = (0.05, 0.0, 0.0)  # 图 label的text 比例的text patches, l_texts, p_texts = plt.pie(sizes, explode=explode, labels=labels, colors=colors, labeldistance=0.8,         autopct='%3.1f%%', shadow=True, startangle=90, pctdistance=0.6) # 设置x，y轴刻度一致，这样饼图才能是圆的 plt.axis('equal') plt.legend() # 设置label的字体大小 for t in l_texts:     t.set_size(20) # 设置比例数字的字体大小 for t in p_texts:     t.set_size(20) plt.show()

柱状图

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

import numpy as np from matplotlib import pyplot as plt plt.figure(figsize=(9,6)) n = 12 X = np.arange(n)+1 # numpy.random.uniform(low=0.0, high=1.0, size=None), normal Y1 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n) Y2 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n) # bar and barh width = 0.35 plt.bar(X, Y1, width=width, facecolor='#9999ff', edgecolor='white') plt.bar(X+width, Y2, width=width, facecolor='#ff9999', edgecolor='white') plt.bar(X, -Y2, width=width, facecolor='#ff9999', edgecolor='white') # 柱状图添加说明文字 for x,y in zip(X,Y1):     plt.text(x, y+0.05, '%.2f' % y, ha='center', va= 'bottom')       for x,y in zip(X,-Y2):     plt.text(x+0.4, y-0.15, '%.2f' % y, ha='center', va= 'bottom') #plt.ylim(-1.25,+1.25) plt.show()

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

import numpy as np from matplotlib import pyplot as plt plt.figure(figsize=(9,6)) n = 12 X = np.arange(n)+1 # numpy.random.uniform(low=0.0, high=1.0, size=None), normal Y1 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n) Y2 = (1-X/float(n+1)) * np.random.uniform(0.5,1.0,n) # bar and barh width = 0.35 # 方法barh和参数height可以实现横向的柱状图 plt.barh(X, Y1, height=width, facecolor='#9999ff', edgecolor='white') plt.show()

概率分布图

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

from matplotlib import pyplot as plt import numpy as np mu = 0 sigma = 1 x = mu + sigma*np.random.randn(10000) fig,(ax0,ax1)=plt.subplots(ncols=2, figsize=(9,6)) ax0.hist(x, 20, normed=1, histtype='bar', facecolor='g', rwidth=0.8, alpha=0.75) ax0.set_title('pdf') # 累积概率密度分布 ax1.hist(x, 20, normed=1, histtype='bar', rwidth=0.8, cumulative=True) ax1.set_title('cdf') plt.show()

散点图

atan2(a,b)是4象限反正切，它的取值不仅取决于正切值a/b，还取决于点 (b, a) 落入哪个象限： 当点(b, a) 落入第一象限时，atan2(a,b)的范围是 0 ~ pi/2; 　当点(b, a) 落入第二象限时，atan2(a,b)的范围是 pi/2 ~ pi; 当点(b, a) 落入第三象限时，atan2(a,b)的范围是 －pi～－pi/2; 　当点(b, a) 落入第四象限时，atan2(a,b)的范围是 -pi/2～０

而 atan(a/b) 仅仅根据正切值为a/b求出对应的角度 （可以看作仅仅是2象限反正切）： 当 a/b > 0 时，atan(a/b)取值范围是 0 ~ pi/2； 当 a/b < 0 时，atan(a/b)取值范围是 -pi/2～０

故 atan2(a,b) = atan(a/b) 仅仅发生在 点 (b, a) 落入第一象限 （b>0, a>0）或 第四象限（b>0, a0 , 故 atan(a/b) 取值范围是 0 ~ pi/2，2atan(a/b) 的取值范围是 0 ~ pi，而此时atan2(a,b)的范围是 －pi～－pi/2，很显然，atan2(a,b) = 2atan(a/b)

举个最简单的例子，a = 1, b = -1，则 atan(a/b) = atan(-1) = -pi/4, 而 atan2(a,b) = 3*pi/4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

from matplotlib import pyplot as plt import numpy as np plt.figure(figsize=(9,6)) n = 1024 # 均匀分布 高斯分布 # rand 和 randn X = np.random.rand(1,n) Y = np.random.rand(1,n) # 设定颜色 T = np.arctan2(Y,X) plt.scatter(X,Y, s=75, c=T, alpha=.4, marker='o') #plt.xlim(-1.5,1.5), plt.xticks([]) #plt.ylim(-1.5,1.5), plt.yticks([]) plt.show()

不规则组合图

# 定义子图区域
left, width = 0.1, 0.65
bottom, height = 0.1, 0.65
bottom_h = left_h = left + width + 0.02

rect_scatter = [left, bottom, width, height]
rect_histx = [left, bottom_h, width, 0.2]
rect_histy = [left_h, bottom, 0.2, height]

plt.figure(1, figsize=(6, 6))

# 需要传入[左边起始位置，下边起始位置，宽，高]
# 根据子图区域来生成子图
axScatter = plt.axes(rect_scatter)
axHistx = plt.axes(rect_histx)
axHisty = plt.axes(rect_histy)

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 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

# ref : http://matplotlib.org/examples/pylab_examples/scatter_hist.html import numpy as np import matplotlib.pyplot as plt # the random data x = np.random.randn(1000) y = np.random.randn(1000) # 定义子图区域 left, width = 0.1, 0.65 bottom, height = 0.1, 0.65 bottom_h = left_h = left + width + 0.02 rect_scatter = [left, bottom, width, height] rect_histx = [left, bottom_h, width, 0.2] rect_histy = [left_h, bottom, 0.2, height] plt.figure(1, figsize=(6, 6)) # 根据子图区域来生成子图 axScatter = plt.axes(rect_scatter) axHistx = plt.axes(rect_histx) axHisty = plt.axes(rect_histy) # no labels #axHistx.xaxis.set_ticks([]) #axHisty.yaxis.set_ticks([]) # now determine nice limits by hand: N_bins=20 xymax = np.max([np.max(np.fabs(x)), np.max(np.fabs(y))]) binwidth = xymax/N_bins lim = (int(xymax/binwidth) + 1) * binwidth nlim = -lim # 画散点图，概率分布图 axScatter.scatter(x, y) axScatter.set_xlim((nlim, lim)) axScatter.set_ylim((nlim, lim)) bins = np.arange(nlim, lim + binwidth, binwidth) axHistx.hist(x, bins=bins) axHisty.hist(y, bins=bins, orientation='horizontal') # 共享刻度 axHistx.set_xlim(axScatter.get_xlim()) axHisty.set_ylim(axScatter.get_ylim()) plt.show()

三维数据图

使用散点图的点大小、颜色、透明度表示高维数据：

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

import numpy as np import matplotlib.pyplot as plt fig = plt.figure(figsize=(9,6),facecolor='white') # Number of ring n = 50 size_min = 50 size_max = 50*50 # Ring position P = np.random.rand(n,2) # Ring colors R,G,B,A C = np.ones((n,4)) * (0.5,0.5,0,1) # Alpha color channel goes from 0 (transparent) to 1 (opaque),很厉害的实现 C[:,3] = np.linspace(0,1,n) # Ring sizes S = np.linspace(size_min, size_max, n) # Scatter plot plt.scatter(P[:,0], P[:,1], s=S, lw = 0.5,                   edgecolors = C, facecolors=C) plt.xlim(0,1), plt.xticks([]) plt.ylim(0,1), plt.yticks([]) plt.show()

美化

1 2 3 4 5 6 7 8

# 美化matplotlib绘出的图，导入后自动美化 import seaborn as sns # matplotlib自带美化风格 # 打印可选风格 print(plt.style.available #ggplot, bmh, dark_background, fivethirtyeight, grayscale) # 激活风格 plt.style.use('bmh')

一维颜色填充 & 三维绘图 & 三维等高线图

『Python』Numpy学习指南第九章_使用Matplotlib绘图

from mpl_toolkits.mplot3d import Axes3D

ax = fig.add_subplot(111,projection='3d')

ax.plot() 绘制3维线

ax.plot_surface绘制三维网格（面）

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

from mpl_toolkits.mplot3d import Axes3D   #<-----导入3D包 import numpy as np import matplotlib.pyplot as plt fig = plt.figure(figsize=(9,6)) ax = fig.add_subplot(111,projection='3d') #<-----设置3D模式子图 <br># 新思路，之前都是生成x和y绘制z=f(x，y)的函数，这次绘制x=f1(z),y=f2(z) z = np.linspace(0, 6, 1000) r = 1 x = r * np.sin(np.pi*2*z) y = r * np.cos(np.pi*2*z) ax.plot(x, y, z, label=u'螺旋线', c='r') ax.legend() # dpi每英寸长度的点数 plt.savefig('3d_fig.png',dpi=200) plt.show()

# ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

from mpl_toolkits.mplot3d import axes3d import matplotlib.pyplot as plt from matplotlib import cm fig = plt.figure() ax = fig.add_subplot(111,projection='3d') X, Y, Z = axes3d.get_test_data(0.05) print(X,Y,Z) # ax.plot 绘制的是3维线，ax.plot_surface绘制的是三维网格（也就是面） ax.plot_surface(X, Y, Z, rstride=5, cstride=5, alpha=0.3) # 三维图投影制作，zdir选择投影方向坐标轴 cset = ax.contour(X, Y, Z, 10, zdir='z', offset=-100, cmap=cm.coolwarm) cset = ax.contour(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm) cset = ax.contour(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm) ax.set_xlabel('X') ax.set_xlim(-40, 40) ax.set_ylabel('Y') ax.set_ylim(-40, 40) ax.set_zlabel('Z') ax.set_zlim(-100, 100) plt.show()

# 为等高线图添加标注

1 2	cs = ax2.contour(X,Y,Z) ax2.clabel(cs, inline=1, fontsize=5)

配置Colorbar

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 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83

# -*- coding: utf-8 -*-  #**********************************************************  import os  import numpy as np  import wlab #pip install wlab  import matplotlib  import matplotlib.cm as cm  import matplotlib.pyplot as plt  from matplotlib.ticker import MultipleLocator  from scipy.interpolate import griddata  matplotlib.rcParams['xtick.direction'] = 'out'  matplotlib.rcParams['ytick.direction'] = 'out'  #**********************************************************  FreqPLUS=['F06925','F10650','F23800','F18700','F36500','F89000']  #  FindPath='/d3/MWRT/R20130805/'  #**********************************************************  fig = plt.figure(figsize=(8,6), dpi=72, facecolor="white")  axes = plt.subplot(111)  axes.cla()#清空坐标轴内的所有内容  #指定图形的字体  font = {'family' : 'serif',          'color'  : 'darkred',          'weight' : 'normal',          'size'   : 16,          }  #**********************************************************  # 查找目录总文件名中保护F06925，EMS和txt字符的文件  for fp in FreqPLUS:      FlagStr=[fp,'EMS','txt']      FileList=wlab.GetFileList(FindPath,FlagStr)      #      LST=[]#地表温度      EMS=[]#地表发射率      TBH=[]#水平极化亮温      TBV=[]#垂直极化亮温      #      findex=0      for fn in FileList:          findex=findex+1          if (os.path.isfile(fn)):              print(str(findex)+'-->'+fn)              #fn='/d3/MWRT/R20130805/F06925_EMS60.txt'              data=wlab.dlmread(fn)              EMS=EMS+list(data[:,1])#地表发射率              LST=LST+list(data[:,2])#温度              TBH=TBH+list(data[:,8])#水平亮温              TBV=TBV+list(data[:,9])#垂直亮温      #-----------------------------------------------------------      #生成格点数据，利用griddata插值      grid_x, grid_y = np.mgrid[275:315:1, 0.60:0.95:0.01]      grid_z = griddata((LST,EMS), TBH, (grid_x, grid_y), method='cubic')      #将横纵坐标都映射到（0，1）的范围内      extent=(0,1,0,1)       #指定colormap      cmap = matplotlib.cm.jet      #设定每个图的colormap和colorbar所表示范围是一样的，即归一化      norm = matplotlib.colors.Normalize(vmin=160, vmax=300)      #显示图形，此处没有使用contourf #>>>ctf=plt.contourf(grid_x,grid_y,grid_z)      gci=plt.imshow(grid_z.T, extent=extent, origin='lower',cmap=cmap, norm=norm)      #配置一下坐标刻度等      ax=plt.gca()      ax.set_xticks(np.linspace(0,1,9))      ax.set_xticklabels( ('275', '280', '285', '290', '295',  '300',  '305',  '310', '315'))      ax.set_yticks(np.linspace(0,1,8))      ax.set_yticklabels( ('0.60', '0.65', '0.70', '0.75', '0.80','0.85','0.90','0.95'))      #显示colorbar      cbar = plt.colorbar(gci)      cbar.set_label('$T_B(K)$',fontdict=font)      cbar.set_ticks(np.linspace(160,300,8))      cbar.set_ticklabels( ('160', '180', '200', '220', '240',  '260',  '280',  '300'))      #设置label      ax.set_ylabel('Land Surface Emissivity',fontdict=font)      ax.set_xlabel('Land Surface Temperature(K)',fontdict=font) #陆地地表温度LST      #设置title      titleStr='$T_B$ for Freq = '+str(float(fp[1:-1])*0.01)+'GHz'      plt.title(titleStr)      figname=fp+'.png'      plt.savefig(figname)      plt.clf()#清除图形      #plt.show()  print('ALL -> Finished OK')

上面的例子中，每个保存的图，都是用同样的colormap，并且每个图的颜色映射值都是一样的，也就是说第一个图中如果200表示蓝色，那么其他图中的200也表示蓝色。

示例的图形如下：

4.  样式美化(matplotlib.pyplot.style.use)  点击打开链接

使用matplotlib自带的几种美化样式，就可以很轻松的对生成的图形进行美化。

可以使用matplotlib.pyplot.style.available获取所有的美化样式

1. #!/usr/bin/python
2. #coding: utf-8
3. import numpy as np
4. import matplotlib.pyplot as plt
5. # 获取所有的自带样式
6. print plt.style.available
7. # 使用自带的样式进行美化
8. plt.style.use("ggplot")
9. fig, axes = plt.subplots(ncols = 2, nrows = 2)
10. # 四个子图的坐标轴赋予四个对象
11. ax1, ax2, ax3, ax4 = axes.ravel()
12. x, y = np.random.normal(size = (2, 100))
13. ax1.plot(x, y, "o")
14. x = np.arange(1, 10)
15. y = np.arange(1, 10)
16. # plt.rcParams['axes.prop_cycle']获取颜色的字典
17. # 会在这个范围内依次循环
18. ncolors = len(plt.rcParams['axes.prop_cycle'])
19. # print ncolors
20. # print plt.rcParams['axes.prop_cycle']
21. shift = np.linspace(1, 20, ncolors)
22. for s in shift:
23. # print s
24. ax2.plot(x, y + s, "-")
25. x = np.arange(5)
26. y1, y2, y3 = np.random.randint(1, 25, size = (3, 5))
27. width = 0.25
28. # 柱状图中要显式的指定颜色
29. ax3.bar(x, y1, width, color = "r")
30. ax3.bar(x + width, y2, width, color = "g")
31. ax3.bar(x + 2 * width, y3, width, color = "y")
32. for i, color in enumerate(plt.rcParams['axes.prop_cycle']):
33. xy = np.random.normal(size= 2)
34. for c in color.values():
35. ax4.add_patch(plt.Circle(xy, radius = 0.3, color= c))
36. ax4.axis("equal")
37. plt.show()

使用ggplot进行美化后的结果

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.****.net/xiaojiajia007/article/details/77866313