1、1,Matplotlib,绘制精美的图表,目录,快速绘图 快速绘图 绘制多轴图 坐标轴设定 绘图函数简介 对数坐标图 极坐标图 柱状图 散列图,2,目录,图像 等值线图 三维绘图,3,4,matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。它的文档相当完备，并且Gallery页面中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。展示页面的地址： http:/ pylab模块matplotlib
2、还提供了名为pylab的模块，其中包括了许多numpy和pyplot中常用的函数，方便用户快速进行计算和绘图，可以用于IPython中的快速交互式使用。,5,快速绘图,matplotlib中的快速绘图的函数库可以通过如下语句载入：接下来调用figure创建一个绘图对象，并且使它成为当前的绘图对象。通过figsize参数可以指定绘图对象的宽度和高度，单位为英寸；dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80。因此本例中所创建的图表窗口的宽度为8*80 = 640像素。,6,import matplotlib.pyplot as plt,plt.figure(figsize=(8
3、,4),快速绘图,也可以不创建绘图对象直接调用接下来的plot函数直接绘图，matplotlib会自动创建一个绘图对象。如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。下面的两行程序通过调用plot函数在当前的绘图对象中进行绘图：,7,plt.plot(x,y,label=“$sin(x)$“,color=“red“,linewidth=2) plt.plot(x,z,“b-“,label=“$cos(x2)$“),快速绘图,plot函数的调用方式很灵活，第一句将x,y数组传递
4、给plot之后，用关键字参数指定各种属性： label : 给所绘制的曲线一个名字，此名字在图示(legend)中显示。只要在字符串前后添加$符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。 color : 指定曲线的颜色 linewidth : 指定曲线的宽度 第三个参数b-指定曲线的颜色和线型,8,plt.plot(x,y,label=“$sin(x)$“,color=“red“,linewidth=2) plt.plot(x,z,“b-“,label=“$cos(x2)$“),快速绘图,接下来通过一系列函数设置绘图对象的各个属性： xlabel / ylabel
5、: 设置X轴/Y轴的文字 title : 设置图表的标题 ylim : 设置Y轴的范围 legend : 显示图示最后调用plt.show()显示出创建的所有绘图对象。,9,plt.xlabel(“Time(s)“) plt.ylabel(“Volt“) plt.title(“PyPlot First Example“) plt.ylim(-1.2,1.2) plt.legend(),快速绘图,10,import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 10, 1000) y = np.sin(x) z =
6、np.cos(x*2) plt.figure(figsize=(8,4) plt.plot(x,y,label=“$sin(x)$“,color=“red“,linewidth=2) plt.plot(x,z,“b-“,label=“$cos(x2)$“) plt.xlabel(“Time(s)“) plt.ylabel(“Volt“) plt.title(“PyPlot First Example“) plt.ylim(-1.2,1.2) plt.legend() plt.show(),快速绘图,11,快速绘图,还可以调用plt.savefig()将当前的Figure对象保存成图像文件，图像
7、格式由图像文件的扩展名决定。下面的程序将当前的图表保存为“test.png”，并且通过dpi参数指定图像的分辨率为 120，因此输出图像的宽度为“8X120 = 960”个像素。实际上不需要调用show()显示图表，可以直接用savefig()将图表保存成图像文件.使用这种方法可以很容易编写出 批量输出图表的程序.,12,run matplotlib_simple_plot.py plt.savefig(“test.png“,dpi=120),快速绘图,绘制多轴图一个绘图对象(figure)可以包含多个轴(axis)，在Matplotlib中用轴表示一个绘图区域，可以将其理解为子图。上面的第一
8、个例子中，绘图对象只包括一个轴，因此只显示了一个轴(子图(Axes) )。可以使用subplot函数快速绘制有多个轴的图表。subplot函数的调用形式如下：,13,subplot(numRows, numCols, plotNum),快速绘图,14,subplot将整个绘图区域等分为numRows行和 numCols列个子区域，然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1。如果numRows，numCols和plotNum这三个数都小于10的话，可以把它们缩写为一个整数，例如subplot(323)和subplot(3,2,3)是相同的。subplot在plo
9、tNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。,快速绘图,下面的程序创建3行2列共6个轴，通过axisbg参数给每个轴设置不同的背景颜色。如果希望某个轴占据整个行或者列的话，可以如下调用subplot：,15,for idx, color in enumerate(“rgbyck“):plt.subplot(320+idx+1, axisbg=color) plt.show(),plt.subplot(221) # 第一行的左图 plt.subplot(222) # 第一行的右图 plt.subplot(212) # 第二整行 plt.show()
10、,快速绘图,当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。,16,快速绘图,subplot()返回它所创建的Axes对象，可以将它用变量保存起来，然后用sca()交替让它们成为当前Axes对象，并调用plot()在其中绘图。如果需要同时绘制多幅图表，
11、可以给figure()传递一个整数参数指定Figure对象的序号，如果序号所指定的figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。下面的程序演示了如何依次在不同图表的不同 子图中绘制曲线。(matplotlib_multi_figure.py),17,快速绘图,首先通过figure()创建了两个图表，它们的序号分别为1和2。然后在图表2中创建了上下 并排的两个子图，并用变量ax1和ax2保存。,18,import numpy as np import matplotlib.pyplot as pltplt.figure(1) # 创建图表1 plt.figur
12、e(2) # 创建图表2 ax1 = plt.subplot(211) # 在图表2中创建子图1 ax2 = plt.subplot(212) # 在图表2中创建子图2x = np.linspace(0, 3, 100),快速绘图,在循环中，先调用figure(1)让图表1成为当前图表，并在其中绘图。然后调用sca(ax1) 和sca(ax2)分别让子图ax1和ax2成为当前子图，并在其中绘图。当它们成为当前子图时，包含它们的图表2也自动成为当前图表，因此不需要调用figure(2)依次在图表1和图表2的两 个子图之间切换，逐步在其中添加新的曲线,19,for i in xrange(5):p
13、lt.figure(1) # 选择图表1plt.plot(x, np.exp(i*x/3)plt.sca(ax1) # 选择图表2的子图1plt.plot(x, np.sin(i*x)plt.sca(ax2) # 选择图表2的子图2plt.plot(x, np.cos(i*x) plt.show(),快速绘图,20,快速绘图,坐标轴设定Axis容器包括坐标轴的刻度线、刻度标签、坐标网格以及坐标轴标题等内容。刻度包括主刻度和副刻度，分别通过get_major_ticks()和get_minor_ticks()方法获得。每个刻度线都是一 个XTick或YTick对象，它包括实际的刻度线和刻度标签。
14、为了方便访问刻度线和文本，Axis 对象提供了 get_ticklabels()和get_ticklines()方法,可以直接获得刻度标签和刻度线。下面例子进行绘图并得到当前子图的X轴对象axis:,21, plt.plot(1,2,3,4,5,6) plt.show() axis = plt.gca().xaxis,快速绘图,获得axis对象的刻度位置列表：下面获得axis对象的刻度标签以及标签中的文字:,22, axis.get_ticklocs() array( 1. , 1.5, 2. , 2.5, 3. ), axis.get_ticklabels() # 获得刻度标签列表 x.ge
15、t_text() for x in axis.get_ticklabels()# 获得刻度的文本字符串 u1.0, u1.5, u2.0, u2.5, u3.0,快速绘图,23,快速绘图,下面获得X轴上表示主刻度线的列表，可看到X轴上共有10条刻度线由于没有副刻度线，因此副刻度线列表的长度为0：使用pyplot模块中的xticks()能够完成X轴上刻度标签的配置：,24, axis.get_ticklines() , axis.get_ticklines(minor=True) # 获得副刻度线列表 ,plt.xticks(fontsize=16, color=“red“, rotation=
16、45),快速绘图,25,上面的例子中副刻度线列表为空，这是因为用于计算副刻度位置的对象默认为 NullLocator,它不产生任何刻度线。而计算主刻度位置的对象为AutoLocator,它会根据当前的缩放等配置自动计算刻度的位置.matplotlib提供了多种配置刻度线位置的Locator类，以及控制刻度标签显示的Formatter 类。下面的程序设置X轴的主刻度为/4,副刻度为 /20,并且主刻度上的标签用数学符号显示 。( matplotlib_axis_text.py自定义坐标轴的刻度和文字),快速绘图,26,与刻度定位和文本格式化相关的类都在matplotlib.ticker模块中定义
17、，程序从中载入了两个类：MultipleLocaton, FuncFormatter.,from matplotlib.ticker import MultipleLocator, FuncFormatter,import matplotlib.pyplot as pl from matplotlib.ticker import MultipleLocator, FuncFormatter import numpy as np x = np.arange(0, 4*np.pi, 0.01) y = np.sin(x) pl.figure(figsize=(8,4) pl.plot(x, y)
18、ax = pl.gca(),快速绘图,程序中通过pi_formatter()计算出刻度值对应的刻度文本.（很繁琐）,27,def pi_formatter(x, pos): m = np.round(x / (np.pi/4)n = 4while m!=0 and m%2=0: m, n = m/2, n/2if m = 0:return “0“if m = 1 and n = 1:return “$pi$“if n = 1:return r“$%d pi$“ % mif m = 1:return r“$fracpi%d$“ % nreturn r“$frac%d pi%d$“ % (m,n)
19、,快速绘图,28,X = np.linspace(0, 4*np.pi, 17, endpoint=True) X array( 0. , 0.78539816, 1.57079633, 2.35619449,3.14159265, 3.92699082, 4.71238898, 5.49778714,6.28318531, 7.06858347, 7.85398163, 8.6393798 ,9.42477796, 10.21017612, 10.99557429, 11.78097245, 12.56637061)plt.xticks( 0. , 0.78539816, 1.5707963
20、3, 2.35619449,3.14159265, 3.92699082, 4.71238898, 5.49778714,6.28318531, 7.06858347, 7.85398163, 8.6393798 ,9.42477796, 10.21017612, 10.99557429, 11.78097245, 12.56637061,r$0$, r$pi/4$, r$pi/2$,r$3pi/4$,r$pi$, r$5pi/4$, r$3pi/2$,r$7pi/4$,r$2pi$, r$9pi/4$, r$5pi/2$,r$11pi/4$,r$3pi$, r$13pi/4$, r$7pi/
21、2$,r$15pi/4$, r$4pi$) # r$ frac2pi3 $,快速绘图,以指定值的整数倍为刻度放置主、副刻度线。使用指定的函数计算刻度文本，它会将刻度值和刻度的序号作为参数传递给计算刻度文本的函数.,29,ax.xaxis.set_major_locator( MultipleLocator(np.pi/4) ) ax.xaxis.set_minor_locator( MultipleLocator(np.pi/20) ),ax.xaxis.set_major_formatter( FuncFormatter( pi_formatter ) ),# 设置两个坐标轴的范围 pl.y
22、lim(-1.5,1.5) pl.xlim(0, np.max(x),快速绘图,30,pl.subplots_adjust(bottom = 0.15) # 设置图的底边距 pl.grid() #开启网格 # 主刻度为pi/4 ax.xaxis.set_major_locator( MultipleLocator(np.pi/4) ) # 主刻度文本用pi_formatter函数计算 ax.xaxis.set_major_formatter( FuncFormatter( pi_formatter ) ) # 副刻度为pi/20 ax.xaxis.set_minor_locator( Mult
23、ipleLocator(np.pi/20) ) # 设置刻度文本的大小 for tick in ax.xaxis.get_major_ticks():tick.label1.set_fontsize(16) pl.show(),快速绘图,31,绘图函数简介,32,对数坐标图前面介绍过如何使用plot()绘制曲线图，所绘制图表的X-Y轴坐标都是算术坐标。下面看看如何在对数坐标系中绘图。绘制对数坐标图的函数有三个：semilogx()、semilogy()和loglog(),它们分别绘制X轴为对数坐标、Y轴为对数坐标以及两个轴都为对数坐标时的图表。,绘图函数简介,下面的程序使用4种不同的坐标系绘制
24、低通滤波器的频率响应曲线。 其中，左上图为plot()绘制的算术坐标系，右上图为semilogx()绘制的X轴对数坐标系，左下图 为semilogy()绘制的Y轴对数坐标系，右下图为loglog()绘制的双对数坐标系。使用双对数坐标系表示的频率响应曲线通常被称为波特图。(matplotlib_log.py),33,import numpy as np import matplotlib.pyplot as pltw = np.linspace(0.1, 1000, 1000) p = np.abs(1/(1+0.1j*w) # 计算低通滤波器的频率响应,绘图函数简介,34,plt.subplo
25、t(221) plt.plot(w, p, linewidth=2) plt.ylim(0,1.5) plt.subplot(222) plt.semilogx(w, p, linewidth=2) plt.ylim(0,1.5) plt.subplot(223) plt.semilogy(w, p, linewidth=2) plt.ylim(0,1.5) plt.subplot(224) plt.loglog(w, p, linewidth=2) plt.ylim(0,1.5) plt.show(),绘图函数简介,35,绘图函数简介,极坐标图极坐标系是和笛卡尔(X-Y)坐标系完全不同的坐标
26、系，极坐标系中的点由一个夹角和一段相对中心点的距离来表示。下面的程序绘制极坐标图， (matplotlib_polar.py)。,36,import numpy as np import matplotlib.pyplot as plt theta = np.arange(0, 2*np.pi, 0.02),绘图函数简介,程序中调用subplot()创建子图时通过设 polar参数为True,创建一个极坐标子图。然后调用plot()在极坐标子图中绘图。也可以使用polar()直接创建极坐标子图并在其中绘制曲线。,37,plt.subplot(121, polar=True) plt.plot(
27、theta, 1.6*np.ones_like(theta), linewidth=2) plt.plot(3*theta, theta/3, “-“, linewidth=2),绘图函数简介,rgrids()设置同心圆栅格的半径大小和文字标注的角度。因此右图中的虚线圆圈有三个， 半径分别为0.5、1.0和1.5,这些文字沿着45线排列。Thetagrids()设置放射线栅格的角度， 因此右图中只有两条放射线，角度分别为0和45。,38,plt.subplot(122, polar=True) plt.plot(theta, 1.4*np.cos(5*theta), “-“, linewidt
28、h=2) plt.plot(theta, 1.8*np.cos(4*theta), linewidth=2) plt.rgrids(np.arange(0.5, 2, 0.5), angle=45) plt.thetagrids(0, 45)plt.show(),绘图函数简介,39,绘图函数简介,柱状图柱状图用其每根柱子的长度表示值的大小，它们通常用来比较两组或多组值。下面的程序从文件中读入中国人口的年龄分布数据,并使用柱状图比较男性和女性的年龄分布。（matplotlib_bar.py 绘制比较男女人口的年龄分布图 ）,40,import numpy as np import matplot
29、lib.pyplot as plt,绘图函数简介,41,读入的数据中，第0列为年龄，它将作为柱状图的横坐标。首先计算柱状图中每根柱子 的宽度，因为要在每个年龄段上绘制两根柱子，因此柱子的宽度应该小于年龄段的二分之 一。这里以年龄段的0.4倍作为柱子的宽度。,data = np.loadtxt(“china_population.txt“) width = (data1,0 - data0,0)*0.4,绘图函数简介,调用bar()绘制男性人口分布的柱状图。它的第一个参数为每根柱子左边缘的横坐标，为 了让男性和女性的柱子以年龄刻度为中心，这里让每根柱子左侧的横坐标为“年龄减去柱子的宽度”。Bar
30、()的第二个参数为每根柱子的高度，第三个参数指定所有柱子的宽度。当第三个参数为序列时，可以为每根柱子指定宽度。,42,plt.figure(figsize=(8,5)plt.bar(data:,0-width, data:,1/1e7, width, color=“b“, label=u“男“),绘图函数简介,绘制女性人口分布的柱状图，这里以年龄为柱子的左边缘横坐标，因此女性和男性的人 口分布图以年龄刻度为中心。由于bar()不自动修改颜色，因此程序中通过color参数设置两个 柱状图的颜色。,43,plt.bar(data:,0, data:,2/1e7, width, color=“r“,
31、 label=u“女“) plt.xlim(-width, 100) plt.xlabel(u“年龄“) plt.ylabel(u“人口（千万）“) plt.legend() plt.show(),绘图函数简介,44,绘图函数简介,散列图 使用plot()绘图时，如果指定样式参数为仅绘制数据点，那么所绘制的就是一幅散列图。 例如：但是这种方法所绘制的点无法单独指定颜色和大小。而scatter()所绘制的散列图却可以指定每个点的颜色和大小。下面的程序演示scatter()的用法 (matplotlib_scatter.py).,45,plt.plot(np.random.random(100),
32、 np.random.random(100), “o“),绘图函数简介,scatter()的前两个参数是数组，分别指定每个点的X轴和Y轴的坐标。s参数指定点的大 小，值和点的面积成正比。它可以是一个数，,46,import numpy as np import matplotlib.pyplot as plt plt.figure(figsize=(8,4) x = np.random.random(100) y = np.random.random(100) plt.scatter(x, y, s=x*1000, c=y, marker=(5, 1), alpha=0.8, lw=2, fa
33、cecolors=“none“) plt.xlim(0,1) plt.ylim(0,1) plt.show(),绘图函数简介,指定所有点的大小；也可以是数组，分别对每个点指定大小。c参数指定每个点的颜色，可以是数值或数组。这里使用一维数组为每个点指定了一个数值。通过颜色映射表，每个数值都会与一个颜色相对应。默认的颜色映射表中蓝色与最小值对应，红色与最大值对应。当c参数是形状为(N,3)或(N,4)的二维数组时，则直接表示每个点的RGB颜色。marker参数设置点的形状，可以是个表示形状的字符串，也可以是表示多边形的两个元素的元组，第一个元素表示多边形的边数，,47,绘图函数简介,第二个元素表示
34、多边形的样式，取值范围为0、1、2、3。0表示多边形，1表示星形，2表示放射形，3表示忽略边数而显示为圆形。最后，通过alpha参数设置点的透明度，通过lw参数设置线宽，lw是line width的缩写。 facecolors参数为“none”时，表示散列点没有填充色。,48,绘图函数简介,49,绘图函数简介,图像imread()和imshow()提供了简单的图像载入和显示功能.imread()可以从图像文件读入数据，得到一个表示图像的NumPy数组。它的第一个参数是文件名或文件对象，format参数指定图像类型，如果省略，就由文件的扩展名决定图像类型。 对于灰度图像，它返回一个形状为(M，N
35、)的数组；对于彩色图像，返冋形状为(M，N，C)的数组。 其中,M为图像的高度,N为图像的宽度,C为3或4,表示图像的通道数。,50,img = plt.imread(“lena.jpg“),绘图函数简介,下面的程序从“lena.jpg” 中读入图像数据，得到的数组img是一个形状为(393,512,3)的单字节无符号整数数组。这是因为通常使用的图像都是采用单字节分别保存每个像素的红、绿、蓝三个通道的分量：,51, img = plt.imread(“lena.jpg“) img.shape (393L, 512L, 3L) img.dtype dtype(uint8),绘图函数简介,imsh
36、ow()可以用来显示imread()返回的数组。如果数组是表示多通道图像的三维数组，那么每个像素的颜色由各个通道的值决定：请注意，从JPG图像中读入的数据是上下颠倒的，为了正常显示图像，可以将数组的第0轴反转，或者设置imshow()的origin参数为“lower”,从而让所显示图表的原点在左下角：,52, plt.imshow(img) #注意图像是上下颠倒的, plt.imshow(img:-1) #反转图像数组的第0轴 #or plt.imshow(img, origin=“lower“) # 让图表的原点在左下角,绘图函数简介,如果三维数组的元素类型为浮点数，那么元素的取值范围为0.
37、0到1.0,与颜色值0到255 对应。超出这个范围可能会出现颜色异常的像素。下面的例子将数组img转换为浮点数组并用 imshow()进行显示：,53, img = img: :-1 plt.imshow(img*1.0) #取值范围为0.0到255.0的浮点数组，不能正确显示颜色 plt.imshow(img/255.0) #取值范围为0.0到1.0的浮点数组，能正确显示颜色 plt.imshow(np.clip(img/200.0, 0, 1) # 使用 clip()限制取值范围，整个图像变亮,绘图函数简介,如果imshow()的参数是二维数组，就使用颜色映射表决定每个像素的颜色。下面显示
38、图像中的红色通道：显示效果比较吓人，因为默认的图像映射将最小值映射为蓝色、将最大值映射为红色. 可以使用colorbar()将颜色映射表在图表中显示出来：,54, plt.imshow(img:,:,0), plt.colorbar(),绘图函数简介,通过imshow()的cmap参数可以修改显示图像时所采用的颜色映射表。颜色映射表是一个 ColorMap对象，matplotlib中已经预先定义好了很多颜色映射表，可通过下面的语句找到这 些颜色映射表的名字：(matplotlib_imshow.py)下面使用名为copper的颜色映射表显示图像的红色通道，很有老照片的味道：,55, impor
39、t matplotlib.cm as cm cm._cmapnames Spectral,copper, RdYlGn, Set2, sumner, spring, gist_ncar，,plt.imshow(img:,:,0,cmap=cm.copper),绘图函数简介,56,import numpy as np import matplotlib.pyplot as plt import matplotlib.cm as cmplt.subplots_adjust(0,0,1,1,0.05,0.05) plt.subplot(331) img = plt.imread(“lena.jpg“
40、) plt.imshow(img) plt.subplot(332) plt.imshow(img:-1) plt.subplot(333) plt.imshow(img, origin=“lower“)img = img:-1 plt.subplot(334) plt.imshow(img*1.0),绘图函数简介,57,plt.subplot(335) plt.imshow(img/255.0) plt.subplot(336) plt.imshow(np.clip(img/200.0, 0, 1) plt.subplot(325) plt.imshow(img:,:,0) plt.colo
41、rbar() plt.subplot(326) plt.imshow(img:,:,0, cmap=cm.copper) plt.colorbar() for ax in plt.gcf().axes:ax.set_axis_off()ax.set_axis_off() plt.show(),绘图函数简介,58,绘图函数简介,还可以使用imshow()显示任意的二维数据，例如下面的程序使用图像直观地显示了二元函数 . (matplotlib_2dfunc.py 使用imshow()可视化二元函数),59,import numpy as np import matplotlib.pyplot a
42、s plt import matplotlib.cm as cm y, x = np.ogrid-2:2:200j, -2:2:200j z = x * np.exp( - x*2 - y*2) extent = np.min(x), np.max(x), np.min(y), np.max(y),绘图函数简介,首先通过数组的广播功能计算出表示函数值的二维数组Z,注意它的第0轴表示Y轴、 第1轴表示X轴。然后将X、Y轴的取值范围保存到extent列表中。,60,plt.figure(figsize=(10,3) plt.subplot(121) plt.imshow(z, extent=ext
43、ent, origin=“lower“) plt.colorbar() plt.subplot(122) plt.imshow(z, extent=extent, cmap=cm.gray, origin=“lower“) plt.colorbar()plt.show(),绘图函数简介,将extent列表传递给 imshow()的extent参数，这样一来，图表的X、Y轴的刻度标签将使用extent列表所指定的范围.,61,绘图函数简介,等值线图还可以使用等值线图表示二元函数。所谓等值线，是指由函数值相等的各点连成的平滑曲线。等值线可以直观地表示二元函数值的变化趋势，例如等值线密集的地方表示函
44、数值在此处的变化较大。matplotlib中可以使用contour()和contourf()描绘等值线，它们的区别是：contourf()所得到的是带填充效果的等值线。(matplotlib_contour.py用contour和contourf描绘等值线图),62,绘图函数简介,63,import numpy as np import matplotlib.pyplot as plt y, x = np.ogrid-2:2:200j, -3:3:300j z = x * np.exp( - x*2 - y*2) extent = np.min(x), np.max(x), np.min(y)
45、, np.max(y) plt.figure(figsize=(10,4) plt.subplot(121) cs = plt.contour(z, 10, extent=extent) plt.clabel(cs) plt.subplot(122) plt.contourf(x.reshape(-1), y.reshape(-1), z, 20) plt.show(),绘图函数简介,为了更淸楚地区分X轴和Y轴，这里让它们的取值范围和等分次数均不相同.这样得 到的数组z的形状为(200, 300),它的第0轴对应Y轴、第1轴对应X轴。调用contour()绘制数组z的等值线图，第二个参数为10
46、,表示将整个函数的取值范围等 分为10个区间,即显示的等值线图中将有9条等值线。和imshow()一样，可以使用extent参 数指定等值线图的X轴和Y轴的数据范围。contour()所返回的是一个QuadContourSet对象， 将它传递给clabel(),为其中的等值线标上对应的值。,64,绘图函数简介,调用contourf(),绘制将取值范围等分为20份、带填充效果的等值线图。这里演示 了另外一种设置X、Y轴取值范围的方法。它的前两个参数分别是计算数组z时所使用的X轴和Y轴上的取样点,这两个数组必须是一维的。,65,绘图函数简介,还可以使用等值线绘制隐函数曲线. 显然，无法像绘制一般函
47、数那样，先创建一个等差数组表示变量的取值点，然后计算出数组中每个x所对应的y值。可以使用等值线解决这个问题，显然隐函数的曲线就是值等于0的那条等值线。下面的程序绘制函数在f(x,y)=0和 f(x,y)-0.1 = 0时的曲线. (matplotlib_implicit_func.py),66,import numpy as np import matplotlib.pyplot as plty, x = np.ogrid-1.5:1.5:200j, -1.5:1.5:200j f = (x*2 + y*2)*4 - (x*2 - y*2)*2,绘图函数简介,67,plt.figure(fig
48、size=(9,4) plt.subplot(121) extent = np.min(x), np.max(x), np.min(y), np.max(y) cs = plt.contour(f, extent=extent, levels=0, 0.1, colors=“b“, “r“, linestyles=“solid“, “dashed“, linewidths=2, 2)plt.subplot(122) for c in cs.collections:data = c.get_paths()0.verticesplt.plot(data:,0, data:,1, color=c.get_color()0, linewidth=c.get_linewidth()0)plt.show(),绘图函数简介,68,绘图函数简介,在调用contour()绘制等值线时，可以通过levels参数指定所绘制等值线对应的函数值，这 里设置levels参数为0，0.1,因此最终将绘制两条等值线。观察图会发现，表示隐函数f(x)=0蓝色实线并不是完全连续的，在图的中间部分它由许多孤立的小段构成。因为等值线在原点附近无限靠近，因此无论对函数f的取值空间如何进行细分，总是会有无法分开的地方，最终造成了图中的那些孤立的细小区域。而表示隐函数f(x,y)-0.1=0的红色虚线则是闭合且连续的。,
