手把手教你Python yLab的繪制折線圖的畫法
Python的可視化工具有很多，數(shù)不勝數(shù)，各有優(yōu)劣。本文就對其中的pylab進行介紹。之所以介紹這一款，是因為它和Matlab的強烈相似度，如果你使用過Matlab，那么相信pylab你也會很快上手。
簡單的plot函數(shù)
pylab繪圖，最基本的函數(shù)就是plot函數(shù)，當然如果想要將圖片顯示出來，需要額外添加一個show函數(shù)。
在python的繪圖中，numpy是一個非常常用的工具，不太熟悉的可以參考博主的另一篇博文：【Python】Python之Numpy的超實用基礎詳細教程。
例如：
import pylab import numpy as np if __name__ == "__main__": x = np.arange(0, 1, 0.05) y = [i*i for i in np.arange(0, 1, 0.05)] pylab.plot(x, y) pylab.show()
運行生成的圖片為：
規(guī)定兩個序列，只需要兩個序列的長度相等，就可以以其中一個序列為橫坐標，零一個序列為縱坐標，進行繪制。
但是也看得出來，這樣的圖片是比較寒磣的，簡單樸素。我們可以對線條進行一些修飾，比如線型、顏色、點型等等。只需要在plot函數(shù)中添加一個參數(shù)即可。這個參數(shù)用法比較靈活，特可以從下表的值中進行組合選擇：
| 顏色 | 線型 | 點型 |
|---|---|---|
| ‘b' (藍色) | ‘-' (實線) | ‘,' (像素) |
| ‘g' (綠色) | ‘–' (虛線) | ‘o' (圓形) |
| ‘r' (紅色) | ‘-.' (虛點線) | ‘^' (上三角) |
| ‘y' (黃色) | ‘:' (點線) | ‘s' (方形) |
| ‘k' (黑色) | ‘.' (點) | ‘+' (加號) |
| ‘w' (藍色) | … | ‘x' (叉形) |
| … | … |
例如:
import pylab import numpy as np if __name__ == "__main__": x = np.arange(0, 1, 0.05) y = [i*i for i in np.arange(0, 1, 0.05)] pylab.plot(x, y, "b-.+") pylab.show()
運行生成的圖片為：
如果，還想增加圖例，x軸、y軸的含義和刻度，標題的信息，也可以通過添加一些函數(shù)來進行。
例如：
# -*- coding:UTF-8 -*-
import pylab
import numpy as np
if __name__ == "__main__":
x = np.arange(0, 1, 0.05)
y = [i*i for i in np.arange(0, 1, 0.05)]
pylab.plot(x, y, "b-.+", label='line')
pylab.xlabel('x') # x、y軸的介紹
pylab.ylabel('y')
pylab.xlim([0, 1]) # x、y軸的長度區(qū)間
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8) # x、y軸的刻度
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y') # x、y的標題
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0)) # 圖例的位置
pylab.show()
運行生成的圖片為：
是不是瞬間就感覺豐富了許多！
多折線繪制
當然，在很多時刻需要繪制多條折線。很明顯，可以選擇將多條直線繪制到同一張圖片上，也可以選擇在圖片上繪制不同的子圖。
多折線同圖
將多條折線繪制到同一張圖片上，這非常簡單，直接再plot一條直線就可以了。
例如：
# -*- coding:UTF-8 -*-
import pylab
import numpy as np
if __name__ == "__main__":
x = np.arange(0, 1, 0.05)
y1 = [i*i for i in np.arange(0, 1, 0.05)]
y2 = [i+i for i in np.arange(0, 1, 0.05)]
pylab.plot(x, y1, "b-.+", label='line1')
pylab.plot(x, y2, "r-.+", label='line2')
pylab.xlabel('x')
pylab.ylabel('y')
pylab.xlim([0, 1])
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y')
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0))
pylab.show()
多折線不同圖
將多條折線繪制到圖片上的不同子圖上，這就需要通過subplot進行區(qū)域分割和指定。
subplot(numRows, numCols, plotNum)
該函數(shù)會將這個圖片分為numRows行、nulCols列，然后按照從左到右、從上到下的順序進行編號，最左上的編號為1。plotNum參數(shù)指定子圖的所在區(qū)域。
例如：
# -*- coding:UTF-8 -*-
import pylab
import numpy as np
if __name__ == "__main__":
x = np.arange(0, 1, 0.05)
y1 = [i*i for i in np.arange(0, 1, 0.05)]
y2 = [i+i for i in np.arange(0, 1, 0.05)]
pylab.subplot(1, 2, 1)
pylab.plot(x, y1, "b-.+", label='line1')
pylab.xlabel('x')
pylab.ylabel('y1')
pylab.xlim([0, 1])
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y1')
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0))
pylab.subplot(1, 2, 2)
pylab.plot(x, y2, "r-.+", label='line2')
pylab.xlabel('x')
pylab.ylabel('y2')
pylab.xlim([0, 1])
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y2')
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0))
pylab.show()
運行生成的圖片為：
這是比較規(guī)整的例子，如果是不規(guī)整的呢？例如，第一行兩張圖，第二行一張圖。這就要稍微變通一下了。
第一行其實是按照2*2分法的第一個和第二個，第二行其實是按照2*1分法的第二行。這樣思考就會迎刃而解了。
# -*- coding:UTF-8 -*-
import pylab
import numpy as np
if __name__ == "__main__":
x = np.arange(0, 1, 0.05)
y1 = [i*i for i in np.arange(0, 1, 0.05)]
y2 = [i+i for i in np.arange(0, 1, 0.05)]
pylab.subplot(2, 2, 1)
pylab.plot(x, y1, "b-.+", label='line1')
pylab.xlabel('x')
pylab.ylabel('y1')
pylab.xlim([0, 1])
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y1')
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0))
pylab.subplot(2, 2, 2)
pylab.plot(x, y2, "r-.+", label='line2')
pylab.xlabel('x')
pylab.ylabel('y2')
pylab.xlim([0, 1])
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y2')
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0))
pylab.subplot(2, 1, 2)
pylab.plot(x, y1, "b-.+", label='line1')
pylab.plot(x, y2, "r-.+", label='line2')
pylab.xlabel('x')
pylab.ylabel('y')
pylab.xlim([0, 1])
pylab.ylim([0, 1])
pylab.xticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.yticks(np.arange(0, 1, 0.05), fontsize=8)
pylab.title('x-y')
pylab.legend(loc=3, borderaxespad=0., bbox_to_anchor=(0, 0))
pylab.show()
運行生成的圖片為：
其他函數(shù)
除了上述函數(shù)之外，還有一些其他的常用函數(shù)。
pylab.grid() # 網(wǎng)格繪制 pylab.savefig(圖片存儲路徑, dpi=200) # 保存為圖片
掌握了這些基本的折現(xiàn)圖的繪制函數(shù)，相信一般的折線圖都可以輕松掌握。
以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關文章
這篇文章主要介紹了Python中IPYTHON的用法入門,較為詳細的分析了IPYTHON的配置及使用技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-05-05
python實現(xiàn)每天定時發(fā)送郵件的流程步驟
這篇文章主要介紹了python實現(xiàn)每天定時發(fā)送郵件的流程步驟,要編寫一個用于自動發(fā)送每日電子郵件報告的 Python 腳本,并配置它在每天的特定時間發(fā)送電子郵件,文中給大家介紹了詳細步驟和示例代碼,需要的朋友可以參考下2024-08-08
Tensorflow 2.4 搭建單層和多層 Bi-LSTM 模型
這篇文章主要為大家介紹了Tensorflow 2.4 搭建單層 Bi-LSTM 模型和多層 Bi-LSTM 模型的實現(xiàn)過程詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-01-01
python實現(xiàn)圖片加文字水印OPenCV和PIL庫
本文來為大家介紹一下，使用python中的庫實現(xiàn)給圖片添加文字水印，openCV可以給圖片添加水印，如果要添加漢字水印那就要使用PIL庫2021-09-09
Python深度學習pytorch神經(jīng)網(wǎng)絡塊的網(wǎng)絡之VGG
雖然AlexNet證明深層神經(jīng)網(wǎng)絡卓有成效，但它沒有提供一個通用的模板來指導后續(xù)的研究人員設計新的網(wǎng)絡。下面，我們將介紹一些常用于設計深層神經(jīng)網(wǎng)絡的啟發(fā)式概念2021-10-10
這篇文章主要介紹了Python中with及contextlib的用法,結(jié)合實例形式較為詳細的分析了with及contextlib的功能、使用方法與相關注意事項,需要的朋友可以參考下2017-06-06
python中集合set是一個無序不重復元素的集，基本功能包括關系測試和消除重復元素，還可以計算交集、差集、并集等，它與列表（list）的行為類似，這篇文章主要介紹了python?set()去重的底層原理,需要的朋友可以參考下2022-01-01
python從Hadoop?HDFS導出數(shù)據(jù)到關系數(shù)據(jù)庫
這篇文章主要為大家詳細介紹了Python如何從Hadoop?HDFS中導出數(shù)據(jù)并通過DataX工具導入到關系數(shù)據(jù)庫,例如MySQL,Oracle,PostgreSQL等,感興趣的可以了解下2024-11-11
我們要知道一點GIL并不是Python的特性,它是Python解釋器Cpython引入的一個概念,下面這篇文章主要給大家介紹了關于python全局解釋器GIL鎖機制的相關資料,文中通過示例代碼介紹的非常詳細,需要的朋友可以參考下2022-12-12
pytorch如何保存訓練模型參數(shù)并實現(xiàn)繼續(xù)訓練
這篇文章主要介紹了pytorch如何保存訓練模型參數(shù)并實現(xiàn)繼續(xù)訓練問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09