Matplotlib 库使用笔记

博主： tony102
发布时间：2023 年 09 月 23 日
951 次浏览
暂无评论
5302字数
分类：总结

以下知识，都是一个叫做 GPT3.5 的老师教我的。

## `subplot` 函数

`subplot` 是 Matplotlib 中用于创建多个子图（subplots）的函数。子图是将一个大的绘图区域分割成多个小图的方法，可以在同一窗口中同时显示多个图形，有助于更好地比较和展示数据。

`subplot` 函数的基本语法如下：

```python
matplotlib.pyplot.subplot(num_rows, num_cols, plot_number)
```

- `num_rows` 表示子图布局的行数。
- `num_cols` 表示子图布局的列数。
- `plot_number` 表示当前子图的位置，从左上角开始逐行逐列编号，从 1 开始计数。

以下是一些示例来说明 `subplot` 的用法：

1. 创建一个 2x2 的子图布局，然后绘制在不同的子图上：

```python
import matplotlib.pyplot as plt

# 创建一个 2x2 的子图布局，并选择第一个子图
plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])
plt.title('Subplot 1')

# 选择第二个子图
plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

# 选择第三个子图
plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [1, 1, 1, 1])
plt.title('Subplot 3')

# 选择第四个子图
plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [2, 2, 2, 2])
plt.title('Subplot 4')

plt.tight_layout()  # 自动调整子图的布局
plt.show()
```

2. 使用更简便的方式创建子图：

```python
import matplotlib.pyplot as plt

# 使用子图的索引方式创建子图
plt.subplot(221)  # 相当于 plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])
plt.title('Subplot 1')

plt.subplot(222)  # 相当于 plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

plt.subplot(223)  # 相当于 plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [1, 1, 1, 1])
plt.title('Subplot 3')

plt.subplot(224)  # 相当于 plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [2, 2, 2, 2])
plt.title('Subplot 4')

plt.tight_layout()
plt.show()
```

通过使用 `subplot` 函数，您可以在一个图形窗口中创建并排显示多个子图，以便更好地可视化和比较不同的数据。

## `figsize` 参数

`figsize` 是 Matplotlib 中的一个参数，用于设置创建的图形窗口的尺寸（figure size）。具体来说，`figsize` 是一个包含两个浮点数的元组，分别表示图形窗口的宽度和高度（以英寸为单位）。通过设置 `figsize`，您可以调整图形的整体大小，以便更好地适应您的可视化需求。

以下是如何使用 `figsize` 参数来创建一个指定尺寸的 Matplotlib 图形窗口的示例：

```python
import matplotlib.pyplot as plt

# 创建一个指定尺寸的图形窗口
plt.figure(figsize=(8, 4))  # 指定宽度为8英寸，高度为4英寸

# 在图形窗口中绘制一条简单的线
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])

# 添加标题和标签
plt.title('Sample Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

plt.show()
```

在上面的示例中，`figsize=(8, 4)` 指定了图形窗口的尺寸，使得创建的图形窗口宽度为 8 英寸，高度为 4 英寸。您可以根据需要调整 `figsize` 的值，以满足您的可视化布局要求。

通过设置合适的 `figsize`，您可以控制图形的外观，确保它在输出或打印时具有适当的大小和比例。这对于制作专业的数据可视化图表非常有用。

## `tight_layout` 函数以及 `pad` 参数

`fig.tight_layout(pad=0.1)` 是 Matplotlib 中用于调整子图布局的函数，它用于改善子图之间的间距和边距，使得图形更具可读性。让我们解释这个函数的各个部分：

- `fig`：这是一个 Figure 对象，代表整个图形窗口，通常使用 `plt.figure()` 创建。`fig.tight_layout()` 是 Figure 对象的一个方法，用于调整 Figure 内的子图布局。
- `tight_layout()`：这是调整布局的函数，它自动计算和分配子图之间的间距和边距，以使它们更好地适应图形窗口。
- `pad`：这是一个可选参数，用于指定子图与图形窗口的边缘之间的最小间距。`pad` 的值是一个相对于子图大小的比例值，通常在0和1之间。例如，`pad=0.1` 表示子图与边缘之间的最小间距是子图大小的10%。

通过调用 `fig.tight_layout(pad=0.1)`，您可以自动调整子图的相对位置和大小，以便它们在图形窗口中更好地分布，同时保持一定的间距，防止它们重叠或太靠近边缘。

以下是一个示例，演示如何使用 `fig.tight_layout(pad=0.1)`：

```python
import matplotlib.pyplot as plt

# 创建一个 2x2 的子图布局
plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])
plt.title('Subplot 1')

plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [1, 1, 1, 1])
plt.title('Subplot 3')

plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [2, 2, 2, 2])
plt.title('Subplot 4')

# 使用 tight_layout 调整子图布局
plt.tight_layout(pad=0.1)
plt.show()
```

在上面的示例中，`plt.tight_layout(pad=0.1)` 调整了子图的布局，使得它们之间有一定的间距，更好地适应图形窗口。这样可以提高图形的可读性，特别是当有多个子图时。

## `Axes` 对象和 `flat` 扁平迭代器

在 Matplotlib 中，`axes.flat` 是一个属性，它用于获取一个包含所有子图（Axes 对象）的扁平迭代器。当您创建一个包含多个子图的图形窗口时，通常可以通过 `axes.flat` 来访问和操作这些子图，而不需要嵌套循环。

例如，如果您创建了一个 2x2 的子图布局，您可以使用 `axes.flat` 来迭代访问每个子图，而不需要嵌套两层循环。这使得对每个子图进行操作变得更加方便。

以下是一个示例，演示如何使用 `enumerate(axes.flat)` 来迭代访问子图：

```python
import matplotlib.pyplot as plt
import numpy as np

# 创建一个 2x2 的子图布局
fig, axes = plt.subplots(2, 2)

# 使用 axes.flat 迭代访问子图，并绘制一些示例数据
for i, ax in enumerate(axes.flat):
    x = np.linspace(0, 2 * np.pi, 100)
    y = np.sin(x + i)  # 每个子图的数据略有不同
    ax.plot(x, y)
    ax.set_title(f'Subplot {i+1}')

# 使用 tight_layout 调整子图布局
plt.tight_layout()
plt.show()
```

在上面的示例中，`enumerate(axes.flat)` 迭代访问了所有的子图，然后在每个子图上绘制了不同的示例数据，并设置了子图的标题。这种方式使得在多个子图上进行操作更加简便。

## `imshow` 函数

`imshow` 是 Matplotlib 中用于显示图像的函数。它主要用于显示二维数组（如图像数据）作为图像，并可以用于可视化图像数据、热图、地图等。

`imshow` 函数的基本语法如下：

```python
matplotlib.pyplot.imshow(X, cmap=None, interpolation=None, aspect=None, ...)
```

以下是一些常用的参数和用法：

- `X`：要显示的图像数据，通常是一个二维的 NumPy 数组。数组的值表示图像的像素强度或颜色。
- `cmap`（可选）：用于设置颜色映射（colormap）的参数。颜色映射定义了如何将图像数据的值映射到颜色，从而进行可视化。常见的颜色映射包括 'viridis'、'gray'、'jet' 等。
- `interpolation`（可选）：用于指定图像插值方法的参数。插值方法决定了如何将图像数据的像素映射到显示器像素，以改善图像的外观。常见的插值方法包括 'nearest'、'bilinear'、'bicubic' 等。
- `aspect`（可选）：用于设置图像的纵横比（aspect ratio）。可以使用 'auto' 自动调整，或者设置为具体的纵横比值，如 1.0 表示保持等比例缩放。

以下是一个示例，演示如何使用 `imshow` 函数显示一幅简单的图像：

```python
import matplotlib.pyplot as plt
import numpy as np

# 创建一个简单的图像数据
image_data = np.array([[0.1, 0.2, 0.3],
                       [0.4, 0.5, 0.6],
                       [0.7, 0.8, 0.9]])

# 使用 imshow 显示图像数据
plt.imshow(image_data, cmap='viridis', interpolation='nearest')

# 添加颜色栏（colorbar）
plt.colorbar()

plt.title('Sample Image')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

plt.show()
```

在上面的示例中，`imshow` 函数用于显示一个简单的图像数据，使用 'viridis' 颜色映射，'nearest' 插值方法，并添加了颜色栏（colorbar）。这使得您可以将图像数据可视化并进行进一步的定制。

最后修改：2023 年 09 月 23 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱 *

地址

rlenitkthe
真好呢
暴力膜托
暴力膜托暴力膜托暴力膜托暴力膜托暴力膜托暴力膜托暴力膜托%%%
TosakaUCW
前排狂暴膜托！
菲兹克斯喵
竟然……又找到一个校友……而且初中和高中都是同一个学校……天哪...
暴力膜托
快给黄明珍开个方子吧，可怜孩子补太猛了

Matplotlib 库使用笔记

tony102 • 2023 年 09 月 23 日

以下知识，都是一个叫做 GPT3.5 的老师教我的。

## `subplot` 函数

`subplot` 函数的基本语法如下：

```python
matplotlib.pyplot.subplot(num_rows, num_cols, plot_number)
```

- `num_rows` 表示子图布局的行数。
- `num_cols` 表示子图布局的列数。
- `plot_number` 表示当前子图的位置，从左上角开始逐行逐列编号，从 1 开始计数。

以下是一些示例来说明 `subplot` 的用法：

1. 创建一个 2x2 的子图布局，然后绘制在不同的子图上：

```python
import matplotlib.pyplot as plt

# 创建一个 2x2 的子图布局，并选择第一个子图
plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])
plt.title('Subplot 1')

# 选择第二个子图
plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

# 选择第三个子图
plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [1, 1, 1, 1])
plt.title('Subplot 3')

# 选择第四个子图
plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [2, 2, 2, 2])
plt.title('Subplot 4')

plt.tight_layout()  # 自动调整子图的布局
plt.show()
```

2. 使用更简便的方式创建子图：

```python
import matplotlib.pyplot as plt

# 使用子图的索引方式创建子图
plt.subplot(221)  # 相当于 plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])
plt.title('Subplot 1')

plt.subplot(222)  # 相当于 plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

plt.subplot(223)  # 相当于 plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [1, 1, 1, 1])
plt.title('Subplot 3')

plt.subplot(224)  # 相当于 plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [2, 2, 2, 2])
plt.title('Subplot 4')

plt.tight_layout()
plt.show()
```

通过使用 `subplot` 函数，您可以在一个图形窗口中创建并排显示多个子图，以便更好地可视化和比较不同的数据。

## `figsize` 参数

以下是如何使用 `figsize` 参数来创建一个指定尺寸的 Matplotlib 图形窗口的示例：

```python
import matplotlib.pyplot as plt

# 创建一个指定尺寸的图形窗口
plt.figure(figsize=(8, 4))  # 指定宽度为8英寸，高度为4英寸

# 在图形窗口中绘制一条简单的线
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])

# 添加标题和标签
plt.title('Sample Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

plt.show()
```

通过设置合适的 `figsize`，您可以控制图形的外观，确保它在输出或打印时具有适当的大小和比例。这对于制作专业的数据可视化图表非常有用。

## `tight_layout` 函数以及 `pad` 参数

以下是一个示例，演示如何使用 `fig.tight_layout(pad=0.1)`：

```python
import matplotlib.pyplot as plt

# 创建一个 2x2 的子图布局
plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 3, 4])
plt.title('Subplot 1')

plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [1, 1, 1, 1])
plt.title('Subplot 3')

plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [2, 2, 2, 2])
plt.title('Subplot 4')

# 使用 tight_layout 调整子图布局
plt.tight_layout(pad=0.1)
plt.show()
```

## `Axes` 对象和 `flat` 扁平迭代器

以下是一个示例，演示如何使用 `enumerate(axes.flat)` 来迭代访问子图：

```python
import matplotlib.pyplot as plt
import numpy as np

# 创建一个 2x2 的子图布局
fig, axes = plt.subplots(2, 2)

# 使用 tight_layout 调整子图布局
plt.tight_layout()
plt.show()
```

## `imshow` 函数

`imshow` 是 Matplotlib 中用于显示图像的函数。它主要用于显示二维数组（如图像数据）作为图像，并可以用于可视化图像数据、热图、地图等。

`imshow` 函数的基本语法如下：

```python
matplotlib.pyplot.imshow(X, cmap=None, interpolation=None, aspect=None, ...)
```

以下是一些常用的参数和用法：

以下是一个示例，演示如何使用 `imshow` 函数显示一幅简单的图像：

```python
import matplotlib.pyplot as plt
import numpy as np

# 创建一个简单的图像数据
image_data = np.array([[0.1, 0.2, 0.3],
                       [0.4, 0.5, 0.6],
                       [0.7, 0.8, 0.9]])

# 使用 imshow 显示图像数据
plt.imshow(image_data, cmap='viridis', interpolation='nearest')

# 添加颜色栏（colorbar）
plt.colorbar()

plt.title('Sample Image')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

plt.show()
```

Matplotlib 库使用笔记

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

名人传

VP: AtCoder Beginner Contest 222(ABC222)

写在 CSP-S2021 前

机房标准化岚语发音对照

VP: AtCoder Beginner Contest 221(ABC221)

名人传

ARC125D Unique Subsequence

Is Cosine-Similarity of Embeddings Really About Similarity?

VP: AtCoder Regular Contest 125 (ARC125)

Luogu3426 [POI2005]SZA-Template

Matplotlib 库使用笔记

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

Matplotlib 库使用笔记

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款