| 一个点：要是让这个图不要在pycharm中显示，而是弹出来，那就在“Settings | Tools | Python Scientific | Show Plots in Toolwindow，去掉” |
import matplotlib.pyplot as plt
x, y的值可以是列表，也可以是numpy和tensor
或者又来50个，原地址，翻译成中文的地址，项目使用的数据地址，这需要注册登录一个叫和鲸社区。
"matplotlib中的颜色"
cmap = plt.get_cmap('tab20b') # 里面可以放其它颜色，就成了渐变，看下面的补充连接
print(cmap, type(cmap))
# 或者一个固定常用的写法
cmap = plt.get_cmap('rainbow')
colors = [cmap(i) for i in np.linspace(0, 1, 20)]
print(colors)
bbox_color = random.sample(colors, 10)
print(type(bbox_color[0]))
print(tuple(map(lambda x: int(x*255), bbox_color[0][:3])))
看一下这里做补充。
plt.scatter(x, y, c = (0, 0, 0.8), s=30, alpha=0.5，edgecolors='none')
#s设置点的大小; #颜色c可自定义RGB(0~1之间)；alpha是透明度
点默认蓝色+黑色的轮廓，这个参数就是不要轮廓，数据点特别多的时候使用，少的时候加上效果好
plt.plot(x, y, '+', c="red")
#给color是一样的;这个 ‘.’一定要紧随x,y坐标之后
x = list(range(1, 501))
y = [i**2 for i in x]
plt.scatter(x, y, c=y, cmap=plt.cm.Oranges, s=10, edgecolors='none')
这是颜色映射，c给的是一堆值，那一堆值最好是从小到大，这样图就是连续渐变的一定要和cmap一起使用，值小的点颜色浅，值大的颜色深。
data = np.array([[1, 1], [2, 2], [3, 3], [4, 4], [5, 5]])
label = [0, 1, 2, 3, 4]
colors = ['#ff0000', '#ffff00', '#00ff00', '#00ffff', '#0000ff']
plt.subplot(1, 2, 1)
for i in range(5):
plt.plot(data[i], data[i], '.', c=colors[i]) #这是centerloss里的画法
plt.legend(['1', '2', '3', '4', '5'], loc='upper left')
plt.subplot(1, 2, 2)
plt.scatter(data[:, 0], data[:, 1], c=label)
plt.legend(['1', '2', '3', '4', '5'], loc='upper left')
plt.show()
但是也可以不要cmap，但这样一般就是c = target，target一般是(0, 1, 2)这种类别(可以是无序的，数据也是无序的，但是要一一对应起来)，那么数据对对应自己的类别就是一种颜色，不同类别颜色不同(不给cmap就是系统默认；可以先写错，看有哪些值，需要注意的是，别用Oranges这类。不然就跟上面颜色映射差不多了)，但是这还是是指一幅图，注意两者的不同：
from sklearn.cluster import KMeans
data = np.random.randn(1000, 2)
cls = KMeans(n_clusters = 8)
pre = cls.fit_predict(data)
plt.scatter(data[:, 0], data[:, 1], c=pre, cmap='twilight')
print(pre) #注意这个是无序的，data也是无序的，但两者是一一对应起来的
print(cls.cluster_centers_) #获取各类的中心点
plt.show()
subplot,有意思的地方
import numpy as np
import matplotlib.pyplot as plt
# Generate random data
data = np.random.rand(100)
# Plot in different subplots
fig, (ax1, ax2) = plt.subplots(1, 2)
ax1.plot(data)
ax2.plot(data)
ax1.plot(data+1)
plt.show()
plt.plot(x, y, color="red", linewidth=12, linestyle=":", label="经济走势图", marker='o')
# （":""-""--""-."，线型有这4种）(marker='o'，可突出转折点，可选择的值跟plot画散点图是一样的)
plt.legend(loc="upper left") # （必须有这行，才能显示上面的label，括号里的是显示label的位置）
plt.legend(loc="best") # 自己找最好的位置
plt.show()
plt.scatter(x, y, c='b', s=15, label="data")
# 注意这些 label的内容是显示图例在图上，搭配legend一起的，这里有了legend里面就不用放东西了
plt.plot(x_test, y_1, color='r', label='max_depth=1')
plt.plot(x_test, y_2, color='y', label='max_depth=3')
plt.plot(x_test, y_3, color='black', label='linear_model')
plt.xlabel("data")
plt.ylabel("target")
plt.title("Decision Tree Regression", fontdict={'size': '16', 'color': 'orange'})
# 可以这样来设置字体大小及颜色，上面也是同理
plt.legend() # 上面有了label，括号里就不用放东西了；且散点图默认在折线图之后；它会自动找最优的位置
# plt.legend(['max_depth=1', 'max_depth=3', 'linear_model', 'data'], loc = 'upper left')
# 上面你两行类似，如果画图时没有给 label ，可以自己后面手动添加(注意顺序)
并列柱状图就是两组数据放一起对比
tick_label这个参数能改变x轴的显示
name_list = ["A","B","C","D"]
num_list = [10,8,5,9] #注意两个要一样长
x = list(range(len(name_list))) #bar里x的位置可以是range(4)或range(len(name_list))或[0,1,2,3]；这里是为了下一个柱状图加宽度时循环好用
plt.bar(x, num_list, width=0.4, color="r", tick_label=name_list)
#可以直接给range(4):横轴; 给值；柱子宽度，默认0.8；颜色：红绿蓝黄，首字母，个数不够就自动循环；横轴标签
num_list1 = [9,2,1,11]
for i in range(4): #这里是将第二个柱状图的位置移动一点
x[i]+=0.4 #注意这个加的宽度与柱状图一样，不然会重合或有间隙
plt.bar(x, num_list1, width=0.4, color="y", tick_label=name_list) #注意这句不能放进循环里
plt.legend() #将两个柱状图放在一起
plt.show()
”"”给柱状图上加上数字””” #结合上面的数据看
plt.rcParams["font.sans-serif"] = ["simHei"] （给个字体，使用汉字才能显示出来）
for x, y in enumerate(num_list):
plt.text(x, y+5, y, ha="center", va="bottom") #在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
#(前面两个值是控制位置+5只是让位置好看，可调，y代表多少数值；记清enumerate的作用)
from matplotlib.font_manager import fontManager
for i in fontManager.ttflist:
print(i.name, i.name) # 这就获取了所有的字体
plt.rcParams["font . sans-serif"] = ["字体"] # 上面的一些字体放进去就好了
plt.rcParams["axes.unicode_minus"] = False # 正常显示负号
饼状图也可以不用给颜色，系统会自动分配
name_list = ["A","B","C","D"]
num = [12,30,50,8] #尽量加起来等于1，不然就会自动分配，就不是预想值了
ex = [0,0,0.1,0] #有值得那个，代表那一块脱离出来，表示重点突出
plt.axis(aspet=1) #画个一等分的圆
plt.pie(x=num, autopct="%.3f%%", explode=ex, labels=name_list, colors="rgby", shadow=True, startangle=15)
# 3代表3位小数； #注意这里面给颜色的关键词是colors 阴影，有立体感；角度，合适即可
plt.show()
plt.hist(IOUS, bins=20, density=0, facecolor="red", edgecolor="black")
"""绘制直方图
data: 必选参数，绘图数据
bins: 直方图的长条形数目，可选项，默认为10
density: 是否将得到的直方图向量归一化，可选项，默认为0，代表不归一化，显示频数。
normed = 1，表示归一化，显示频率。
facecolor: 长条形的颜色
edgecolor: 长条形边框的颜色
alpha: 透明度"""
x = np.linspace(-30,30,60) # 给出很多数
w = -5
plt.ion() #1 打开图形 为了使图形不一闪而过
for i in range(50):
plt.clf() #3 清除上一条线的轨迹，没有就是每处出现的线都会停留，就有很多线
y = w*x
plt.xlim(-20,20) #4(限制x,y的坐标范围)
plt.ylim(-80,80)
plt.plot(x,y) # 要注意这要在下面坐标变换之前
ax = plt.gca()
ax.spines["right"].set_color("none") # 6这两行是让那里的两条线消失，可以去试试看
ax.spines["top"].set_color("none") #6 这之前一定要先限制x,y坐标
ax.spines["left"].set_position(("data",0)) # 5这两行是让坐标原点移动到中间(注意这要限制x、y的值是对称的)
ax.spines["bottom"].set_position(("data",0)) #5
plt.pause(0.1) #2 暂停0.1秒
w+=1
plt.ioff() #1 关闭图形
plt.rcParams["font.sans-serif"] = ["simHei"]
import matplotlib.pyplot as plt
from matplotlib.font_manager import fontManager
for i in fontManager.ttflist :
print(i.name , i.name) # 这就获取了所有的字体
plt.rcParams["font . sans-serif"] = ["字体"] # 上面的一些字体放进去就好了
取出MNIST数据集中前25个数，并在一个图上表示
import matplotlib.pyplot as plt
import torchvision as tv
datasets = tv.datasets.MNIST("datasets/", train=True, download=False)
for i in range(25):
plt.subplot(5, 5, i+1) #(5,5,10)代表分为5行5列，第10个图(从左至右，由上而下数) (用这个时，之前千万不要plt.clf()。)
plt.imshow(datasets.data[i], cmap="Accent") # plt中imshow,将矩阵数据转换为图像 . # cmap是设置背景颜色，可以先输错，下面会提示有哪些
plt.title(datasets.targets[i].item()) # 或者 plt.title(int(（datasets.targets[i]）) )
plt.axis("off") # 关掉轴
plt.xticks([])
plt.yticks([]) # 这两行也是关掉轴（与上面二选一即可）
plt.show() # show()放最后循环外
# 有时候为了横轴上字体倾斜，不重在一起了
plt.xticks(range(len(x), x), rotation=45) # 这是角度倾斜，前面是分组距吧，用的时候看
plt.axis([0, 20, 0, 210])
#四个值，x轴最小/大值；y轴最小/大值
plt.tick_params(axis='both', labelsize=14)
#可以单给x, y
plt.xlabel('Value', fontsize=14)
plt.savefig('456.png', bbox_inches='tight')
#保存图片，后面这个参数只是将多余的空白裁剪掉
画图时有时间坐标，且坐标很长有覆盖时
import matplotlib.pyplot as plt
from random import choice
from datetime import datetime #画图时x有日期这种的时候建议把x中标像这样转化一下，
dates = []
datas = []
for i in range(1, 15):
date = '2020-03-{}'.format(10+i)
date = datetime.strptime(date, '%Y-%m-%d') # 将其变成datetime中的一个时间对象
""" '%Y-' 让 Python 将字符串中第一个连字符前面的部分视为四位的年份； '%m-' 让 Python 将第二个连字符前面的部分视为表示月份的数字；而 '%d' 让 Python 将字符串
的最后一部分视为月份中的一天（ 1~31 ）"""
dates.append(date)
temp = choice(list(range(10, 30)))
datas.append(temp)
fig = plt.figure(figsize=(10, 6)) #设置一下图大小
plt.plot(dates, datas)
fig.autofmt_xdate() #这个是关键，让时间坐标斜起来不覆盖
plt.show()
重点是fig = plt.figure(）；fig.autofmt_xdate()；以及要把x的时间格式改成datatime 的格式
from datetime import datetime
""" '%Y-' 让 Python 将字符串中第一个连字符前面的部分视为四位的年份； '%m-' 让 Python 将第二个连字符前面的部分视为表示月份的数字；而 '%d' 让 Python 将字符串
的最后一部分视为月份中的一天（ 1~31 ）"""
具体看下
| 实参 | 含义 |
|---|---|
| %A | 星期的名称，如 Monday |
| %B | 月份名，如 January |
| %m | 用数字表示的月份（ 01~12 ） |
| %d | 用数字表示月份中的一天（ 01~31 ） |
| %Y | 四位的年份，如 2015 |
| %y | 两位的年份，如 15 |
| %H | 24 小时制的小时数（ 00~23 ） |
| %I | 12 小时制的小时数（ 01~12 |
| %p | am 或 pm |
| %M | 分钟数（ 00~59 |
| %S | 秒数（ 00~61 ） |
在两条x值一样，但是y值不一样的折线中间填充颜色
plt.fill_between()
plt.plot(x, y_1, c='red', alpha=0.5)
plt.plot(x, y_2, c='blue', alpha=0.5)
plt.fill_between(x, y_1, y_2, facecolor='blue', alpha=0.1)
plt.legend(['1', '2', '3', '4', '5'], loc='upper left')
用在plt.plot上比较多
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["simHei"]
plt.rcParams["axes.unicode_minus"] = False
def Draw(silhouette_avg, sample_silhouette_values, y, k):
# 创建一个 subplot with 1-row 2-column
fig, ax1 = plt.subplots(1)
fig.set_size_inches(18, 7)
# 第一个 subplot 放轮廓系数点
# 范围是[-1, 1]
ax1.set_xlim([-0.2, 0.5])
# 后面的 (k + 1) * 10 是为了能更明确的展现这些点
ax1.set_ylim([0, len(sample_silhouette_values) + (k + 1) * 10])
y_lower = 10
for i in range(k): # 分别遍历这几个聚类
ith_cluster_silhouette_values = sample_silhouette_values[y == i]
ith_cluster_silhouette_values.sort()
size_cluster_i = ith_cluster_silhouette_values.shape[0]
y_upper = y_lower + size_cluster_i
# 每次随机一个颜色，生成的是RGB，然后转乘十六进制
color = "#"
color_num = np.random.randint(255, size=(3,))
for color_ in color_num:
hex_str = hex(color_)
if len(hex_str) == 4:
color += hex_str[2:]
else:
color += hex_str[2:] + "0"
ax1.fill_betweenx(np.arange(y_lower, y_upper),
0,
ith_cluster_silhouette_values,
facecolor=color,
edgecolor=color,
alpha=0.7)
# 在轮廓系数点加上聚类的类别号及个数
ax1.text(-0.05, y_lower + 0.5 * size_cluster_i, "{}类:{}个".format(i, len(ith_cluster_silhouette_values)),
fontdict={'size': '10', 'color': color})
# 计算下一个点的 y_lower y轴位置
y_lower = y_upper + 10
# 在图里搞一条垂直的评论轮廓系数虚线
ax1.axvline(x=silhouette_avg, color='red', linestyle="--") # x=横坐标上的一点的值
ax1.text(0.005, 0.95, "总个数:{}".format(len(sample_silhouette_values)),
transform=ax1.transAxes, fontdict={'size': '14', 'color': 'orange'})
ax1.text(0.005, 0.90, "平均轮廓系数:{}".format(round(silhouette_avg, 4)),
transform=ax1.transAxes, fontdict={'size': '14', 'color': 'orange'})
plt.xlabel("轮廓系数", fontdict={'size': '12'})
plt.title("聚类图", fontdict={'size': '16', 'color': 'orange'})
plt.show()
if __name__ == '__main__':
k = 4
silhouette_avg = 0.43125298764496467 # 平均轮廓系数
sample_silhouette_values = np.array([0.91922182, 0.22907922, 0.15196871, 0.20541037, 0.23250248, 0.95771555,
0.94055218, 0.12501744, 0.17844737, -0.16478621, 0.11131155, 0.9489616,
0.19678223, 0.94595924, 0.2104268, 0.13250568, 0.17998956, 0.22572757,
0.95779809, 0.9404685]) # 每个点的轮廓系数
# 这是每个点的分类
catrgory = np.array([2, 0, 0, 0, 0, 3, 1, 0, 0, 0, 0, 2, 0, 2, 0, 0, 0, 0, 3, 1])
Draw(silhouette_avg, sample_silhouette_values, catrgory, k)
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.collections as collections
t = np.arange(0.0, 2, 0.01)
s1 = np.sin(2*np.pi*t)
s2 = 1.2*np.sin(4*np.pi*t)
fig = plt.figure(figsize=(15, 6))
ax = fig.add_subplot(1, 2, 1)
ax.set_title('using span_where')
# 设置曲线
ax.plot(t, s1, color='black')
# 设置横轴
ax.axhline(0, color='black', lw=2)
# 设置文本，目标位置 左上角，距离 Y 轴 0.01 倍距离，距离 X 轴 0.95倍距离
ax.text(0.01, 0.95, "I am here ", transform=ax.transAxes, fontdict={'size': '16', 'color': 'b'})
collection = collections.BrokenBarHCollection.span_where(
t, ymin=0, ymax=1, where=s1 > 0, facecolor='green', alpha=0.8)
ax.add_collection(collection)
collection = collections.BrokenBarHCollection.span_where(
t, ymin=-1, ymax=0, where=s1 < 0, facecolor='red', alpha=0.5)
ax.add_collection(collection)
"""
ax2
"""
ax2 = fig.add_subplot(1, 2, 2)
ax2.set_title('using span_where')
ax2.plot(t, s1, color='black')
ax2.axhline(0, color='black', lw=2)
# 设置文本，目标位置 左上角，距离 Y 轴 1.91 倍距离（这里说明它是以最左边为轴，需要自行调节），距离 X 轴 0.95倍距离
ax2.text(1.91, 0.95, "I am here too", transform=ax.transAxes, fontdict={'size': '16', 'color': 'b'})
collection = collections.BrokenBarHCollection.span_where(
t, ymin=0, ymax=1, where=s1 > 0, facecolor='green', alpha=0.8)
ax2.add_collection(collection)
collection = collections.BrokenBarHCollection.span_where(
t, ymin=-1, ymax=0, where=s1 < 0, facecolor='red', alpha=0.5)
ax2.add_collection(collection)
plt.show()