Python科学计算和数据处置市公开课一等奖百校联赛获奖课件.pptx

1Matplotlib绘制精美图表第1页目录o快速绘图n快速绘图n绘制多轴图n坐标轴设定o绘图函数介绍n对数坐标图n极坐标图n柱状图n散列图 2第2页目录n图像n等值线图n三维绘图3第3页4 matplotlib 是python最著名绘图库，它提供了一整套和matlab相同命令API，十分适合交互式地进行制图。而且也能够方便地将它作为绘图控件，嵌入GUI应用程序中。它文档相当完备，而且Gallery页面中有上百幅缩略图，打开之后都有源程序。所以假如你需要绘制某种类型图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。展示页面地址：http:/ matplotlibpyplot子库提供了和matlab类似绘图API，方便用户快速绘制2D图表。(matplotlib_simple_plot.py)pylab模块 matplotlib还提供了名为pylab模块，其中包含了许多numpy和pyplot中惯用函数，方便用户快速进行计算和绘图，能够用于IPython中快速交互式使用。5第5页快速绘图 matplotlib中快速绘图函数库能够经过以下语句载入：接下来调用figure创建一个绘图对象，而且使它成为当前绘图对象。经过figsize参数能够指定绘图对象宽度和高度，单位为英寸；dpi参数指定绘图对象分辨率，即每英寸多少个像素，缺省值为80。所以本例中所创建图表窗口宽度为8*80=640像素。6import matplotlib.pyplot as plt plt.figure(figsize=(8,4)第6页快速绘图 也能够不创建绘图对象直接调用接下来plot函数直接绘图，matplotlib会自动创建一个绘图对象。假如需要同时绘制多幅图表话，能够是给figure传递一个整数参数指定图标序号，假如所指定序号绘图对象已经存在话，将不创建新对象，而只是让它成为当前绘图对象。下面两行程序经过调用plot函数在当前绘图对象中进行绘图：7plt.plot(x,y,label=$sin(x)$,color=red,linewidth=2)plt.plot(x,z,b-,label=$cos(x2)$)第7页快速绘图 plot函数调用方式很灵活，第一句将x,y数组传递给plot之后，用关键字参数指定各种属性：n label:给所绘制曲线一个名字，此名字在图示(legend)中显示。只要在字符串前后添加$符 号，matplotlib就会使用其内嵌latex引擎绘制数学公式。n color:指定曲线颜色n linewidth:指定曲线宽度n第三个参数b-指定曲线颜色和线型8plt.plot(x,y,label=$sin(x)$,color=red,linewidth=2)plt.plot(x,z,b-,label=$cos(x2)$“)第8页快速绘图 接下来经过一系列函数设置绘图对象各个属性：n xlabel/ylabel:设置X轴/Y轴文字n title:设置图表标题n ylim:设置Y轴范围n legend:显示图示 最终调用plt.show()显示出创建全部绘图对象。9plt.xlabel(Time(s)plt.ylabel(Volt)plt.title(PyPlot First Example)plt.ylim(-1.2,1.2)plt.legend()第9页快速绘图o 10import numpy as npimport matplotlib.pyplot as plt x=np.linspace(0,10,1000)y=np.sin(x)z=np.cos(x*2)plt.figure(figsize=(8,4)plt.plot(x,y,label=$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()第10页快速绘图11第11页快速绘图 还能够调用plt.savefig()将当前Figure对象保留成图像文件，图像格式由图像文件扩展名决定。下面程序将当前图表保留为“test.png”，而且经过dpi参数指定图像分辨率为 120，所以输出图像宽度为“8X120=960”个像素。实际上不需要调用show()显示图表，能够直接用savefig()将图表保留成图像文件.使用这种方法能够很轻易编写出 批量输出图表程序.12run matplotlib_simple_plot.pyplt.savefig(test.png,dpi=120)第12页快速绘图o绘制多轴图 一个绘图对象(figure)能够包含多个轴(axis)，在Matplotlib中用轴表示一个绘图区域，能够将其了解为子图。上面第一个例子中，绘图对象只包含一个轴，所以只显示了一个轴(子图(Axes)。能够使用subplot函数快速绘制有多个轴图表。subplot函数调用形式以下：13subplot(numRows,numCols,plotNum)第13页快速绘图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，从上到下次序对每个子区域进行编号，左上子区域编号为1。假如numRows，numCols和plotNum这三个数都小于10话，能够把它们缩写为一个整数，比如subplot(323)和subplot(3,2,3)是相同。subplot在plotNum指定区域中创建一个轴对象。假如新创建轴和之前创建轴重合话，之前轴将被删除。第14页快速绘图 下面程序创建3行2列共6个轴，经过axisbg参数给每个轴设置不一样背景颜色。假如希望某个轴占据整个行或者列话，能够以下调用subplot：15for idx,color in enumerate(rgbyck):plt.subplot(320+idx+1,axisbg=color)plt.show()plt.subplot(221)#第一行左图plt.subplot(222)#第一行右图plt.subplot(212)#第二整行plt.show()第15页快速绘图 当绘图对象中有多个轴时候，能够经过工具栏中Configure Subplots按钮，交互式地调整轴之间间距和轴与边框之间距离。假如希望在程序中调整话，能够调用subplots_adjust函数，它有left,right,bottom,top,wspace,hspace等几个关键字参数，这些参数值都是0到1之间小数，它们是以绘图区域宽高为1进行正规化之后坐标或者长度。16第16页快速绘图 subplot()返回它所创建Axes对象，能够将它用变量保留起来，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。假如需要同时绘制多幅图表，能够给figure()传递一个整数参数指定Figure对象序号，假如序号所指定figure对象已经存在，将不创建新对象，而只是让它成为当前Figure对象。下面程序演示了怎样依次在不一样图表不一样 子图中绘制曲线。(matplotlib_multi_figure.py)17第17页快速绘图 首先经过figure()创建了两个图表，它们序号分别为1和2。然后在图表2中创建了上下 并排两个子图，并用变量ax1和ax2保留。18import numpy as npimport matplotlib.pyplot as pltplt.figure(1)#创建图表1plt.figure(2)#创建图表2ax1=plt.subplot(211)#在图表2中创建子图1ax2=plt.subplot(212)#在图表2中创建子图2x=np.linspace(0,3,100)第18页快速绘图 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，包含它们图表2也自动成为当前图表，所以不需要调用figure(2)依次在图表1和图表2两 个子图之间切换，逐步在其中添加新曲线 19for i in xrange(5):plt.figure(1)#选择图表1plt.plot(x,np.exp(i*x/3)plt.sca(ax1)#选择图表2子图1plt.plot(x,np.sin(i*x)plt.sca(ax2)#选择图表2子图2plt.plot(x,np.cos(i*x)plt.show()第19页快速绘图20 第20页快速绘图o坐标轴设定 Axis容器包含坐标轴刻度线、刻度标签、坐标网格以及坐标轴标题等内容。刻度包含主刻度和副刻度，分别经过get_major_ticks()和get_minor_ticks()方法取得。每个刻度线都是一 个XTick或YTick对象，它包含实际刻度线和刻度标签。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,能够直接取得刻度标签和刻度线。下面例子进行绘图并得到当前子图X轴对象axis:21 plt.plot(1,2,3,4,5,6)plt.show()axis=plt.gca().xaxis第21页快速绘图 取得axis对象刻度位置列表：下面取得axis对象刻度标签以及标签中文字:22 axis.get_ticklocs()array(1.,1.5,2.,2.5,3.)axis.get_ticklabels()#取得刻度标签列表 x.get_text()for x in axis.get_ticklabels()#取得刻度文本字符串u1.0,u1.5,u2.0,u2.5,u3.0 第22页快速绘图23第23页快速绘图 下面取得X轴上表示主刻度线列表，可看到X轴上共有10条刻度线 因为没有副刻度线，所以副刻度线列表长度为0：使用pyplot模块中xticks()能够完成X轴上刻度标签配置：24 axis.get_ticklines()axis.get_ticklines(minor=True)#取得副刻度线列表plt.xticks(fontsize=16,color=red,rotation=45)第24页快速绘图25 上面例子中副刻度线列表为空，这是因为用于计算副刻度位置对象默认为 NullLocator,它不产生任何刻度线。而计算主刻度位置对象为AutoLocator,它会依据当前缩放等配置自动计算刻度位置.matplotlib提供了各种配置刻度线位置Locator类，以及控制刻度标签显示Formatter 类。下面程序设置X轴主刻度为/4,副刻度为/20,而且主刻度上标签用数学符号显示。(matplotlib_axis_text.py自定义坐标轴刻度和文字)第25页快速绘图26 与刻度定位和文本格式化相关类都在matplotlib.ticker模块中定义，程序从中载入了两个类：MultipleLocaton,FuncFormatter.from matplotlib.ticker import MultipleLocator,FuncFormatterimport matplotlib.pyplot as plfrom matplotlib.ticker import MultipleLocator,FuncFormatter import numpy as npx=np.arange(0,4*np.pi,0.01)y=np.sin(x)pl.figure(figsize=(8,4)pl.plot(x,y)ax=pl.gca()第26页快速绘图 程序中经过pi_formatter()计算出刻度值对应刻度文本.（很繁琐）27def 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 0if 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)第27页快速绘图o 28X=np.linspace(0,4*np.pi,17,endpoint=True)Xarray(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.,0.78539816,1.57079633,2.35619449,3.14159265,3.92699082,4.71238898,5.49778714,6.28318531,7.06858347,7.85398163,8.6393798,9.42477796,10.21017612,10.99557429,11.78097245,12.56637061,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$7pi/2$,r$15pi/4$,r$4pi$)#r$frac2pi3$,第28页快速绘图 以指定值整数倍为刻度放置主、副刻度线。使用指定函数计算刻度文本，它会将刻度值和刻度序号作为参数传递给计算刻度文本函数.29ax.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)#设置两个坐标轴范围pl.ylim(-1.5,1.5)pl.xlim(0,np.max(x)第29页快速绘图 30pl.subplots_adjust(bottom=0.15)#设置图底边距pl.grid()#开启网格#主刻度为pi/4ax.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/20ax.xaxis.set_minor_locator(MultipleLocator(np.pi/20)#设置刻度文本大小for tick in ax.xaxis.get_major_ticks():tick.label1.set_fontsize(16)pl.show()第30页快速绘图 31第31页绘图函数介绍32o对数坐标图 前面介绍过怎样使用plot()绘制曲线图，所绘制图表X-Y轴坐标都是算术坐标。下面看看怎样在对数坐标系中绘图。绘制对数坐标图函数有三个：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图表。第32页绘图函数介绍 下面程序使用4种不一样坐标系绘制低通滤波器频率响应曲线。其中，左上图为plot()绘制算术坐标系，右上图为semilogx()绘制X轴对数坐标系，左下列图 为semilogy()绘制Y轴对数坐标系，右下列图为loglog()绘制双对数坐标系。使用双对数坐标系表示频率响应曲线通常被称为波特图。(matplotlib_log.py)33import numpy as npimport matplotlib.pyplot as pltw=np.linspace(0.1,1000,1000)p=np.abs(1/(1+0.1j*w)#计算低通滤波器频率响应第33页绘图函数介绍34plt.subplot(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()第34页绘图函数介绍 35第35页绘图函数介绍o极坐标图 极坐标系是和笛卡尔(X-Y)坐标系完全不一样坐标系，极坐标系中点由一个夹角和一段相对中心点距离来表示。下面程序绘制极坐标图，(matplotlib_polar.py)。36import numpy as npimport matplotlib.pyplot as plttheta=np.arange(0,2*np.pi,0.02)第36页绘图函数介绍o 程序中调用subplot()创建子图时经过设 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。也能够使用polar()直接创建极坐标子图并在其中绘制曲线。37plt.subplot(121,polar=True)plt.plot(theta,1.6*np.ones_like(theta),linewidth=2)plt.plot(3*theta,theta/3,-,linewidth=2)第37页绘图函数介绍 rgrids()设置同心圆栅格半径大小和文字标注角度。所以右图中虚线圆圈有三个，半径分别为0.5、1.0和1.5,这些文字沿着45线排列。Thetagrids()设置放射线栅格角度，所以右图中只有两条放射线，角度分别为0和45。38plt.subplot(122,polar=True)plt.plot(theta,1.4*np.cos(5*theta),-,linewidth=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()第38页绘图函数介绍 39第39页绘图函数介绍o柱状图 柱状图用其每根柱子长度表示值大小，它们通惯用来比较两组或多组值。下面程序从文件中读入中国人口年纪分布数据,并使用柱状图比较男性和女性年纪分布。（matplotlib_bar.py 绘制比较男女人口年纪分布图）40import numpy as npimport matplotlib.pyplot as plt第40页绘图函数介绍41 读入数据中，第0列为年纪，它将作为柱状图横坐标。首先计算柱状图中每根柱子 宽度，因为要在每个年纪段上绘制两根柱子，所以柱子宽度应该小于年纪段二分之 一。这里以年纪段0.4倍作为柱子宽度。data=np.loadtxt(china_population.txt)width=(data1,0-data0,0)*0.4 第41页绘图函数介绍o 调用bar()绘制男性人口分布柱状图。它第一个参数为每根柱子左边缘横坐标，为 了让男性和女性柱子以年纪刻度为中心，这里让每根柱子左侧横坐标为“年纪减去柱子宽度”。Bar()第二个参数为每根柱子高度，第三个参数指定全部柱子宽度。当第三个参数为序列时，可认为每根柱子指定宽度。42plt.figure(figsize=(8,5)plt.bar(data:,0-width,data:,1/1e7,width,color=b,label=u男)第42页绘图函数介绍 绘制女性人口分布柱状图，这里以年纪为柱子左边缘横坐标，所以女性和男性人 口分布图以年纪刻度为中心。因为bar()不自动修改颜色，所以程序中经过color参数设置两个 柱状图颜色。43plt.bar(data:,0,data:,2/1e7,width,color=r,label=u女)plt.xlim(-width,100)plt.xlabel(u年纪)plt.ylabel(u人口（千万）)plt.legend()plt.show()第43页绘图函数介绍 44第44页绘图函数介绍o散列图 使用plot()绘图时，假如指定样式参数为仅绘制数据点，那么所绘制就是一幅散列图。比如：不过这种方法所绘制点无法单独指定颜色和大小。而scatter()所绘制散列图却能够指定每个点颜色和大小。下面程序演示scatter()使用方法(matplotlib_scatter.py).45plt.plot(np.random.random(100),np.random.random(100),o)第45页绘图函数介绍 scatter()前两个参数是数组，分别指定每个点X轴和Y轴坐标。s参数指定点大 小，值和点面积成正比。它能够是一个数，46import numpy as npimport matplotlib.pyplot as pltplt.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,facecolors=none)plt.xlim(0,1)plt.ylim(0,1)plt.show()第46页绘图函数介绍 指定全部点大小；也能够是数组，分别对每个点指定大小。c参数指定每个点颜色，能够是数值或数组。这里使用一维数组为每个点指定了一个数值。经过颜色映射表，每个数值都会与一个颜色相对应。默认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)二维数组时，则直接表示每个点RGB颜色。marker参数设置点形状，能够是个表示形状字符串，也能够是表示多边形两个元素元组，第一个元素表示多边形边数，47第47页绘图函数介绍 第二个元素表示多边形样式，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。最终，经过alpha参数设置点透明度，经过lw参数设置线宽，lw是line width缩写。facecolors参数为“none”时，表示散列点没有填充色。48第48页绘图函数介绍49第49页绘图函数介绍o图像o imread()和imshow()提供了简单图像载入和显示功能.o imread()能够从图像文件读入数据，得到一个表示图像NumPy数组。它第一个参数是文件名或文件对象，format参数指定图像类型，假如省略，就由文件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)数组；对于彩色图像，返冋形状为(M，N，C)数组。其中,M为图像高度,N为图像宽度,C为3或4,表示图像通道数。50img=plt.imread(“lena.jpg“)第50页绘图函数介绍 下面程序从“lena.jpg”中读入图像数据，得到数组img是一个形状为(393,512,3)单字节无符号整数数组。这是因为通常使用图像都是采取单字节分别保留每个像素红、绿、蓝三个通道分量：51 img=plt.imread(lena.jpg)img.shape (393L,512L,3L)img.dtypedtype(uint8)第51页绘图函数介绍 imshow()能够用来显示imread()返回数组。假如数组是表示多通道图像三维数组，那么每个像素颜色由各个通道值决定：请注意，从JPG图像中读入数据是上下颠倒，为了正常显示图像，能够将数组第0轴反转，或者设置imshow()origin参数为“lower”,从而让所显示图表原点在左下角：52 plt.imshow(img)#注意图像是上下颠倒 plt.imshow(img:-1)#反转图像数组第0轴#or plt.imshow(img,origin=lower)#让图表原点在左下角第52页绘图函数介绍 假如三维数组元素类型为浮点数，那么元素取值范围为0.0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像素。下面例子将数组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，整个图像变亮第53页绘图函数介绍 假如imshow()参数是二维数组，就使用颜色映射表决定每个像素颜色。下面显示图像中红色通道：显示效果比较吓人，因为默认图像映射将最小值映射为蓝色、将最大值映射为红色.能够使用colorbar()将颜色映射表在图表中显示出来：54 plt.imshow(img:,:,0)plt.colorbar()第54页绘图函数介绍 经过imshow()cmap参数能够修改显示图像时所采取颜色映射表。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，可经过下面语句找到这 些颜色映射表名字：(matplotlib_imshow.py)下面使用名为copper颜色映射表显示图像红色通道，很有老照片味道：55 import matplotlib.cm as cm cm._cmapnamesSpectral,copper,RdYlGn,Set2,sumner,spring,gist_ncar，plt.imshow(img:,:,0,cmap=cm.copper)第55页绘图函数介绍o 56import numpy as npimport matplotlib.pyplot as pltimport matplotlib.cm as cmplt.subplots_adjust(0,0,1,1,0.05,0.05)plt.subplot(331)img=plt.imread(lena.jpg)plt.imshow(img)plt.subplot(332)plt.imshow(img:-1)plt.subplot(333)plt.imshow(img,origin=lower)img=img:-1plt.subplot(334)plt.imshow(img*1.0)第56页绘图函数介绍o 57plt.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.colorbar()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()第57页绘图函数介绍58第58页绘图函数介绍o 还能够使用imshow()显示任意二维数据，比如下面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)o o 59import numpy as npimport matplotlib.pyplot as pltimport matplotlib.cm as cmy,x=np.ogrid-2:2:200j,-2:2:200jz=x*np.exp(-x*2-y*2)extent=np.min(x),np.max(x),np.min(y),np.max(y)第59页绘图函数介绍 首先经过数组广播功效计算出表示函数值二维数组Z,注意它第0轴表示Y轴、第1轴表示X轴。然后将X、Y轴取值范围保留到extent列表中。60plt.figure(figsize=(10,3)plt.subplot(121)plt.imshow(z,extent=extent,origin=lower)plt.colorbar()plt.subplot(122)plt.imshow(z,extent=extent,cmap=cm.gray,origin=lower)plt.colorbar()plt.show()第60页绘图函数介绍 将extent列表传递给 imshow()extent参数，这么一来，图表X、Y轴刻度标签将使用extent列表所指定范围.61第61页绘图函数介绍o等值线图 还能够使用等值线图表示二元函数。所谓等值线，是指由函数值相等各点连成平滑曲线。等值线能够直观地表示二元函数值改变趋势，比如等值线密集地方表示函数值在此处改变较大。matplotlib中能够使用contour()和contourf()描绘等值线，它们区分是：contourf()所得到是带填充效果等值线。(matplotlib_contour.py用contour和contourf描绘等值线图)62第62页绘图函数介绍 63import numpy as npimport matplotlib.pyplot as plty,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),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()第63页绘图函数介绍 为了更淸楚地域分X轴和Y轴，这里让它们取值范围和等分次数均不相同.这么得 到数组z形状为(200,300),它第0轴对应Y轴、第1轴对应X轴。调用contour()绘制数组z等值线图，第二个参数为10,表示将整个函数取值范围等 分为10个区间,即显示等值线图中将有9条等值线。和imshow()一样，能够使用extent参 数指定等值线图X轴和Y轴数据范围。contour()所返回是一个QuadContourSet对象，将它传递给clabel(),为其中等值线标上对应值。64第64页绘图函数介绍 调用contourf(),绘制将取值范围等分为20份、带填充效果等值线图。这里演示 了另外一个设置X、Y轴取值范围方法。它前两个参数分别是计算数组z时所使用X轴和Y轴上取样点,这两个数组必须是一维。65第65页绘图函数介绍 还能够使用等值线绘制隐函数曲线.显然，无法像绘制普通函数那样，先创建一个等差数组表示变量取值点，然后计算出数组中每个x所对应y值。能够使用等值线处理这个问题，显然隐函数曲线就是值等于0那条等值线。下面程序绘制函数 在f(x,y)=0和 f(x,y)-0.1=0时曲线.(matplotlib_implicit_func.py)66import numpy as npimport matplotlib.pyplot as plty,x=np.ogrid-1.5:1.5:200j,-1.5:1.5:200jf=(x*2+y*2)*4-(x*2-y*2)*2第66页绘图函数介绍67o plt.figure(figsize=(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.vertices plt.plot(data:,0,data:,1,color=c.get_color()0,linewidth=c.get_linewidth()0)plt.show()第67页绘图函数介绍68第68页绘图函数介绍 在调用contour()绘制等值线时，能够经过levels参数指定所绘制等值线对应函数值，这 里设置levels参数为0，0.1,所以最终将绘制两条等值线。观察图会发觉，表示隐函数f(x)=0蓝色实线并不是完全连续，在图中间部分它由许多孤立小段组成。因为等值线在原点附近无限靠近，所以不论对函数f取值空间怎样进行细分，总是会有没有法分开地方，最终造成了图中那些孤立细小区域。而表示隐函数f(x,y)-0.1=0红色虚线则是闭合且连续。69第69页绘图函数介绍 能够经过contour()返回对象取得等值线上每点数据，下面在IPython中观察变量cs,它是一个 QuadContourSet 对象：cs对象collections属性是一个等值线列表，每条等值线用一个LineCollection对象表示：70 cs.collections run matplotlib_implicit_func.pycs第70页绘图函数介绍 每个LineCollection对象都有它自己颜色、线型、线宽等属性，注意这些属性所取得结果外面还有一层封装，要取得其第0个元素才是真正配置：由类名可知，LineCollection对象是一组曲线集合，所以它能够表示像蓝色实线那样由多条线组成等值线。它get_paths()方法取得组成等值线全部路径，本例中蓝色实线71 c.get_color()0array(1.,0.,0.,1.)c.get_linewidth()02第71页绘图函数介绍所表示等值线由42条路径组成：路径是一个Path对象，经过它vertices属性能够取得路径上全部点坐标:72 len(cs.collections0.get_paths()42 path=cs.collections0.get_paths()0 type(path)path.verticesarray(-0.08291457,-0.98938936,-0.09039269,-0.98743719,-0.08291457,-0.98938936)第72页绘图函数介绍 下面程序从等值线集合cs中找到表示等值线路径，并使用plot()将其绘制出来.73plt.subplot(122)for c in cs.collections:data=c.get_paths()0.vertices plt.plot(data:,0,data:,1,color=c.get_color()0,linewidth=c.get_linewidth()0)第73页绘图函数介绍o三维绘图 mpl_toolkits.mplot3d模块在matplotlib基础上提供了三维绘图功效。因为它使用matplotlib二维绘图功效来实现三维图形绘制工作，所以绘图速度有限，不适适用于大规模数据三维绘图。假如需要更复杂三维数据可视化功效，可使用Mayavi。(matplotlib_surface.py 使用matplotlib绘制三维曲面)74第74页绘图函数