山东大学Python（11）——Matplotlib

#%%
# 使用 jupyter notebook 编写
"""
本章知识目录：
    1.制作函数曲线
    2.线宽、线型、网格线控制
    3.坐标轴、图标识
    4.设定坐标轴刻度
    5.设置样例legend
    6.显示汉字
    7.快速绘图
    8.plot函数
    9.保存绘图
    10.绘制多轴图
    11.axes对象的切换
    12.绘图函数——对数坐标图
    13.绘图函数——柱状坐标图
    14.绘图函数——直方图
    15.绘图函数——散列图
    16.绘图函数——图像
    17.绘图函数——显示热图
    18.绘图函数——ogrid函数
    19.绘图函数——三维绘图
    20.绘图函数——投影简介
"""

"""
考试：
展示的方法
特别关注的是画二维和三维曲线
如何去控制这些
整个PPT都有可能考
"""

import matplotlib.pyplot as plt
import numpy as np

#%%

"""
制作函数曲线：
    引用、准备数据、制图、显示图形
"""
# step 1 引用
import matplotlib.pyplot as plt
import numpy as np
# step 2 准备数据
x=np.arange(-np.pi,np.pi,0.1)
y=np.sin(x)
# step 3 制图
plt.plot(x,y,'b--')  # ‘b’代表使用蓝色画曲线
# step 4 显示图形
# plt.grid(True) # 可以尝试加上这句话，是否绘制网格
plt.show()

#%%

"""
线宽、线型、网格线控制：
    第三个参数：https://blog.csdn.net/cjcrxzz/article/details/79627483
"""
# 在plot中直接设定 
sin, cos = np.sin(x), np.cos(x)
plt.plot(x,sin,color='blue',linewidth=10.0, linestyle='-') 
# 设置蓝色、2像素宽划线
plt.plot(x,cos,color='red',linewidth=2.0, linestyle='-.') 
# 用虚线画图
plt.grid(True)
# 画网格线

#%%

"""
坐标轴、图标识：
    使用xlim(x1, x2)设定横轴坐标范围，ylim(y1, y2)设置纵轴坐标范围
"""
x=np.arange(-5,5,0.1)
y=x**2
plt.xlim(-5,5) # 设定横坐标范围
plt.ylim(0,100)  # 设定纵坐标范围
plt.xlabel("x")  # 横轴标识
plt.ylabel("y=x*x") # 纵轴标识
plt.title("Plot  y=x*x") # 设定图形的标题
plt.plot(x,y)
plt.show()

#%%

"""
设定坐标轴刻度：
    特别指定坐标轴的刻度，制作更能表达深意的图形，xticks（yticks）方法实现了该功能
"""
# from pylab import *
import pylab as plb
x = np.linspace(-np.pi,np.pi,100)
cos = np.cos(x)
plb.xticks(np.linspace(-np.pi,np.pi,5))
plt.plot(x,cos,color='red',linewidth=2.0, linestyle='-')
plt.show() # plb或者plt都可以使用.plot和.show

#%%

"""
设置样例legend：
    https://blog.csdn.net/helunqu2017/article/details/78641290
"""
import numpy as np
from pylab import *
x=np.linspace(-np.pi,np.pi,100)
sin,cos = np.sin(x), np.cos(x)
plot(x,sin,color='blue',linewidth=2.0, linestyle='-',label='sin')
plot(x,cos,color='red',linewidth=2.0, linestyle='-',label='cos')
plt.legend(["sin", "余弦"], loc="upper right") # 汉字没什么问题
show()

#%%

"""
显示汉字：
    默认，汉字会乱码（但上面的测试中，没有显示乱码）
"""
import matplotlib as mpl
mpl.rcParams['font.family'] = 'sans-serif'
mpl.rcParams['font.sans-serif'] = [u'SimHei']

#%%

"""
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：
     import matplotlib as plt
     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。
     plt.figure(figsize=(8,4))
     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长度为8*80 = 640像素。
     def figure(num=None, figsize=None, dpi=None, 
     facecolor=None, edgecolor=None, frameon=True, 
     FigureClass=Figure, clear=False, **kwargs)
"""

#%%

"""
figure参数num:
    如果此参数没有提供，则一个新的figure对象将被创建，
同时增加figure的计数数值，此数值被保存在figure对象的一个数字属性当中。
    如果有此参数，
存在对应id的figure对象，则激活对应id的figure对象。
如果对应id的figur对象不存在，则创建它并返回它。
如果num的值是字符串，则将窗口标题设置为此字符串

建立了两个figure图，plt.xlim，plt.ylim
只给最后创建的figure（fig2）配置，
可以通过Num参数对第一个figure的相关属性进行配置。（看PPT上的代码）
"""
fig1 = plt.figure(num="3*1 inches", figsize=(3, 1))
fig2 = plt.figure(num="6*2 inches", figsize=(6, 2))
plt.show()
plt.close

#%%

"""
plot函数：
    plt.plot(x,y,format_string,**kwargs)
    xx:轴数据，列表或数组，可选
    y:y轴数据，列表或数组
    format_string:控制曲线的格式字符串，可选
    **kwargs:第二组或更多(x,y,format_string)
    
    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
    xlabel / ylabel : 设置X轴/Y轴的文字
    title : 设置图表的标题
    xlim / ylim : 设置X轴/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
"""
# 当绘制多条曲线时，各条曲线的x不能省略
import matplotlib.pyplot as plt 
import numpy as np 
a = np.arange(10)
plt.plot(a,a*1.5,a,a*2.5,a,a*3.5,a,a*4.5) 
plt.show()

#%%

# format_string控制颜色字符，风格字符，标记字符PPT第23页
a = np.arange(10)
plt.plot(a,a*1.5,'go-',a,a*2.5,'rx',a,a*3.5,'*',a,a*4.5,'b-.')
plt.show()

#%%

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="$cos(x^2)$") 
plt.xlabel("Time(s)") 
plt.ylabel("Volt") 
plt.title("PyPlot First Example") 
plt.ylim(-1.2,1.2) 
plt.legend() 
plt.savefig("test2.png") # 这句话放在前面没有问题，放在show的后面图片就是空白
plt.show()

#%%

"""
绘制多轴图：
    1.一个绘图对象(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。
    2.可以使用subplot函数快速绘制有多个轴的图表。
    3.subplot函数的调用形式如下：
        subplot(numRows, numCols, plotNum)
    3.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。
    4.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。
    5.subplot在plotNum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。

"""
color = ['r', 'g', 'b', 'y', 'c', 'k']
for i in range(4):
    plt.subplot(221+i)
plt.show()

#%%

"""
axes对象的切换：
    1.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。
    2.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。
    3.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。
    4.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
"""
plt.figure(1) # 创建图表1
plt.figure(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2
x = np.linspace(0, 3, 100)
for i in range(5):
	plt.figure(1) # 选择图表1
	plt.plot(x, np.exp(i*x/3))
	plt.sca(ax1) # 选择图表2的子图1
	plt.plot(x, np.sin(i*x))
	plt.sca(ax2) # 选择图表2的子图2
	plt.plot(x, np.cos(i*x))
plt.show()

#%%

"""
绘图函数——对数坐标图：
    1.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。
    2.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。
    3.下面的程序使用4种不同的坐标系绘制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)
"""
import numpy as np
import matplotlib.pyplot as plt
w = 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
plt.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()

#%%

"""
绘图函数——柱状图
"""
import matplotlib.pyplot as plt 
plt.bar([1,3,5,7,9],[5,2,7,8,2], label="Example one") 
plt.bar([2,4,6,8,10],[8,6,2,5,6], label="Example two", color='g') 
plt.legend() 
plt.xlabel('bar number') 
plt.ylabel('bar height') 
plt.title('Epic Graph\nAnother Line! Whoa') 
plt.show()

#%%

"""
绘图函数——直方图：
    直方图非常像条形图，倾向于通过将区段组合在一起来显示分布
    plt.hist(src, bins,~~) 网上有很多
"""
import matplotlib.pyplot as plt 
population_ages = [22,55,62,45,21,22,34,42,42,4,99,102,110,120,121,122,130,111,115,112,80,75,65,54,44,43,42,48] 
plt.xlabel('x') 
bins = [0,10,20,30,40,50,60,70,80,90,100,110,120,130] 
plt.hist(population_ages, bins, histtype='bar', rwidth=0.8) 
plt.ylabel('y') 
plt.title('Interesting Graph\nCheck it out') 
plt.legend() 
plt.show()

#%%

"""
绘图函数——散列图：
    1.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。
    2.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，
    指定所有点的大小；也可以是数组，分别对每个点指定大小。
    3.c参数：指定每个点的颜色，可以是数值或数组。
    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。
    4.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，
	第二个元素表示多边形的样式，
    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。
    5.alpha参数：设置点的透明度，
    6.lw参数：设置线宽，lw是line width的缩写。 
    7.facecolors参数：为“none”时，表示散列点没有填充色。

"""
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*400, c=-y+300, marker=(10, 2), alpha=0.8, lw=2, facecolors="none")
plt.xlim(0,1)
plt.ylim(0,1)
plt.savefig("star")
plt.show()


#%%

"""
绘图函数——图像：
    imread()和imshow()提供了简单的图像载入和显示功能.
    img = plt.imread(“lena.jpg“)
    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)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。
	imshow()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：
        plt.imshow(img)  #注意图像是上下颠倒的
"""
img = plt.imread("star.png")
print(img.shape)
plt.imshow(img) # 果然是上下颠倒的


#%%

"""
绘图函数——显示热图：
https://blog.csdn.net/goldxwang/article/details/76855200
    1.imshow()可以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       
    2.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。    
    3.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.
"""
import numpy as np
import matplotlib.pyplot as 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)]
plt.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()

#%%

"""
imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, 
alpha=None, vmin=None, vmax=None, origin=None, extent=None, 
shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, 
url=None, hold=None, data=None, **kwargs)
X变量存储图像，可以是浮点型数组、unit8数组以及PIL图像，如果其为数组，则需满足一下形状   (1) M*N      此时数组必须为浮点型，其中值为该坐标的灰度    (2) M*N*3  RGB（浮点型或者unit8类型）    (3) M*N*4  RGBA（浮点型或者unit8类型）
Colormap：参数cmap用于设置热图的Colormap
Interpolation:插值计算方式：None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16', 'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric', 'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos'
"""
from matplotlib import pyplot as plt  
X = [[1,2],[3,4],[5,6],[1,2]]  
plt.imshow(X)  
plt.colorbar()
plt.show() 

#%%

"""
绘图函数——ogrid函数：
    ogrid函数作为产生numpy数组与numpy的arange函数功能有点类似，不同的是：
1、arange函数产生的是一维数组，而ogrid函数产生的是二维数组
2、arange函数产生的是一个数组，而ogrid函数产生的是二个数组
3、ogrid函数产生的数组，第一个数组是以纵向产生的，即数组第二维的大小始终为1。第二个数组是以横向产生的，即数组第一维的大小始终为1。
"""
x,y = np.ogrid[0:10:1,0:10:2] # 整数步长
print(x)
print(y)
# 复数步长的设置是通过j进行设置的，如5j。复数前表示的是，用几个数值来等分整个区间。
x,y = np.ogrid[0:10:6j,0:10:4j]
print(x)
print(y)

#%%

"""
绘图函数——三维绘图：
mpl_toolkits.mplot3d模块在matplotlib基础上提供了三维绘图的功能。由于它使用matplotlib的二维绘图功能来实现三维图形的绘制工作，因此绘图速度有限，不适合用于大规模数据的三维绘图。如果需要更复杂的三维数据可视化功能，可使用Mayavi。(matplotlib_surface.py 使用matplotlib绘制三维曲面)
mplot3d 模块下主要包含 4 个大类：
•mpl_toolkits.mplot3d.axes3d()：包含了各种实现绘图的类和方法，最常用
•mpl_toolkits.mplot3d.axis3d()：包含了和坐标轴相关的类和方法
•mpl_toolkits.mplot3d.art3d()：一些可将 2D 图像转换并用于 3D 绘制的类和方法
•mpl_toolkits.mplot3d.proj3d()：包含一些零碎的类和方法，例如计算三维向量长度等
"""

#%%

# 三维线形图
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.linspace(-6 * np.pi, 6 * np.pi, 1000)
y = np.sin(x)
z = np.cos(x)
# 创建 3D 图形对象
fig = plt.figure()
ax = Axes3D(fig)
# 绘制线型图
ax.plot(x, y, z)
# 显示图
plt.show()


#%%

# 3D曲线
import matplotlib as mpl
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
import matplotlib.pyplot as plt 
fig = plt.figure()
ax=Axes3D(fig)
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
r = z**2 + 1
x = r * np.sin(theta)
y = r * np.cos(theta)
ax.plot(x, y, z, label='parametric curve')
ax.legend() 
plt.show()


#%%

# 3D网状线
from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt  
fig = plt.figure()
ax=Axes3D(fig)
# Grab some test data.
X, Y, Z = axes3d.get_test_data(0.05) # Plot a basic wireframe.
ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10) 
plt.show()


#%%

# 三维散点图
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
# x, y, z 均为 0 到 1 之间的 100 个随机数
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)
z = np.random.normal(0, 1, 100)
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(x, y, z)
plt.show()


#%%

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
def randrange(n, vmin, vmax):#在vmin和vmax间产生n个随机数
    return (vmax - vmin) * np.random.rand(n) + vmin
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d') #可替换为ax = Axes3D(fig)
n = 100
# For each set of style and range settings, plot n random points in the box
# defined by x in [23, 32], y in [0, 100], z in [zlow, zhigh].
for c, m, zlow, zhigh in [('r', 'o', -50, -25), ('b', '^', -30, -5)]:
    xs = randrange(n, 23, 32)
    ys = randrange(n, 0, 100)
    zs = randrange(n, zlow, zhigh)
    ax.scatter(xs, ys, zs, c=c, marker=m)
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')
plt.show()



#%%

# 3D曲面
import numpy as np
import mpl_toolkits.mplot3d 
import matplotlib.pyplot as plt
x, y = np.mgrid[-2:2:20j, -2:2:20j] 
"""
res = np.mgrid[-3:3:.1,-3:3:.1]
生成从-3到3的二维坐标
第一部分是y轴的范围
第二部分是x轴的范围
返回数组的res[0]是y轴，res[1]是x轴
"""
z = x * np.exp( - x**2 - y**2)
fig=plt.figure()
ax = plt.subplot(111, projection='3d') 
#ax=Axes3D(fig)
ax.plot_surface(x, y, z, rstride=2, cstride=1, cmap = plt.cm.Blues_r) 
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.show()


#%%

"""
绘图函数——投影简介：
投影模式决定了点从数据坐标转换为屏幕坐标的方式.可以通过下面的语句获得当前有效的投影模式的名称：
from matplotlib import projections
projections.get_projection_names()
['3d', 'aitoff', 'hammer', 'lambert', 'mollweide1, 'polar', 'rectilinear']
只有在载入mplot3d模块之后，此列表中才会出現’3d’投影模式. 
’aitoff’、’hammer’, ’lamberf’,’mollweide’等均为地图投影，
’polar’ 为极坐标投影,
'rectilinear’則是默认的直线投影模式.
4调用Axes3D对象的plot_surface()绘制三维曲面。其中：
参数x、y、z都是形状为(20,20) 的二维数组，数组x和y构成了 X-Y平面上的网格，而数组z则是网格上各点在曲面上的取值。 
通过cmap参数来指定值和颜色之间的映射，即曲面上各点的高度值与其颜色的对应关系。	
rstride 和cstride参数分别是数组的第0轴和第1轴的下标间隔.对于很大的数组，使用较大的间隔可以提高曲面的绘制速度。程序中，plot_surfece()调用和下面的语句是等价的：
ax.plot_surface(x[::2,:], y[::2,:], z[::2,:], rstride=1, cstride=1)
"""
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='hot')
plt.show()