Matplotlib 是Python编程语言的一个绘图库及其数值数学扩展 NumPy。它为利用通用的图形用户界面工具包,如Tkinter, wxPython, Qt或GTK+向应用程序嵌入式绘图提供了面向对象的应用程序接口。 fig, ax = plt.subplots() ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) Matplotlib在 matlab中不用画轴,就像这样 Matlab m里面也有相似得用法, 接下来看看图形要素 Figure 在整个figure。Figure跟踪所有子Axes,少量“特殊”artists(标题,人物传说等)和画布。(不必太担心画布,这是至关重要的,因为它实际上是绘制对象来获得绘图的对象,但作为用户,您几乎看不见它)。一个图形可以包含任意数量的Axes,但通常至少包含一个。(机翻,有点鬼畜) 创建新图形的最简单方法是使用pyplot: fig, ax = plt.subplots() # a figure with a single Axes fig, axs = plt.subplots(2, 2) # a figure with a 2x2 grid of Axes 将轴与图形一起创建很方便,但是以后也可以添加轴,以实现更复杂的轴布局。 Axes 这就是您认为的“绘图”,它是具有数据空间的图像区域。一个给定的图形可以包含许多Axes,但是一个给定的Axes 对象只能位于一个Figure。轴包含两个(或3D情况下为三个) Axis对象(注意轴和Axis之间的差异),这些对象负责数据限制(也可以通过axes.Axes.set_xlim()和 axes.Axes.set_ylim()方法控制数据限制)。每个Axes都有一个标题(通过设置set_title()),一个x标签(通过设置set_xlabel())和一个y 标签(通过 设置 set_ylabel())。 的Axes类和它的成员函数是主要的入口点与OO接口工作。 Axis 这些是类似数字线的对象。他们负责设置图形限制并生成刻度(轴上的标记)和刻度标签(标记刻度的字符串)。刻度的位置由Locator对象确定,刻度标签字符串由格式化Formatter。正确Locator和正确的组合可以Formatter很好地控制刻度线的位置和标签。 Artist¶ 基本上你可以在图中看到的一切是一个艺术家(甚至 Figure,Axes和Axis对象)。这包括 Text对象,Line2D对象,collections对象,Patch 对象...(您明白了)。绘制图形后,所有艺术家都被绘制到画布上。大多数艺术家都被绑在斧头上。这样的艺术家不能被多个轴共享,也不能从一个轴移动到另一个轴。 使用Matplotlib本质上有两种方法: 显式创建图形和轴,并在其上调用方法(“面向对象(OO)样式”)。 依靠pyplot自动创建和管理图形和轴,并使用pyplot函数进行绘图。 所以可以做到(OO风格) 代码不一样,结果一样,体现了,图包在大方向上绘图得两种方法 对于一些经常要绘制得图,可以考虑函数得方法就像这样: 一旦图形很复杂,这种方法是个不错的选择 性能 无论是以交互方式浏览数据还是以编程方式保存大量绘图,渲染性能都可能成为绘图中的一个痛苦瓶颈。Matplotlib提供了几种方法,以稍微改变绘制外观(达到可设置的公差)为代价,大大减少了渲染时间。减少渲染时间的可用方法取决于所创建绘图的类型。 线段简化 对于具有线段的图(例如,典型的线图,多边形的轮廓等),可以通过文件中的path.simplify和 path.simplify_threshold参数 来控制渲染性能matplotlibrc。该path.simplify参数是一个布尔值,指示是否完全简化了线段。该 path.simplify_threshold参数控制简化的线段数量。阈值越高,渲染越快。 以下脚本将首先显示数据而不进行任何简化,然后以简化方式显示相同的数据。尝试与他们两个进行交互: import matplotlib.pyplot as plt import matplotlib as mpl # Setup, and create the data to plot y = np.random.rand(100000) y[50000:] *= 2 y[np.logspace(1, np.log10(50000), 400).astype(int)] = -1 mpl.rcParams['path.simplify'] = True mpl.rcParams['path.simplify_threshold'] = 0.0 plt.plot(y) plt.show() mpl.rcParams['path.simplify_threshold'] = 1.0 plt.plot(y) plt.show() Matplotlib当前默认为的简化阈值 通过将线段迭代合并为单个矢量,直到下一个线段到矢量的垂直距离(在显示坐标空间中测量)大于该 标记简化标记也可以简化,尽管不如线段健壮。标记简化仅适用于 markevery参数允许进行简单的二次采样,或尝试均匀间隔(沿x轴)采样。 将行分成较小的块什么是后端,就是把你得code翻译出来显示在屏幕上面 如果使用的是Agg后端.则可以使用 以下脚本将首先显示没有任何块大小限制的数据,然后显示块大小为10,000的相同数据。当数字很大时,最好看到最大的区别,请尝试最大化GUI并与之交互: import numpy as npimport matplotlib.pyplot as plt import matplotlib as mpl mpl.rcParams['path.simplify_threshold'] = 1.0 # Setup, and create the data to plot y = np.random.rand(100000) y[50000:] *= 2 y[np.logspace(1, np.log10(50000), 400).astype(int)] = -1 mpl.rcParams['path.simplify'] = True mpl.rcParams['agg.path.chunksize'] = 0 plt.plot(y) plt.show() mpl.rcParams['agg.path.chunksize'] = 10000 plt.plot(y) plt.show() 与上面得图一样,但是绘制时间在主观上面确实可以感觉到了差异 传说轴的默认图例行为会尝试查找覆盖最少数据点( 使用快速样式该快速样式可用于自动设置简化和拆分参数合理设置,以加快绘制大量的数据。只需运行以下命令即可使用它: import matplotlib.style as mplstylemplstyle.use('fast') 它的重量很轻,因此可以与其他样式很好地配合,只要确保最后应用快速样式即可,这样其他样式就不会覆盖设置: mplstyle.use(['dark_background', 'ggplot', 'fast'])求关注,求转发 |
|