大什么的网站建设公司好,安卓软件开发公司收入,wordpress随机图片,海门工程造价信息网1 Matplotlib介绍 Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表。 Matplotlib提供了一个套面向绘图对象编程的API接口#xff0c;能够很轻松地实现各种图像的绘制#xff0c;并且它可以配合Python GUI工具#xff08;… 1 Matplotlib介绍 Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表。 Matplotlib提供了一个套面向绘图对象编程的API接口能够很轻松地实现各种图像的绘制并且它可以配合Python GUI工具如 PyQt、Tkinter 等在应用程序中嵌入图形。同时 Matplotlib 也支持以脚本的形式嵌入到 IPython shell、Jupyter 笔记本、web 应用服务器中使用。
1.1 Matplotlib架构组成
matplotlib框架分为三层这三层构成了一个栈上层可以调用下层。 1.1.1 脚本层
主要用于可视化编程pytplot模块可以提供给我们一个与matplotlib打交道的接口。可以只通过调用pyplot模块的函数从而操作整个程序包来绘制图形。
操作或者改动Figure对象例如创建Figure对象大部分工作是处理样本文件的图形与坐标的生成
1.1.2 美工层
图形中所有能看到的元素都属于Artist对象即标题、轴标签、刻度等组成图形的所有元素都是Artist对象的实例。
Figure指整个图形(包括所有的元素比如标题、线等)。Axes(坐标系)axes是子图对象子图对象指的是x和y轴。axes 常用有set_xlabel()、set_ylabel()设置x和y轴坐标名字。Axis(坐标轴)坐标系中的一条轴包含大小限制、刻度和刻度标签。
一个figure(图)可以包含多个axes(坐标系)但是一个axes只能属于一个figure。一个axes(坐标系)可以包含多个axis(坐标轴)包含两个即为2d坐标系3个即为3d坐标系。 1.1.3 后端层
matplotlib的底层实现了大量的抽象接口类这些API用来在底层实现图形元素的一个个类。
FigureCanvas对象实现了绘图区域这一概念。Renderer对象在FigureCanvas上绘图。
1.2 Pyplot介绍
通过Pyplot 对数据进行图形化展示可以直观的了解数据的分布情况更好的制定出学习方法。同时它还可以展示出我们机器学习到的计算方法了解其与实际情况是否相符等问题。
Pyplot 是 Matplotlib 的子库提供了和 MATLAB 类似的绘图 API。Pyplot 是常用的绘图模块能很方便让用户绘制 2D 图表。Pyplot 包含一系列绘图函数的相关函数每个函数会对当前的图像进行一些修改例如给图像加上标记生成新的图像在图像中产生新的绘图区域等等。
Pyplot 绘图流程如下 2 Pyplot函数
Pyplot 包含一系列绘图函数的相关函数每个函数会对当前的图像进行一些修改
plot()用于绘制线图和散点图scatter()用于绘制散点图bar()用于绘制垂直条形图和水平条形图hist()用于绘制直方图pie()用于绘制饼图imshow()用于绘制图像subplots()用于创建子图
2.1 plt.plot参数说明
plt.plot(x,y,format_string,**kwargs)
plt.plot()函数是Matplotlib库中用于绘制线条图的函数它有多个参数可以控制绘图的各个方面。以下是常用的一些参数
x: x轴数据的列表或数组y: y轴数据的列表或数组linewidth: 线条的宽度从0到无穷大的浮点数例如2.5color: 线条的颜色可以是字符串、元组或RGBA值代表不同的颜色。例如红色red、绿色green、蓝色blue、黑色black、白色white、灰色gray等RGB元组(0, 0, 1)表示蓝色RGBA元组(0, 1, 0, 0.5)表示半透明的绿色linestyle: 线条的样式可以是字符串如实线-、虚线--、点线:、破折线-.等 -: 实线 --: 虚线 -.: 点划线 :: 点线 : 无线条只显示标记 None: 无线条不显示标记 : 无线条不显示标记 marker: 数据点的标记样式
标记字符说明标记字符说明标记字符说明 . 点标记 1 下花三角 h 竖六边形 , 像素标记 2 上花三角 H 横六边形 o 实心圆 3 左花三角 十字标记 v 倒三角 4 右花三角 x x标记 ^ 上三角 s 实心方形 D 菱形标记 右三角 p 实心五角 d 菱形标记 左三角 * 星形标记 | 直线标记 markersize: 标记的大小从0到无穷大的浮点数例如7.5label: 字符串类型代表绘制的线条的标签在图例中显示。例如Line 1alpha: 线条和标记的透明度从0到1的浮点数表示线条和标记的透明度。例如0.5zorder: 整数类型表示绘图的层数数值越大越靠上。例如2
还有一些其他参数
solid_capstyle: 实线端点的样式如普通平直样式butt、圆角样式round、斜角样式projecting等dash_capstyle: 虚线端点的样式与solid_capstyle类似dash_joinstyle: 虚线连接处的样式如圆弧连接round、斜接连接bevel、锐角连接miter等solid_joinstyle: 实线连接处的样式与dash_joinstyle类似markevery: 标记显示的间隔可以是数字、元组或者函数可以是数字、元组或者函数。例如每隔一个数据点标记一个点markevery2从第二个开始每个5个数据点标记一个点markevery(1, 5)根据某个函数的返回值来控制标记的位置markeverylambda i: i%30
plt.plot()函数的参数比较多不同的参数组合可以实现各种各样的效果。
2.2 plt.scatter参数说明
matplotlib.pyplot.scatter(x, y, sNone, cNone, markerNone, cmapNone, normNone, vminNone, vmaxNone, alphaNone, linewidthsNone, *, edgecolorsNone, plotnonfiniteFalse, dataNone, **kwargs)
x, y → 散点的坐标float or array-like, shape (n, )s → 散点的面积float or array-like, shape (n, ), optionalc → 散点的颜色默认值为蓝色b其余颜色同plt.plot( )marker → 散点样式默认值为实心圆o其余样式同plt.plot( )alpha → 散点透明度[0, 1]之间的数0表示完全透明1则表示完全不透明linewidths →散点的边缘线宽edgecolors → 散点的边缘颜色
2.3 plt.bar参数说明
bar(x, height, width0.8, bottomNone, ***, aligncenter, dataNone, **kwargs)
x 表示x坐标数据类型为int或float类型height 表示柱状图的高度也就是y坐标值数据类型为int或float类型width 表示柱状图的宽度取值在0~1之间默认为0.8bottom 柱状图的起始位置也就是y轴的起始坐标align 柱状图的中心位置center,lege边缘color 柱状图颜色edgecolor 边框颜色linewidth 边框宽度tick_label 下标标签log 柱状图y周使用科学计算方法bool类型orientation 柱状图是竖直还是水平竖直vertical水平条horizontal 2.4 plt.hist参数说明
matplotlib.pyplot.hist( x, bins10, rangeNone, normedFalse, weightsNone, cumulativeFalse, bottomNone, histtypeubar, alignumid, orientationuvertical, rwidthNone, logFalse, colorNone, labelNone, stackedFalse, holdNone, **kwargs)
x : (n,) array or sequence of (n,) arrays这个参数是指定每个bin(箱子)分布的数据,对应x轴bins : integer or array_like, optional这个参数指定bin(箱子)的个数,也就是总共有几条条状图normed : boolean, optionalIf True, the first element of the return tuple will be the counts normalized to form a probability density, i.e.,n/(len(x)dbin)这个参数指定密度,也就是每个条状图的占比例比,默认为1color : color or array_like of colors or None, optional这个指定条状图的颜色
3.5 plt.pie参数说明
pyplot.pie(x, explodeNone, labelsNone, colorsNone, autopctNone)
x: 数组序列数组元素对应扇形区域的数量大小。labels: 列表字符串序列为每个扇形区域备注一个标签名字。colors; 为每个扇形区域设置颜色默认按照颜色周期自动设置。autopct: 格式化字符串fmt%pct使用百分比的格式设置每个扇形区的标签并将其放置在扇形区内。pctdistance设置百分比标签与圆心的距离labeldistance设置各扇形标签图例与圆心的距离explode: 指定饼图某些部分的突出显示即呈现爆炸式()shadow是否添加饼图的阴影效果
2.6 plt.imshow参数说明
matplotlib.pyplot.imshow(X, cmapNone, normNone, aspectNone, interpolationNone, alphaNone, vminNone, vmaxNone, originNone,extentNone, shapeNone, filternorm1, filterrad4.0, imlimNone, resampleNone, urlNone, holdNone, dataNone, **kwargs) X图像数据。支持的数组形状是 MN 带有标量数据的图像。数据可视化使用色彩图。MN3 具有RGB值的图像float或uint8。MN4 具有RGBA值的图像float或uint8即包括透明度。 前两个维度MN定义了行和列图片即图片的高和宽 RGBA值应该在浮点数[0, ..., 1]的范围内,或者 整数[0, ... ,255]。超出范围的值将被剪切为这些界限。cmap将标量数据映射到色彩图颜色默认为rcimage.cmap。 norm :~matplotlib.colors.Normalize如果使用scalar data 则Normalize会对其进行缩放[0,1]的数据值内。默认情况下数据范围使用线性缩放映射到颜色条范围。 RGBA数据忽略该参数。 aspect{equalauto}或float可选控制轴的纵横比。该参数可能使图像失真即像素不是方形的。equal确保宽高比为1,像素将为正方形。除非像素大小明确地在数据中变为非正方形,坐标使用 extent 。auto: 更改图像宽高比以匹配轴的宽高比。通常这将导致非方形像素。 interpolationstr使用的插值方法支持的值有none, nearest, bilinear, bicubic,spline16, spline36, hanning, hamming, hermite, kaiser,quadric, catrom, gaussian, bessel, mitchell, sinc,lanczos.如果interpolation none则不执行插值 alphaalpha值介于0透明和1不透明之间。RGBA输入数据忽略此参数。 vmin, vmax : scalar,如果使用* norm 参数则忽略 vmin vmax *。vmin,vmax与norm结合使用以标准化亮度数据。origin : {upper, lower}将数组的[0,0]索引放在轴的左上角或左下角。upper通常用于矩阵和图像。请注意垂直轴向上指向“下”但向下指向“上”。 extent(left, right, bottom, top数据坐标中左下角和右上角的位置。 如果为“无”则定位图像使得像素中心落在基于零的行列索引上。
2.7 plt.subplots参数说明
matplotlib.pyplot.subplots(nrows1, ncols1, sharexFalse, shareyFalse, squeezeTrue, subplot_kwNone, gridspec_kwNone, **fig_kw)
nrows,ncols整型可选参数默认为1。表示子图网格(grid)的行数与列数。sharex,sharey布尔值或者{none,all,row,col}默认False控制x(sharex)或y(sharey)轴之间的属性共享 1.True或者allx或y轴属性将在所有子图(subplots)中共享. 2.False或none每个子图的x或y轴都是独立的部分 3.row每个子图在一个x或y轴共享行(row) 4.col:每个子图在一个x或y轴共享列(column) 当子图在x轴有一个共享列时(col),只有底部子图的x tick标记是可视的。同理当子图在y轴有一个共享行时(row),只有第一列子图的y tick标记是可视的。 squeeze布尔类型可选参数默认True。 如果是True额外的维度从返回的Axes(轴)对象中挤出。 如果只有一个子图被构建(nrowsncols1)结果是单个Axes对象作为标量被返回。 对于N*1或1*N个子图返回一个1维数组。 对于N*MN1和M1返回一个2维数组。 如果是False不进行挤压操作返回一个元素为Axes实例的2维数组即使它最终是1x1。 subplot_kw:字典类型可选参数。把字典的关键字传递给add_subplot()来创建每个子图。gridspec_kw字典类型可选参数。把字典的关键字传递给GridSpec构造函数创建子图放在网格里(grid)。**fig_kw把所有详细的关键字参数传给figure()函数 3 Matplotlib绘图
3.1 绘制一条直线
import matplotlib.pyplot as pltplt.plot([1,2,3,4])
plt.ylabel(some numbers)
plt.show()
我们为plot命令提供了一个list或者是arraymatplotlib认为这个序列是Y轴上的取值并且会自动生成X轴上的值。因为python中的范围是从0开始的因此X轴就是从0开始长度与Y的长度相同也就是[0,1,2,3]所以显示如下 3.2 绘制一条折线
import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.ylabel(some numbers)
plt.show()
plot的参数可以是任意数量上面参数表示的是(x,y)对(1,1)(2,4)(3,9)(4,16)。这里有第三个可选参数它是字符串格式的表示颜色和线的类型。它是颜色字符串和线的类型字符串的组合。默认情况下该字符串参数是’b-‘表示蓝色的实线。显示如下 3.3 绘制一个点集
import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [1, 4, 9, 16], ro)
plt.axis([0, 6, 0, 20])
plt.show()
ro表示红色圆圈绘制上述点集显示如下 3.4 通过numpy数据绘制多个点集
import numpy as np
import matplotlib.pyplot as plt# 0到5之间每隔0.2取一个数
t np.arange(0., 5., 0.2)# 红色的破折号蓝色的方块绿色的三角形
plt.plot(t, t, r--, t, t**2, bs, t, t**3, g^)
plt.show()
构建三组numpy数据通过不同的样式展示出来显示如下 3.5 绘制多图形(figures)和多坐标系(axes)
import numpy as np
import matplotlib.pyplot as pltdef f(t):return np.exp(-t) * np.cos(2*np.pi*t)t1 np.arange(0.0, 5.0, 0.1)
t2 np.arange(0.0, 5.0, 0.02)plt.figure(2subplot)
plt.subplot(211)
plt.plot(t1, f(t1), bo, t2, f(t2), k)plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), r--)
plt.show()
pyplot所有的绘图命令都是应用于当前图形(figure)和当前坐标系(axes)分别在两个坐标系绘制一个图形显示如下 3.6 绘图直方图
import numpy as np
import matplotlib.pyplot as pltmu, sigma 100, 15
x mu sigma * np.random.randn(10000)# 直方图
n, bins, patches plt.hist(x, 50, normed1, facecolorg, alpha0.75)plt.xlabel(Smarts)
plt.ylabel(Probability)
plt.title(Histogram of IQ)
plt.text(60, .025, r$\mu100,\ \sigma15$)
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
text()命令可以被用来在任何位置添加文字xlabel()、ylabel()、title()被用来在指定位置添加文字。所有text()命令返回一个matplotlib.text.Text实例可以通过关键字参数在text()定制文本样式也可以通过setp()来定制文字的样式
t plt.xlabel(my data, fontsize14, colorred)
setp(t,colorblue) import matplotlib.pyplot as plt
import numpy as np# 生成三组随机数据
data1 np.random.normal(0, 1, 1000)
data2 np.random.normal(2, 1, 1000)
data3 np.random.normal(-2, 1, 1000)# 绘制直方图
plt.hist(data1, bins30, alpha0.5, labelData 1)
plt.hist(data2, bins30, alpha0.5, labelData 2)
plt.hist(data3, bins30, alpha0.5, labelData 3)# 设置图表属性
plt.title(matplotlib hist() )
plt.xlabel(Value)
plt.ylabel(Frequency)
plt.grid()
plt.legend()# 显示图表
plt.show() 3.7 绘制Y轴使用不同刻度下的曲线图
import numpy as np
import matplotlib.pyplot as plt# 在区间[0,1]制造一些数据
# np.random.normal为高斯分布
y np.random.normal(loc0.5, scale0.4, size1000)
y y[(y 0) (y 1)]
y.sort()
x np.arange(len(y))# 创建一个窗口
plt.figure(1)# 线性
plt.subplot(221)
plt.plot(x, y)
plt.yscale(linear)
plt.title(linear)
plt.grid(True)# 对数
plt.subplot(222)
plt.plot(x, y)
plt.yscale(log)
plt.title(log)
plt.grid(True)# symmetric log
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale(symlog, linthreshy0.05)
plt.title(symlog)
plt.grid(True)# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale(logit)
plt.title(logit)
plt.grid(True)plt.show() matplotlib.pylot不仅仅提供了线性的坐标还提供了对数(logarithmic)和分对数(logit)坐标。当数据的维度跨越许多数量级时这种坐标就很有用 3.8 绘制散点图
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import colorsx np.random.randn(50)
y np.random.randn(50)
color np.random.rand(50)
changecolor colors.Normalize(vmin0.4, vmax0.8)
plt.scatter(x, y, ccolor, s60, alpha0.3, cmapviridis,normchangecolor)
plt.colorbar() # 显示颜色条
plt.show()
参数 vmin、vmax 分别为要设置的数据范围的最小值和最大值注意设置之后原来大于vmax的值被“拉低”成vmax原来小于vmin的值被“拉高”成vmin
class matplotlib.colors.Normalize(vminNone, vmaxNone) 颜色表如下 import numpy as np
import matplotlib.pyplot as plt# 随机数生成器的种子
np.random.seed(2)
N 50
x np.random.rand(N)
y np.random.rand(N)
colors np.random.rand(N)
area (30 * np.random.rand(N))**2 # 0 to 15 point radiiplt.scatter(x, y, sarea, ccolors, alpha0.5) # 设置颜色及透明度plt.title(matplotlib Scatter ) # 设置标题
plt.colorbar()plt.show() 3.9 绘制饼图
import matplotlib.pyplot as plt#定义饼的标签
labels [one,two,three,four,five,other]#每个标签所占的数量
x [200,500,1200,7000,200,900]#饼图分离
explode (0.03,0.05,0.06,0.04,0.08,0.1)#设置阴影效果
#plt.pie(x,labelslabels,autopct%3.2f%%,explodeexplode,shadowTrue)plt.pie(x,labelslabels,autopct%3.2f%%,explodeexplode, labeldistance1.35, pctdistance1.2)
plt.legend()
plt.show() 3.10 绘制条形图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib# 将全局的字体设置为黑体
matplotlib.rcParams[font.family] SimHei# 数据
N 5
y [20, 10, 30, 25, 15]
x np.arange(N)# 绘图 x x轴 height 高度, 默认colorblue, width0.8
p1 plt.bar(x, heighty, width0.5, )# 展示图形
plt.show() 水平条形图需要修改以下属性orientationhorizontalimport numpy as np
import matplotlib.pyplot as plt# 数据
N 5
x [20, 10, 30, 25, 15]
y np.arange(N)# 绘图 x 起始位置 bottom 水平条的底部(左侧), y轴 height 水平条的宽度 width 水平条的长度
p1 plt.bar(x0, bottomy, height0.5, widthx, orientationhorizontal)# 展示图形
plt.show() import numpy as np
import matplotlib.pyplot as plt# 设置画布颜色为 blue
plt.style.use(seaborn-v0_8-whitegrid)
fig, ax plt.subplots()# y 轴数据
data [[5,25,50,20],[4,23,51,17],[6,22,52,19]]X np.arange(4)
width0.25plt.bar(Xwidth*0, data[0], color darkorange, width width,label A)
plt.bar(Xwidth*1, data[1], color steelblue, width width,labelB)
plt.bar(Xwidth*2, data[2], color violet, width width,label C)# 添加文字描述
W [width*0,width*1,width*2]# 偏移量
for i in range(3):for a,b in zip(XW[i],data[i]):#zip拆包plt.text(a,b,%.0f% b,hacenter,va bottom)#格式化字符串保留0位小数plt.xlabel(Group)
plt.ylabel(Num)# 在0,48这个位置显示note 这个值
plt.text(1,48,note,fontsize15, haleft, rotation15, wrapTrue) # family参数是一个字体参数
plt.text(1.5,32,deep,fontsize15, haleft, rotation15, wrapTrue,bboxdict(boxstyleround,pad0.5, fcyellow, eck,lw1 ,alpha0.5)) plt.legend()
plt.show() 3.11 绘制多子图
import matplotlib.pyplot as plt
import numpy as np
fig, ax plt.subplots(3, 3, figsize(6,6))fig.text(0.5, 0, x, hacenter)
fig.text(0, 0.5, y, vacenter)x np.linspace(0, 2*np.pi, 50, endpointFalse)
sins np.sin(x)
coss np.cos(x)ax[1][1].plot(x, sins, r, alpha0.5, lw0.5, ls-, marker, labelsin)
ax2 ax[1][1].twinx()
ax2.plot(x, coss, g, alpha0.5, lw0.5, ls-, marker, labelcos)
for tl in ax2.get_yticklabels():tl.set_color(r)plt.tight_layout()
plt.show() 3.12 绘制时间变化图
import random
import timeimport matplotlib.pyplot as plt
from pylab import mplmpl.rcParams[font.sans-serif] [SimHei] # 设置显示中文字体
mpl.rcParams[axes.unicode_minus] False # 设置正常显示符号x range(1, 101)
times [random.randint(10, 200) for i in range(100)]
plt.figure(figsize(15, 5), dpi80) # 创建画布
plt.plot(x, times, colorr, linestyle-, labelt 2, markerv) # 绘制折线图点划线plt.legend(loc0) # 显示图例
# 描述信息
plt.xlabel(设备数/个)
plt.ylabel(时间/s)
plt.title(时间变化图, fontsize18)plt.savefig(./time.jpg) # 保存至指定位置
plt.show() # 显示图像 3.13 绘制多张图片显示
# opencv显示
import cv2
# plt显示
from PIL import Image
import matplotlib.pyplot as pltPATH D:/dataset/cat_dog/valid/3.jpg
plt.rcParams[font.sans-serif] [SimHei] # 显示中文plt.subplot(1, 3, 1)
im Image.open(PATH)
plt.imshow(im)
plt.xlabel(原图)plt.subplot(1, 3, 2)
im cv2.imread(PATH, 0) # 参数0为灰度显示参数1为RGB显示
plt.imshow(im, cmapgray)
plt.xlabel(单通道图)plt.subplot(1, 3, 3)
im cv2.imread(PATH, 0) # 参数0为灰度显示参数1为RGB显示
im cv2.equalizeHist(im) # 直方图均衡
plt.imshow(im, cmapgray)
plt.xlabel(直方图)plt.show() 3.14 绘制3D图
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D# 生成3D figure
fig plt.figure()
ax Axes3D(fig, auto_add_to_figureFalse)
fig.add_axes(ax)# X, Y value
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, rstride1, cstride1, cmapplt.get_cmap(rainbow), edgecolork)
ax.contourf(X, Y, Z, zdirz, offset-2, cmaprainbow)ax.set_zlim(-2, 2)
plt.show() import numpy as np
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
#定义坐标轴
fig plt.figure()
ax1 plt.axes(projection3d)
#ax fig.add_subplot(111,projection3d) #这种方法也可以画多个子图
#定义三维数据
xx np.arange(-5,5,0.5)
yy np.arange(-5,5,0.5)
X, Y np.meshgrid(xx, yy)
Z np.sin(X)np.cos(Y)
#作图
ax1.plot_surface(X,Y,Z)
ax1.contour(X,Y,Z, zdimz,offset-2,cmaprainbow) #等高线图要设置offset为Z的最小值fig plt.figure() #定义新的三维坐标轴
ax3 plt.axes(projection3d)
#定义三维数据
xx np.arange(-5,5,0.5)
yy np.arange(-5,5,0.5)
X, Y np.meshgrid(xx, yy)
Z np.sin(X)np.cos(Y)
#作图
ax3.plot_surface(X,Y,Z,cmaprainbow)
ax3.contour(X,Y,Z, zdimz,offset-2,cmaprainbow) #等高线图要设置offset为Z的最小值
plt.show() 3.15 给绘图添加注释
import matplotlib.pyplot as plt
import numpy as npfig, geeeks plt.subplots()t np.arange(0.0, 5.0, 0.001)
s np.cos(3 * np.pi * t)
line geeeks.plot(t, s, lw2)# Annotation
geeeks.annotate(Local Max, xy(3.3, 1),xytext(3, 1.8),arrowpropsdict(facecolorgreen,shrink0.05), )geeeks.set_ylim(-2, 2)# Plot the Annotation in the graph
plt.show()
annotate()方法添加注释有两点需要注意需要被注释的地方使用xy参数来指出还有就是注释文本所放置的位置使用参数xytext来指定位置这两个参数都是(x,y)元组这里的xy和xytext所使用的坐标是根据XY轴的刻度的坐标称为data coordinates。 import numpy as np
import matplotlib.pyplot as plt x np.arange(0, 10, 0.005)
y np.exp(-x / 3.) * np.sin(3 * np.pi * x) fig, ax plt.subplots()
ax.plot(x, y)
ax.set_xlim(0, 10)
ax.set_ylim(-1, 1) # Setting up the parameters
xdata, ydata 5, 0
xdisplay, ydisplay ax.transData.transform((xdata, ydata)) bbox dict(boxstyle round, fc 0.8)
arrowprops dict( arrowstyle -, connectionstyle angle, angleA 0, angleB 90,\ rad 10) offset 72# Annotation
ax.annotate(data (%.1f, %.1f)%(xdata, ydata), (xdata, ydata), xytext (-2 * offset, offset), textcoords offset points, bbox bbox, arrowprops arrowprops) disp ax.annotate(display (%.1f, %.1f)%(xdisplay, ydisplay), (xdisplay, ydisplay), xytext (0.5 * offset, -offset), xycoords figure pixels, textcoords offset points, bbox bbox, arrowprops arrowprops) # To display the annotation
plt.show()
