(自转) 3359 blog.csdn.net/QQ _ 30815237/article/details/87903024
1、plt.rcParams
PLT(matplotlib.pyplot )使用rc配置文件自定义图形的各种默认属性，称为rc配置文件或rc参数。
rc参数允许您更改默认属性，包括表单大小、每英寸点数、线宽、颜色、样式、坐标轴、坐标和网络属性、文本以及字体。 rc参数存储在词典变量中，通过词典方式访问。
代码：
import numpy as np
import matplotlib.pyplot as plt
###%matplotlib inline #jupyter可用，请访问plt.show (
#生成数据
x=NP.linspace (0，4 * NP.pi ) )。
y=NP.sin(x )
#设置RC参数显示中文标题
#将字体设置为在SimHei中显示中文
PLT.rcparams [ ' font.sans-serif ' ]=' simhei '
#普通显示文字的设定
PLT.rcparams [ ' axes.unicode _ MINUS ' ]=false
PLT.title(sin曲线) ) )。
#设定线型
PLT.rcparams [ ' lines.line style ' ]='-. '
#设定线宽
PLT.rcparams [ ' lines.line width ' ]=3
绘制sin曲线
PLT.plot(x，y，label='$sin(x ) x ) $ ' )
PLT.savefig(sin.png ) ) )。
plt.show () )
参数：
PLT.rcparams [ ' save fig.dpi ' ]=300 #图像像素
PLT.rcparams['figure.dpi']=分辨率300#
PLT.savefig(plot123_2.png )，dpi=200 ) #指定分辨率
#默认像素： [ 6.0，4.0 ]，分辨率100，图像大小600400
指定dpi=200，图像大小为1200*800
指定dpi=300，图像大小为1800*1200
PLT.rcparams [ ' figure.fig size ' ]=(8.0，4.0 ) #图像显示大小
PLT.rcparams [ ' image.interpolation ' ]=' nearest ' #最近邻差值：像素为正方形
#Interpolation/resampling是一种插值，是增加或减少数字图像像素数的图像处理方法。
PLT.rcparams [ ' image.cmap ' ]=' gray ' #使用灰度输出而不是彩色输出
打印PLT.AXIS(off ) #图像时不显示坐标轴
2、matshow函数
这是用于绘制矩阵的函数： matplotlib.py plot.mat show (a，fignum=None，**kwargs )
a是矩阵元素绘制为与图像像素相对应的矩阵。
例如，PLT.matshow(mat，cmap=plt.cm.gray )和cmap表示颜色映射方法。
实例：
PLT.plot(a，' r-'，linewidth=2，label='train ' )
PLT.plot(b，' b- '，线宽度=3，label='val ' )
PLT.legend(loc='upperright '，fontsize=14 ) #设置位置
PLT.xlabel('trainingsetsize '，fontsize=14 ) #标签
PLT.ylabel('RMSE '，fontsize=14 ) )。
PLT.axis([0、80、0、3] )指示图表的显示范围
设定PLT.x ticks (NP.arange (0，81，step=20 ) )刻度
PLT.y ticks (NP.arange (0，4，step=1) )
和Axes - Subplot - Axis是什么关系
要在matplotlib.pyplot中绘制，必须知道以下概念：
平板电脑/画布：这是与实际平板电脑类似的基本载体，由pyplot.figure )函数创建。 在程序中可以创建多个平板电脑。 具体操作的画板遵循最近的原则(操作在最近调用的平板电脑上实现)。 默认情况下，在内部默认调用py
plot.figure(1)。图形区/绘图区：用来绘图的实际区域，一般不直接获取，直接设定方式为pyplot.axes([x, y, w, h])，即axes函数直接确定了该区域在画图板/画布中的位置为x,y 尺寸为w,h
标签区：用来展示图形相关标签的地方，一般不直接设定(未仔细研究过)，该区域根据图形区进行扩展，与该区域有关联的函数是pyplot.xlabel()、pyplot.ylabel()、pyplot.title()等
fig = plt.figure()
plt.show()
ax1 = fig.add_subplot(211)
ax2 = fig.add_subplot(212)
用画板和画纸来做比喻的话，figure就好像是画板，是画纸的载体， 但是具体画画等操作是在画纸上完成的。 在pyplot中，画纸的概念对应的就是Axes/Subplot。
对比:
figure (1) VS figure()
figure()操作就是创建或者调用画图板，缺省情况下系统会创建figure(1)作为画图板。使用时遵循就近原则，所有画图操作是在最近一次调用的画图板上实现。
axes() VS subplot()
pyplot.axes([x, y, w, h])是用来在画图板上确认图形区的位置和大小的函数，x,y表示图形区左下角相对于画图板的坐标，w,h表示图形区的宽高。(缺省时该操作在figure(1)上操作)
pyplot.subplot(abc)本质也是用来确认图形区在画图板上位置大小的函数，区别是该函数将画图板按a行b列等分，然后逐行编号，并选择编号为c的区域作为图形区用来绘图。这是一个axes()操作的高级封装，方便用户使用。subplot(233)表示2行3列的第3个位置(即，第1行第三个区域)
同时，pyplot.show()实际展示的区域是画图板上所有图形区的最小包围区，不是整个画图板，即如果仅仅调用了subplot(224)结果只展示右下角的4号区域，而不是1、2、3、4都展示，因此会存在一定的错觉。
axes() VS axis()
axes([x, y, w, h])用来设定图形区;
axis([x_left, x_right, y_bottom, y_top])是用来设置所绘制图形的视窗大小的，表示直接展示的图形是需要满足参数中范围的值，直观表现是绘图区实际展示的坐标范围。
注：axis作用的图形区依旧遵守就近原则。
subplot() VS plot()
subplot用来生成图形区;
plot是实际使用的绘图函数，类似的函数还有hist等，plot操作遵守就近原则，即作用在最近一次使用的图形区上。
from：https://blog.csdn.net/JasonZhu_csdn/article/details/85860963
官网：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.html
转自：https://wangyeming.github.io/2018/11/07/matplot-cmap/
画图离不开色彩--说说matplot的cmap
一张好看的图，离不开各种各样的颜色。在matplot中，有一个cmap的概念，通过cmap，我们可以很方便的给多组数据自动分配色彩，画出很好看的图。这篇文章就简单介绍下cmap的概念和用法。
cmap是什么
cmap也就是colormap，可以理解为接受一个数值，输出一个指定的颜色的字典。下面这张图就展示了常见的一些cmap。
可以点击matplot cmap这里，里面有一个demo示例，会画一个包含matplot中所有cmap的图。
这里常见的cmap有：
纯色渐变系列：
比如说画灰度图的话，可以选择Greys这个cmap。
如何在画图中使用cmap
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # data size
X = np.random.normal(0, 1, n) # 每一个点的X值,平均数是0，方差是1
Y = np.random.normal(0, 1, n) # 每一个点的Y值
# 这里我们每个点的颜色和该点的X值+Y值的和相关
color = X + Y
# 使用我们上面说的灰度图
cmap = plt.get_cmap('Greys')
# cmap = plt.cm.Greys #也可以这么写
# 利用normlize来标准化颜色的值
norm = plt.Normalize(vmin=-3, vmax=3)
# 散点图
plt.scatter(X, Y, s=75, alpha=0.5, c=color, cmap=cmap, norm=norm)
plt.xlim(-1.5, 1.5)
plt.xticks(()) # ignore xticks
plt.ylim(-1.5, 1.5)
plt.yticks(()) # ignore yticks
plt.show()
其中，我们用到了matplotlib.colors.Normalize类，比如说我们的颜色对应的值取值范围在[-10, 10]之间和[-1,1]之间肯定是不能套用同一个转换标准的，通过Normalize标准化，我们可以很方便的将我们的实际值合适的分布到color map上。
我们讲colormap换成
cmap = plt.get_cmap('Spectral')
画出来的图的颜色就是下面这样的：