null - 程序员宅基地

matplotlib中绘图_edgecolor=blue-程序员宅基地

matplotlib中绘图

一，设置坐标轴

引入matplotlib模块

import matplotlib.pyplot as plt

x轴和y轴的值域

plt.xlim((-1,1))
plt.ylim((0,1))

在这里插入图片描述

color为线的颜色，linewidth为线宽度，linestyle为样式（-为实线，–为虚线）

x = np.linspace(-1,1,50) #等差数列
y=x+1
plt.plot(x,y,color='red',linewidth=1,linestyle = '-.')

在这里插入图片描述
figure语法

figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, rameon=True)

num:图像编号或名称，数字为编号，字符串为名称
figsize:指定figure的宽和高，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 1英寸等于2.5cm,A4纸是 21*30cm的纸张
facecolor:背景颜色
edgecolor:边框颜色
frameon:是否显示边框

x和y轴

plt.xtick()
plt.ytick()

例如：

plt.xlim((-1,1))
plt.ylim((-1,1))

x = np.linspace(-1,1,5) #等差数列
y = x

plt.xticks(x) #new_ticks 为-2，2分成十一等份
plt.yticks([-1,0,1],['level1','level2','level3'])
plt.plot(x,y)

plt.show()

在这里插入图片描述
plt.legend( )函数，给图像加上图例
设置图例边框及背景

去掉图例边框
plt.legend(loc=‘best’,frameon=False)
设置图例边框颜色
plt.legend(loc=‘best’,edgecolor=‘blue’)
设置图例标题
plt.legend([“BJ”, “SH”], title=‘Beijing VS Shanghai’)

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-1,1,50) #等差数列
y1 = 2*x
y2 = x**2
#设置两条线为l1,l2    注：应该在后面加上，
l1, = plt.plot(x,y1,color='red',linewidth=1)
l2, = plt.plot(x,y2,color='blue',linewidth=5)
#将l1，l2绘制于一张图中，其中名字分别是l1，l2，位置自动取在最佳位置
plt.legend(handles=[l1,l2],labels=['aa','bb'],loc='upper right',title='Beijing VS Shanghai')
plt.xlabel("Beijing")
plt.ylabel("Shanghai")

plt.show()

在这里插入图片描述

散点图

import matplotlib.pyplot as plt
import numpy as np
x = np.random.normal(0,1,50)
y = np.random.normal(0,1,50)
#s指点大小，alpha指透明度
plt.scatter(x,y,s=20,color='blue',alpha=0.5) 
plt.show()

在这里插入图片描述

柱状图

x = np.arange(10)
y = 2**x + 10
#柱颜色，柱边框颜色
plt.bar(x,y,facecolor='red',edgecolor='blue')
#zip指把x，y结合为一个整体，一次可以读取一个x和一个y
for x,y in zip(x,y):
#指字体在中间和柱最顶的顶部
    plt.text(x,y,'%.1f' %y,ha='center',va='bottom')
plt.show()

本文链接：https://blog.csdn.net/jxydwhb/article/details/114755440

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

机器学习笔试面试超详细总结（二）_机器学习算法笔试-程序员宅基地

文章浏览阅读7.6k次，点赞5次，收藏74次。51、概率和信息量的关系52、数据清理中，缺失值的处理方法53、统计模式分类问题54、语言模型0概率问题55、逻辑回归和多元回归分析的不同56、关于Word2Vec57、词向量58、二次准则函数的H-K算法比感知器的优势59、卷积之后特征图谱的大小60、矩阵计算效率61、数据过大时，那种梯度下降方法更好62、选择神经网络深度时，需要考虑哪些参数63、如何利用已有训..._机器学习算法笔试

Unity3D Camera设置结合OpenGL详细解读_unity配合opengles-程序员宅基地

文章浏览阅读2.8k次，点赞3次，收藏5次。首先，总体概述。Unity里面的Camera是把渲染画面，最终呈现在屏幕上的最后一步操作。所有的渲染操作最终都要通过Camera在呈现。如果用OpenGL来实现，Camera做了一下几个事情。通过正交或是透视，剪裁平面，得到一个4x4的矩阵数据。这个矩阵就是，model-view-projection中的projection。所有物体的旋转R，平移T，缩放S，形成的矩阵数据_unity配合opengles

Python来计算 1，2，3，4 能组成多少个不相同且不重复的三位数？

我们今天的例子是有 1，2，3，4 四个数字，它们能组成多省个互不相同且无重复的三位数？都分别是多少？

理解CSS中的sticky与fixed定位

在CSS中，和是两种常见的定位方式，它们可以让元素脱离文档流，并具有固定位置的效果。然而，它们在实际应用中有着不同的特点和使用场景。

python：pycharm构建虚拟环境打包_pycharm虚拟环境打包-程序员宅基地

文章浏览阅读3.7k次。文章目录一、构建虚拟环境二、创建解释器三、添加所需模块四、打包一、构建虚拟环境1、打开终端2、进入指定路径cd D:\software\pycharm\project\other_venv3、创建虚拟环境（名称为excel）python -m venv excel二、创建解释器三、添加所需模块1、重新添加一个终端2、安装模块pip install xlrd==1.2.0 -i http://pypi.douban.com/simple --trusted-host pypi_pycharm虚拟环境打包

鸿蒙（HarmonyOS）性能优化实战-Trace使用教程

OpenHarmony的DFX子系统提供了为应用框架以及系统底座核心模块的性能打点能力，每一处打点即是一个Trace，其上附带了记录执行时间、运行时格式化数据、进程或线程信息等。开发者可以使用SmartPerf-Host调试工具对Trace进行解析，在其绘制的泳道图中，对应用运行过程中的性能热点进行分析，得出优化方案。本文旨在介绍OpenHarmony中常用的Trace，解释它们的含义和用途，并阐述如何通过这些Trace来识别潜在的性能问题。

matplotlib中绘图_edgecolor=blue-程序员宅基地

matplotlib中绘图

一，设置坐标轴

散点图

柱状图

智能推荐

机器学习笔试面试超详细总结（二）_机器学习算法笔试-程序员宅基地

Unity3D Camera设置结合OpenGL详细解读_unity配合opengles-程序员宅基地

Python来计算 1，2，3，4 能组成多少个不相同且不重复的三位数？

理解CSS中的sticky与fixed定位

python：pycharm构建虚拟环境打包_pycharm虚拟环境打包-程序员宅基地

鸿蒙（HarmonyOS）性能优化实战-Trace使用教程

随便推点

浅谈未定义行为（Undefined behavior）_计算机未定义行为-程序员宅基地

获取webshell权限的45种方法_.net站点拿webshell-程序员宅基地

边缘设备接入华为云并在线进行模拟设备测试_边缘计算设备怎么接入云-程序员宅基地

PD生成兼容Oracle、Mysql脚本-程序员宅基地

七、四个步骤实现FFmpeg推流播放实战

Python基础：【扩展系列】Python对小程序或App进行自动化操作常用框架

推荐文章

热门文章

相关标签