在这篇文章中，我们将带领您了解Python-有没有办法分离matplotlib图，以便继续计算？的全貌，包括matplotlib分段函数的相关情况。同时，我们还将为您介绍有关4.1Python数据处理

在这篇文章中，我们将带领您了解Python-有没有办法分离matplotlib图，以便继续计算？的全貌，包括matplotlib分段函数的相关情况。同时，我们还将为您介绍有关4.1Python数据处理篇之Matplotlib系列(一)---初识Matplotlib、Cpp调用Python3，使用matplotlib画（二维）图----1.配置（Clion，mingW64, python, matplotlib）、java版matplotlib，matplotlib4j使用，java中调用matplotlib或者其他python脚本、Python / Matplotlib-有没有办法制作不连续的轴？的知识，以帮助您更好地理解这个主题。

• Python-有没有办法分离matplotlib图，以便继续计算？（matplotlib分段函数）
• 4.1Python数据处理篇之Matplotlib系列(一)---初识Matplotlib
• Cpp调用Python3，使用matplotlib画（二维）图----1.配置（Clion，mingW64, python, matplotlib）
• java版matplotlib，matplotlib4j使用，java中调用matplotlib或者其他python脚本
• Python / Matplotlib-有没有办法制作不连续的轴？

Python-有没有办法分离matplotlib图，以便继续计算？（matplotlib分段函数）

在Python解释器中执行以下指令后，将获得一个带有绘图的窗口：

from matplotlib.pyplot import *plot([1,2,3])show()# other code

不幸的是，show()当程序进行进一步的计算时，我不知道如何继续以交互方式探索创建的图形。

有可能吗？有时计算很长，如果可以在检查中间结果时进行计算，则将有所帮助。

答案1

使用matplotlib不会阻塞的呼叫：

使用draw()：

from matplotlib.pyplot import plot, draw, showplot([1,2,3])draw()print ''continue computation''# at the end call show to ensure window won''t close.show()

使用交互模式：

from matplotlib.pyplot import plot, ion, showion() # enables interactive modeplot([1,2,3]) # result shows immediatelly (implicit draw())print ''continue computation''# at the end call show to ensure window won''t close.show()

4.1Python数据处理篇之Matplotlib系列(一)---初识Matplotlib

目录

[TOC]

前言

对于数据可视化的python库，对于Matplotlib早有耳闻，今天就来正式学习一下。

（一）matplotlib的介绍

matplotlib是python优秀的2D绘图库，可以完成大部分的绘图需求，同时其可定制性也很强，可内嵌在tkinter等各种GUI框架里。

官方网站：https://matplotlib.org/users/index.html

官方教程：https://matplotlib.org/tutorials/index.html

官方例子：https://matplotlib.org/gallery/index.html

（二）画一个简单的画布

==1.源代码==

import matplotlib.pyplot as plt
import numpy as np

# 在-1~1之间建立50个点
x = np.linspace(-1, 1, 50)
# y = 2*x + 1
y = x**2

# 创建画布
plt.plot(x, y)

# 展现画布
plt.show()

==2.展示效果==

（三）画布按键的功能介绍

==1.对于画布功能键的排序==

==（1）主页==

不管图片被你整成什么样，只要你按一下主页按钮，就会恢复到刚开始的样子。

==（2）上一个视图==

就是你改变了图片的位置，这个键就是跳到上一个键的图片位置。

==（3）下一个视图==

就是你改变了图片的位置，这个键就是跳到下一个键的图片位置。

==（4）移动查看==

我们可以以拖动的方式，来查看未显示的部分。

==（5）放大查看==

我们还可以用放大的方式，来细致的观察微小的部分。

==（6）窗体设置==

我们可以调整显示区域在窗体的显示位置。

==（7）保存图片==

我们可以把视图保存为图片。

作者：Mark

日期：2019/01/30 周三

Cpp调用Python3，使用matplotlib画（二维）图----1.配置（Clion，mingW64, python, matplotlib）

To my knowledge so far, Cpp画图是真滴捉急, 那就调用python帮帮忙吧。

百度了好久，试了好几次，终于走完了配置的过程。我要记录一下。

1.0 配置：（操作系统）64位Win7， （Cpp的IDE是）Clion。

1.1 安装Clion

　　官网下载就可以了，地址 https://www.jetbrains.com/clion/

1.2 安装，配置mingW64

　　1.2.1：Clion需要我们安装Toolchain，我用的是mingW64（因为我用的是64位系统）,附上百度网盘地址。

　　　　地址：https://pan.baidu.com/s/14FkN0Ul9cvcRxCOcylmoxw，密码：qu5l

　　1.2.2：然后我一股脑把路径全部添加到环境变量path了

　　　　（

　　　　　　D:\ProgramFile\mingw64;

　　　　　　D:\ProgramFile\mingw64\bin;

　　　　　　D:\ProgramFile\mingw64\lib;

　　　　　　D:\ProgramFile\mingw64\include

　　　　）　　

　　1.2.3：让Clion找到mingw64

　　　　如果其中的Make， C Complier，C++ Complier没找到，就手动帮Clion添加。

 　　　！！！注意mingw的版本（指的是64位还是32位），一定要和pyhton的匹配。否则会出现如下错误：

　　　　　　载入Python.h：没问题 ； 读取其中函数：unreferenced...

1.3 安装python

　　1.3.1 安装python3.7

　　　　我的安装目录是 D:\ProgramFile\Python37 ，没有用Anaconda，事实上（可能是由于环境变量path中争抢调用关系的问题），我把原来装好的anaconda卸载了。

　　　　安装的版本是官网下载的。

　　　　同时，添加了 D:\ProgramFile\Python37到环境变量path。

　　1.3.2 用pip安装matplotlib

　　　　a. python3.7中的pip是自带的

　　　　b. 将python安装目录下的scripts添加到环境变量bin

　　　　c. （可选）查看python是否安装成功：在cmd界面，输入：python --version

　　　　d. （可选）查看pip是否安装成功：在cmd界面，输入：pip --version

　　　　e. （可选）升级pip：在cmd界面，输入：python -m pip install -U pip setuptools

　　　　f.  用pip安装matplotlib：在cmd界面，输入：python -m pip install matplotlib

1.4 Clion联结Cpp和python

　　1.4.1：CMakeLists.txt的配置：

　　　　用clion新建cpp的project，在CMakeLists.txt中添加以下两句话

　　　　# 添加python.h头文件路径
　　　　include_directories(D:/ProgramFile/Python37/include)
　　　　# 添加python动态链接库文件
　　　　link_libraries(D:/ProgramFile/Python37/libs/python37.lib)

　　　　如下图：

　　1.4.2：main.cpp的配置

　　　　我直接上图吧，如果这个cpp可以运行，那么说明配置成功了。

java版matplotlib，matplotlib4j使用，java中调用matplotlib或者其他python脚本

<dependency>
   <groupId>com.github.sh0nk</groupId>
       <artifactId>matplotlib4j</artifactId>
       <version>0.5.0</version>
</dependency>

 @Test
    public void testPlot() throws IOException, PythonExecutionException, ClassNotFoundException, NoSuchMethodException, illegalaccessexception, InvocationTargetException, InstantiationException {
        Plot plot = Plot.create(PythonConfig.pythonBinPathConfig("D:\\python3.6\\python.exe"));
        plt.plot()
                .add(Arrays.asList(1.3, 2))
                .label("label")
                .linestyle("--");
        plt.xlabel("xlabel");
        plt.ylabel("ylabel");
        plt.text(0.5, 0.2, "text");
        plt.title("Title!");
        plt.legend();
        plt.show();

    }

//拿到plotImpl中用于组装python脚本语句的的registeredBuilders，需要加什么直接添加新的builder就行了
        Field registeredBuildersField = plt.getClass().getDeclaredField("registeredBuilders");
        registeredBuildersField.setAccessible(true);
        List<Builder> registeredBuilders = (List<Builder>) registeredBuildersField.get(plt);

        TicksBuilder ticksBuilder = new TicksBuilder(yList, "yticks", fontSize);
        registeredBuilders.add(ticksBuilder);

import numpy as np
import matplotlib.pyplot as plt
plt.plot(np.array(自己的x数据), np.array(自己的y数据), 'k.', markersize=4)
plt.xlim(0,6000)
plt.ylim(0,24)
plt.yticks(np.arange(0, 25, 1), fontsize=10)
plt.title("waterfall")
plt.show()

		//1. 准备自己的数据 不用管
        List<Float> y_secondList_formatByHours = y_secondList.stream().map(second -> (float)second / 3600).collect(Collectors.toList());

        //2.准备命令行list，逐行命令添加
        List<String> scriptLines = new ArrayList<>();
        scriptLines.add("import numpy as np");
        scriptLines.add("import matplotlib.pyplot as plt");
        scriptLines.add("plt.plot("+"np.array("+x_positionList+"),"+"np.array(" +y_secondList_formatByHours+"),\"k.\",label=\"waterfall\",lw=1.0,markersize=4)");
        scriptLines.add("plt.xlim(0,6000)");
        scriptLines.add("plt.ylim(0,24)");
        scriptLines.add("plt.yticks(np.arange(0, 25, 1), fontsize=10)");
        scriptLines.add("plt.title(\"waterfall\")");
        scriptLines.add("plt.show()");
        //3. 调用matplotlib4j 里面的pycommond对象，传入自己电脑的python路径
        pycommand command = new pycommand(PythonConfig.pythonBinPathConfig("D:\\python3.6\\python.exe"));
        //4. 执行，每次执行会生成临时文件 如C:\Users\ADMINI~1\AppData\Local\Temp\1623292234356-0\exec.py，这个带的日志输出能看到，搞定
        command.execute(Joiner.on('\n').join(scriptLines));

import matplotlib.pylab as plt
import numpy as np

# If you''re not familiar with np.r_, don''t worry too much about this. It''s just 
# a series with points from 0 to 1 spaced at 0.1, and 9 to 10 with the same spacing.
x = np.r_[0:1:0.1, 9:10:0.1]
y = np.sin(x)

fig,(ax,ax2) = plt.subplots(1, 2, sharey=True)

# plot the same data on both axes
ax.plot(x, y, ''bo'')
ax2.plot(x, y, ''bo'')

# zoom-in / limit the view to different portions of the data
ax.set_xlim(0,1) # most of the data
ax2.set_xlim(9,10) # outliers only

# hide the spines between ax and ax2
ax.spines[''right''].set_visible(False)
ax2.spines[''left''].set_visible(False)
ax.yaxis.tick_left()
ax.tick_params(labeltop=''off'') # don''t put tick labels at the top
ax2.yaxis.tick_right()

# Make the spacing between the two axes a bit smaller
plt.subplots_adjust(wspace=0.15)

plt.show()

import matplotlib.pylab as plt
import numpy as np

# If you''re not familiar with np.r_, don''t worry too much about this. It''s just 
# a series with points from 0 to 1 spaced at 0.1, and 9 to 10 with the same spacing.
x = np.r_[0:1:0.1, 9:10:0.1]
y = np.sin(x)

fig,(ax,ax2) = plt.subplots(1, 2, sharey=True)

# plot the same data on both axes
ax.plot(x, y, ''bo'')
ax2.plot(x, y, ''bo'')

# zoom-in / limit the view to different portions of the data
ax.set_xlim(0,1) # most of the data
ax2.set_xlim(9,10) # outliers only

# hide the spines between ax and ax2
ax.spines[''right''].set_visible(False)
ax2.spines[''left''].set_visible(False)
ax.yaxis.tick_left()
ax.tick_params(labeltop=''off'') # don''t put tick labels at the top
ax2.yaxis.tick_right()

# Make the spacing between the two axes a bit smaller
plt.subplots_adjust(wspace=0.15)

# This looks pretty good, and was fairly painless, but you can get that
# cut-out diagonal lines look with just a bit more work. The important
# thing to kNow here is that in axes coordinates, which are always
# between 0-1, spine endpoints are at these locations (0,0), (0,1),
# (1,0), and (1,1). Thus, we just need to put the diagonals in the
# appropriate corners of each of our axes, and so long as we use the
# right transform and disable clipping.

d = .015 # how big to make the diagonal lines in axes coordinates
# arguments to pass plot, just so we don''t keep repeating them
kwargs = dict(transform=ax.transAxes, color=''k'', clip_on=False)
ax.plot((1-d,1+d),(-d,+d), **kwargs) # top-left diagonal
ax.plot((1-d,1+d),(1-d,1+d), **kwargs) # bottom-left diagonal

kwargs.update(transform=ax2.transAxes) # switch to the bottom axes
ax2.plot((-d,d),(-d,+d), **kwargs) # top-right diagonal
ax2.plot((-d,d),(1-d,1+d), **kwargs) # bottom-right diagonal

# What''s cool about this is that Now if we vary the distance between
# ax and ax2 via f.subplots_adjust(hspace=...) or plt.subplot_tool(),
# the diagonal lines will move accordingly, and stay right at the tips
# of the spines they are ''breaking''

plt.show()