GVKun编程网logo

Python - “gray28”颜色转换为 matplotlib 颜色（python变颜色）

1

如果您对Python-“gray28”颜色转换为matplotlib颜色和python变颜色感兴趣，那么这篇文章一定是您不可错过的。我们将详细讲解Python-“gray28”颜色转换为matplot

如果您对Python - “gray28”颜色转换为 matplotlib 颜色和python变颜色感兴趣，那么这篇文章一定是您不可错过的。我们将详细讲解Python - “gray28”颜色转换为 matplotlib 颜色的各种细节，并对python变颜色进行深入的分析，此外还有关于25 个常用 Matplotlib 图的 Python 代码，收藏收藏！、Eclipse 中的 Matplotlib.axes 与 matplotlib.pyplot.axes、Help on module matplotlib.cm in matplotlib:、Jupyterlab / Notebook 中的交互式 matplotlib 图（使用 ipympl 的 %matplotlib 小部件）仅工作一次然后消失的实用技巧。

本文目录一览：

Python - “gray28”颜色转换为 matplotlib 颜色（python变颜色）

Python - “gray28”颜色转换为 matplotlib 颜色（python变颜色）

如何解决Python - “gray28”颜色转换为 matplotlib 颜色

如何将 TKinter 颜色“gray28”转换为 pyplot 中的相同颜色？ 写成“gray28”时它不是有效颜色（从末尾开始的第二行）

    root =Tk()
    root.title(''Dashboard'')
    root.geometry(''1300x690'')
    root.resizable(False,False)

    frame = Frame(root,width=1300,height=690)
    frame.configure(background="gray28")
    frame.pack(fill=BOTH,expand=True)

    frameChartsLT = Frame(root)
    frameChartsLT.place(x=120,y=180)
    frameChartsLT.configure(background="gray28")

    fig = figure()  # create a figure object
    fig.set_facecolor(''xkcd:salmon'')  #Here I want to change to "gray28"
    ax = fig.add_subplot(111)  # add an Axes to the figure

25 个常用 Matplotlib 图的 Python 代码，收藏收藏！

25 个常用 Matplotlib 图的 Python 代码，收藏收藏！

高春辉、王春生、朱峰：关于开源创业的 15 件小事
↑↑↑ 点击上方 蓝字 ，关注 极客猴
如果你喜欢极客猴，可以把我 置顶 或 星标 ~
题图：Photo by Pok Rie from Pexels

作者：zsx_yiyiyi
编辑：python 大本营


大家好， 今天要分享给大家 25 个 Matplotlib 图的汇总，在数据分析和可视化中非常有用，文章较长，可以马起来慢慢练手。

# !pip install brewer2mpl
import numpy  as np
import pandas  as pd
import matplotlib  as mpl
import matplotlib.pyplot  as plt
import seaborn  as sns
import warnings; warnings.filterwarnings(action= ''once'')

large =  22; med =  16; small =  12
params = { ''axes.titlesize'': large,
           ''legend.fontsize'': med,
           ''figure.figsize'': ( 16,  10),
           ''axes.labelsize'': med,
           ''axes.titlesize'': med,
           ''xtick.labelsize'': med,
           ''ytick.labelsize'': med,
           ''figure.titlesize'': large}
plt.rcParams.update(params)
plt.style.use( ''seaborn-whitegrid'')
sns.set_style( "white")
%matplotlib inline

# Version
print(mpl.__version__)   #> 3.0.0
print(sns.__version__)   #> 0.9.0

1. 散点图

Scatteplot 是用于研究两个变量之间关系的经典和基本图。如果数据中有多个组，则可能需要以不同颜色可视化每个组。在 Matplotlib，你可以方便地使用。

# Import dataset 
midwest = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")

# Prepare Data 
# Create as many colors as there are unique midwest[''category'']
categories = np.unique(midwest[ ''category''])
colors = [plt.cm.tab10(i/ float(len(categories)-1))  for i  in range(len(categories))]

# Draw Plot for Each Category
plt.figure(figsize=(16, 10), dpi= 80, facecolor= ''w'', edgecolor= ''k'')

for i, category  in enumerate(categories):
    plt.scatter( ''area'',  ''poptotal'', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=colors[i], label=str(category))

# Decorations
plt.gca(). set(xlim=(0.0, 0.1), ylim=(0, 90000),
              xlabel= ''Area'', ylabel= ''Population'')

plt.xticks(fontsize=12); plt.yticks(fontsize=12)
plt.title( "Scatterplot of Midwest Area vs Population", fontsize=22)
plt.legend(fontsize=12)    
plt.show()    


2. 带边界的气泡图

有时，您希望在边界内显示一组点以强调其重要性。在此示例中，您将从应该被环绕的数据帧中获取记录，并将其传递给下面的代码中描述的记录。encircle ()

from matplotlib  import patches
from scipy.spatial  import ConvexHull
import warnings; warnings.simplefilter( ''ignore'')
sns.set_style( "white")

# Step 1: Prepare Data
midwest = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")

# As many colors as there are unique midwest[''category'']
categories = np.unique(midwest[ ''category''])
colors = [plt.cm.tab10(i/float(len(categories) -1))  for i  in range(len(categories))]

# Step 2: Draw Scatterplot with unique color for each category
fig = plt.figure(figsize=( 16,  10), dpi=  80, facecolor= ''w'', edgecolor= ''k'')    

for i, category  in enumerate(categories):
    plt.scatter( ''area'',  ''poptotal'', data=midwest.loc[midwest.category==category, :], s= ''dot_size'', c=colors[i], label=str(category), edgecolors= ''black'', linewidths= .5)

# Step 3: Encircling
# https://stackoverflow.com/questions/44575681/how-do-i-encircle-different-data-sets-in-scatter-plot
def encircle(x,y, ax=None, **kw):
     if  not ax: ax=plt.gca()
    p = np.c_[x,y]
    hull = ConvexHull(p)
    poly = plt.Polygon(p[hull.vertices,:], **kw)
    ax.add_patch(poly)

# Select data to be encircled
midwest_encircle_data = midwest.loc[midwest.state== ''IN'', :]                         

# Draw polygon surrounding vertices    
encircle(midwest_encircle_data.area, midwest_encircle_data.poptotal, ec= "k", fc= "gold", alpha= 0.1)
encircle(midwest_encircle_data.area, midwest_encircle_data.poptotal, ec= "firebrick", fc= "none", linewidth= 1.5)

# Step 4: Decorations
plt.gca().set(xlim=( 0.0,  0.1), ylim=( 0,  90000),
              xlabel= ''Area'', ylabel= ''Population'')

plt.xticks(fontsize= 12); plt.yticks(fontsize= 12)
plt.title( "Bubble Plot with Encircling", fontsize= 22)
plt.legend(fontsize= 12)    
plt.show()    


3. 带线性回归最佳拟合线的散点图

如果你想了解两个变量如何相互改变，那么最合适的线就是要走的路。下图显示了数据中各组之间最佳拟合线的差异。要禁用分组并仅为整个数据集绘制一条最佳拟合线，请从下面的调用中删除该参数。

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_select = df.loc[df.cyl.isin([4,8]), :]

# Plot
sns.set_style( "white")
gridobj = sns.lmplot(x= "displ", y= "hwy", hue= "cyl", data=df_select, 
                     height=7, aspect=1.6, robust=True, palette=''tab10'', 
                     scatter_kws=dict(s=60, linewidths=.7, edgecolors=''black''))

# Decorations
gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
plt.title( "Scatterplot with line of best fit grouped by number of cylinders", fontsize=20)


每个回归线都在自己的列中

或者，您可以在其自己的列中显示每个组的最佳拟合线。你可以通过在里面设置参数来实现这一点。

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_select = df.loc[df.cyl.isin([4,8]), :]

# Each line in its own column
sns.set_style( "white")
gridobj = sns.lmplot(x= "displ", y= "hwy", 
                     data=df_select, 
                     height=7, 
                     robust=True, 
                     palette=''Set1'', 
                     col= "cyl",
                     scatter_kws=dict(s=60, linewidths=.7, edgecolors=''black''))

# Decorations
gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
plt.show()


4. 抖动图

通常，多个数据点具有完全相同的 X 和 Y 值。结果，多个点相互绘制并隐藏。为避免这种情况，请稍微抖动点，以便您可以直观地看到它们。这很方便使用

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")

# Draw Stripplot
fig, ax = plt.subplots(figsize=(16,10), dpi= 80)    
sns.stripplot(df.cty, df.hwy, jitter=0.25, size=8, ax=ax, linewidth=.5)

# Decorations
plt.title(''Use jittered plots to avoid overlapping of points'', fontsize=22)
plt.show()


5. 计数图

避免点重叠问题的另一个选择是增加点的大小，这取决于该点中有多少点。因此，点的大小越大，周围的点的集中度就越大。

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_counts = df.groupby([ ''hwy'',  ''cty'']).size().reset_index(name= ''counts'')

# Draw Stripplot
fig, ax = plt.subplots(figsize=( 16, 10), dpi=  80)    
sns.stripplot(df_counts.cty, df_counts.hwy, size=df_counts.counts* 2, ax=ax)

# Decorations
plt.title( ''Counts Plot - Size of circle is bigger as more points overlap'', fontsize= 22)
plt.show()


6. 边缘直方图

边缘直方图具有沿 X 和 Y 轴变量的直方图。这用于可视化 X 和 Y 之间的关系以及单独的 X 和 Y 的单变量分布。该图如果经常用于探索性数据分析（EDA）。

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")

# Create Fig and gridspec
fig = plt.figure(figsize=( 16,  10), dpi=  80)
grid = plt.GridSpec( 4,  4, hspace= 0. 5, wspace= 0. 2)

# Define the axes
ax_main = fig.add_subplot(grid[ :-1,  :-1])
ax_right = fig.add_subplot(grid[ :-1, - 1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[- 1,  0:-1], xticklabels=[], yticklabels=[])

# Scatterplot on main ax
ax_main.scatter( ''displ'',  ''hwy'', s=df.cty* 4, c=df.manufacturer.astype( ''category'').cat.codes, alpha=. 9, data=df, cmap= "tab10", edgecolors= ''gray'', linewidths=. 5)

# histogram on the right
ax_bottom.hist(df.displ,  40, histtype= ''stepfilled'', orientation= ''vertical'', color= ''deeppink'')
ax_bottom.invert_yaxis()

# histogram in the bottom
ax_right.hist(df.hwy,  40, histtype= ''stepfilled'', orientation= ''horizontal'', color= ''deeppink'')

# Decorations
ax_main.set(title= ''Scatterplot with Histograms 
 displ vs hwy'', xlabel= ''displ'', ylabel= ''hwy'')
ax_main.title.set_fontsize( 20)
for item  in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
    item.set_fontsize( 14)

xlabels = ax_main.get_xticks().tolist()
ax_main.set_xticklabels(xlabels)
plt.show()


7. 边缘箱形图

边缘箱图与边缘直方图具有相似的用途。然而，箱线图有助于精确定位 X 和 Y 的中位数，第 25 和第 75 百分位数。

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")

# Create Fig and gridspec
fig = plt.figure(figsize=( 16,  10), dpi=  80)
grid = plt.GridSpec( 4,  4, hspace= 0. 5, wspace= 0. 2)

# Define the axes
ax_main = fig.add_subplot(grid[ :-1,  :-1])
ax_right = fig.add_subplot(grid[ :-1, - 1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[- 1,  0:-1], xticklabels=[], yticklabels=[])

# Scatterplot on main ax
ax_main.scatter( ''displ'',  ''hwy'', s=df.cty* 5, c=df.manufacturer.astype( ''category'').cat.codes, alpha=. 9, data=df, cmap= "Set1", edgecolors= ''black'', linewidths=. 5)

# Add a graph in each part
sns.boxplot(df.hwy, ax=ax_right, orient= "v")
sns.boxplot(df.displ, ax=ax_bottom, orient= "h")

# Decorations ------------------
# Remove x axis name for the boxplot
ax_bottom.set(xlabel= '''')
ax_right.set(ylabel= '''')

# Main Title, Xlabel and YLabel
ax_main.set(title= ''Scatterplot with Histograms 
 displ vs hwy'', xlabel= ''displ'', ylabel= ''hwy'')

# Set font size of different components
ax_main.title.set_fontsize( 20)
for item  in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
    item.set_fontsize( 14)

plt.show()


8. 相关图

Correlogram 用于直观地查看给定数据帧（或 2D 数组）中所有可能的数值变量对之间的相关度量。

# Import Dataset
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mtcars.csv")

# Plot
plt.figure(figsize=( 12, 10), dpi=  80)
sns.heatmap(df.corr(), xticklabels=df.corr().columns, yticklabels=df.corr().columns, cmap= ''RdYlGn'', center= 0, annot=True)

# Decorations
plt.title( ''Correlogram of mtcars'', fontsize= 22)
plt.xticks(fontsize= 12)
plt.yticks(fontsize= 12)
plt.show()


9. 矩阵图

成对图是探索性分析中的最爱，以理解所有可能的数字变量对之间的关系。它是双变量分析的必备工具。

# Load Dataset
df = sns.load_dataset(''iris'')

# Plot
plt.figure(figsize=(10,8), dpi= 80)
sns.pairplot(df, kind= "scatter", hue= "species", plot_kws=dict(s=80, edgecolor= "white", linewidth=2.5))
plt.show()


# Load Dataset
df = sns.load_dataset(''iris'')

# Plot
plt.figure(figsize=(10,8), dpi= 80)
sns.pairplot(df, kind= "reg", hue= "species")
plt.show()


偏差

10. 发散型条形图

如果您想根据单个指标查看项目的变化情况，并可视化此差异的顺序和数量，那么发散条是一个很好的工具。它有助于快速区分数据中组的性能，并且非常直观，并且可以立即传达这一点。

# Prepare Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mtcars.csv")
x = df.loc[:, [ ''mpg'']]
df[ ''mpg_z''] = (x - x.mean())/x.std()
df[ ''colors''] = [ ''red''  if x <  0  else  ''green''  for x  in df[ ''mpg_z'']]
df.sort_values( ''mpg_z'', inplace= True)
df.reset_index(inplace= True)

# Draw plot
plt.figure(figsize=( 14, 10), dpi=  80)
plt.hlines(y=df.index, xmin= 0, xmax=df.mpg_z, color=df.colors, alpha= 0.4, linewidth= 5)

# Decorations
plt.gca().set(ylabel= ''$Model$'', xlabel= ''$Mileage$'')
plt.yticks(df.index, df.cars, fontsize= 12)
plt.title( ''Diverging Bars of Car Mileage'', fontdict={ ''size'': 20})
plt.grid(linestyle= ''--'', alpha= 0.5)
plt.show()


11. 发散型文本

分散的文本类似于发散条，如果你想以一种漂亮和可呈现的方式显示图表中每个项目的价值，它更喜欢。

# Prepare Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mtcars.csv")
x = df.loc[:, [ ''mpg'']]
df[ ''mpg_z''] = (x - x.mean())/x.std()
df[ ''colors''] = [ ''red''  if x <  0  else  ''green''  for x  in df[ ''mpg_z'']]
df.sort_values( ''mpg_z'', inplace= True)
df.reset_index(inplace= True)

# Draw plot
plt.figure(figsize=( 14, 14), dpi=  80)
plt.hlines(y=df.index, xmin= 0, xmax=df.mpg_z)
for x, y, tex  in zip(df.mpg_z, df.index, df.mpg_z):
    t = plt.text(x, y, round(tex,  2), horizontalalignment= ''right''  if x <  0  else  ''left'', 
                 verticalalignment= ''center'', fontdict={ ''color'': ''red''  if x <  0  else  ''green'',  ''size'': 14})

# Decorations    
plt.yticks(df.index, df.cars, fontsize= 12)
plt.title( ''Diverging Text Bars of Car Mileage'', fontdict={ ''size'': 20})
plt.grid(linestyle= ''--'', alpha= 0.5)
plt.xlim( -2.5,  2.5)
plt.show()


12. 发散型包点图

发散点图也类似于发散条。然而，与发散条相比，条的不存在减少了组之间的对比度和差异。

# Prepare Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mtcars.csv")
x = df.loc[:, [ ''mpg'']]
df[ ''mpg_z''] = (x - x.mean())/x.std()
df[ ''colors''] = [ ''red''  if x <  0  else  ''darkgreen''  for x  in df[ ''mpg_z'']]
df.sort_values( ''mpg_z'', inplace= True)
df.reset_index(inplace= True)

# Draw plot
plt.figure(figsize=( 14, 16), dpi=  80)
plt.scatter(df.mpg_z, df.index, s= 450, alpha= .6, color=df.colors)
for x, y, tex  in zip(df.mpg_z, df.index, df.mpg_z):
    t = plt.text(x, y, round(tex,  1), horizontalalignment= ''center'', 
                 verticalalignment= ''center'', fontdict={ ''color'': ''white''})

# Decorations
# Lighten borders
plt.gca().spines[ "top"].set_alpha( .3)
plt.gca().spines[ "bottom"].set_alpha( .3)
plt.gca().spines[ "right"].set_alpha( .3)
plt.gca().spines[ "left"].set_alpha( .3)

plt.yticks(df.index, df.cars)
plt.title( ''Diverging Dotplot of Car Mileage'', fontdict={ ''size'': 20})
plt.xlabel( ''$Mileage$'')
plt.grid(linestyle= ''--'', alpha= 0.5)
plt.xlim( -2.5,  2.5)
plt.show()


13. 带标记的发散型棒棒糖图

带标记的棒棒糖通过强调您想要引起注意的任何重要数据点并在图表中适当地给出推理，提供了一种可视化分歧的灵活方式。

# Prepare Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mtcars.csv")
x = df.loc[:, [ ''mpg'']]
df[ ''mpg_z''] = (x - x.mean())/x.std()
df[ ''colors''] =  ''black''

# color fiat differently
df.loc[df.cars ==  ''Fiat X1-9'',  ''colors''] =  ''darkorange''
df.sort_values( ''mpg_z'', inplace= True)
df.reset_index(inplace= True)


# Draw plot
import matplotlib.patches  as patches

plt.figure(figsize=( 14, 16), dpi=  80)
plt.hlines(y=df.index, xmin= 0, xmax=df.mpg_z, color=df.colors, alpha= 0.4, linewidth= 1)
plt.scatter(df.mpg_z, df.index, color=df.colors, s=[ 600  if x ==  ''Fiat X1-9''  else  300  for x  in df.cars], alpha= 0.6)
plt.yticks(df.index, df.cars)
plt.xticks(fontsize= 12)

# Annotate
plt.annotate( ''Mercedes Models'', xy=( 0.0,  11.0), xytext=( 1.0,  11), xycoords= ''data'', 
            fontsize= 15, ha= ''center'', va= ''center'',
            bbox=dict(boxstyle= ''square'', fc= ''firebrick''),
            arrowprops=dict(arrowstyle= ''-[, widthB=2.0, lengthB=1.5'', lw= 2.0, color= ''steelblue''), color= ''white'')

# Add Patches
p1 = patches.Rectangle(( -2.0,  -1), width= .3, height= 3, alpha= .2, facecolor= ''red'')
p2 = patches.Rectangle(( 1.5,  27), width= .8, height= 5, alpha= .2, facecolor= ''green'')
plt.gca().add_patch(p1)
plt.gca().add_patch(p2)

# Decorate
plt.title( ''Diverging Bars of Car Mileage'', fontdict={ ''size'': 20})
plt.grid(linestyle= ''--'', alpha= 0.5)
plt.show()


14. 面积图

通过对轴和线之间的区域进行着色，区域图不仅强调峰值和低谷，而且还强调高点和低点的持续时间。高点持续时间越长，线下面积越大。

import numpy  as np
import pandas  as pd

# Prepare Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/economics.csv", parse_dates=[ ''date'']).head( 100)
x = np.arange(df.shape[ 0])
y_returns = (df.psavert.diff().fillna( 0)/df.psavert.shift( 1)).fillna( 0) *  100

# Plot
plt.figure(figsize=( 16, 10), dpi=  80)
plt.fill_between(x[ 1:], y_returns[ 1:],  0, where=y_returns[ 1:] >=  0, facecolor= ''green'', interpolate= True, alpha= 0.7)
plt.fill_between(x[ 1:], y_returns[ 1:],  0, where=y_returns[ 1:] <=  0, facecolor= ''red'', interpolate= True, alpha= 0.7)

# Annotate
plt.annotate( ''Peak 
1975'', xy=( 94.0,  21.0), xytext=( 88.0,  28),
             bbox=dict(boxstyle= ''square'', fc= ''firebrick''),
             arrowprops=dict(facecolor= ''steelblue'', shrink= 0.05), fontsize= 15, color= ''white'')


# Decorations
xtickvals = [str(m)[: 3].upper()+ "-"+str(y)  for y,m  in zip(df.date.dt.year, df.date.dt.month_name())]
plt.gca().set_xticks(x[:: 6])
plt.gca().set_xticklabels(xtickvals[:: 6], rotation= 90, fontdict={ ''horizontalalignment'':  ''center'',  ''verticalalignment'':  ''center_baseline''})
plt.ylim( -35, 35)
plt.xlim( 1, 100)
plt.title( "Month Economics Return %", fontsize= 22)
plt.ylabel( ''Monthly returns %'')
plt.grid(alpha= 0.5)
plt.show()


15. 有序条形图

有序条形图有效地传达了项目的排名顺序。但是，在图表上方添加度量标准的值，用户可以从图表本身获取精确信息。

# Prepare Data
df_raw = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")
df = df_raw[[ ''cty'',  ''manufacturer'']].groupby( ''manufacturer'').apply( lambda x: x.mean())
df.sort_values( ''cty'', inplace= True)
df.reset_index(inplace= True)

# Draw plot
import matplotlib.patches  as patches

fig, ax = plt.subplots(figsize=( 16, 10), facecolor= ''white'', dpi=  80)
ax.vlines(x=df.index, ymin= 0, ymax=df.cty, color= ''firebrick'', alpha= 0.7, linewidth= 20)

# Annotate Text
for i, cty  in enumerate(df.cty):
    ax.text(i, cty+ 0.5, round(cty,  1), horizontalalignment= ''center'')


# Title, Label, Ticks and Ylim
ax.set_title( ''Bar Chart for Highway Mileage'', fontdict={ ''size'': 22})
ax.set(ylabel= ''Miles Per Gallon'', ylim=( 0,  30))
plt.xticks(df.index, df.manufacturer.str.upper(), rotation= 60, horizontalalignment= ''right'', fontsize= 12)

# Add patches to color the X axis labels
p1 = patches.Rectangle(( .57,  -0.005), width= .33, height= .13, alpha= .1, facecolor= ''green'', transform=fig.transFigure)
p2 = patches.Rectangle(( .124,  -0.005), width= .446, height= .13, alpha= .1, facecolor= ''red'', transform=fig.transFigure)
fig.add_artist(p1)
fig.add_artist(p2)
plt.show()


16. 棒棒糖图

棒棒糖图表以一种视觉上令人愉悦的方式提供与有序条形图类似的目的。

# Prepare Data
df_raw = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")
df = df_raw[[ ''cty'',  ''manufacturer'']].groupby( ''manufacturer'').apply( lambda x: x.mean())
df.sort_values( ''cty'', inplace= True)
df.reset_index(inplace= True)

# Draw plot
fig, ax = plt.subplots(figsize=( 16, 10), dpi=  80)
ax.vlines(x=df.index, ymin= 0, ymax=df.cty, color= ''firebrick'', alpha= 0.7, linewidth= 2)
ax.scatter(x=df.index, y=df.cty, s= 75, color= ''firebrick'', alpha= 0.7)

# Title, Label, Ticks and Ylim
ax.set_title( ''Lollipop Chart for Highway Mileage'', fontdict={ ''size'': 22})
ax.set_ylabel( ''Miles Per Gallon'')
ax.set_xticks(df.index)
ax.set_xticklabels(df.manufacturer.str.upper(), rotation= 60, fontdict={ ''horizontalalignment'':  ''right'',  ''size'': 12})
ax.set_ylim( 0,  30)

# Annotate
for row  in df.itertuples():
    ax.text(row.Index, row.cty+ .5, s=round(row.cty,  2), horizontalalignment=  ''center'', verticalalignment= ''bottom'', fontsize= 14)

plt.show()


17. 包点图

点图表传达了项目的排名顺序。由于它沿水平轴对齐，因此您可以更容易地看到点彼此之间的距离。

# Prepare Data
df_raw = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")
df = df_raw[[ ''cty'',  ''manufacturer'']].groupby( ''manufacturer'').apply( lambda x: x.mean())
df.sort_values( ''cty'', inplace= True)
df.reset_index(inplace= True)

# Draw plot
fig, ax = plt.subplots(figsize=( 16, 10), dpi=  80)
ax.hlines(y=df.index, xmin= 11, xmax= 26, color= ''gray'', alpha= 0.7, linewidth= 1, linestyles= ''dashdot'')
ax.scatter(y=df.index, x=df.cty, s= 75, color= ''firebrick'', alpha= 0.7)

# Title, Label, Ticks and Ylim
ax.set_title( ''Dot Plot for Highway Mileage'', fontdict={ ''size'': 22})
ax.set_xlabel( ''Miles Per Gallon'')
ax.set_yticks(df.index)
ax.set_yticklabels(df.manufacturer.str.title(), fontdict={ ''horizontalalignment'':  ''right''})
ax.set_xlim( 10,  27)
plt.show()


18. 坡度图

斜率图最适合比较给定人 / 项目的 “之前” 和 “之后” 位置。

import matplotlib.lines  as mlines
# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/gdppercap.csv")

left_label = [str(c) +  '', ''+ str(round(y))  for c,  y in zip(df.continent, df[''1952''])]
right_label = [str(c) +  '', ''+ str(round(y))  for c,  y in zip(df.continent, df[''1957''])]
klass = [ ''red''  if (y1-y2) <  0  else  ''green''  for y1,  y2 in zip(df[''1952''], df[''1957''])]

# draw line
# https://stackoverflow.com/questions/36470343/how-to-draw-a-line-with-matplotlib/36479941
def newline(p1, p2, color=''black''):
    ax = plt.gca()
    l = mlines.Line2D([p1[ 0],p2[ 0]], [p1[ 1],p2[ 1]], color= ''red''  if p1[ 1]-p2[ 1] >  0  else  ''green'', marker= ''o'', markersize= 6)
    ax.add_line(l)
     return l

fig, ax = plt.subplots( 1, 1,figsize=( 14, 14), dpi=  80)

# Vertical Lines
ax.vlines(x= 1, ymin= 500, ymax= 13000, color= ''black'', alpha= 0.7, linewidth= 1, linestyles= ''dotted'')
ax.vlines(x= 3, ymin= 500, ymax= 13000, color= ''black'', alpha= 0.7, linewidth= 1, linestyles= ''dotted'')

# Points
ax.scatter(y=df[ ''1952''], x=np.repeat( 1, df.shape[ 0]), s= 10, color= ''black'', alpha= 0.7)
ax.scatter(y=df[ ''1957''], x=np.repeat( 3, df.shape[ 0]), s= 10, color= ''black'', alpha= 0.7)

# Line Segmentsand Annotation
for p1, p2,  c in zip(df[''1952''], df[''1957''], df[''continent'']):
    newline([1,p1], [3,p2])
    ax.text(1-0.05, p1, c + '', '' + str(round(p1)), horizontalalignment= ''right'', verticalalignment= ''center'', fontdict={ ''size'': 14})
    ax.text( 3+ 0.05, p2, c +  '', '' + str(round(p2)), horizontalalignment= ''left'', verticalalignment= ''center'', fontdict={ ''size'': 14})

# ''Before'' and ''After'' Annotations
ax.text( 1-0.05,  13000,  ''BEFORE'', horizontalalignment= ''right'', verticalalignment= ''center'', fontdict={ ''size'': 18,  ''weight'': 700})
ax.text( 3+ 0.05,  13000,  ''AFTER'', horizontalalignment= ''left'', verticalalignment= ''center'', fontdict={ ''size'': 18,  ''weight'': 700})

# Decoration
ax.set_title( "Slopechart: Comparing GDP Per Capita between 1952 vs 1957", fontdict={ ''size'': 22})
ax. set(xlim=( 0, 4), ylim=( 0, 14000), ylabel= ''Mean GDP Per Capita'')
ax.set_xticks([ 1, 3])
ax.set_xticklabels([ "1952",  "1957"])
plt.yticks(np.arange( 500,  13000,  2000), fontsize= 12)

# Lighten borders
plt.gca().spines[ "top"].set_alpha( .0)
plt.gca().spines[ "bottom"].set_alpha( .0)
plt.gca().spines[ "right"].set_alpha( .0)
plt.gca().spines[ "left"].set_alpha( .0)
plt.show()


19. 哑铃图

哑铃图传达各种项目的 “前” 和 “后” 位置以及项目的排序。如果您想要将特定项目 / 计划对不同对象的影响可视化，那么它非常有用。

import matplotlib.lines  as mlines

# Import Data
df = pd.read_csv( "https://raw.githubusercontent.com/selva86/datasets/master/health.csv")
df.sort_values( ''pct_2014'', inplace= True)
df.reset_index(inplace= True)

# Func to draw line segment
def newline(p1, p2, color=''black''):
    ax = plt.gca()
    l = mlines.Line2D([p1[ 0],p2[ 0]], [p1[ 1],p2[ 1]], color= ''skyblue'')
    ax.add_line(l)
     return l

# Figure and Axes
fig, ax = plt.subplots( 1, 1,figsize=( 14, 14), facecolor= ''#f7f7f7'', dpi=  80)

# Vertical Lines
ax.vlines(x= .05, ymin= 0, ymax= 26, color= ''black'', alpha= 1, linewidth= 1, linestyles= ''dotted'')
ax.vlines(x= .10, ymin= 0, ymax= 26, color= ''black'', alpha= 1, linewidth= 1, linestyles= ''dotted'')
ax.vlines(x= .15, ymin= 0, ymax= 26, color= ''black'', alpha= 1, linewidth= 1, linestyles= ''dotted'')
ax.vlines(x= .20, ymin= 0, ymax= 26, color= ''black'', alpha= 1, linewidth= 1, linestyles= ''dotted'')

# Points
ax.scatter(y=df[ ''index''], x=df[ ''pct_2013''], s= 50, color= ''#0e668b'', alpha= 0.7)
ax.scatter(y=df[ ''index''], x=df[ ''pct_2014''], s= 50, color= ''#a3c4dc'', alpha= 0.7)

# Line Segments
for i, p1, p2  in zip(df[ ''index''], df[ ''pct_2013''], df[ ''pct_2014'']):
    newline([p1, i], [p2, i])

# Decoration
ax.set_facecolor( ''#f7f7f7'')
ax.set_title( "Dumbell Chart: Pct Change - 2013 vs 2014", fontdict={ ''size'': 22})
ax.set(xlim=( 0, .25), ylim=( -1,  27), ylabel= ''Mean GDP Per Capita'')
ax.set_xticks([ .05,  .1,  .15,  .20])
ax.set_xticklabels([ ''5%'',  ''15%'',  ''20%'',  ''25%''])
ax.set_xticklabels([ ''5%'',  ''15%'',  ''20%'',  ''25%''])    
plt.show()



20. 连续变量的直方图

直方图显示给定变量的频率分布。下面的表示基于分类变量对频率条进行分组，从而更好地了解连续变量和串联变量。

# Import Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Prepare data
x_var =  ''displ''
groupby_var =  ''class''
df_agg = df.loc[:, [x_var, groupby_var]].groupby(groupby_var)
vals = [df[x_var].values.tolist()  for i, df  in df_agg]

# Draw
plt.figure(figsize=( 16, 9), dpi=  80)
colors = [plt.cm.Spectral(i/ float(len(vals) -1))  for i in range(len(vals))]
n, bins, patches = plt.hist(vals,  30, stacked=True, density=False, color=colors[:len(vals)])

# Decoration
plt.legend({ group:col  for  group,  col in zip(np.unique(df[groupby_var]).tolist(), colors[:len(vals)])})
plt.title(f"Stacked Histogram of ${x_var}$ colored by ${groupby_var}$", fontsize=22)
plt.xlabel(x_var)
plt.ylabel("Frequency")
plt.ylim(0, 25)
plt.xticks(ticks=bins[::3], labels=[round(b,1) for b in bins[::3]])
plt.show()



21. 类型变量的直方图

分类变量的直方图显示该变量的频率分布。通过对条形图进行着色，您可以将分布与表示颜色的另一个分类变量相关联。

# Import Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Prepare data
x_var =  ''manufacturer''
groupby_var =  ''class''
df_agg = df.loc[:, [x_var, groupby_var]].groupby(groupby_var)
vals = [df[x_var].values.tolist()  for i, df  in df_agg]

# Draw
plt.figure(figsize=( 16, 9), dpi=  80)
colors = [plt.cm.Spectral(i/ float(len(vals) -1))  for i in range(len(vals))]
n, bins, patches = plt.hist(vals, df[x_var].unique().__len__(), stacked=True, density=False, color=colors[:len(vals)])

# Decoration
plt.legend({ group:col  for  group,  col in zip(np.unique(df[groupby_var]).tolist(), colors[:len(vals)])})
plt.title(f"Stacked Histogram of ${x_var}$ colored by ${groupby_var}$", fontsize=22)
plt.xlabel(x_var)
plt.ylabel("Frequency")
plt.ylim(0, 40)
plt.xticks(ticks=bins, labels=np.unique(df[x_var]).tolist(), rotation= 90, horizontalalignment= ''left'')
plt.show()


22. 密度图

密度图是一种常用工具，可视化连续变量的分布。通过 “响应” 变量对它们进行分组，您可以检查 X 和 Y 之间的关系。以下情况，如果出于代表性目的来描述城市里程的分布如何随着汽缸数的变化而变化。

# Import Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Draw Plot
plt.figure(figsize=( 16, 10), dpi=  80)
sns.kdeplot(df.loc[df[ ''cyl''] ==  4,  "cty"], shade= True, color= "g", label= "Cyl=4", alpha= .7)
sns.kdeplot(df.loc[df[ ''cyl''] ==  5,  "cty"], shade= True, color= "deeppink", label= "Cyl=5", alpha= .7)
sns.kdeplot(df.loc[df[ ''cyl''] ==  6,  "cty"], shade= True, color= "dodgerblue", label= "Cyl=6", alpha= .7)
sns.kdeplot(df.loc[df[ ''cyl''] ==  8,  "cty"], shade= True, color= "orange", label= "Cyl=8", alpha= .7)

# Decoration
plt.title( ''Density Plot of City Mileage by n_Cylinders'', fontsize= 22)
plt.legend()



23. 直方密度线图

带有直方图的密度曲线将两个图表传达的集体信息汇集在一起，这样您就可以将它们放在一个图形而不是两个图形中。

# Import Data
df = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Draw Plot
plt.figure(figsize=(13,10), dpi= 80)
sns.distplot(df.loc[df[ ''class''] ==  ''compact'',  "cty"], color= "dodgerblue", label= "Compact", hist_kws={ ''alpha'':.7}, kde_kws={ ''linewidth'':3})
sns.distplot(df.loc[df[ ''class''] ==  ''suv'',  "cty"], color= "orange", label= "SUV", hist_kws={ ''alpha'':.7}, kde_kws={ ''linewidth'':3})
sns.distplot(df.loc[df[ ''class''] ==  ''minivan'',  "cty"], color= "g", label= "minivan", hist_kws={ ''alpha'':.7}, kde_kws={ ''linewidth'':3})
plt.ylim(0, 0.35)

# Decoration
plt.title( ''Density Plot of City Mileage by Vehicle Type'', fontsize=22)
plt.legend()
plt.show()



24. Joy Plot

Joy Plot 允许不同组的密度曲线重叠，这是一种可视化相对于彼此的大量组的分布的好方法。它看起来很悦目，并清楚地传达了正确的信息。它可以使用 joypy 基于的包来轻松构建 matplotlib。

# !pip install joypy
# Import Data
mpg = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")

# Draw Plot
plt.figure(figsize=( 16, 10), dpi=  80)
fig, axes = joypy.joyplot(mpg, column=[ ''hwy'',  ''cty''],  by= "class", ylim= ''own'', figsize=( 14, 10))

# Decoration
plt.title( ''Joy Plot of City and Highway Mileage by Class'', fontsize= 22)
plt.show()



25. 分布式点图

分布点图显示按组分割的点的单变量分布。点数越暗，该区域的数据点集中度越高。通过对中位数进行不同着色，组的真实定位立即变得明显。

import matplotlib.patches  as mpatches

# Prepare Data
df_raw = pd.read_csv( "https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv")
cyl_colors = { 4: ''tab:red'',  5: ''tab:green'',  6: ''tab:blue'',  8: ''tab:orange''}
df_raw[ ''cyl_color''] = df_raw.cyl.map(cyl_colors)

# Mean and Median city mileage by make
df = df_raw[[ ''cty'',  ''manufacturer'']].groupby( ''manufacturer'').apply( lambda x: x.mean())
df.sort_values( ''cty'', ascending= False, inplace= True)
df.reset_index(inplace= True)
df_median = df_raw[[ ''cty'',  ''manufacturer'']].groupby( ''manufacturer'').apply( lambda x: x.median())

# Draw horizontal lines
fig, ax = plt.subplots(figsize=( 16, 10), dpi=  80)
ax.hlines(y=df.index, xmin= 0, xmax= 40, color= ''gray'', alpha= 0.5, linewidth= .5, linestyles= ''dashdot'')

# Draw the Dots
for i, make  in enumerate(df.manufacturer):
    df_make = df_raw.loc[df_raw.manufacturer==make, :]
    ax.scatter(y=np.repeat(i, df_make.shape[ 0]), x= ''cty'', data=df_make, s= 75, edgecolors= ''gray'', c= ''w'', alpha= 0.5)
    ax.scatter(y=i, x= ''cty'', data=df_median.loc[df_median.index==make, :], s= 75, c= ''firebrick'')

# Annotate    
ax.text( 33,  13,  "$red ; dots ; are ; the : median$", fontdict={ ''size'': 12}, color= ''firebrick'')

# Decorations
red_patch = plt.plot([],[], marker= "o", ms= 10, ls= "", mec= None, color= ''firebrick'', label= "Median")
plt.legend(handles=red_patch)
ax.set_title( ''Distribution of City Mileage by Make'', fontdict={ ''size'': 22})
ax.set_xlabel( ''Miles Per Gallon (City)'', alpha= 0.7)
ax.set_yticks(df.index)
ax.set_yticklabels(df.manufacturer.str.title(), fontdict={ ''horizontalalignment'':  ''right''}, alpha= 0.7)
ax.set_xlim( 1,  40)
plt.xticks(alpha= 0.7)
plt.gca().spines[ "top"].set_visible( False)    
plt.gca().spines[ "bottom"].set_visible( False)    
plt.gca().spines[ "right"].set_visible( False)    
plt.gca().spines[ "left"].set_visible( False)   
plt.grid(axis= ''both'', alpha= .4, linewidth= .1)
plt.show()


[完]

▼   往期精彩回顾  ▼

1、GitHub 发布重磅更新：你电脑上的 IDE 可以删了？！

2、B 站上爆红的数学视频，居然是用基于 Python 的这个开源项目做的

3、60 个相见恨晚的神器工具

4、这些绘制炫酷地图的方法，你了解多少？


不日进，则日退


你点的每个赞，我都认真当成了喜欢

本文分享自微信公众号 - 极客猴（Geek_monkey）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与 “OSC 源创计划”，欢迎正在阅读的你也加入，一起分享。

Eclipse 中的 Matplotlib.axes 与 matplotlib.pyplot.axes

Eclipse 中的 Matplotlib.axes 与 matplotlib.pyplot.axes

如何解决Eclipse 中的 Matplotlib.axes 与 matplotlib.pyplot.axes

我试图理解为什么我的代码无法在 Eclipse IDE 中使用“.”运算符完成，即使代码运行成功。代码如下：

import matplotlib.pyplot as plt

# I can use either of these and get the same result. 
# ax = plt.subplot()                            #(1)
ax = plt.gca()                                  #(2) 

ax.plot(people,total_cost,color = ''red'')      #(3)
ax.set_xlabel(''# People'')                       #(4)
ax.set_ylabel(''Cost\\n(Parking)\\t(ticket)'')      #(5)

我不明白的是，虽然语句 (4) 和 (5) 相应地绘制了图形，但 ''ax'' 的属性根本不是来自 ''pyplot.axes'' 类，而是来自 ''matplotlib.axes'' 类。轴类。语句(3)是来自pyplot.axes的调用

接下来就是问题了。

  1. 为什么我不能使用“.”运算符来完成代码，即使每个在 (3)、(4) 和 (5) 中都是有效的语句？

2 虽然 ‘ax’ 可以定义为来自 ‘pyplot.axes’ 类的 (1) 或 (2)，但语句 (3) 来自 ‘matplotlib.axes’ 类。那么如何成功调用两个类而不声明一个类作为 (1) 或 (2) 的结果？

  1. 就像注释一样，“matplotlib.axes”和“matplotlib.pyplot.axes”的参数似乎相同。

感谢您的帮助。

matplotlib.pyplot.plot https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.plot.html

matplotlib.pyplot.axes https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.axes.html

matplotlib.axes https://matplotlib.org/stable/api/axes_api.html

解决方法

matplotlib.pyplot.axes 是一个函数，而不是一个类。它创建 matplotlib.axes.Axes 类的一个实例，将其添加到当前图形，并使其成为当前轴。

matplotlib.axes 是一个模块，而不是一个类。它包含 matplotlib.axes.Axes 类，当您调用函数来创建 Axes 实例时会创建该类，例如 plt.subplots()、fig.add_axes()、plt.gca() 等。>

因此，无论您使用哪种方法 (1) 或 (2)，您的 ax 都将是一个 matplotlib.axes.Axes 实例。

Help on module matplotlib.cm in matplotlib:

Help on module matplotlib.cm in matplotlib:

Help on module matplotlib.cm in matplotlib:

NAME
matplotlib.cm

FILE
d:\programdata\anaconda2\lib\site-packages\matplotlib\cm.py

DESCRIPTION
This module provides a large set of colormaps, functions for
registering new colormaps and for getting a colormap by name,
and a mixin class for adding color mapping functionality.

CLASSES
__builtin__.object
ScalarMappable

class ScalarMappable(__builtin__.object)
| This is a mixin class to support scalar data to RGBA mapping.
| The ScalarMappable makes use of data normalization before returning
| RGBA colors from the given colormap.
|
| Methods defined here:
|
| __init__(self, norm=None, cmap=None)
| Parameters
| ----------
| norm : :class:`matplotlib.colors.Normalize` instance
| The normalizing object which scales data, typically into the
| interval ``[0, 1]``.
| If *None*, *norm* defaults to a *colors.Normalize* object which
| initializes its scaling based on the first data processed.
| cmap : str or :class:`~matplotlib.colors.Colormap` instance
| The colormap used to map normalized data values to RGBA colors.
|
| add_checker(self, checker)
| Add an entry to a dictionary of boolean flags
| that are set to True when the mappable is changed.
|
| autoscale(self)
| Autoscale the scalar limits on the norm instance using the
| current array
|
| autoscale_None(self)
| Autoscale the scalar limits on the norm instance using the
| current array, changing only limits that are None
|
| changed(self)
| Call this whenever the mappable is changed to notify all the
| callbackSM listeners to the ''changed'' signal
|
| check_update(self, checker)
| If mappable has changed since the last check,
| return True; else return False
|
| get_array(self)
| Return the array
|
| get_clim(self)
| return the min, max of the color limits for image scaling
|
| get_cmap(self)
| return the colormap
|
| set_array(self, A)
| Set the image array from numpy array *A*.
|
| ..
| ACCEPTS: ndarray
|
| Parameters
| ----------
| A : ndarray
|
| set_clim(self, vmin=None, vmax=None)
| set the norm limits for image scaling; if *vmin* is a length2
| sequence, interpret it as ``(vmin, vmax)`` which is used to
| support setp
|
| ACCEPTS: a length 2 sequence of floats
|
| set_cmap(self, cmap)
| set the colormap for luminance data
|
| ACCEPTS: a colormap or registered colormap name
|
| set_norm(self, norm)
| Set the normalization instance.
|
| ..
| ACCEPTS: `~.Normalize`
|
| Parameters
| ----------
| norm : `~.Normalize`
|
| to_rgba(self, x, alpha=None, bytes=False, norm=True)
| Return a normalized rgba array corresponding to *x*.
|
| In the normal case, *x* is a 1-D or 2-D sequence of scalars, and
| the corresponding ndarray of rgba values will be returned,
| based on the norm and colormap set for this ScalarMappable.
|
| There is one special case, for handling images that are already
| rgb or rgba, such as might have been read from an image file.
| If *x* is an ndarray with 3 dimensions,
| and the last dimension is either 3 or 4, then it will be
| treated as an rgb or rgba array, and no mapping will be done.
| The array can be uint8, or it can be floating point with
| values in the 0-1 range; otherwise a ValueError will be raised.
| If it is a masked array, the mask will be ignored.
| If the last dimension is 3, the *alpha* kwarg (defaulting to 1)
| will be used to fill in the transparency. If the last dimension
| is 4, the *alpha* kwarg is ignored; it does not
| replace the pre-existing alpha. A ValueError will be raised
| if the third dimension is other than 3 or 4.
|
| In either case, if *bytes* is *False* (default), the rgba
| array will be floats in the 0-1 range; if it is *True*,
| the returned rgba array will be uint8 in the 0 to 255 range.
|
| If norm is False, no normalization of the input data is
| performed, and it is assumed to be in the range (0-1).
|
| ----------------------------------------------------------------------
| Data descriptors defined here:
|
| __dict__
| dictionary for instance variables (if defined)
|
| __weakref__
| list of weak references to the object (if defined)

FUNCTIONS
get_cmap(name=None, lut=None)
Get a colormap instance, defaulting to rc values if *name* is None.

Colormaps added with :func:`register_cmap` take precedence over
built-in colormaps.

If *name* is a :class:`matplotlib.colors.Colormap` instance, it will be
returned.

If *lut* is not None it must be an integer giving the number of
entries desired in the lookup table, and *name* must be a standard
mpl colormap name.

register_cmap(name=None, cmap=None, data=None, lut=None)
Add a colormap to the set recognized by :func:`get_cmap`.

It can be used in two ways::

register_cmap(name=''swirly'', cmap=swirly_cmap)

register_cmap(name=''choppy'', data=choppydata, lut=128)

In the first case, *cmap* must be a :class:`matplotlib.colors.Colormap`
instance. The *name* is optional; if absent, the name will
be the :attr:`~matplotlib.colors.Colormap.name` attribute of the *cmap*.

In the second case, the three arguments are passed to
the :class:`~matplotlib.colors.LinearSegmentedColormap` initializer,
and the resulting colormap is registered.

revcmap(data)
Can only handle specification *data* in dictionary format.

DATA
Accent = <matplotlib.colors.ListedColormap object>
Accent_r = <matplotlib.colors.ListedColormap object>
Blues = <matplotlib.colors.LinearSegmentedColormap object>
Blues_r = <matplotlib.colors.LinearSegmentedColormap object>
BrBG = <matplotlib.colors.LinearSegmentedColormap object>
BrBG_r = <matplotlib.colors.LinearSegmentedColormap object>
BuGn = <matplotlib.colors.LinearSegmentedColormap object>
BuGn_r = <matplotlib.colors.LinearSegmentedColormap object>
BuPu = <matplotlib.colors.LinearSegmentedColormap object>
BuPu_r = <matplotlib.colors.LinearSegmentedColormap object>
CMRmap = <matplotlib.colors.LinearSegmentedColormap object>
CMRmap_r = <matplotlib.colors.LinearSegmentedColormap object>
Dark2 = <matplotlib.colors.ListedColormap object>
Dark2_r = <matplotlib.colors.ListedColormap object>
GnBu = <matplotlib.colors.LinearSegmentedColormap object>
GnBu_r = <matplotlib.colors.LinearSegmentedColormap object>
Greens = <matplotlib.colors.LinearSegmentedColormap object>
Greens_r = <matplotlib.colors.LinearSegmentedColormap object>
Greys = <matplotlib.colors.LinearSegmentedColormap object>
Greys_r = <matplotlib.colors.LinearSegmentedColormap object>
LUTSIZE = 256
OrRd = <matplotlib.colors.LinearSegmentedColormap object>
OrRd_r = <matplotlib.colors.LinearSegmentedColormap object>
Oranges = <matplotlib.colors.LinearSegmentedColormap object>
Oranges_r = <matplotlib.colors.LinearSegmentedColormap object>
PRGn = <matplotlib.colors.LinearSegmentedColormap object>
PRGn_r = <matplotlib.colors.LinearSegmentedColormap object>
Paired = <matplotlib.colors.ListedColormap object>
Paired_r = <matplotlib.colors.ListedColormap object>
Pastel1 = <matplotlib.colors.ListedColormap object>
Pastel1_r = <matplotlib.colors.ListedColormap object>
Pastel2 = <matplotlib.colors.ListedColormap object>
Pastel2_r = <matplotlib.colors.ListedColormap object>
PiYG = <matplotlib.colors.LinearSegmentedColormap object>
PiYG_r = <matplotlib.colors.LinearSegmentedColormap object>
PuBu = <matplotlib.colors.LinearSegmentedColormap object>
PuBuGn = <matplotlib.colors.LinearSegmentedColormap object>
PuBuGn_r = <matplotlib.colors.LinearSegmentedColormap object>
PuBu_r = <matplotlib.colors.LinearSegmentedColormap object>
PuOr = <matplotlib.colors.LinearSegmentedColormap object>
PuOr_r = <matplotlib.colors.LinearSegmentedColormap object>
PuRd = <matplotlib.colors.LinearSegmentedColormap object>
PuRd_r = <matplotlib.colors.LinearSegmentedColormap object>
Purples = <matplotlib.colors.LinearSegmentedColormap object>
Purples_r = <matplotlib.colors.LinearSegmentedColormap object>
RdBu = <matplotlib.colors.LinearSegmentedColormap object>
RdBu_r = <matplotlib.colors.LinearSegmentedColormap object>
RdGy = <matplotlib.colors.LinearSegmentedColormap object>
RdGy_r = <matplotlib.colors.LinearSegmentedColormap object>
RdPu = <matplotlib.colors.LinearSegmentedColormap object>
RdPu_r = <matplotlib.colors.LinearSegmentedColormap object>
RdYlBu = <matplotlib.colors.LinearSegmentedColormap object>
RdYlBu_r = <matplotlib.colors.LinearSegmentedColormap object>
RdYlGn = <matplotlib.colors.LinearSegmentedColormap object>
RdYlGn_r = <matplotlib.colors.LinearSegmentedColormap object>
Reds = <matplotlib.colors.LinearSegmentedColormap object>
Reds_r = <matplotlib.colors.LinearSegmentedColormap object>
Set1 = <matplotlib.colors.ListedColormap object>
Set1_r = <matplotlib.colors.ListedColormap object>
Set2 = <matplotlib.colors.ListedColormap object>
Set2_r = <matplotlib.colors.ListedColormap object>
Set3 = <matplotlib.colors.ListedColormap object>
Set3_r = <matplotlib.colors.ListedColormap object>
Spectral = <matplotlib.colors.LinearSegmentedColormap object>
Spectral_r = <matplotlib.colors.LinearSegmentedColormap object>
Vega10 = <matplotlib.colors.ListedColormap object>
Vega10_r = <matplotlib.colors.ListedColormap object>
Vega20 = <matplotlib.colors.ListedColormap object>
Vega20_r = <matplotlib.colors.ListedColormap object>
Vega20b = <matplotlib.colors.ListedColormap object>
Vega20b_r = <matplotlib.colors.ListedColormap object>
Vega20c = <matplotlib.colors.ListedColormap object>
Vega20c_r = <matplotlib.colors.ListedColormap object>
Wistia = <matplotlib.colors.LinearSegmentedColormap object>
Wistia_r = <matplotlib.colors.LinearSegmentedColormap object>
YlGn = <matplotlib.colors.LinearSegmentedColormap object>
YlGnBu = <matplotlib.colors.LinearSegmentedColormap object>
YlGnBu_r = <matplotlib.colors.LinearSegmentedColormap object>
YlGn_r = <matplotlib.colors.LinearSegmentedColormap object>
YlOrBr = <matplotlib.colors.LinearSegmentedColormap object>
YlOrBr_r = <matplotlib.colors.LinearSegmentedColormap object>
YlOrRd = <matplotlib.colors.LinearSegmentedColormap object>
YlOrRd_r = <matplotlib.colors.LinearSegmentedColormap object>
absolute_import = _Feature((2, 5, 0, ''alpha'', 1), (3, 0, 0, ''alpha'', 0...
afmhot = <matplotlib.colors.LinearSegmentedColormap object>
afmhot_r = <matplotlib.colors.LinearSegmentedColormap object>
autumn = <matplotlib.colors.LinearSegmentedColormap object>
autumn_r = <matplotlib.colors.LinearSegmentedColormap object>
binary = <matplotlib.colors.LinearSegmentedColormap object>
binary_r = <matplotlib.colors.LinearSegmentedColormap object>
bone = <matplotlib.colors.LinearSegmentedColormap object>
bone_r = <matplotlib.colors.LinearSegmentedColormap object>
brg = <matplotlib.colors.LinearSegmentedColormap object>
brg_r = <matplotlib.colors.LinearSegmentedColormap object>
bwr = <matplotlib.colors.LinearSegmentedColormap object>
bwr_r = <matplotlib.colors.LinearSegmentedColormap object>
cmap_d = {u''Spectral'': <matplotlib.colors.LinearSegmented...tlib.color...
cmapname = u''afmhot''
cmaps_listed = {''inferno'': <matplotlib.colors.ListedColormap object>, ...
cool = <matplotlib.colors.LinearSegmentedColormap object>
cool_r = <matplotlib.colors.LinearSegmentedColormap object>
coolwarm = <matplotlib.colors.LinearSegmentedColormap object>
coolwarm_r = <matplotlib.colors.LinearSegmentedColormap object>
copper = <matplotlib.colors.LinearSegmentedColormap object>
copper_r = <matplotlib.colors.LinearSegmentedColormap object>
cubehelix = <matplotlib.colors.LinearSegmentedColormap object>
cubehelix_r = <matplotlib.colors.LinearSegmentedColormap object>
datad = {u''Spectral'': ((0.6196078431372549, 0.0039215686...830>, u''red...
division = _Feature((2, 2, 0, ''alpha'', 2), (3, 0, 0, ''alpha'', 0), 8192...
flag = <matplotlib.colors.LinearSegmentedColormap object>
flag_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_earth = <matplotlib.colors.LinearSegmentedColormap object>
gist_earth_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_gray = <matplotlib.colors.LinearSegmentedColormap object>
gist_gray_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_heat = <matplotlib.colors.LinearSegmentedColormap object>
gist_heat_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_ncar = <matplotlib.colors.LinearSegmentedColormap object>
gist_ncar_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_rainbow = <matplotlib.colors.LinearSegmentedColormap object>
gist_rainbow_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_stern = <matplotlib.colors.LinearSegmentedColormap object>
gist_stern_r = <matplotlib.colors.LinearSegmentedColormap object>
gist_yarg = <matplotlib.colors.LinearSegmentedColormap object>
gist_yarg_r = <matplotlib.colors.LinearSegmentedColormap object>
gnuplot = <matplotlib.colors.LinearSegmentedColormap object>
gnuplot2 = <matplotlib.colors.LinearSegmentedColormap object>
gnuplot2_r = <matplotlib.colors.LinearSegmentedColormap object>
gnuplot_r = <matplotlib.colors.LinearSegmentedColormap object>
gray = <matplotlib.colors.LinearSegmentedColormap object>
gray_r = <matplotlib.colors.LinearSegmentedColormap object>
hot = <matplotlib.colors.LinearSegmentedColormap object>
hot_r = <matplotlib.colors.LinearSegmentedColormap object>
hsv = <matplotlib.colors.LinearSegmentedColormap object>
hsv_r = <matplotlib.colors.LinearSegmentedColormap object>
inferno = <matplotlib.colors.ListedColormap object>
inferno_r = <matplotlib.colors.ListedColormap object>
jet = <matplotlib.colors.LinearSegmentedColormap object>
jet_r = <matplotlib.colors.LinearSegmentedColormap object>
magma = <matplotlib.colors.ListedColormap object>
magma_r = <matplotlib.colors.ListedColormap object>
nipy_spectral = <matplotlib.colors.LinearSegmentedColormap object>
nipy_spectral_r = <matplotlib.colors.LinearSegmentedColormap object>
ocean = <matplotlib.colors.LinearSegmentedColormap object>
ocean_r = <matplotlib.colors.LinearSegmentedColormap object>
pink = <matplotlib.colors.LinearSegmentedColormap object>
pink_r = <matplotlib.colors.LinearSegmentedColormap object>
plasma = <matplotlib.colors.ListedColormap object>
plasma_r = <matplotlib.colors.ListedColormap object>
print_function = _Feature((2, 6, 0, ''alpha'', 2), (3, 0, 0, ''alpha'', 0)...
prism = <matplotlib.colors.LinearSegmentedColormap object>
prism_r = <matplotlib.colors.LinearSegmentedColormap object>
rainbow = <matplotlib.colors.LinearSegmentedColormap object>
rainbow_r = <matplotlib.colors.LinearSegmentedColormap object>
seismic = <matplotlib.colors.LinearSegmentedColormap object>
seismic_r = <matplotlib.colors.LinearSegmentedColormap object>
spectral = <matplotlib.colors.LinearSegmentedColormap object>
spectral_r = <matplotlib.colors.LinearSegmentedColormap object>
spring = <matplotlib.colors.LinearSegmentedColormap object>
spring_r = <matplotlib.colors.LinearSegmentedColormap object>
summer = <matplotlib.colors.LinearSegmentedColormap object>
summer_r = <matplotlib.colors.LinearSegmentedColormap object>
tab10 = <matplotlib.colors.ListedColormap object>
tab10_r = <matplotlib.colors.ListedColormap object>
tab20 = <matplotlib.colors.ListedColormap object>
tab20_r = <matplotlib.colors.ListedColormap object>
tab20b = <matplotlib.colors.ListedColormap object>
tab20b_r = <matplotlib.colors.ListedColormap object>
tab20c = <matplotlib.colors.ListedColormap object>
tab20c_r = <matplotlib.colors.ListedColormap object>
terrain = <matplotlib.colors.LinearSegmentedColormap object>
terrain_r = <matplotlib.colors.LinearSegmentedColormap object>
unicode_literals = _Feature((2, 6, 0, ''alpha'', 2), (3, 0, 0, ''alpha'', ...
viridis = <matplotlib.colors.ListedColormap object>
viridis_r = <matplotlib.colors.ListedColormap object>
winter = <matplotlib.colors.LinearSegmentedColormap object>
winter_r = <matplotlib.colors.LinearSegmentedColormap object>

Jupyterlab / Notebook 中的交互式 matplotlib 图（使用 ipympl 的 %matplotlib 小部件）仅工作一次然后消失

Jupyterlab / Notebook 中的交互式 matplotlib 图（使用 ipympl 的 %matplotlib 小部件）仅工作一次然后消失

如何解决Jupyterlab / Notebook 中的交互式 matplotlib 图（使用 ipympl 的 %matplotlib 小部件）仅工作一次然后消失？

我再次尝试在 Jupyter Notebooks 中为我的学生使用交互式 matplotlib 图。我的计划是使用 JupyterLab，因为普通的 Notebook 界面在学生中不太受欢迎。这是一个两芯 MWE 笔记本：

import numpy as np
%matplotlib widget
import matplotlib.pyplot as plt

下一个单元格：

plt.figure(1)
x = np.arange(100)
y = x*x
plt.plot(x,y)
plt.show()

当我运行这些单元格时，我确实得到了一个交互式 Matplotlib 图。但是当我第二次运行第二个单元格时，绘图窗口消失而没有警告或错误，只有在我在第二个单元格之前重新运行第一个单元格时才会返回。经典笔记本界面显示相同的行为，删除 plt.show() 或 plt.figure() 也没有区别。

我在 venv 环境中的 Windows 10 计算机上本地运行 Jupyter 服务器，安装了以下版本：

Python           : 3.8.2
ipympl           : 0.7.0

jupyter core     : 4.7.1
jupyter-notebook : 6.3.0
qtconsole        : not installed
ipython          : 7.23.1
ipykernel        : 5.5.4
jupyter client   : 6.1.12
jupyter lab      : 3.0.14
nbconvert        : 6.0.7
ipywidgets       : 7.6.3
nbformat         : 5.1.3
traitlets        : 5.0.5

在我的非专业人士看来，启动期间的消息似乎没问题：

[I 2021-05-12 10:10:48.065 LabApp] JupyterLab extension loaded from d:\envs\pyfda_38\lib\site-packages\jupyterlab
[I 2021-05-12 10:10:48.065 LabApp] JupyterLab application directory is D:\envs\pyfda_38\share\jupyter\lab
[I 2021-05-12 10:10:48.069 ServerApp] jupyterlab | extension was successfully loaded.
[I 2021-05-12 10:10:48.488 ServerApp] nbclassic | extension was successfully loaded.
[I 2021-05-12 10:10:48.489 ServerApp] Serving notebooks from local directory: D:\Daten\xxx
[I 2021-05-12 10:10:48.489 ServerApp] Jupyter Server 1.6.4 is running at:
[I 2021-05-12 10:10:48.489 ServerApp] http://localhost:8888/lab?token=xxxx

我得到的唯一（可能）相关警告是

[W 2021-05-12 10:10:55.256 LabApp] Could not determine jupyterlab build status without nodejs

是我做错了什么，还是 ipympl 的交互图还不够成熟，无法进行 BYOD 课程？

解决方法

它在每次通过将魔术命令移动到第二个单元格来激活 matplotlib 交互式支持时起作用：

%matplotlib widget
plt.figure(1)
x = np.arange(100)
y = x*x
plt.plot(x,y)
plt.show()

今天关于Python - “gray28”颜色转换为 matplotlib 颜色和python变颜色的介绍到此结束，谢谢您的阅读，有关25 个常用 Matplotlib 图的 Python 代码，收藏收藏！、Eclipse 中的 Matplotlib.axes 与 matplotlib.pyplot.axes、Help on module matplotlib.cm in matplotlib:、Jupyterlab / Notebook 中的交互式 matplotlib 图（使用 ipympl 的 %matplotlib 小部件）仅工作一次然后消失等更多相关知识的信息可以在本站进行查询。

本文标签：

上一篇Angular 客户端和后端 python - socket io（angular如何和后端交互）

下一篇请让我理解为什么在下面的代码中使用 numpy.isfinite 函数的原因？（下面的代码输出是什么,为什么）

相关文章