目录
[1. subplot()函数](#1. subplot()函数)
[2. subplots()函数](#2. subplots()函数)
[3. 散点矩阵图（Scatter Matrix Plot）](#3. 散点矩阵图（Scatter Matrix Plot）)
一、前言
Python是一种高级编程语言，由Guido van Rossum于1991年创建。它以简洁、易读的语法而闻名，并且具有强大的功能和广泛的应用领域。Python具有丰富的标准库和第三方库，可以用于开发各种类型的应用程序，包括Web开发、数据分析、人工智能、科学计算、自动化脚本等。
Python本身是一种伟大的通用编程语言，在一些流行的库（numpy，scipy，matplotlib）的帮助下，成为了科学计算的强大环境。本系列将介绍Python编程语言和使用Python进行科学计算的方法，主要包含以下内容：
- Python：基本数据类型、容器（列表、元组、集合、字典）、函数、类
- Numpy：数组创建、数组操作、数组数学、广播
- Matplotlib：2d绘图、3d绘图、图表自定义、多子图和布局
- IPython：创建笔记本、典型工作流程
二、实验环境
|------------|--------|---|
| matplotlib | 3.5.3 | |
| numpy | 1.21.6 | |
| python | 3.7.16 | |
- 运行下述命令检查Python版本
bash
python --version - 运行下述代码检查Python、NumPy、Matplotlib版本
python
import sys
import numpy as np
import matplotlib
print("Python 版本:", sys.version)
print("NumPy 版本:", np.__version__)
print("matplotlib 版本:", matplotlib.__version__)
三、Matplotlib详解
Matplotlib是一个用于创建数据可视化的Python库。它提供了广泛的绘图选项，能够生成各种类型的图表、图形和可视化效果。下面是Matplotlib的一些主要功能：
绘图风格和类型：Matplotlib支持各种绘图风格和类型，包括线图、散点图、柱状图、饼图、等高线图、3D图等，可以根据需要选择适合的图表类型来展示和分析数据。
数据可视化：Matplotlib使得将数据转化为可视化表示变得简单，可以使用Matplotlib绘制图表来展示数据的分布、趋势、关系等，这有助于更好地理解数据和发现潜在的模式和关联。
图表自定义：Matplotlib提供了丰富的图表自定义选项，可以调整图表的标题、标签、坐标轴、线条样式、颜色等。这使得您能够创建符合特定需求和品味的高质量图表。
多子图和布局：Matplotlib允许您在单个图像中创建多个子图，以便同时展示多个相关的图表或数据视图。您可以自定义子图的布局和排列，以满足特定的展示需求。
导出图像：Matplotlib支持将图像导出为多种格式，包括PNG、JPEG、PDF、SVG等。这使得您可以方便地将生成的图表保存为文件，或嵌入到文档、报告和演示文稿中。
无论是进行科学研究、数据分析、报告撰写还是可视化展示，Matplotlib都是一个强大而灵活的工具。它广泛应用于各个领域，如数据科学、机器学习、金融分析、工程可视化等。
1、2d绘图类型
https://blog.csdn.net/m0_63834988/article/details/132872575?spm=1001.2014.3001.5501
https://blog.csdn.net/m0_63834988/article/details/132890656?spm=1001.2014.3001.55012、3d绘图类型
https://blog.csdn.net/m0_63834988/category_12441299.html3、多子图和布局
1. subplot()函数
https://blog.csdn.net/m0_63834988/article/details/132908035?spm=1001.2014.3001.55012. subplots()函数
https://blog.csdn.net/m0_63834988/article/details/132908388?spm=1001.2014.3001.55023. 散点矩阵图（Scatter Matrix Plot）
用于可视化多个变量之间的关系，通过绘制多个散点图组合在一起形成一个矩阵
python
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data = np.random.rand(4, 100) # 生成一个4行100列的随机数组
# 计算变量的数量
num_vars = data.shape[0]
# 创建一个具有适当形状的子图网格
fig, axes = plt.subplots(num_vars, num_vars, figsize=(8, 8))
# 遍历每对变量并绘制散点图
for i in range(num_vars):
for j in range(num_vars):
axes[i, j].scatter(data[i], data[j])
axes[i, j].set_xlabel('x{}'.format(i+1))
axes[i, j].set_ylabel('x{}'.format(j+1))
# 调整子图之间的间距
plt.tight_layout()
# 显示图形
plt.show()- 使用
np.random.rand函数生成一个4行100列的随机数组作为随机数据。 - 根据变量的数量创建了一个具有适当形状的子图网格。
- 使用双重循环遍历每对变量，并在相应的子图中绘制散点图。
scatter函数用于绘制散点图，set_xlabel和set_ylabel函数用于设置坐标轴标签。 - 使用
plt.tight_layout()调整子图之间的间距，并使用plt.show()显示图形。
