参考资料：http://matplotlib.org/gallery.html matplotlib画廊
有少量修改，如有疑问，请访问原作者！
两种体系7种颜色 r g b y m c k （红，绿，蓝，黄，品红，青，黑）
在科研的过程中，坐标系中的XY不一定就是等尺度的。例如在声波中对Y轴取对数。肆意我们也必须知道这种坐标系如何画出来的。
1：对数坐标图
有3个函数可以实现这种功能，分别是：semilogx（），semilogy（），loglog（）。它们分别表示对X轴，Y轴，XY轴取对数。下面在一个2*2的figure里面来比较这四个子图（还有plot（））。
1. <span style="font-size:14px;"> 1 import numpy as np
2. 2 import matplotlib.pyplot as plt
3. 3 w=np.linspace(0.1,1000,1000)
4. 4 p=np.abs(1/(1+0.1j*w))
5. 5
6. 6 plt.subplot(221)
7. 7 plt.plot(w,p,lw=2)
8. 8 plt.xlabel('X')
9. 9 plt.ylabel('y')
10. 10
11. 11
12. 12 plt.subplot(222)
13. 13 plt.semilogx(w,p,lw=2)
14. 14 plt.ylim(0,1.5)
15. 15 plt.xlabel('log(X)')
16. 16 plt.ylabel('y')
17. 17
18. 18 plt.subplot(223)
19. 19 plt.semilogy(w,p,lw=2)
20. 20 plt.ylim(0,1.5)
21. 21 plt.xlabel('x')
22. 22 plt.xlabel('log(y)')
23. 23
24. 24 plt.subplot(224)
25. 25 plt.loglog(w,p,lw=2)
26. 26 plt.ylim(0,1.5)
27. 27 plt.xlabel('log(x)')
28. 28 plt.xlabel('log(y)')
29. 29 plt.show()
30. </span>如上面的代码所示，对一个低通滤波器函数绘图。得到四个不同坐标尺度的图像。如下图所示：
2，极坐标图像
极坐标系中的点由一个夹角和一段相对于中心位置的距离来表示。其实在plot（）函数里面本来就有一个polar的属性，让他为True就行了。下面绘制一个极坐标图像：
1. 1 import numpy as np
2. 2 import matplotlib.pyplot as plt
3. 3
4. 4 theta=np.arange(0,2*np.pi,0.02)
5. 5
6. 6 plt.subplot(121,polar=True)
7. 7 plt.plot(theta,2*np.ones_like(theta),lw=2)
8. 8 plt.plot(theta,theta/6,'--',lw=2)
9. 9
10. 10 plt.subplot(122,polar=True)
11. 11 plt.plot(theta,np.cos(5*theta),'--',lw=2)
12. 12 plt.plot(theta,2*np.cos(4*theta),lw=2)
13. 13 plt.rgrids(np.arange(0.5,2,0.5),angle=45)
14. 14 plt.thetagrids([0,45,90])
15. 15
16. 16 plt.show()
17. ~plt.rgrids(np.arange(0.5,2,0.5),angle=45) 表示绘制半径为0.5 1.0 1.5的三个同心圆，同时将这些半径的值标记在45度位置的那个直径上面。plt.thetagrids([0,45,90]) 表示的是在theta为0，45，90度的位置上标记上度数。得到的图像是：
3，柱状图：
matplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, **kwargs)里面重要的参数是左边起点，高度，宽度。下面例子：
1. 1 import numpy as np
2. 2 import matplotlib.pyplot as plt
3. 3
4. 4
5. 5 n_groups = 5
6. 6
7. 7 means_men = (20, 35, 30, 35, 27)
8. 8 means_women = (25, 32, 34, 20, 25)
9. 9
10. 10 fig, ax = plt.subplots()
11. 11 index = np.arange(n_groups)
12. 12 bar_width = 0.35
13. 13
14. 14 opacity = 0.4
15. 15 rects1 = plt.bar(index, means_men, bar_width,alpha=opacity, color='b',label= 'Men')
16. 16 rects2 = plt.bar(index + bar_width, means_women, bar_width,alpha=opacity,col or='r',label='Women')
17. 17
18. 18 plt.xlabel('Group')
19. 19 plt.ylabel('Scores')
20. 20 plt.title('Scores by group and gender')
21. 21 plt.xticks(index + bar_width, ('A', 'B', 'C', 'D', 'E'))
22. 22 plt.ylim(0,40)
23. 23 plt.legend()
24. 24
25. 25 plt.tight_layout()
26. 26 plt.show() 得到的图像是：
再贴一图：
这是我关于pose识别率的实验结果，感觉结果真是令人不可思议！
1. def drawBarChartPoseRatio():
2. 5
3. 0.84472049689441, 0.972477064220183, 1.0, 0.9655172413793104, 0.970970970970971)
4. 1.0, 0.992992992992993, 1.0, 0.9992348890589136, 0.9717125382262997)
5. 0.70853858784893, 0.569731081926204, 0.8902900378310215, 0.8638638638638638, 0.5803008248423096)
6. 0.90786948176583, 0.796122576610381, 0.8475120385232745, 0.8873762376237624, 0.5803008248423096)
7.
8. fig, ax = plt.subplots()
9. index = np.arange(n_groups)
10. 0.3
11. 0.4
12.
13. 2, alpha=opacity, color='r', label='VFH36' )
14. 2, means_VFH50, bar_width/2, alpha=opacity, color='g', label='VFH50' )
15.
16. 2, alpha=opacity, color='c', label='VotexF36')
17. 1.5*bar_width, means_VotexF50, bar_width/2, alpha=opacity, color='m', label='VotexF50')
18.
19. 'Category')
20. 'Scores')
21. 'Scores by group and Category')
22.
23. #plt.xticks(index - 0.2+ 2*bar_width, ('balde', 'bunny', 'dragon', 'happy', 'pillow'))
24. 0.2+ 2*bar_width, ('balde', 'bunny', 'dragon', 'happy', 'pillow')，fontsize =18)
25.
26. 18) #change the num axis size
27.
28. 0,1.5) #The ceil
29. plt.legend()
30. plt.tight_layout()
31. plt.show()柱状图显示：
4：散列图，由离散的点构成的。
函数是：
matplotlib.pyplot.scatter(x, y, s=20, c='b', marker='o', cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, hold=None,**kwargs)，其中，xy是点的坐标，s点的大小，maker是形状可以maker=（5，1）5表示形状是5边型，1表示是星型（0表示多边形，2放射型，3圆形）；alpha表示透明度；facecolor=‘none’表示不填充。例子如下：
1. 1 import numpy as np
2. 2 import matplotlib.pyplot as plt
3. 3
4. 4 plt.figure(figsize=(8,4))
5. 5 x=np.random.random(100)
6. 6 y=np.random.random(100)
7. 7 plt.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none')
8. 8 plt.xlim(0,1)
9. 9 plt.ylim(0,1)
10. 10
11. 11 plt.show() 上面代码的facecolors参数使得前面的c=‘y’不起作用了。图像：
5，3D图像，主要是调用3D图像库。看下面的例子：
1 import numpy as np 1. 2 import matplotlib.pyplot as plt
2. 3 import mpl_toolkits.mplot3d
3. 4
4. 5 x,y=np.mgrid[-2:2:20j,-2:2:20j]
5. 6 z=x*np.exp(-x**2-y**2)
6. 7
7. 8 ax=plt.subplot(111,projection='3d')
8. 9 ax.plot_surface(x,y,z,rstride=2,cstride=1,cmap=plt.cm.coolwarm,alpha=0.8)
9. 10 ax.set_xlabel('x')
10. 11 ax.set_ylabel('y')
11. 12 ax.set_zlabel('z')
12. 13
13. 14 plt.show()得到的图像如下图所示：
到此，matplotlib基本操作的学习结束了，相信大家也可以基本完成自己的科研任务了。
参考书目：
《python科学计算》
《matplotlib手册》
