numpy 与 matplotlib 的应用

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

一、库函数介绍

1. numpy库

NumPy（Numeric Python）提供了一个N维的数组类型ndarray，Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。

ndarray到底跟原生python列表的区别：

ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

2. matplotlib库

matplotlib 是一个 Python 的 2D绘图库，也是Python编程语言及其数值数学扩展包 NumPy的可视化操作界面。它利用通用的图形用户界面工具包，如Tkinter, wxPython, Qt或GTK+向应用程序嵌入式绘图提供了应用程序接口（API）。此外，matplotlib还有一个基于图像处理库（如开放图形库OpenGL）的pylab接口，其设计与MATLAB非常类似--尽管并不怎么好用。SciPy就是用matplotlib进行图形绘制。

二、应用A

1. 介绍：对python123作业的成绩通过画图显示

2. 代码实现：

 # -*- coding:utf-8 -*-

 ''' 成绩雷达图 '''

 import numpy as np

 import matplotlib.pyplot as plt

 plt.rcParams['font.family'] = 'SimHei'        # 设置字体

 plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体

 labels = np.array(['第一周','第二周','第三周','第四周','第五周','第六周']) # 设置标签

 datas = np.array([8, 10, 9, 10, 11, 7])       # 设置数据

 angles = np.linspace(0, 2*np.pi, 6, endpoint = False) # 设置角度

 datas = np.concatenate((datas, [datas[0]]))

 angles = np.concatenate((angles, [angles[0]]))

 fig = plt.figure(facecolor = 'white')         # 创建绘图区域

 plt.subplot(111, polar = True)                # 极坐标

 plt.plot(angles, datas, 'bo-', color = 'g', linewidth = 1) # 画图

 plt.fill(angles, datas, facecolor = 'g', alpha = 0.25)     # 填充

 plt.thetagrids(angles*180/np.pi, labels)      # 设置极坐标的位置

 plt.figtext(0.52, 0.95, '04-步平凡', ha = 'center') # 设置标题

 plt.grid(True)   # 打开网格线

 plt.show()       # 展示图片

3. 效果展示：

三、应用B

1. 介绍：使用numpy和PIL库实现图像的手绘效果

2. 代码实现：

 # -*- coding:utf-8 -*-

 ''' 手绘图像效果 '''

 import numpy as np

 from PIL import Image

 vec_el = np.pi/2.2   # 光源的俯视角度，弧度值

 vec_az = np.pi/4.    # 光源的方位角度，弧度值

 depth = 6.          # 深度权值，值越小背景区域越接近白色，值越大背景区域越接近黑色

 im = Image.open('PICTURE\HandMade.jpg').convert('L')     # 打开图像并转变为灰度模式

 a = np.asarray(im).astype('float')

 grad = np.gradient(a)              # 取图像灰度的梯度值

 grad_x, grad_y = grad              # 分别取图像的横纵梯度值

 grad_x = grad_x * depth / 100.

 grad_y = grad_y * depth / 100.

 dx = np.cos(vec_el) * np.cos(vec_az) # 光源对x轴的影响

 dy = np.cos(vec_el) * np.sin(vec_az) # 光源对y轴的影响

 dz = np.sin(vec_el)                  # 光源对z轴的影响

 A = np.sqrt(grad_x**2 + grad_y**2 + 1.)

 uni_x = grad_x/A

 uni_y = grad_y/A

 uni_z = 1./A

 a2 = 255*(dx * uni_x + dy * uni_y + dz * uni_z) # 光源归一化

 a2 = a2.clip(0, 255)                 # 预防溢出

 im2 = Image.fromarray(a2.astype('uint8'))       # 重构图像

 im2.save('HandMade_.jpg') # 保存图像

 im2.show()                # 显示图像

3. 效果展示：

原图效果图

四、应用C

1. 简介：用numpy和matplotlib展现数学模型 —— 正态分布

2. 代码实现：

 # -*- coding:utf-8 -*-

 ''' 正态分布 '''

 import numpy as np

 import matplotlib.mlab as mlab

 import matplotlib.pyplot as plt

 dx = 100           # 正态分布的均值

 sigma = 15         # 标准差

 x = dx + sigma * np.random.randn(10000)  # 在均值周围产生符合正态分布的x值

 num_bins = 50

 n, bins, patches = plt.hist(x, num_bins, normed=1, facecolor='green', alpha=0.5)

 # 直方图函数，x为x轴的值，normed=1表示为概率密度，即和为一，绿色方块，色深参数0.5.返回n个概率，直方块左边线的x值，及各个方块对象

 y = mlab.normpdf(bins, dx, sigma)        # 画一条逼近的曲线

 plt.plot(bins, y, 'r--')

 plt.xlabel('Smarts')                     # x轴标签

 plt.ylabel('Probability')                # y轴标签

 plt.title(r'Histogram of IQ: $\mu=100$, $\sigma=15$') # 中文标题

 plt.subplots_adjust(left=0.15)           # 左边距

 plt.grid(True)      # 打开网格线

 plt.show()          # 显示图片

3. 效果展示：