python绘制函数图,python 画函数图

不能直接写出函数的表达式 怎么在python里画函数图象呢？

不写出y=f(x)这样的表达式，由隐函数的等式直接绘制图像，以x²+y²+xy=1的图像为例，使用sympy间接调用matplotlib工具的代码和该二次曲线图像如下（注意python里的乘幂符号是**而不是^，还有，python的sympy工具箱的等式不是a==b，而是a-b或者Eq(a,b)，这几点和matlab的区别很大）

直接在命令提示行的里面运行代码的效果

from sympy import *;

x,y=symbols('x y');

plotting.plot_implicit(x**2+y**2+x*y-1);

相关问答

Q1: Python实操：手把手教你用Matplotlib把数据画出来

作者：迈克尔·贝耶勒（Michael Beyeler）

如需转载请联系华章 科技

如果已安装Anaconda Python版本，就已经安装好了可以使用的 Matplotlib。否则，可能要访问官网并从中获取安装说明：

正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：

在本书中，plt接口会被频繁使用。

让我们创建第一个绘图。

假设想要画出正弦函数sin(x)的线性图。得到函数在x坐标轴上0≤x＜10内所有点的值。我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：

可以使用 NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：

你亲自尝试了吗？发生了什么吗？有没有什么东西出现？

实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。有下面几种可能性：

1. 从.py脚本中绘图

如果从一个脚本中运行 Matplotlib，需要加上下面的这行调用：

在脚本末尾调用这个函数，你的绘图就会出现！

2. 从 IPython shell 中绘图

这实际上是交互式地执行Matplotlib最方便的方式。为了让绘图出现，需要在启动 IPython 后使用所谓的%matplotlib魔法命令。

接下来，无须每次调用plt.show()函数，所有的绘图将会自动出现。

3. 从 Jupyter Notebook 中绘图

如果你是从基于浏览器的 Jupyter Notebook 中看这段代码，需要使用同样的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入图形，这会有两种输出选项：

在本书中，将会使用inline选项：

现在再次尝试一下：

上面的命令会得到下面的绘图输出结果：

如果想要把绘图保存下来留作以后使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：

仅需要确保你使用了支持的文件后缀，比如.jpg、.png、.tif、.svg、.eps或者.pdf。

作为本章最后一个测试，让我们对外部数据集进行可视化，比如scikit-learn中的数字数据集。

为此，需要三个可视化工具：

那么开始引入这些包吧：

第一步是载入实际数据：

如果没记错的话，digits应该有两个不同的数据域：data域包含了真正的图像数据，target域包含了图像的标签。相对于相信我们的记忆，我们还是应该对digits稍加 探索 。输入它的名字，添加一个点号，然后按Tab键：digits.TAB，这个操作将向我们展示digits也包含了一些其他的域，比如一个名为images的域。images和data这两个域，似乎简单从形状上就可以区分。

两种情况中，第一维对应的都是数据集中的图像数量。然而，data中所有像素都在一个大的向量中排列，而images保留了各个图像8×8的空间排列。

因此，如果想要绘制出一副单独的图像，使用images将更加合适。首先，使用NumPy的数组切片从数据集中获取一幅图像：

这里是从1797个元素的数组中获取了它的第一行数据，这行数据对应的是8×8=64个像素。下面就可以使用plt中的imshow函数来绘制这幅图像：

上面的命令得到下面的输出：

此外，这里也使用cmap参数指定了一个颜色映射。默认情况下，Matplotlib 使用MATLAB默认的颜色映射jet。然而，在灰度图像的情况下，gray颜色映射更有效。

最后，可以使用plt的subplot函数绘制全部数字的样例。subplot函数与MATLAB中的函数一样，需要指定行数、列数以及当前的子绘图索引（从1开始计算）。我们将使用for 循环在数据集中迭代出前十张图像，每张图像都分配到一个单独的子绘图中。

这会得到下面的输出结果：

关于作者：Michael Beyeler，华盛顿大学神经工程和数据科学专业的博士后，主攻仿生视觉计算模型，用以为盲人植入人工视网膜（仿生眼睛），改善盲人的视觉体验。 他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。同时他也是多个开源项目的积极贡献者。

本文摘编自《机器学习：使用OpenCV和Python进行智能图像处理》，经出版方授权发布。

Q2: Python matplotlib之函数图像绘制、线条rc参数设置

为避免中文显示出错，需导入matplotlib.pylab库

1.2.1 确定数据

1.2.2 创建画布

1.2.3 添加标题

1.2.4 添加x，y轴名称

1.2.5 添加x，y轴范围

1.2.6 添加x，y轴刻度

1.2.7 绘制曲线、图例, 并保存图片

保存图片时，dpi为清晰度，数值越高越清晰。请注意，函数结尾处，必须加plt.show()，不然图像不显示。

绘制流程与绘制不含子图的图像一致，只需注意一点：创建画布。

合理调整figsize、dpi，可避免出现第一幅图横轴名称与第二幅图标题相互遮盖的现象.

2.2.1 rc参数类型

2.2.2 方法1：使用rcParams设置

2.2.3 方法2：plot内设置

2.2.4 方法3：plot内简化设置

方法2中，线条形状，linestyle可简写为ls；线条宽度，linewidth可简写为lw；线条颜色，color可简写为c，等等。

Q3: python画正余弦函数图像？

用python怎样画出如题所示的正余弦函数图像? 如此编写代码，使其中两个轴、图例、刻度，大小，LaTex公式等要素与原图一致，需要用到的代码如下，没有缩进：

#-*-codeing:utf-8;-*-

from matplotlib import pyplot as plt

import numpy as np

a=np.linspace(0,360,980)

b=np.sin(a/180*np.pi)

c=np.cos(a/180*np.pi)

fig = plt.figure()

ax = fig.add_subplot(111)

ax.set_xlim([0, 360])

ax.plot(a,b,label=r"$y=\sin(\theta)$")

ax.plot(a,c,label=r"$y=\cos(\theta)$")

ax.grid(True)

ax.set_ylabel(r"$y$")

ax.set_xlabel(r"$\theta$")

plt.xticks(np.arange(0,360+1,45))

plt.title("Sine Cosine Waves")

plt.legend()

plt.savefig("SinCosWaveDegFont.jpg")

plt.show()

代码运行show的窗口图

代码的截图

代码输出的文件的图

Q4: 用Python画图

今天开始琢磨用Python画图，没使用之前是一脸懵的，我使用的开发环境是Pycharm，这个输出的是一行行命令，这个图画在哪里呢？

搜索之后发现，它会弹出一个对话框，然后就开始画了，比如下图

第一个常用的库是Turtle，它是Python语言中一个很流行的绘制图像的函数库，这个词的意思就是乌龟，你可以想象下一个小乌龟在一个x和y轴的平面坐标系里，从原点开始根据指令控制，爬行出来就是绘制的图形了。

  它最常用的指令就是旋转和移动，比如画个圆，就是绕着圆心移动；再比如上图这个怎么画呢，其实主要就两个命令：

turtle.forward(200)

turtle.left(170)

第一个命令是移动200个单位并画出来轨迹

第二个命令是画笔顺时针转170度，注意此时并没有移动，只是转角度

然后呢？ 循环重复就画出来这个图了

好玩吧。

有需要仔细研究的可以看下这篇文章 ，这个牛人最后用这个库画个移动的钟表，太赞了。

Turtle虽好玩，但是我想要的是我给定数据，然后让它画图，这里就找到另一个常用的画图的库了。

Matplotlib是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。其中，matplotlib的pyplot模块一般是最常用的，可以方便用户快速绘制二维图表。

使用起来也挺简单，

首先import matplotlib.pyplot as plt 导入画图的图。

然后给定x和y，用这个命令plt.plot(x, y)就能画图了，接着用plt.show()就可以把图形展示出来。

接着就是各种完善，比如加标题，设定x轴和y轴标签，范围，颜色，网格等等，在 这篇文章里介绍的很详细。

现在互联网的好处就是你需要什么内容，基本上都能搜索出来，而且还是免费的。

我为什么要研究这个呢？当然是为了用，比如我把比特币的曲线自己画出来可好？

假设现在有个数据csv文件，一列是日期，另一列是比特币的价格，那用这个命令画下：

这两列数据读到pandas中，日期为df['time']列，比特币价格为df['ini']，那我只要使用如下命令

plt.plot(df['time'], df['ini'])

plt.show()

就能得到如下图：

自己画的是不是很香，哈哈！

然后呢，我在上篇文章 中介绍过求Ahr999指数，那可不可以也放到这张图中呢？不就是加一条命令嘛

plt.plot(df['time'], df['Ahr999'])

图形如下：

但是，Ahr999指数怎么就一条线不动啊， 原来两个Y轴不一致，显示出来太怪了，需要用多Y轴，问题来了。

继续谷歌一下，把第二个Y轴放右边就行了，不过呢得使用多图，重新绘制

fig = plt.figure() # 多图

ax1 = fig.add_subplot(111)

ax1.plot(df['time'], df['ini'], label="BTC price")  # 绘制第一个图比特币价格

ax1.set_ylabel('BTC price') # 加上标签

# 第二个直接对称就行了

ax2 = ax1.twinx()# 在右边增加一个Y轴

ax2.plot(df['time'], df['Ahr999'], 'r', label="ahr999")  # 绘制第二个图Ahr999指数，红色

ax2.set_ylim([0, 50])# 设定第二个Y轴范围

ax2.set_ylabel('ahr999')

plt.grid(color="k", linestyle=":")# 网格

fig.legend(loc="center")#图例

plt.show()

跑起来看看效果，虽然丑了点，但终于跑通了。

这样就可以把所有指数都绘制到一张图中，等等，三个甚至多个Y轴怎么加？这又是一个问题，留给爱思考爱学习的你。

有了自己的数据，建立自己的各个指数，然后再放到图形界面中，同时针对异常情况再自动进行提醒，比如要抄底了，要卖出了，用程序做出自己的晴雨表。