python绘制函数曲线 python绘制余弦函数的曲线图

Python如何画函数的曲线

输入以下代码导入我们用到的函数库。

import numpy as np

import matplotlib.pyplot as plt

x=np.arange(0,5,0.1);

y=np.sin(x);

plt.plot(x,y)

采用刚才代码后有可能无法显示下图，然后在输入以下代码就可以了：

plt.show()

相关问答

Q1: python怎么画曲线

打开Python，使用import导入numpy和matplotlib.pyplot模块。输入函数数据，然后使用plt.show()展示绘制的图像即可。

Q2: python绘图篇

1，xlable,ylable设置x，y轴的标题文字。

2，title设置标题。

3，xlim,ylim设置x,y轴显示范围。

plt.show()显示绘图窗口，通常情况下，show（）会阻碍程序运行，带-wthread等参数的环境下，窗口不会关闭。

plt.saveFig（）保存图像。

面向对象绘图

1，当前图表和子图可以用gcf(),gca()获得。

subplot()绘制包含多个图表的子图。

configure subplots,可调节子图与图表边框距离。

可以通过修改配置文件更改对象属性。

图标显示中文

1，在程序中直接指定字体。

2， 在程序开始修改配置字典reParams.

3，修改配置文件。

Artist对象

1，图标的绘制领域。

2，如何在FigureCanvas对象上绘图。

3，如何使用Renderer在FigureCanvas对象上绘图。

FigureCanvas和Render处理底层图像操作，Artist处理高层结构。

分为简单对象和容器对象，简单的Aritist是标准的绘图元件，例如Line 2D,Rectangle,Text,AxesImage等，而容器类型包含许多简单的的 Aritist对象，使他们构成一个整体，例如Axis,Axes,Figure等。

直接创建Artist对象进项绘图操作步奏：

1，创建Figure对象（通过figure（）函数，会进行许多初始化操作，不建议直接创建。）

2，为Figure对象创建一个或多个Axes对象。

3，调用Axes对象的方法创建各类简单的Artist对象。

Figure容器

如何找到指定的Artist对象。

1，可调用add_subplot()和add_axes()方法向图表添加子图。

2，可使用for循环添加栅格。

3，可通过transform修改坐标原点。

Axes容器

1，patch修改背景。

2，包含坐标轴，坐标网格，刻度标签，坐标轴标题等内容。

3，get_ticklabels(),,get-ticklines获得刻度标签和刻度线。

1，可对曲线进行插值。

2，fill_between()绘制交点。

3，坐标变换。

4，绘制阴影。

5，添加注释。

1，绘制直方图的函数是

2，箱线图（Boxplot）也称箱须图（Box-whisker Plot），是利用数据中的五个统计量：最小值、第一四分位

数、中位数、第三四分位数与最大值来描述数据的一种方法，它可以粗略地看出数据是否具有对称性以及分

布的分散程度等信息，特别可以用于对几个样本的比较。

3，饼图就是把一个圆盘按所需表达变量的观察数划分为若干份，每一份的角度（即面积）等价于每个观察

值的大小。

4,散点图

5,QQ图

低层绘图函数

类似于barplot()，dotchart()和plot()这样的函数采用低层的绘图函数来画线和点，来表达它们在页面上放置的位置以及其他各种特征。

在这一节中，我们会描述一些低层的绘图函数，用户也可以调用这些函数用于绘图。首先我们先讲一下R怎么描述一个页面；然后我们讲怎么在页面上添加点，线和文字；最后讲一下怎么修改一些基本的图形。

绘图区域与边界

R在绘图时，将显示区域划分为几个部分。绘制区域显示了根据数据描绘出来的图像，在此区域内R根据数据选择一个坐标系，通过显示出来的坐标轴可以看到R使用的坐标系。在绘制区域之外是边沿区，从底部开始按顺时针方向分别用数字1到4表示。文字和标签通常显示在边沿区域内，按照从内到外的行数先后显示。

添加对象

在绘制的图像上还可以继续添加若干对象，下面是几个有用的函数，以及对其功能的说明。

•points(x, y, ...)，添加点

•lines(x, y, ...)，添加线段

•text(x, y, labels, ...)，添加文字

•abline(a, b, ...)，添加直线y=a+bx

•abline(h=y, ...)，添加水平线

•abline(v=x, ...)，添加垂直线

•polygon(x, y, ...)，添加一个闭合的多边形

•segments(x0, y0, x1, y1, ...)，画线段

•arrows(x0, y0, x1, y1, ...)，画箭头

•symbols(x, y, ...)，添加各种符号

•legend(x, y, legend, ...)，添加图列说明

Q3: 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。

Q4: python 怎么画与其他方法进行比较的ROC曲线？

使用sklearn的一系列方法后可以很方便的绘制处ROC曲线，这里简单实现以下。

主要是利用混淆矩阵中的知识作为绘制的数据（如果不是很懂可以先看看这里的基础）：

tpr(Ture Positive Rate)：真阳率 图像的纵坐标

fpr(False Positive Rate)：阳率（伪阳率） 图像的横坐标

mean_tpr：累计真阳率求平均值

mean_fpr：累计阳率求平均值

import numpy as np

import matplotlib.pyplot as plt

from sklearn import svm, datasets

from sklearn.metrics import roc_curve, auc

from sklearn.model_selection import StratifiedKFold

iris = datasets.load_iris()

X = iris.data

y = iris.target

X, y = X[y != 2], y[y != 2] # 去掉了label为2，label只能二分，才可以。

n_samples, n_features = X.shape

# 增加噪声特征

random_state = np.random.RandomState(0)

X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

cv = StratifiedKFold(n_splits=6) #导入该模型，后面将数据划分6份

classifier = svm.SVC(kernel='linear', probability=True,random_state=random_state) # SVC模型 可以换作AdaBoost模型试试

# 画平均ROC曲线的两个参数

mean_tpr = 0.0 # 用来记录画平均ROC曲线的信息

mean_fpr = np.linspace(0, 1, 100)

cnt = 0

for i, (train, test) in enumerate(cv.split(X,y)): #利用模型划分数据集和目标变量 为一一对应的下标

cnt +=1

probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test]) # 训练模型后预测每条样本得到两种结果的概率

fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1]) # 该函数得到伪正例、真正例、阈值，这里只使用前两个

mean_tpr += np.interp(mean_fpr, fpr, tpr) # 插值函数 interp(x坐标,每次x增加距离,y坐标) 累计每次循环的总值后面求平均值

mean_tpr[0] = 0.0 # 将第一个真正例=0 以0为起点

roc_auc = auc(fpr, tpr) # 求auc面积

plt.plot(fpr, tpr, lw=1, label='ROC fold {0:.2f} (area = {1:.2f})'.format(i, roc_auc)) # 画出当前分割数据的ROC曲线

plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck') # 画对角线

mean_tpr /= cnt # 求数组的平均值

mean_tpr[-1] = 1.0 # 坐标最后一个点为（1,1） 以1为终点

mean_auc = auc(mean_fpr, mean_tpr)

plt.plot(mean_fpr, mean_tpr, 'k--',label='Mean ROC (area = {0:.2f})'.format(mean_auc), lw=2)

plt.xlim([-0.05, 1.05]) # 设置x、y轴的上下限，设置宽一点，以免和边缘重合，可以更好的观察图像的整体

plt.ylim([-0.05, 1.05])

plt.xlabel('False Positive Rate')

plt.ylabel('True Positive Rate') # 可以使用中文，但需要导入一些库即字体

plt.title('Receiver operating characteristic example')

plt.legend(loc="lower right")

plt.show()