网站建设哪家好知道百度指数数据分析

绘图风格

matplotlib功能强大，可以定制各种绘图要素，以满足个性化的绘图需求，而更换绘图风格也十分便捷，一个matplotlib.style.use函数轻松搞定，而可用的绘图风格，可调用matplotlib.style.available列表得到，共有如下风格

• matplotlib风格： ‘_mpl-gallery’, ‘_mpl-gallery-nogrid’
• 更改较少的配色：‘fast’, ‘_classic_test_patch’
• 经典配色：‘classic’, ‘grayscale’, ‘dark_background’
• 复刻配色：‘‘ggplot’, ‘bmh’, Solarize_Light2’, ‘fivethirtyeight’, ‘tableau-colorblind10’
• seaborn风格： ‘seaborn-v0_8’, ‘seaborn-v0_8-bright’, ‘seaborn-v0_8-colorblind’, ‘seaborn-v0_8-dark’, ‘seaborn-v0_8-dark-palette’, ‘seaborn-v0_8-darkgrid’, ‘seaborn-v0_8-deep’, ‘seaborn-v0_8-muted’, ‘seaborn-v0_8-notebook’, ‘seaborn-v0_8-paper’, ‘seaborn-v0_8-pastel’, ‘seaborn-v0_8-poster’, ‘seaborn-v0_8-talk’, ‘seaborn-v0_8-ticks’, ‘seaborn-v0_8-white’, ‘seaborn-v0_8-whitegrid’,

测试代码

下面将这些风格一一展示，考虑到这些绘图风格其实只是更改部分绘图参数，所以在更改风格之前，需要先恢复为默认绘图风格，绘图代码如下

import numpy as np
import matplotlib.pyplot as plt
import matplotlibdef draw(style=None):matplotlib.style.use('default')matplotlib.style.use(style)xs = np.linspace(-5,5,100)yL = xs/5ys = np.sin(xs)yc = np.cos(xs)plt.figure(figsize=(6,3))plt.plot(xs, ys)plt.plot(xs, yc)plt.plot(xs, yL, ls='--', marker='*')plt.title(style)plt.tight_layout()plt.show()draw('default')

默认和mpl风格

所谓mpl，即matplotlib，颇有种官方的意味，故而先展示这三种绘图风格，默认的蓝橘绿配色大家其实都很熟悉了。

mpl风格如下

draw(‘_mpl-gallery’)	draw(‘_mpl-gallery-nogrid’)

除了"default"之外，“fast"和”_classic_test_patch"似乎并不会修改太多绘图元素，由于在测试代码中，所有风格都在default之后执行，从而绘制结果与default十分相似

matplotlib提供了classic和灰阶配色，这两个看上去十分古老，尤其是classic，颇有种上个世纪的特点。

最后，matplotlib还提供了夜间模式，暗黑配色如下

复制风格

ggplot就是那个大名鼎鼎的R语言绘图工具；bmh，则是Bayesian Methods for Hackers，是一本介绍贝叶斯理论的书籍，感觉这本书貌似也用的ggplot绘图

ggplot	bmh

fivethirtyeight俗称538，是美国民调网站，"fivethirtyeight"模仿了这个网站的配色。

Solarized是比较经典的终端配色方案，"Solarize_Light2"复刻了其中一种配色方案。

tableau是一个数据可视化软件，我并没有用过，"tableau-colorblind10"应该是从tableau中模仿的配色方案。

seaborn风格

作为matplotlib的中坚补充包，seaborn的审美还是比较在线的，matplotlib中提供了几乎seaborn中的所有绘图风格，而且不多不少刚好16个，下面统一绘制这些seaborn风格图像，代码如下

ss = [a for a in matplotlib.style.available if "seaborn" in a]xs = np.linspace(-5,5,100)
yL = xs/5
ys = np.sin(xs)
yc = np.cos(xs)fig = plt.figure(figsize=(14,8))
for i,s in enumerate(ss, 1):ax = fig.add_subplot(4,4,i)matplotlib.style.use('default')matplotlib.style.use(s)ax.plot(xs, ys, label="sin")ax.plot(xs, yc, label="cos")ax.plot(xs, yL, label="line", ls='--', marker='*')plt.title(s)plt.legend()plt.tight_layout()
plt.show()