Python 之 Numpy库以及Matplotlib库的学习

　　Numpy（Numerical Python）是Python中一个非常常用的第三方科学计算库。Numpy提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

　　Matplotlib（数据可视化）是Python中一个能够提供数据绘图功能的第三方库。其pyplot 子库主要用于实现各种数据展示图形的绘制，包括线性图（折线图，函数图）、柱形图、饼图等基础而直观的图形，在平常的开发当中需要绘图时就非常有用了。

　　引用方式：

import numpy as np
import matplotlib.pyplot as plt
#以下三行代码是为了正确显示中文字体，更改了默认设置，‘SimHei‘表示黑体字。
import matplotlib
matplotlib.rcParams[‘font.family‘] = ‘SimHei‘
matplotlib.rcParams[‘font.sans-serif‘] = [‘SimHei‘]

 　　as 保留字与import 一起使用能够改变后续代码中库的命名空间，有助于提高代码可读性。简单说，在后续程序中，np 代替numpy，plt 将代替matplotlib.pyplot。 

　一、Numpy

　　使用Numpy库，可以执行以下操作：　　　　

• 数组的算数和逻辑运算。
• 傅立叶变换和用于图形操作的例程。
• 与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。

- Ndarray对象

　　numpy 库处理的最基础数据类型是由同种元素构成的多维数组（ndarray），简称“数组”。数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。ndarray 类型的维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。一维数组的秩为1，二维数组的秩为2，二维数组相当于由两个一维数组构成。

　　常用的创建数组函数如下：

 　　　　创建了数组后，ndarray类型有一些基本属性：

代码示例：

>>> import numpy as np>>> a = np.ones((3,3))>>> print(a)[[1. 1. 1.] [1. 1. 1.] [1. 1. 1.]]>>> a.ndim2>>> a.shape(3, 3)>>> a.dtypedtype(‘float64‘)

ndarray类的形态操作方法：

 ndarray类的索引和切片：

　　与列表的相同，不过需要注意的是数组切片得到的是原始数组的视图，所有修改都会直接反映到源数组。如果需要得到的ndarray 切片的一份副本，需要进行复制操作，比如   arange[5:8].copy()。

　　- Numpy库的运算函数

 　　这些函数中，输出参数y可选，如果没有指定，将创建并返回一个新的数组保存计算结果；如果指定参数，则将结果保存到参数中。例如，两个数组相加可以简单地写为a+b，而np.add(a, b, a)则表示a+=b。

• where()函数是三元表达式x if condition else y 的矢量版本。　　
• 这些函数将返回一个布尔数组，它包含两个数组中对应元素值的比较结果，如下：　

>>> np.less([1, 2],[2,2])
array([ True, False], dtype=bool)

其他运算函数：

 　二、Matplotlib

　　　　- Matplotlib.pyplot 库（plt 子库提供了一批操作和绘图函数，每个函数代表对图像进行的一个操作，比如创建绘图区域、添加标注或者修改坐标轴等）

　　　　　　plt库的绘图区域函数：

• 使用figure()函数创建一个全局绘图区域，并且使它成为当前的绘图对象，figsize参数可以指定绘图区域的宽度和高度，单位为英寸。鉴于figure()函数参数较多，这里采用指定参数名称的方式输入参数。
  >>> plt.figure(figsize = (8, 5))

• axes()默认创建一个subplot(111)坐标系，参数rec = [left,bottom,width,height]中四个变量的范围都为[0,1]，表示坐标系与全局绘图区域的关系；axisbg 指背景色，默认为white。
  >>> plt.axes([0.1, 0.1, 0.7, 0.3], axisbg = ‘y‘)
  >>> plt.show()
  
  
• subplot()都用于在全局绘图区域内创建子绘图区域，其参数表示将全局绘图区域分成nrows 行和ncols 列，并根据先行后列的计数方式在plot_number 位置生成一个坐标系，实例代码如下，三个参数关系如下图所示。其中，全局绘图区域被风割成3x2 的网格，其中，在第4 个位置绘制了一个坐标系。
  >>> plt.subplot(324)
  >>> plt.show()
  
  

  

　　　　
　　　　plt库的读取和显示函数：

　　　　plt库的基础图表函数：

•  plot()函数是用于绘制直线的最基础函数，调用方式很灵活，x 和y 可以是numpy计算出的数组，并用关键字参数指定各种属性。其中，label 表示设置标签并在图例(legend)中显示，color 表示曲线的颜色，linewidth 表示曲线的宽度。在字符串前后添加"$"符号，matplotlib 会使用其内置的latex 引擎绘制的数学公式。

　　示例：

　- plt库的坐标轴（plt 库有两个坐标体系；图像坐标和数据坐标。图像坐标将图像所在区域左下角视为原点，将x 方向和y 方向长度设定为1。整体绘图区域有一个图像坐标，每个axes()和subplot()函数产生的子图也有属于自己的图像坐标。axes()函数参数rect 指当前产生的子区域相对于整个绘图区域的图像坐标。数据坐标以当前绘图区域的坐标轴为参考，显示每个数据点的相对位置）

　　　　　　坐标轴设置函数：

>>> plt.plot([1, 2, 4], [1, 2, 3])
>>> plt.axis()      #获得当前坐标轴范围
(1.0, 4.0, 1.0, 3.0)
>>> plt.axis([0, 5, 0, 8])       #4个变量分别是[xmin, xmax, ymin, ymax]

　标签设置函数：

　　示例：

　区域填充函数：

　示例：

三、雷达图绘制

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams[‘font.family‘] = ‘SimHei‘
matplotlib.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
labels = np.array([‘第一周‘,‘第二周‘,‘第三周‘,‘第四周‘,‘第五周‘,‘第六周‘])
nAttr = 6
data = np.array([100, 98, 98, 100, 96, 94])    #成绩值
angles = np.linspace(0, 2*np.pi, nAttr, endpoint=False)
data = np.concatenate((data, [data[0]]))
angles = np.concatenate((angles, [angles[0]]))     #这两行代码作用是进行数组的拼接
fig = plt.figure(facecolor="white")
plt.subplot(111, polar=True)
plt.plot(angles, data, ‘bo-‘, color = ‘g‘, linewidth = 2)
plt.fill(angles, data, facecolor = ‘g‘, alpha = 0.25)
plt.thetagrids(angles*180 / np.pi, labels)
plt.figtext(0.52, 0.95, ‘小明的成绩表‘, ha = ‘center‘)
plt.grid(True)
plt.savefig(‘Grade.JPG‘)
plt.show()

　　效果如下：

 　　四、自定义手绘风

from PIL import Image
import numpy as np
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=10.                                                    #（0-100）
im=Image.open("pic.jpg").convert(‘L‘)
a=np.asarray(im).astype(‘float‘)
grad=np.gradient(a)                                     #取图像灰度的梯度值   
grad_x,grad_y=grad                                     #分别取横纵图像梯度值
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)
im2=Image.fromarray(a2.astype(‘uint8‘))      #重构图像
im2.save(‘pic_handdraw.jpg‘)