用Python绘制基础初等函数图
最编程
2024-02-14 17:26:11
...
可视化是直观查看数据分布的有效方式,当然python也不会缺席。
今天的推送就探索一下基础函数的绘制方式,例如下图:
Matplotlib
Matplotlib 是第一个Python数据可视化库,是python社区中使用最广泛的绘图库。其设计风格非常类似于1980年代开发的专有编程语言MATLAB,它提供了与MATLAB命令相似的API,常见包如 pandas 和 Seaborn 都会调用matplotlib。
在官方介绍中,Matplotlib主要的图像组件可以参考下图(翻译来自网络):
安装
# 安装Matplotlib
pip install Matplotlib
# 如果出现因下载失败导致安装不上的情况,可以先启动 ss 再执行安装命令
# 或者在终端中使用代理
pip --proxy http://代理ip:端口 install Matplotlib
绘制目标:
绘制以后,就会有极多的应用场景。比如解析不等式的满足区间,比较...
绘制代码
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
x = np.linspace(0.0,100.0,100)
y1 = x/4 # 曲线 y1
y2 = 50 - x # 曲线 y2
# 标注曲线
plt.plot(x, y1, label=r'$y1 = x/4$')
plt.plot(x, y2, label=r'$y2 = 50 - x$')
plt.xlim((0.0, 100.000))
plt.ylim((0.0, 100.000))
plt.xlabel(r'$X$')
plt.ylabel(r'$Y$')
# 绘制阴影部分
plt.fill_between(x, y1, y2, where=y1<y2, color='grey', alpha=0.5)
# 设置横轴精准刻度
plt.xticks([i for i in range(0,100,5)])
# 设置纵轴精准刻度
plt.yticks([i for i in range(0,100,5)])
# 注释
plt.scatter([40], [10], s=20, color="blue")
plt.annotate("(40, 10)",
xy=(40, 10),
fontsize=12,
xycoords='data') # xycoords='data' 是说基于数据的值来选位置
# 图例
plt.grid(True, linestyle='-.')
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)
# 保存
#plt.savefig('ordering_constraints.png',dpi=300,bbox_inches='tight')
plt.show()
除了绘图,我们还使用了numpy 包,主要目的是创建一个数组 np.linspace,用于绘图。在坐标轴设置上,使用了列表生成式,批量的完成坐标点刻度分布,并绘制网格背景。注释的点和文字是要分开加的,支持字体大小、图例和颜色修改。最后保存图片可以设置像素比例,也可以直接使用 plt.show() 直接查看。整体绘图逻辑不难,需要稍微理解的一下的是绘制阴影部分的 plt.fill_between() 这个方法,修改参数既可以调整成想表达范围。
好了,今天有点像暑假作业的绘图就到这里啦。
不同的绘图包有各自的优缺点,正如Chris Moffitt 所说,matplotlib「功能非常强大,但随之而来的却是复杂性」。我们下期见。
推荐阅读
-
用 Matlab 和 Python 方法查找零极点图、系统函数的频率响应(幅频特性、相频特性
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
用 python 绘制储蓄罐图
-
用 Matplotlib 在 Python 中绘制 3D 图
-
用Python绘制数学函数曲线的方法(2020年5月23日)
-
用Python画出二元函数图
-
用Python绘制二次函数曲线的简单教程
-
用Python绘制基础初等函数图
-
用Python 3绘制函数曲线并实现Softmax算法
-
用Python绘制四象限的气泡图