要在 Python 中标准化直方图，我们可以使用 hist() 方法。在标准化条形图中，图下方的面积应为 1。步骤创建数字列表。使用 density=True 绘制直方图。要显示图形，请使用 show() 方法。示例import matplotlib.pyplot as plt plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True k = [5, 5, 5, 5] x, bins, p = plt.hist(k, density=True) plt.show()输出

要在 matplotlib 中设置默认颜色图，我们可以采取以下步骤 -使用 numpy 创建随机数据，数组维度 4×4。使用 subplots() 方法创建两个轴和一个图形。使用默认颜色图将数据显示为图像。设置图像标题，用于默认颜色图。使用 matplotlib rcParams 设置默认颜色图。使用设置的默认颜色图将数据显示为图像。设置图像标题，用于默认颜色图。调整子图之间和周围的填充。要显示图形，请使用 show() 方法。示例import numpy as np from matplotlib import pyplot as plt import matplotlib as mpl plt.rcParams["figure.figsize"] = [7.00, 3.50] ... 阅读更多

要在 Python 中使用 matplotlib 绘制 3D 密度图，我们可以采取以下步骤 -使用 numpy 创建 side、x、y 和 z。Numpy linspace 有助于根据第三个数创建两个点之间的数据。使用 side 数据从坐标向量返回坐标矩阵。使用 x 和 y（步骤 2）创建指数数据。使用 pcolormesh() 方法使用非规则矩形网格创建伪彩色图。要显示图形，请使用 show() 方法。示例from matplotlib import pyplot as plt, cm, colors import numpy as np plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True side = np.linspace(-2, 2, 15) X, Y = np.meshgrid(side, side) Z = ... 阅读更多

要使用 Seaborn 为 matplotlib 图添加次要网格线，我们可以采取以下步骤 -使用 Seaborn 创建一个数字列表来绘制直方图。使用 histplot() 方法绘制单变量或双变量直方图以显示数据集的分布。要创建次要网格线，我们可以首先使用主要网格线，然后使用次要网格线。要显示图形，请使用 show() 方法。示例import seaborn as sns from matplotlib import pyplot as plt plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True x = [5, 6, 7, 2, 3, 4, 1, 8, 2] ax = sns.histplot(x, kde=True, color='red') ax.grid(b=True, which='major', color='black', linewidth=0.075) ax.grid(b=True, which='minor', color='black', linewidth=0.075) plt.show()输出阅读更多

要使用自动放置的箭头为散点图上的点添加注释，我们可以采取以下步骤 -使用 numpy 创建 x 和 y 点。使用 xpoints 创建标签。使用 scatter() 方法散布点。迭代标签、xpoints 和 ypoints，并使用不同的属性为图添加标签、x 和 y 的注释。要显示图形，请使用 show() 方法。示例import numpy as np from matplotlib import pyplot as plt plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True xpoints = np.linspace(1, 10, 25) ypoints = np.random.rand(25) labels = ["%.2f" % i for i in xpoints] plt.scatter(xpoints, ypoints, c=xpoints) for label, x, y in zip(labels, xpoints, ypoints):    plt.annotate(   ... 阅读更多

要在 matplotlib 直方图中设置相对频率，我们可以采取以下步骤 -为数据和箱体创建数字列表。使用 histogram() 方法计算数据集的直方图。从直方图中获取 hist 和 edges。查找直方图的频率。使用箱体（步骤 1）和 freq 数据（步骤 4）创建条形图。要显示图形，请使用 show() 方法。示例import numpy as np from matplotlib import pyplot as plt plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True a = [-0.125, .15, 8.75, 72.5, -44.245, 88.45] bins = np.arange(-180, 181, 20) hist, edges = np.histogram(a, bins) freq = hist/float(hist.sum()) plt.bar(bins[:-1], ... 阅读更多

要在 matplotlib 中绘制圆形，我们可以采取以下步骤 -使用 figure() 方法创建新图形或激活现有图形。向当前轴添加子图排列。使用 Circle 类在中心创建真正的圆形。向当前轴添加补丁。设置 x 轴和 y 轴的限制。要显示图形，请使用 show() 方法。示例from matplotlib import pyplot as plt, patches plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True fig = plt.figure() ax = fig.add_subplot() circle1 = patches.Circle((0.2, 0.2), radius=0.5, color='green') ax.add_patch(circle1) ax.axis('equal') plt.show()输出阅读更多

要为现有的 matplotlib 颜色图添加 apha 值，我们可以采取以下步骤 -使用 numpy 创建具有 4×4 维数组的数据。使用 plt.cm.RdBU 获取颜色图。使用 numpy 创建新的颜色图。将 alpha 值设置为新的颜色图。使用颜色列表生成颜色图对象。使用 figure() 方法创建新图形或激活现有图形。向当前图形添加子图，nrows=1、ncols=2，索引为 1。使用 pcolormesh() 方法使用非规则矩形网格创建伪彩色图。为标量映射实例创建颜色条。在索引 2 处重复步骤 7 到 9。使用 tight_layout() 调整子图之间和周围的填充。要 ... 阅读更多

要在 matplotlib 中使用文本为热图添加注释，我们可以采取以下步骤 -创建具有 4×4 维数组的随机数据。使用 pcolor() 方法使用非规则矩形网格创建伪彩色图。要将文本放在像素中，我们可以使用 text() 方法。要显示图形，请使用 show() 方法。示例import matplotlib.pyplot as plt import numpy as np plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True data = np.random.rand(4, 4) heatmap = plt.pcolor(data, cmap="PuBuGn_r") for y in range(data.shape[0]):    for x in range(data.shape[1]):       plt.text(x + 0.5, y + 0.5, '%.4f' % data[y, x],          horizontalalignment='center',         ... 阅读更多

要在 matplotlib 中创建上标或下标文本，请使用 LaTeX 表示法。步骤使用 numpy 创建 x 和 y 数据点。使用 plot() 方法绘制 x 和 y 数据点。使用 title() 方法使用 LateX 表示法设置标题。使用 xlabel 和 ylabel 方法设置轴的标签。示例import numpy as np from matplotlib import pyplot as plt plt.rcParams["figure.figsize"] = [7.00, 3.50] plt.rcParams["figure.autolayout"] = True x = np.linspace(-2, 2, 10) y = 2**x plt.plot(x, y) plt.title('$Y=2^{X}$') plt.xlabel('$X_{data}$') plt.ylabel('$Y_{data}$') plt.show()输出