matplotlib样式

在 Matplotlib 中，线性图（Line Plot） 是最基础的图表类型之一，用于展示数据随时间或其他连续变量的线性变化趋势。以下是详细的绘制方法和常见技巧，涵盖基础语法、样式定制、高级功能（如添加趋势线）等。

1. 基础线性图绘制

示例代码：

python
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 10, 100)  # 0到10的等分点（100个数据点）
y = 2 * x + 1 + np.random.randn(100) * 0.5  # 线性关系 + 噪声

# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制线性图
ax.plot(x, y, marker='o', linestyle='-', linewidth=2, color='#2ecc71', markersize=5,
        label='Linear Data')

# 添加基本元素
ax.set_xlabel('X轴标签', fontsize=12)
ax.set_ylabel('Y轴标签', fontsize=12)
ax.set_title('基础线性图示例', fontsize=14, pad=20)
ax.grid(True, linestyle='--', alpha=0.3)

# 显示图例
ax.legend(loc='upper left')

plt.tight_layout()
plt.show()

输出效果：

2. 关键参数解析

参数	作用	示例值
`x`	X轴数据（数组或列表）	`np.linspace(0, 10, 100)`
`y`	Y轴数据（数组或列表）	`2 * x + 1`
`marker`	数据点标记（可选）	`'o'`, `'s'`, `'^'` 等
`linestyle`	线条样式（可选）	`'-'`, `'--'`, `':'` 等
`linewidth`	线条宽度（数值）	`2`
`color`	线条和标记颜色（颜色代码或名称）	`'#2ecc71'`, `'red'`
`markersize`	数据点大小（数值）	`5`
`label`	图例标签（可选）	`'Linear Data'`

3. 高级线性图技巧

3.1 添加趋势线（线性回归）

使用 numpy.polyfit 或 scipy.stats.linregress 计算回归系数并绘制趋势线：

python
# 计算线性回归
slope, intercept = np.polyfit(x, y, deg=1)

# 绘制回归线
ax.plot(x, slope * x + intercept, 'r--', linewidth=2, 
        label='Linear Regression: y={:.2f}x + {:.2f}'.format(slope, intercept))

3.2 多条线性图对比

python
# 生成多组数据
x = np.linspace(0, 10, 100)
y1 = 2 * x + 1
y2 = 3 * x - 2
y3 = -x + 5

# 绘制多条线
ax.plot(x, y1, label='Line 1 (y=2x+1)')
ax.plot(x, y2, label='Line 2 (y=3x-2)', linestyle='--')
ax.plot(x, y3, label='Line 3 (y=-x+5)', linestyle=':')

3.3 响应式坐标轴

自动调整坐标轴范围以适应数据：

python
ax.autoscale(enable=True, axis='both', tight=True)

3.4 定制化样式

• 线条样式：linestyle 参数支持 '-', '--', '-', ':' 等。
• 标记样式：marker 参数支持 'o', 's', 'D', '^' 等形状。
• 颜色映射：使用 cmap 参数为多条线分配颜色（需结合循环）。

4. 常见问题与解决

问题 1：数据点不连贯

原因：X轴数据未排序或包含缺失值。解决：确保 x 数组是升序排列且无缺失值。

问题 2：坐标轴标签重叠

解决：使用 plt.tight_layout() 或 plt.subplots_adjust() 调整布局。

问题 3：图例遮挡数据

解决：通过 loc 参数调整图例位置（如 'upper left', 'lower right'）。

5. 实际应用案例

案例：股票价格走势

python
# 模拟股票数据
date = np.arange('2023-01-01', '2023-12-31', dtype='datetime64[D]')
price = 100 + np.cumsum(np.random.normal(0, 1, len(date)))

# 绘制价格走势
fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(date, price, marker='.', linestyle='-', linewidth=1, 
        color='#3498db', label='Stock Price')

# 添加均线（20日移动平均）
window = 20
moving_avg = price.rolling(window=window).mean().dropna()
ax.plot(date[window:], moving_avg, 'g--', linewidth=2, 
        label='20-Day Moving Average')

ax.set_title('Stock Price Trend with Moving Average')
ax.set_xlabel('Date')
ax.set_ylabel('Price ($)')
ax.legend()
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

6. 总结

• 核心函数：ax.plot() 是绘制线性图的核心方法。
• 样式控制：通过参数调整线条、标记、颜色等，使图表更清晰易懂。
• 数据分析结合：可结合统计方法（如线性回归）增强图表的信息量。
• 布局优化：使用 tight_layout() 和 autopase 确保图表美观。

‍

机器学习概述

一、人工智能与机器学习

1.1 引子：身边的人工智能