python使用Matplotlib画图将每个点数值标出

以下是几个基于 `matplotlib` 的绘图示例代码及其说明： ### 示例 1：绘制简单折线图 此示例展示了如何使用 `plt.plot()` 函数绘制一条简单的折线图。 ```python import matplotlib.pyplot as plt # 数据准备 x = [1, 2, 3, 4, 5] y = [2, 3, 5, 7, 11] # 创建折线图 plt.plot(x, y, label="Line", color="blue", linestyle="--", marker="o") # 添加标签和标题 plt.xlabel("X-axis Label") plt.ylabel("Y-axis Label") plt.title("Simple Line Plot Example") plt.legend() # 显示图像 plt.show() ``` 这段代码利用了 `plt.plot()` 方法来生成一个带有标记点的虚线图表[^1]。 --- ### 示例 2：水平柱状图 下面是一个展示不同国家人口数量的水平柱状图的例子。 ```python import matplotlib.pyplot as plt name_list = ['China', 'USA', 'India', 'Russia'] num_list = [14, 3.3, 7.8, 1.46] plt.barh(name_list, num_list, color=['red', 'green', 'blue', 'purple']) plt.xlabel("Population (Billion)") plt.ylabel("Country Names") plt.title("Horizontal Bar Chart of Population by Country") plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域 plt.show() ``` 这个例子中的 `plt.barh()` 方法被用来制作水平方向上的条形统计图[^2]。 --- ### 示例 3：决策树分类边界可视化 这是一个更高级的应用场景——显示决策树模型对于二维空间内的分类边界的描绘方式。 ```python from sklearn.datasets import make_moons from sklearn.tree import DecisionTreeClassifier import numpy as np import matplotlib.pyplot as plt # 构建月牙形状数据集 X, y = make_moons(n_samples=100, noise=0.1) # 训练决策树模型 tree_clf = DecisionTreeClassifier(max_depth=3).fit(X, y) # 定义网格并预测每个网格单元所属类别 xx, yy = np.meshgrid(np.linspace(-2, 3, 500), np.linspace(-1, 2, 500)) Z = tree_clf.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 可视化结果 fig, ax = plt.subplots(figsize=(6, 4)) ax.contourf(xx, yy, Z, alpha=0.4, cmap=plt.cm.Paired) scatter = ax.scatter(X[:, 0], X[:, 1], c=y, s=20, edgecolors='k') legend = scatter.legend_elements(prop="colors", fmt=None)[0] ax.legend(legend, ["Class 0", "Class 1"], loc="upper left") plt.title("Decision Boundary Visualization Using Decision Tree Classifier") plt.show() ``` 这里通过调用 `contourf()` 和 `scatter()` 来呈现连续变化以及离散分布两种形式的数据特征[^4]。 --- ### 示例 4：带颜色条的高斯噪声热力图 最后介绍一种涉及渐变色彩表现手法的情况——即应用颜色映射技术表达数值差异程度的地图样式图形。 ```python import numpy as np import matplotlib.pyplot as plt import matplotlib.colors as mcolors np.random.seed(0) data = np.random.randn(10, 10) * 10 cmap = plt.cm.get_cmap('coolwarm') # 获取指定名称的颜色映射方案 norm = mcolors.Normalize(vmin=data.min(), vmax=data.max()) # 归一化处理原始矩阵元素值域至[0,1]区间范围内 fig, ax = plt.subplots() heatmap = ax.imshow(data, interpolation='nearest', cmap=cmap, norm=norm) cb = fig.colorbar(heatmap, ax=ax) # 插入右侧垂直放置的颜色比例尺组件对象实例变量赋值给局部变量名'cb' cb.set_label('Intensity') plt.title("Gaussian Noise Heatmap with Colorbar Progression") plt.xticks([]) plt.yticks([]) plt.show() ``` 在此案例里运用到了 `imshow()` 结合自定义好的颜色梯度表单完成最终渲染效果[^5]。 --- ####

在Python中使用Matplotlib绘制图形时，如果你希望横坐标（x轴）看起来不那么密集，可以使用`xticks()`函数来选择特定的刻度点，而`tick_params()`函数可以帮助控制相邻刻度之间的间距。对于每个隐藏的刻度点，你可以通过手动添加文本标签（`text()`函数）来显示其对应的数据值。 下面是一个示例： ```python import matplotlib.pyplot as plt import numpy as np # 创建一些数据，假设横坐标密集 x = np.arange(0, 100, 1) y = np.sin(x) # 绘制原始曲线 plt.plot(x, y) # 设置x轴刻度，选择特定间隔 selected_ticks = np.arange(0, 100, 10) # 每10个单位取一个刻度 plt.xticks(selected_ticks) # 控制相邻刻度间距 plt.xticks(rotation=45) # 稍微旋转刻度标签以减少重叠 plt.minorticks_off() # 关闭次要刻度，只保留主要刻度 # 显示每个隐藏刻度处的y轴值 for i, tick in enumerate(selected_ticks): if i > 0 and i < len(selected_ticks) - 1: # 避免在边界添加额外的标签 plt.text(tick + (selected_ticks[i] - selected_ticks[i-1])/2, max(y), f'{y[int(tick)]:.2f}', ha='center', va='bottom') plt.show() ``` 在这个例子中，我们选择了每10个单位的刻度点，并添加了相应的y值文本。这样，虽然x轴的视觉密度降低，但每个隐藏的刻度都有对应的数值信息。