numpy 與 matplotlib 的應用

numpy 與 matplotlib 的應用

一、庫函數介紹

1. numpy庫

　　NumPy（Numeric Python）提供了一個N維的數組類型ndarray，Numpy底層使用C語言編寫，內部解除了GIL（全局解釋器鎖），其對數組的操作速度不受Python解釋器的限制，效率遠高於純Python代碼。

　　ndarray到底跟原生python列表的區別：

　　ndarray中的所有元素的類型都是相同的，而Python列表中的元素類型是任意的，所以ndarray在存儲元素時記憶體可以連續，而python原生list就只能通過定址方式找到下一個元素，這雖然也導致了在通用性能方面Numpy的ndarray不及Python原生list，但在科學計算中，Numpy的ndarray就可以省掉很多迴圈語句，代碼使用方面比Python原生list簡單的多。

2. matplotlib庫

　　matplotlib 是一個 Python 的 2D繪圖庫，也是Python編程語言及其數值數學擴展包 NumPy的可視化操作界面。它利用通用的圖形用戶界面工具包，如Tkinter, wxPython, Qt或GTK+嚮應用程式嵌入式繪圖提供了應用程式介面（API）。此外，matplotlib還有一個基於圖像處理庫（如開放圖形庫OpenGL）的pylab介面，其設計與MATLAB非常類似--儘管並不怎麼好用。SciPy就是用matplotlib進行圖形繪製。

二、應用A

1. 介紹：對python123作業的成績通過畫圖顯示

2. 代碼實現：

 1 # -*- coding:utf-8 -*-
 2 ''' 成績雷達圖 '''
 3 import numpy as np
 4 import matplotlib.pyplot as plt
 5 plt.rcParams['font.family'] = 'SimHei'        # 設置字體
 6 plt.rcParams['font.sans-serif'] = ['SimHei']  # 設置字體
 7 
 8 labels = np.array(['第一周','第二周','第三周','第四周','第五周','第六周']) # 設置標簽
 9 datas = np.array([8, 10, 9, 10, 11, 7])       # 設置數據
10 angles = np.linspace(0, 2*np.pi, 6, endpoint = False) # 設置角度
11 datas = np.concatenate((datas, [datas[0]]))
12 angles = np.concatenate((angles, [angles[0]]))
13 fig = plt.figure(facecolor = 'white')         # 創建繪圖區域
14 plt.subplot(111, polar = True)                # 極坐標
15 plt.plot(angles, datas, 'bo-', color = 'g', linewidth = 1) # 畫圖
16 plt.fill(angles, datas, facecolor = 'g', alpha = 0.25)     # 填充
17 plt.thetagrids(angles*180/np.pi, labels)      # 設置極坐標的位置
18 plt.figtext(0.52, 0.95, '04-步平凡', ha = 'center') # 設置標題
19 plt.grid(True)   # 打開網格線
20 plt.show()       # 展示圖片

3. 效果展示：

三、應用B

1. 介紹：使用numpy和PIL庫實現圖像的手繪效果

2. 代碼實現：

 1 # -*- coding:utf-8 -*-
 2 ''' 手繪圖像效果 '''
 3 import numpy as np
 4 from PIL import Image
 5 vec_el = np.pi/2.2   # 光源的俯視角度，弧度值
 6 vec_az = np.pi/4.    # 光源的方位角度，弧度值
 7 depth = 6.          # 深度權值，值越小背景區域越接近白色，值越大背景區域越接近黑色
 8 im = Image.open('PICTURE\HandMade.jpg').convert('L')     # 打開圖像並轉變為灰度模式
 9 a = np.asarray(im).astype('float')
10 grad = np.gradient(a)              # 取圖像灰度的梯度值
11 grad_x, grad_y = grad              # 分別取圖像的橫縱梯度值
12 grad_x = grad_x * depth / 100.
13 grad_y = grad_y * depth / 100.
14 dx = np.cos(vec_el) * np.cos(vec_az) # 光源對x軸的影響
15 dy = np.cos(vec_el) * np.sin(vec_az) # 光源對y軸的影響
16 dz = np.sin(vec_el)                  # 光源對z軸的影響
17 A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
18 uni_x = grad_x/A
19 uni_y = grad_y/A
20 uni_z = 1./A
21 a2 = 255*(dx * uni_x + dy * uni_y + dz * uni_z) # 光源歸一化
22 a2 = a2.clip(0, 255)                 # 預防溢出
23 im2 = Image.fromarray(a2.astype('uint8'))       # 重構圖像
24 im2.save('HandMade_.jpg') # 保存圖像
25 im2.show()                # 顯示圖像

3. 效果展示：

                                           原圖                                                                              效果圖

四、應用C

1. 簡介：用numpy和matplotlib展現數學模型 —— 正態分佈

2. 代碼實現：

 1 # -*- coding:utf-8 -*-
 2 ''' 正態分佈 '''
 3 import numpy as np
 4 import matplotlib.mlab as mlab
 5 import matplotlib.pyplot as plt
 6 
 7 dx = 100           # 正態分佈的均值
 8 sigma = 15         # 標準差
 9 x = dx + sigma * np.random.randn(10000)  # 在均值周圍產生符合正態分佈的x值
10 
11 num_bins = 50
12 n, bins, patches = plt.hist(x, num_bins, normed=1, facecolor='green', alpha=0.5)
13 # 直方圖函數，x為x軸的值，normed=1表示為概率密度，即和為一，綠色方塊，色深參數0.5.返回n個概率，直方塊左邊線的x值，及各個方塊對象
14 y = mlab.normpdf(bins, dx, sigma)        # 畫一條逼近的曲線
15 plt.plot(bins, y, 'r--')
16 plt.xlabel('Smarts')                     # x軸標簽
17 plt.ylabel('Probability')                # y軸標簽
18 plt.title(r'Histogram of IQ: $\mu=100$, $\sigma=15$') # 中文標題
19 
20 plt.subplots_adjust(left=0.15)           # 左邊距
21 plt.grid(True)      # 打開網格線
22 plt.show()          # 顯示圖片

3. 效果展示：