pythonaxannotate

⑴ python matplotlib 繪制帶有刻度的箭頭

#繪制箭頭例子

def arrow():

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.style.use('seaborn-deep')

fig = plt.figure(figsize=(16, 9),dpi=75)

ax = fig.add_subplot(121)

x=np.array([1,2,3,4])

y=np.array([2,4,6,8])

ax.plot(x,y,color = 'b')

ax.annotate("",

xy=(4.5, 9),

xytext=(4, 8),

arrowprops=dict(arrowstyle="->", color="r"))

# 設置X軸、Y軸最大坐標

ax.set_xlim(0, 10)

ax.set_ylim(0, 10)

ax.grid()

ax.set_aspect('equal')

plt.title("趨勢展示圖")

plt.show()

arrow()

⑵ python 變數的命名

createPlot.ax1 是表示： ax1 是函數 createPlot 的一個屬性，這個可以在函數裡面定義也可以在函數定義後加入也可以
example：
def fun():
fun.x =1
當你在python的命令窗口下，運行一次fun()後，x 就是 fun()的一個屬性，你在命令窗口下輸入
fun.x 後面會顯示 1

也可以 在 函數定義完後加入 屬性 如 fun.y = 2,在使用 dir(fun)，你就會發現fun有 x,y 這兩個屬性

⑶ python多維數據怎麼繪制散點圖

python matplotlib模塊，是擴展的MATLAB的一個繪圖工具庫。他可以繪制各種圖形，可是最近最的一個小程序，得到一些三維的數據點圖，就學習了下python中的matplotlib模塊，如何繪制三維圖形。

初學者，可能對這些第三方庫安裝有一定的小問題，對於一些安裝第三方庫經驗較少的朋友，建議使用 Anaconda ，集成了很多第三庫，基本滿足大家的需求，下載地址，對應選擇python 2.7 或是 3.5 的就可以了（PS：後面的demo是python2.7）：

首先提醒注意，以下兩個函數的區別：

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow') #繪面1

和

ax.scatter(x[1000:4000],y[1000:4000],z[1000:4000],c='r') #繪點1

1、繪制3D曲面圖

# -*- coding: utf-8 -*-"""
Created on Thu Sep 24 16:17:13 2015

@author: Eddy_zheng
"""from matplotlib import pyplot as pltimport numpy as npfrom mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)# 具體函數方法可用 help(function) 查看，如：help(ax.plot_surface)ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')

plt.show()

效果展示：

2、繪制三維的散點圖（通常用於表述一些數據點分布）

4a.mat 數據地址，找到4a.mat 下載即可:

# -*- coding: utf-8 -*-"""
Created on Thu Sep 24 16:37:21 2015

@author: Eddy_zheng
"""import scipy.io as sio
from mpl_toolkits.mplot3d import Axes3Dimport matplotlib.pyplot as plt

mat1 = '4a.mat' #這是存放數據點的文件，需要它才可以畫出來。上面有下載地址data = sio.loadmat(mat1)
m = data['data']

x,y,z = m[0],m[1],m[2]
ax=plt.subplot(111,projection='3d') #創建一個三維的繪圖工程#將數據點分成三部分畫，在顏色上有區分度ax.scatter(x[:1000],y[:1000],z[:1000],c='y') #繪制數據點ax.scatter(x[1000:4000],y[1000:4000],z[1000:4000],c='r')
ax.scatter(x[4000:],y[4000:],z[4000:],c='g')

ax.set_zlabel('Z') #坐標軸ax.set_ylabel('Y')
ax.set_xlabel('X')
plt.show()24252627

效果：

上面就是學習區分了下兩個函數，當時還被小困惑了下，希望對大家有所幫助。其實裡面還有好多參數設置，比如說改變顏色，包括繪制點圖的點的形狀等都是可以改變的，有需要的大家可以自己看看這個函數，學習下(help(對應的function))。

版權聲明：本文為博主原創文章，未經博主允許不得轉載。Eddy_zheng

⑷ python怎麼表示指數

其中有兩個非常漂亮的指數函數圖就是用python的matplotlib畫出來的。這一期，我們將要介紹如何利用python繪制出如下指數函數。

圖 1 a>1圖 1 a>1

我們知道當0 ，指數函數 是單調遞減的，當a>1 時，指數函數是單調遞增的。所以我們首先要定義出指數函數，將a值做不同初始化

import math
...
def exponential_func(x, a): #定義指數函數
y=math.pow(a, x)
return y

然後，利用numpy構造出自變數，利用上面定義的指數函數來計算出因變數

X=np.linspace(-4, 4, 40) #構造自變數組
Y=[exponential_func(x) for x in X] #求函數值

有了自變數和因變數的一些散點，那麼就可以模擬我們平時畫函數操作——描點繪圖，利用下面代碼就可以實現

import math
import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.axisartist as axisartist #導入坐標軸加工模塊
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

fig=plt.figure(figsize=(6,4)) #新建畫布
ax=axisartist.Subplot(fig,111) #使用axisartist.Subplot方法創建一個繪圖區對象ax
fig.add_axes(ax) #將繪圖區對象添加到畫布中

def exponential_func(x, a=2): #定義指數函數
y=math.pow(a, x)
return y

X=np.linspace(-4, 4, 40) #構造自變數組
Y=[exponential_func(x) for x in X] #求函數值
ax.plot(X, Y) #繪制指數函數
plt.show()

圖 2 a=2

圖2雖簡單，但麻雀雖小五臟俱全，指數函數該有都有，接下來是如何讓其看起來像我們在作圖紙上面畫的那麼美觀，這里重點介紹axisartist 坐標軸加工類，在的時候我們已經用過了，這里就不再多說了。我們只需要在上面代碼後面加上一些代碼來將坐標軸好好打扮一番。

圖 3 a>1 完整代碼# -*- coding: utf-8 -*-圖 3 a>1 完整代碼# -*- coding: utf-8 -*-"""Created on Sun Feb 16 10:19:23 2020project name:@author: 帥帥de三叔"""import mathimport numpy as npimport matplotlib.pyplot as pltimport mp

⑸ python的Matplotlib如何對每個點進行標記注釋

用annotate函數

⑹ python中ax.legend 語句什麼意思

legend代表是 圖例 ax.legend是圖片中 圖例的設置

⑺ 在python 中打開波形文件 ︰ 未知的格式 ︰ 49.究竟怎麼了

投票
2
回答
1K
查看
我嘗試打開波形文件與 wave模塊，但是老是同樣的錯誤我試著不管。 包含錯誤的行是以下 ︰
wav = wave.open(f)

這是錯誤消息 ︰
Traceback (most recent call last):
File "annotate.py", line 47, in <mole>
play(file)
File "annotate.py", line 33, in play
wav = wave.open(f)
File "C:\Program Files (x86)\Python\lib\wave.py", line 498, in open
return Wave_read(f)
File "C:\Program Files (x86)\Python\lib\wave.py", line 163, in __init__
self.initfp(f)
File "C:\Program Files (x86)\Python\lib\wave.py", line 143, in initfp
self._read_fmt_chunk(chunk)
File "C:\Program Files (x86)\Python\lib\wave.py", line 269, in _read_fmt_chunk
raise Error('unknown format: %r' % (wFormatTag,))
wave.Error: unknown format: 49

字元串 f是路徑。WAV 文件，它工作在任何我的媒體播放器播放時。 我當然導入 wave的模塊。 我試過 f，作為一個相對和絕對路徑。 我試著用"wav"取代"WAV"。
錯誤什麼導致的？
投票
Python 的波模塊工作與特定類型的 WAV: PCM (WAVE_FORMAT_PCM: 0x0001)。
在您的情況下，您使用 WAV 類型 WAVE_FORMAT_GSM610[0x0031 = hex(49)].
你可以使用像大膽或者一些程序轉換的編解碼器，WAV 文件的類型更改為 lib。

⑻ 如何用Python 和牛頓法解四元一次方程組

比較弱的問一下，你確定不是
'''
theta22=spy.Symbol('theta22')
theta33=spy.Symbol('theta33')
theta44=spy.Symbol('theta44')
theta55=spy.Symbol('theta55')
'''
這段有問題？
多了引號？或者。。

⑼ 哪本python書立有蟻群演算法

簡介

蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法，初步的研究表明該演算法具有許多優良的性質。針對PID控制器參數優化設計問題，將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較，數值模擬結果表明，蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。
定義

各個螞蟻在沒有事先告訴他們食物在什麼地方的前提下開始尋找食物。當一隻找到食物以後，它會向環境釋放一種揮發性分泌物pheromone (稱為信息素,該物質隨著時間的推移會逐漸揮發消失，信息素濃度的大小表徵路徑的遠近)來實現的，吸引其他的螞蟻過來，這樣越來越多的螞蟻會找到食物。有些螞蟻並沒有像其它螞蟻一樣總重復同樣的路，他們會另闢蹊徑，如果另開辟的道路比原來的其他道路更短，那麼，漸漸地，更多的螞蟻被吸引到這條較短的路上來。最後，經過一段時間運行，可能會出現一條最短的路徑被大多數螞蟻重復著。

解決的問題

三維地形中，給出起點和重點，找到其最優路徑。

程序代碼：

numpy as npimport matplotlib.pyplot as plt%pylabcoordinates = np.array([[565.0,575.0],[25.0,185.0],[345.0,750.0],[945.0,685.0],[845.0,655.0],[880.0,660.0],[25.0,230.0],[525.0,1000.0],[580.0,1175.0],[650.0,1130.0],[1605.0,620.0],[1220.0,580.0],[1465.0,200.0],[1530.0, 5.0],[845.0,680.0],[725.0,370.0],[145.0,665.0],[415.0,635.0],[510.0,875.0],[560.0,365.0],[300.0,465.0],[520.0,585.0],[480.0,415.0],[835.0,625.0],[975.0,580.0],[1215.0,245.0],[1320.0,315.0],[1250.0,400.0],[660.0,180.0],[410.0,250.0],[420.0,555.0],[575.0,665.0],[1150.0,1160.0],[700.0,580.0],[685.0,595.0],[685.0,610.0],[770.0,610.0],[795.0,645.0],[720.0,635.0],[760.0,650.0],[475.0,960.0],[95.0,260.0],[875.0,920.0],[700.0,500.0],[555.0,815.0],[830.0,485.0],[1170.0, 65.0],[830.0,610.0],[605.0,625.0],[595.0,360.0],[1340.0,725.0],[1740.0,245.0]])def getdistmat(coordinates):num = coordinates.shape[0]distmat = np.zeros((52,52))for i in range(num):for j in range(i,num):distmat[i][j] = distmat[j][i]=np.linalg.norm(coordinates[i]-coordinates[j])return distmatdistmat = getdistmat(coordinates)numant = 40 #螞蟻個數numcity = coordinates.shape[0] #城市個數alpha = 1 #信息素重要程度因子beta = 5 #啟發函數重要程度因子rho = 0.1 #信息素的揮發速度Q = 1iter = 0itermax = 250etatable = 1.0/(distmat+np.diag([1e10]*numcity)) #啟發函數矩陣，表示螞蟻從城市i轉移到矩陣j的期望程度pheromonetable = np.ones((numcity,numcity)) # 信息素矩陣pathtable = np.zeros((numant,numcity)).astype(int) #路徑記錄表distmat = getdistmat(coordinates) #城市的距離矩陣lengthaver = np.zeros(itermax) #各代路徑的平均長度lengthbest = np.zeros(itermax) #各代及其之前遇到的最佳路徑長度pathbest = np.zeros((itermax,numcity)) # 各代及其之前遇到的最佳路徑長度while iter < itermax:# 隨機產生各個螞蟻的起點城市if numant <= numcity:#城市數比螞蟻數多pathtable[:,0] = np.random.permutation(range(0,numcity))[:numant]else: #螞蟻數比城市數多，需要補足pathtable[:numcity,0] = np.random.permutation(range(0,numcity))[:]pathtable[numcity:,0] = np.random.permutation(range(0,numcity))[:numant-numcity]length = np.zeros(numant) #計算各個螞蟻的路徑距離for i in range(numant):visiting = pathtable[i,0] # 當前所在的城市#visited = set() #已訪問過的城市，防止重復#visited.add(visiting) #增加元素unvisited = set(range(numcity))#未訪問的城市unvisited.remove(visiting) #刪除元素for j in range(1,numcity):#循環numcity-1次，訪問剩餘的numcity-1個城市#每次用輪盤法選擇下一個要訪問的城市listunvisited = list(unvisited)probtrans = np.zeros(len(listunvisited))for k in range(len(listunvisited)):probtrans[k] = np.power(pheromonetable[visiting][listunvisited[k]],alpha)*np.power(etatable[visiting][listunvisited[k]],alpha)cumsumprobtrans = (probtrans/sum(probtrans)).cumsum()cumsumprobtrans -= np.random.rand()k = listunvisited[find(cumsumprobtrans>0)[0]] #下一個要訪問的城市pathtable[i,j] = kunvisited.remove(k)#visited.add(k)length[i] += distmat[visiting][k]visiting = klength[i] += distmat[visiting][pathtable[i,0]] #螞蟻的路徑距離包括最後一個城市和第一個城市的距離#print length# 包含所有螞蟻的一個迭代結束後，統計本次迭代的若干統計參數lengthaver[iter] = length.mean()if iter == 0:lengthbest[iter] = length.min()pathbest[iter] = pathtable[length.argmin()].()else:if length.min() > lengthbest[iter-1]:lengthbest[iter] = lengthbest[iter-1]pathbest[iter] = pathbest[iter-1].()else:lengthbest[iter] = length.min()pathbest[iter] = pathtable[length.argmin()].()# 更新信息素changepheromonetable = np.zeros((numcity,numcity))for i in range(numant):for j in range(numcity-1):changepheromonetable[pathtable[i,j]][pathtable[i,j+1]] += Q/distmat[pathtable[i,j]][pathtable[i,j+1]]changepheromonetable[pathtable[i,j+1]][pathtable[i,0]] += Q/distmat[pathtable[i,j+1]][pathtable[i,0]]pheromonetable = (1-rho)*pheromonetable + changepheromonetableiter += 1 #迭代次數指示器+1#觀察程序執行進度，該功能是非必須的if (iter-1)%20==0:print iter-1# 做出平均路徑長度和最優路徑長度fig,axes = plt.subplots(nrows=2,ncols=1,figsize=(12,10))axes[0].plot(lengthaver,'k',marker = u'')axes[0].set_title('Average Length')axes[0].set_xlabel(u'iteration')axes[1].plot(lengthbest,'k',marker = u'')axes[1].set_title('Best Length')axes[1].set_xlabel(u'iteration')fig.savefig('Average_Best.png',dpi=500,bbox_inches='tight')plt.close()#作出找到的最優路徑圖bestpath = pathbest[-1]plt.plot(coordinates[:,0],coordinates[:,1],'r.',marker=u'$cdot$')plt.xlim([-100,2000])plt.ylim([-100,1500])for i in range(numcity-1):#m,n = bestpath[i],bestpath[i+1]print m,nplt.plot([coordinates[m][0],coordinates[n][0]],[coordinates[m][1],coordinates[n][1]],'k')plt.plot([coordinates[bestpath[0]][0],coordinates[n][0]],[coordinates[bestpath[0]][1],coordinates[n][1]],'b')ax=plt.gca()ax.set_title("Best Path")ax.set_xlabel('X axis')ax.set_ylabel('Y_axis')plt.savefig('Best Path.png',dpi=500,bbox_inches='tight')plt.close()