python编程制图库

❶ python浠ｇ爜鐢籎OJO

Python鏄涓绉嶉潪甯告祦琛岀殑缂栫▼璇瑷锛屽畠鍙浠ョ敤𨱒ュ畬鎴愬悇绉嶅悇镙风殑浠诲姟锛屽寘𨰾缁桦埗锲惧舰銆傚湪链鏂囦腑锛屾垜灏嗕粙缁嶅备綍浣跨敤Python浠ｇ爜𨱒ョ粯鍒禞OJO镄勫浘镀忋
棣栧厛锛屾垜浠闇瑕佸畨瑁匬ython镄勭粯锲惧簱钬斺撄urtle銆傚湪瀹夎呭畬鎴愬悗锛屾垜浠鍙浠ヤ娇鐢ㄤ互涓嬩唬镰佹潵瀵煎叆搴揿苟鍒涘缓鐢诲竷锛
```python
import turtle
canvas = turtle.Screen()
canvas.setup(800, 800)
canvas.title('JOJO')
```
鍦ㄥ垱寤虹敾甯冨悗锛屾垜浠鍙浠ュ紑濮嬬粯鍒禞OJO镄勫浘镀忋傛垜浠闇瑕佷娇鐢╰urtle搴扑腑镄勫嚱鏁版潵缁桦埗绾挎浔銆佸浘褰㈠拰鏂囧瓧銆备互涓嬫槸涓浜涘父鐢ㄧ殑鍑芥暟锛
- turtle.forward(distance)锛氩悜鍓岖Щ锷ㄦ寚瀹氲窛绂荤殑绾挎浔
- turtle.right(angle)锛氩悜鍙宠浆锷ㄦ寚瀹氲掑害
- turtle.left(angle)锛氩悜宸﹁浆锷ㄦ寚瀹氲掑害
- turtle.penup()锛氭姮璧风敾绗旓纴涓岖粯鍒剁嚎𨱒
- turtle.pendown()锛氭斁涓嬬敾绗旓纴寮濮嬬粯鍒剁嚎𨱒
- turtle.circle(radius)锛氱粯鍒舵寚瀹氩崐寰勭殑鍦嗗舰
- turtle.write(text)锛氱粯鍒舵寚瀹氭枃链
鎺ヤ笅𨱒ワ纴鎴戜滑鍙浠ヤ娇鐢ㄨ繖浜涘嚱鏁版潵缁桦埗JOJO镄勫ご閮ㄣ佽韩浣撱佹坠镊傚拰鑵裤备互涓嬫槸绀轰緥浠ｇ爜锛
```python
pen = turtle.Turtle()
pen.speed(0)
pen.pensize(5)
pen.color('black', 'white')
# 缁桦埗澶撮儴
pen.begin_fill()
pen.circle(100)
pen.end_fill()
# 缁桦埗韬浣
pen.penup()
pen.goto(0, -150)
pen.pendown()
pen.begin_fill()
pen.circle(150)
pen.end_fill()
# 缁桦埗镓嬭哕
pen.penup()
pen.goto(-70, -120)
pen.pendown()
pen.right(30)
pen.forward(120)
pen.left(60)
pen.forward(100)
pen.penup()
pen.goto(70, -120)
pen.pendown()
pen.left(120)
pen.forward(120)
pen.right(60)
pen.forward(100)
# 缁桦埗鑵
pen.penup()
pen.goto(-50, -280)
pen.pendown()
pen.right(30)
pen.forward(120)
pen.left(60)
pen.forward(100)
pen.penup()
pen.goto(50, -280)
pen.pendown()
pen.left(120)
pen.forward(120)
pen.right(60)
pen.forward(100)
```
杩愯屼互涓娄唬镰佸悗锛屾垜浠灏卞彲浠ュ湪鐢诲竷涓婄湅鍒扮粯鍒跺嚭𨱒ョ殑JOJO锲惧儚浜嗐
闄や简缁桦埗锘烘湰锲惧舰澶栵纴鎴戜滑杩桦彲浠ヤ娇鐢≒ython浠ｇ爜𨱒ユ坊锷犻滆壊銆佺汗鐞嗗拰阒村奖绛夋晥鏋溿备緥濡傦纴鎴戜滑鍙浠ヤ娇鐢ㄤ互涓嬩唬镰佷负JOJO镄勫ご閮ㄦ坊锷犵汗鐞嗭细
```python
pen.penup()
pen.goto(0, 50)
pen.pendown()
pen.color('black', 'grey')
pen.begin_fill()
for i in range(8):
pen.circle(20, 45)
pen.end_fill()
```
阃氲繃浠ヤ笂浠ｇ爜锛屾垜浠鍙浠ュ湪JOJO镄勫ご閮ㄤ笂缁桦埗鍑轰竴浜涘皬鍦嗗湀锛屼粠钥屽疄鐜扮汗鐞嗘晥鏋溿
镐讳箣锛孭ython浠ｇ爜鍙浠ョ敤浜庣粯鍒跺悇绉嶅悇镙风殑锲惧儚锛屽寘𨰾琂OJO銆傚笇链涙湰鏂囱兘澶熷府锷╁ぇ瀹舵洿濂藉湴鎺屾彙Python缁桦浘鎶宸э纴鍒涗綔鍑烘洿锷犱紭缇庣殑锲惧儚銆

❷ Python中除了matplotlib外还有哪些数据可视化的库

数据可视化是展示数据、理解数据的有效手段，常用的Python数据可视化库如下：
1.Matplotlib：第一个Python可视化库，有许多别的程序库都是建立在其基础上或者直接调用该库，可以很方便地得到数据的大致信息，功能非常强大，但也非常复杂。
2.Seaborn：利用Matplotlib，用简洁的代码来制作好看的图表，与Matplotlib最大的区别为默认绘图风格和色彩搭配都具有现代美感。
3.ggplot：基于R的一个作图库的ggplot2，同时利用了源于《图像语法》中的概念，允许叠加不同的图层来完成一幅图，并不适用于制作非常个性化的图像，为操作的简洁度而牺牲了图像的复杂度。
4.Bokeh：与ggplot很相似，但与ggplot不同之处为它完全基于Python而不是从R处引用。长处在于能用于制作可交互、可直接用于网络的图表。图表可以输出为JSON对象、HTML文档或者可交互的网络应用。
5.Plotly：可以通过Python notebook使用，与bokeh一样致力于交互图表的制作，但提供在别的库中几乎没有的几种图表类型，如等值线图、树形图和三维图表。
6.pygal：与Bokeh和Plotly一样，提供可直接嵌入网络浏览器的可交互图像。与其他两者的主要区别在于可将图表输出为SVG格式，所有的图表都被封装成方法，且默认的风格也很漂亮，用几行代码就可以很容易地制作出漂亮的图表。
7.geoplotlib：用于制作地图和地理相关数据的工具箱。可用来制作多种地图，比如等值区域图、热度图、点密度图等，必须安装Pyglet方可使用。
8.missingno：用图像的方式快速评估数据缺失的情况，可根据数据的完整度对数据进行排序或过滤，或者根据热度图或树状图对数据进行修正。

❸ Python中数据可视化经典库有哪些

Python有很多经典的数据可视化库，比较经典的数据可视化库有下面几个。

matplotlib

是Python编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向应用程序嵌入式绘图提供了应用程序接口。

pyplot 是 matplotlib 的一个模块，它提供了一个类似 MATLAB 的接口。 matplotlib 被设计得用起来像 MATLAB，具有使用 Python 的能力。

优点：绘图质量高，可绘制出版物质量级别的图形。代码够简单，易于理解和扩展，使绘图变得轻松，通过Matplotlib可以很轻松地画一些或简单或复杂的图形，几行代码即可生成直方图、条形图、散点图、密度图等等，最重要的是免费和开源。

优点：用于创建、操纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。

上面是我的回答，希望对您有所帮助！

❹ python绗涓夋柟搴撴湁鍝浜

python绗涓夋柟搴揿寘𨰾锛歍VTK銆丮ayavi銆乀raitUI銆丼ciPy銆

Python绗涓夋柟搴揟VTK锛岃茶В绉戝﹁＄畻涓夌淮琛ㄨ揪鍜屽彲瑙嗗寲镄勫熀链姒傚康銆

Python绗涓夋柟搴揗ayavi锛岃茶В绉戝﹁＄畻涓夌淮琛ㄨ揪鍜屽彲瑙嗗寲镄勪娇鐢ㄦ柟娉曘

Python绗涓夋柟搴揟raitUI锛岃茶В浜や簰寮忕戝﹁＄畻涓夌淮鏁堟灉搴旂敤镄勫紑鍙戞柟娉曘

Python绗涓夋柟搴揝ciPy锛屽埯姝ヤ粙缁岖戝﹁＄畻宸ュ叿绠便

Python绉戝﹁＄畻涓夌淮鍙瑙嗗寲璇剧▼璁茶В锛屽埄鐢≒ython璇瑷瀵圭戝﹁＄畻鏁版嵁杩涜岃〃杈惧拰涓夌淮鍙瑙嗗寲灞旷ず镄勬妧链鍜屾柟娉曪纴甯锷╁︿範钥呮帉鎻″埄鐢ㄤ笁缁存晥鏋滆〃杈剧戝﹀拰宸ョ▼鏁版嵁镄勮兘锷涖侾ython绉戝﹁＄畻涓夌淮鍙瑙嗗寲璇剧▼闱㈠悜绉戝﹀拰宸ョ▼鑳屾櫙镄勭紪绋嫔︿範钥呫

Python镄勭壒镣

绠鍗曪细Python鏄涓绉崭唬琛ㄧ亩鍗曚富涔夋濇兂镄勮瑷銆傞槄璇讳竴涓镩濂界殑Python绋嫔簭灏辨劅瑙夊儚鏄鍦ㄨ昏嫳璇涓镙枫傚畠浣夸綘鑳藉熶笓娉ㄤ簬瑙ｅ喅闂棰樿屼笉鏄铡绘闷鏄庣槠璇瑷链韬銆

鏄揿︼细Python鏋佸叾瀹规槗涓婃坠锛屽洜涓篜ython链夋瀬鍏剁亩鍗旷殑璇存槑鏂囨。銆

鏄撶淮鎶わ细椋庢牸娓呮榈鍒掍竴銆佸己鍒剁缉杩涖

阃熷害杈冨揩锛歅ython镄勫簳灞傛槸鐢–璇瑷鍐欑殑锛屽緢澶氭爣鍑嗗簱鍜岀涓夋柟搴扑篃閮芥槸鐢–鍐欑殑锛岃繍琛岄熷害闱炲父蹇銆

鍏嶈垂寮婧愶细Python鏄疐LOSS锛堣嚜鐢憋纺寮鏀炬簮镰佽蒋浠讹级涔嬩竴銆备娇鐢ㄨ呭彲浠ヨ嚜鐢卞湴鍙戝竷杩欎釜杞浠剁殑𨰾疯礉銆侀槄璇诲畠镄勬簮浠ｇ爜銆佸瑰畠锅氭敼锷ㄣ佹妸瀹幂殑涓閮ㄥ垎鐢ㄤ簬鏂扮殑镊鐢辫蒋浠朵腑銆侳LOSS鏄锘轰簬涓涓锲浣揿垎浜鐭ヨ瘑镄勬傚康銆

浠ヤ笂鍐呭瑰弬钥锏惧害锏剧-Python绉戝﹁＄畻涓夌淮鍙瑙嗗寲

❺ Python 的实时绘图库选哪个好

• Matplotlib
  速度慢，适用于绘制高质量的图像，但不适用于快速的实时绘图。PyQtGraph官网
  对此评论为：If you are doing anything requiring rapid plot updates, video, or
  realtime interactivity, matplotlib is not the best choice.

• PyQwt
  不支持PyQt5，还有就是不再维护了，PyQtGraph官网
  对此评论为：Its main drawback is that it is currently unmaintained and can be
  difficult to get working on a variety of platforms. Hopefully in the
  future it may find a new maintainer, but until then it may be best to
  avoid PyQwt.

• PyQtGraph
  使用Python编写，支持PyQt4和PyQt5，最新发布版本为0.10.0停留在2016年。

• PythonQwt
  使用Python编写，支持PyQt4和PyQt5，PythonQwt的GitHub主页
  对此介绍为：The PythonQwt package is a 2D-data plotting library using Qt
  graphical user interfaces for the Python programming language. It is
  compatible with both PyQt4 and PyQt5.

• guiqwt
  和PythonQwt是同一作者，基于PythonQwt做了功能扩展，最新发布版本为3.0.3停留在2016年。

❻ 常用的十大python图像处理工具

原文标题：10 Python image manipulation tools.
作者 | Parul Pandey
翻译 | 安其罗乔尔、JimmyHua
今天，在我们的世界里充满了数据，图像成为构成这些数据的重要组成部分。但无论是用于何种用途，这些图像都需要进行处理。图像处理就是分析和处理数字图像的过程，主要旨在提高其质量或从中提取一些信息，然后可以将其用于某种用途。
图像处理中的常见任务包括显示图像，基本操作如裁剪、翻转、旋转等，图像分割，分类和特征提取，图像恢复和图像识别。Python成为这种图像处理任务是一个恰当选择，这是因为它作为一种科学编程语言正在日益普及，并且在其生态系统中免费提供许多最先进的图像处理工具供大家使用。
让我们看一下可以用于图像处理任务中的常用 Python 库有哪些吧。

1.scikit-image
scikit-image是一个开源的Python包，适用于numpy数组。它实现了用于研究，教育和工业应用的算法和实用工具。即使是那些刚接触Python生态系统的人，它也是一个相当简单直接的库。此代码是由活跃的志愿者社区编写的，具有高质量和同行评审的性质。
资源
文档里记录了丰富的例子和实际用例，阅读下面的文档：
http://scikit-image.org/docs/stable/user_guide.html
用法
该包作为skimage导入，大多数功能都在子模块中找的到。下面列举一些skimage的例子：
图像过滤

使用match_template函数进行模板匹配

你可以通过此处查看图库找到更多示例。
2. Numpy
Numpy是Python编程的核心库之一，并为数组提供支持。图像本质上是包含数据点像素的标准Numpy数组。因此，我们可以通过使用基本的NumPy操作，例如切片、掩膜和花式索引，来修改图像的像素值。可以使用skimage加载图像并使用matplotlib显示图像。
资源
Numpy的官方文档页面提供了完整的资源和文档列表：
http://www.numpy.org/
用法
使用Numpy来掩膜图像.

3.Scipy
scipy是Python的另一个类似Numpy的核心科学模块，可用于基本的图像操作和处理任务。特别是子模块scipy.ndimage，提供了在n维NumPy数组上操作的函数。该包目前包括线性和非线性滤波，二值形态学，B样条插值和对象测量等功能函数。
资源
有关scipy.ndimage包提供的完整功能列表，请参阅下面的链接：
https://docs.scipy.org/doc/scipy/reference/tutorial/ndimage.html#correlation-and-convolution
用法
使用SciPy通过高斯滤波器进行模糊：

4. PIL/ Pillow
PIL( Python图像库 )是Python编程语言的一个免费库，它支持打开、操作和保存许多不同的文件格式的图像。然而， 随着2009年的最后一次发布，它的开发停滞不前。但幸运的是还有有Pillow，一个PIL积极开发的且更容易安装的分支，它能运行在所有主要的操作系统，并支持Python3。这个库包含了基本的图像处理功能，包括点运算、使用一组内置卷积核的滤波和色彩空间的转换。
资源
文档中有安装说明，以及涵盖库的每个模块的示例：
https://pillow.readthedocs.io/en/3.1.x/index.html
用法
在 Pillow 中使用 ImageFilter 增强图像：

5. OpenCV-Python
OpenCV( 开源计算机视觉库 )是计算机视觉应用中应用最广泛的库之一 。OpenCV-Python 是OpenCV的python版API。OpenCV-Python的优点不只有高效，这源于它的内部组成是用C/C++编写的，而且它还容易编写和部署（因为前端是用Python包装的）。这使得它成为执行计算密集型计算机视觉程序的一个很好的选择。
资源
OpenCV-Python-Guide指南可以让你使用OpenCV-Python更容易：
https://github.com/abidrahmank/OpenCV2-Python-Tutorials
用法
下面是一个例子，展示了OpenCV-Python使用金字塔方法创建一个名为“Orapple”的新水果图像融合的功能。

6. SimpleCV
SimpleCV 也是一个用于构建计算机视觉应用程序的开源框架。有了它，你就可以访问几个高性能的计算机视觉库，如OpenCV，而且不需要先学习了解位深度、文件格式、颜色空间等。
它的学习曲线大大小于OpenCV，正如它们的口号所说“计算机视觉变得简单”。一些支持SimpleCV的观点有：
即使是初学者也可以编写简单的机器视觉测试摄像机、视频文件、图像和视频流都是可互操作的资源
官方文档非常容易理解，而且有大量的例子和使用案例去学习：
https://simplecv.readthedocs.io/en/latest/
用法

7. Mahotas
Mahotas 是另一个计算机视觉和图像处理的Python库。它包括了传统的图像处理功能例如滤波和形态学操作以及更现代的计算机视觉功能用于特征计算，包括兴趣点检测和局部描述符。该接口是Python语言，适合于快速开发，但是算法是用C语言实现的，并根据速度进行了调优。Mahotas库速度快，代码简洁，甚至具有最小的依赖性。通过原文阅读它们的官方论文以获得更多的了解。
资源
文档包括安装指导，例子，以及一些教程，可以更好的帮助你开始使用mahotas。
https://mahotas.readthedocs.io/en/latest/install.html
用法
Mahotas库依赖于使用简单的代码来完成任务。关于‘Finding Wally’的问题，Mahotas做的很好并且代码量很少。下面是源码：
https://mahotas.readthedocs.io/en/latest/wally.html

8. SimpleITK
ITK 或者 Insight Segmentation and Registration Toolkit是一个开源的跨平台系统，为开发人员提供了一套广泛的图像分析软件工具 。其中, SimpleITK是建立在ITK之上的简化层，旨在促进其在快速原型设计、教育、解释语言中的应用。SimpleITK 是一个图像分析工具包，包含大量支持一般过滤操作、图像分割和匹配的组件。SimpleITK本身是用C++写的，但是对于包括Python以内的大部分编程语言都是可用的。
资源
大量的Jupyter Notebooks 表明了SimpleITK在教育和研究领域已经被使用。Notebook展示了用Python和R编程语言使用SimpleITK来进行交互式图像分析。
http://insightsoftwareconsortium.github.io/SimpleITK-Notebooks/
用法
下面的动画是用SimpleITK和Python创建的刚性CT/MR匹配过程的可视化 。点击此处可查看源码！

9. pgmagick
pgmagick是GraphicsMagick库的一个基于python的包装。 GraphicsMagick图像处理系统有时被称为图像处理的瑞士军刀。它提供了一个具有强大且高效的工具和库集合，支持以88种主要格式(包括重要格式，如DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF)读取、写入和操作图像。
资源
有一个专门用于PgMagick的Github库 ，其中包含安装和需求说明。还有关于这个的一个详细的用户指导：
https://github.com/hhatto/pgmagick
用法
使用pgmagick可以进行的图像处理活动很少，比如：
图像缩放

边缘提取

10. Pycairo
Pycairo是图像处理库cairo的一组Python捆绑。Cairo是一个用于绘制矢量图形的2D图形库。矢量图形很有趣，因为它们在调整大小或转换时不会失去清晰度 。Pycairo是cairo的一组绑定，可用于从Python调用cairo命令。
资源
Pycairo的GitHub库是一个很好的资源，有关于安装和使用的详细说明。还有一个入门指南，其中有一个关于Pycairo的简短教程。
库：https://github.com/pygobject/pycairo指南：https://pycairo.readthedocs.io/en/latest/tutorial.html用法
使用Pycairo绘制线条、基本形状和径向梯度：

总结
有一些有用且免费的Python图像处理库可以使用，有的是众所周知的，有的可能对你来说是新的，试着多去了解它们。

❼ 有哪些好用的Python库

Python作为一门胶水语言，第三方库众多，下面我简单介绍几个好用的Python库：

tensorflow

这是谷歌非常着名的一个开源机器学习框架，在业界非常受欢迎，可以灵活、快速的构建大规模机器学习应用（如神经网络等），性能和可移植性都非常不错，支持GPU并行计算，如果你对机器学习比较感兴趣，也想深入了解一下的话，可以学习一下这个框架，非常不错：

pandas

如果你对数据分析比较感兴趣，那么pandas就是一个非常不错的选择，专门为数据分析而建，内置的函数和方法可以快速处理Excel，CSV等文件，而且提供了实时分析功能，代码量更少，使用起来也更方便，对于数据处理来说，是一个非常不错的分析工具：

matplotlib

这是Python的一个数据可视化库，可以快速制作我们常见的图表，如柱状图、饼状图、散点图等，当然，也不仅仅限于这些，还有很多，如果你想画出更多美丽的图表，可以考虑学习一下这个库，非常值得学习，当然，seaborn，pyecharts等这些可视化库也非常不错：

tushare

如果你对金融财经比较感兴趣，想快速获取股票等行情数据，也不想编写复杂的处理代码，那么tushare就是一个非常不错的选择，自动整合了国内大部分金融财经数据，完成了数据从采集、清洗和存储的全过程，只需简单的几行代码就可以实时快速获取到你所想要的数据，免费且开源：

PyQt

这是Python的一个GUI开发库，如果你想快速创建一个桌面GUI程序，想直接拖拽控件布局界面的话，那么PyQt就是一个非常不错的选择，基于Qt的QtDesigner设计工具，你可以直接拖拽Qt大量的控件快速构建出你自己的桌面应用，简单而又快捷：

Kivy

如果你想利用Python开发一个安卓应用，那么kivy就是一个非常不错的选择，这是Python的一个开源、跨平台的GUI库，只需要编写一套代码，即可运行在大部分桌面及移动平台上，包括winsows，linux，ios，android等，非常不错：

scrapy

这是Python的一个爬虫框架，在也就非常受欢迎，如果你想快速的定制自己的爬虫程序，又不想重复的造轮子的话，可以学习一下这个库，只需要添加少量的代码，就可启动属于自己的一个爬虫应用，非常方便：

django

这是一个流行的PythonWeb框架，如果你想快速构建一个自己的web应用，那么这个框架就非常值得学习，成熟稳重，基于MVC模式，使用起来非常方便，当然，也有轻量级的web框架，如flask，tornado等，也都非常不错：

pygame

如果你想快速开发一个小型游戏，又不想低级语言的束缚，可以考虑学习一下这个库，非常简单，只需要少量的代码便可构建一个游戏应用，当然，它也是一个非常不错的GUI库，对于桌面开发来说，也是一个不错的选择：

you-get

这是Python的一个视频、音频下载库，如果你想免费快速下载优派卜酷、B站、腾讯等网站的视频，安装这个库后，只尘竖穗需要简单的一行命令就可直接下载，非常方便，纤哗而且还可以在线观看，查看视频文件格式及清晰度等，当然，图片也可直接下载：

就介绍这10个不错的Python库吧，对于日常学习开发来说，非常不错，当然，还有许多其他好用的Python库，这个可以到网上搜索一下，非常多，也欢迎大家留言补充。

❽ Python之神奇的绘图库matplotlib

matplotlib是Python最着名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。本文将以例子的形式分析matplot中支持的，分析中常用的几种图。其中包括填充图、散点图(scatter plots)、. 条形图(bar plots)、等高线图(contour plots)、 点阵图和3D图，下面来一起看看详细的介绍：

一、填充图

参考代码

简要分析

这里主要是用到了fill_between函数。这个函数很好理解，就是传入x轴的数组和需要填充的两个y轴数组；然后传入填充的范围，用where=来确定填充的区域；最后可以加上填充颜色啦，透明度之类修饰的参数。

相关推荐：《Python教程》

效果图

二、散点图(scatter plots)

参考代码

简要分析

1.首先介绍一下numpy 的normal函数，很明显，这是生成正态分布的函数。这个函数接受三个参数，分别表示正态分布的平均值，标准差，还有就是生成数组的长度。很好记。

2.然后是arctan2函数，这个函数接受两个参数，分别表示y数组和x数组，然后返回对应的arctan(y/x)的值，结果是弧度制。

3.接下来用到了绘制散点图的scatter方法，首先当然是传入x和y数组，接着s参数表示scale，即散点的大小；c参数表示color，我给他传的是根据角度划分的一个数组，对应的就是每一个点的颜色（虽然不知道是怎么对应的，不过好像是一个根据数组内其他元素进行的相对的转换，这里不重要了，反正相同的颜色赋一样的值就好了）；最后是alpha参数，表示点的透明度。scatter函数的高级用法可以参见官方文档scatter函数或者help文档，最后设置下坐标范围就好了。

效果图

三、等高线图(contour plots)

参考代码

简要分析

1.首先要明确等高线图是一个三维立体图，所以我们要建立一个二元函数f，值由两个参数控制，(注意，这两个参数都应该是矩阵)。

2.然后我们需要用numpy的meshgrid函数生成一个三维网格，即，x轴由第一个参数指定，y轴由第二个参数指定。并返回两个增维后的矩阵，今后就用这两个矩阵来生成图像。

3.接着就用到coutourf函数了，所谓contourf，大概就是contour fill的意思吧，只填充，不描边；这个函数主要是接受三个参数，分别是之前生成的x、y矩阵和函数值；接着是一个整数，大概就是表示等高线的密度了，有默认值；然后就是透明度和配色问题了，cmap的配色方案这里不多研究。

4.随后就是contour函数了，很明显，这个函数是用来描线的。用法可以类似的推出来，不解释了，需要注意的是他返回一个对象，这个对象一般要保留下来个供后续的加工细化。

5.最后就是用clabel函数来在等高线图上表示高度了，传入之前的那个contour对象；然后是inline属性，这个表示是否清除数字下面的那条线，为了美观当然是清除了，而且默认的也是1；再就是指定线的宽度了。

效果图