matplotlib2

news2024/12/26 9:22:37

第六部分：保存与导出图表

在实际的应用场景中，我们不仅需要在程序中展示图表，有时候还需要将这些图表保存为文件，以便在其他地方使用，比如插入文档、报告或网页中。matplotlib 提供了非常方便的保存图表功能。

6.1 保存为图片文件

matplotlib 可以将生成的图表保存为多种格式的图片文件，比如 PNG、JPG、SVG 等。我们可以通过 savefig() 函数来完成这个操作。

示例：保存图表为 PNG 文件

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加标题
plt.title('保存为 PNG 文件的示例')

# 保存图表为 PNG 文件
plt.savefig('my_plot.png')

# 显示图表
plt.show()

解释：

  • plt.savefig('my_plot.png')：将当前的图表保存为名为 my_plot.png 的图片文件。默认保存为 PNG 格式。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

关键点：

  • savefig() 的参数是文件名，可以指定文件格式。如果没有明确指定格式，它会根据文件名的后缀来确定格式。例如，my_plot.jpg 会保存为 JPG 文件。
  • savefig() 可以在 plt.show() 之前或之后调用，但推荐在 plt.show() 之前保存，这样不会受后续图表显示的影响。

6.2 保存为高分辨率图片

有时候我们需要保存高分辨率的图片，比如用于打印或发布。可以通过 dpi 参数设置分辨率。

示例：保存为高分辨率图片

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加标题
plt.title('保存为高分辨率 PNG 文件的示例')

# 保存图表为高分辨率的 PNG 文件，dpi 参数设置分辨率
plt.savefig('high_res_plot.png', dpi=300)

# 显示图表
plt.show()

解释：

  • dpi=300：设置图像分辨率为 300 DPI（每英寸像素数），这在出版或打印中通常是常用的高分辨率标准。

6.3 保存为不同文件格式

matplotlib 支持多种文件格式，常见的格式有：

  • PNG：位图格式，常用于网页和应用程序中。
  • JPG：另一种常用的位图格式，但通常会有压缩损失。
  • SVG：矢量图格式，适合在网页中显示，并且在缩放时不会失真。
  • PDF：矢量图格式，适合用于打印和高质量展示。

示例：保存为不同文件格式

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加标题
plt.title('保存为多种格式的示例')

# 保存为 PNG 文件
plt.savefig('plot.png')

# 保存为 JPG 文件
plt.savefig('plot.jpg')

# 保存为 SVG 文件
plt.savefig('plot.svg')

# 保存为 PDF 文件
plt.savefig('plot.pdf')

# 显示图表
plt.show()

解释：

  • 根据文件的后缀名自动保存为相应的格式。
  • 矢量图 (SVG, PDF) 在放大和缩小时不会失真，适合用于需要缩放的场景。

6.4 调整图表的保存尺寸

我们可以通过 figsize 参数来控制保存的图片大小，figsize 以英寸为单位。

示例：设置图片尺寸并保存

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表，并设置图像大小为 10x6 英寸
plt.figure(figsize=(10, 6))

# 绘制图表
plt.plot(x, y)

# 添加标题
plt.title('设置图片尺寸并保存')

# 保存图表为指定尺寸的 PNG 文件
plt.savefig('custom_size_plot.png')

# 显示图表
plt.show()

解释：

  • plt.figure(figsize=(10, 6))：设置图像的宽度为 10 英寸，高度为 6 英寸。这样可以控制保存图像的实际尺寸。

6.5 解决中文乱码问题

在绘制带有中文标题或标签的图表时，可能会遇到显示乱码的问题。这是由于 matplotlib 默认使用的字体不支持中文。我们可以通过设置字体来解决这个问题。

示例：解决中文显示乱码

import matplotlib.pyplot as plt

# 导入中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体

# 解决负号 '-' 显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 绘制图表，添加中文标题和标签
plt.plot(x, y)
plt.title('折线图示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 显示图表
plt.show()

解释：

  • plt.rcParams['font.sans-serif'] = ['SimHei']：设置默认字体为 SimHei（黑体），以支持中文字符显示。
  • plt.rcParams['axes.unicode_minus'] = False：避免负号显示为方块。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

至此，我们已经完成了 matplotlib 的基本操作，并掌握了保存图表的方式。在今后的应用中，你可以根据需求保存图表为各种格式，并控制图像的尺寸和分辨率。同时也学会了如何处理中文字符显示的问题。

接下来我们继续深入，学习 matplotlib 的更多高级功能，例如：

  • 绘制 3D 图形
  • 动态图表
  • 动画的创建

第七部分：高级图表定制

在实际的数据可视化中，我们可能不仅仅满足于绘制简单的图表。为了让图表更具表现力和可读性，matplotlib 提供了许多高级的定制功能。这部分内容会深入讲解如何控制图表中的各个元素，使其更贴合实际需求。

7.1 设置坐标轴的范围与刻度

有时候，matplotlib 会自动根据数据的范围来设置坐标轴的范围，但这并不总是理想的。在某些场景下，我们可能需要手动调整坐标轴的范围，以突出重点数据。我们可以使用 xlim() 和 ylim() 方法来设置坐标轴的范围。

示例：手动设置坐标轴范围

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 手动设置 X 轴和 Y 轴的范围
plt.xlim(0, 6)  # 设置 X 轴范围为 0 到 6
plt.ylim(0, 30)  # 设置 Y 轴范围为 0 到 30

# 添加标题和坐标轴标签
plt.title('手动设置坐标轴范围的示例')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# 显示图表
plt.show()

解释：

  • plt.xlim(0, 6)：设置 X 轴的显示范围为 0 到 6。
  • plt.ylim(0, 30)：设置 Y 轴的显示范围为 0 到 30。

拓展：

  • 在一些动态数据可视化中，坐标轴范围的设置可以根据实际需要动态调整，从而使得数据更直观。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.2 自定义坐标轴刻度

除了坐标轴的范围，有时候我们也需要更改刻度的显示，比如让刻度间隔更大或更小，或是使用特定的数字或文本作为刻度标记。

示例：自定义刻度

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义 X 轴和 Y 轴的刻度
plt.xticks([0, 1, 2, 3, 4, 5, 6], ['零', '一', '二', '三', '四', '五', '六'])  # 自定义 X 轴刻度为中文
plt.yticks([0, 5, 10, 15, 20, 25, 30], ['0', '5', '10', '15', '20', '25', '30'])

# 添加标题和坐标轴标签
plt.title('自定义刻度的示例')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# 显示图表
plt.show()

解释：

  • plt.xticks()：自定义 X 轴的刻度及显示内容，可以是数字、文本或其他符号。
  • plt.yticks()：自定义 Y 轴的刻度及显示内容。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.3 添加网格线

为了使数据更加清晰直观，特别是在查看大范围的数据时，网格线 (Grid) 是一个很有用的工具。matplotlib 允许我们为图表添加水平和垂直网格线，并可以定制网格线的样式。

示例：添加网格线

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 添加网格线，并设置样式
plt.grid(True, linestyle='--', color='grey', alpha=0.7)

# 添加标题和坐标轴标签
plt.title('添加网格线的示例')
plt.xlabel('X 轴')
plt.ylabel('Y 轴')

# 显示图表
plt.show()

解释：

  • plt.grid(True)：开启网格线，True 表示显示网格线。
  • linestyle：设置网格线的线型，例如虚线 '--'。
  • color：设置网格线的颜色。
  • alpha：设置网格线的透明度，值为 0 到 1，越接近 1 越不透明。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

拓展：

除了基本的添加网格线功能，matplotlib 允许我们对网格线进行更高级的自定义。例如，我们可以单独为 X 轴或 Y 轴添加网格线，改变网格线的密度、样式、颜色等。这些功能特别适用于精细化的图表设计，使数据更容易解读。

7.3.1 为特定轴添加网格线

我们不一定需要为所有的轴都添加网格线。有时，数据只需要在某个特定方向上进行参照。可以通过 axis 参数指定网格线仅应用于 X 轴或 Y 轴。

示例：仅为 Y 轴添加网格线
import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 仅为 Y 轴添加网格线
plt.grid(True, axis='y', linestyle='--', color='grey', alpha=0.7)

# 添加标题
plt.title('仅为 Y 轴添加网格线')

# 显示图表
plt.show()
解释：
  • axis='y'：表示仅为 Y 轴添加网格线。如果想只为 X 轴添加网格线，可以将 axis 设置为 'x'。
  • 这样可以避免图表中过多的视觉干扰，突出某个方向的数据信息。

7.3.2 设置网格线的间隔与密度

在某些场景下，默认的网格线密度可能过高或过低。我们可以通过设置主刻度 (major) 和次刻度 (minor) 来控制网格线的间隔与密度。

示例：为次刻度添加网格线
import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 设置主刻度和次刻度
plt.minorticks_on()  # 打开次刻度
plt.grid(which='major', linestyle='-', linewidth='0.5', color='black')  # 主刻度网格线
plt.grid(which='minor', linestyle=':', linewidth='0.5', color='grey')   # 次刻度网格线

# 添加标题
plt.title('为次刻度添加网格线')

# 显示图表
plt.show()
解释：
  • plt.minorticks_on()：打开次刻度。
  • which='major'：设置主刻度的网格线样式。
  • which='minor'：设置次刻度的网格线样式。

7.3.3 自定义网格线的样式与线宽

matplotlib 允许我们通过不同的线型、线宽、颜色等选项，灵活地调整网格线的外观，使其与图表的整体风格保持一致。

示例：自定义网格线的线型与线宽
import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义网格线的样式与线宽
plt.grid(True, linestyle='-.', linewidth=2, color='green')

# 添加标题
plt.title('自定义网格线样式与线宽')

# 显示图表
plt.show()
解释：
  • linestyle='-.':：使用点划线的样式作为网格线（类似于点划线）。
  • linewidth=2: 将网格线的宽度设置为 2，这比默认的线宽更粗，更容易看清。
拓展：
  • 在有多个数据系列的复杂图表中，不同的网格线样式有助于将重要数据与背景信息区分开。可以尝试不同的线型，如 '-', '--', ':' 等，调整视觉效果。
  • 同时，使用 alpha 参数可以设置网格线的透明度，以避免网格线过于突出影响数据阅读。

7.3.4 控制网格线的显示层次 (zorder)

matplotlib 中的每个图形元素都有一个 zorder，决定了它们在图表中的显示顺序。通过控制网格线的 zorder，我们可以确保它们出现在数据线条的上方或下方。

示例：调整网格线的 zorder
import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y, zorder=2)  # 数据线条的 zorder 为 2

# 将网格线的 zorder 设置为 1，这样网格线会在数据线的下方
plt.grid(True, linestyle='--', color='grey', zorder=1)

# 添加标题
plt.title('调整网格线的显示层次')

# 显示图表
plt.show()
解释：
  • zorder=2: 设置数据线条的显示顺序为 2（较高的顺序）。
  • zorder=1: 设置网格线的显示顺序为 1，使其显示在数据线条的下方。
拓展：
  • 通过调节 zorder，我们可以让网格线与图表中的其他元素保持适当的层次关系。特别是在有多个数据系列和复杂背景的图表中，合理的 zorder 设置可以极大提升图表的可读性。

7.4 自定义图例 (Legend)

除了基本的图例位置、字体大小和样式的设置，matplotlib 还提供了更多的自定义选项，帮助我们进一步控制图例的外观和表现形式。在数据可视化中，合理的图例能够帮助读者快速理解图表中的信息。

7.4.1 更改图例边框与透明度

我们可以通过 framealpha 设置图例的透明度，通过 edgecolor 设置边框颜色。

示例：修改图例边框颜色与透明度

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]

# 创建图表
plt.plot(x, y1, label='数据 1', color='blue')
plt.plot(x, y2, label='数据 2', color='green')

# 自定义图例的样式
plt.legend(loc='upper left', fontsize=12, frameon=True, edgecolor='red', framealpha=0.5)

# 添加标题
plt.title('自定义图例边框颜色和透明度')

# 显示图表
plt.show()

解释：

  • edgecolor='red'：将图例的边框设置为红色。
  • framealpha=0.5：将图例的背景设置为半透明，值越接近 1，透明度越低。

拓展：

  • 通过调节 framealpha，我们可以创建更柔和的图例，避免它遮挡住重要的图表内容。
  • edgecolor 可以帮助图例在复杂的背景图表中显得更加突出或和谐。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.4.2 使用多个图例

有时候，我们的图表可能需要使用多个图例来区分不同的数据组。为了实现这一点，我们可以在同一张图表中放置多个图例。

示例：多图例展示

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]
y3 = [10, 12, 14, 16, 18]

# 创建图表
line1, = plt.plot(x, y1, label='数据 1', color='blue')
line2, = plt.plot(x, y2, label='数据 2', color='green')

# 为第一个图例自定义样式并放置于图表的左上角
plt.legend(handles=[line1, line2], loc='upper left', title='主要数据')

# 再添加一个数据和图例
line3, = plt.plot(x, y3, label='数据 3', color='red')

# 使用 ax.legend() 来创建第二个图例，并放置于右上角
plt.gca().add_artist(plt.legend(handles=[line1, line2], loc='upper left'))
plt.legend(handles=[line3], loc='upper right', title='附加数据')

# 添加标题
plt.title('多图例展示示例')

# 显示图表
plt.show()

解释：

  • handles：指定要展示的线条对象，用于手动选择显示哪些数据系列。
  • add_artist()：将第一个图例添加到当前的轴 (axes) 上，这样第二个图例可以独立添加。

拓展：

  • 多个图例的使用有助于在一张图表中展示大量数据时，避免混淆，保持数据的清晰和可读性。
  • 可以通过 add_artist() 方法将任意自定义的图例或其他元素添加到图表中。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.4.3 动态更新图例

有时，在动态图表中，数据是动态变化的，图例可能需要根据数据的变化实时更新。我们可以通过动态调整图例的位置、内容和样式，使其与图表内容同步变化。

示例：动态更新图例

import matplotlib.pyplot as plt
import numpy as np
import time

# 初始化图表
plt.ion()  # 开启交互模式
fig, ax = plt.subplots()

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

line, = ax.plot(x, y, label='sin(x)')  # 初始图形及图例

legend = ax.legend(loc='upper right')  # 初始化图例

# 动态更新图表
for i in range(50):
    y = np.sin(x + i / 10.0)
    line.set_ydata(y)  # 更新 Y 轴数据
    ax.set_title(f"当前帧: {i}")  # 更新标题
    legend.set_title(f"帧数 {i}")  # 动态更新图例标题
    fig.canvas.draw()  # 重新绘制图表
    fig.canvas.flush_events()  # 刷新图表显示
    time.sleep(0.1)  # 模拟数据变化的时间间隔

plt.ioff()  # 关闭交互模式
plt.show()  # 显示最终图表

解释：

  • legend.set_title()：动态更新图例的标题，随时间变化。
  • 动态图表和图例的更新通过 canvas.draw() 和 flush_events() 来实现。

拓展：

  • 动态图表在展示时间序列数据、监控数据变化时非常有用。通过图例的动态更新，可以使图表更加直观，帮助观众理解图表中的每一帧数据。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.5 设置图表的标题、轴标签、注释和样式

matplotlib 提供了全面的定制选项来设置图表的标题、坐标轴标签和注释。通过调整字体、颜色、大小等参数，我们可以让图表更加清晰易懂。

示例：自定义图表标题与坐标轴标签样式

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建图表
plt.plot(x, y)

# 自定义标题和坐标轴标签的样式
plt.title('自定义标题', fontsize=20, fontweight='bold', color='purple')
plt.xlabel('自定义 X 轴标签', fontsize=14, fontstyle='italic', color='blue')
plt.ylabel('自定义 Y 轴标签', fontsize=14, fontstyle='italic', color='red')

# 显示图表
plt.show()

解释：

  • fontsize：设置字体大小。
  • fontweight：设置字体的粗细（例如 bold 表示加粗）。
  • fontstyle：设置字体样式（例如 italic 表示斜体）。
  • color：设置字体颜色。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

拓展：

  • 标题、轴标签和图例的样式定制可以帮助你创建更具个性化的图表，并且可以与企业的品牌风格保持一致。

7.6 多坐标轴图表

在一些数据可视化任务中，我们可能需要在一个图表中显示多种不同类型的数据，而这些数据的数值范围有很大差异。为了让不同数据能够清晰显示，我们可以在图表中使用多坐标轴。

示例：双 Y 轴图表

import matplotlib.pyplot as plt

# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]  # 第一组数据
y2 = [100, 200, 300, 400, 500]  # 第二组数据

# 创建图表，绘制第一组数据
fig, ax1 = plt.subplots()

ax1.plot(x, y1, 'b-')  # 蓝色实线表示 y1 数据
ax1.set_xlabel('X 轴')  # 设置 X 轴标签
ax1.set_ylabel('Y1 轴', color='b')  # 设置 Y 轴标签
ax1.tick_params('y', colors='b')  # 设置 Y 轴刻度颜色

# 创建第二个 Y 轴，绘制第二组数据
ax2 = ax1.twinx()
ax2.plot(x, y2, 'r--')  # 红色虚线表示 y2 数据
ax2.set_ylabel('Y2 轴', color='r')  # 设置第二个 Y 轴标签
ax2.tick_params('y', colors='r')  # 设置第二个 Y 轴刻度颜色

# 添加标题
plt.title('双 Y 轴图表示例')

# 显示图表
plt.show()

解释：

  • ax1.twinx()：创建一个共享 X 轴但有独立 Y 轴的图表。
  • tick_params('y', colors='b')：设置 Y 轴刻度颜色与线条颜色匹配。

拓展：

  • 这种多坐标轴图表在展示例如温度和湿度、价格和销量等数据时非常有用。通过不同的 Y 轴，我们可以更直观地查看数据变化趋势。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.7 绘制 3D 图形

matplotlib 也支持 3D 图形的绘制，通过 mpl_toolkits.mplot3d 模块，我们可以轻松创建 3D 折线图、3D 散点图等。

示例：绘制 3D 折线图

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 创建 3D 图形对象
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 定义数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
z = np.sin(np.sqrt(x**2 + y**2))

# 绘制 3D 折线图
ax.plot(x, y, z)

# 设置标题和轴标签
ax.set_title('3D 折线图示例')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
ax.set_zlabel('Z 轴')

# 显示图表
plt.show()

解释：

  • projection='3d'：指定绘制 3D 图形。
  • ax.plot(x, y, z)：在三维坐标系中绘制折线图。
  • set_zlabel()：设置 Z 轴标签。

拓展：

  • 3D 图表适用于展示多维度数据。你可以使用 plot_surface() 来绘制 3D 曲面，或者 scatter() 来绘制 3D 散点图。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

7.9 创建动画

matplotlib 的 animation 模块可以用来创建简单的动画，特别是在数据动态变化的场景中，动画能够直观展示数据随时间变化的过程。

示例：创建简单动画

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

# 初始化图表
fig, ax = plt.subplots()
x = np.linspace(0, 2 * np.pi, 100)
line, = ax.plot(x, np.sin(x))

# 动画更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))  # 更新 y 数据
    return line,

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=100, interval=50, blit=True)

# 显示动画
plt.show()

解释：

  • FuncAnimation()：创建动画，frames 表示动画的帧数，interval 表示每帧之间的间隔时间。
  • update()：动画每一帧的更新函数，用于动态更新图表数据。

拓展：

D 曲面，或者 scatter() 来绘制 3D 散点图。

[外链图片转存中…(img-GsAQTBdt-1731678757643)]

7.9 创建动画

matplotlib 的 animation 模块可以用来创建简单的动画，特别是在数据动态变化的场景中，动画能够直观展示数据随时间变化的过程。

示例：创建简单动画

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

# 初始化图表
fig, ax = plt.subplots()
x = np.linspace(0, 2 * np.pi, 100)
line, = ax.plot(x, np.sin(x))

# 动画更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))  # 更新 y 数据
    return line,

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=100, interval=50, blit=True)

# 显示动画
plt.show()

解释：

  • FuncAnimation()：创建动画，frames 表示动画的帧数，interval 表示每帧之间的间隔时间。
  • update()：动画每一帧的更新函数，用于动态更新图表数据。

拓展：

  • 动画在一些物理模拟、数据流监控和动态系统演示中非常有用。你可以通过保存为 GIF 或 MP4 文件将动画导出。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2241537.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Linux卸载金仓KingBaseES数据库

Linux卸载金仓KingBaseES数据库

Linux卸载金仓KingBaseES数据库 1、卸载前删除数据库服务2、图形化卸载3、控制台卸载4、静默卸载 1、卸载前删除数据库服务 如果在安装后执行root.sh脚本在系统中注册了数据库服务，需要在卸载前执行rootuninstall.sh脚本删除已注册的数据库服务。具体步骤如下&#…
阅读更多...
【C#设计模式(11)——外观模式(Facade Pattern)】

【C#设计模式(11)——外观模式(Facade Pattern)】

前言 外观模式隐藏了子系统的复杂性，简化了客户端与子系统之间的交互。 代码 public class Facade{private CommunicationModel communicationModel;private AcquisitionModel acquisitionModel;private ToolModel toolModel;public Facade(){communicationModel n…
阅读更多...
Spring Boot编程训练系统：数据管理与存储

Spring Boot编程训练系统：数据管理与存储

摘要 随着信息技术在管理上越来越深入而广泛的应用，管理信息系统的实施在技术上已逐步成熟。本文介绍了编程训练系统的开发全过程。通过分析编程训练系统管理的不足，创建了一个计算机管理编程训练系统的方案。文章介绍了编程训练系统的系统分析部分&…
阅读更多...
OceanBase 升级过程研究(4.2.1.6-4.2.1.8)

OceanBase 升级过程研究(4.2.1.6-4.2.1.8)

模拟业务 使用benchmark加载10仓数据模拟业务场景 升级方法 使用滚动升级方式来进行OB升级。该方法前提是OB集群必须满足官方规定的高可用架构(如果 Zone 个数小于 3，滚动升级时则无法构成多数派), 滚动升级的原理就是轮流完成每个ZONE的升级工作，由于…
阅读更多...
三周精通FastAPI：42 手动运行服务器 - Uvicorn Gunicorn with Uvicorn

三周精通FastAPI：42 手动运行服务器 - Uvicorn Gunicorn with Uvicorn

官方文档：Server Workers - Gunicorn with Uvicorn - FastAPI 使用 fastapi 运行命令 可以直接使用fastapi run命令来启动FastAPI应用： fastapi run main.py如执行 fastapi run openapi.py启动后显示： INFO Using path openapi.py …
阅读更多...
springboot的社区团购系统设计录像

springboot的社区团购系统设计录像

springboot的社区团购系统设计录像 springboot的社区团购系统设计
阅读更多...
C++清除所有输出【DEV-C++】所有编辑器通用 | 算法基础NO.1

C++清除所有输出【DEV-C++】所有编辑器通用 | 算法基础NO.1

各位小伙伴们，上一期的保留小数位数教学够用一辈子，有不错的点赞量，可我连一个粉丝铁粉都没有，你愿意做我的第一个铁粉吗？OK废话不多说，开始！ 温故与知心 可能你也学过，且是工作者…
阅读更多...
【Pytorch】Python random 模块

【Pytorch】Python random 模块

Python random 模块主要用于生成随机数，是常用的一个包，random 模块实现了各种分布的伪随机数生成器。在训练传统机器学习模型或者深度神经网络模型的过程中经常会用到。要使用 random 函数必须先导入： import random1. random() 使用random(…
阅读更多...
Android OpenGLES2.0开发（八）：Camera预览

Android OpenGLES2.0开发（八）：Camera预览

严以律己，宽以待人 引言 终于到该章节了，还记得Android OpenGLES2.0开发（一）：艰难的开始章节说的吗？写这个系列的初衷就是因为每次用到GLSurfaceViewCamera预览时，总是CtrlC、CtrlV从来没有研究…
阅读更多...
JMX Exporter源码解读+生产环境最佳实践+解决其抓取指标超时问题

JMX Exporter源码解读+生产环境最佳实践+解决其抓取指标超时问题

文章目录 背景第一版配置-查询所有MBean第二版配置-配置白名单第三版配置-增加Cache第四版配置-修改jmx_exorter源码禁用默认jvm导出第五版配置-基于第四版excludeObjectNameAttributes第六版配置-修改jmx_exorter源码includeObjectNameAttributes配置基于release-1.0.1分支修改…
阅读更多...
前端（3）——快速入门JaveScript

前端（3）——快速入门JaveScript

参考： 罗大富 JavaScript 教程 | 菜鸟教程 JavaScript 教程 1. JaveScript JavaScript 简称 JS JavaScript 是一种轻量级、解释型、面向对象的脚本语言。它主要被设计用于在网页上实现动态效果，增加用户与网页的交互性。作为一种客户端脚本语言&#…
阅读更多...
人工智能：塑造未来的工作与生活

人工智能：塑造未来的工作与生活

目录 人工智能技术的应用前景与影响 人工智能的历史与现状 人工智能的应用领域 人工智能的前景与挑战 个人视角：人工智能的应用前景与未来 人工智能在生活中的潜力 面对人工智能带来的挑战 我的观点与建议 结语 人工智能技术的应用前景与影响 随着人工智能…
阅读更多...
东土国产自主智能控制器，亮相第七届长三角科技成果交易博览会

东土国产自主智能控制器，亮相第七届长三角科技成果交易博览会

近日，第七届长三角科技成果交易博览会（以下简称“长三角科交会”）在上海汽车会展中心开幕。为展示嘉定新城产业集聚成果，宣传新城核心区投资环境，新城公司连续第六届参加长三角科交会。 在此次展会上，新城…
阅读更多...
AUTOSAR_EXP_ARAComAPI的7章笔记（4）

AUTOSAR_EXP_ARAComAPI的7章笔记（4）

☞返回总目录 相关总结：本地 / 网络多绑定用例总结 7.3.2 本地/网络多绑定用例 在前一节中，我们看到了的一种多绑定特殊变体，现在来看，也可认为是一种真实情况的变体。 假设有一个与上一章节相似的情景，唯一的区别…
阅读更多...
ubuntu将firewall-config导出为.deb文件

ubuntu将firewall-config导出为.deb文件

firewall-config ubuntu是canonial 公司维护的，用wireshark测过，开机会给他们公司发遥测（开了ufw阻塞所有连接也一样，canonial在里面把代码改了）firewall-config是fedora(爱好者维护，公益版本)自带的防火墙…
阅读更多...
LabVIEW中坐标排序与旋转 参见附件snippet程序

LabVIEW中坐标排序与旋转 参见附件snippet程序

LabVIEW中坐标排序与旋转 参见附件snippet程序LabVIEW中坐标排序与旋转 参见附件snippet程序 - 北京瀚文网星科技有限公司 在LabVIEW中处理坐标排序的过程，尤其是按顺时针或逆时针排列坐标点，常见的应用包括处理几何形状、路径规划等任务。下面我将为您…
阅读更多...
基于微信小程序的校园超市购物系统设计与实现，LW+源码+讲解

基于微信小程序的校园超市购物系统设计与实现，LW+源码+讲解

摘 要 现代经济快节奏发展以及不断完善升级的信息化技术，让传统数据信息的管理升级为软件存储，归纳，集中处理数据信息的管理方式。本超市购物系统就是在这样的大环境下诞生，其可以帮助管理者在短时间内处理完毕庞大的数据信息&a…
阅读更多...
如何使用EasyExcel生成多列表组合填充的复杂Excel示例

如何使用EasyExcel生成多列表组合填充的复杂Excel示例

作者：Funky_oaNiu 一、（需求）生成的表格效果：二、搞一个模板文件三、建立对应的表格实体类四、开始填充五、Vue3前端发起请求下载六、官方文档及AI问答 一、（需求）生成的表格效果： 其中只有顶部…
阅读更多...
AdaBoost 二分类问题

AdaBoost 二分类问题

代码功能 生成数据集： 使用 make_classification 创建一个模拟分类问题的数据集。 数据集包含 10 个特征，其中 5 个是有用特征，2 个是冗余特征。 数据集划分： 将数据分为训练集（70%）和测试集（3…
阅读更多...
权限相关知识

权限相关知识

1.Linux权限的概念 在说Linux权限的概念之前我来问大家一个问题，你们觉得什么是权限？ 权限平时的体现呢，就比如不是校长的亲戚就不能逛办公室，没充会员的爱奇艺看不了VIP影视剧，没成会员的的蛋糕店拿不到会员价等等等…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023