Python從Excel讀取數據并使用Matplotlib繪制成二維圖像
知識點
- 使用 xlrd 擴展包讀取 Excel 數據
- 使用 Matplotlib 繪制二維圖像
- 顯示 LaTeX 風格公式
- 坐標點處透明化
接下來，我們將通過實踐操作，帶領大家使用 Python 實現從 Excel 讀取數據繪制成精美圖像。
首先，我們來繪制一個非常簡單的正弦函數，代碼如下：
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
x = np.linspace(0, 10, 500)
dashes = [10, 5, 100, 5] # 10 points on, 5 off, 100 on, 5 off
fig, ax = plt.subplots()
line1, = ax.plot(x, np.sin(x), '--', linewidth=2,
label='Dashes set retroactively')
line1.set_dashes(dashes)
line2, = ax.plot(x, -1 * np.sin(x), dashes=[30, 5, 10, 5],
label='Dashes set proactively')
ax.legend(loc='lower right')
測試 xlrd 擴展包
xlrd 顧名思義，就是 Excel 文件的后綴名 .xl 文件 read 的擴展包。這個包只能讀取文件，不能寫入。寫入需要使用另外一個包。但是這個包，其實也能讀取.xlsx文件。
從 Excel 中讀取數據的過程比較簡單，首先從 xlrd 包導入 open_workbook，然后打開 Excel 文件，把每個 sheet 里的每一行每一列數據都讀取出來即可。很明顯，這是個循環(huán)過程。
## 下載所需示例數據
## 1. https://labfile.oss.aliyuncs.com/courses/791/my_data.xlsx
## 2. https://labfile.oss.aliyuncs.com/courses/791/phase_detector.xlsx
## 3. https://labfile.oss.aliyuncs.com/courses/791/phase_detector2.xlsx
from xlrd import open_workbook
x_data1 = []
y_data1 = []
wb = open_workbook('phase_detector.xlsx')
for s in wb.sheets():
print('Sheet:', s.name)
for row in range(s.nrows):
print('the row is:', row)
values = []
for col in range(s.ncols):
values.append(s.cell(row, col).value)
print(values)
x_data1.append(values[0])
y_data1.append(values[1])
如果安裝包沒有問題，這段代碼應該能打印出 Excel 表中的數據內容。解釋一下這段代碼：
- 打開一個 Excel 文件后，首先對文件內的
sheet進行循環(huán)，這是最外層循環(huán)。 - 在每個
sheet內，進行第二次循環(huán)，行循環(huán)。 - 在每行內，進行列循環(huán)，這是第三層循環(huán)。
在最內層列循環(huán)內，取出行列值，復制到新建的 values 列表內，很明顯，源數據有幾列，values 列表就有幾個元素。我們例子中的 Excel 文件有兩列，分別對應角度和 DC 值。所以在列循環(huán)結束后，我們將取得的數據保存到 x_data1 和 y_data1 這兩個列表中。
繪制圖像 V1
第一個版本的功能很簡單，從 Excel 中讀取數據，然后繪制成圖像。同樣先下載所需數據：
def read_xlsx(name):
wb = open_workbook(name)
x_data = []
y_data = []
for s in wb.sheets():
for row in range(s.nrows):
values = []
for col in range(s.ncols):
values.append(s.cell(row, col).value)
x_data.append(values[0])
y_data.append(values[1])
return x_data, y_data
x_data, y_data = read_xlsx('my_data.xlsx')
plt.plot(x_data, y_data, 'bo-', label=u"Phase curve", linewidth=1)
plt.title(u"TR14 phase detector")
plt.legend()
plt.xlabel(u"input-deg")
plt.ylabel(u"output-V")
從 Excel 中讀取數據的程序，上面已經解釋過了。這段代碼后面的函數是 Matplotlib 繪圖的基本格式，此處的輸入格式為：plt.plot(x 軸數據, y 軸數據, 曲線類型, 圖例說明, 曲線線寬)。圖片頂部的名稱，由 plt.title(u"TR14 phase detector") 語句定義。最后，使用 plt.legend() 使能顯示圖例。
繪制圖像 V2
這個圖只繪制了一個表格的數據，我們一共有三個表格。但是就這個一個已經夠丑了，我們先來美化一下。首先，坐標軸的問題：橫軸的 0 點對應著縱軸的 8，這個明顯不行。我們來移動一下坐標軸，使之 0 點重合：
from pylab import gca
plt.plot(x_data, y_data, 'bo-', label=u"Phase curve", linewidth=1)
plt.title(u"TR14 phase detector")
plt.legend()
ax = gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
plt.xlabel(u"input-deg")
plt.ylabel(u"output-V")
好的，移動坐標軸后，圖片稍微順眼了一點，我們也能明顯的看出來，圖像與橫軸的交點大約在 180 度附近。
解釋一下移動坐標軸的代碼：我們要移動坐標軸，首先要把舊的坐標拆了。怎么拆呢？原圖是上下左右四面都有邊界刻度的圖像，我們首先把右邊界拆了不要了，使用語句 ax.spines['right'].set_color('none')。
把右邊界的顏色設置為不可見，右邊界就拆掉了。同理，再把上邊界拆掉 ax.spines['top'].set_color('none')。
拆完之后，就只剩下我們關心的左邊界和下邊界了，這倆就是 x 軸和 y 軸。然后我們移動這兩個軸，使他們的零點對應起來：
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
這樣，就完成了坐標軸的移動。
繪制圖像 V3
我們能不能給圖像過零點加個標記呢？顯示的告訴看圖者，過零點在哪，就免去看完圖還得猜，要么就要問作報告的人。
plt.plot(x_data, y_data, 'bo-', label=u"Phase curve", linewidth=1)
plt.annotate('zero point', xy=(180, 0), xytext=(60, 3),
arrowprops=dict(facecolor='black', shrink=0.05),)
plt.title(u"TR14 phase detector")
plt.legend()
ax = gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
plt.xlabel(u"input-deg")
plt.ylabel(u"output-V")
好的，加上標注的圖片，顯示效果更好了。標注的添加，使用 plt.annotate(標注文字, 標注的數據點, 標注文字坐標, 箭頭形狀) 語句。這其中，標注的數據點是我們感興趣的，需要說明的數據，而標注文字坐標，需要我們根據效果進行調節(jié)，既不能遮擋原曲線，又要醒目。
繪制圖像 V4
我們把三組數據都畫在這幅圖上，方便對比，此外，再加上一組理想數據進行對照。這一次我們再做些改進，把橫坐標的單位用 LaTeX 引擎顯示；不光標記零點，把兩邊的非線性區(qū)也標記出來；
plt.annotate('Close loop point', size=18, xy=(180, 0.1), xycoords='data',
xytext=(-100, 40), textcoords='offset points',
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")
)
plt.annotate(' ', xy=(0, -0.1), xycoords='data',
xytext=(200, -90), textcoords='offset points',
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=-.2")
)
plt.annotate('Zero point in non-monotonic region', size=18, xy=(360, 0), xycoords='data',
xytext=(-290, -110), textcoords='offset points',
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")
)
plt.plot(x_data, y_data, 'b', label=u"Faster D latch and XOR", linewidth=2)
x_data1, y_data1 = read_xlsx('phase_detector.xlsx')
plt.plot(x_data1, y_data1, 'g', label=u"Original", linewidth=2)
x_data2, y_data2 = read_xlsx('phase_detector2.xlsx')
plt.plot(x_data2, y_data2, 'r', label=u"Move the pullup resistor", linewidth=2)
x_data3 = []
y_data3 = []
for i in range(360):
x_data3.append(i)
y_data3.append((i-180)*0.052-0.092)
plt.plot(x_data3, y_data3, 'c', label=u"The Ideal Curve", linewidth=2)
plt.title(u"$2\pi$ phase detector", size=20)
plt.legend(loc=0) # 顯示 label
# 移動坐標軸代碼
ax = gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
plt.xlabel(u"$\phi/deg$", size=20)
plt.ylabel(u"$DC/V$", size=20)
LaTeX 表示數學公式，使用 $$ 表示兩個符號之間的內容是數學符號。圓周率就可以簡單表示為 $\pi$，簡單到哭，顯示效果卻很好看。同樣的，$\phi$ 表示角度符號，書寫和讀音相近，很好記。
對于圓周率，角度公式這類數學符號，使用 LaTeX 來表示，是非常方便的。這張圖比起上面的要好看得多了。但是，依然覺得還是有些丑。好像用平滑線畫出來的圖像，并不如用點線畫出來的好看。而且點線更能反映實際的數據點。此外，我們的圖像跟坐標軸重疊的地方，把坐標和數字都擋住了，看著不太美。
圖中的理想曲線的數據，是根據電路原理純計算出來的，要講清楚需要較大篇幅，這里就不展開了，只是為了配合比較而用，這部分代碼，大家知道即可：
for i in range(360):
x_data3.append(i)
y_data3.append((i-180)*0.052-0.092)
plt.plot(x_data3, y_data3, 'c', label=u"The Ideal Curve", linewidth=2)
繪制圖像 V5
我們再就上述問題，進行優(yōu)化。優(yōu)化的過程包括：改變橫坐標的顯示，使用弧度顯示；優(yōu)化圖像與橫坐標相交的部分，透明顯示；增加網絡標度。
plt.annotate('The favorite close loop point', size=16, xy=(1, 0.1), xycoords='data',
xytext=(-180, 40), textcoords='offset points',
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")
)
plt.annotate(' ', xy=(0.02, -0.2), xycoords='data',
xytext=(200, -90), textcoords='offset points',
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=-.2")
)
plt.annotate('Zero point in non-monotonic region', size=16, xy=(1.97, -0.3), xycoords='data',
xytext=(-290, -110), textcoords='offset points',
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2")
)
plt.plot(x_data, y_data, 'bo--', label=u"Faster D latch and XOR", linewidth=2)
plt.plot(x_data3, y_data3, 'c', label=u"The Ideal Curve", linewidth=2)
plt.title(u"$2\pi$ phase detector", size=20)
plt.legend(loc=0) # 顯示 label
# 移動坐標軸代碼
ax = gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))
plt.xlabel(u"$\phi/rad$", size=20) # 角度單位為 pi
plt.ylabel(u"$DC/V$", size=20)
plt.xticks([0, 0.5, 1, 1.5, 2], [r'$0$', r'$\pi/2$',
r'$\pi$', r'$1.5\pi$', r'$2\pi$'], size=16)
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65))
plt.grid(True)
與我們最開始那張圖比起來，是不是有種脫胎換骨的感覺？這其中，對圖像與坐標軸相交的部分，做了透明化處理，代碼為：
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_bbox(dict(facecolor='white', edgecolor='None', alpha=0.65))
透明度由其中的參數 alpha=0.65 控制，如果想更透明，就把這個數改到更小，0 代表完全透明，1 代表不透明。而改變橫軸坐標顯示方式的代碼為：
plt.xticks([0, 0.5, 1, 1.5, 2], [r'$0$', r'$\pi/2$',
r'$\pi$', r'$1.5\pi$', r'$2\pi$'], size=16)
這里直接手動指定 x 軸的標度。依然是使用 LaTeX 引擎來表示數學公式。
實驗總結
本次實驗使用 Python 的繪圖包 Matplotlib 繪制了一副圖像。圖像的數據來源于 Excel 數據表。與使用數據表畫圖相比，通過程序控制繪圖，得到了更加靈活和精細的控制，最終繪制除了一幅精美的圖像。
到此這篇關于Python從Excel讀取數據并使用Matplotlib繪制成二維圖像的文章就介紹到這了,更多相關Python讀取Excel數據內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
學習python知識越來越多，大家都知道極驗驗證碼應用非常廣泛，今天小編就給大家分享Python破解極驗滑動驗證碼的詳細步驟，對Python極驗滑動驗證碼相關知識感興趣的朋友一起看看吧2021-05-05
類中定義的方法大致可以分為兩類：綁定方法和非綁定方法。其中綁定方法又可以分為綁定到對象的方法和綁定到類的方法。本文就來聊聊類和對象的綁定及非綁定方法吧2023-03-03
這篇文章主要介紹了如何在Python中使用OllamaAPI,涵蓋了從環(huán)境準備、使用方法到高級功能的全面指南,無論是初學者還是經驗豐富的開發(fā)者都能從中受益,需要的朋友可以參考下2025-02-02
這篇文章主要介紹了Python的math模塊中的常用數學函數整理,同時對運算符的運算優(yōu)先級作了一個羅列,需要的朋友可以參考下2016-02-02
這篇文章主要介紹了Python編寫條件分支代碼方法，編寫條件分支代碼是編碼過程中不可或缺的一部分，更多詳細介紹需要的小伙伴可以參考下面文章內容2022-05-05
在本篇文章里小編給大家整理的是一篇關于python關鍵字傳遞參數實例分析內容，有需要的朋友們可以學習參考下。2021-06-06
今天小編就為大家分享一篇python將秒數轉化為時間格式的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-09-09
這篇文章主要介紹了 python與idea的集成的實現，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-11-11
Python中用startswith()函數判斷字符串開頭的教程
這篇文章主要介紹了Python中用startswith()函數判斷字符串開頭的教程,startswith()函數的使用是Python學習中的基礎知識,本文列舉了一些不同情況下的使用結果,需要的朋友可以參考下2015-04-04
大家好，本篇文章主要講的是Python的進程間通信詳解，感興趣的同學趕快來看一看吧，對你有幫助的話記得收藏一下2022-02-02