import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import matplotlib.patches as patches

一些零散的知识

图像上的

Figure：可以看成整张画布。
Axis：坐标轴，分XAxis和YAxis。
Subplot：子图。
Axes：也可以看成子图，与Subplot的区别见具体代码。

创建图像

fig = plt.figure() # 创建figure

具体参数如下：
num：图像的编号，如果没有指定，则会自动分配一个编号。这个参数在创建多个图像时很有用。
figsize：图像窗口的大小，以英寸为单位。它是一个包含两个元素的元组，第一个元素表示图像的宽度，第二个元素表示图像的高度。
dpi：图像的分辨率（每英寸点数）。默认值为 100。
facecolor：图像的背景颜色。
edgecolor：图像边界的颜色。
frameon：是否显示图像边界。默认值为 True。
clear：是否清除图像窗口内容。默认值为 False。
subplotpars：子图参数配置。
tight_layout：是否自动调整子图布局。默认值为 False。

ax = fig.add_subplot(*args)

参数格式：int 或 (int, int, index) 或 int, int, int。default: (1, 1, 1)。
如果只有一个int时要为three-digit integer。
第一个第二个参数分别为column、row分几份，第三个参数为画subplot的索引，左上角为1往右递增。
返回一个创建好的空白子图

ax = fig.add_axes(*args)

sequence of float
The dimensions [left, bottom, width, height] of the new Axes.
left和width是相对于figure的宽，bottom和height是相对于figure的高

fig, axes = plt.subplots() # 创建多个subplot，返回包含图像窗口对象（<class ‘matplotlib.figure.Figure’>）和子图对象数组（<class ‘numpy.ndarray’>）的元组。

参数：
nrows：子图的行数。
ncols：子图的列数。
sharex：是否共享x轴范围。默认值为 False。
sharey：是否共享y轴范围。默认值为 False。
squeeze：如果设置为 True，当子图的行数和列数都为1时，将返回一个单一的Axes对象，而不是一个Axes对象数组。默认值为 True。
num：图像的编号，如果没有指定，则会自动分配一个编号。这个参数在创建多个图像时很有用。
figsize：图像窗口的大小，以英寸为单位。它是一个包含两个元素的元组，第一个元素表示图像的宽度，第二个元素表示图像的高度。
dpi：图像的分辨率（每英寸点数）。默认值为 100。
facecolor：图像的背景颜色。
edgecolor：图像边界的颜色。
frameon：是否显示图像边界。默认值为 True。
clear：是否清除图像窗口内容。默认值为 False。
subplotpars：子图参数配置。
tight_layout：是否自动调整子图布局。默认值为 False。

开关画板

plt.show()
plt.close()

画图逻辑

先创建figure，再设置subplot或者axies，再在子图上面进行画图。

具体操作

画点与线

在subplot和axes上画图的方法函数几乎一样。

ax.plot() # 用于在坐标轴上绘制线图（Line Plot）的函数。它可以绘制一组数据点之间的连接线，从而显示数据的趋势和关系。

参数:
x：用于表示横坐标的数据序列。
y：用于表示纵坐标的数据序列。
fmt：线的格式字符串，用于指定线的样式、颜色和标记。
color：线的颜色。
linestyle：线的样式，如 ‘-’ 表示实线，‘–’ 表示虚线等。
marker：数据点的标记样式。
markersize：数据点的标记大小。
label：数据序列的标签，用于图例。
其他参数：你还可以使用其他参数来进一步定制线图，如 linewidth、alpha（透明度）等。

ax.scatter() # 在图形中绘制散点图（Scatter Plot）

参数：
x：用于表示横坐标的数据序列。
y：用于表示纵坐标的数据序列。
marker：用于指定散点的标记样式，如’o’表示圆圈。
color：用于指定散点的颜色。
label：用于指定数据集的标签，方便添加图例。
其他参数：你还可以使用其他参数来设置散点的大小、透明度等。

ax.set_xlabel(str) # 设置X轴标签
ax.set_ylabel(str) # 设置y轴标签
ax.axis(‘off’) # 关闭坐标轴

linestyle 参数用于指定线条的样式。

以下是一些常用的线条样式（linestyle）:
‘-’ 或 ‘solid’：实线（默认样式）。
‘–’ 或 ‘dashed’：虚线。
‘:’ 或 ‘dotted’：点线。
‘-.’ 或 ‘dashdot’：点划线，一种介于虚线和点线之间的样式。
‘None’ 或 ‘’：无线条，通常用于取消线条绘制。
’ '（空格）：同样会绘制无线条，但是会在数据点之间插入空格，从而在绘制时留下间隙。

画图形

返回类型 <class ‘matplotlib.patches.Rectangle’>

ax.add_patch(patch)

Add a “.Patch” to the Axes; return the patch.

矩形

patches.Rectangle()

参数：
xy：矩形的左下角坐标，是一个表示 (x, y) 的元组。
width：矩形的宽度。
height：矩形的高度。
angle：矩形的旋转角度（以度为单位）。

edgecolor：矩形的边界颜色。
facecolor：矩形的填充颜色。
linewidth：矩形边界线的宽度。
linestyle：矩形边界线的样式。
alpha：矩形的透明度。
fill：是否填充，默认为True。

椭圆形

patches.Ellipse()

参数：
xy：椭圆的中心坐标，是一个表示 (x, y) 的元组。
width：椭圆的宽度（主轴的长度）。
height：椭圆的高度（次轴的长度）。
angle：椭圆的旋转角度（以度为单位）。默认为 0。
**kwargs：其他参数，用于设置椭圆的属性，如颜色、填充等。

扇形

patches.Wedge()

center：扇形的中心坐标，是一个表示 (x, y) 的元组。
r：扇形的半径。
theta1：扇形的起始角度（以度为单位）。
theta2：扇形的终止角度（以度为单位）。
**kwargs：其他参数，用于设置扇形的属性，如颜色、填充等。

打开图片

mpimg.imread(image_path) # 返回ndarray，范围为0-225，shape为(H, W, C)，torch的tensor为（B, C, H, W）

参数：
fname：图像文件路径。
format：要解释图像的格式。如果不指定，将根据文件扩展名自动确定格式。

image_shape = image.shape[:2] # 获取图片的尺寸

mpimg.imsave() # 存入图片

参数：
fname：要保存的图像文件路径。
arr：要保存的图像数据，通常是一个 NumPy 数组。如果是浮点数数组，则像素值范围应在 [0, 1]。
cmap：颜色映射，用于将数据数组映射为颜色。默认为 None。
format：要保存的图像格式。如果不指定，根据文件扩展名自动确定格式。
vmin：数据数组中的最小值，用于映射颜色。如果不指定，根据数据数组的最小值确定。
vmax：数据数组中的最大值，用于映射颜色。如果不指定，根据数据数组的最大值确定。
origin：图像坐标原点的位置。默认为 None，表示左上角。
dpi：图像的分辨率（每英寸点数）。默认值为 100。

其他

np.linspace() # 生成指定的ndarray

参数：
start：序列的起始值。
stop：序列的结束值。
num：要生成的样本数量（默认为 50）。
endpoint：如果为 True，则在序列中包含结束值；如果为 False，则不包含（默认为 True）。
retstep：如果为 True，返回 (数组, 步长) 的元组，其中步长是序列中相邻值之间的间隔（默认为 False）。
dtype：输出数组的数据类型。
axis：要填充的轴。

ndarray.flatten() # 转化为一维数组

torch.stack(tensors, dim=0, out=None) # 堆叠tensor

import torch

# 创建几个示例张量
tensor1 = torch.tensor([1, 2, 3])
tensor2 = torch.tensor([4, 5, 6])
tensor3 = torch.tensor([7, 8, 9])

# 在默认维度上堆叠张量
stacked_tensor = torch.stack([tensor1, tensor2, tensor3])
print(stacked_tensor)
# 输出：
# tensor([[1, 2, 3],
#         [4, 5, 6],
#         [7, 8, 9]])

# 沿着不同的维度堆叠
stacked_tensor_dim1 = torch.stack([tensor1, tensor2, tensor3], dim=1)
print(stacked_tensor_dim1)
# 输出：
# tensor([[1, 4, 7],
#         [2, 5, 8],
#         [3, 6, 9]])

>>> torch.arange(8).reshape(2, 4)[:,0]
tensor([0, 4])
>>> torch.arange(8).reshape(2, 4)[:]
tensor([[0, 1, 2, 3],
        [4, 5, 6, 7]])