Python從Excel讀取數(shù)據(jù)并使用Matplotlib繪制成二維圖像

更新時(shí)間：2023年02月10日 16:41:52 作者：吃肉的小饅頭

本課程實(shí)現(xiàn)使用 Python 從 Excel 讀取數(shù)據(jù)，并使用 Matplotlib 繪制成二維圖像。這一過程中，將通過一系列操作來美化圖像，最終得到一個(gè)可以出版級(jí)別的圖像。本課程對(duì)于需要書寫實(shí)驗(yàn)報(bào)告，學(xué)位論文，發(fā)表文章，做報(bào)告的學(xué)員具有較大價(jià)值

知識(shí)點(diǎn)

使用 xlrd 擴(kuò)展包讀取 Excel 數(shù)據(jù)
使用 Matplotlib 繪制二維圖像
顯示 LaTeX 風(fēng)格公式
坐標(biāo)點(diǎn)處透明化

接下來，我們將通過實(shí)踐操作，帶領(lǐng)大家使用 Python 實(shí)現(xiàn)從 Excel 讀取數(shù)據(jù)繪制成精美圖像。

首先，我們來繪制一個(gè)非常簡單的正弦函數(shù)，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(cè)試 xlrd 擴(kuò)展包

xlrd 顧名思義，就是 Excel 文件的后綴名 .xl 文件 read 的擴(kuò)展包。這個(gè)包只能讀取文件，不能寫入。寫入需要使用另外一個(gè)包。但是這個(gè)包，其實(shí)也能讀取.xlsx文件。

從 Excel 中讀取數(shù)據(jù)的過程比較簡單，首先從 xlrd 包導(dǎo)入 open_workbook，然后打開 Excel 文件，把每個(gè) sheet 里的每一行每一列數(shù)據(jù)都讀取出來即可。很明顯，這是個(gè)循環(huán)過程。

## 下載所需示例數(shù)據(jù)  
## 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(yīng)該能打印出 Excel 表中的數(shù)據(jù)內(nèi)容。解釋一下這段代碼：

打開一個(gè) Excel 文件后，首先對(duì)文件內(nèi)的 sheet 進(jìn)行循環(huán)，這是最外層循環(huán)。
在每個(gè) sheet 內(nèi)，進(jìn)行第二次循環(huán)，行循環(huán)。
在每行內(nèi)，進(jìn)行列循環(huán)，這是第三層循環(huán)。

在最內(nèi)層列循環(huán)內(nèi)，取出行列值，復(fù)制到新建的 values 列表內(nèi)，很明顯，源數(shù)據(jù)有幾列，values 列表就有幾個(gè)元素。我們例子中的 Excel 文件有兩列，分別對(duì)應(yīng)角度和 DC 值。所以在列循環(huán)結(jié)束后，我們將取得的數(shù)據(jù)保存到 x_data1 和 y_data1 這兩個(gè)列表中。

繪制圖像 V1

第一個(gè)版本的功能很簡單，從 Excel 中讀取數(shù)據(jù)，然后繪制成圖像。同樣先下載所需數(shù)據(jù)：

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(shù)據(jù)的程序，上面已經(jīng)解釋過了。這段代碼后面的函數(shù)是 Matplotlib 繪圖的基本格式，此處的輸入格式為：plt.plot(x 軸數(shù)據(jù), y 軸數(shù)據(jù), 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(gè)圖只繪制了一個(gè)表格的數(shù)據(jù)，我們一共有三個(gè)表格。但是就這個(gè)一個(gè)已經(jīng)夠丑了，我們先來美化一下。首先，坐標(biāo)軸的問題：橫軸的 0 點(diǎn)對(duì)應(yīng)著縱軸的 8，這個(gè)明顯不行。我們來移動(dòng)一下坐標(biāo)軸，使之 0 點(diǎn)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(dòng)坐標(biāo)軸后，圖片稍微順眼了一點(diǎn)，我們也能明顯的看出來，圖像與橫軸的交點(diǎn)大約在 180 度附近。

解釋一下移動(dòng)坐標(biāo)軸的代碼：我們要移動(dòng)坐標(biāo)軸，首先要把舊的坐標(biāo)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(shè)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(guān)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(dòng)這兩個(gè)軸，使他們的零點(diǎn)對(duì)應(yīng)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(biāo)軸的移動(dòng)。

繪制圖像 V3

我們能不能給圖像過零點(diǎn)加個(gè)標(biāo)記呢？顯示的告訴看圖者，過零點(diǎn)在哪，就免去看完圖還得猜，要么就要問作報(bào)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(biāo)注的圖片，顯示效果更好了。標(biāo)注的添加，使用 plt.annotate(標(biāo)注文字, 標(biāo)注的數(shù)據(jù)點(diǎn), 標(biāo)注文字坐標(biāo), 箭頭形狀) 語句。這其中，標(biāo)注的數(shù)據(jù)點(diǎn)是我們感興趣的，需要說明的數(shù)據(jù)，而標(biāo)注文字坐標(biāo)，需要我們根據(jù)效果進(jìn)行調(diào)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(shù)據(jù)都畫在這幅圖上，方便對(duì)比，此外，再加上一組理想數(shù)據(jù)進(jìn)行對(duì)照。這一次我們?cè)僮鲂└倪M(jìn)，把橫坐標(biāo)的單位用 LaTeX 引擎顯示；不光標(biāo)記零點(diǎn)，把兩邊的非線性區(qū)也標(biāo)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(dòng)坐標(biāo)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(shù)學(xué)公式，使用 $$ 表示兩個(gè)符號(hào)之間的內(nèi)容是數(shù)學(xué)符號(hào)。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(hào)，書寫和讀音相近，很好記。

對(duì)于圓周率，角度公式這類數(shù)學(xué)符號(hào)，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(diǎn)線畫出來的好看。而且點(diǎn)線更能反映實(shí)際的數(shù)據(jù)點(diǎn)。此外，我們的圖像跟坐標(biāo)軸重疊的地方，把坐標(biāo)和數(shù)字都擋住了，看著不太美。

圖中的理想曲線的數(shù)據(jù)，是根據(jù)電路原理純計(jì)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?cè)倬蜕鲜鰡栴}，進(jìn)行優(yōu)化。優(yōu)化的過程包括：改變橫坐標(biāo)的顯示，使用弧度顯示；優(yōu)化圖像與橫坐標(biāo)相交的部分，透明顯示；增加網(wǎng)絡(luò)標(biāo)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(dòng)坐標(biāo)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(duì)圖像與坐標(biāo)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(shù) alpha=0.65 控制，如果想更透明，就把這個(gè)數(shù)改到更小，0 代表完全透明，1 代表不透明。而改變橫軸坐標(biāo)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(dòng)指定 x 軸的標(biāo)度。依然是使用 LaTeX 引擎來表示數(shù)學(xué)公式。

實(shí)驗(yàn)總結(jié)

本次實(shí)驗(yàn)使用 Python 的繪圖包 Matplotlib 繪制了一副圖像。圖像的數(shù)據(jù)來源于 Excel 數(shù)據(jù)表。與使用數(shù)據(jù)表畫圖相比，通過程序控制繪圖，得到了更加靈活和精細(xì)的控制，最終繪制除了一幅精美的圖像。

到此這篇關(guān)于Python從Excel讀取數(shù)據(jù)并使用Matplotlib繪制成二維圖像的文章就介紹到這了,更多相關(guān)Python讀取Excel數(shù)據(jù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: