n = 512 max_iter = 64 xmin, xmax, ymin, ymax = -2.2, .8, -1.5, 1.5 x = np.linspace(xmin, xmax, n) y = np.linspace(ymin, ymax, n) z = np.empty((n, n)) for i, y_i in enumerate(y): for j, x_j in enumerate(x): z[i, j] = iter_count(complex(x_j, y_i), max_iter) plt.imshow(z, cmap = cm.Spectral) plt.show()
Tips：imshow()接受一个2D数组作为参数置，用于渲染图片，其中每个像素代表一个从2D数组中提取的值。像素的颜色从colormap中选取。2D数组中的数据也可以是自文件或其他源，例如我们完全可以将读取的图片绘制在图形中。
import matplotlib.cm as cm
from matplotlib import pyplot as plt
读取图片
img = plt.imread(‘img.png’)
绘制图片
plt.imshow(img) plt.show()
我们也可以使用不同的颜色映射观察效果，只需要修改plt.imshow()可选参数cmap的值即可.
plt.imshow(z, cmap = cm.binary, extent=(xmin, xmax, ymin, ymax))
Tips：plt.imshow()的可选参数extent指定存储在二维数组中的数据的坐标系——由四个值组成的元组，分别表示水平轴和垂直轴上的最小、最大范围。
接下来，将数组的尺寸由从512x512减少到32x32，看看效果如何：
n = 64
Tips：使用32x32的数组表示Mandelbrot集时，得到的图片的尺寸并没有缩小，但和512x512数组产生的图片仍有明显差别。这是由于，生成一张给定大小的图片，如果输入的数据小于或大于该图片尺寸，plt.imshow()将执行插值操作。默认的插值是线性插值，可以看出效果并不总是理想的。可以通过imshow()函数的可选参数interpolation指定要使用的插值类型。
使用双三次插值算法(interpolation = ‘bicubic’)查看效果：
为图形添加色彩映射图例
使用色彩映射可以绘制可读性和视觉性都较好的图形，当使用色彩映射时，我们就可以大致知道相应颜色对应的值。
import numpy as np import matplotlib.cm as cm from matplotlib import pyplot as plt def iter_count(c, max_iter): x = c for n in range(max_iter): if abs(x) > 2.: return n x = x ** 2 + c return max_iter n = 512 max_iter = 64 xmin, xmax, ymin, ymax = -2.2, .8, -1.5, 1.5 x = np.linspace(xmin, xmax, n) y = np.linspace(ymin, ymax, n) z = np.empty((n, n)) for i, y_i in enumerate(y): for j, x_j in enumerate(x): z[i, j] = iter_count(complex(x_j, y_i), max_iter) plt.imshow(z, cmap = cm.Spectral, interpolation=‘bicubic’) cb = plt.colorbar(orientation=‘horizontal’, shrink=.75) cb.set_label(‘colormaping’) plt.show()
Tips：plt.colorbar()函数向Matplotlib发出信号显示一个colorbar。其中：可选参数orientation用于选择颜色栏是垂直还是水平，默认情况下，它是垂直的；shrink参数用于缩放颜色栏。调用plt.colorbar()函数将生成一个Colorbar实例，调用该Colorbar实例的set_label()方法，可以为颜色栏设置标题。
二维标量场的可视化
可以使用numpy.meshgrid() 函数从2D函数中生成样本。然后，使用plt.pcolormesh()显示此函数图形：
import numpy as np import matplotlib.cm as cm from matplotlib import pyplot as plt n = 256 x = np.linspace(-3., 3., n) y = np.linspace(-3., 3., n) x_list, y_list = np.meshgrid(x, y) z_list = x_list * np.cos(x_list ** 2 + y_list ** 2) plt.pcolormesh(x_list, y_list, z_list, cmap = cm.Spectral) cb = plt.colorbar(orientation=‘horizontal’, shrink=.75) plt.show()
Tips：使用颜色映射可以帮助我们快速判断相应点的符号和大小。
np.meshgrid()函数的作用是：获取两个坐标列表，并构建坐标网格。因为两个坐标列表都是numpy数组，所以我们可以以处理单个变量的方式处理它们，这使得计算标量场的过程简洁易读。最后，调用函数plt.pcolormesh()呈现图片。
等高线的可视化
等高线将具有相同值的所有点连接起来，可以更容易看到数据的分布特征。
import numpy as np from matplotlib import pyplot as plt import matplotlib.cm as cm def iter_count(c, max_iter): x = c for n in range(max_iter): if abs(x) > 2.: return n x = x ** 2 + 0.98 * c return max_iter n = 512 max_iter = 80 xmin, xmax, ymin, ymax = -0.32, -0.22, 0.8, 0.9 x = np.linspace(xmin, xmax, n) y = np.linspace(ymin, ymax, n) z = np.empty((n, n)) for i, y_i in enumerate(y): for j, x_j in enumerate(x): z[j, i] = iter_count(complex(x_j, y_i), max_iter) plt.imshow(z, cmap = cm.Spectral, interpolation = ‘bicubic’, origin = ‘lower’, extent=(xmin, xmax, ymin, ymax)) levels = [8, 12, 16, 20] ct = plt.contour(x, y, z, levels, cmap = cm.binary) plt.clabel(ct, fmt=‘%d’) plt.show()
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
