import matplotlib.pyplot as plt 
 
#创建新的figure
fig = plt.figure()
 
#必须通过add_subplot()创建一个或多个绘图
#ax = fig.add_subplot(221)
 
#绘制2x2两行两列共四个图，编号从1开始
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(223)
ax4 = fig.add_subplot(224)
 
#图片的显示
plt.show()

#coding=utf-8
import matplotlib.pyplot as plt 
import numpy as np
 
points = np.arange(-5,5,0.01)
 
xs,ys = np.meshgrid(points,points)
 
z = np.sqrt(xs**2 + ys**2)
 
#创建新的figure
fig = plt.figure()
 
#绘制2x2两行两列共四个图，编号从1开始
ax = fig.add_subplot(221)
ax.imshow(z)
 
ax = fig.add_subplot(222)
#使用自定义的colormap(灰度图)
ax.imshow(z,cmap=plt.cm.gray)
 
ax = fig.add_subplot(223)
#使用自定义的colormap
ax.imshow(z,cmap=plt.cm.cool)
 
ax = fig.add_subplot(224)
#使用自定义的colormap
ax.imshow(z,cmap=plt.cm.hot)
 
#图片的显示
plt.show()

  # -*- coding: utf-8 -*- 
 """ 
 演示二维插值。 
 """ 
 import numpy as np 
 from scipy import interpolate 
 import pylab as pl 
 import matplotlib as mpl 
  
 def func(x, y): 
  return (x+y)*np.exp(-5.0*(x**2 + y**2)) 
  
 # X-Y轴分为15*15的网格 
 y,x= np.mgrid[-1:1:15j, -1:1:15j] 
  
 fvals = func(x,y) # 计算每个网格点上的函数值 15*15的值 
 print len(fvals[0]) 
  
 #三次样条二维插值 
 newfunc = interpolate.interp2d(x, y, fvals, kind='cubic') 
  
 # 计算100*100的网格上的插值 
 xnew = np.linspace(-1,1,100)#x 
 ynew = np.linspace(-1,1,100)#y 
 fnew = newfunc(xnew, ynew)#仅仅是y值 100*100的值 
  
 # 绘图 
 # 为了更明显地比较插值前后的区别，使用关键字参数interpolation='nearest' 
 # 关闭imshow()内置的插值运算。 
 pl.subplot(121) 
 im1=pl.imshow(fvals, extent=[-1,1,-1,1], cmap=mpl.cm.hot, interpolation='nearest', origin="lower")#pl.cm.jet 
 #extent=[-1,1,-1,1]为x,y范围 favals为 
 pl.colorbar(im1) 
  
 pl.subplot(122) 
 im2=pl.imshow(fnew, extent=[-1,1,-1,1], cmap=mpl.cm.hot, interpolation='nearest', origin="lower") 
 pl.colorbar(im2) 
  
 pl.show()