使用Python在同一张图中创建两个子图，分别画出sinx和cosx在[-3.14,3.14]上的函数图像。设置线条宽度为2.5.(提示：.linspace()，plt.subplot(),.plot(,linewidth=…)

好的，下面是 Python 代码实现：

import numpy as np
import matplotlib.pyplot as plt

# 生成x轴数据
x = np.linspace(-np.pi, np.pi, 300)

# 生成sinx和cosx的y轴数据
y1 = np.sin(x)
y2 = np.cos(x)

# 创建2x1的子图，第1个子图
plt.subplot(2, 1, 1)
plt.plot(x, y1, linewidth=2.5)
plt.title("sin(x)")

# 创建2x1的子图，第2个子图
plt.subplot(2, 1, 2)
plt.plot(x, y2, linewidth=2.5)
plt.title("cos(x)")

# 显示图像
plt.show()

这段代码使用 `numpy` 生成 `x` 轴数据，再分别生成 `sin(x)` 和 `cos(x)` 的 `y` 轴数据。然后使用 `plt.subplot()` 创建 2x1 的子图，分别画出 `sin(x)` 和 `cos(x)` 的函数图像，并设置线条宽度为 2.5。最后调用 `plt.show()` 显示图像。

相关问题

Python在同一张图中叠加海温陆地风怎么画

你可以使用Python中的Matplotlib和Cartopy库来画同一张图上的海温、陆地和风场。下面是一个简单的示例代码：

import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
import numpy as np

# 创建画布
fig = plt.figure(figsize=(8, 6))

# 在画布上添加地图
ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree())
ax.set_extent([70, 140, 0, 60], crs=ccrs.PlateCarree())
ax.add_feature(cfeature.COASTLINE.with_scale('50m'))
ax.add_feature(cfeature.LAND.with_scale('50m'))

# 绘制海温数据
temps = np.random.randn(30, 30)
im = ax.contourf(temps, cmap='coolwarm')

# 绘制风场数据
x, y = np.meshgrid(np.arange(0, 30), np.arange(0, 30))
u, v = np.random.randn(30, 30), np.random.randn(30, 30)
q = ax.quiver(x, y, u, v)

# 显示图像
plt.show()

在这个示例代码中，我们首先创建了一个8x6英寸大小的画布，然后在上面添加了一个投影为PlateCarree的地图，范围为[70, 140, 0, 60]。接着我们随机生成了30x30的海温数据和风场数据，并使用Matplotlib的contourf和quiver函数绘制了它们。最后，我们使用show函数将图像显示出来。

注意，这里只是一个简单的示例代码，实际应用中还需要根据具体的数据和需求进行调整。

python在同一张图中展示数据的直方图和核密度图（提示：secondary_y）

在Python中，可以使用matplotlib库中的`subplots`函数在同一幅图中同时显示直方图和核密度估计图。`secondary_y`参数特别适用于在这种场景下，它允许你在共享x轴的基础上添加第二个y轴，用于展示不同类型的数据。

例如，你可以这样做：

import matplotlib.pyplot as plt
import numpy as np

# 创建一些数据
data1 = np.random.randn(1000)
data2 = np.random.randn(1000) + 5

fig, ax1 = plt.subplots()

# 绘制主y轴的直方图
ax1.hist(data1, bins='auto', label='Data 1', color='blue')
ax1.set_ylabel('Frequency', color='blue')

# 添加一个新的y轴（secondary_y）
ax2 = ax1.twinx()
n, bins, patches = ax2.hist(data2, bins='auto', density=True, alpha=0.7,
                          label='Kernel Density Estimate', color='red')
ax2.set_ylabel('Density', color='red')
ax2.yaxis.grid(True)

# 设置标题和图例
fig.suptitle('Histogram and Kernel Density Estimation')
ax1.legend(loc='upper left')
ax2.legend(loc='upper right')

plt.show()

在这个例子中，`ax1`负责直方图，而`ax2`则展示了基于`data2`的核密度估计图，其数据量纲通过调整为概率密度（density=True）来适应新的y轴。