学习笔记——matplotlib学习

数据可视化何其多，除了Tableau，ECharts，Matplotlib也是神器之一，将枯燥无味的数据形象直观地展示出来，是很有成就感的事情。Matplotlib作为数据科学的的必备库，算得上是python可视化领域的元老，更是很多高级可视化库的底层基础，其重要性不言而喻。本文主要学习的是matplotlib.pyplot的可视化应用

一、数据可视化类型

---

二、相关函数简介

matplotlib.pyplot是一个命令型函数集合，它可以让人们像使用MATLAB一样使用matplotlib。在matplotlib.pyplot库中有plt子库，该子库提供了7个用于读取和显示的函数，17个用于绘制基础图表的函数、3个区域填充函数、9个坐标轴设置函数以及11个标签与文本设置函数，具体如下表1-1~1-5所示：

表1-1 plt库中的读取和显示函数 表1-2 plt库中的基础图表函数 表1-3 区域填充函数 表1-4 坐标轴设置函数 表1-5 标签与文本设置函数

注意：均可通过help()命令查看API，用到什么查什么。

补充：

绘图接口有2种形式，分别是面向"当前"图的plt接口和面向对象接口，在这2种方式的相应接口中，多数接口名是一致的，例如：plt.plot()和axes.plot()、plt.legend()和axes.legend()，但也有一些不一致的接口：

plt.axes()——fig.add_axes()

plt.subplot()——fig.add_subplot()

plt.GridSped()——fig.add_gridspec()

plt.xlabel()——axes.set_xlabel()

plt.ylabel()——axes.set_ylabel()

plt.xlim()——axes.set_xlim()

plt.ylim()——axes.set_ylim()

plt.title()——axes.set_title()

对此，一方面两类接口虽然略有区别，但也还算有规律；另一方面，在面向对象绘图配置图例时，有更为便捷的设置图例接口axes.set()，其可以接收多种参数一次性完成所有配置，这也正是面向对象绘图的强大之处。

---

三、一些常用的基础API

1、解决中文乱码，防止方块化

plt.rcParams["font.sans-serif"]="SimHei"

2、解决负号不能正常显示的问题

plt.rcParams["axes.unicode_minus"]=False

3、在jupyter notebook上面显示图片

%matplotlib inline

4、作图使用svg格式显示更为清晰

%config InlineBackend.figure_format="svg"

5、设置画布

plt.figure() 创建一个全局绘图区域
参数：
num：设置图像编号
figsize：设置图像的宽度和高度，单位为英寸
facecolor：设置图像的背景颜色
dpi：设置绘图对象的分辨率
edgecplor：设置图像的边框颜色

6、创建子图

fig=plt.figure(）

fig.add_subplot(3,2,2)   #3X2的第2个图形

或者plt.subplot(3,2,2)    #3X2的第2个图形

---

四、绘图3步走

---

五、几种常用图表

下面将介绍几种较为常用的图表：柱状图、饼图、折线图、散点图、气泡图/云图、雷达图。

1、柱状图

柱状图也叫条形图，是一种以长方形的长度为变量来表达图形的统计报告图，它由一系列高度不等的纵向条纹表示数据分布的情况，用来比较两个或两个以上的数值。

它适用于二维数据集，并且该数据集只需要（或者说“只能”更准确一些）比较其中一个维度。实现比较的手段就是利用柱状体之间的高度差来反映数据差异，因为人的肉眼对于高度的辨识度是较高的。但是，当数据集的规模太过庞大时，柱状体太多也会在所难免的没有那么方便地进行比较了，所以柱状图一般只适用于中小规模的数据集。

柱状图实际上是用来表示分组（或离散）变量的可视化

API：

bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.bar(x, a,  width=width, label='a')
plt.bar(x + width, b, width=width, label='b')
plt.bar(x + 2 * width, c, width=width, label='c')
plt.legend()
plt.show()

结果展示：

水平条形图

绘制方法一：使用plt.bar()
还用上的数据，参数orientation默认是’vertical’垂直，改为"horizontal"（水平）。
注意：
1、x的起始位置，水平条底部，以及长度的取值变化
2、添加标签的时候enumerate()函数遍历出的结果（自动加序号），以及text()函数的参数。

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.bar(0,bottom=x,height=width,width=a, label='a',orientation="horizontal")
plt.bar(0,bottom=x+width,height=width,width=b,label='b',orientation="horizontal")
plt.bar(0,bottom=x+2*width,height=width,width=c,label='c',orientation="horizontal")

plt.legend()
plt.show()

结果展示：

绘制方法二：使用plt.barh()

barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

还用上的数据，参数orientation为"horizontal"（水平）。

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.barh(x, left=0,height=width,width=a,orientation="horizontal",alpha = 0.8)
plt.barh(x+width, left=0,height=width,width=b,orientation="horizontal",alpha = 0.8)
plt.barh(x+2*width, left=0,height=width,width=c,orientation="horizontal",alpha = 0.8)
plt.legend()
plt.show()

结果展示：

---

2、折线图

在折线图中，我们通常更关注于每条折线的走势（或者说“更能看出数据的走向”，所以它适用于整体趋势比单个数据点更重要的二维数据集。而正因为它关心的是整体而非个别的点，所以当数据集的规模越大时，折线图所呈现的整体会更加的准确。每个数据集在折线图中仅表现为一条折线，这使得它可以同时承载多个数据集并提供比较。

API：

plt.plot(x,y,linestyle,linewidth,color,marker,markersize,markeredgecolor,markerfactcolor,label,alpha)

参数：

x，y：指定折线图的x轴/y轴的数据；

linestyle：指定折线的类型，可以是实线、虚线、点虚线等，默认文实线；

linewidth：指定折线的宽度

marker：设置点的形状

markersize：设置点的大小

markeredgecolor：设置点的边框色

markerfactcolor：设置点的填充色

label：为折线图添加标签

常用的marker风格：

“+”：十字          “O”：圆圈

“*”：星型          “s”：正方形

“p”：五边形         “h”：六边形

“d”：小菱形         “D”：钻石       

常用的color风格：

“b”：blue蓝色            “g”：green绿色  

“k”：黑色                “w”：white白色

“r”：red红色             “y”：yellow黄色

“c”：cyan青色            “m”：magenta品红

示例：

import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
x = np.arange(-2*np.pi,2*np.pi,0.01)
#x = np.arange(-2*np.pi,2*np.pi,0.01)
x1 = np.arange(-2*np.pi,2*np.pi,0.2)
y1 = np.sin(3*x1)/x1
y2 = np.sin(2*x)/x
y3 = np.sin(x)/x
plt.plot(x1,y1,c='b',linestyle='--',marker='^',label="y1=sin(3*x1)/x1")#linestyle设置线的风格，marker设置点的风格
plt.plot(x,y2,c='r',linestyle='-.',label="y2=sin(2*x)/x")
plt.plot(x,y3,c='g',label="y3=sin(x)/x")
plt.legend()
plt.show()

结果展示：

---

3、饼图

饼图是一种经常被人们避免使用的图表，因为人眼对面积的辨识度没有像对高度那样那么高，所以利用面积去反映数据起不到很好的作用。但是，存在即合理，当我们想要去强调某个部分占整体的比重时，用饼图是再适合不过了。

饼图用于表示不同分类的占比情况，通过弧度大小来对比各种分类。饼图将一个圆饼按照分类的占比划分成多个区块，整个圆饼代表数据的总量，每个区块（圆弧）表示该分类占总体的比例大小。

API：

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)

参数：

x：指定绘图的数据；

explode：指定饼图某些部分的突出显示，即呈现爆炸式；

labels：为饼图添加标签说明，类似于图例说明；

colors：指定饼图的填充色；

autopct：自动添加百分比显示，可以采用格式化的方法显示；

pctdistance：设置百分比标签与圆心的距离；

shadow：是否添加饼图的阴影效果；

labeldistance：设置各扇形标签（图例）与圆心的距离；

startangle：设置饼图的初始摆放角度；

radius：设置饼图的半径大小；

counterclock：是否让饼图按逆时针顺序呈现；

wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等；

textprops：设置饼图中文本的属性，如字体大小、颜色等；

center：指定饼图的中心点位置，默认为原点

frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置；

示例：

import matplotlib.pyplot as plt

labels = 'A', 'B', 'C', 'D'
fracs = [15, 30.55, 44.44, 10]
color = 'blue','red','yellow','green'
explode = [0, 0.1, 0, 0]  # 0.1 凸出这部分，
plt.pie(x=fracs,explode=explode, # 突出分裂的部分
        labels=labels, # 添加分类标签
        colors=color, # 设置饼图的自定义填充色
        autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
        pctdistance=0.6,  # 设置百分比标签与圆心的距离
        labeldistance = 1.15, # 设置各标签与圆心的距离
        startangle = 180, # 设置饼图的初始角度
        radius = 1, # 设置饼图的半径
        counterclock = False, # 是否逆时针，这里设置为顺时针方向
        wedgeprops = {
   'linewidth': 1.3, 'edgecolor':'green'},# 设置饼图内外边界的属性值
        textprops = {
   'fontsize':15, 'color':'k'}, # 设置文本标签的属性值
        center = (0.5,0.5), # 设置饼图的原点
        frame = 0 )# 是否显示饼图的图框，这里设置显示
plt.show()

结果展示：

---

4、散点图

散点图在回归分析中的使用较多，他将序列显示为一组点。值点在图标表中的位置表示，类别由图表中的不同标记表示，所以散点图通常用于比较跨类别的聚合数据。

散点图正是用来寻找数据集维度间的相互关系的。如果数据集规模足够大并且维度间可能并不存在关系，我们依然可以通过散点图来总结数据点的分布模式，得到有用的信息。

API:

scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

常用参数解释：

x，y：表示即将绘制散点图的数据点
s：是一个可选的参数。
c：表示的是颜色，也是一个可选项。
marker:表示的是标记的样式，默认的是'o'。
alpha：实数，0-1之间。

示例：

#导入必要的模块
import numpy as np
import matplotlib.pyplot as plt
#产生测试数据
x = np.arange(1,10)
y = x
fig = plt.figure()
ax1 = fig.add_subplot(111)
#设置标题
ax1.set_title('Scatter Plot')
#设置X轴标签
plt.xlabel('X')
#设置Y轴标签
plt.ylabel('Y')
#画散点图
ax1.scatter(x,y,c = 'r',marker = 'o')
#设置图标
plt.legend('x1')
#显示所画的图
plt.show()

结果展示：

---

5、气泡图/云图

气泡图是二维图表展示三维（或者四维）数据集的典范，通常被看做散点图的变种。它利用点的面积来表示第三维的数值。但是，前面提到过，人眼对面积的辨识度并不高，所以气泡图只能用于对第三维的展现不做精确要求的场景。

示例：

import numpy as np
import matplotlib.pyplot as plt

x=np.random.rand(50)
y=np.random.rand(50)
colors=np.random.rand(50)   #颜色随机
area=(50*np.random.rand(50))**2   #散点的大小随机
fig=plt.figure(figsize=(10,5))

plt.subplot(1,1,1)
plt.scatter(x,y,s=area,marker="o",c=colors)
#设置标题
plt.title("plot of scatter for x to y",fontdict={
   'fontsize':20,'color':'blue'},loc='center')
# 设置x轴和y轴的轴标题
plt.xlabel("x for x in range(50)",fontdict={
   'fontsize':10,'color':'blue'})
plt.ylabel("y for y in range(50)",fontdict={
   'fontsize':10,'color':'blue'})
# 添加图例
# plt.legend('xfory')
# 添加数字标签
for a,b in zip(x,y):
    plt.text(round(a,2),round(b,2),round(b,2),ha="center",va='top',fontdict={
   'fontsize':7,'color':'black'})
plt.xlim(0,1)  #x轴的坐标轴取值范围
# 给坐标A添加标注A（x10,y10）
plt.annotate("A(x,y)",xy=(x[10],y[10]),fontsize=15)
plt.show()

结果展示：

---

6、直方图

直方图又称质量分布图，是一种统计报告图。它由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据类型，用纵轴表示分布情况。

API：

hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)

参数：

x：指定要绘制直方图的数据；

bins：指定直方图条形的个数；

range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值；

normed：是否将直方图的频数转换成频率；

weights：该参数可为每一个数据点设置权重；

cumulative：是否需要计算累计频数或频率；

bottom：可以为直方图的每个条形添加基准线，默认为0；

histtype：指定直方图的类型，默认为bar，除此还有’barstacked’,‘step’, ‘stepfilled’；

align：设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’；

orientation：设置直方图的摆放方向，默认为垂直方向；

rwidth：设置直方图条形宽度的百分比；

log：是否需要对绘图数据进行log变换；

color：设置直方图的填充色；

label：设置直方图的标签，可通过legend展示其图例；

stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放；

示例：

#电影时长分布分析（直方图）
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
import matplotlib

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
x = [194,110,109,104,48,60,127,41,196,74,116,123,169,60,86,87,60,60,60,105,60,112,60,120,60,60,60,238,128,7,280,180,87,122,18,60,60,60,12,92,60,
     127,115,60,121,115,60,60,60,119]

plt.figure()
plt.hist(x,50,histtype='bar',label='电影时长',facecolor='red',alpha=0.75)
plt.title('电影时长分布分析')
plt.legend()
plt.show()

结果展示：

---

7、雷达图

雷达图可以用来表示多维（四维以上）的数据集，并且数据集的每个维度都必须是可以排序的。但它所能承载的数据点是非常有限的，当数据点过多时，并不利用数据点之间的比较。

示例：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
results = [{
   "大学英语": 87, "高等数学": 79, "体育": 95, "计算机基础": 92, "程序设计": 85},
           {
   "大学英语": 80, "高等数学": 90, "体育": 91, "计算机基础": 85, "程序设计": 88}]
data_length = len(results[0])
# 将极坐标根据数据长度进行等分
angles = np.linspace(0, 2*np.pi, data_length, endpoint=False)
labels = [key for key in results[0].keys()]
score = [[v for v in result.values()] for result in results]
#为了使雷达图一圈封闭起来，需要下面的步骤
# 使雷达图数据封闭
score_a = np.concatenate((score[0], [score[0][0]]))
score_b = np.concatenate((score[1], [score[1][0]]))
angles = np.concatenate((angles, [angles[0]]))
labels = np.concatenate((labels, [labels[0]]))
# 设置图形的大小
fig = plt.figure(figsize=(8, 6), dpi=100)
# 新建一个子图 这里一定要设置为极坐标格式
ax = plt.subplot(111, polar=True)
# 绘制折线图 /绘制雷达图
ax.plot(angles, score_a, color='g')
ax.plot(angles, score_b, color='b')
#  添加每个特征的标签
ax.set_thetagrids(angles*180/np.pi, labels)
# 设置雷达图的0度起始位置
ax.set_theta_zero_location('N')
# 设置雷达图的坐标刻度范围
ax.set_rlim(0, 100)
# 设置雷达图的坐标值显示角度，相对于起始角度的偏移量
ax.set_rlabel_position(270)
ax.set_title("成绩情况分析")
plt.legend(["小明", "小红"], loc='best')
plt.show()

结果展示：

转载：https://blog.csdn.net/qq_46485161/article/details/116073629