Matplotlib 是一个Python的2D绘图库。通过 Matplotlib,开发者可以仅需要几行代码,便可以生成绘图,直方图,功率谱,条形图,错误图,散点图等。
通过学习Matplotlib,可让数据可视化,更直观的真实给用户。使数据更加客观、更具有说服力。 Matplotlib是Python的库,又是开发中常用的库。
如果使用的是Anaconda Python开发环境,那么Matplotlib已经被集成进Anaconda,并不需要单独安装。
安装 Anaconda 请参考 Tensorflow 2.0 最新版(2.4.1) 安装教程
如果使用的是标准的Python开发环境,可以使用下面的命令安装Matplotlib:
pip install matplotlib
如果要了解Matplotlib更详细的情况,请访问官方网站。网址如下:https://matplotlib.org
安装完Matplotlib后,可以测试一下Matplotlib是否安装成功。进入Python的环境使用下面的语句导入matplotlib.pyplot
模块。如果不出错,就说明Matplotlib已经安装成功了。
import matplotlib.pyplot as plt
虽然上述的安装方式比较简单,但是有时候不能确保安装成功或者并不能保证安装的Matplotlib
版本适合当今Python环境
。在这个时候,建议读者登录Python官方网站https://www.python.org/
,点击菜单PyPI
输入Matplotlib
到下载页如下图所示,在这个页面中查找与你使用的Python版本匹配的wheel
文件(扩展名为“.whl
”的文件)。
例如:使用的是64位的Python3.6
,则需要下载matplotlib-3.1.0-cp36-cp36m-win_amd64.whl
。
当读者下载到得到的文件是matplotlib-3.1.0-cp36-cp36m-win_amd64.whl
,将这个文件保存在” E:/matp”
目录下。接下来,需要打开一个命令窗口,并切换到“e:/matp”
目录下。执行如下命令安装Matplotlib
。
pip install matplotlib-3.1.0-cp36-cp36m-win_amd64.whl
可视化是在整个数据挖掘的关键辅助工具,可以清晰的理解数据,从而调整我们的分析方法。
例如:下面两个图为数字展示和图形展示:
在使用Matplotlib绘制图形时,其中有两个最为常用的场景。一个是画点,一个是画线。pyplot基本方法的使用如下表。
matplotlib.pytplot包含了一系列类似于matlab的画图函数。
import matplotlib.pyplot as plt
plt.figure()
plt.figure(figsize=(), dpi=)
figsize:指定图的长宽
dpi:图像的清晰度
返回fig对象
plt.plot(x, y)
plt.show()
import matplotlib.pyplot as plt import random from pylab import mpl # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ['SimHei'] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False # 0.准备数据 x = range(60) y = [random.uniform(15, 18) for i in x] # random.uniform:返回一个随机浮点数 N ,当 a <= b 时 a <= N <= b ,当 b < a 时 b <= N <= a ''' DPI(Dots Per Inch,每英寸点数)是一个量度单位,用于点阵数码影像,指每一英寸长度中,取样、可显示或输出点的数目。 DPI是打印机、鼠标等设备分辨率的度量单位。是衡量打印机打印精度的主要参数之一,一般来说,DPI值越高,表明打印机的打印精度越高。 ''' # 1.创建画布 plt.figure(figsize=(20, 8), dpi=100) # 画布大小,dpi:清晰度 # 2.绘制图像 plt.plot(x, y) # 3.图像显示 plt.show()
在上面的实例直线结果不够完美,开发者可以绘制的线条样式进行灵活设置。例如:可以设置线条的粗细、设置文字等。
绘制折线图并设置样式
import matplotlib.pyplot as plt datas=[1,2,3,4,5] squares=[1,4,9,16,25] plt.plot(datas,squares,linewidth=5) #设置线条宽度 #设置图标标题,并在坐标轴上添加标签 plt.title('Numbers',fontsize=24) plt.xlabel('datas',fontsize=14) plt.ylabel('squares',fontsize=14) plt.show()
Matplotlib 默认情况不支持中文,我们可以使用以下简单的方法来解决:
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
中文乱码和符号不正常显示:
from pylab import mpl # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ['SimHei'] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False
解决标签、标题中的中文问题
import matplotlib.pyplot as plt datas=[1,2,3,4,5] squares=[1,4,9,16,25] plt.plot(datas,squares,linewidth=5) #设置线条宽度 #设置中文乱码问题 plt.rcParams['font.sans-serif'] = ['SimHei'] #设置图标标题,并在坐标轴上添加标签 plt.title('标题设置',fontsize=24) plt.xlabel('x轴',fontsize=14) plt.ylabel('y轴',fontsize=14) plt.show()
在使用Matplotlib绘制线性图时,其中最简单的是绘制线图。在下面的实例代码中,使用Matplotlib绘制了一个简单的直线。具体实现过程如下:
(1)导入模块pyplot,并给它指定别名plt,以免反复输入pyplot。在模块pyplot中包含很多用于生产图表的函数。
(2)将绘制的直线坐标传递给函数plot()。
(3)通过函数plt.show()打开Matplotlib查看器,显示绘制的图形。
根据两点绘制一条线
import matplotlib.pyplot as plt #将(0,1)点和(2,4)连起来 plt.plot([0,2],[1,4]) plt.show()
折线图:以折线的上升或下降来表示统计数量的增减变化的统计图
特点:能够显示数据的变化趋势,反映事物的变化情况。(变化)
api:plt.plot(x, y)
在上述的实例代码中,使用两个坐标绘制一条直线,接下来使用平方数序列1、4、9、16和25来绘制一个折线图。
import matplotlib.pyplot as plt x=[1,2,3,4,5] squares=[1,4,9,16,25] plt.plot(x,squares) plt.show()
举例:展现上海一周的天气,比如从星期一到星期日的天气温度如下:
import matplotlib.pyplot as plt # 1.创建画布 plt.figure(figsize=(10, 10), dpi=100) # 2.绘制折线图 plt.plot([1, 2, 3, 4, 5, 6 ,7], [17,17,18,15,11,11,13]) # 3.显示图像 plt.show()
举例:正弦曲线
import numpy as np # 0. 准备数据 x = np.linspace(-10, 10, 1000) # 等差数列 y = np.sin(x) # sin() # 1. 创建画布 plt.plot(x, y) # 2.1 添加网格显示 plt.grid(True, linestyle='--', alpha=0.5) # 2.2 设置标题 plt.title('折线图') # 3. 显示图像 plt.show()
折线图的应用场景
plt.plot()
除了可以画折线图,也可以用于画各种数学函数图像为了更好地理解所有基础绘图功能,我们通过天气温度变化的绘图来融合所有的基础API使用 需求:画出某城市11点到12点1小时内每分钟的温度变化折线图,温度范围在15度~18度。
import matplotlib.pyplot as plt import random from pylab import mpl # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ['SimHei'] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False # 0.准备数据 x = range(60) y = [random.uniform(15, 18) for i in x] # random.uniform:返回一个随机浮点数 N ,当 a <= b 时 a <= N <= b ,当 b < a 时 b <= N <= a ''' DPI(Dots Per Inch,每英寸点数)是一个量度单位,用于点阵数码影像,指每一英寸长度中,取样、可显示或输出点的数目。 DPI是打印机、鼠标等设备分辨率的度量单位。是衡量打印机打印精度的主要参数之一,一般来说,DPI值越高,表明打印机的打印精度越高。 ''' # 1.创建画布 plt.figure(figsize=(20, 8), dpi=100) # 画布大小,dpi:清晰度 # 2.绘制图像 plt.plot(x, y) # 3.图像显示 plt.show()
# 增加以下两行代码 # 构造x轴刻度标签 x_ticks_label = ["11点{}分".format(i) for i in x] # 构造y轴刻度 y_ticks = range(40) # 修改x,y轴坐标的刻度显示 plt.xticks(x[::5], x_ticks_label[::5]) plt.yticks(y_ticks[::5])
为了更加清楚地观察图形对应的值
plt.grid(True, linestyle='--', alpha=0.5)
添加x轴、y轴描述信息及标题
通过fontsize
参数可以修改图像中字体的大小
plt.xlabel("时间") plt.ylabel("温度") plt.title("中午11点0分到12点之间的温度变化图示", fontsize=20)
# 保存图片到指定路径 plt.savefig("test.png")
注意:plt.show()
会释放figure
资源,如果在显示图像之后保存图片将只能保存空图片。
import matplotlib.pyplot as plt import random from pylab import mpl # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ['SimHei'] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False # 0.准备数据 x = range(60) y = [random.uniform(15, 18) for i in x] # random.uniform:返回一个随机浮点数 N ,当 a <= b 时 a <= N <= b ,当 b < a 时 b <= N <= a ''' DPI(Dots Per Inch,每英寸点数)是一个量度单位,用于点阵数码影像,指每一英寸长度中,取样、可显示或输出点的数目。 DPI是打印机、鼠标等设备分辨率的度量单位。是衡量打印机打印精度的主要参数之一,一般来说,DPI值越高,表明打印机的打印精度越高。 ''' # 1.创建画布 plt.figure(figsize=(20, 8), dpi=100) # 画布大小,dpi:清晰度 # 2.绘制图像(折线图) plt.plot(x, y) # 2.1 添加x,y轴刻度 x_ticks_label = ['11点{}分'.format(i) for i in x] y_ticks = range(40) # 修改x,y轴刻度显示 # plt.xticks(x_ticks_label[::5]) 坐标刻度不可以直接通过字符串进行修改 # tick:对号; 钩号; 记号 plt.xticks(x[::5], x_ticks_label[::5]) # 先修改为数字刻度,之后替换中文刻度 plt.yticks(y_ticks[::5]) # 2.2 添加网格显示 plt.grid(True, linestyle='--', alpha=0.5) # 2.3 添加描述信息 plt.xlabel('时间') plt.ylabel('温度') plt.title('中午11点-12点某城市温度变化图', fontsize=20) # 2.4 图像保存(放在show前面,show()会释放figure资源,如果显示图像之后保存图片只能保存空图片) plt.savefig('./test.png') # 3.图像显示 plt.show()
多次plot
即可
收集到北京当天温度变化情况,温度在1度到3度。怎么去添加另一个在同一坐标系当中的不同图形,其实很简单只需要再次plot
即可,但是需要区分线条,如下:
# 0.准备数据 x = range(60) # random.uniform:返回一个随机浮点数 N ,当 a <= b 时 a <= N <= b ,当 b < a 时 b <= N <= a y_sh = [random.uniform(15, 18) for i in x] y_bj = [random.uniform(1, 3) for i in x] ''' DPI(Dots Per Inch,每英寸点数)是一个量度单位,用于点阵数码影像,指每一英寸长度中,取样、可显示或输出点的数目。 DPI是打印机、鼠标等设备分辨率的度量单位。是衡量打印机打印精度的主要参数之一,一般来说,DPI值越高,表明打印机的打印精度越高。 ''' # 1.创建画布 plt.figure(figsize=(20, 8), dpi=100) # 画布大小,dpi:清晰度 # 2.绘制图像(折线图) plt.plot(x, y_sh, label='上海') # 设置线的风格,颜色,添加图例 plt.plot(x, y_bj, color='r', linestyle='--', label='北京') # 2.1 添加x,y轴刻度 x_ticks_label = ['11点{}分'.format(i) for i in x] y_ticks = range(40) # 修改x,y轴刻度显示 # plt.xticks(x_ticks_label[::5]) 坐标刻度不可以直接通过字符串进行修改 # tick:对号; 钩号; 记号 plt.xticks(x[::5], x_ticks_label[::5]) # 先修改为数字刻度,之后替换中文刻度 plt.yticks(y_ticks[::5]) # 2.2 添加网格显示 plt.grid(True, linestyle='--', alpha=0.5) # 2.3 添加描述信息 plt.xlabel('时间') plt.ylabel('温度') plt.title('中午11点-12点某城市温度变化图', fontsize=20) # 2.4 图像保存(放在show前面,show()会释放figure资源,如果显示图像之后保存图片只能保存空图片) # plt.savefig('./test.png') # 2.5 显示图例 plt.legend(loc="best") # 0 # 3.图像显示 plt.show()
我们仔细观察,用到了两个新的地方,一个是对于不同的折线展示效果,一个是添加图例。
注意:如果只在plt.plot()
中设置label
还不能最终显示出图例,还需要通过plt.legend()
将图例显示出来。
# 绘制折线图 plt.plot(x, y_shanghai, label="上海") # 使用多次plot可以画多个折线 plt.plot(x, y_beijing, color='r', linestyle='--', label="北京") # 显示图例 plt.legend(loc="best")
参数 loc
:
多个坐标系显示—plt.subplots
(面向对象的画图方法)
可以通过subplots
函数实现(旧的版本中有subplot
,使用起来不方便),推荐subplots
函数
matplotlib.pyplot.subplots(nrows=1, ncols=1, **fig_kw)
创建一个带有多个axes
(坐标系/绘图区)的图:
Parameters: nrows, ncols : 设置有几行几列坐标系 int, optional, default: 1, Number of rows/columns of the subplot grid. Returns: fig : 图对象 axes : 返回相应数量的坐标系 设置标题等方法不同: set_xticks set_yticks set_xlabel set_ylabel
关于axes
子坐标系的更多方法:请参考:
https://matplotlib.org/api/axes_api.html#matplotlib.axes.Axes
注意:plt.函数名()
相当于面向过程
的画图方法,axes.set_方法名()
相当于面向对象
的画图方法。
# 0.准备数据 x = range(60) # random.uniform:返回一个随机浮点数 N ,当 a <= b 时 a <= N <= b ,当 b < a 时 b <= N <= a y_sh = [random.uniform(15, 18) for i in x] y_bj = [random.uniform(1, 3) for i in x] ''' DPI(Dots Per Inch,每英寸点数)是一个量度单位,用于点阵数码影像,指每一英寸长度中,取样、可显示或输出点的数目。 DPI是打印机、鼠标等设备分辨率的度量单位。是衡量打印机打印精度的主要参数之一,一般来说,DPI值越高,表明打印机的打印精度越高。 ''' # 1.创建画布 # plt.figure(figsize=(20, 8), dpi=100) # 画布大小,dpi:清晰度 fig, axes = plt.subplots(nrows=1, ncols=2, figsize=( 20, 8), dpi=100) # 画布fig对象,区域axes对象() # 2.绘制图像(折线图) # plt.plot(x, y_sh, label='上海') # # 设置线的风格,颜色,添加图例 # plt.plot(x, y_bj, color='r', linestyle='--', label='北京') axes[0].plot(x, y_sh, label='上海') # 设置线的风格,颜色,添加图例 axes[1].plot(x, y_bj, color='r', linestyle='--', label='北京') # 2.1 添加x,y轴刻度 x_ticks_label = ['11点{}分'.format(i) for i in x] y_ticks = range(40) # 修改x,y轴刻度显示 # plt.xticks(x_ticks_label[::5]) 坐标刻度不可以直接通过字符串进行修改 # tick:对号; 钩号; 记号 # plt.xticks(x[::5], x_ticks_label[::5]) # 先修改为数字刻度,之后替换中文刻度 # plt.yticks(y_ticks[::5]) axes[0].set_xticks(x[::5]) axes[0].set_yticks(y[::5]) axes[0].set_xticklabels(x_ticks_label[::5]) axes[1].set_xticks(x[::5]) axes[1].set_yticks(y[::5]) axes[1].set_xticklabels(x_ticks_label[::5]) # 2.2 添加网格显示 # plt.grid(True, linestyle='--', alpha=0.5) axes[0].grid(True, linestyle='--', alpha=0.5) axes[1].grid(True, linestyle='--', alpha=0.5) # 2.3 添加描述信息 # plt.xlabel('时间') # plt.ylabel('温度') # plt.title('中午11点-12点某城市温度变化图', fontsize=20) axes[0].set_xlabel('时间') axes[0].set_ylabel('温度') axes[0].set_title('中午11点-12点某城市温度变化图', fontsize=20) axes[1].set_xlabel('时间') axes[1].set_ylabel('温度') axes[1].set_title('中午11点-12点某城市温度变化图', fontsize=20) # 2.4 图像保存(放在show前面,show()会释放figure资源,如果显示图像之后保存图片只能保存空图片) plt.savefig('./test.png') # 2.5 显示图例 # plt.legend(loc="best") # 0 axes[0].legend(loc=0) axes[1].legend(loc=0) # 3.图像显示 plt.show()
Matplotlib有很多函数用于绘制各种图形,其中plot函数用于曲线,需要将200个点的x坐标和Y坐标分别以序列的形式传入plot函数,然后调用show
函数显示绘制的图形。一元二次方程的曲线
一元二次方程的曲线
import matplotlib.pyplot as plt #200个点的x坐标 x=range(-100,100) #生成y点的坐标 y=[i**2 for i in x ] #绘制一元二次曲线 plt.plot(x,y) #调用savefig将一元二次曲线保存为result.jpg plt.savefig('result.jpg') #如果直接写成 plt.savefig('cos') 会生成cos.png plt.show()
调用savefig()将一元二次曲线保存为result.jpg
使用plt
函数绘制任何曲线的第一步都是生成若干个坐标点(x,y),理论上坐标点是越多越好。本例取0到10之间100个等差数作为x的坐标,然后将这100个x坐标值一起传入Numpy
的sin
和cos
函数,就会得到100个y坐标值,最后就可以使用plot
函数绘制正弦曲线和余弦曲线。
正弦曲线和余弦曲线
import matplotlib.pyplot as plt import numpy as np #生成x的坐标(0-10的100个等差数列) x=np.linspace(0,10,100) sin_y=np.sin(x) #绘制正弦曲线 plt.plot(x,sin_y) #绘制余弦曲线 cos_y=np.cos(x) plt.plot(x,cos_y) plt.show()
上面的示例可以看到,调用两次plot
函数,会将sin
和cos
曲线绘制到同一个二维坐标系中,如果想绘制到两张画布中,可以调用subplot()
函数将画布分区。
将画布分为区域,将图画到画布的指定区域
import matplotlib.pyplot as plt import numpy as np #将画布分为区域,将图画到画布的指定区域 x=np.linspace(1,10,100) #将画布分为2行2列,将图画到画布的1区域 plt.subplot(2,2,1) plt.plot(x,np.sin(x)) plt.subplot(2,2,3) plt.plot(x,np.cos(x)) plt.show()
散点图:用两组数据构成多个坐标点,考察坐标点的分布,判断两变量之间是否存在某种关联或总结坐标点的分布模式。
特点:判断变量之间是否存在数量关联趋势,展示离群点(分布规律)
api:plt.scatter(x, y)
使用scatter
函数可以绘制随机点,该函数需要接收x坐标和y坐标的序列。
sin函数的散点图
import matplotlib.pyplot as plt import numpy as np #画散点图 x=np.linspace(0,10,100)#生成0到10中100个等差数 plt.scatter(x,np.sin(x)) plt.show()
使用scatter画10种大小100种颜色的散点图
import matplotlib.pyplot as plt import numpy as np # 画10种大小, 100种颜色的散点图 np.random.seed(0) x=np.random.rand(100) y=np.random.rand(100) colors=np.random.rand(100) size=np.random.rand(10)*1000 plt.scatter(x,y,c=colors,s=size,alpha=0.7) plt.show()
散点图绘制举例:
需求:探究房屋面积和房屋价格的关系
import matplotlib.pyplot as plt from pylab import mpl # 设置显示中文字体 mpl.rcParams["font.sans-serif"] = ['SimHei'] # 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False # 0.准备数据 x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01, 20.67, 288.64, 163.56, 120.06, 207.83, 342.75, 147.9 , 53.06, 224.72, 29.51, 21.61, 483.21, 245.25, 399.25, 343.35] y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61, 24.9 , 239.34, 140.32, 104.15, 176.84, 288.23, 128.79, 49.64, 191.74, 33.1 , 30.74, 400.02, 205.35, 330.64, 283.45] # 1. 创建画布 plt.figure(figsize=(20, 8), dpi=100) # 2. 绘制图像 plt.scatter(x, y) # 设置x轴刻度 plt.xticks(range(500)[::50]) # 添加网格 plt.grid() # 3. 图像显示 plt.show()
作为线性图的替代,可以通过向 plot()
函数添加格式字符串来显示离散值。 可以使用以下格式化字符。
以下是颜色的缩写:
不同种类不同颜色的线
#不同种类不同颜色的线 x=np.linspace(0,10,100) plt.plot(x,x+0,'-g') #实线 绿色 plt.plot(x,x+1,'--c') #虚线 浅蓝色 plt.plot(x,x+2,'-.k') #点划线 黑色 plt.plot(x,x+3,'-r') #实线 红色 plt.plot(x,x+4,'o') #点 默认是蓝色 plt.plot(x,x+5,'x') #叉叉 默认是蓝色 plt.plot(x,x+6,'d') #砖石 红色
不同种类不同颜色的线并添加图例
#不同种类不同颜色的线并添加图例 x=np.linspace(0,10,100) plt.plot(x,x+0,'-g',label='-g') #实线 绿色 plt.plot(x,x+1,'--c',label='--c') #虚线 浅蓝色 plt.plot(x,x+2,'-.k',label='-.k') #点划线 黑色 plt.plot(x,x+3,'-r',label='-r') #实线 红色 plt.plot(x,x+4,'o',label='o') #点 默认是蓝色 plt.plot(x,x+5,'x',label='x') #叉叉 默认是蓝色 plt.plot(x,x+6,'dr',label='dr') #砖石 红色 #添加图例右下角lower right 左上角upper left 边框 透明度 阴影 边框宽度 plt.legend(loc='lower right',fancybox=True,framealpha=1,shadow=True,borderpad=1) plt.show()
柱状图:排列在工作表的列或行中的数据可以绘制到柱状图中。
特点:绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)
api:plt.bar(x, width, align='center', **kwargs)
Parameters: x : 需要传递的数据 width : 柱状图的宽度 align : 每个柱状图的位置对齐方式 {‘center’, ‘edge’}, optional, default: ‘center’ **kwargs : color:选择柱状图的颜色
使用bar
函数可以绘制柱状图。柱状图需要水平的x坐标值,以及每一个x坐标值对应的y坐标值,从而形成柱状的图。柱状图主要用来纵向对比和横向对比的。例如,根据年份对销售收据进行纵向对比,x坐标值就表示年份,y坐标值表示销售数据。
使用bar绘制柱状图,并设置柱的宽度
import matplotlib.pyplot as plt import numpy as np x=[1980,1985,1990,1995] x_labels=['1980年','1985年','1990年','1995年'] y=[1000,3000,4000,5000] plt.bar(x,y,width=3) plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.xticks(x,x_labels) plt.xlabel('年份') plt.ylabel('销量') plt.title('根据年份销量对比图') plt.show()
需要注意的是bar
函数的宽度并不是像素宽度。bar函数会根据二维坐标系的尺寸,以及x坐标值的多少,自动确定每一个柱的宽度,而width
指定的宽度就是这个标准柱宽度的倍数。该参数值可以是浮点数,如0.5,表示柱的宽度是标准宽度的0.5倍。
使用bar和barh绘制柱状图
import matplotlib.pyplot as plt import numpy as np np.random.seed(0) x=np.arange(5) y=np.random.randint(-5,5,5) print(x,y) # 将画布分隔成一行两列 plt.subplot(1,2,1) #在第一列中画图 v_bar=plt.bar(x,y) #在第一列的画布中 0位置画一条蓝线 plt.axhline(0,color='blue',linewidth=2) plt.subplot(1,2,2) #barh将y和x轴对换 竖着方向为x轴 h_bar=plt.barh(x,y,color='red') #在第二列的画布中0位置处画红色的线 plt.axvline(0,color='red',linewidth=2) plt.show()
对部分柱状图,使用颜色区分
import matplotlib.pyplot as plt import numpy as np np.random.seed(0) x=np.arange(5) y=np.random.randint(-5,5,5) v_bar=plt.bar(x,y,color='lightblue') for bar,height in zip(v_bar,y): if height<0: bar.set(edgecolor='darkred',color='lightgreen',linewidth='3') plt.show()
柱状图使用实例
电影票房柱状图绘制1:
import matplotlib.pyplot as plt import numpy as np #三天中三部电影的票房变化 real_names=['千与千寻','玩具总动员4','黑衣人:全球追缉'] real_num1=[5453,7548,6543] real_num2=[1840,4013,3421] real_num3=[1080,1673,2342] #生成x 第1天 第2天 第3天 x=np.arange(len(real_names)) x_label=['第{}天'.format(i+1) for i in range(len(real_names))] #绘制柱状图 #设置柱的宽度 width=0.3 plt.bar(x,real_num1,color='g',width=width,label=real_names[0]) plt.bar([i+width for i in x],real_num2,color='b',width=width,label=real_names[1]) plt.bar([i+2*width for i in x],real_num3,color='r',width=width,label=real_names[2]) plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 #修改x坐标 plt.xticks([i+width for i in x],x_label) #添加图例 plt.legend() #添加标题 plt.title('3天的票房数') plt.show()
电影票房柱状图绘制2:
需求:对比每部电影的票房收入.
电影数据如下图所示:
# 0.准备数据 # 电影名字 movie_name = ['雷神3:诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它'] # 横坐标 x = range(len(movie_name)) # 票房数据 y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222] # 1. 创建画布 plt.figure(figsize=(20, 8), dpi=100) # 2. 绘制柱状图 plt.bar(x, y, width=0.5, color=['b','r','g','y','c','m','y','k','c','g','b']) # 2.1 修改x轴刻度显示 plt.xticks(x, movie_name) # 2.2 添加网格 plt.grid(linestyle='--', alpha=0.8) # 2.3 添加标题 plt.title('电影票房收入对比', fontsize=20) # 3.图像显示 plt.show()
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。
特点:分类数据的占比情况(占比)
api:plt.pie(x, labels=,autopct=,colors)
Parameters: x:数量,自动算百分比 labels:每部分名称 autopct:占比显示指定%1.2f%% colors:每部分颜色
pie
函数可以绘制饼状图,饼图主要是用来呈现比例的。只要传入比例数据即可。
绘制饼状图
#导入模块 import matplotlib.pyplot as plt import numpy as np #准备男、女的人数及比例 man=71351 woman=68187 man_perc=man/(woman+man) woman_perc=woman/(woman+man) #添加名称 labels=['男','女'] #添加颜色 colors=['blue','red'] #绘制饼状图 pie plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 # labels 名称 colors:颜色,explode=分裂 autopct显示百分比 paches,texts,autotexts=plt.pie([man_perc,woman_perc],labels=labels,colors=colors,explode=(0,0.05),autopct='%0.1f%%') #设置饼状图中的字体颜色 for text in autotexts: text.set_color('white') #设置字体大小 for text in texts+autotexts: text.set_fontsize(20) plt.show()
直方图: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范围,纵轴表示分布情况。
特点:绘制连续性的数据展示一组或者多组数据的分布状况(统计)
api:matplotlib.pyplot.hist(x, bins=None)
Parameters: x : 需要传递的数据 bins : 组距
直方图与柱状图的风格类似,都是由若干个柱组成,但直方图和柱状图的含义却有很大的差异。直方图是用来观察分布状态的,而柱状图是用来看每一个X坐标对应的Y的值的。也就是说,直方图关注的是分布,并不关心具体的某个值,而柱状图关心的是具体的某个值。使用hist
函数绘制直方图。
使用randn函数生成1000个正太分布的随机数,使用hist函数绘制这1000个随机数的分布状态
import numpy as np import matplotlib.pyplot as plt #频次直方图,均匀分布 #正太分布 x=np.random.randn(1000) #画正太分布图 # plt.hist(x) plt.hist(x,bins=100) #装箱的操作,将10个柱装到一起及修改柱的宽度
使用normal函数生成1000个正太分布的随机数,使用hist函数绘制这100个随机数的分布状态
import numpy as np import matplotlib.pyplot as plt #几个直方图画到一个画布中,第一个参数期望 第二个均值 x1=np.random.normal(0,0.8,1000) x2=np.random.normal(-2,1,1000) x3=np.random.normal(3,2,1000) #参数分别是bins:装箱,alpha:透明度 kwargs=dict(bins=100,alpha=0.4) # 字典,作为传参使用 plt.hist(x1,**kwargs) plt.hist(x2,**kwargs) plt.hist(x3,**kwargs) plt.show()
使用pyplot
绘制等高线图
#导入模块 import matplotlib.pyplot as plt import numpy as npaa x=np.linspace(-10,10,100) y=np.linspace(-10,10,100) #计算x和y的相交点a X,Y=np.meshgrid(x,y) # 计算Z的坐标 Z=np.sqrt(X**2+Y**2) plt.contourf(X,Y,Z) plt.contour(X,Y,Z) # 颜色越深表示值越小,中间的黑色表示z=0. plt.show()
使用pyplot
包和Matplotlib
绘制三维图。
import matplotlib.pyplot as plt #导入3D包 from mpl_toolkits.mplot3d import Axes3D #创建X、Y、Z坐标 X=[1,1,2,2] Y=[3,4,4,3] Z=[1,100,1,1] # 创建画布 fig = plt.figure() # 创建了一个Axes3D的子图放到figure画布里面 ax = Axes3D(fig) ax.plot_trisurf(X, Y, Z) plt.show()
参考链接:https://matplotlib.org/index.html
感谢!
努力!
加油!