数据可视化模块 Matplotlib详解

本文主要介绍python 数据可视化模块 Matplotlib，并试图对其进行一个详尽的介绍。
通过阅读本文，你可以：

1. 了解什么是 Matplotlib
2. 掌握如何用 Matplotlib 绘制各种图形（柱状图、饼状图、直方图等）
3. 掌握如何定制图形的颜色和样式
4. 掌握如何用 Matplotlib 绘制三维图

---

前言

为了将数据变成所有人都喜欢的图形，就需要使用本文要介绍的数据可视化库Matplotlib。当然，还有很多类似的程序库。但 Matplotlib 的功能更强大，而且可以很容易与Numpy、Pandas 等程序库结合在一起使用。
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。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。

这里是文本所涉及的数据集文件

---

1 matplotlib 开发环境搭建

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。
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，语法格式如下：

pip install matplotlib
1

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
1

2 绘制基础

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。

2.1 绘制直线

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。

【示例 1】使用 matplotlib 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()
1
2
3
4

2.2 绘制折线

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。

【示例 2】使用 matplotlib 绘制折线图

import matplotlib.pyplot as plt 
x=[1,2,3,4,5] 
squares=[1,4,9,16,25] 
plt.plot(x,squares)
plt.show()
1
2
3
4
5

2.3 设置标签文字和线条粗细

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。

【示例 3】使用 matplotlib 绘制折线图并设置样

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()
1
2
3
4
5
6
7
8

Matplotlib 默认情况不支持中文，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
1

【示例 4】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()
1
2
3
4
5
6
7
8
9
10
11

2.4 绘制一元二次方程的曲线 y=x^2

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。

【示例 5】使用 matplotlib 绘制一元二次方程曲线

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()
1
2
3
4
5
6
7
8
9
10

2.5 绘制正弦曲线和余弦曲线

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。

【示例 6】使用 matplotlib 绘制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()
1
2
3
4
5
6
7
8
9
10
11

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。

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()
1
2
3
4
5
6
7
8
9
10

3 绘制散点图

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。

【示例 8】使用 matplotlib 绘制 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()
1
2
3
4
5
6
7

【示例 9】绘制 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(100)*1000
plt.scatter(x,y,c=colors,s=size,alpha=0.7)
plt.show()
1
2
3
4
5
6
7
8
9
10

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。 可以使用如表 2-2 格式化字符。

颜色的缩写如下：

【示例 10】绘制不同种类不同颜色的线

import matplotlib.pyplot as plt 
import numpy as np
#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
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

【示例 11】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()
1
2
3
4
5
6
7
8
9
10
11
12

4 绘制柱状图

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。
【示例 12】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()
1
2
3
4
5
6
7
8
9
10
11
12

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。

【示例 13】使用 bar()和 barh()函数绘制柱状图

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 位置处画蓝色的线
plt.axvline(0,color='red',linewidth=2) 
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

【示例 14】对柱状图的部分柱状设置颜色

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()
1
2
3
4
5
6
7
8
9
10

【示例 15】使用 bar()绘制三天中三部电影的票房变化

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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

5 绘制饼状图

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。

【示例 16】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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

6 绘制直方图

直方图与柱状图的分格类似，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。

【示例 17】绘制直方图

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
plt.show()
1
2
3
4
5
6
7
8
9

【示例 18】同一画布绘制三个直方图

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) 
plt.hist(x1,**kwargs)
plt.hist(x2,**kwargs) 
plt.hist(x3,**kwargs) 
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

7 绘制等高线图

【 示例 19 】使用matplotlib 绘制等高线图

#导入模块
import matplotlib.pyplot as plt 
import numpy as np
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()
1
2
3
4
5
6
7
8
9
10
11
12
13

8 绘制三维图

使用 pyplot 包和 Matplotlib 绘制三维图。
【示例 20】使用 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]
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()
1
2
3
4
5
6
7
8
9
10
11
12

9 绘制面积图

【示例 21】使用 Matplotlib 绘制面积图
数据集：

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #解决中文乱码
df_src=pd.read_excel('./book_sales.xlsx', sheet_name='Sheet1') #导入Excel文件
df=df_src[['年份','销售额']]
x=df['年份']
y=df['销售额']
#图表标题
plt.title('2013-2019年线上图书销售情况')
plt.stackplot(x, y)
plt.show()
1
2
3
4
5
6
7
8
9
10
11

10 绘制热力图

【示例 22】使用 Matplotlib 绘制热力图
数据集：

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #解决中文乱码

df_src=pd.read_excel('./student_score.xls', sheet_name='高二一班') #导入Excel文件
df=df_src[['姓名','语文','数学','英语','物理','化学','生物']]  

x_col_names = ['语文','数学','英语','物理','化学','生物']
X = df.loc[:,x_col_names].values #设置X轴
Y = df['姓名'] #设置Y轴
plt.imshow(X)
plt.xticks(range(0,6,1),x_col_names) #设置X轴刻度标签
plt.yticks(range(0,12,1),Y) #设置Y轴刻度标签
plt.colorbar()  #显示颜色条
plt.title('学生成绩统计热力图')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

11 绘制箱型图

【示例 23】使用 Matplotlib 绘制箱型图
数据集：

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #解决中文乱码

df_src=pd.read_excel('./consumption.xlsx', sheet_name='Sheet1') #导入Excel文件
df=df_src[['总消费']]  #设置x轴刻度标签

x = df['总消费'] # 指定数据列

plt.boxplot(x = x, # 指定绘制箱线图的数据
            whis = 1.5, # 指定1.5倍的四分位差
            widths = 0.3, #指定箱线图中箱子的宽度为0.3
            patch_artist = True, #填充箱子颜色
            showmeans = True, #显示均值
            boxprops = {'facecolor':'RoyalBlue'}, # 指定箱子的填充色为宝蓝色
            flierprops = {'markerfacecolor':'red', 'markeredgecolor':'red', 'markersize':3}, # 指定异常值的填充色、边框色和大小
            meanprops = {'marker':'h','markerfacecolor':'black', 'markersize':8},# 指定均值点的标记符号（六边形）、填充色和大小
            medianprops = {'linestyle':'--','color':'orange'}, # 指定中位数的标记符号（虚线）和颜色
            labels = ['']) # 去除x轴刻度值
plt.show()
# 计算下四分位数和上四分位
Q1 = x.quantile(q = 0.25)
Q3 = x.quantile(q = 0.75)
# 基于1.5倍的四分位差计算上下限对应的值
low_limit = Q1 - 1.5*(Q3 - Q1)
up_limit = Q3 + 1.5*(Q3 - Q1)
# 查找异常值
val=x[(x > up_limit) | (x< low_limit)]
print('异常值如下：')
print(val)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

运行结果：

---

总结

以上就是我对数据可视化模块 Matplotlib知识点的详细介绍。
本文是我学习Python基础的学习笔记，主要供自己以后温故知新，在此梳理一遍也算是二次学习。如对您有所帮助，不甚荣幸。若所言有误，十分欢迎指正。如有侵权，请联系作者删除。