第二章：25+ Python 数据操作教程（第十八节如何使用 Matplotlib 库在 python 中执行绘图和数据可视化）持续更新中

本教程概述了如何使用 Matplotlib 库在 python 中执行绘图和数据可视化。这篇文章的目的是让您熟悉该库的基础知识和高级绘图功能。它包含几个示例，将为您提供使用 Python 生成绘图的实践经验。

目录

1. 什么是 Matplotlib？

2. Matplotlib 基础知识

3. 用于不同类型绘图的函数

4.  条形图

   1. 如何在栏顶部显示值或标签

   2. 如何隐藏轴

   3. 水平条形图

   4. 如何对条形图进行排序或排序

   5. 使用专业的图表主题/样式

5. 线形图

   1. 在线图中添加标记

   2. 以 Pandas 方式添加多条线

   3. 如何改变x轴上的间隔？

6. 散点图

7. 饼形图

   1. 自定义饼图

8. 直方图

9. 如何添加多个子图

10. 有用的提示

---

什么是 Matplotlib？

它是一个强大的Python库，用于创建图形或图表。它可以满足您在 Python 中的所有基本和高级绘图要求。它的灵感来自于MATLAB

编程语言，并提供类似 MATLAB 的图形界面。这个库的优点在于它与用于数据操作的 pandas 包很好地集成。通过结合这两个库，您可以轻松地执行数据整理和可视化，并从数据中获得有价值的见解。与 R 中的 ggplot2 库一样，matplotlib 库是 Python 中图形的语法，也是 Python 中最常用的图表库。

Matplotlib 基础知识

第一步您需要安装并加载 matplotlib 库。如果您使用Anaconda来设置Python环境，则必须已经安装它。

安装库

如果尚未安装 matplotlib，可以使用以下命令安装

pip install matplotlib

导入/加载库

我们将导入 Matplotlib 的 Pyplot 模块并使用别名或缩写形式plt

from matplotlib import pyplot as plt

图的元素

标准图表的不同元素或部分如下图所示 -

数字

您可以将该图视为由多个子图组成的大图。子图可以是图上的一个或多个。在图形世界中，它被称为“画布”。

轴

您可以将它们称为“子图”。

轴

这与您在学校或大学学习的内容（x 轴或 y 轴）相同。标准图表显示轴上的标记。在 matplotlib 库中，它被调用ticks，并且刻度中的文本或值被称为ticklabels。

基本情节

x = [1, 2, 3, 4, 5]
y = [5, 7, 3, 8, 4]
plt.bar(x,y)
plt.show()

如果您使用的是Jupyter Notebook，您可以提交 %matplotlib inline 一次此命令来显示或自动显示绘图，而无需plt.show()在每个绘图生成后输入。

用于不同类型绘图的函数

下表解释了不同的图形以及 matplotlib 库中为这些图形定义的函数。

1. 条形图

条形图用于在不同类别或组之间进行比较。假设您想显示城市之间平均年收入的比较。让我们尝试一下基本的条形图。

plt.title("简单条形图") # 图表的名称标题

plt.xlabel('Students') # 指定x轴的名称

plt.ylabel("Math Score") # 指定 y 轴的名称

plt.bar(x, y, color='red') # 更改条形颜色

plt.show()

---

plt.title("Simple Bar graph") # Name title of the graph
plt.xlabel('Students') # Assign the name of the x axis
plt.ylabel("Math Score") # Assign the name of the y axis
plt.bar(x, y, color='red') # Change bar color
plt.show()

您可以使用以下函数设置图表的样式 -

• plt.title( )用于指定绘图的标题。
• plt.xlabel( )用于标记 x 轴。
• plt.ylabel( )用于标记 y 轴。
• color = plt.bar() 中用于定义条形颜色的选项。

如何在栏顶部显示值或标签

在条形图上显示值并不容易和直接，因为 matplotlib 库中没有用于此任务的内置函数。因此，我们必须编写代码来完成此任务。

条形图 = plt.bar(x, y)

对于条形图中的条形图：

barplot = plt.bar(x, y)
for bar in barplot:
    yval = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2.0, yval, int(yval), va='bottom') #va: vertical alignment y positional argument
    
plt.title("Simple Bar graph")
plt.xlabel('Students')
plt.ylabel("Math Score")

---

    yval = bar.get_height()

    plt.text(bar.get_x() + bar.get_width()/2.0, yval, int(yval), va='bottom') #va: 垂直对齐 y 位置参数

    

plt.title("简单条形图")

plt.xlabel('学生')

plt.ylabel("数学成绩")

这段代码是如何工作的？

我们需要了解在每个栏顶部显示标签的逻辑。首先我们需要找出需要显示标签的位置。.get_height()返回每个条形的矩形高度，它基本上是 y 轴的值。为了找到x轴的值，我们可以使用get_x()andget_width()函数。 plt.text()用于在图表上放置文本。 plt.text( ) 的语法

plt.text(position of x axis where you want to show text, position of y-axis, text, other_options)

---

plt.text(要显示文本的x轴位置、y轴位置、文本、other_options)

我们使用 int(yval) 而不是 yval，因为默认情况下，它以小数形式显示值。

如何隐藏轴

很多时候，我们隐藏 y 轴以赋予条形图美感。为了在 matplotlib 中做到这一点，我们可以利用plt.yticks( )函数。[ ]表示空列表。

plt.yticks([])

如何在条形图中显示字符串值

如果您使用的是matplotlib 2.1 及以上版本， 则操作起来很简单。!pip show matplotlib要检查 python 包的版本，您可以在 Jupyter Notebook 中使用。如需升级，您可以提交代码!pip install --upgrade matplotlib

x = ['A', 'B', 'C', 'D', 'E']
 
y = [5,7,3,8,4]
 
plt.bar(x, y)

如果您使用的是 matplotlib 2.1 之前的版本，matplotlib 不会在条形图中的 x 轴上采用字符串值，因此我们需要找到解决方法来解决此问题。解决方案是将字符串值显示为标签，而 range(len(x)) 将在 x 轴上显示 1 到 5 的值。plt.xticks 可用于此任务。它遵循语法plt.xticks(location of ticks, labels, size='small')

plt.bar(range(len(x)), y)
plt.xticks(range(len(x)), x, size='small')

---

plt.bar(范围(len(x)), y)

plt.xticks(范围(len(x)), x, size='小')

水平条形图

如今，分析师更喜欢使用水平条形图而不是柱形条形图进行比较，因为它看起来更专业、更优雅。两种类型的图表都有相同的用途。plt.barh(x,y)用于生成水平条形图。

plt.barh(x,y)
plt.title("Simple Horizontal Bar graph")
plt.xlabel("Math Score")
plt.ylabel('Students')

---

plt.barh(x,y)

plt.title("简单水平条形图")

plt.xlabel("数学成绩")

plt.ylabel('学生')

如何对条形图进行排序或排序

要根据值而不是按字母顺序排列条形，我们需要组合两个列表，然后根据列表 y 的值对它们进行排序。zip( )函数用于组合列表 x 和 y 的项目。sorted( )根据 y 对它们进行排序。然后我们将其拆分并存储在 x 和 y 列表中。

y,x = zip(*sorted(zip(y,x)))
plt.barh(x,y)

---

y,x = zip(*排序(zip(y,x)))

plt.barh(x,y)

反转条形顺序

plt.subplot()用于找出当前轴，然后反转函数辅助反转顺序。

plt.barh(x,y)
 
ax=plt.subplot()
 
ax.invert_yaxis()

使用专业的图表主题/样式

pyplot 模块中有许多可用的主题。查看内置主题列表，您可以利用这些主题使您的图表更加优雅。

print(plt.style.available)

---

打印（plt.style.可用）

['bmh', 'classic', 'dark_background', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', '_classic_test']

我要使用fivethirtyeight主题。

plt.style.use(' Fivethirtyeight')

线形图

折线图用于显示某些项目随时间的价值。假设您需要显示过去 5 年公立学校学生的通过率。另一个例子——过去五年销售额发生了怎样的变化？让我们为其 创建一个pandas数据框。

import pandas as pd
 
df = pd.DataFrame({"Year" : [2014,2015,2016,2017,2018], 
                  "Sales" : [2000, 3000, 4000, 3500, 6000]})

---

将 pandas 导入为 pd

df = pd.DataFrame({"年份": [2014,2015,2016,2017,2018],

                  “销售额”：[2000, 3000, 4000, 3500, 6000]})

plt.plot( )函数用于折线图。它是默认的图形类型。

# plot line chart
plt.plot(df["Year"], df["Sales"])
plt.title("Simple Line Plot")
plt.xlabel('Year')
plt.ylabel('Sales')

---

# 绘制折线图

plt.plot(df["年份"], df["销售额"])

plt.title("简单线图")

plt.xlabel('年份')

plt.ylabel('销售')

 Pandas 可以通过直接从数据框中调用绘图来制作图表。可以通过在kind=选项中定义绘图类型来调用绘图。Pandas 中的情节语法

df.plot(x="Year", y="Sales", kind="line")

---

df.plot(x="年份", y="销售额", kind="行")

- 'line' for line plot (Default)
- 'bar'  for vertical bar plots
- 'barh' for horizontal bar plots
- 'hist' for histogram
- 'pie' for pie plots
- 'box' for boxplot
- 'kde' for density plots
- 'area' for area plots
- 'scatter' for scatter plots
- 'hexbin' for hexagonal bin plots

---

- 线图的“line”（默认）

- 垂直条形图的“bar”

- 'barh' 用于水平条形图

- 直方图的“hist”

- 'pie' 表示饼图

- 箱线图的“箱”

- 密度图的“kde”

- 面积图的“面积”

- 散点图的“scatter”

- 'hexbin' 用于六边形箱图

在线图中添加标记

通过使用style=选项，您可以包含可自定义颜色和样式的标记。

ax = df.plot(x="Year", y="Sales", kind="line", title ="Simple Line Plot", legend=False, style = 'r--')
ax.set(ylabel='Sales', xlabel = 'Year', xticks =df["Year"])

---

ax = df.plot(x="年份", y="销售额", kind="line", title ="简单线图", legend=False, style = 'r--')

ax.set(ylabel='销售额', xlabel = '年份', xticks =df["年份"])

您也可以使用这些样式ro, ro--, r+, rD-.。它们指的是圆圈、虚线、点划线。您可以提及任何颜色（“g”代表绿色，“b”代表蓝色，“k”代表黑色等）

.set方法用于添加 x 和 y 轴标签、限制和刻度。也可以像下面的代码一样写——

ax.set_ylabel('Sales')
ax.set_xlabel('Year')
ax.set_xticks(df["Year"])

---

ax.set_ylabel('销售')

ax.set_xlabel('年份')

ax.set_xticks(df["年份"])

ax.set系列函数 的语法与 plt 等效。造型功能。查看其中一些的比较 -

ax.set_ylabel() plt.ylabel()
ax.set_xlabel() plt.xlabel()
ax.set_xticks() plt.xticks()

legend=False告诉 pandas 关闭图例

以 Pandas 方式添加多条线

在下面的代码中，我们创建一个 pandas DataFrame，其中包含两种产品 A 和 B 的销售额以及时间段（年）。想法是比较产品的销量及其在过去 5 年的表现。

import pandas as pd
 
product = pd.DataFrame({"Year" : [2014,2015,2016,2017,2018], 
                  "ProdASales" : [2000, 3000, 4000, 3500, 6000],
                  "ProdBSales" : [3000, 4000, 3500, 3500, 5500]})
 
 
# Multi line plot
ax = product.plot("Year", "ProdASales", kind="line", label = 'Product A Sales')
product.plot("Year", "ProdBSales", ax= ax , kind="line", label = 'Product B Sales', title= 'MultiLine Plot') #ax : axes object
 
# Set axes
ax.set(ylabel='Sales', xlabel = 'Year', xticks =df["Year"])

---

将 pandas 导入为 pd

产品 = pd.DataFrame({"年份": [2014,2015,2016,2017,2018],

                  “产品销售”：[2000, 3000, 4000, 3500, 6000],

                  "ProdBSales" : [3000, 4000, 3500, 3500, 5500]})

# 多线图

ax = Product.plot("年份", "ProdASales", kind="line", label = '产品 A 销售')

Product.plot("Year", "ProdBSales", ax= ax , kind="line", label = '产品 B 销售', title= '多线图') #ax : 轴对象

# 设置坐标轴

ax.set(ylabel='销售额', xlabel = '年份', xticks =df["年份"])

ax=我们通过将其添加到作为轴对象的选项中来包含第二行。它就像同一个图形但有多个轴。

如何改变x轴上的间隔？

假设您想要显示从 2014 年到 2018 年的年份，并在 x 轴上按年份递增。如果值增加 0.5 而不是 1，那么这是一个问题，您应该修复它。见下图 -

# How to show years with same interval as it is defined in column
ax = df.plot(x="Year", y="Sales", kind="line", title ="Simple Line Plot", legend=False)
ax.set(ylabel='Sales', xlabel = 'Year', xticks =df["Year"])

---

# 如何显示与列中定义的间隔相同的年份

ax = df.plot(x="年份", y="销售额", kind="line", title ="简单线图", legend=False)

ax.set(ylabel='销售额', xlabel = '年份', xticks =df["年份"] )

xticks=可用于更改 x 轴间隔的比例。它将显示您想要在 x 轴上显示的内容的刻度。

散点图

散点图主要用于显示两个连续变量之间的关系。例如，您想要测量身高和体重之间的关系。与折线图一样，它也可用于显示随时间变化的趋势。我们通常在 x 轴和 y 轴上绘制一组点。

kind = 'scatter'用于创建散点图。

ax = product.plot("Year", "ProdASales", kind='scatter', color = 'red', title = 'Year by ProductA Sales')
ax.set(ylabel='ProductA Sales', xlabel = 'Year', xticks =df["Year"])
plt.show()

---

ax = Product.plot("年份", "ProdASales", kind='scatter', color = 'red', title = 'ProductA 销售年份')

ax.set(ylabel='产品A销售', xlabel = '年份', xticks =df["年份"])

plt.show()

饼形图

饼图是一种圆形图，它将数据分成多个切片以显示每个类别的数字比例。如果您显示百分比，则所有百分比之和应为 100%。

share = [20, 12, 11, 4, 3]
companies = ['Google', 'Facebook', 'Apple', 'Microsoft', 'IBM', ]
comp = pd.DataFrame({"share" : share, "companies" : companies})
ax = comp.plot(y="share", kind="pie", labels = comp["companies"], autopct = '%1.0f%%', legend=False, title='Market Share')
 
# Hide y-axis label
ax.set(ylabel='')

---

份额 = [20, 12, 11, 4, 3]

公司 = ['谷歌', 'Facebook', '苹果', '微软', 'IBM', ]

comp = pd.DataFrame({"share" : 共享, "companies" : 公司})

ax = comp.plot(y="share", kind="pie", labels = comp["companies"], autopct = '%1.0f%%', legend=False, title='市场份额')

# 隐藏 y 轴标签

ax.set(ylabel='')

自定义饼图

默认startangle为 0。通过设置startangle = 90，所有内容都将逆时针旋转 90 度。通过使用explode=选项，您可以爆炸特定类别。在下面的程序中，我们将展开前三个类别。

# Customize Pie Chart
ax = comp.plot(y="share", kind="pie", labels = comp["companies"], startangle = 90, shadow = True, 
        explode = (0.1, 0.1, 0.1, 0, 0), autopct = '%1.0f%%', legend=False, title='Market Share')
ax.set(ylabel='')
plt.show()

---

# 自定义饼图

ax = comp.plot(y="share", kind="pie", labels = comp["companies"], startangle = 90, Shadow = True,

        explode = (0.1, 0.1, 0.1, 0, 0), autopct = '%1.0f%%', legend=False, title='市场份额')

ax.set(ylabel='')

plt.show()

直方图

直方图用于显示连续变量的频率分布。假设您想查看学生的分数分布。

# Creating random data
import numpy as np
np.random.seed(1)
mydf = pd.DataFrame({"Age" : np.random.randint(low=20, high=100, size=50)})
 
# Histogram
ax = mydf.plot(bins= 5, kind="hist", rwidth = 0.7, title = 'Distribution - Marks', legend=False)
ax.set(xlabel="Bins")
plt.show()

---

# 创建随机数据

将 numpy 导入为 np

np.随机.种子(1)

mydf = pd.DataFrame({"年龄" : np.random.randint(low=20, high=100, size=50)})

# 直方图

ax = mydf.plot(bins= 5, kind="hist", rwidth = 0.7, title = '分布 - 标记', legend=False)

ax.set(xlabel="Bins")

plt.show()

bins表示要在 x 轴上显示的间隔数。rwidth显示条形的相对宽度，作为 bin 宽度的一部分。

如何添加多个子图

通过使用 matplotlib 库，我们可以在同一个图形或图形中生成多个子图。Matplotlib 提供了两个接口来完成此任务 -plt.subplots( )和plt.figure()。这两种方式的逻辑都是相似的 - 我们将有一个图形，我们将在图形上一一添加多个轴（子图）。

我创建了一个虚拟 DataFrame 来进行说明。在此示例中，我们有 2017 年和 2018 年生活成本分数（假数据！）的城市数据。

labels = ['Delhi', 'Mumbai', 'Bangalore', 'Chennai']
x1 = [45, 30, 15, 10]
x2 = [25, 20, 25, 50]
 
finaldf = pd.DataFrame({"2017_Score":x1, "2018_Score" : x2, "cities" : labels})

---

标签 = ['德里'、'孟买'、'班加罗尔'、'钦奈']

x1 = [45, 30, 15, 10]

x2 = [25, 20, 25, 50]

Finaldf = pd.DataFrame({"2017_Score":x1, "2018_Score": x2, "城市": 标签})

.add_subplot() or .subplots()遵循语法规则 -

.add_subplot(121) means 1 row, 2 columns and 1st plot
.add_subplot(122) means 1 row, 2 columns and 2nd plot
 
Similarly, .subplots(1, 2) means 1 row and 2 columns

---

子图（行数、列数、图号）

.add_subplot(121) 表示 1 行、2 列和第一个图
.add_subplot(122) 表示 1 行、2 列和第二个图

同样，.subplots(1, 2) 表示 1 行和 2 列

以下两种方法返回相同的结果。它生成两个子图并将它们彼此相邻（水平）放置。

方法一

fig = plt.figure()
 
ax1 = fig.add_subplot(121)
ax = finaldf.plot(x="cities",  y="2017_Score", ax=ax1, kind="barh", legend = False, title = "2017 Score")
ax.invert_yaxis()
 
ax2 = fig.add_subplot(122)
ax = finaldf.plot(x="cities",  y="2018_Score", ax=ax2, kind="barh", legend = False, title = "2018 Score")
ax.invert_yaxis()
ax.set(ylabel='')

方法二

fig, (ax0, ax01) = plt.subplots(1, 2)
 
ax = finaldf.plot(x="cities",  y="2017_Score", ax=ax0, kind="barh", legend = False, title = "2017 Score")
ax.invert_yaxis()
 
ax = finaldf.plot(x="cities",  y="2018_Score", ax=ax01, kind="barh", legend = False, title = "2018 Score")
ax.invert_yaxis()
ax.set(ylabel='')

详细说明

这 3 行代码返回空白（空）2 个子图。121指的是左手侧图并且122指的是右手侧图。通过使用ax= object，我们可以使用轴并控制子图的定位。

fig = plt.figure()
fig.add_subplot(121)
fig.add_subplot(122)

如何垂直显示子图

fig = plt.figure()
ax1 = fig.add_subplot(211)
ax = finaldf.plot(x="cities",  y="2017_Score", ax=ax1, kind="barh", legend = False, title = "2017 vs 2018 Score")
ax.invert_yaxis()
plt.xticks(range(0,60,10))
ax.set(ylabel='')
 
ax2 = fig.add_subplot(212)
ax = finaldf.plot(x="cities",  y="2018_Score", ax=ax2, kind="barh", legend = False)
ax.invert_yaxis()
ax.set(ylabel='')

有用的提示

如何保存情节

# save plot
x = ['A','B','C', 'D']
y = [1,2,3,4]
fig = plt.figure()
plt.bar(x, y)
fig.savefig('C:/My Files/Blog/firstimg.png')
plt.close(fig)

---

# 保存情节

x = ['A','B','C','D']

y = [1,2,3,4]

fig= plt.figure()
plt.bar(x, y)                                                            Fig.savefig('C:/我的文件/博客/firstimg.png')                            plt.close(图)

如何在轴上设置不同的限制

假设您有一个条形图，并且您想要手动设置 x 轴和 y 轴的限制。plt.subplot()返回轴。在 中set_ylim( )，您可以指定 y 轴的最小值和最大值的限制。同样，您可以在 x 轴上设置限制。

x = ['A','B','C','D']
 
y = [100,119,800,900]
 
plt.bar(x, y)
 
ax = plt.subplot()
 
ax.set_ylim(0,1000)
 
plt.show()

如何在图例中显示多个条目

plt.legend(["First","Second"])

---

plt.legend(["第一","第二"])

如何更改图表中的字体大小、粗细和颜色

plt.bar(x, y)
plt.title("Cost of Living", fontsize=18, fontweight='bold', color='blue')
plt.xlabel("Cities", fontsize=16)
plt.ylabel("Score", fontsize=16)

---

plt.bar(x, y)

plt.title("生活费用", fontsize=18, fontweight='bold', color='blue')

plt.xlabel("城市", fontsize=16)

plt.ylabel("分数", fontsize=16)

锻炼

通过这个练习，亲自动手。使用 dataframe 准备如下所示的图表finaldf。注意图表的每个部分并尝试复制它。在下面的评论框中发布您的解决方案。

尾注

我希望这篇文章能让您对 matplotlib 库以及如何在 Python 中自定义生成绘图有一个清晰的了解。您的下一步应该是使用一些示例或公开可用的数据集（可在 UCI 机器学习存储库和 kaggle 网站上找到）进行练习、练习和练习。