matplotlib绘图

🐳 我正在和鲸社区参加“商业数据分析训练营活动” https://www.heywhale.com/home/competition/6487de6649463ee38dbaf58b ，以下是我的学习笔记：

学习主题：matplotlib绘图

日期：2023.9.13

关键概念/知识点：

• 创建图形和子图
• 自定义图形样式
• 添加标题、轴标签和图例
• 直方图
• 散点图
• 气泡图
• 柱形图

掌握的新函数/方法：

• plt.figure()
• fig.add_subplot()
• ax.plot(x,y,linestyle = ‘–’, color = ‘red’, marker = ‘o’)
• plt.title(‘Title’)
• plt.xlabel(‘X-label’)
• plt.ylabel(‘Y-label’)
• ax.legend([‘Line 1’, ‘Line 2’])
• ax.hist(x, bins)
• ax.scatter(x, y)
• ax.scatter(x, y, s = df[‘Income’])
• ax.bar(x, y)
• ax.plot(x, y)

代码举例

创建图形和子图：
matplotlib中最基本的绘图单位是图形（Figure）和子图（Axes）。图形可以看作是一个画布，而子图则是画布上的绘图区域。

# 创建一个名为fig的画布，并向画布添加一个子图ax  
# add_subplot() 中传递的参数 1, 1, 1 表示该图形对象应包含一个子图，该子图应在 1x1 的网格中排列，并且此子图是该网格中的第一个子图  
fig = plt.figure()  
ax = fig.add_subplot(1, 1, 1)  
1
2
3
4

自定义图形样式：

import matplotlib.pyplot as plt 
fig = plt.figure()  
ax = fig.add_subplot(1, 1, 1) 
sales = [100, 150, 120, 180, 210, 170]  
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']  
# linestyle：表示折线图中线条的样式，例如'-'表示实线，'--'表示虚线  
# color：表示线条或散点的颜色，可以使用颜色名称（如'red'）或十六进制RGB值（如'#FF0000'）  
# marker：表示散点图中数据点的形状，例如'o'表示圆点、's'表示正方形 
ax.plot(months, sales, linestyle = '--', color = 'red', marker = 'o')  
plt.show()
1
2
3
4
5
6
7
8
9
10

添加标题、轴标签：

import matplotlib.pyplot as plt 
fig = plt.figure()  
ax = fig.add_subplot(1, 1, 1) 
sales = [100, 150, 120, 180, 210, 170]  
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']  
ax.plot(months, sales, linestyle = '--', color = 'red', marker = 'o') 
# 添加标题
plt.title("某公司上半年销售额变化折线图")
# 添加x轴标签
plt.xlabel("月份")
#添加y轴标签
plt.ylabel("销售额")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

员工年龄分布直方图：

# 载入pandas、matplotlib、numpy库  
import pandas as pd  
import matplotlib.pyplot as plt  
import numpy as np  
# 导入数据  
df = pd.read_excel('/home/mw/input/data_analysis8875/al3-1.xls')  
fig = plt.figure()  
ax = fig.add_subplot(1, 1, 1) 

# 在子图上绘制直方图
fig = plt.figure()
ax = fig.add_subplot(1,1,1)  
ax.hist(df['Age'],bins=[25,30,35,40,45])

# 设置图形标题  
plt.title('某公司员工年龄分布直方图')  
# 设置x轴标签  
plt.xlabel('年龄')  
# 设置y轴标签  
plt.ylabel('人数')  

# 向plt.xticks()传入参数range(25, 50, 5)表示x轴数值范围从25到50，每隔5个单位显示一个数值
plt.xticks(range(25,50,5))

# 调用plt.show()函数显示图形
plt.show()
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

员工年龄与销售情况散点图 ：

import pandas as pd  
import matplotlib.pyplot as plt  
import numpy as np  

df = pd.read_excel('/home/mw/input/data_analysis8875/al3-1.xls') 

# 创建一个图形对象  
fig = plt.figure()  

# 向图形对象添加一个子图  
ax = fig.add_subplot(1,1,1)  

# 在子图上绘制散点图  
ax.scatter(df['Age'],df['Sales'])  

# 设置图形标题  
plt.title('某公司员工年龄与销售额散点图')  

# 设置x轴、y轴标签  
plt.xlabel('年龄')  
plt.ylabel('销售额')  

# 显示图形  
plt.show()  
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

员工年龄与销售情况气泡图 ：
scatter( )函数中的s参数提供了一种便捷的方法，可以用来对点的大小进行控制，进而实现用点的大小来反映收入的大小。

# 导入数据
import pandas as pd  
import matplotlib.pyplot as plt  
import numpy as np  
df = pd.read_excel('/home/mw/input/data_analysis8875/al3-1.xls')  

# 创建一个图形对象并添加子图 
fig = plt.figure()   
ax = fig.add_subplot(1,1,1)  

# 在子图上绘制气泡图 
ax.scatter(df['Age'],df['Sales'],s = df['Income'])  

# 设置图形标题  
plt.title('某公司员工年龄与销售额及收入气泡图')  

# 设置x轴、y轴标签  
plt.xlabel('年龄')  
plt.ylabel('销售额')  

# 显示图形  
plt.show()  
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

员工性别销售情况柱形图 ：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 使用groupby（）函数按性别Gender对员工进行分组，将分组后数据命名为gender_group  
df = pd.read_excel('/home/mw/input/data_analysis8875/al3-1.xls')  
gender_group = df.groupby('Gender')  

# 对分组后数据进行操作，将销售量Sales进行加总，保存为var  
var = gender_group['Sales'].sum()  

fig = plt.figure()
ax = fig.add_subplot(1,1,1)

# 对性别进行分组后，var中index代表性别属性，values代表销售额  
ax.bar(var.index,var.values)

plt.title('某公司员工性别与销售情况柱形图')
plt.xlabel('性别')
plt.ylabel('销售额')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

关键总结：

通过强大的Python语言和神奇的matplotlib库，将枯燥的商业数据变成绚丽多彩的图形，让数据跃然纸上，为企业决策提供更直观、更清晰的依据。学会运用matplotlib库为绘制折线图、柱状图、散点图等图形，利用可视化的图形去展示数据，解决例如某公司员工年龄分布、年龄与销售情况以及性别与销售情况等一系列问题。

问题/困惑：

在分组或者多条件情形下，绘制图形。

下一步计划：

通过练习掌握matplotlib库，绘制出各种多样的图形。

参考资料/相关资源链接：

Pandas文档:https://pandas.pydata.org/docs/
matplotlib文档：https://www.matplotlib.org.cn/intro/