matplotlib官方文档

1 认识Matplotlib

什么是Matplotlib？

• 专门用于开发2D图表(包括3D图表)
• 以渐进、交互式方式实现数据可视化

为什么要学习Matplotlib？

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。

• 能将数据进行可视化,更直观的呈现
• 使数据更加客观、更具说服力

2 Matplotlib图像结构

Matplotlib可以分为三层结构，即容器层、辅助显示层、图像层。

• 容器层：主要由Canvas、Figure、Axes组成。
  • Canvas（画板）位于最底层，用户一般接触不到。
  • Figure（画布）建立在Canvas之上，指的是整个图形。
  • Axes（绘图区）建立在Figure之上，一个Figure可以包含多个Axes，一个Axes可以包含多个Axis(坐标轴)，包含两个即为2d坐标系，3个即为3d坐标系。
• 辅助显示层：为Axes(绘图区)内的除了根据数据绘制出的图像以外的内容，主要包括Axes外观(facecolor)、边框线(spines)、坐标轴(axis)、坐标轴名称(axis label)、坐标轴刻度(tick)、坐标轴刻度标签(tick label)、网格线(grid)、图例(legend)、标题(title)等内容。
• 图像层：Axes内通过plot、scatter、bar、histogram、pie等函数根据数据绘制出的图像。

3 常见图形绘制

3.1 折线图

概念：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)

plt.plot(x, y)
1

需求：画出上海市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

# 准备x,y坐标的数据
x = range(60)
# random.uniform(x,y)方法将随机生成一个【实数】，它在 [x,y] 范围内。
# random.randint(x,y)则取【整数】,且x,y均是整数
y = [random.uniform(15, 18) for i in x]
# 需求：再添加一个北京市的温度变化，只需要再次plot即可，但是需要区分线条
y1 = [random.uniform(0, 8) for i in x]

# 创建画布【figsize:指定图的长宽，dpi:图像的清晰度，返回figure对象】
plt.figure(figsize=(20, 8), dpi=100)

# 绘制折线图
plt.plot(x, y, label="上海")
plt.plot(x, y1, color='r', linestyle=':', label="北京")

# 构造x,y轴刻度
x_ticks = ["11点{}分".format(i) for i in x]
y_ticks = range(40)

# 修改x,y轴坐标的刻度显示
plt.xticks(x[::5], x_ticks[::5])
plt.yticks(y_ticks[::5])

# 添加网格显示【alpha：透明度】
plt.grid(True, linestyle='--', alpha=0.5)

# 添加x轴、y轴描述信息及标题
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)

# 显示图例
plt.legend(loc="best")

# 保存图片到指定路径
plt.savefig("plot.png")

# 显示图像【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。】
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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

图形的风格

图例的位置

多个坐标系显示— plt.subplots(面向对象的画图方法)

将上海和北京的天气图显示在同一个图的不同坐标系当中，效果如下：

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。

创建画布

'''
参数 nrows, ncols : 设置有几行几列坐标系
返回 fig : 图对象，axes : 相应数量的坐标系
'''
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)
1
2
3
4
5

绘制图像

axes[0].plot(x, y, label="上海")
axes[1].plot(x, y1, color="r", linestyle=":", label="北京")
1
2

刻度显示

axes[0].set_xticks(x[::5])
axes[0].set_yticks(y_ticks[::5])
axes[0].set_xticklabels(x_ticks_label[::5])
axes[1].set_xticks(x[::5])
axes[1].set_yticks(y_ticks[::5])
axes[1].set_xticklabels(x_ticks_label[::5])
1
2
3
4
5
6

添加网格显示

axes[0].grid(True, linestyle="--", alpha=0.5)
axes[1].grid(True, linestyle="--", alpha=0.5)
1
2

添加描述信息

axes[0].set_xlabel("时间")
axes[0].set_ylabel("温度")
axes[0].set_title("上海中午11点--12点温度变化图", fontsize=20)
axes[1].set_xlabel("时间")
axes[1].set_ylabel("温度")
axes[1].set_title("北京中午11点--12点温度变化图", fontsize=20)
1
2
3
4
5
6

添加图例

axes[0].legend(loc=0)
axes[1].legend(loc=0)
1
2

plt.plot()除了可以画折线图，也可以用于画各种数学函数图像

import matplotlib.pyplot as plt
import numpy as np

# numpy.linspace 是用于创建一个由等差数列构成的一维数组。【起始数、结束数、个数】
x = np.linspace(-10, 10, 1000)
y = np.sin(x)

plt.figure(figsize=(20, 8), dpi=100)
plt.plot(x, y)
plt.grid()

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

3.2 散点图

概念：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)

plt.scatter(x, y)
1

需求：探究房屋面积和房屋价格的关系

import matplotlib.pyplot as plt


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]


plt.figure(figsize=(20, 8), dpi=100)
plt.scatter(x, y)

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

3.3 柱状图

概念：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)

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
"""
1
2
3
4
5
6
7
8
9
10

需求：对比每部电影的票房收入

import matplotlib.pyplot as plt

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]

plt.figure(figsize=(20, 8), dpi=100)
plt.bar(x, y, width=0.5, color=['b', 'r', 'g', 'y', 'c', 'm', 'y', 'k', 'c', 'g', 'b'])

# 修改x轴的刻度显示
plt.xticks(x, movie_name)
plt.grid(linestyle="--", alpha=0.5)
plt.title("电影票房收入对比")

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

3.4 直方图

概念：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)

matplotlib.pyplot.hist(x, bins=None)
"""
x : 需要传递的数据
bins : 组距
"""
1
2
3
4
5

3.5 饼图

概念：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)

plt.pie(x, labels=,autopct=,colors)
''' 
x:数量，自动算百分比
labels:每部分名称
autopct:占比显示指定%1.2f%% （例如m.n:m表示对应的输出项在输出设备上所占的字符数n表示精度，即小数点后保留几位）
colors:每部分颜色
'''
1
2
3
4
5
6
7

import matplotlib.pyplot as plt

labels = ['Frogs', 'Hogs', 'Dogs', 'Logs']
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)  # 仅“分解”第二个切片

fig1, ax1 = plt.subplots()
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
        shadow=True, startangle=90) 
ax1.axis('equal')  # 相等的纵横比确保饼图绘制为圆形

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12