首页 > 电脑常识 > 云计算

学习笔记——matplotlib学习

admin 云计算 2021-04-26 15:55:31  
后台-系统设置-扩展变量-手机广告位-内容正文底部

数据可视化何其多,除了Tableau,ECharts,Matplotlib也是神器之一,将枯燥无味的数据形象直观地展示出来,是很有成就感的事情。Matplotlib作为数据科学的的必备库,算得上是python可视化领域的元老,更是很多高级可视化库的底层基础,其重要性不言而喻。本文主要学习的是matplotlib.pyplot的可视化应用

文章目录

  • 一、数据可视化类型
  • 二、相关函数简介
  • 三、一些常用的基础API
  • 四、绘图3步走
  • 五、几种常用图表
    • 1、柱状图
    • 2、折线图
    • 3、饼图
    • 4、散点图
    • 5、气泡图/云图
    • 6、直方图
    • 7、雷达图

一、数据可视化类型

在这里插入图片描述


二、相关函数简介

matplotlib.pyplot是一个命令型函数集合,它可以让人们像使用MATLAB一样使用matplotlib。在matplotlib.pyplot库中有plt子库,该子库提供了7个用于读取和显示的函数,17个用于绘制基础图表的函数、3个区域填充函数、9个坐标轴设置函数以及11个标签与文本设置函数,具体如下表1-1~1-5所示:

表1-1 plt库中的读取和显示函数
函数名称函数作用plt.legend( )在绘图区域放置绘图标签plt.show( )显示绘制的图像plt.matshow( )在窗口中显示数组矩阵plt.imshow( )在axes上显示图像plt.imsave( )保存数组为图像plt.savefig( )设置图像保存的格式plt.imread( )从图像文件中读取数组
表1-2 plt库中的基础图表函数
函数名称 函数作用plt. plot(x,y,label,color,width)根据(x,y)数组绘制直、曲线plt. box(data,notch,position)绘制一个箱型图plt. bar(left,height,width,bottom)绘制一个条形图plt. barh(bottom,width,height,left)绘制一个横向条形图plt. polar(theta,r)绘制极坐标图plt. pie(data,exxplode)绘制饼图plt. psd(x,NFFT=256,pad_to,F)绘制功率谱密度图plt. specgram(x,NFFT=256,Fs)绘制谱图plt. cohere(x,y,NFFT=256,Fs)绘制X-Y的相关性函数plt. scatter( )绘制散点图plt. step(x,y,where)绘制步阶图plt. hist(x,bins,normed)绘制直方图plt. contour(X,Y,Z,N)绘制等值线plt. clines( )就只垂直线plt. stem(x,y,linefmt,markerfmt,basefmt)绘制曲线中每个点到水平轴线的垂线plt. plot_date( )绘制数据日期plt. plotfile( )绘制数据后写入文件
表1-3 区域填充函数
函数名称函数作用fill(x,y,c,color)填充多边形fill_between(x,y1,y2,where,color)填充曲线围成的多边形fill_betweenx(y,x1,x2,where,hold)填充水平线之间的区域
表1-4 坐标轴设置函数
函数名称函数作用plt. axis( )获取设置轴属性的快捷键plt. xlim( )设置X轴的取值范围plt. ylim( )设置Y轴的取值范围plt. xscale( )设置X轴缩放plt. yscale( )设置Y轴缩放plt. autoscale( )自动缩放轴视图plt. text( )为axes图添加注释plt. thetagrids( )设置极坐标网络plt. grid( )网格显示
表1-5 标签与文本设置函数
函数名称函数作用plt. figlegend( )为全局绘图区域放置图注plt. xlabel( )设置当前X轴的文字plt. ylabel( )设置当前Y轴的文字plt. xticks( )设置当前X轴刻度位置的文字和值plt. yticks( )设置当前Y轴刻度位置的文字和值plt. clabel( )设置等高线数据plt. get_figlabels( )返回当前绘图区域的标签列表plt. figtext( )为全局绘图区域添加文本信息plt. title( )设置标题plt. suptitle( )设置总标题plt. annotate( )为文本添加注释

注意:均可通过help()命令查看API,用到什么查什么。


补充:

绘图接口有2种形式,分别是面向"当前"图的plt接口和面向对象接口,在这2种方式的相应接口中,多数接口名是一致的,例如:plt.plot()和axes.plot()、plt.legend()和axes.legend(),但也有一些不一致的接口:

plt.axes()——fig.add_axes()

plt.subplot()——fig.add_subplot()

plt.GridSped()——fig.add_gridspec()

plt.xlabel()——axes.set_xlabel()

plt.ylabel()——axes.set_ylabel()

plt.xlim()——axes.set_xlim()

plt.ylim()——axes.set_ylim()

plt.title()——axes.set_title()

对此,一方面两类接口虽然略有区别,但也还算有规律;另一方面,在面向对象绘图配置图例时,有更为便捷的设置图例接口axes.set(),其可以接收多种参数一次性完成所有配置,这也正是面向对象绘图的强大之处。


三、一些常用的基础API

1、解决中文乱码,防止方块化

plt.rcParams["font.sans-serif"]="SimHei"

2、解决负号不能正常显示的问题

plt.rcParams["axes.unicode_minus"]=False

3、在jupyter notebook上面显示图片

%matplotlib inline

4、作图使用svg格式显示更为清晰

%config InlineBackend.figure_format="svg"

5、设置画布

plt.figure() 创建一个全局绘图区域
参数:
num:设置图像编号
figsize:设置图像的宽度和高度,单位为英寸
facecolor:设置图像的背景颜色
dpi:设置绘图对象的分辨率
edgecplor:设置图像的边框颜色

6、创建子图

fig=plt.figure()

fig.add_subplot(3,2,2)   #3X2的第2个图形

或者plt.subplot(3,2,2)    #3X2的第2个图形

四、绘图3步走

在这里插入图片描述


五、几种常用图表

下面将介绍几种较为常用的图表:柱状图、饼图、折线图、散点图、气泡图/云图、雷达图。

1、柱状图

柱状图也叫条形图,是一种以长方形的长度为变量来表达图形的统计报告图,它由一系列高度不等的纵向条纹表示数据分布的情况,用来比较两个或两个以上的数值。

它适用于二维数据集,并且该数据集只需要(或者说“只能”更准确一些)比较其中一个维度。实现比较的手段就是利用柱状体之间的高度差来反映数据差异,因为人的肉眼对于高度的辨识度是较高的。但是,当数据集的规模太过庞大时,柱状体太多也会在所难免的没有那么方便地进行比较了,所以柱状图一般只适用于中小规模的数据集。

柱状图实际上是用来表示分组(或离散)变量的可视化

API:

bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
参数说明类型xx坐标int,floatheight条形的高度int,floatwidth宽度0~1,默认0.8botton条形的起始位置也是y轴的起始坐标align条形的中心位置“center”,"edge"边缘color条形的颜色“r",“b”,“g”,"#123465",默认“b"edgecolor边框的颜色同上linewidth边框的宽度像素,默认无,inttick_label下标的标签可以是元组类型的字符组合logy轴使用科学计算法表示boolorientation是竖直条还是水平条竖直:“vertical”,水平条:“horizontal”

示例:

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少个类型,只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.bar(x, a,  width=width, label='a')
plt.bar(x + width, b, width=width, label='b')
plt.bar(x + 2 * width, c, width=width, label='c')
plt.legend()
plt.show()

结果展示:

水平条形图

绘制方法一:使用plt.bar()
还用上的数据,参数orientation默认是’vertical’垂直,改为"horizontal"(水平)。
注意:
1、x的起始位置,水平条底部,以及长度的取值变化
2、添加标签的时候enumerate()函数遍历出的结果(自动加序号),以及text()函数的参数。

示例:

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少个类型,只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.bar(0,bottom=x,height=width,width=a, label='a',orientation="horizontal")
plt.bar(0,bottom=x+width,height=width,width=b,label='b',orientation="horizontal")
plt.bar(0,bottom=x+2*width,height=width,width=c,label='c',orientation="horizontal")

plt.legend()
plt.show()

结果展示:

绘制方法二:使用plt.barh()

barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

还用上的数据,参数orientation为"horizontal"(水平)。

示例:

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少个类型,只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.barh(x, left=0,height=width,width=a,orientation="horizontal",alpha = 0.8)
plt.barh(x+width, left=0,height=width,width=b,orientation="horizontal",alpha = 0.8)
plt.barh(x+2*width, left=0,height=width,width=c,orientation="horizontal",alpha = 0.8)
plt.legend()
plt.show()

结果展示:


2、折线图

在折线图中,我们通常更关注于每条折线的走势(或者说“更能看出数据的走向”,所以它适用于整体趋势比单个数据点更重要的二维数据集。而正因为它关心的是整体而非个别的点,所以当数据集的规模越大时,折线图所呈现的整体会更加的准确。每个数据集在折线图中仅表现为一条折线,这使得它可以同时承载多个数据集并提供比较。

API:

plt.plot(x,y,linestyle,linewidth,color,marker,markersize,markeredgecolor,markerfactcolor,label,alpha)

参数:

x,y:指定折线图的x轴/y轴的数据;

linestyle:指定折线的类型,可以是实线、虚线、点虚线等,默认文实线;

linewidth:指定折线的宽度

marker:设置点的形状

markersize:设置点的大小

markeredgecolor:设置点的边框色

markerfactcolor:设置点的填充色

label:为折线图添加标签

常用的marker风格:

“+”:十字          “O”:圆圈

“*”:星型          “s”:正方形

“p”:五边形         “h”:六边形

“d”:小菱形         “D”:钻石       

常用的color风格:

“b”:blue蓝色            “g”:green绿色  

“k”:黑色                “w”:white白色

“r”:red红色             “y”:yellow黄色

“c”:cyan青色            “m”:magenta品红

示例:

import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
x = np.arange(-2*np.pi,2*np.pi,0.01)
#x = np.arange(-2*np.pi,2*np.pi,0.01)
x1 = np.arange(-2*np.pi,2*np.pi,0.2)
y1 = np.sin(3*x1)/x1
y2 = np.sin(2*x)/x
y3 = np.sin(x)/x
plt.plot(x1,y1,c='b',linestyle='--',marker='^',label="y1=sin(3*x1)/x1")#linestyle设置线的风格,marker设置点的风格
plt.plot(x,y2,c='r',linestyle='-.',label="y2=sin(2*x)/x")
plt.plot(x,y3,c='g',label="y3=sin(x)/x")
plt.legend()
plt.show()

结果展示:


3、饼图

饼图是一种经常被人们避免使用的图表,因为人眼对面积的辨识度没有像对高度那样那么高,所以利用面积去反映数据起不到很好的作用。但是,存在即合理,当我们想要去强调某个部分占整体的比重时,用饼图是再适合不过了。

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。饼图将一个圆饼按照分类的占比划分成多个区块,整个圆饼代表数据的总量,每个区块(圆弧)表示该分类占总体的比例大小。

API:

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)

参数:

x:指定绘图的数据;

explode:指定饼图某些部分的突出显示,即呈现爆炸式;

labels:为饼图添加标签说明,类似于图例说明;

colors:指定饼图的填充色;

autopct:自动添加百分比显示,可以采用格式化的方法显示;

pctdistance:设置百分比标签与圆心的距离;

shadow:是否添加饼图的阴影效果;

labeldistance:设置各扇形标签(图例)与圆心的距离;

startangle:设置饼图的初始摆放角度;

radius:设置饼图的半径大小;

counterclock:是否让饼图按逆时针顺序呈现;

wedgeprops:设置饼图内外边界的属性,如边界线的粗细、颜色等;

textprops:设置饼图中文本的属性,如字体大小、颜色等;

center:指定饼图的中心点位置,默认为原点

frame:是否要显示饼图背后的图框,如果设置为True的话,需要同时控制图框x轴、y轴的范围和饼图的中心位置;

示例:

import matplotlib.pyplot as plt

labels = 'A', 'B', 'C', 'D'
fracs = [15, 30.55, 44.44, 10]
color = 'blue','red','yellow','green'
explode = [0, 0.1, 0, 0]  # 0.1 凸出这部分,
plt.pie(x=fracs,explode=explode, # 突出分裂的部分
        labels=labels, # 添加分类标签
        colors=color, # 设置饼图的自定义填充色
        autopct='%.1f%%', # 设置百分比的格式,这里保留一位小数
        pctdistance=0.6,  # 设置百分比标签与圆心的距离
        labeldistance = 1.15, # 设置各标签与圆心的距离
        startangle = 180, # 设置饼图的初始角度
        radius = 1, # 设置饼图的半径
        counterclock = False, # 是否逆时针,这里设置为顺时针方向
        wedgeprops = {'linewidth': 1.3, 'edgecolor':'green'},# 设置饼图内外边界的属性值
        textprops = {'fontsize':15, 'color':'k'}, # 设置文本标签的属性值
        center = (0.5,0.5), # 设置饼图的原点
        frame = 0 )# 是否显示饼图的图框,这里设置显示
plt.show()

结果展示:


4、散点图

散点图在回归分析中的使用较多,他将序列显示为一组点。值点在图标表中的位置表示,类别由图表中的不同标记表示,所以散点图通常用于比较跨类别的聚合数据。

散点图正是用来寻找数据集维度间的相互关系的。如果数据集规模足够大并且维度间可能并不存在关系,我们依然可以通过散点图来总结数据点的分布模式,得到有用的信息。

API:

scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

常用参数解释:

x,y:表示即将绘制散点图的数据点
s:是一个可选的参数。
c:表示的是颜色,也是一个可选项。
marker:表示的是标记的样式,默认的是'o'。
alpha:实数,0-1之间。

示例:

#导入必要的模块
import numpy as np
import matplotlib.pyplot as plt
#产生测试数据
x = np.arange(1,10)
y = x
fig = plt.figure()
ax1 = fig.add_subplot(111)
#设置标题
ax1.set_title('Scatter Plot')
#设置X轴标签
plt.xlabel('X')
#设置Y轴标签
plt.ylabel('Y')
#画散点图
ax1.scatter(x,y,c = 'r',marker = 'o')
#设置图标
plt.legend('x1')
#显示所画的图
plt.show()

结果展示:


5、气泡图/云图

气泡图是二维图表展示三维(或者四维)数据集的典范,通常被看做散点图的变种。它利用点的面积来表示第三维的数值。但是,前面提到过,人眼对面积的辨识度并不高,所以气泡图只能用于对第三维的展现不做精确要求的场景。

示例:

import numpy as np
import matplotlib.pyplot as plt

x=np.random.rand(50)
y=np.random.rand(50)
colors=np.random.rand(50)   #颜色随机
area=(50*np.random.rand(50))**2   #散点的大小随机
fig=plt.figure(figsize=(10,5))

plt.subplot(1,1,1)
plt.scatter(x,y,s=area,marker="o",c=colors)
#设置标题
plt.title("plot of scatter for x to y",fontdict={'fontsize':20,'color':'blue'},loc='center')
# 设置x轴和y轴的轴标题
plt.xlabel("x for x in range(50)",fontdict={'fontsize':10,'color':'blue'})
plt.ylabel("y for y in range(50)",fontdict={'fontsize':10,'color':'blue'})
# 添加图例
# plt.legend('xfory')
# 添加数字标签
for a,b in zip(x,y):
    plt.text(round(a,2),round(b,2),round(b,2),ha="center",va='top',fontdict={'fontsize':7,'color':'black'})
plt.xlim(0,1)  #x轴的坐标轴取值范围
# 给坐标A添加标注A(x10,y10)
plt.annotate("A(x,y)",xy=(x[10],y[10]),fontsize=15)
plt.show()

结果展示:


6、直方图

直方图又称质量分布图,是一种统计报告图。它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类型,用纵轴表示分布情况。

API:

hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)

参数:

x:指定要绘制直方图的数据;

bins:指定直方图条形的个数;

range:指定直方图数据的上下界,默认包含绘图数据的最大值和最小值;

normed:是否将直方图的频数转换成频率;

weights:该参数可为每一个数据点设置权重;

cumulative:是否需要计算累计频数或频率;

bottom:可以为直方图的每个条形添加基准线,默认为0;

histtype:指定直方图的类型,默认为bar,除此还有’barstacked’,‘step’, ‘stepfilled’;

align:设置条形边界值的对其方式,默认为mid,除此还有’left’和’right’;

orientation:设置直方图的摆放方向,默认为垂直方向;

rwidth:设置直方图条形宽度的百分比;

log:是否需要对绘图数据进行log变换;

color:设置直方图的填充色;

label:设置直方图的标签,可通过legend展示其图例;

stacked:当有多个数据时,是否需要将直方图呈堆叠摆放,默认水平摆放;

示例:

#电影时长分布分析(直方图)
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
import matplotlib

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
x = [194,110,109,104,48,60,127,41,196,74,116,123,169,60,86,87,60,60,60,105,60,112,60,120,60,60,60,238,128,7,280,180,87,122,18,60,60,60,12,92,60,
     127,115,60,121,115,60,60,60,119]

plt.figure()
plt.hist(x,50,histtype='bar',label='电影时长',facecolor='red',alpha=0.75)
plt.title('电影时长分布分析')
plt.legend()
plt.show()

结果展示:
在这里插入图片描述


7、雷达图

雷达图可以用来表示多维(四维以上)的数据集,并且数据集的每个维度都必须是可以排序的。但它所能承载的数据点是非常有限的,当数据点过多时,并不利用数据点之间的比较。

示例:

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
results = [{"大学英语": 87, "高等数学": 79, "体育": 95, "计算机基础": 92, "程序设计": 85},
           {"大学英语": 80, "高等数学": 90, "体育": 91, "计算机基础": 85, "程序设计": 88}]
data_length = len(results[0])
# 将极坐标根据数据长度进行等分
angles = np.linspace(0, 2*np.pi, data_length, endpoint=False)
labels = [key for key in results[0].keys()]
score = [[v for v in result.values()] for result in results]
#为了使雷达图一圈封闭起来,需要下面的步骤
# 使雷达图数据封闭
score_a = np.concatenate((score[0], [score[0][0]]))
score_b = np.concatenate((score[1], [score[1][0]]))
angles = np.concatenate((angles, [angles[0]]))
labels = np.concatenate((labels, [labels[0]]))
# 设置图形的大小
fig = plt.figure(figsize=(8, 6), dpi=100)
# 新建一个子图 这里一定要设置为极坐标格式
ax = plt.subplot(111, polar=True)
# 绘制折线图 /绘制雷达图
ax.plot(angles, score_a, color='g')
ax.plot(angles, score_b, color='b')
#  添加每个特征的标签
ax.set_thetagrids(angles*180/np.pi, labels)
# 设置雷达图的0度起始位置
ax.set_theta_zero_location('N')
# 设置雷达图的坐标刻度范围
ax.set_rlim(0, 100)
# 设置雷达图的坐标值显示角度,相对于起始角度的偏移量
ax.set_rlabel_position(270)
ax.set_title("成绩情况分析")
plt.legend(["小明", "小红"], loc='best')
plt.show()

结果展示:

文章来源:https://blog.csdn.net/qq_46485161/article/details/116073629

后台-系统设置-扩展变量-手机广告位-内容正文底部
版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。
本文地址:https://jcdi.cn/diannaochangshi/yunjisuan/639.html

留言与评论(共有 0 条评论)
   
验证码:
后台-系统设置-扩展变量-手机广告位-评论底部广告位

教程弟

https://www.jcdi.cn/

统计代码 | 京ICP1234567-2号

Powered By 教程弟 教程弟

使用手机软件扫描微信二维码