python用matplotlib可视化绘图详解
目录
- 1、Matplotlib 简介
- 2、Matplotlib图形绘制
- 1)折线图
- 2)柱状图
- 3)条形图
- 3)饼图
- 4)散点图
- 5)直方图
- 6)箱型图
- 7)子图
1、Matplotlib 简介
Matplotlib 简介:
Matplotlib
是一个python的 2D绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形,matplotlib 对于图像美化方面比较完善,可以自定义线条的颜色和样式,可以在一张绘图纸上绘制多张小图,也可以在一张图上绘制多条线,可以很方便地将数据可视化并对比分析。- 同Excel绘制相关图标相比,使用
Matplotlib
绘制自由度更高,并且能解决excel无法绘制数据量较大、维度较多的图表问题。
如何使用Matplotlib:
python 环境下 :
pip install matplotlib
jupyter notebook 中:
!pip install matplotlib
(强烈建议安装anaconda,一些常用的包就不用在单独安装了)安装了anaconda了,直接导包就行
import matplotlib.pyplot as plt #plt是别名
Matplotlib绘制图形:
折线图 | plot |
柱状图 | bar |
条形图 | barh |
饼图 | pie |
散点图 | scatter |
直方图 | hist |
箱形图 | boxplot |
子图 | subplot |
2、Matplotlib图形绘制
1)折线图
折线图(line chart
)是一种将数据点按照顺序连接起来的图形,折线图是排列在工作表的列或行中的数据可以绘制到折线图中,折线图可以显示随时间(根据常用比例设置)而变化的连续数据,因此非常适用于显示在相等时间间隔下数据的趋势。
plt.figure(figsize=(10,6))#调整画布大小 plt.plot(data["日期"],data["自配送销售额"],color='y')#通过color调整颜色 plt.xticks(rotation=45)#x轴倾斜的角度 plt.show()
其中颜色可以设置成很多,下表为部分:
'r' | 红色 |
'g' | 绿色 |
'b' | 蓝色 |
'c' | 青色 |
'm' | 品红 |
'y' | 黄色 |
'k' | 黑色 |
'w' | 白色 |
浅粉红 | #FFB6C1 |
猩红 | #DC143C |
最底下为rgb颜色值,可以查看RGB颜色值与十六进制颜色码转换工具里边比较详细
plt.figure(figsize=(10,5)) plt.plot(data["日期"],data["总销售额"],color='r',linewidth=0.5,marker="*",linestyle='-.') plt.plot(data["日期"],data["FBA销售额"],color='g',linewidth=0.5,marker="2",linestyle='-') plt.plot(data["日期"],data["自配送销售额"],color='y',linewidth=0.5,marker="s",linestyle='--') plt.xticks(rotation=45)#旋转x轴标注 font = { "family":"kaiti", # 设置字体的样式 "size":"20" # 设置字体的大小 } plt.rc("font",**font) #设置X轴标签 plt.xlabel("时间") #设置y轴标签 plt.ylabel("数额") plt.show() #linewidth是设置线的宽度 #marker是设置线的拐点标记样式
常用字体名称:
楷体 | kaiti |
黑体 | SimHei |
微软雅黑 | Microsoft YaHei |
新宋体 | NSimSun |
仿宋_GB2312 | FangSong_GB2312 |
楷体_GB2312 | KaiTi_GB2312 |
常用线型:
实线 | '-' |
点虚线 | ':' |
破折线 | '--' |
点划线 | '-.' |
不画线 | '' 或 ' ' |
用标记:
点 | "." |
上三角 | "^" |
上三叉 | "2" |
正方形 | "s" |
星号 | "*" |
菱形 | "D" |
渲染指定的字符。例如 "$f$" 以字母 f 为标记。 | '$...$' |
2)柱状图
柱形图,又称长条图、柱状统计图(德文: Säulendiagramm
、英文:bar chart、西班牙文: diagrama de barras)亦称条图、条状图、棒形图,是一种以长方形的长度为变量的统计图表。长条图用来比较两个或以上的价值(不同时间或者不同条件),只有一个变量,通常利用于较小的数据集分析。长条图亦可横向排列,或用多维方式表达。
matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
参数说明:
x
:浮点型数组,柱形图的 x 轴数据。height
:浮点型数组,柱形图的高度。width
:浮点型数组,柱形图的宽度。bottom
:浮点型数组,底座的 y 坐标,默认 0。align
:柱形图与 x 坐标的对齐方式,'center' 以 x 位置为中心,这是默认值。 'edge':将柱形图的左边缘与 x 位置对齐。要对齐右边缘的条形,可以传递负数的宽度值及 align='edge'。
**kwargs::其他参数。
plt.figure(figsize=(10,5)) plt.bar(data["排序"],data["销量"]) ##调整画布外框颜色 上:top 下: bottom 左:left 右:right ax=plt.gca() ax.spines["top"].set_color("w") ax.spines["bottom"].set_color("r") ax.spines["left"].set_color("r") ax.spines["right"].set_color("w") ##调整x、y轴刻度 plt.xlim(data.index.values[0],data.index.values[-1]) #x轴从0开始到最后一个 0第一个 -1最后一个 plt.ylim(np.min(data["销量"]),np.max(data["销量"])) #最小到最大 plt.show()
3)条形图
条形图(bar chart)是用宽度相同的条形的高度或长短来表示数据多少的图形。条形图可以横置或纵置,纵置时也称为柱形图(column chart
)。此外,条形图有简单条形图、复式条形图等形式。
plt.figure(figsize=(10,5)) plt.barh(data["排序"],data["销量"]) ##调整画布外框颜色 上:top 下: bottom 左:left 右:right ax=plt.gca() ax.spines["top"].set_color("w") ax.spines["bottom"].set_color("r") ax.spines["left"].set_color("r") ax.spines["right"].set_color("w") ##调整x、y轴刻度 plt.xlim(np.min(data["销量"]),np.max(data["销量"])) #x轴从0开始到最后一个 0第一个 -1最后一个 plt.ylim(data.index.values[0],data.index.values[-1]) #最小到最大 plt.show()
条形图就是把柱状图放倒,调整X、Y轴即可
3)饼图
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)[source]
参数说明:
x:浮点型数组,表示每个扇形的面积。
explode:数组,表示各个扇形之间的间隔,默认值为0。
labels:列表,各个扇形的标签,默认值为 None。
colors:数组,表示各个扇形的颜色,默认值为 None。
autopct:设置饼图内各个扇形百分比显示格式,%d%% 整数百分比,%0.1f 一位小数, %0.1f%% 一位小数百分比, %0.2f%% 两位小数百分比。
labeldistance:标签标记的绘制位置,相对于半径的比例,默认值为 1.1,如 <1则绘制在饼图内侧。
pctdistance::类似于 labeldistance,指定 autopct 的位置刻度,默认值为 0.6。
shadow::布尔值 True 或 False,设置饼图的阴影,默认为 False,不设置阴影。
radius::设置饼图的半径,默认为 1。
startangle::起始绘制饼图的角度,默认为从 x 轴正方向逆时针画起,如设定 =90 则从 y 轴正方向画起。
counterclock:布尔值,设置指针方向,默认为 True,即逆时针,False 为顺时针。
wedgeprops :字典类型,默认值 None。参数字典传递给 wedge 对象用来画一个饼图。例如:wedgeprops={'linewidth':5} 设置 wedge 线宽为5。
textprops :字典类型,默认值为:None。传递给 text 对象的字典参数,用于设置标签(labels)和比例文字的格式。
center :浮点类型的列表,默认值:(0,0)。用于设置图标中心位置。
frame :布尔类型,默认值:False。如果是 True,绘制带有表的轴框架。
rotatelabels :布尔类型,默认为 False。如果为 True,旋转每个 label 到指定的角度。
plt.figure(figsize=(10,5)) sum_sale=np.sum(data["总销售额"]) font={ "family":"kaiti" ,"size":"15" } plt.rc("font",**font) fba_sale=np.sum(data["FBA销售额"]) self_sale=np.sum(data["自配送销售额"]) plt.pie([sum_sale,fba_sale,self_sale] ,labels=["总销售额","FBA销售额","自配送销售额"] ,colors=["m","b","g"] #设置饼图颜色 ,shadow=True #是否设置阴影 ,labeldistance=1.2 #标签距图表的距离 ,autopct="%.2f%%" ##设置显示数字样式 ,startangle=60 ##旋转角度 ,explode=[0.1,0,0] ) plt.title("统计",loc="center")#center中间 plt.show()
4)散点图
散点图是指在回归分析中,数据点在直角坐标系平面上的分布图,散点图表示因变量随自变量而变化的大致趋势,据此可以选择合适的函数对数据点进行拟合。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。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, *, edgecolors=None, plotnonfinite=False, data=None, **kwargs)
参数说明:
x,y:长度相同的数组,也就是我们即将绘制散点图的数据点,输入数据。
s:点的大小,默认 20,也可以是个数组,数组每个参数为对应点的大小。
c:点的颜色,默认蓝色 'b',也可以是个 RGB 或 RGBA 二维行数组。
marker:点的样式,默认小圆圈 'o'。
cmap:Colormap,默认 None,标量或者是一个 colormap 的名字,只有 c 是一个浮点数数组的时才使用。如果没有申明就是 image.cmap。
norm:Normalize,默认 None,数据亮度在 0-1 之间,只有 c 是一个浮点数的数组的时才使用。
vmin,vmax::亮度设置,在 norm 参数存在时会忽略。
alpha::透明度设置,0-1 之间,默认 None,即不透明。
linewidths::标记点的长度。
edgecolors::颜色或颜色序列,默认为 'face',可选值有 'face', 'none', None。
plotnonfinite::布尔值,设置是否使用非限定的 c ( inf, -inf 或 nan) 绘制点。
**kwargs::其他参数。
plt.scatter(data["平均单个订单成本"],data["订单额"] , color=("red","green","black","orange","purple","beige","cyan","magenta","cyan","magenta")#设置球的颜色 ,s=data["订单额"]#设置球的大小 ,marker="h"#设置球的形状 ,linewidths=4#设置球边界的宽度 ,edgecolors='b'#设置边界的颜色 ,alpha=0.5#设置透明度 )#设置球的形状 plt.xlabel("订单成本") plt.ylabel("订单额") plt.show()
5)直方图
直方图(Histogram
),又称质量分布图,是一种统计报告图,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,纵轴表示分布情况。
plt.figure(figsize=(20,5)) data1 = data[data["数量"]>20] plt.hist(data1["数量"], bins=data1.index.values[-1] #xz轴上展示多少 ,align = "mid" , density=True#频率频数设置 ) plt.xlim(10) plt.show()
6)箱型图
箱形图(Box-plot)又称为盒须图、盒式图或箱线图,是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用,常见于品质管理。它主要用于反映原始数据分布的特征,还可以进行多组数据分布特征的比较。箱线图的绘制方法是:先找出一组数据的上边缘、下边缘、中位数和两个四分位数;然后, 连接两个四分位数画出箱体;再将上边缘和下边缘与箱体相连接,中位数在箱体中间。
plt.boxplot(data[data["销量"]<3000]["销量"]) plt.show()
横线上边的可以看做是异常值,也叫离群点 ,横线是上限值,依次往下是上4分位、中位数、下4分位数、下限
- 上4分位数的意思是全部数据中有4分之一的数据比它大
-下4分位数的意思是全部数据中有4分之一的数据比它小
- 中位数的意思就是位于中间的数据
-上4分位减去下4分位数代表着4分位的间距,那么异常值(离群点)就是大于 (上四分位 + 1.5 * 四分位间距) 或小于(下4分位 - 1.5*四分位间距)的数字
- 上限值就是等于(上4分位 + 1.5 * 四分位间距)的值
多个箱型图绘制
dataa = [data[data["销量"]<2000]["销量"],data[data["销量"]<3000]["销量"]] plt.boxplot(dataa # dataa中包含多少元素 就会绘制几个箱型图 ,notch=True # 是否展示凹口 ,sym="*" # 设置异形点的形状 ,vert=False # 箱型图的摆放方式,True就是垂直,False就是横着 ,whis=2 # 定义异常,默认是1.5这个参数也就是上下四分位距离的倍数 ,labels=["箱型图a","箱型图b"] # 说明 ,showmeans=True # 展示平均值 ,meanline=True # 以线的形式来展示平均值,前提是showmeans=True ,showfliers=True # 是否显示异常值 ,meanprops=dict(markerfacecolor="r", marker="s") ,widths=0.5 ) plt.show()
7)子图
我们可以使用 pyplot
中的subplot()
和 subplots()
方法来绘制多个子图。
subplot()
方法在绘图时需要指定位置,subplots()
方法可以一次生成多个,在调用时只需要调用生成对象的 ax
subplots() 方法语法格式如下:
matplotlib.pyplot.subplots(nrows=1, ncols=1, *, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)
rows:默认为 1,设置图表的行数。
ncols:默认为 1,设置图表的列数。
sharex、sharey:设置 x、y 轴是否共享属性,默认为 false,可设置为 'none'、'all'、'row' 或 'col'。 False 或 none 每个子图的 x 轴或 y 轴都是独立的,True 或 'all':所有子图共享 x 轴或 y 轴,'row' 设置每个子图行共享一个 x 轴或 y 轴,'col':设置每个子图列共享一个 x 轴或 y 轴。
squeeze:布尔值,默认为 True,表示额外的维度从返回的 Axes(轴)对象中挤出,对于 N*1 或 1*N 个子图,返回一个 1 维数组,对于 N*M,N>1 和 M>1 返回一个 2 维数组。如果设置为 False,则不进行挤压操作,返回一个元素为 Axes 实例的2维数组,即使它最终是1x1。
subplot_kw:可选,字典类型。把字典的关键字传递给 add_subplot() 来创建每个子图。
gridspec_kw:可选,字典类型。把字典的关键字传递给 GridSpec 构造函数创建子图放在网格里(grid)。
**fig_kw:把详细的关键字参数传给 figure() 函数。
plt.figure(figsize=(10,5))#设置画布大小 x=np.arange(1,200) plt.subplot(221)#在第一个位置画折线图 plt.plot(x,x+x) plt.subplot(222)#第二个位置绘制散点图 plt.scatter(np.arange(0,20),np.random.rand(20)) plt.subplot(223)#第三个位置绘制饼图 plt.pie(x=[1,2,3,4],labels=['a','b','c','d']) plt.subplot(224)#第四个位置绘制柱状图 plt.bar(x=[1,2,3,4],height=[2,3,6,5]) plt.show()
到此这篇关于 python用matplotlib可视化绘图详解的文章就介绍到这了,更多相关matplotlib可视化绘图详解内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!