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:

"."
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()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!

(0)

相关推荐

  • Python matplotlib绘图可视化知识点整理(小结)

    无论你工作在什么项目上,IPython都是值得推荐的.利用ipython --pylab,可以进入PyLab模式,已经导入了matplotlib库与相关软件包(例如Numpy和Scipy),额可以直接使用相关库的功能. 本文作为学习过程中对matplotlib一些常用知识点的整理,方便查找. 这样IPython配置为使用你所指定的matplotlib GUI后端(TK/wxPython/PyQt/Mac OS X native/GTK).对于大部分用户而言,默认的后端就已经够用了.Pylab模式

  • 基于Python数据可视化利器Matplotlib,绘图入门篇,Pyplot详解

    Pyplot matplotlib.pyplot是一个命令型函数集合,它可以让我们像使用MATLAB一样使用matplotlib.pyplot中的每一个函数都会对画布图像作出相应的改变,如创建画布.在画布中创建一个绘图区.在绘图区上画几条线.给图像添加文字说明等.下面我们就通过实例代码来领略一下他的魅力. import matplotlib.pyplot as plt plt.plot([1,2,3,4]) plt.ylabel('some numbers') plt.show() 上图是我们通

  • Python matplotlib可视化绘图详解

    目录 一.绘制线性图形 二.绘制柱状图形 三.绘制直方图 四.绘制散点图 五.绘制极坐标 六.绘制饼图 总结 一.绘制线性图形 执行如下代码 import matplotlib.pyplot as plt dataX=[1,2,3,4] dataY=[2,4,4,2] plt.plot(dataX,dataY) plt.title("Draw straight line") plt.xlabel("x") plt.ylabel("y") plt.

  •  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

  • Python实现地图可视化案例详解

    目录 ​前言 一.pyecharts Map Geo Bmap 二.folium 结 语 ​前言 Python的地图可视化库很多,Matplotlib库虽然作图很强大,但只能做静态地图.而我今天要讲的是交互式地图库,分别为pyecharts.folium,掌握这两个库,基本可以解决你的地图可视化需求. 一.pyecharts 首先,必须说说强大的pyecharts库,简单易用又酷炫,几乎可以制作任何图表.pyecharts有v0.5和v1两个版本,两者不兼容,最新的v1版本开始支持链式调用,采用

  • Python利用Matplotlib绘制图表详解

    目录 前言 折线图绘制与显示 绘制数学函数图像 散点图绘制 绘制柱状图 绘制直方图 饼图 前言 Matplotlib 是 Python 中类似 MATLAB 的绘图工具,如果您熟悉 MATLAB,那么可以很快的熟悉它. Matplotlib 提供了一套面向对象绘图的 API,它可以轻松地配合 Python GUI 工具包(比如 PyQt,WxPython.Tkinter)在应用程序中嵌入图形.与此同时,它也支持以脚本的形式在 Python.IPython Shell.Jupyter Notebo

  • Python pyecharts数据可视化实例详解

    目录 一.数据可视化 1.pyecharts介绍 2.初入了解 (1).快速上手 (2).简单的配置项介绍 3.案例实战 (1).柱状图Bar (2).地图Map (3).饼图Pie (4).折线图Line (5).组合图表 二.案例数据获取 总结 一.数据可视化 1.pyecharts介绍 官方网址:https://pyecharts.org/#/zh-cn/intro 概况: Echarts 是一个由百度开源的数据可视化,凭借着良好的交互性,精巧的图表设计,使用JavaScript实现的.

  • Python股票数据可视化代码详解

    目录 数据准备 阿里巴巴 谷歌 苹果 腾讯 亚马逊 Facebook 数据可视化 查看各个公司的股价平均值 查看各公司股价分布情况 股价走势对比 总结 import numpy as np import pandas as pd from pandas_datareader import data import datetime as dt 数据准备 ''' 获取国内股票数据的方式是:"股票代码"+"对应股市"(港股为.hk,A股为.ss) 例如腾讯是港股是:070

  • Python Matplotlib 实现3D绘图详解

    目录 第一个三维绘图程序 3D散点图 3D等高线图 3D线框图 3D曲面图 最初开发的 Matplotlib,仅支持绘制 2d 图形,后来随着版本的不断更新, Matplotlib 在二维绘图的基础上,构建了一部分较为实用的 3D 绘图程序包,比如 mpl_toolkits.mplot3d,通过调用该程序包一些接口可以绘制 3D散点图.3D曲面图.3D线框图等 mpl_toolkits 是 Matplotlib 的绘图工具包. 第一个三维绘图程序 下面编写第一个三维绘图程序. 首先创建一个三维绘

  • Python数据分析之matplotlib绘图详解

    目录 多子图 散点图 水平柱状图 同位置柱状图 多子图 figure是绘制对象(可以理解为一个空白的画布),一个figure对象可以包含多个Axes子图,一个Axes是一个绘图区域,不加设置时,Axes为1,且每次绘图其实都是在figure上的Axes上绘图. 我们是在图形对象上面的Axes区域进行作画 1.add_axes():添加区域 2.Matplotlib定义一个axes类,该类的对象称为axes对象(即轴域对象),它指定一个有数值范围限制的绘图区域.再给定一个画布中,可以包含多个axe

  • Python实现制作销售数据可视化看板详解

    目录 1. 数据 2. 网页标题和图标 3. 侧边栏和多选框 4. 主页面信息 5. 主页面图表 6. 隐藏部件 在数据时代,销售数据分析的重要性已无需赘言. 只有对销售数据的准确分析我们才有可能找准数据变动(增长或下滑)的原因. 然后解决问题.发现新的增长点才会成为可能! 今天就给大家介绍一个用Python制作销售数据大屏的方法. 主要使用Python的Streamlit库.Plotly库.Pandas库进行搭建. 其中Pandas处理数据,Plotly制作可视化图表,Streamlit搭建可

  • Python实战实现爬取天气数据并完成可视化分析详解

    1.实现需求: 从网上(随便一个网址,我爬的网址会在评论区告诉大家,dddd)获取某一年的历史天气信息,包括每天最高气温.最低气温.天气状况.风向等,完成以下功能: (1)将获取的数据信息存储到csv格式的文件中,文件命名为”城市名称.csv”,其中每行数据格式为“日期,最高温,最低温,天气,风向”: (2)在数据中增加“平均温度”一列,其中:平均温度=(最高温+最低温)/2,在同一张图中绘制两个城市一年平均气温走势折线图: (3)统计两个城市各类天气的天数,并绘制条形图进行对比,假设适合旅游的

随机推荐