Python进阶Matplotlib库图绘制

目录
  • 1、基本使用
    • 1.1、线条样式 & 颜色
    • 1.2、轴&标题
    • 1.3、marker设置
    • 1.4、注释文本
    • 1.5、设置图形样式
  • 2、条形图
    • 2.1、横向条形图 范例
    • 2.2、分组条形图
    • 2.3、堆叠条形图
  • 3、直方图
    • 3.1、直方图
    • 3.2、频率直方图
    • 3.3、直方图
  • 4、散点图
  • 5、饼图
  • 6、箱线图
  • 7、雷达图

中文字体设置:

# 字体设置
plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

1、基本使用

Matplotlib:是一个Python的2D绘图库,通过Matplotlib,开发者可以仅需要几行代码,便可以生成折线图,直方图,条形图,饼状图,散点图等。
plot是一个画图的函数,他的参数:plot([x],y,[fmt],data=None,**kwargs)

1.1、线条样式 & 颜色

(1)点线形式

(2)线条颜色

import matplotlib.pyplot as plt
import numpy as np
# 原始线图
plt.plot(range(10),[np.random.randint(0,10) for x in range(10)])
# 点线图
plt.plot(range(10),[np.random.randint(0,10) for x in range(10)],"*")
# 线条颜色
plt.plot([1,2,3,4,5],[1,2,3,4,5],'r') #将颜色线条设置成红色

运行结果:

1.2、轴&标题

  • 1、设置图标题:plt.title
  • 2、设置轴标题:plt.xlabel & plt.ylabel  -  标题名称
  • 3、设置轴刻度:plt.xticks & plt.yticks  -  刻度长度,刻度标题

范例:

x = range(10)
y = [np.random.randint(0,10) for x in range(10)]
plt.plot(x,y,linewidth=10,color='red')
# 设置图标题
plt.title("sin函数")
# 设置轴标题
plt.xlabel("x轴")
plt.ylabel("y轴")
# 设置轴刻度
plt.xticks(range(10),["第%d天"%x for x in range(1,10)])
plt.yticks(range(10),["第%d天"%x for x in range(1,10)])
# 加载字体
plt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

运行结果:

1.3、marker设置

marker:关键点重点标记

范例:

x = range(10)
y = [np.random.randint(0,10) for x in range(10)]
plt.plot(x,y,linewidth=10,color='red')
# 重点标记
plt.plot(x,y,marker="o",markerfacecolor='k',markersize=10)

运行结果:

1.4、注释文本

annotate:注释文本

范例:

x = range(10)
y = [np.random.randint(0,10) for x in range(10)]
plt.plot(x,y,linewidth=10,color='red')
# 重点标记
plt.plot(x,y,marker="o",markerfacecolor='k',markersize=10)

# 注释文本设置
plt.annotate('local max', xy=(5, 5), xytext=(10,15),
arrowprops=dict(facecolor='black',shrink=0.05),
)

运行结果:

1.5、设置图形样式

plt.figure:调整图片的大小和像素
	`num`:图的编号,
	`figsize`:单位是英寸,
	`dpi`:每英寸的像素点,
	`facecolor`:图片背景颜色,
	`edgecolor`:边框颜色,
	`frameon`:是否绘制画板。  

范例:

x = range(10)
y = [np.random.randint(0,10) for x in range(10)]
# 设置图形样式
plt.figure(figsize=(20,10),dpi=80)
plt.plot(x,y,linewidth=10,color='red')

运行结果:

2、条形图

应用场景:

  • 1. 数量统计。
  • ​​​​​​​2. 频率统计。

相关参数:

barh:条形图

  • 1. `x`:一个数组或者列表,代表需要绘制的条形图的x轴的坐标点。
  • 2. `height`:一个数组或者列表,代表需要绘制的条形图y轴的坐标点。
  • 3. `width`:每一个条形图的宽度,默认是0.8的宽度。
  • 4. `bottom`:`y`轴的基线,默认是0,也就是距离底部为0.
  • 5. `align`:对齐方式,默认是`center`,也就是跟指定的`x`坐标居中对齐,还有为`edge`,靠边对齐,具体靠右边还是靠左边,看`width`的正负。
  • 6. `color`:条形图的颜色。

2.1、横向条形图 范例

movies = {
    "流浪地球":40.78,
    "飞驰人生":15.77,
    "疯狂的外星人":20.83,
    "新喜剧之王":6.10,
    "廉政风云":1.10,
    "神探蒲松龄":1.49,
    "小猪佩奇过大年":1.22,
    "熊出没·原始时代":6.71
}
plt.barh(np.arange(len(movies)),list(movies.values()))
plt.yticks(np.arange(len(movies)),list(movies.keys()),fontproperties=font)
plt.grid()

运行结果

2.2、分组条形图

范例:

movies = {
    "流浪地球":[2.01,4.59,7.99,11.83,16],
    "飞驰人生":[3.19,5.08,6.73,8.10,9.35],
    "疯狂的外星人":[4.07,6.92,9.30,11.29,13.03],
    "新喜剧之王":[2.72,3.79,4.45,4.83,5.11],
    "廉政风云":[0.56,0.74,0.83,0.88,0.92],
    "神探蒲松龄":[0.66,0.95,1.10,1.17,1.23],
    "小猪佩奇过大年":[0.58,0.81,0.94,1.01,1.07],
    "熊出没·原始时代":[1.13,1.96,2.73,3.42,4.05]
}
plt.figure(figsize=(20,8))
width = 0.75
bin_width = width/5
movie_pd = pd.DataFrame(movies)
ind = np.arange(0,len(movies))

# 第一种方案
for index in movie_pd.index:
    day_tickets = movie_pd.iloc[index]
    xs = ind-(bin_width*(2-index))
    plt.bar(xs,day_tickets,width=bin_width,label="第%d天"%(index+1))
    for ticket,x in zip(day_tickets,xs):
        plt.annotate(ticket,xy=(x,ticket),xytext=(x-0.1,ticket+0.1))
# 设置图例
plt.ylabel("单位:亿")
plt.title("春节前5天电影票房记录")
# 设置x轴的坐标
plt.xticks(ind,movie_pd.columns)
plt.xlim
plt.grid(True)
plt.show()

运行结果:

2.3、堆叠条形图

范例:

menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
groupNames = ('G1','G2','G3','G4','G5')
xs = np.arange(len(menMeans))
plt.bar(xs,menMeans)
plt.bar(xs,womenMeans,bottom=menMeans)
plt.xticks(xs,groupNames)
plt.show()

运行结果:

3、直方图

plt.hist:直方图

  • 1. x:数组或者可以循环的序列;
  • 2. bins:数字或者序列(数组/列表等);
  • 3. range:元组或者None,如果为元组,那么指定`x`划分区间的最大值和最小值;
  • 4. density:默认是`False`,如果等于`True`,那么将会使用频率分布直方图;
  • 5. cumulative:如果这个和`density`都等于`True`,那么返回值的第一个参数会不断的累加,最终等于`1`。

应用场景:

  • 1. 显示各组数据数量分布的情况。
  • 2. 用于观察异常或孤立数据。
  • 3. 抽取的样本数量过小,将会产生较大误差,可信度低,也就失去了统计的意义。因此,样本数不应少于50个。

3.1、直方图

范例:

durations = [131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]
plt.figure(figsize=(15,5))
nums,bins,patches = plt.hist(durations,bins=20,edgecolor='k')
plt.xticks(bins,bins)
for num,bin in zip(nums,bins):
    plt.annotate(num,xy=(bin,num),xytext=(bin+1.5,num+0.5))
plt.show()

运行结果:

3.2、频率直方图

density:频率直方分布图

范例:

nums,bins,patches = plt.hist(durations,bins=20,edgecolor='k',density=True,cumulative=True)
plt.xticks(bins,bins)
for num,bin in zip(nums,bins):
    plt.annotate("%.4f"%num,xy=(bin,num),xytext=(bin+0.2,num+0.0005))

运行结果:

3.3、直方图

cumulative参数:nums的总和为1

范例:

plt.figure(figsize=(15,5))
nums,bins,patches = plt.hist(durations,bins=20,edgecolor='k',density=True,cumulative=True)
plt.xticks(bins,bins)
for num,bin in zip(nums,bins):
    plt.annotate("%.4f"%num,xy=(bin,num),xytext=(bin+0.2,num+0.0005))

运行结果:

4、散点图

plt.scatter:散点图绘制:

  • 1. x,y:分别是x轴和y轴的数据集。两者的数据长度必须一致。
  • 2. s:点的尺寸。
  • 3. c:点的颜色。
  • 4. marker:标记点,默认是圆点,也可以换成其他的。

范例:

plt.scatter(x =data_month_sum["sumprice"]     #传入X变量数据
            ,y=data_month_sum["Quantity"]     #传入Y变量数据
            ,marker='*'     #点的形状
            ,s=10           #点的大小
            ,c='r'          #点的颜色
           )
plt.show()

运行结果:

5、饼图

饼图:一个划分为几个扇形的圆形统计图表,用于描述量、频率或百分比之间的相对关系的。

matplotlib中,可以通过plt.pie来实现,其中的参数如下:

x:饼图的比例序列。labels:饼图上每个分块的名称文字。explode:设置某几个分块是否要分离饼图。autopct:设置比例文字的展示方式。比如保留几个小数等。shadow:是否显示阴影。textprops:文本的属性(颜色,大小等)。 范例

plt.figure(figsize=(8,8),dpi=100,facecolor='white')
plt.pie(x = StockCode.values,                  #数据传入
        radius=1.5,                            #半径
        autopct='%.2f%%'                       #百分比显示
        ,pctdistance=0.6,                      #百分比距离圆心比例
        labels=StockCode.index,                #标签
        labeldistance=1.1,                     #标签距离圆心比例
        wedgeprops ={'linewidth':1.5,'edgecolor':'green'}, #边框的线宽和颜色
        textprops={'fontsize':10,'color':'blue'})  #文本字体大小和颜色
plt.title('商品销量占比',pad=100)              #设置标题及距离坐标轴的位置
plt.show()

运行结果:

6、箱线图

箱图的绘制方法是:

  • :1、先找出一组数据的上限值、下限值、中位数(Q2)和下四分位数(Q1)以及上四分位数(Q3)
  • :2、然后连接两个四分位数画出箱子
  • :3、再将最大值和最小值与箱子相连接,中位数在箱子中间。

中位数:把数据按照从小到大的顺序排序,然后最中间的那个值为中位数,如果数据的个数为偶数,那么就是最中间的两个数的平均数为中位数。  
上下四分位数:同样把数据排好序后,把数据等分为4份。出现在`25%`位置的叫做下四分位数,出现在`75%`位置上的数叫做上四分位数。但是四分位数位置的确定方法不是固定的,有几种算法,每种方法得到的结果会有一定差异,但差异不会很大。

上下限的计算规则是:  

  • IQR=Q3-Q1
  • 上限=Q3+1.5IQR
  • 下限=Q1-1.5IQR

matplotlib中有plt.boxplot来绘制箱线图,这个方法的相关参数如下:

x:需要绘制的箱线图的数据。notch:是否展示置信区间,默认是False。如果设置为True,那么就会在盒子上展示一个缺口。sym:代表异常点的符号表示,默认是小圆点。vert:是否是垂直的,默认是True,如果设置为False那么将水平方向展示。whis:上下限的系数,默认是1.5,也就是上限是Q3+1.5IQR,可以改成其他的。也可以为一个序列,如果是序列,那么序列中的两个值分别代表的就是下限和上限的值,而不是再需要通过IQR来计算。positions:设置每个盒子的位置。widths:设置每个盒子的宽度。labels:每个盒子的labelmeanlineshowmeans:如果这两个都为True,那么将会绘制平均值的的线条。

范例:

#箱线图 - 主要观察数据是否有异常(离群点)
#箱须-75%和25%的分位数+/-1.5倍分位差
plt.figure(figsize=(6.4,4.8),dpi=100)

#是否填充箱体颜色,是否展示均值,是否展示异常值,箱体设置,异常值设置,均值设置,中位数设置
plt.boxplot(x=UnitPrice                               #传入数据
            ,patch_artist=True                                #是否填充箱体颜色
            ,showmeans=True                                   #是否展示均值
            ,showfliers=True                                  #是否展示异常值
            ,boxprops={'color':'black','facecolor':'white'}    #箱体设置
            ,flierprops={'marker':'o','markersize':4,'markerfacecolor':'red'} #异常值设置
            ,meanprops={'marker':'o','markersize':6,'markerfacecolor':'indianred'} #均值设置
            ,medianprops={'linestyle':'--','color':'blue'}   #中位数设置
           )
plt.show()

运行结果:

7、雷达图

雷达图:又被叫做蜘蛛网图,适用于显示三个或更多的维度的变量的强弱情况

plt.polar来绘制雷达图,x轴的坐标点应该为弧度(2*PI=360°)

范例:

import numpy as np
properties = ['输出','KDA','发育','团战','生存']
values = [40,91,44,90,95,40]
theta = np.linspace(0,np.pi*2,6)
plt.polar(theta,values)
plt.xticks(theta,properties)
plt.fill(theta,values)

运行结果:

注意事项:

  • 因为polar并不会完成线条的闭合绘制,所以我们在绘制的时候需要在theta中和values中在最后多重复添加第0个位置的值,然后在绘制的时候就可以和第1个点进行闭合了。
  • polar只是绘制线条,所以如果想要把里面进行颜色填充,那么需要调用fill函数来实现。
  • polar默认的圆圈的坐标是角度,如果我们想要改成文字显示,那么可以通过xticks来设置。

到此这篇关于Python进阶Matplotlib库图绘制的文章就介绍到这了,更多相关Python Matplotlib库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

  • 用Python的绘图库(matplotlib)绘制小波能量谱

    时间小波能量谱 反映信号的小波能量沿时间轴的分布. 由于小波变换具有等距效应,所以有: 式中 表示信号强度,对于式①在平移因子b方向上进行加权积分 式中 代表时间-小能量谱 尺度小波能量谱 反映信号的小波能量随尺度的变化情况. 同理,对式①在尺度方向上进行加权积分: 式中 连续小波变换 连续小波变换的结果是一个小波系数矩阵,随着尺度因子和位移因子变化.然后将系数平方后得到小波能量,把每个尺度因子对应的所有小波能量进行叠加,那么就可以得到随尺度因子变换的小波能量谱曲线.把尺度换算成频率后,这条曲线

  • 利用Python NumPy库及Matplotlib库绘制数学函数图像

    目录 前言 NumPy与Matplotlib 函数绘图 所需库函数语法 导入所需模块 一元一次函数 一元二次函数 指数函数 正弦函数 余弦函数 高级玩法 总结 前言 最近开始学习数学了,有一些题目的函数图像非常有特点,有一些函数图像手绘比较麻烦,那么有没有什么办法做出又标准又好看的数学函数图像呢? 答案是有很多的,有很多不错的软件都能画出函数图像,但是,我想到了Python的数据可视化.Python在近些年非常火热,在数据分析以及深度学习等方面得到广泛地运用,其丰富的库使其功能愈加强大. 这里我

  • python matplotlib库直方图绘制详解

    例题:假设你获取了250部电影的时长(列表a中),希望统计出这些电影时长的分布状态(比如时长为100分钟到120分钟电影的数量,出现的频率)等信息,你应该如何呈现这些数据? 一些概念及问题: 把数据分为多少组进行统计 组数要适当,太少会有较大的统计误差,太多规律不明显 组数:将数据分组,共分为多少组 组距:指每个小组的两个端点的距离 组数:极差 / 组距,也就是 (最大值-最小值)/ 组距 频数分布直方图与频率分布直方图,hist()方法需增加参数normed 注意:一般来说能够使用plt.hi

  • Python如何使用内置库matplotlib绘制折线图

    这篇文章主要介绍了Python如何使用内置库matplotlib绘制折线图,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 环境准备: 需要安装matplotlib,安装方式: pip install matplotlib 直接贴代码喽: #引入模块 from matplotlib import pyplot,font_manager #设置支持中文字体的显示 font=font_manager.FontProperties(fname="C:\

  • python matplotlib库绘制条形图练习题

    练习一:假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据? a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5:最后的骑士","摔跤吧!爸爸","加勒比海盗5:死无对证","金刚:骷髅岛","极限特工:终极回归","生化危机

  • 基于Python matplotlib库绘制箱线图

    目录 1. 关于箱线图 及 plt.boxplot()方法 2. 绘制一幅简单的箱线图 3. 绘制一幅更精致的图像 4. 异常值的标准 5. 异常值的输出 1. 关于箱线图 及 plt.boxplot()方法 箱线图又称箱形图,有的地方也可以叫盒须图.使用箱线图的好处是可以以一种相对稳定的方式描述数据离散分布情况,识别数据中的异常值. 在pthon的matplotlib库中绘制箱线图使用的是plt.boxplot()方法. 该方法的主要参数如下 参数 描述 x 要绘制箱线图的数据 notch 是

  • Python利用Matplotlib库实现绘制饼形图

    目录 1.plt.pie() 2. 饼图基本 3. 饼状图进阶 4. 环形图 5. 内嵌环形图 1.plt.pie() 饼图 常常用来显示 整体中各部分所占的比例,在python-matplotlib库中通过plt.pie()方法来实现. 其主要参数如下: x --------每一块饼图的比例组成的序列.可以是一个列表.如果其中元素的值加起来大于一,则会通过归一化处理后的结果. explode -------- 指每一块饼距离圆心的距离.默认为0.如果大于0,则饼即会分裂出来,即“分裂饼形图”效

  • python库matplotlib绘制坐标图

    很多时候我们数据处理的时候要画坐标图,下面我用第三方库matplotlib以及scipy绘制光滑的曲线图 需要安装的库有 matplotlib,scipy, numpy import matplotlib.pyplot as plt import numpy as np from mpl_toolkits.axisartist.axislines import Subplot from scipy import interpolate def sommth_plot(x_arr, y_arr):

  • Python进阶Matplotlib库图绘制

    目录 1.基本使用 1.1.线条样式 & 颜色 1.2.轴&标题 1.3.marker设置 1.4.注释文本 1.5.设置图形样式 2.条形图 2.1.横向条形图 范例 2.2.分组条形图 2.3.堆叠条形图 3.直方图 3.1.直方图 3.2.频率直方图 3.3.直方图 4.散点图 5.饼图 6.箱线图 7.雷达图 中文字体设置: # 字体设置 plt.rcParams['font.sans-serif'] = ["SimHei"] plt.rcParams[&quo

  • Python基于Matplotlib库简单绘制折线图的方法示例

    本文实例讲述了Python基于Matplotlib库简单绘制折线图的方法.分享给大家供大家参考,具体如下: Matplotlib画折线图,有一些离散点,想看看这些点的变动趋势: import matplotlib.pyplot as plt x1 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13] y1=[30,31,31,32,33,35,35,40,47,62,99,186,480] x2 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 1

  • Python数据分析之 Matplotlib 折线图绘制

    目录 一.Matplotlib 绘图 简单示例 二.折线图绘制 一.Matplotlib 绘图 在数据分析中,数据可视化也非常重要,通过直观的展示过程.结果数据,可以帮助我们清晰的理解数据,进而更好的进行分析.接下来就说一下Python数据分析中的数据可视化工具 Matplotlib 库. Matplotlib 是一个非常强大的Python 2D绘图库,使用它,我们可以通过图表的形式更直观的展现数据,实现数据可视化,使用起来也非常方便,而且支持绘制折线图.柱状图.饼图.直方图.散点图等. 可以使

  • 教你学会通过python的matplotlib库绘图

    一.前言 python的matplotlib库很强大可以绘制各种类型的图像. 首先要装一些基础的库,如numpy,matplotlib或是pandas. 二.基础命令 首先介绍绘图时常用的基础命令: 1.plt.plot(x,y)即为绘图命令. ①基础画图: plt.plot(x, y) ②设置颜色: color属性 如果没有特别要求的话可以不手动设置颜色,如果要在一张图上画不同的线时,会自动分配颜色.也可以使用ax.plot效果相同. plt.plot(x, y, color = 'red')

  • Python用matplotlib库画图中文和负号显示为方框的问题解决

    目录 前言 解决办法 程序测试 总结 解决Python中matplotlib 库画图中文和负号显示为方框的问题 注意: ​ 语言版本:Python 3.10.4 ​ 编译器版本:PyCharm 2021.3.2 ​ 操作系统:Win11 前言 作者最近研究Python数据可视化的时候,就遇见了一些问题,那就是我在调用matplotlib库绘制我的图表时,设置图表标签的时候中文变成了空心方框. 问题如下图: 出现这个情况的原因就是matplotlib中默认使用的字体没有中文字体,就会导致如下情况发

  • Python数据分析matplotlib折线图案例处理

    目录 前言 python之matplotlib使用系统字体 实例1:温度变化统计 实例2:交友数量折线图 前言 以下分享折线图小案例,matplotlib还可以进行多种图形的绘制,可以进入官网https://matplotlib.org/gallery/index.html,点击examples,如需学习,选择要学习的图进入,里面包含有代码 python之matplotlib使用系统字体 1.导包from matplotlib.font_manager import FontProperties

  • Python利用matplotlib做图中图及次坐标轴的实例

    图中图 准备数据 import matplotlib.pyplot as plt fig = plt.figure() x = [1, 2, 3, 4, 5, 6, 7] y = [1, 3, 4, 2, 5, 8, 6] - 大图 首先确定大图左下角的位置以及宽高: 注意,4个值都是占整个figure坐标系的百分比.在这里,假设figure的大小是10x10,那么大图就被包含在由(1, 1)开始,宽8,高8的坐标系内. # below are all percentage left, bott

  • Python使用pylab库实现绘制直方图功能示例

    本文实例讲述了Python使用pylab库实现绘制直方图功能.分享给大家供大家参考,具体如下: Python直方图 #!/usr/bin/python # -*- coding: utf-8 -*- import pylab as pl dataFile = "dataList.txt" tempList = [] with open(dataFile,"r") as data: for everLine in data: arrEverLine = [float(

  • Python散点图与折线图绘制过程解析

    这篇文章主要介绍了Python散点图与折线图绘制过程解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 在数据分析的过程中,经常需要将数据可视化,目前常使用的:散点图 折线图 需要import的外部包 一个是绘图 一个是字体导入 import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties 在数据处理前需要获取数据,从TXT XML csv

随机推荐