数据分析(一)-CSDN博客

本文链接：https://blog.csdn.net/2301_76473891/article/details/132797111

数据分析

一.Matplotlib

在这里插入图片描述

1.Matplotlib介绍

名词解释:
mat - matrix 矩阵
plot - 画图
lib - library 库

matplotlib-----------------主要用于画二维图表的python工具库

Matplotlib 是一个用于创建数据可视化和图表的 Python 库.它是一个非常强大且广泛使用的工具，用于在科学、工程、数据分析和机器学习等领域中可视化数据。Matplotlib 提供了丰富的绘图功能，允许用户创建各种类型的图表，包括线图、散点图、柱状图、饼图、热力图等等

补充:
Matplotlib 是专门用于开发 2D 图表（包括 3D 图表）的 python 库

大多数 Matplotlib 实用程序都位于pyplot子模块下，并且通常在别名下导入plt：import matplotlib.pyplot as plt

对应的 JS 库有 D3 echarts

官网：Matplotlib

2.Matplotlib的三层结构

在这里插入图片描述

容器层
1. 画板层 Canvas
  
  Canvas是位于最底层的系统层，在绘图的过程中充当画板的角色，即放置画布(Figure)的工具。
2. 画布层 Figure
  
  plt.figure,在绘图的过程中充当画布的角色
3. 绘图区/坐标系axes
  - 一个绘图区由横纵坐标构成,所以也叫坐标系.
  - 默认会创建一个绘图区.可以显示调用plt.subplots创建多个绘图区(子图),一个画布可以有多个绘图层
图像层

图像层指在Axes(绘图区)内通过plot(折线图)、scatter(散点图)、bar(柱状图)、histogram(直方图)、pie(饼图)等函数根据数据绘制出的图像
辅助显示层

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。
该层的设置可使图像显示更加直观更加容易被用户理解，但又不会对图像产生实质的影响。

总结

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
Axes（绘图区）建立在Figure之上
坐标轴(axis)、图例(legend)等辅助显示层以及图像层都是建立在Axes之上

3.Matplotlib绘图基础

3.1绘图示例

示例

import matplotlib.pyplot as plt

# 1.准备数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 2.创建一个新的图布              ----------------------------------------------------------------容器层
plt.figure()

# 绘制折线图                   ----------------------------------------------------------------图像层      
plt.plot(x, y, marker='o', linestyle='-', color='b', label='折线图')

# 3.添加标题和标签                  ----------------------------------------------------------------辅助显示层
plt.title('标准折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 添加网格线                     ----------------------------------------------------------------辅助显示层
plt.grid(True)

# 添加图例                       ----------------------------------------------------------------辅助显示层
plt.legend()

# 4.显示图表
plt.show()

效果
在这里插入图片描述

3.2绘图流程

在这里插入图片描述

第一部分：通常是用于创建画布，以及设计好是否需要创建子图;
第二部分：针对每个子图，或者当前画布图像涉及画布内容(第二部分内容决定了你图像的美观程度);
第三部分：就是关于图像的保存以及图像的显示, 一般保存在前然后才进行显示;

其核心步骤基本就三大步：

创建画布与子图
**定义坐标轴 **(杂七杂八的设置项)
保存或生成生成图片

3.3图形参数解析

在这里插入图片描述

一个标准的Matplotlib图表通常由以下几个组成元素构成:

容器层

图形(Figure)：图形(画布)是整个图表的最外层容器，可以包含一个或多个坐标图形(axes)。你可以使用plt.figure()函数创建新的图形。
坐标图形 (Axes)：坐标图形是图表中的一个小区域，用于绘制数据。通常一个图形中包含一个或多个坐标图形，你可以使用plt.subplot()或plt.subplots()来创建它们。

图像层

Axes(绘图区)内通过plot(折线图)、scatter(散点图)、bar(柱状图)、histogram(直方图)、pie(饼图)等函数根据数据绘制出的图像

**坐标轴 **：每个子图都包含坐标轴，坐标轴用于表示数据的范围和刻度。你可以在坐标轴上绘制数据点、线条、文本等。Matplotlib提供了ax.plot()、ax.scatter()等函数来在坐标轴上绘制图形。

辅助显示层

图例 (Legend)：图例用于解释图表中不同数据系列的含义。你可以使用ax.legend()来创建图例，通常在坐标图形中设置。
主要刻度 (Major Tick)：主要刻度是坐标轴上的大刻度，用于表示主要的数据点位置。你可以使用ax.set_xticks()和ax.set_yticks()来自定义主要刻度。
次要刻度 (Minor Tick)：次要刻度是坐标轴上的小刻度，通常位于主要刻度之间，用于更精细地标记坐标轴。你可以使用ax.minorticks_on()启用次要刻度。
主要刻度标签 (Major Tick Label)：主要刻度标签是与主要刻度关联的数值标签。Matplotlib通常会自动生成它们，但你可以使用ax.set_xticklabels()和ax.set_yticklabels()来自定义主要刻度标签。
次要刻度标签 (Minor Tick Label)：次要刻度标签是与次要刻度关联的数值标签。你可以使用ax.set_xticklabels()和ax.set_yticklabels()来自定义次要刻度标签。
Y轴名称 (Y Axis Label)：Y轴名称用于描述Y轴所代表的数据。你可以使用ax.set_ylabel()来设置Y轴名称。
X轴名称 (X Axis Label)：X轴名称用于描述X轴所代表的数据。你可以使用ax.set_xlabel()来设置X轴名称。
标题 (Title)：标题是图表的名称，通常位于图表的顶部。你可以使用ax.set_title()来设置子图的标题，或者使用plt.title()设置整个图表的标题。
数据标记 (Markers)：数据标记是用于标识散点图中的数据点的符号或标记。你可以在绘制散点图时使用marker参数来指定数据标记的类型。
网格线 (Grid)：网格线是绘制在坐标图形上的水平和垂直线，用于帮助读者对数据的位置有更清晰的认识。你可以使用ax.grid()来添加或删除网格线。
背景 (Background)：图表的背景可以是白色、灰色或其他颜色，也可以是带有网格线的背景。你可以使用ax.set_facecolor()来更改坐标轴的背景颜色。
注释 (Annotations)：注释是在图表上添加文本或箭头以解释数据点或图形的附加信息。你可以使用ax.annotate()来添加注释。
颜色、线型和标记 (Colors, Line Styles, and Markers)：你可以使用不同的颜色、线型和标记来自定义绘制的线条或数据点的外观。这些属性可以通过相应的参数来设置，如color、linestyle和marker。

这些是Matplotlib图表的主要组成元素，你可以根据需要定制和控制每个元素的外观和行为，以创建符合你需求的数据可视化图表。

3.4绘图线

在Matplotlib中，你可以通过不同的参数来自定义绘图线的类型（线型）、颜色和大小。这些参数通常是在绘制图形时的函数中指定的

a.线的类型

线的类型可以使用 linestyle 参数来定义，简写为 ls。

类型	简写	说明
‘solid’ (默认)	‘-’	实线
‘dotted’	‘:’	点虚线
‘dashed’	‘–’	破折线
‘dashdot’	‘-.’	点划线
‘None’	‘’ 或 ’ ’	不画线

b.颜色（Color）

线的颜色可以使用 color 参数来定义,在Matplotlib中使用颜色字符串,颜色名称,RGB元组来指定线的颜色

颜色字符串	颜色描述
`'b'`	蓝色
`'g'`	绿色
`'r'`	红色
`'c'`	青色
`'m'`	品红
`'y'`	黄色
`'k'`	黑色

颜色名称	颜色描述
`'blue'`	蓝色
`'green'`	绿色
`'red'`	红色
`'cyan'`	青色
`'magenta'`	品红
`'yellow'`	黄色
`'black'`	黑色

RGB元组	颜色描述
`(0.2, 0.4, 0.6)`	自定义颜色
`(1, 0.5, 0.2)`	自定义颜色
`(0.8, 0.2, 0.3)`	自定义颜色

c.线的大小

线的宽度可以使用 linewidth 参数来定义，简写为 lw，值可以是浮点数，如：1、2.0、5.67 等。

示例

import matplotlib.pyplot as plt

# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制不同线型、颜色和大小的线
plt.plot(x, y, linestyle='--', color='red', linewidth=2, label='Line 1')
plt.plot(x, [i**2 for i in y], linestyle=':', color='blue', lw=1.5, label='Line 2')
plt.plot(x, [i**1.5 for i in y], linestyle='-.', color='green', lw=3, label='Line 3')

# 添加图例
plt.legend()

# 显示图形
plt.show()

效果图

在这里插入图片描述

3.5绘图标记

图过程如果我们想要给坐标自定义一些不一样的标记，就可以使用 plot() 方法(or其他方法)的 marker 参数来定义

marker 可以定义的符号如下：

标记	符号	描述
“.”		点
“,”		像素点
“o”		实心圆
“v”		下三角
“^”		上三角
“<”		左三角
“>”		右三角
“1”		下三叉
“2”		上三叉
“3”		左三叉
“4”		右三叉
“8”		八角形
“s”		正方形
“p”		五边形
“P”		加号（填充）
“*”		星号
“h”		六边形 1
“H”		六边形 2
“+”		加号
“x”		乘号 x
“X”		乘号 x (填充)
“D”		菱形
“d”		瘦菱形
“\|”		竖线
“_”		横线
0 (TICKLEFT)		左横线
1 (TICKRIGHT)		右横线
2 (TICKUP)		上竖线
3 (TICKDOWN)		下竖线
4 (CARETLEFT)		左箭头
5 (CARETRIGHT)		右箭头
6 (CARETUP)		上箭头
7 (CARETDOWN)		下箭头
8 (CARETLEFTBASE)		左箭头 (中间点为基准)
9 (CARETRIGHTBASE)		右箭头 (中间点为基准)
10 (CARETUPBASE)		上箭头 (中间点为基准)
11 (CARETDOWNBASE)		下箭头 (中间点为基准)
“None”, " " or “”		没有任何标记
‘ $f$ ’		渲染指定的字符。例如 “ $f$ ” 以字母 f 为标记。

示例

import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [10, 5, 7, 2, 8]

# 绘制散点图，使用不同的标记
plt.scatter(x, y, marker='o', label='Circle')
plt.scatter(x, [i+1 for i in y], marker='s', label='Square')
plt.scatter(x, [i-1 for i in y], marker='^', label='Triangle')
plt.scatter(x, [i+2 for i in y], marker='*', label='Star')

# 添加图例
plt.legend()

# 显示图形
plt.show()

效果图

在这里插入图片描述

4.函数解析

常用函数(简化版)

函数	核心参数	说明功能
`figure(figsize, dpi)`	`figsize`（图表尺寸）, `dpi`（分辨率）	设置图表的大小与分辨率。
`title(v, fontdict)`	`v`（图名）, `fontdict`（文本格式，包括字体大小、类型）	设置图表标题。
`xlabel(xlabel)`	`xlabel`（X轴名）	设置X轴的标题。
`ylabel(ylabel)`	`ylabel`（Y轴名）	设置Y轴的标题。
`axis(xmin, xmax, ymin, ymax)`	`xmin`, `xmax`, `ymin`, `ymax`（设置X轴和Y轴的范围）	设置X轴和Y轴的范围。
`xticks(ticks, labels, fontdict)`	`ticks`（刻度数值）, `labels`（刻度名称）, `fontdict`（字体格式）	设置X轴刻度位置、标签和字体格式。
`yticks(ticks, labels, fontdict)`	`ticks`（刻度数值）, `labels`（刻度名称）, `fontdict`（字体格式）	设置Y轴刻度位置、标签和字体格式。
`grid(b, which, axis, color, linestyle, linewidth, alpha)`	`b`（有无网格线）, `which`（主/次网格线）, `axis`（X轴和Y轴网格线）, `color`（颜色）, `linestyle`（线型）, `linewidth`（线宽）, `alpha`（透明度）	设置网格线的属性，包括显示与否、类型、颜色、线型等。

4.1容器层

4.1.1画布层

**plt.figure() **

figure()函数用于创建一个新的图形，您可以通过参数调整图形的尺寸、分辨率、背景颜色等属性。可以使用它来创建单独的图形，或者在多个图形之间切换。如果不指定参数，将使用默认值。

1.函数签名
matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, clear=False, **kwargs)
2.常用参数解析

num (int or str, 可选): 图形的标识号，可以是整数或字符串。如果未指定，将自动生成一个唯一的标识号。
figsize (tuple, 可选): 图形的尺寸，以英寸为单位，通常以一个包含两个浮点数的元组表示 (width, height)。默认为 None，表示使用默认尺寸。
dpi (int, 可选): 图形的分辨率（每英寸像素数）。默认为 None，表示使用默认分辨率。
facecolor (color, 可选): 图形的背景颜色。可以是颜色名称字符串或RGBA元组。默认为白色。
edgecolor (color, 可选): 图形的边框颜色。可以是颜色名称字符串或RGBA元组。默认为白色。
frameon (bool, 可选): 控制图形是否有边框。如果设置为 False，图形将没有边框。默认为 True。
clear (bool, 可选): 如果为 True，则在创建新图形之前清除当前图形。默认为 False。
**kwargs: 其他关键字参数，通常用于传递给具体图形的构造函数。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个新的图形，默认尺寸和分辨率
plt.figure()

# 创建一个新的图形，指定尺寸和分辨率
plt.figure(figsize=(6, 4), dpi=100)

# 创建一个带有背景颜色的图形
plt.figure(facecolor='lightgray')

# 创建一个没有边框的图形
plt.figure(frameon=False)

# 清除当前图形并创建一个新的图形
plt.figure(clear=True)

# 使用标识号创建一个特定的图形
plt.figure(num=1)

# 使用kwargs传递额外参数
plt.figure(figsize=(8, 6), dpi=150, facecolor='lightblue')

4.2绘图区

1. plt.subplot()

subplot()函数用于创建一个多子图布局，并选择当前子图以进行绘图。通过指定行数（nrows）、列数（ncols）和子图索引（index），可以将图形分割为不同的子图。在每个子图中，您可以绘制不同的图形或数据，并对每个子图进行单独的操作。最后，使用plt.show()显示整个图形。

1.函数签名
matplotlib.pyplot.subplot(nrows, ncols, index, **kwargs)
2.常用参数解析

nrows (int): 子图的行数。
ncols (int): 子图的列数。
index (int): 当前子图的索引，从左上角开始，从左到右、从上到下递增，从1开始计数。
**kwargs: 其他关键字参数，通常用于传递给子图的构造函数。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个2x2的子图布局，选择第一个子图
plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4], [1, 2, 1, 3])
plt.title('Subplot 1')

# 选择第二个子图
plt.subplot(2, 2, 2)
plt.plot([1, 2, 3, 4], [4, 3, 2, 1])
plt.title('Subplot 2')

# 选择第三个子图
plt.subplot(2, 2, 3)
plt.plot([1, 2, 3, 4], [2, 3, 2, 4])
plt.title('Subplot 3')

# 选择第四个子图
plt.subplot(2, 2, 4)
plt.plot([1, 2, 3, 4], [3, 1, 3, 2])
plt.title('Subplot 4')

# 调整子图布局之间的间距
plt.tight_layout()

# 显示整个图形
plt.show()

效果图

2. plt.subplots()

subplots()函数用于创建一个多子图布局，并返回包含子图对象的数组。通过指定行数（nrows）和列数（ncols），您可以创建多个子图，并通过sharex和sharey参数来控制是否共享X轴和Y轴刻度。您可以在每个子图中绘制不同的图形或数据，并对每个子图进行单独的操作。最后，使用plt.show()显示整个图形。

1.函数签名
matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)
2.常用参数解析

nrows (int, 可选): 子图的行数，默认为1。
ncols (int, 可选): 子图的列数，默认为1。
sharex (bool or {‘none’, ‘all’, ‘row’, ‘col’}, 可选): 控制是否共享X轴刻度。
sharey (bool or {‘none’, ‘all’, ‘row’, ‘col’}, 可选): 控制是否共享Y轴刻度。
squeeze (bool, 可选): 控制是否对子图数组进行挤压以删除空维度。
subplot_kw (dict, 可选): 传递给add_subplot()方法的关键字参数。
gridspec_kw (dict, 可选): 传递给GridSpec构造函数的关键字参数。
**fig_kw: 传递给figure()函数的关键字参数。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个2x2的子图布局，共享X轴和Y轴
fig, axs = plt.subplots(2, 2, sharex=True, sharey=True)

# 在每个子图中绘制数据
axs[0, 0].plot([1, 2, 3, 4], [1, 2, 1, 3])
axs[0, 0].set_title('Subplot 1')

axs[0, 1].plot([1, 2, 3, 4], [4, 3, 2, 1])
axs[0, 1].set_title('Subplot 2')

axs[1, 0].plot([1, 2, 3, 4], [2, 3, 2, 4])
axs[1, 0].set_title('Subplot 3')

axs[1, 1].plot([1, 2, 3, 4], [3, 1, 3, 2])
axs[1, 1].set_title('Subplot 4')

# 设置整个图形的标题
fig.suptitle('Four Subplots Sharing Axes')

# 调整子图布局之间的间距
plt.tight_layout()

# 显示整个图形
plt.show()

效果图

注意

在matplotlib 中，有两种画图方式

plt.xxx 系列：
这是Matplotlib中的快速绘图方式，适合初学者或需要快速创建简单图形的场景。它提供了许多方便的函数，如plt.plot()、plt.scatter()等，使得绘图变得容易上手。
对于简单的图形，这种方式足够了，但当需要更高级的图形自定义和精细调整时，可能就显得不够灵活。

fig, ax = plt.subplots() 方式：
这是更加灵活和控制细节的方式。你可以明确地创建画布（figure）和子图（axes），然后对每个子图进行单独操作。
这种方式让你更容易理解Matplotlib的底层结构，允许你对图形的各个部分进行更细致的控制，包括坐标轴、图例、标题等。

figure 指的是画布 v
axes 这个画布中的一个对象，可以是一个子图
**axis **axes 这个对象中的坐标轴

4.2图像层

1. plot()

plot()方法用于绘制曲线图，可以用不同的参数和关键字参数来控制曲线的样式、颜色、标记、线型等。您可以绘制单条曲线或多条曲线，也可以使用DataFrame作为数据源。此外，可以通过设置scalex和scaley来控制X轴和Y轴的缩放。通常，还可以使用legend()来添加图例，以便标识不同曲线的含义。这个方法是Matplotlib中用于绘制曲线图的核心函数之一。

1.函数签名
matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None, **kwargs)
2.常用参数解析

*args: 用于传递数据的位置参数。可以是以下几种形式之一：
单个数组或序列，表示Y轴数据，X轴数据默认为该序列的索引。
两个数组或序列，分别表示X轴和Y轴的数据。
多组X轴和Y轴数据，用于绘制多条曲线。

scalex (bool, 可选): 控制X轴数据是否进行缩放，默认为 True，表示进行缩放。
scaley (bool, 可选): 控制Y轴数据是否进行缩放，默认为 True，表示进行缩放。
data (DataFrame, 可选): 用于传递数据的DataFrame，如果指定了DataFrame，则可以使用DataFrame中的列名作为数据源。
**kwargs: 其他关键字参数，用于控制曲线的样式、颜色、标记、线型、线宽等，以及图例、标签等属性。

3.用法示例
import matplotlib.pyplot as plt

# 示例1: 绘制单条曲线
x = [1, 2, 3, 4]
y = [1, 2, 1, 3]
plt.plot(x, y, label='Line 1', color='blue', linestyle='-', marker='o', markersize=8)

# 示例2: 绘制多条曲线
x = [1, 2, 3, 4]
y1 = [1, 2, 1, 3]
y2 = [3, 2, 4, 1]
plt.plot(x, y1, label='Line 1', color='blue', linestyle='-', marker='o', markersize=8)
plt.plot(x, y2, label='Line 2', color='green', linestyle='--', marker='s', markersize=8)

# 示例3: 使用DataFrame作为数据源
import pandas as pd
data = pd.DataFrame({'X': x, 'Y': y})
plt.plot('X', 'Y', data=data, label='Line 1', color='blue', linestyle='-', marker='o', markersize=8)

# 示例4: 隐藏X轴和Y轴的缩放
plt.plot(x, y, label='Line 1', color='blue', linestyle='-', marker='o', markersize=8, scalex=False, scaley=False)

# 示例5: 添加图例
plt.plot(x, y1, label='Line 1', color='blue', linestyle='-', marker='o', markersize=8)
plt.plot(x, y2, label='Line 2', color='green', linestyle='--', marker='s', markersize=8)
plt.legend(loc='upper right')

# 显示图表
plt.show()

效果图

2. scateer()

scatter()方法用于绘制散点图，它可以根据数据点的位置、大小、颜色、标记样式等属性来表示数据分布。您可以通过传递不同的参数来自定义数据点的外观，例如大小、颜色、透明度等。通常，散点图用于显示两个数值变量之间的关系，或者用于显示多维数据的分布情况。这个方法是Matplotlib中用于绘制散点图的重要函数。

1.函数签名
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)
2.常用参数解析

x (array-like): X轴的数据点的位置。
y (array-like): Y轴的数据点的位置。
s (float or array-like, 可选): 数据点的大小。可以是一个标量，表示所有点的相同大小，或者是一个与x和y具有相同长度的数组，用于指定每个点的大小。
c (color, sequence, or sequence of color, 可选): 数据点的颜色。可以是一个颜色名称、一个颜色序列，或一个与x和y具有相同长度的数组，用于指定每个点的颜色。
marker (str, 可选): 数据点的标记样式，例如圆圈、正方形、星号等。
cmap (Colormap, 可选): 用于映射颜色的颜色映射对象。通常与c参数一起使用，用于根据数值数据生成颜色。
norm (Normalize, 可选): 用于归一化颜色映射的归一化对象。
vmin, vmax (float, 可选): 用于设置颜色映射的数据值范围，用于归一化颜色映射。
alpha (float, 可选): 数据点的透明度，取值范围为0（完全透明）到1（不透明）。
linewidths (float, 可选): 数据点的边框线宽度。
edgecolors (color or sequence of color, 可选): 数据点的边框颜色。
**kwargs: 其他关键字参数，用于控制数据点的属性，例如标签、颜色映射、图例等。

3.用法示例
import matplotlib.pyplot as plt

# 示例1: 绘制散点图，指定数据点大小和颜色
x = [1, 2, 3, 4, 5]
y = [2, 3, 1, 4, 2]
plt.scatter(x, y, s=100, c='red', marker='o', label='Data Points')

# 示例2: 使用数组指定数据点的大小和颜色
sizes = [20, 40, 60, 80, 100]
colors = ['red', 'green', 'blue', 'orange', 'purple']
plt.scatter(x, y, s=sizes, c=colors, marker='s', label='Data Points')

# 示例3: 使用颜色映射绘制数据点
import numpy as np
size = np.random.randint(10, 100, size=50)
temperature = np.random.rand(50)
plt.scatter(x, y, s=size, c=temperature, cmap='coolwarm', edgecolors='black')
plt.colorbar(label='Temperature')

# 示例4: 自定义其他属性
plt.scatter(x, y, s=80, c='blue', marker='^', alpha=0.7, linewidths=2, edgecolors='black', label='Data Points')

# 添加图例
plt.legend()

# 显示图表
plt.show()

效果图

3. bar()

bar()方法用于绘制条形图，通常用于显示不同类别或数据点的数值大小。您可以通过传递不同的参数来自定义条形图的外观，包括颜色、宽度、对齐方式等。条形图常用于比较不同类别的数据，并可以堆叠多个数据系列以显示总和。这个方法是Matplotlib中用于绘制条形图的核心函数之一。

1.函数签名
matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, align='center', data=None, **kwargs)
2.常用参数解析

x (array-like): 条形图的X轴位置，通常是一个包含类别或数据标签的数组或序列。
height (array-like): 条形图的高度，表示每个条形的数值。
width (float, 可选): 条形的宽度，默认为0.8，可以根据需要进行调整。
bottom (array-like, 可选): 条形的底部位置，用于绘制堆叠条形图。
align (str, 可选): 条形的对齐方式，可以选择以下值之一：
'center' (默认值): 条形在X轴位置上居中对齐。
'edge': 条形在X轴位置上左对齐。

data (DataFrame, 可选): 用于传递数据的DataFrame，可以使用DataFrame的列名作为参数。
**kwargs: 其他关键字参数，用于控制条形图的样式、颜色、标签等属性。常见的关键字参数包括：
color (color, 可选): 条形的颜色。
edgecolor (color, 可选): 条形的边框颜色。
label (str, 可选): 条形的标签，用于添加图例。
alpha (float, 可选): 条形的透明度。
yerr (float or array-like, 可选): 条形的误差线。
capsize (float, 可选): 误差线顶部和底部的帽子大小。

3.用法示例
import matplotlib.pyplot as plt

# 示例1: 绘制简单的条形图
categories = ['A', 'B', 'C', 'D']
values = [3, 7, 2, 5]
plt.bar(categories, values, color='blue', label='Data')

# 示例2: 绘制堆叠条形图
categories = ['A', 'B', 'C', 'D']
values1 = [3, 7, 2, 5]
values2 = [2, 5, 3, 8]
plt.bar(categories, values1, color='blue', label='Data 1')
plt.bar(categories, values2, color='red', label='Data 2', bottom=values1)

# 示例3: 自定义其他属性
categories = ['A', 'B', 'C', 'D']
values = [3, 7, 2, 5]
plt.bar(categories, values, width=0.6, color='green', edgecolor='black', alpha=0.7, label='Data')

# 示例4: 使用DataFrame作为数据源
import pandas as pd
data = pd.DataFrame({'Category': categories, 'Value': values})
plt.bar('Category', 'Value', data=data, color='purple', label='Data')

# 添加图例
plt.legend()

# 显示图表
plt.show()

效果图

4. hist()

hist()方法用于绘制直方图，通常用于可视化数据的分布情况。您可以通过传递不同的参数来自定义直方图的外观，包括箱子数量、颜色、累积直方图、堆叠直方图、对数刻度等。直方图常用于观察数据的分布特征，例如数据的中心趋势、离散程度等。这个方法是Matplotlib中用于绘制直方图的核心函数之一。

1.函数签名
matplotlib.pyplot.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, *, data=None, **kwargs)
2.常用参数解析

x (array-like): 数据集，即要绘制直方图的数据。
bins (int, sequence, or str, 可选): 控制直方图的箱子（柱子）数量或边界。可以是一个整数，表示箱子的数量；一个序列，表示箱子的边界；或一个字符串，用于指定自动选择箱子数量的算法。
range (tuple, 可选): 指定直方图的值范围，以元组 (min, max) 的形式指定。只绘制在该范围内的数据点。
density (bool, 可选): 如果为 True，则返回归一化的频数（概率密度），而不是计数。默认为 False。
weights (array-like, 可选): 指定每个数据点的权重，用于计算直方图。
cumulative (bool, 可选): 如果为 True，则绘制累积直方图。默认为 False。
bottom (scalar, 可选): 用于绘制堆叠直方图时的底部位置。
histtype (str, 可选): 指定直方图的类型，可以选择以下值之一：
'bar' (默认值): 绘制常规直方图。
'barstacked': 绘制堆叠直方图。
'step': 绘制阶梯直方图。
'stepfilled': 绘制填充的阶梯直方图。

align (str, 可选): 控制箱子的对齐方式，可以选择以下值之一：
'left': 左对齐箱子。
'mid' (默认值): 箱子在中间对齐。
'right': 右对齐箱子。

orientation (str, 可选): 控制直方图的方向，可以选择以下值之一：
'vertical' (默认值): 绘制垂直直方图。
'horizontal': 绘制水平直方图。

rwidth (float or None, 可选): 控制箱子的宽度，通常在绘制阶梯直方图时使用。
log (bool, 可选): 如果为 True，则使用对数刻度绘制直方图。默认为 False。
color (color or array-like, 可选): 指定直方图的颜色。
label (str, 可选): 指定直方图的标签，用于添加图例。
stacked (bool, 可选): 如果为 True，则绘制堆叠直方图。默认为 False。
data (DataFrame, 可选): 用于传递数据的DataFrame，可以使用DataFrame的列名作为参数。
**kwargs: 其他关键字参数，用于控制直方图的样式、颜色、标签等属性。

3.用法示例
import matplotlib.pyplot as plt
import numpy as np

# 示例1: 绘制简单的直方图
data = np.random.randn(1000)  # 生成随机数据
plt.hist(data, bins=20, color='blue', edgecolor='black', alpha=0.7, label='Data')

# 示例2: 绘制累积直方图
data = np.random.randn(1000)  # 生成随机数据
plt.hist(data, bins=20, color='green', edgecolor='black', alpha=0.7, label='Data', cumulative=True)

# 示例3: 绘制堆叠直方图
data1 = np.random.randn(1000)  # 第一组随机数据
data2 = np.random.randn(1000)  # 第二组随机数据
plt.hist([data1, data2], bins=20, color=['red', 'blue'], edgecolor='black', alpha=0.7, label=['Data 1', 'Data 2'], stacked=True)

# 示例4: 自定义其他属性
data = np.random.randn(1000)  # 生成随机数据
plt.hist(data, bins=20, color='purple', edgecolor='black', alpha=0.7, label='Data', density=True)

# 添加图例
plt.legend()

# 显示图表
plt.show()

效果图

5. pie()

pie()方法用于绘制饼图，它通常用于可视化数据的组成部分占比。您可以通过传递不同的参数来自定义饼图的外观，包括扇形区域的大小、颜色、标

1.函数签名
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=False, data=None)
2.常用参数解析

x (array-like): 表示扇形区域的大小，通常为一组非负数。
explode (array-like, 可选): 控制饼图的扇形区域是否偏移，用于强调某些部分。默认为 None，表示不偏移。
labels (list-like, 可选): 指定每个扇形区域的标签文本。如果不指定，将不显示标签。
colors (list-like, 可选): 指定每个扇形区域的颜色。如果不指定，将使用默认颜色。
autopct (str or callable, 可选): 控制扇形区域上显示的百分比值。可以是字符串格式，也可以是一个可调用函数，用于自定义百分比值的显示。
pctdistance (float, 可选): 百分比值标签距离扇形区域中心的距离，以分数半径为单位，默认为0.6。
shadow (bool, 可选): 控制是否添加阴影效果，默认为 False。
labeldistance (float, 可选): 扇形区域标签文本距离扇形区域中心的距离，以分数半径为单位，默认为1.1。
startangle (float, 可选): 饼图的起始角度，以度为单位，默认为0度（从正X轴开始）。
radius (float, 可选): 饼图的半径，默认为1。
counterclock (bool, 可选): 控制饼图的绘制方向，如果为 True，则逆时针绘制；如果为 False，则顺时针绘制。默认为 True。
wedgeprops (dict, 可选): 扇形区域的属性，例如边框线样式、边框线宽度等。
textprops (dict, 可选): 标签文本的属性，例如字体大小、颜色等。
center (tuple, 可选): 饼图的中心位置，以坐标 (x, y) 表示，默认为 (0, 0)。
frame (bool, 可选): 控制是否绘制饼图的圆形边框。默认为 False。
rotatelabels (bool, 可选): 控制是否旋转标签文本，以避免重叠。默认为 False。
normalize (bool, 可选): 如果为 True，则将输入的数据 x 规范化为百分比。默认为 False，表示直接使用输入数据。
data (DataFrame, 可选): 用于传递数据的DataFrame，可以使用DataFrame的列名作为参数。

用法示例
import matplotlib.pyplot as plt

# 示例1: 绘制简单的饼图
sizes = [30, 20, 15, 35]  # 扇形区域的大小
labels = ['A', 'B', 'C', 'D']  # 扇形区域的标签
colors = ['red', 'green', 'blue', 'orange']  # 扇形区域的颜色
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=90)

# 示例2: 自定义其他属性
sizes = [30, 20, 15, 35]
labels = ['A', 'B', 'C', 'D']
colors = ['red', 'green', 'blue', 'orange']
explode = (0.1, 0, 0, 0)  # 偏移第一个扇形区域
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=90, explode=explode)

# 示例3: 使用DataFrame作为数据源
import pandas as pd
data = pd.DataFrame({'Sizes': sizes, 'Labels': labels})
plt.pie('Sizes', labels='Labels', data=data, autopct='%1.1f%%', startangle=90)

# 示例4: 饼图内外部的控制
sizes = [30, 20, 15, 35]
labels = ['A', 'B', 'C', 'D']
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90, radius=0.8, pctdistance=0.85, labeldistance=1.2)

# 示例5: 绘制堆叠饼图
sizes1 = [15, 20, 25]
sizes2 = [10, 15, 20]
plt.pie(sizes1, labels=labels[:3], autopct='%1.1f%%', startangle=90, radius=0.6)
plt.pie(sizes2, labels=labels[3:], autopct='%1.1f%%', startangle=90, radius=0.4)

# 显示图表
plt.show()

效果图

4.3辅助显示层

1. title() (标题)

title()方法用于设置图表的标题文本。您可以指定标题文本、自定义标题文本的样式、位置和与图表的距离。通常，您可以通过label参数来设置标题文本，通过fontdict参数来自定义标题文本的格式，通过loc参数来指定标题位置，通过pad参数来调整标题与图表的距离，还可以使用额外的关键字参数来进一步自定义标题样式。最后，使用plt.show()来显示图表。

1.函数签名
pythonCopy code
matplotlib.pyplot.title(label, fontdict=None, loc=None, pad=None, **kwargs)
2.常用参数解析

label (str): 指定图表的标题文本。
fontdict (dict, 可选): 用于指定标题文本的格式，包括字体大小、颜色、类型等。它是一个包含文本属性的字典。
loc (str, 可选): 指定标题的位置，常用的位置包括 'center'、'left'、'right' 等，默认是 'center'。
pad (float, 可选): 指定标题与图表的距离，以点为单位。正值将标题向上移动，负值将其向下移动。
**kwargs: 其他关键字参数，通常用于传递给标题文本的额外参数。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个简单的图表
plt.plot([1, 2, 3, 4], [1, 2, 1, 3])

# 设置图表的标题
plt.title('Simple Plot')

# 使用fontdict自定义标题文本的样式
title_style = {'fontsize': 16, 'color': 'blue', 'fontweight': 'bold'}
plt.title('Customized Title', fontdict=title_style)

# 移动标题位置并设置距离
plt.title('Title with Custom Position', loc='left', pad=20)

# 使用额外的关键字参数设置标题样式
plt.title('Title with Extra Parameters', fontsize=14, color='green')

# 显示图表
plt.show()

效果图

2. xlabel()和ylabel()方法 (轴标签)

在pyplot 模块中可以使用xlabel() 和ylabel() 函数设置x 轴y 轴的标签。这两个函数的使用方法非常相似,以xlabel()方法为例

xlabel() 和 ylabel() 方法用于设置X轴和Y轴的标题文本。您可以指定标题文本、自定义标题文本的样式、位置和与刻度标签的距离。通常，您可以通过参数来设置标题文本，通过fontdict参数来自定义标题文本的格式，通过labelpad参数来调整标题与刻度标签的距离，还可以使用额外的关键字参数来进一步自定义标题样式。最后，使用plt.show()来显示图表。

1.函数签名
matplotlib.pyplot.xlabel(xlabel, fontdict=None, labelpad=None, **kwargs)
2.常用参数解析

xlabel (str): 指定X轴的标题文本。
fontdict (dict, 可选): 用于指定标题文本的格式，包括字体大小、颜色、类型等。它是一个包含文本属性的字典。
labelpad (float, 可选): 指定X轴标题与X轴刻度标签之间的距离，以点为单位。
**kwargs: 其他关键字参数，通常用于传递给X轴标题文本的额外参数。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个简单的图表
plt.plot([1, 2, 3, 4], [1, 2, 1, 3])

# 设置X轴的标题
plt.xlabel('X Axis')

# 使用fontdict自定义X轴标题的样式
xlabel_style = {'fontsize': 14, 'color': 'blue', 'fontweight': 'bold'}
plt.xlabel('Customized X Label', fontdict=xlabel_style)

# 调整X轴标题与X轴刻度的距离
plt.xlabel('X Label with Custom Labelpad', labelpad=10)

# 使用额外的关键字参数设置X轴标题样式
plt.xlabel('X Label with Extra Parameters', fontsize=12, color='green')

# 显示图表
plt.show()

效果图

3. xlim()和ylim()方法 (限制范围)

xlim 和ylim 很类似,以xlim()为例

xlim() 和 ylim() 函数是Matplotlib库中用于设置X轴和Y轴的限制范围的函数。它们分别用于控制X轴和Y轴的可视范围，从而允许您放大或缩小数据的显示区域。

1.函数签名
matplotlib.pyplot.xlim(left=None, right=None, emit=True, auto=False, xmin=None, xmax=None)
2.常用参数解析

left (float, 可选): 指定X轴的左边界，即可视范围的最小X值。
right (float, 可选): 指定X轴的右边界，即可视范围的最大X值。
emit (bool, 可选): 控制是否触发'xlim_changed'事件，默认为 True，表示触发事件。
auto (bool, 可选): 控制是否自动计算限制范围，默认为 False，表示手动指定范围。
xmin (float, 可选): left 参数的别名，用于指定X轴的左边界。
xmax (float, 可选): right 参数的别名，用于指定X轴的右边界。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个简单的图表
x = [1, 2, 3, 4]
y = [1, 2, 1, 3]
plt.plot(x, y)

# 设置X轴范围
plt.xlim(0, 5)

# 设置X轴范围并禁用事件触发
plt.xlim(1, 3, emit=False)

# 自动计算X轴范围
plt.xlim(auto=True)

# 使用xmin和xmax指定X轴范围的别名
plt.xlim(xmin=1, xmax=3)

# 显示图表
plt.show()
效果图

**补充: **

autoscale()函数用于自动调整图表的坐标轴范围，以便所有数据都能够完全可视化。您可以选择性地指定要自动缩放的坐标轴，也可以启用或禁用自动缩放。如果需要，还可以使用tight参数将坐标轴范围限制在数据的最小和最大值附近。这个函数在处理不同数据范围的情况下非常有用，可以确保数据始终以最佳方式显示在图表中。

1.函数签名
matplotlib.pyplot.autoscale(enable=True, axis='both', tight=None)
2.常用参数解析

enable (bool, 可选): 控制是否启用自动缩放。如果设置为 True（默认值），则启用自动缩放；如果设置为 False，则禁用自动缩放。
axis (str, 可选): 指定要自动缩放的坐标轴。可以选择以下值之一：
'both'（默认值）: 自动缩放X轴和Y轴。
'x': 仅自动缩放X轴。
'y': 仅自动缩放Y轴。

tight (bool, 可选): 如果设置为 True，则会将坐标轴范围设置为“紧凑”，即限制在数据的最小和最大值附近。默认值为 None，表示不应用“紧凑”设置。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个简单的图表
x = [1, 2, 3, 4]
y = [1, 2, 1, 3]
plt.plot(x, y)

# 自动缩放X轴和Y轴
plt.autoscale()

# 仅自动缩放X轴
plt.autoscale(axis='x')

# 仅自动缩放Y轴
plt.autoscale(axis='y')

# 自动缩放并应用"紧凑"设置
plt.autoscale(tight=True)

# 禁用自动缩放
plt.autoscale(enable=False)

# 显示图表
plt.show()

4. xticks()和yticks()方法 (自定义轴要显示的刻度位置和刻度标签)

xticks()和yticks()相似,以xticks为例

xticks()函数用于自定义X轴的刻度位置和标签。您可以指定要显示的刻度位置和标签，也可以使用额外的关键字参数来设置刻度文本的样式。如果需要，您还可以隐藏X轴刻度，或者自定义刻度标签的显示方式，例如使用自定义的格式函数来生成标签。这个函数允许您更灵活地控制X轴刻度的外观和位置。

1.函数签名
matplotlib.pyplot.xticks(ticks=None, labels=None, **kwargs)
2.常用参数解析

ticks (array-like, 可选): 指定X轴刻度位置的序列。它可以是一个数组、列表或其他可迭代对象，用于定义X轴的刻度位置。
labels (array-like, 可选): 指定X轴刻度标签的序列。它可以是一个数组、列表或其他可迭代对象，用于定义X轴的刻度标签。
**kwargs: 其他关键字参数，通常用于传递给刻度文本的额外参数，例如字体样式、颜色等。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个简单的图表
x = [1, 2, 3, 4]
y = [1, 2, 1, 3]
plt.plot(x, y)

# 自定义X轴刻度位置和标签
custom_ticks = [1, 2, 3, 4]
custom_labels = ['One', 'Two', 'Three', 'Four']
plt.xticks(ticks=custom_ticks, labels=custom_labels)

# 使用额外的关键字参数设置刻度文本的样式
plt.xticks(ticks=custom_ticks, labels=custom_labels, fontsize=12, color='blue')

# 通过传递一个空列表来隐藏X轴刻度
plt.xticks([])

# 通过传递一个函数来自定义刻度标签
def custom_label(x, pos):
    return f'Value: {x:.2f}'
plt.xticks(ticks=custom_ticks, labels=custom_labels, formatter=custom_label)

# 显示图表
plt.show()
效果图

补充

tick_params() 方法允许您以精确的方式自定义坐标轴刻度和标签的样式和属性，包括刻度方向、长度、宽度、颜色、标签大小、标签颜色等。通过调整这些参数，您可以创建符合特定需求的定制化图表。

1.方法签名
matplotlib.axes.Axes.tick_params(axis='both', **kwargs)
2.常用参数解析

axis (str, 可选): 指定要自定义刻度参数的坐标轴，可以选择以下值之一：
'both' (默认值): 自定义X轴和Y轴的刻度参数。
'x': 仅自定义X轴的刻度参数。
'y': 仅自定义Y轴的刻度参数。

**kwargs: 其他关键字参数，用于设置刻度和标签的样式和属性。常见的关键字参数包括：
which (str, 可选): 指定要自定义的刻度类型，可以选择 'major'（主刻度）或 'minor'（次刻度）。
direction (str, 可选): 指定刻度线的方向，可以选择 'in'（朝内）、'out'（朝外）或 'inout'（内外都有）。
length (float, 可选): 指定刻度线的长度。
width (float, 可选): 指定刻度线的宽度。
color (str, 可选): 指定刻度线的颜色。
pad (float, 可选): 指定刻度标签与刻度线的距离。
labelsize (float or str, 可选): 指定刻度标签的大小。
labelcolor (str, 可选): 指定刻度标签的颜色。
其他关键字参数用于控制刻度标签的显示格式等。

3.用法示例

下面是一些使用 tick_params() 方法的示例：
import matplotlib.pyplot as plt

# 创建一个简单的图表
x = [1, 2, 3, 4]
y = [1, 2, 1, 3]
plt.plot(x, y)

# 自定义X轴和Y轴的刻度参数
plt.tick_params(axis='both', which='both', direction='in', length=5, width=2, color='blue')

# 自定义X轴的刻度标签
plt.tick_params(axis='x', which='major', labelsize=12, labelcolor='green')

# 自定义Y轴的刻度标签
plt.tick_params(axis='y', which='minor', labelsize=10, labelcolor='red')

# 隐藏X轴刻度标签
plt.tick_params(axis='x', which='both', bottom=False, top=False)

# 隐藏Y轴刻度线
plt.tick_params(axis='y', which='both', left=False, right=False)

# 显示图表
plt.show()

5.grid() (网格)

grid()函数用于控制图表中的网格线的显示与样式。您可以通过设置参数来决定是否显示网格线、显示主要刻度或次要刻度的网格线、设置网格线的样式（如颜色、线型、线宽等），以及指定要绘制网格线的坐标轴。这个函数在帮助将数据点与刻度对齐、提高图表可读性时非常有用。

1.函数签名
matplotlib.pyplot.grid(b=None, which='major', axis='both', **kwargs)
2.常用参数解析

b (bool, 可选): 控制是否显示网格线。如果设置为 True，则显示网格线；如果设置为 False（默认值），则隐藏网格线。
which (str, 可选): 指定要绘制的网格线的类型，可以选择以下值之一：
'major'（默认值）: 绘制主要（大）刻度网格线。
'minor': 绘制次要（小）刻度网格线。
'both': 同时绘制主要和次要刻度网格线。
axis (str, 可选): 指定要绘制网格线的坐标轴，可以选择以下值之一：
'both'（默认值）: 绘制X轴和Y轴的网格线。
'x': 仅绘制X轴的网格线。
'y': 仅绘制Y轴的网格线。
**kwargs: 其他关键字参数，通常用于设置网格线的样式和属性，例如颜色、线型、线宽等。

3.用法示例
pythonCopy codeimport matplotlib.pyplot as plt

# 创建一个简单的图表
x = [1, 2, 3, 4]
y = [1, 2, 1, 3]
plt.plot(x, y)

# 显示主要刻度的网格线，默认样式
plt.grid(True)

# 显示次要刻度的网格线，自定义样式
plt.grid(True, which='minor', linestyle='--', linewidth=0.5, color='gray')

# 仅显示X轴的网格线
plt.grid(True, axis='x')

# 仅显示Y轴的网格线，自定义样式
plt.grid(True, axis='y', linestyle='-.', linewidth=0.5, color='green')

# 隐藏网格线
plt.grid(False)

# 使用额外的关键字参数设置网格线样式
plt.grid(True, linestyle='-', linewidth=1, color='blue')

# 显示图表
plt.show()

6.legend() (图例)

legend()方法用于在Matplotlib图表中添加图例，以便标识不同数据系列或曲线的含义。您可以通过labels参数指定图例标签，通过关键字参数控制图例的位置、外观和标题等。图例使得图表更具可读性，帮助观众理解数据的含义。您可以根据需要自定义图例的各个方面，包括标签、位置、样式等。

1.函数签名
matplotlib.pyplot.legend(labels=None, **kwargs)
2.常用参数解析

labels (str or list-like, 可选): 用于指定图例标签的文本。如果提供了一个标签字符串，将创建一个具有该标签的图例项。如果提供了一个列表或元组，将创建多个图例项，每个图例项对应于列表中的一个标签。
**kwargs: 其他关键字参数，用于控制图例的外观和位置。一些常见的关键字参数包括：
loc (str or int, 可选): 指定图例的位置。可以使用字符串表示位置，如 'upper left'、'lower right' 等，也可以使用整数表示位置代码。默认值为 'best'，表示自动选择最佳位置。
title (str, 可选): 指定图例的标题文本。
frameon (bool, 可选): 控制是否显示图例的边框，默认为 True。
fontsize (float, 可选): 控制图例文本的字体大小。
title_fontsize (float, 可选): 控制图例标题文本的字体大小。
bbox_to_anchor (tuple, 可选): 指定图例的位置，以坐标轴的归一化坐标表示。
其他关键字参数用于设置图例项的属性，如标记、线型、线宽、颜色等。

3.用法示例
import matplotlib.pyplot as plt

# 创建一个简单的图表
x = [1, 2, 3, 4]
y1 = [1, 2, 1, 3]
y2 = [3, 2, 4, 1]

# 绘制两条曲线，并为它们设置标签
plt.plot(x, y1, label='Line 1', linestyle='--', marker='o', color='blue')
plt.plot(x, y2, label='Line 2', linestyle='-', marker='s', color='green')

# 添加图例，自动选择位置
plt.legend()

# 添加图例，自定义位置和标题
plt.legend(loc='upper right', title='Legend')

# 自定义图例项的样式
plt.legend(loc='lower left', title='Custom Legend', fontsize=12, frameon=False)

# 自定义图例项的标记和线型
plt.legend(loc='best', title='Custom Markers and Linestyles', fontsize=12,
           markerscale=1.5, handlelength=3, handletextpad=0.5)

# 显示图表
plt.show()
效果图

补充方法
在Matplotlib中，这些方法都用于在图形上添加文本、水平线、垂直线、水平线集合、垂直线集合、水平带状区域和垂直带状区域，以及注释。以下是这些方法的简要说明：

text() 方法：

text(x, y, s) 方法用于在指定的坐标 (x, y) 处添加文本，文本内容为字符串 s。
这个方法可以用来标记图形中的特定点或添加注释。

axhline() 和 axvline() 方法：

axhline(y, color, linestyle) 用于在指定的水平位置 y 上添加水平线。
axvline(x, color, linestyle) 用于在指定的垂直位置 x 上添加垂直线。
可以通过参数设置线的颜色和线型。

hlines() 和 vlines() 方法：

hlines(y, xmin, xmax, color, linestyle) 用于在指定的水平位置 y 上绘制水平线段，从 xmin 到 xmax。
vlines(x, ymin, ymax, color, linestyle) 用于在指定的垂直位置 x 上绘制垂直线段，从 ymin 到 ymax。
同样可以通过参数设置线的颜色和线型。

axhspan() 和 axvspan() 方法：

axhspan(ymin, ymax, color, alpha) 用于在指定的垂直区域上绘制带状区域，从 ymin 到 ymax，可设置颜色和透明度。
axvspan(xmin, xmax, color, alpha) 用于在指定的水平区域上绘制带状区域，从 xmin 到 xmax，可设置颜色和透明度。

annotate() 方法：

annotate(text, xy, xytext, arrowprops) 方法用于在图中的指定点 xy 处添加注释文本 text。
可以通过 xytext 参数指定文本的位置，通过 arrowprops 参数添加指向注释的箭头。

这些方法可以帮助你在Matplotlib图形中添加各种注释、线条和区域，以增强图形的信息传达能力。通过合理使用这些方法，你可以自定义图形并突出显示感兴趣的部分。

4.4图片的显示与保存

savefig() 函数用于将当前的Matplotlib图表保存到文件中，可以指定文件名、分辨率、格式等参数。show() 函数用于在图形用户界面中显示当前的Matplotlib图表，通常用于交互式操作或在集成开发环境 (IDE) 中查看图表。这两个函数是Matplotlib中常用的保存和显示图表的方法。

1.savefig()

函数签名
matplotlib.pyplot.savefig(fname, dpi=None, facecolor='w', edgecolor='w',
     orientation='portrait', papertype=None, format=None,
     transparent=False, bbox_inches=None, pad_inches=0.1,
     frameon=None, metadata=None, *, backend=None)
常用参数解析

fname: 要保存的文件名或路径。
dpi (可选): 图像的分辨率（每英寸点数），默认为100。
facecolor (可选): 图像的背景颜色。
edgecolor (可选): 图像的边框颜色。
orientation (可选): 图像的方向，可以是 ‘portrait’（纵向，默认）或 ‘landscape’（横向）。
papertype (可选): 用于打印的纸张类型。
format (可选): 要保存的图像格式，通常为 ‘png’、‘pdf’、‘svg’ 等。
transparent (可选): 如果为True，图像的背景将是透明的。
bbox_inches (可选): 指定图像的边界框，通常可以使用 ‘tight’ 来自动裁剪空白边缘。
pad_inches (可选): 图像周围的填充大小。
frameon (可选): 是否在图像周围绘制一个框架，默认为 None（根据当前设备的默认值）。
metadata (可选): 图像的元数据，通常是一个字典。
backend (可选): 指定要使用的Matplotlib后端。

用法示例
import matplotlib.pyplot as plt

# 示例1: 保存图表为PNG格式
plt.plot([1, 2, 3, 4, 5], [5, 4, 3, 2, 1])
plt.savefig('my_plot.png')

# 示例2: 保存图表为PDF格式，指定分辨率和背景颜色
plt.figure()
plt.plot([1, 2, 3, 4, 5], [5, 4, 3, 2, 1])
plt.savefig('my_plot.pdf', dpi=300, facecolor='lightgray')

# 示例3: 保存图表为SVG格式，透明背景
plt.figure()
plt.plot([1, 2, 3, 4, 5], [5, 4, 3, 2, 1])
plt.savefig('my_plot.svg', transparent=True)

# 示例4: 自动裁剪空白边缘
plt.figure()
plt.plot([1, 2, 3, 4, 5], [5, 4, 3, 2, 1])
plt.savefig('my_plot_tight.png', bbox_inches='tight')
2.show()

函数签名
matplotlib.pyplot.show(*args, **kw)
常用参数解析

show() 函数通常不需要传递额外参数。

用法示例
import matplotlib.pyplot as plt

# 示例: 显示图表
plt.plot([1, 2, 3, 4, 5], [5, 4, 3, 2, 1])
plt.show()

注意

注意保存图片代码应位于plt.show()之前
∵plt.show()会释放figsure资源,∴在显示图像前面保存图像

5.折线图(plot)

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）

5.1基础折线图

# 温度变化折线图
import matplotlib.pyplot as plt
%matplotlib inline
import random

# 1、准备数据
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]
y_beijing = [random.uniform(1,3) for i in x]

# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制图像
plt.plot(x, y_shanghai, color="r",linestyle='-.',label="上海")
plt.plot(x, y_beijing, color="b",label="北京")

# 显示图例
plt.legend()
# plt.legend(loc="lower left")
# plt.legend(loc=4)

# 修改x y刻度
x_label = ["11分{}秒".format(i) for i in x]
plt.xticks(x[::5],x_label[::5])
plt.yticks(range(0,40,5))

# 显示网格
plt.grid(linestyle='--', alpha=0.5)

# 添加描述 标题
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海、北京11点0分到12点之间的温度变化图示")

# 4、显示图像
plt.show()

效果图

5.2多坐标系

igure, axes = plt.subplots(nrows=1, ncols=1, **fig_kw)

示例代码

# 温度变化折线图
import matplotlib.pyplot as plt
%matplotlib inline
import random

# 1、准备数据
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]
y_beijing = [random.uniform(1,3) for i in x]

# 2、创建画布
# plt.figure(figsize=(20,8),dpi=80)
figure, axes = plt.subplots(nrows=1,ncols=2,figsize=(20,8),dpi=80)

# 3、绘制图像
axes[0].plot(x, y_shanghai, color="r",linestyle='-.',label="上海")
axes[1].plot(x, y_beijing, color="b",label="北京")

# 显示图例
axes[0].legend()
axes[1].legend()
# plt.legend(loc="lower left")
# plt.legend(loc=4)

# 修改x y刻度
x_label = ["11分{}秒".format(i) for i in x]
axes[0].set_xticks(x[::5])
axes[0].set_xticklabels(x_label[::5])
axes[0].set_yticks(range(0,40,5))
axes[1].set_xticks(x[::5])
axes[1].set_xticklabels(x_label[::5])
axes[1].set_yticks(range(0,40,5))

# 显示网格
axes[0].grid(linestyle='--', alpha=0.5)
axes[1].grid(linestyle='--', alpha=0.5)

# 添加描述 标题
axes[0].set_xlabel("时间")
axes[0].set_ylabel("温度")
axes[0].set_title("上海11点0分到12点之间的温度变化图示")

axes[1].set_xlabel("时间")
axes[1].set_ylabel("温度")
axes[1].set_title("北京11点0分到12点之间的温度变化图示")

# 4、显示图像
plt.show()

效果图

5.3数学函数

import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np

# 1、准备x、y数据
x = np.linspace(-1,1,1000)
y = 2 * x * x

# 2、创建画布
plt.figure(figsize=(20,8), dpi=80)

# 3、绘制图像
plt.plot(x, y)

plt.grid(linestyle="--",alpha=0.5)

plt.show()

效果图

6.散点图(scatter)

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）

示例代码

# 1、准备数据
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]
# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制图像
plt.scatter(x, y)

# 4、显示图像
plt.show()

效果图

7.柱状图(bar)

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，能够一眼看出名个数据的大小，比较数据之间的差别（统计/对比）

7.1柱状图(一)

# 1、准备数据
movie_names = ['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']
tickets = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制柱状图
x_ticks = range(len(movie_names))
plt.bar(x_ticks, tickets, color=['b','r','g','y','c','m','y','k','c','g','b'])

# 修改x刻度
plt.xticks(x_ticks, movie_names)

# 添加标题
plt.title("电影票房收入对比")

# 添加网格显示
plt.grid(linestyle="--", alpha=0.5)

# 4、显示图像
plt.show()

效果图

7.2柱状图(二)

# 1、准备数据
movie_name = ['雷神3：诸神黄昏','正义联盟','寻梦环游记']

first_day = [10587.6,10062.5,1275.7]
first_weekend=[36224.9,34479.6,11830]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制柱状图
x_ticks=[i for i in range(3)]
plt.bar(x_ticks, first_day, width=0.2, label="首日票房")
plt.bar([i+0.2 for i in x_ticks], first_weekend, width=0.2, label="首周票房")
##########为何是i+0.2呢，因为前面设置的柱状图宽度width=0.2，为了紧密相连，同时没有重合，因此设置0.2


# 显示图例
plt.legend()

# 修改刻度,即显示坐标轴上的数字或字符，本例即显示电影名字
plt.xticks([i+0.1 for i in x_ticks], movie_name)
###########柱状图宽度为0.2，为了字符名字在中间，因此相对于前面是加了0.1

# 4、显示图像
plt.show()

效果图

8.直方图(histom)

直方图牵涉统计学的概念，首先要对数据进行分组，然后统计每个分组内数据元的数量。
在坐标系中，横轴标出每个组的端点，纵轴表示频数，每个矩形的高代表对应的频数，称这样的统计图为频数分布直方图。

组数：在统计数据时，我们把数据按照不同的范围分成几个组，分成的组的个数称为组数
组距：每一组两个端点的差

直方图vs柱状图

直方图，形状类似柱状图却有着与柱状图完全不同的含义。

数据类型：
直方图：主要用于连续型数据，将数据分成若干个区间，然后统计每个区间内的数据数量。
柱状图：主要用于离散型数据，通常用于显示各类别的数据数量或频率。

横纵坐标：
直方图：横坐标表示数据的范围或区间，纵坐标表示在该范围内的数据数量或频率。
柱状图：横坐标表示不同的类别或分组，纵坐标表示每个类别的数值。

数据处理：
直方图：通常需要对数据进行分组（binning），将连续的数据划分为若干个区间，然后统计每个区间内的数据数量。
柱状图：可以直接使用离散型数据的类别进行绘制，不需要进行数据的分组。

用途：
直方图：用于描述数据的分布情况，显示数据的中心趋势和离散程度。
柱状图：用于比较不同类别之间的数据，通常用于显示离散数据的频率或数量。

连续性：
直方图：表示数据的连续性，通常没有间隔。
柱状图：表示不同类别之间的离散性，通常有明显的间隔。

宽度：
直方图：各个区间的宽度可以不同，取决于数据的分布和分组方法。
柱状图：各个柱子之间的间隔可以调整，但通常是等宽的。

需求：电影时长分布状况
# 1、准备数据
time = [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]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制直方图
distance = 2                                           # 组距
group_num = int((max(time) - min(time)) / distance)    # 组数=极差/组距

plt.hist(time, bins=group_num, density=True)

# 修改x轴刻度
plt.xticks(range(min(time), max(time) + 2, distance))

# 添加网格
plt.grid(linestyle="--", alpha=0.5)

# 4、显示图像
plt.show()

效果图

9.饼图(pie)

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）

# 1、准备数据
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']

place_count = [60605,54546,45819,28243,13270,9945,7679,6799,6101,4621,20105]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制饼图
plt.pie(place_count, labels=movie_name, colors=['b','r','g','y','c','m','y','k','c','g','y'], autopct="%1.2f%%")

# 显示图例
plt.legend()

plt.axis('equal')

# 4、显示图像
plt.show()