matplotlib画子图！！！（通俗易懂，有图有真相）

matplotlib两种绘图方法比较

import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt

import matplotlib
matplotlib.rc("font",family='KaiTi')#这一部分是在设置中文字体，不然到图片上中文会不能显示

# 创建数据
st1 = DataFrame([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]],
                 index=['小a', '小b', '小c', '小d'],
                 columns=['数学', '英语', '语文', '物理'])

# 绘制第一个图形
st1.plot(title='sq', kind='line', color=['c', 'm', 'b', 'y'],
         grid=True, fontsize=15, alpha=1, use_index=True,
         linewidth=2, linestyle='-.', marker='o', yticks=[0, 2, 4, 6, 8, 10])
plt.show()

# 创建新的图形
plt.figure()

# 绘制每一条线并设置标签
for i, column in enumerate(st1.columns):
    plt.plot(st1[column],
             color=['r', 'g', 'b', 'y'][i],
             linewidth=2,
             linestyle='dashed',
             marker='o',
             label=column)  # 单独设置每条线的标签
             
#如果不用for，一条一条添加也行
plt.plot(st1['数学'], color='r', linewidth=2, linestyle='dashed', marker='o', label='数学')
plt.plot(st1['英语'], color='g', linewidth=2, linestyle='dashed', marker='o', label='英语')
plt.plot(st1['语文'], color='b', linewidth=2, linestyle='dashed', marker='o', label='语文')
plt.plot(st1['物理'], color='y', linewidth=2, linestyle='dashed', marker='o', label='物理')

# 添加图例并显示图形
plt.legend(loc='upper right')
plt.show()

以上是生成的两幅图，两幅图的处理有很大不同。

• 第一幅图：
  方法：使用 DataFrame.plot() 方法，直接调用 Pandas 的内置绘图功能。
  简洁：代码更加简洁，少量参数即可完成绘图。
  所有列一次性绘制：同时绘制所有列（“数学”，“英语”，“语文”，“物理”）为不同的线条，使用 DataFrame 自带的方法对所有数据进行处理。
• 第二幅图：
  方法：使用 Matplotlib 的 plt.plot() 方法，手动绘制每一条线。
  灵活性：可以逐列控制每条线的样式和颜色，更加灵活。
  标签设置：每条线都有单独的标签，便于在图例中显示不同列的名称，让图例更加明晰。

总结

• 第一部分适合快速绘制并且展示简单的数据关系，适用于多数情况下对数据进行初步的可视化。
• 第二部分则提供更高的自定义能力，适合希望详细控制绘图样式的场景，尤其在需要特定样式和标注的情况下。

代码详解

for i, column in enumerate(st1.columns):
    plt.plot(st1[column],
             color=['r', 'g', 'b', 'y'][i],
             linewidth=2,
             linestyle='dashed',
             marker='o',
             label=column)  # 单独设置每条线的标签入代码片

这段代码是用来画出DataFrame st1 的每一列的折线图。代码的解释如下：

1. for i, column in enumerate(st1.columns):这是一个循环语句，通过enumerate()函数遍历st1的每一列，并将列索引和列名分别赋值给变量i和column。
2. plt.plot(st1[column]):plt.plot()是matplotlib.pyplot库中的函数，用于绘制折线图。这里的参数是st1的某一列数据，用于在图形中绘制折线。
3. color=['r', 'g', 'b', 'y'][i]:设置折线的颜色。在这里使用了一个颜色列表[‘r’, ‘g’, ‘b’, ‘y’]，通过索引i选择颜色。
4. linewidth=2,：折线的宽度。
5. linestyle='dashed',：折线的样式，这里是虚线。
6. marker='o',：数据点的标记样式，这里是圆圈。
7. label=column)：给折线添加标签，即折线对应的列名。
   最后的结果是将DataFrame st1的每一列数据绘制成折线图，并在图例中显示每个折线对应的列名。

亮点就是遍历每一列，并给每一列独立处理

多子图操作

1.matplotlib引入：

import matplotlib.pyplot as plt

2.matplotlib的对象都位于figure对象中，所以我们要先创建一个figure对象，我觉得它相当于一个画布fig = plt.figure()

3.很显然，不能通过figure画图，我们还需要在画布上插上一点儿图，也就是我们说的子图，可以插入多个ax1 = fig.add_subplot(2, 2, 1)

4.上面的代码的意思是，我是这么理解的，并非已经建了2 x2个图，而是你自己在脑海中临摹出2*2是什么样子，然后第三个参数就表示你想象出来的图里的位置，从左往右，从上到下，多写两个ax2 = fig.add_subplot(2, 2, 2) ax3 = fig.add_subplot(2, 2, 3)

出来的效果就是下图所示

可见，这个时候图上还没有任何的数据，轴上的数据也都是默认值。

这里有个注意的点，如果说你是在jupyter notebook上的话，要把所有操作都写在一个窗格里，这样才能同时执行，因为jupyter notebook每次执行图形都会重置！

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)

如上，我们已经执行这一段代码，如果这个时候我们执行了一（或者n条）条代码（且没有点名是ax几，那么就默认作用于第三条上，如plt.plot(np.random.rand(10), label='Line 1'),作用之后形成的图如下所示

上面是只执行一条的情况，如果这个时候，我们想要画两条线，分别表示小红和小黑的成绩的话，我们可以这样

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
plt.plot(np.random.randint(100,size = 10), label='小红')
plt.plot(np.random.randint(100,size = 10), label='小黑')
plt.legend()
plt.title('小红和小黑的成绩')
plt.xlabel('考试次数')
plt.ylabel('分数')
plt.xticks(range(10))
plt.yticks(range(0,110,10))
fig.show()

然后生成的图片就是这样

可见，如果不指明具体的子图，我们就只能操作最后一个图，很没用。我们一般有以下几种处理方法：
A要处理哪个子图就调用ax1./ax2./ax3.,如下图所示

# 在第一个子图上绘制
ax1.plot(np.random.randint(100, size=10), label='小红')
ax1.plot(np.random.randint(100, size=10), label='小黑')
ax1.legend()
ax1.set_title('小红和小黑的成绩')
ax1.set_xlabel('考试次数')
ax1.set_ylabel('分数')
ax1.set_xticks(range(10))
ax1.set_yticks(range(0, 110, 10))

B.每次创建一个子图，就在后面进行plt.plot等操作，用for循环的话会比较方便，用for循环的话，可以直接用subplots操作，它可以创建一个新的Figure，并返回一个含有已创建的subplot对象的NumPy数组

# 创建一个新图形
fig, axs = plt.subplots(2, 2)  # 创建2行2列的子图

'''
注意：
fig是整个图形，axs是子图数组。
axs是一个二维数组，可以用axs[i][j]来访问第i行第j列的子图。
axs.flat 是一个迭代器，可以方便地遍历二维数组中的所有元素。
'''

# 示例数据
data = [np.random.randint(100, size=10) for _ in range(4)]  # 生成4组随机数据
labels = ['小红', '小黑', '数据1', '数据2']  # 标签列表
titles = ['小红和小黑的成绩', '另一个成绩', '第三个成绩', '第四个成绩']  # 标题列表

# 使用循环在每个子图上绘制
for i, ax in enumerate(axs.flat):  # axs.flat 可以方便地遍历二维数组
    ax.plot(data[i], label=labels[i])
    ax.legend()
    ax.set_title(titles[i])
    ax.set_xlabel('考试次数')
    ax.set_ylabel('分数')
    ax.set_xticks(range(10))
    ax.set_yticks(range(0, 110, 10))

plt.tight_layout()  # 调整布局
plt.show()

5.到这一步的时候，基本的图就可以画出来了，接下来就是一些小调整

a.对折线的调整

1.x, y：第一个和第二个参数，指定绘制的点的横坐标和纵坐标。
2.color：设置线条和点的颜色，可以使用颜色名称（如 'red'、'blue'）（也可以直接用缩写）、十六进制代码（如 '#FF0000'）或 RGB 元组（如 (1, 0, 0)）。
3.linewidth (或 lw)：设置线条的宽度，默认值为 1.0。
4.linestyle (或 ls)：设置线条的样式，可以是：
		'-'：实线（默认）
		'--'：虚线
		':'：点线
		'-.'：点划线
5.marker：
设置数据点的标记样式，例如：
		'o'：圆圈标记
		's'：方块标记
		'^'：三角形标记
		'D'：菱形标记
您还可以使用 markersize 参数来设置标记的大小。
6.alpha：设置线条颜色的透明度，值范围从 0（完全透明）到 1（完全不透明）。
7.label：设置图例中显示的标签，通常与 plt.legend() 一起使用。
以上都是plot的参数

b.对坐标轴的处理

# 添加标题和坐标轴标签
plt.title('正弦函数图像')           # 图形标题
plt.xlabel('X 轴')               # X 轴标签
plt.ylabel('Y 轴')               # Y 轴标签

# 设置坐标轴范围
plt.xlim(0, 10)                  # X 轴范围
plt.ylim(-1.5, 1.5)             # Y 轴范围

# 设置坐标轴的刻度
plt.xticks(np.arange(0, 11, 1))  # X 轴刻度
plt.yticks(np.arange(-1, 2, 0.5)) # Y 轴刻度

# 显示网格线
plt.grid(True)

# 添加图例
plt.legend()  
#这个很重要，必须调用，无论你绘图时是否传递label标签选项
#，这是用来展示图例的！！！用于区分很好用，没有它，图例展
#示不出来，就是上面参数中label = xxx，这一项就得靠legend来展示


plt.tight_layout()  # 调整布局
plt.show()

注意：这里直接用plt调用时，直接就是xticks的这种，但是如果是让子图来调用，函数名会改成set_xticks,否则会报错的，因为一个是全局接口，一个是对象接口，plt 是一个全局状态机，允许你随时对当前活动的图形或轴进行操作。比如，plt.xlabel() 会设置当前活动子图的 X 轴标签。若有多个子图，每次调用时，需要确保当前子图是你想要操作的那个。set_xlabel() 是 Axes 类的方法，直接作用于特定的 Axes 对象。这提供了更明确的界定，减少了对全局状态的依赖。例如，axs[0].set_xlabel(‘X 轴’) 直接在第一个子图上设置 X 轴标签，确保不会修改其他子图。grid和legend则通用，我觉得也不用特意去记住吧，反正报错了就改一改！

为了防止你们不理解图例的重要性，请看下面随机漫步的例子：

In [44]: from numpy.random import randn

In [45]: fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)

In [46]: ax.plot(randn(1000).cumsum(), 'k', label='one')
Out[46]: [<matplotlib.lines.Line2D at 0x7fb624bdf860>]

In [47]: ax.plot(randn(1000).cumsum(), 'k--', label='two')
Out[47]: [<matplotlib.lines.Line2D at 0x7fb624be90f0>]

In [48]: ax.plot(randn(1000).cumsum(), 'k.', label='three')
Out[48]: [<matplotlib.lines.Line2D at 0x7fb624be9160>]

c.注解啥的（text.arrow,annotate)

import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font",family='KaiTi')


# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建 2 行 1 列的子图
fig, axs = plt.subplots(2)

# 绘制第一个子图
axs[0].plot(x, y1, label='sin(x)')
axs[0].set_title('正弦函数图像')
axs[0].set_xlabel('X 轴')
axs[0].set_ylabel('Y 轴')
axs[0].set_xlim(0, 10)
axs[0].set_ylim(-1.5, 1.5)
axs[0].set_xticks(np.arange(0, 11, 1))
axs[0].set_yticks(np.arange(-1, 2, 0.5))
axs[0].grid(True)
axs[0].legend()

# 添加注解（主要看这一行的使用）
axs[0].annotate('局部最大值', xy=(np.pi/2, 1), xytext=(np.pi/2 + 1, 1.2),
                arrowprops=dict(facecolor='black', shrink=0.05))

# 绘制第二个子图
axs[1].plot(x, y2, label='cos(x)', color='orange')
axs[1].set_title('余弦函数图像')
axs[1].set_xlabel('X 轴')
axs[1].set_ylabel('Y 轴')
axs[1].set_xlim(0, 10)
axs[1].set_ylim(-1.5, 1.5)
axs[1].set_xticks(np.arange(0, 11, 1))
axs[1].set_yticks(np.arange(-1, 2, 0.5))
axs[1].grid(True)
axs[1].legend()

# 添加注解(主要看这一行的使用）
axs[1].annotate('局部最小值', xy=(np.pi, -1), xytext=(np.pi + 1, -1.2),
                arrowprops=dict(facecolor='black', shrink=0.05))

# 调整布局以避免重叠
plt.tight_layout()

# 显示图形
plt.show()

注解参数说明
text：注解的文本内容。
xy：被注解的点的坐标（x, y）。
xytext：注解文本的坐标（x, y）。
arrowprops：箭头的属性，例如颜色、样式等。

当然，也可以直接用text，当你不需要箭头的时候
axs[0].text(np.pi/2 + 0.5, 1.5, '标注文本', fontsize=18, color='black')

d.还有一个很好玩的，那就是在表格里面画图形~~~~is it interesting？？？！！！
图形的绘制要麻烦一些。matplotlib有一些表示常见图形的对象。这些对象被称为块（patch）。其中有些（如Rectangle和Circle），可以在matplotlib.pyplot中找到，但完整集合位于matplotlib.patches。
要在图表中添加一个图形，你需要创建一个块对象shp，然后通过ax.add_patch(shp)将其添加到subplot中。

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)

rect = plt.Rectangle((0.2, 0.75), 0.4, 0.15, color='k', alpha=0.3)
circ = plt.Circle((0.7, 0.2), 0.15, color='b', alpha=0.3)
pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]],
                   color='g', alpha=0.5)

ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)

6.我们画了那么多图，肯定要保存啊

plt.savefig('figpath.png', dpi=400, bbox_inches='tight')

其实matplotlib还有很多其他的图，但是原理都是大同小异！我觉得编程这种东西真的要多动手！你就会发现它的趣味所在！我爱coding！！！

最后补充以下各种图形

import numpy as np
import pandas as pd
from pandas import DataFrame,Series
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font",family='KaiTi')

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建折线图
plt.figure(figsize=(10, 8))

# 折线图
plt.subplot(3, 2, 1)
plt.plot(x, y1, label='sin(x)')
plt.title('折线图')

# 散点图
plt.subplot(3, 2, 2)
plt.scatter(x, y1, color='orange')
plt.title('散点图')

# 柱状图
plt.subplot(3, 2, 3)
plt.bar([1, 2, 3], [3, 5, 2])
plt.title('柱状图')

# 直方图
plt.subplot(3, 2, 4)
plt.hist(np.random.randn(1000), bins=30)
plt.title('直方图')

# 饼图
plt.subplot(3, 2, 5)
plt.pie([30, 20, 50], labels=['A', 'B', 'C'], autopct='%1.1f%%')
plt.title('饼图')

# 箱线图
plt.subplot(3, 2, 6)
plt.boxplot(np.random.randn(100, 5))
plt.title('箱线图')

plt.tight_layout()
plt.show()

1.直方图参数的补充：

• matplotlib中的hist`函数用于绘制直方图，其主要参数如下：

• x：要绘制直方图的数据，可以是一个一维数组或列表。

• bins：直方图的箱数或者箱的边界，默认为10。

• range：直方图的值域范围，可以是一个二元组或列表。默认为None，即使用数据中的最小值和最大值。

• density：布尔值，表示是否将直方图归一化，默认为False。

• weights：每个数据点的权重，默认为None。

• cumulative：布尔值，表示是否绘制累积分布图，默认为False。

• bottom：直方图的起始高度，默认为None。

• histtype：直方图的类型，如'bar'、'barstacked'、'step'、'stepfilled'等，默认为'bar'。

• align：直方图箱子的对齐方式，可以是'left'、'mid'、'right'，默认为'mid'。

• orientation：直方图的方向，可以是'vertical'、'horizontal'，默认为'vertical'。

• rwidth：每个箱子的宽度，默认为None。

• log：布尔值，表示是否在y轴上使用对数刻度，默认为False。

• color：直方图的颜色。

• label：直方图的标签。

• stacked：布尔值，表示是否堆叠不同的直方图，默认为False。

此外，hist函数还支持通过**kwargs传递其他绘图参数，以及data参数用于指定绘制直方图的数据（通常不需要显式指定，因为x参数已经足够）。

这些参数提供了对直方图外观和行为的精细控制，使得hist函数非常灵活和强大。

2.折线图参数补充：

在matplotlib中，plot函数是最基本的函数之一，用于绘制2D数据。这个函数非常灵活，可以用于绘制线条、标记、棒条等。以下是plot函数的一些常用参数：

• x 和 y：这两个参数是必须的，分别代表横轴和纵轴上的数据点。
• fmt：这是一个字符串，用于指定线条的格式。它包括线条的颜色、线型和标记类型。例如，'r-'表示红色实线，'bo’表示蓝色圆圈标记。
• color：用于指定线条的颜色。
• linestyle：用于指定线条的样式，如实线（‘-’）、虚线（‘–’）、点线（‘:’）等。
• linewidth 或 lw：用于指定线条的宽度。
• marker：用于指定数据点的标记类型，如圆圈（‘o’）、星号（‘*’）、叉号（‘x’）等。
• markersize 或 ms：用于指定标记的大小。
• markerfacecolor 或 mfc：用于指定标记的填充颜色。
• markeredgecolor 或 mec：用于指定标记边缘的颜色。
• alpha：用于指定线条和标记的透明度。
• label：用于指定图例的标签。
• line2d：这是一个Line2D对象，包含了线条的所有属性。
• clip_on：如果设置为True，则线条会被限制在轴的范围内。
• clip_box：用于指定剪辑线条的矩形区域。
• data：用于指定要绘制的数据。
• ****kwargs：允许传递其他属性给Line2D对象。

3.饼图
在matplotlib中，pie函数用于绘制饼图。饼图显示了每个类别相对于总数的比例。以下是pie函数的一些常用参数：

x：数据集，用于绘制饼图的各个部分。

• labels：与数据集对应的标签列表。
• autopct：用于显示每个饼图部分的百分比格式的字符串。例如，autopct='%1.1f%%'会显示一位小数的百分比。
• colors：饼图部分的颜色列表。
• startangle：饼图的起始角度。
• explode：用于突出显示某个或某些部分的元组或列表。例如，explode=(0.1, 0, 0)会将第一个部分从中心突出10%的距离。
• counterclock：布尔值，指示饼图是否应该逆时针绘制，默认为True。
• wedgeprops：用于设置饼图各个部分的属性，如边框颜色、填充等。
• textprops：用于设置饼图标签的属性，如字体大小、颜色等。
• center：指定饼图的中心位置。
• radius：指定饼图的半径。
• labeldistance：标签离饼图中心的距离。
• pctdistance：百分比标签离饼图中心的距离。
• shadow：布尔值，指示是否绘制阴影。
• label：为饼图设置一个整体的标签。
• rotatelabels：布尔值，指示是否旋转标签以适应饼图。
• counterclock：布尔值，指示饼图部分是否应该按逆时针方向排序。
• frame：布尔值，指示是否绘制饼图的边框。
• decimal：用于格式化百分比的十进制位数。
• ****kwargs：允许传递其他属性给饼图。

经典案例

#库导入
from matplotlib import pyplot as plt
import numpy as np

#参数设置
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 100
plt.rcParams['figure.figsize'] = (5,3)

#国家和奖牌数据导入
countries = ['挪威', '德国', '中国', '美国', '瑞典']
gold_medal = [16, 12, 9, 8, 8]
silver_medal = [8, 10, 4, 10, 5]
bronze_medal = [13, 5, 2, 7, 5]

#将横坐标国家转换为数值
x = np.arange(len(countries))
width = 0.2 #条形图的宽度

#计算每一块的起始坐标
gold_x = x
silver_x = x + width
bronze_x = x + 2 * width

#绘图
plt.bar(gold_x,gold_medal,width=width,color="gold",label="金牌")
plt.bar(silver_x,silver_medal,width=width,color="silver",label="银牌")
plt.bar(bronze_x,bronze_medal,width=width, color="saddlebrown",label="铜牌")

#将横坐标数值转换为国家
plt.xticks(x + width,labels=countries)

# 显示柱状图的高度文本
for i in range(len(countries)):
    plt.text(gold_x[i], gold_medal[i], gold_medal[i], va="bottom", ha="center", fontsize=8)  # 金牌
    plt.text(silver_x[i], silver_medal[i], silver_medal[i], va="bottom", ha="center", fontsize=8)  # 银牌
    plt.text(bronze_x[i], bronze_medal[i], bronze_medal[i], va="bottom", ha="center", fontsize=8)  # 铜牌
    #设置标题和副标题
    plt.title("2021年度奥运会奖牌榜",fontsize=12)
    plt.annotate("数据来源：Olympic.org.cn",xy=(0.5,0.01),xytext=(0,0),xycoords="figure fraction",textcoords="offset points",ha="center",va="bottom",fontsize=8,color="gray")
    plt.annotate('最多金牌',xy=(0,16.5),xytext=(0,20),textcoords="offset points",ha="center",color="gold",arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=-0.2"))
    plt.annotate('最多银牌',xy=(1.2,11),xytext=(1,15),textcoords="offset points",ha="center",color="silver",arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=-0.2"))
    plt.annotate('最多银牌', xy=(3.2, 11), xytext=(1, 15), textcoords="offset points", ha="center", color="silver",arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=-0.2"))
    plt.annotate('最多铜牌',xy=(0.38,14),xytext=(0,10),textcoords="offset points",ha="center",color="saddlebrown",arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=-0.2"))
#显示图例
plt.legend(loc="upper right")
#显示图形
plt.show()
#保存图形