2024年Python最新Python-Matplotlib可视化（1）——一文详解常见统计图的绘制(2)

• 读取数据文件绘制曲线图

• 散点图

• 条形图

• • 单组条形图
• • 垂直条形图

• 水平条形图

• 多组条形图

• 堆积条形图

• 对称条形图

• 饼图

• 直方图

• 箱形图

• 三角网格图

• 系列链接

matplotlib库

---

Matplotlib是Python的绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成出版质量级别的精美图形，Matplotlib使绘图变得非常简单，在易用性和性能间取得了优异的平衡。

曲线图

---

曲线图的绘制

作为绘图程序的Hello World，我们将首先绘制一条简单的曲线。同时还将简单介绍matplotlib的工作原理。

plot.py

import matplotlib.pyplot as plt

x = range(50)

y = [value * 2 for value in x]

plt.plot(x, y)

plt.show()

上述代码将会绘制曲线y=2*x，其中x在[0，50]范围内，如下所示：

可以看到窗口上方还包含多个图标，其中：

| 项目 | Value |

| — | — |

| | 此按钮用于将所绘制的图形另存为所需格式的图片，包括png，jpg，pdf，svg等常见格式 |

| | 此按钮用于调整图片的尺寸，边距等图片属性 |

| | 此按钮用于缩放图片，用于观察图形细节，单击此按钮后，在图形上使用鼠标左键拖拽进行放大，使用鼠标右键拖拽进行缩小 |

| | 此按钮用于移动图形，可以与“缩放”按钮结合观察放大后图片的具体细节，同时，单击此按钮后，在图形上使用鼠标右键拖拽可以缩放坐标轴的比例 |

| | 此按钮用于将图形恢复到其初始状态，取消缩放、移动等操作 |

Tips：plt.plot(x, y)用于绘制一条曲线，其中，曲线点的x坐标在列表x中给出，曲线点的y坐标在列表y中给出。

由于matplotlib它只专注于绘图，因此如果想从文件中读取输入或进行一些中间计算，那么必须使用Python模块，但不用担心，matplotlib与其他模块具有良好的兼容性，并不涉及过多的技巧。例如，要生成大量统计图形，可能需要使用科学计算包，如Numpy和Python的文件读取I/O模块。在接下来的讲解中会给出相应的示例。

结合Numpy库，绘制曲线图

绘制曲线cos(x)，x在[0, 2*pi]区间内：

cos_1.py

import math

import matplotlib.pyplot as plt

scale = range(100)

x = [(2 * math.pi * i) / len(scale) for i in scale]

y = [math.cos(i) for i in x]

plt.plot(x, y)

plt.show()

若采用Numpy库，则可以使用以下等效代码：

cos_2.py

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)

y = np.cos(x)

plt.plot(x, y)

plt.show()

所绘制图形如下所示：

Tips：虽然Numpy对于可视化而言并非必要，但可以看出使用Numpy库可以更加高效。

Numpy可以一次对整个数组执行操作，可以使代码更高效，以绘制[-10,10]区间内的曲线 y = x 3 + 5 x − 10 y=x^3+5x-10 y=x3+5x−10为例：

plot_np.py

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-10, 10, 800)

y = x ** 3 + 5 * x - 10

plt.plot(x, y)

plt.show()

绘制图形如下

绘制多曲线图

很多时候我们需要对比多组数据，以发现数据间的异同，此时就需要在一张图片上绘制多条曲线——多曲线图，下图展示了在同一图片中绘制函数 y = x y=x y=x、 y = x 2 y=x^2 y=x2， y = l o g e x y=log_ex y=loge​x以及 y = s i n ( x ) y=sin(x) y=sin(x)：

plot_multi_curve.py

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(0.1, 2 * np.pi, 100)

y_1 = x

y_2 = np.square(x)

y_3 = np.log(x)

y_4 = np.sin(x)

plt.plot(x,y_1)

plt.plot(x,y_2)

plt.plot(x,y_3)

plt.plot(x,y_4)

plt.show()

上述脚本绘制图形如下：

Tips：一条曲线的绘制需要调用一次plt.plot()，而plt.show()只需调用一次。这种延迟呈现机制是matplotlib的核心，我们可以声明在任何时间绘制图形，但只有在调用plt.show()时才会渲染显示图形。

为了更好的说明这种延迟呈现机制，编写以下代码：

deferred_rendering.py

import numpy as np

import matplotlib.pyplot as plt

def plot_func(x, y):

x_s = x[1:] - y[:-1]

y_s = y[1:] - x[:-1]

plt.plot(x[1:], x_s / y_s)

x = np.linspace(-5, 5, 200)

y = np.exp(-x ** 2)

plt.plot(x, y)

plot_func(x, y)

plt.show()

绘制图形如下：

可以看到，尽管其中一个plt.plot()是在plot_func函数中调用的，它对图形的呈现没有任何影响，因为plt.plot()只是声明了我们要呈现的内容，但还没有执行渲染。因此可以使用此特性结合for循环、条件判断等语法完成复杂图形的绘制，同时也可以在同一张图中组合不同类型的统计图。

读取数据文件绘制曲线图

很多情况下数据都是存储于文件中，因此，需要首先读取文件中的数据，再进行绘制，说明起见，以.txt文件为例，其他诸如Excel、CSV文件可以使用pandas、numpy等库进行读取。

假设存在data.txt文件如下：

0 1

1 2

2 5

4 17

5 26

6 37

读取数据和绘制的代码如下：

read_txt.py

import matplotlib.pyplot as plt

x, y = [], []

for line in open(‘data.txt’, ‘r’):

values = [float(s) for s in line.split()]

x.append(values[0])

y.append(values[1])

plt.plot(x, y)

plt.show()

如果使用Numpy库，其等效代码可以写为：

import matplotlib.pyplot as plt

import numpy as np

data = np.loadtxt(‘data.txt’)

plt.plot(data[:,0], data[:,1])

plt.show()

散点图

---

当绘制曲线图时，我们假设点与点之间存在序列关系。而散点图是简单地绘制点，它们之间并不存在连接。

import numpy as np

import matplotlib.pyplot as plt

data = np.random.rand(1000, 2)

plt.scatter(data[:,0], data[:,1])

plt.show()

Tips：函数plt.scatter()的调用方式与plt.plot()完全相同，分别将点的x和y坐标作为输入参数。

条形图

---

条形图具有丰富的表现形式，常见的类型包括单组条形图，多组条形图，堆积条形图和对称条形图等。

单组条形图

条形图的每种表现形式都可以绘制成垂直条形图或水平条形图，以单组条形图的两种绘制方式为例。

垂直条形图

import matplotlib.pyplot as plt

data = [10., 20., 5., 15.]

plt.bar(range(len(data)), data)

plt.show()

Tips：plt.plot()函数的作用是：接收两个参数，包括每个条形的x坐标和每个条行的高度。

通过可选参数width，pyplot.bar()提供了一种控制条形图中条状宽度的方法:

import matplotlib.pyplot as plt

data = [10., 20., 5., 15.]

plt.bar(range(len(data)), data, width=0.5)

plt.show()

水平条形图

如果更喜欢水平条形外观，就可以使用plt.barh()函数，在用法方面与plt.bar()基本相同，但是修改条形宽度(或者在水平条形图中应该称为高度)的参数需要使用height：

import matplotlib.pyplot as plt

data = [10., 20., 5., 15.]

plt.barh(range(len(data)), data, height=0.5)

plt.show()

多组条形图

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！