Python-Matplotlib可视化（1）——一文详解常见统计图的绘制

• • matplotlib库

• 曲线图

• • 曲线图的绘制

• 结合Numpy库，绘制曲线图

• 绘制多曲线图

• 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

当需要比较不同年份相应季度的销量等此类需求时，我们可能需要多组条形图。

import numpy as np

import matplotlib.pyplot as plt

data = [[10., 20., 30., 20.],[40., 25., 53., 18.],[6., 22., 52., 19.]]

x = np.arange(4)

plt.bar(x + 0.00, data[0], color = ‘b’, width = 0.25)

plt.bar(x + 0.25, data[1], color = ‘g’, width = 0.25)

plt.bar(x + 0.50, data[2], color = ‘r’, width = 0.25)

plt.show()

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

[外链图片转存中…(img-m2SNIYzj-1713611779395)]

[外链图片转存中…(img-I2z1NrLR-1713611779396)]

[外链图片转存中…(img-HewKr6Tw-1713611779397)]

[外链图片转存中…(img-LBYV62CG-1713611779398)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）