Python-Matplotlib可视化（3）——自定义样式绘制精美统计图

import numpy as np

import matplotlib.pyplot as plt

def gaussian(x, mu, sigma):

a = 1. / (sigma * np.sqrt(2. * np.pi))

b = -1. / (2. * sigma ** 2)

return a * np.exp(b * (x - mu) ** 2)

x = np.linspace(-6, 6, 1024)

for i in range(64):

samples = np.random.standard_normal(50)

mu, sigma = np.mean(samples), np.std(samples)

plt.plot(x, gaussian(x, mu, sigma), color = ‘.75’, linewidth = .5)

plt.plot(x, gaussian(x, 0., 1.), color = ‘c’, linewidth = 3.)

plt.show()

控制填充样式

---

matplotlib提供了填充图案用于填充平面。这些填充图案，对于仅包含黑白两色的图形中具有重要作用。

import numpy as np

import matplotlib.pyplot as plt

n = 10

a = np.random.random(n)

b = np.random.random(n)

x = np.arange(n)

plt.bar(x, a, color=‘w’, hatch=‘x’, edgecolor=‘black’)

plt.bar(x, a+b, bottom=a, color=‘w’, edgecolor=‘black’, hatch=‘/’)

plt.show()

具有填充呈现性的函数（如pyplot.bar()）接受可选参数hatch控制填充样式，此参数的可选值包括："/"， "\"， "|"， "-"， "+"， "x"， "o"， "O"，"."和"*"，每个值对应于不同的填充图案；edgecolor参数可用于控制图案填充的颜色。

控制标记样式

---

在《详解常见统计图的绘制》中，我们已经了解了如何如何绘制曲线，并明白了曲线是由点之间的连线构成的；此外，散点图表示数据集中的每个点。而matplotlib提供了多种形状，可以用其他类型的标记替换点的样式。

标记的指定方式包括以下几种：

1. 预定义标记：预定义的形状，表示为[0, 8]范围内的整数或某些预定义的字符串。

2. 顶点列表：值对列表，用作形状路径的坐标。

3. 正多边形：表示N边正多边形的三元组(N, 0, angle)，其中angle为旋转角度。

4. 星形多边形：它表示为三元组(N, 1, angle)，代表N边正星形，其中angle为旋转角度。

import numpy as np

import matplotlib.pyplot as plt

a = np.random.standard_normal((100, 2))

a += np.array((-1, -1))

b = np.random.standard_normal((100, 2))

b += np.array((1, 1))

plt.scatter(a[:,0], a[:,1], color = ‘m’, marker = ‘x’)

plt.scatter(b[:,0], b[:,1], color = ‘c’, marker = ‘^’)

plt.show()

使用marker参数，可以为每个数据集合集合指定不同的标记。

我们已经在中学习了如何在散点图中为每个点定义不同的颜色，如果我们需要为每个点定义不同样式该怎么办呢？问题在于，与color参数不同，marker参数不接受标记样式列表作为输入。因此，我们不能实现plt.scatter()的单次调来显示具有不同标记的多个点集。解决方案是，将每种类型的数据点分隔置不同集合中，并为每个集合单独调用pyplot.scatter()调用：

import numpy as np

import matplotlib.pyplot as plt

label_list = (

b’Iris-setosa’,

b’Iris-versicolor’,

b’Iris-virginica’,

)

colors = [‘c’,‘y’,‘m’]

def read_label(label):

return label_list.index(label)

data = np.loadtxt(‘iris.data’, delimiter = ‘,’, converters = { 4 : read_label })

marker_set = (‘^’, ‘x’, ‘.’)

for i, marker in enumerate(marker_set):

data_subset = np.asarray([x for x in data if x[4] == i])

plt.scatter(data_subset[:,0], data_subset[:,1], color = colors[i], marker = marker)

plt.show()

对于pyplot.plot()，也可以使用相同的标记参数访问标记样式。当数据点密集时，每个点都使用标记进行显示将会导致图片混乱，因此matplotlib提供了markevery参数，允许每隔N个点显示一个标记：

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-6, 6, 1024)

y_1 = np.sinc(x)

y_2 = np.sinc(x) + 1

plt.plot(x, y_1, marker = ‘x’, color = ‘.75’)

plt.plot(x, y_2, marker = ‘o’, color = ‘k’, markevery = 64)

plt.show()

控制标记大小

---

标记的大小可选参数s进行控制：

import numpy as np

import matplotlib.pyplot as plt

a = np.random.standard_normal((100, 2))

a += np.array((-1, -1))

b = np.random.standard_normal((100, 2))

b += np.array((1, 1))

plt.scatter(a[:,0], a[:,1], c = ‘m’, s = 100.)

plt.scatter(b[:,0], b[:,1], c = ‘c’, s = 25.)

plt.show()

Tips：标记的大小由plt.scatter()的参数s设置，但应注意它设置的是标记的表面积倍率而非半径。

plt.scatter()函数还可以接受列表作为s参数的输入，其表示每个点对应一个大小：

import numpy as np

import matplotlib.pyplot as plt

m = np.random.standard_normal((1000, 2))

r_list = np.sum(m ** 2, axis = 1)

plt.scatter(m[:, 0], m[:, 1], c = ‘w’, edgecolor=‘c’, marker = ‘o’, s = 32. * r_list)

plt.show()

Tips：plt.plot()函数允许在markersize(或简写为ms)参数的帮助下更改标记的大小，但是此参数不接受列表作为输入。

创建自定义标记

---

虽然matplotlib提供了多种标记形状。但是在某些情况下我们可能仍然找不到适合具体需求的形状。例如，我们可能希望使用公司徽标等作为形状。

在matplotlib中，将形状描述为一条路径——一系列点的连接。因此，如果要定义我们自己的标记形状，必须提供一系列的点：

import numpy as np

import matplotlib.path as mpath

from matplotlib import pyplot as plt

shape_description = [

( 1., 2., mpath.Path.MOVETO),

( 1., 1., mpath.Path.LINETO),

( 2., 1., mpath.Path.LINETO),

( 2., -1., mpath.Path.LINETO),

( 1., -1., mpath.Path.LINETO),

( 1., -2., mpath.Path.LINETO),

(-1., -2., mpath.Path.LINETO),

(-1., -1., mpath.Path.LINETO),

(-2., -1., mpath.Path.LINETO),

(-2., 1., mpath.Path.LINETO),

(-1., 1., mpath.Path.LINETO),

(-1., 2., mpath.Path.LINETO),

( 0., 0., mpath.Path.CLOSEPOLY),

]

u, v, codes = zip(*shape_description)

my_marker = mpath.Path(np.asarray((u, v)).T, codes)

data = np.random.rand(8, 8)

plt.scatter(data[:,0], data[:, 1], c = ‘m’, marker = my_marker, s = 75)

plt.show()

Tips：所有带有标记的图形的pyplot函数都有一个可选参数marker，其参数值可以是预定义的matplotlib标记，也可以是自定义的路径实例，路径对象在matplotlib.path模块中定义。

Path对象的构造函数将坐标列表和指令列表作为输入；每个坐标一条指令，使用一个列表将坐标和指令融合在一起，然后将坐标列表和指令传递给路径构造函数，如下所示：

u, v, codes = zip(*shape_description)

my_marker = mpath.Path(np.asarray((u, v)).T, codes)

形状是通过光标的移动来描述的：

• MOVETO：此指令将光标移动到指定的坐标，并不画线。

• LINETO：这将在光标当前点和目标点之间绘制直线，并将光标移动至目标点。

• CLOSEPOLY：此指令仅用于关闭路径，每个形状都以这条指示结束。

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）

g-QAu03URB-1713611849797)]

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）