Matplotlib数据可视化基本语法及绘图方法

一、数据可视化

数据可视化指的是用图表将数据表现出来，使数据更直观。

常见的图表类型有：散点图、折现图、直方图、饼图等。

二、Matplotlib介绍

matplotlib是一个强大的Python绘图库，用于创建高质量的静态、动态和交互式图表。它提供了广泛的绘图选项，适用于数据可视化、科学计算、工程绘图等多个领域。

主要特点：

丰富的图表类型：matplotlib支持各种常见的图表类型，包括折线图、散点图、柱状图、饼图、箱线图、等高线图等。这使得你可以根据不同需求选择最适合的图表类型来展示数据。
高度可定制性：matplotlib提供了丰富的配置选项，允许你自定义图表的各个方面，包括线条样式、颜色、坐标轴刻度、标签、标题等。你可以通过调整这些参数来使图表符合你的需求，并保证图表的美观与易读性。
支持多种输出格式：matplotlib可以将图表保存为多种格式，如图像文件（PNG、JPEG、SVG等）、PDF文档等。这方便了图表的保存和共享，使其可以在各种媒介上使用。
支持交互式图表：matplotlib可以与其他库（如NumPy、Pandas、Seaborn）以及IPython等交互式环境相结合，实现动态和交互式的数据可视化。这让你能够通过操作图表来探索和分析数据。

matplotlib安装

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

import matplotlib
print(matplotlib.__version__)	#3.8.0

三、matplotlib画图基本语法

1.matplotlib图表常用设置

选择绘图函数——以plot函数（折线图）为例

绘图函数决定要绘制什么样的图形，不同的图形有不同的函数名称（见后面内容）

绘图语法：

plt.plot(x,y,color,linestyle,marker,format_string,...)

参数	作用
x	x轴数据，传入参数值时不要写参数名x
y	y轴数据，传入参数值时不要写参数名y
color	图形颜色，接收颜色英文名、颜色英文名首字母、十六进制颜色代码等
linestyle	线条样式，‘-’是实线，‘--‘是虚线，...
marker	点的样式，’*‘是星号，’o是圆点，...
format_string	可以通过一串字符控制图形样式，如'r--o'表示红色、虚线、圆点

设置画布

画布类似画画时的画板，决定了我们的图形的大小，默认的画布为白色，看不见其边界。

语法：

plot.figure(figsize,...)

figsize:接受元组（a,b），ab表示画布的长，b表示画布的高

例：

设置坐标轴

坐标轴分为x轴和y轴，其内容包括坐标轴标题、刻度、范围和网格线。

Matplotlib库中通过不同函数控制以上坐标轴的设置。

添加文本标签

可以在画布中任意位置一次性添加一个文本信息

语法：

plot.text(x,y,s,ha,va,fontsize,color,...)

设置标题和图例

标题显示在画布和图表的正上方。图例一般显示在图表角落，用于描述数据的含义

显示标题语法：

plot.title('标题')

显示图例语法：

plot.legend('数据标签',loc,fontsize，...)

loc参数：决定图例的位置，如“upper right”表示右上方

2.常见的图形及其绘制方法

(1)柱状图：

柱状图能够查看各项数据的大小异常

绘制函数：

plt.bar(x,height,width,...)

可以通过多个plt.bar()绘制多重柱形图

(2)饼图

饼图能够查看各项数据在总计中的占比情况

绘图函数：

plt.pie(x,labels,radius,autopct...)

(3)折线图

折线图能够查看时间序列数据的趋势波动

绘制函数：

plt.plot(x,y,color,linestyle,marker,format_string,...)

(4)散点图

散点图能够查看两个序列数据之间的相关关系

绘图函数：

plt.scatter(x,y,s,c,marker,...)

(5)直方图

直方图能够查看序列数据的分布情况

数据的分布即统计序列在不同区间内数据的个数

绘图函数：

plt.hist(x,bins,...)

(6)箱型图

通过四分位数（Q1/Q2/Q3）和上限、下限表示数据分布

上限=Q3+1.5*（Q3-Q1），下限=Q1-1.5*(Q3-Q1)

箱型图通过圆点来显示序列的异常值

绘图函数：

plt.boxplot(x,labels,vert,whis...)

3.同时绘制多张图的方法

基本流程

创建画布

生成画布函数：

plt.figure(figsize=(a,b))

figsize:设置空白画布的大小，接收一个含有两个元素的元组，表示画布的长和宽

添加子图的逻辑

子图区域选择函数：

plt.subplot（x,y,z）

执行后会在画布中选定一个区域，由参数xyz决定

x,y：表示将该画布对象划分为x行y列，共x*y个区域

z：表示在上述的x*y个区域中的第z个

（从左到右，从上到下）区域上画图。

例：

绘制子图

绘制子图需要执行完subplot函数后执行绘图的相关代码

每次执行完一个subplot函数选择一个区域后执行绘图代码即可在该位置绘图

例：

fig, ax = plt.subplots(nrows=1, ncols=1, ...)

import matplotlib.pyplot as plt

# 创建一个包含2行2列的子图布局
fig, ax = plt.subplots(nrows=2, ncols=2)	# axes

# 在第一个子图(ax[0, 0])中绘制折线图
ax[0, 0].plot([1, 2, 3], [1, 4, 9])
ax[0, 0].set_title('Subplot 1')

# 在第二个子图(ax[0, 1])中绘制散点图
ax[0, 1].scatter([1, 2, 3], [1, 4, 9])
ax[0, 1].set_title('Subplot 2')

# 在第三个子图(ax[1, 0])中绘制柱状图
ax[1, 0].bar(['A', 'B', 'C'], [3, 2, 5])
ax[1, 0].set_title('Subplot 3')

# 在第四个子图(ax[1, 1])中绘制饼图
ax[1, 1].pie([2, 4, 6])
ax[1, 1].set_title('Subplot 4')

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

四、其他

绘图范式

面向对象（Object-Oriented）范式

这种范式使用Figure、Axes和其他绘图对象来构建图表。
首先创建一个Figure对象，然后在其中添加一个或多个Axes对象来绘制数据。
通过对Axes对象调用各种方法来设置坐标轴、添加线条、散点、图例等。
这种范式提供了更灵活的控制和定制图表的方式，适用于更复杂的绘图需求。
以下是一个使用面向对象范式绘制折线图的简单示例：

import matplotlib.pyplot as plt

# 创建一个空白的Figure对象和一个Axes对象
fig, ax = plt.subplots()

# 绘制折线图
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
ax.plot(x, y)

# 设置标题、坐标轴标签等
ax.set_title('My First Plot')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')

# 显示图形
plt.show()

快速绘图（Pyplot）范式

• 这种范式使用pyplot模块中的函数来绘制图表，而不需要显式地创建和操作Figure和Axes对象。
• 使用全局的状态来隐式地操作当前的图表和子图。
• 这种范式适用于快速绘制简单的图表。

以下是一个使用快速绘图范式绘制折线图的简单示例：

import matplotlib.pyplot as plt
# 绘制折线图
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y)

# 设置标题、坐标轴标签等
plt.title('My First Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 显示图形
plt.show()

修改线条颜色

在matplotlib中，可以使用color参数来修改线条的颜色。下面介绍两种常用的方法来指定线条的颜色：

预定义颜色

matplotlib提供了一些预定义的颜色名称，如'blue'、'red'、'green'等。
可以将预定义的颜色名称作为color参数的值传递给绘图函数。
例如，plt.plot(x, y, color='blue')会将线条颜色设置为蓝色。

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含100个元素的等间隔数组x，其取值范围从0到5（包含0和5）
x = np.linspace(0, 5, 100)

plt.figure(figsize=(10, 5))
# 使用预定义的颜色名称设置线条颜色为红色
plt.subplot(1,2,1)
plt.plot(x, x, 'red')
# 使用预定义的颜色名称设置线条颜色为蓝色
plt.subplot(1,2,2)
plt.plot(x, x**2, 'blue')

# 显示图形
plt.show()

RGB或RGBA颜色值

可以使用RGB（红绿蓝）或RGBA（红绿蓝透明度）颜色值来指定线条的颜色。
RGB颜色值由三个0到1之间的浮点数表示，分别代表红、绿和蓝的分量。
RGBA颜色值由四个0到1之间的浮点数表示，分别代表红、绿、蓝和透明度的分量。
以下是一个示例，展示如何修改线条的颜色：

import matplotlib.pyplot as plt
import numpy as np

# 创建一个包含100个元素的等间隔数组x，其取值范围从0到5（包含0和5）
x = np.linspace(0, 5, 100)
plt.figure(figsize=(10, 5))

# 使用预定义的颜色名称设置线条颜色为红色
plt.subplot(1,2,1)
plt.plot(x, x, color='red')

# 使用RGBA颜色值设置线条颜色为蓝色，并设置透明度为0.5
plt.subplot(1,2,2)
plt.plot(x, x**2, color=[0, 0, 1, 0.5]) #设置线条颜⾊

# 显示图形
plt.show()

修改线条线型

1. 实线：'-'或'solid'
2. 虚线：'--'或'dashed'
3. 点线：':'或'dotted'
4. 点划线：'-.'或'dashdot'

面向对象（Object-Oriented）范式

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 创建一个2x2的子图布局，将整个图形分割为2行2列
fig, axes = plt.subplots(2, 2)
# 在第一个子图中绘制数据
axes[0, 0].plot(x, y, linestyle='-')
axes[0, 0].set_title('Plot 1')
# 在第二个子图中绘制数据
axes[0, 1].plot(x, y, linestyle='--')
axes[0, 1].set_title('Plot 2')
# 在第三个子图中绘制数据
axes[1, 0].plot(x, y, linestyle=':')
axes[1, 0].set_title('Plot 3')
# 在第四个子图中绘制数据
axes[1, 1].plot(x, y, linestyle='-.')
axes[1, 1].set_title('Plot 4')
# 调整子图之间的间距
plt.tight_layout()
# 显示图形
plt.show()

快速绘图（Pyplot）范式

import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

plt.figure(figsize=(10, 5))
plt.subplot(2,2,1)
plt.plot(x, y, 'C0', linewidth=3, linestyle='solid')
plt.title('Plot 1')

plt.subplot(2,2,2)
plt.plot(x, y,'C1', linewidth=5, linestyle='dashed')
plt.title('Plot 2')

plt.subplot(2,2,3)
plt.plot(x, y,'C2', linewidth=5, linestyle='dotted')
plt.title('Plot 3')

plt.subplot(2,2,4)
plt.plot(x, y,'C3', linewidth=5, linestyle='dashdot')
plt.title('Plot 4')

# 调整子图之间的间距
plt.tight_layout()
plt.show()

五、综合案例

import matplotlib.pyplot as plt
import numpy as np

plt.figure(figsize=(12,8))
fontsize = 16

# 绘制第⼀幅图：双折线图
plt.subplot(2,2,1) 
# 创建一个包含100个元素的等间隔数组x，其取值范围从0到3（包含0和3）
x = np.linspace(0,3,100)
# 刻度设置为从0到4.5，步长为0.5的位置
plt.xticks(np.arange(0,4.5,0.5))
plt.yticks(np.arange(0,10,1))
#设置显示范围
plt.xlim(left=0, right=4)
plt.ylim(bottom=0, top=10)
plt.plot(x, x, 'C0', linewidth=3, linestyle='solid', label='$y=x$')
plt.plot(x, x**2, 'C1', linewidth=3, linestyle='solid', label='$y=x^2$')
plt.title('双折线图', fontsize=fontsize)
plt.xlabel('x轴标签', fontsize=fontsize)
plt.ylabel('y轴标签', fontsize=fontsize)
plt.annotate('$y=x$', xy=(2,2), fontsize=fontsize, color='C0',xytext= (+40,-40),textcoords='offset points',arrowprops = dict(arrowstyle='->'))
plt.annotate('$y=x^2$', xy=(2.5,6.25), fontsize=fontsize, color='C1',xytext= (+40,-40),textcoords='offset points',arrowprops = dict(arrowstyle='->'))
plt.legend(loc='upper left')
plt.grid()

#第⼆幅⼦图：绘制双柱状图
plt.subplot(2,2,2) #axes
labels = ['组1', '组2', '组3', '组4', '组5']
car1_sale = [20, 29, 32, 30, 27]
car2_sale = [23, 32, 30, 25, 25]
#创建一个与labels长度相同的数组，表示每个柱子的x坐标位置
x = np.arange(len(labels)) 
width = 0.35  # 柱状图的宽度
rects1 = plt.bar(x - width / 2, car1_sale, width, label='阿迪达斯', color='C1')
rects2 = plt.bar(x + width / 2, car2_sale, width, label='耐克', color='C2')
plt.ylabel('销量', fontsize=fontsize)
plt.title('两种品牌销量对比', fontsize=fontsize)
plt.xticks(x, labels, fontsize=fontsize)
plt.legend()
# 每个柱⼦上绘制y值
plt.bar_label(rects1, padding=3, fontsize=fontsize)
plt.bar_label(rects2, padding=3, fontsize=fontsize)

# 第三幅⼦图：绘制散点图
plt.subplot(2, 2, 3)
N = 45  # 散点个数
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N)) ** 2
plt.scatter(x, y, s=area, c=colors, alpha=0.76)
plt.xlabel('x坐标', fontsize=fontsize)
plt.ylabel('y坐标', fontsize=fontsize)
plt.title('45个散点', fontsize=fontsize)

# 第四个⼦图：饼图
plt.subplot(2, 2, 4)
labels = [u'西兰花', u'土豆', u'胡罗卜', u'茄⼦']  # 定义标签
sizes = [120, 255, 300, 80]  # 每块值
colors = ['C0', 'C1', 'C2', 'C3']  # 每块颜⾊定义
explode = (0, 0, 0.03, 0)  # 某⼀块分割，值越⼤分割间隙越⼤
_, text1, text2 = plt.pie(sizes,
                          explode=explode,
                          labels=labels,
                          colors=colors,
                          labeldistance=1.2,  # 图例距圆⼼半径倍距离
                          autopct='%3.2f%%',  # 数值保留固定⼩数位
                          shadow=False,  # ⽆阴影设置
                          startangle=90,  # 逆时针起始⻆度设置
                          pctdistance=0.8)  # 数值距圆⼼半径倍数距离
# texts1饼图外label，texts2饼图内
for t in text1:
    t.set_size(fontsize)
for t in text2:
    t.set_size(fontsize)

plt.axis('equal')
plt.legend()
plt.tight_layout()
plt.show()

绘图结果：