以后你肯定会用到的，25个常用Matplotlib图的Python代码，可以不会不能没有，建议收藏(1)

一、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，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

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！

Decorations

plt.gca().set(ylabel=‘$Model$’, xlabel=‘$Mileage$’)

plt.yticks(df.index, df.cars, fontsize=12)

plt.title(‘Diverging Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.show()

11. 发散型文本

分散的文本类似于发散条，如果你想以一种漂亮和可呈现的方式显示图表中每个项目的价值，它更喜欢。

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘green’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,14), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z)

for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):

t = plt.text(x, y, round(tex, 2), horizontalalignment=‘right’ if x < 0 else ‘left’,

verticalalignment=‘center’, fontdict={‘color’:‘red’ if x < 0 else ‘green’, ‘size’:14})

Decorations

plt.yticks(df.index, df.cars, fontsize=12)

plt.title(‘Diverging Text Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.xlim(-2.5, 2.5)

plt.show()

12. 发散型包点图

发散点图也类似于发散条。然而，与发散条相比，条的不存在减少了组之间的对比度和差异。

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘darkgreen’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,16), dpi= 80)

plt.scatter(df.mpg_z, df.index, s=450, alpha=.6, color=df.colors)

for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):

t = plt.text(x, y, round(tex, 1), horizontalalignment=‘center’,

verticalalignment=‘center’, fontdict={‘color’:‘white’})

Decorations

Lighten borders

plt.gca().spines[“top”].set_alpha(.3)

plt.gca().spines[“bottom”].set_alpha(.3)

plt.gca().spines[“right”].set_alpha(.3)

plt.gca().spines[“left”].set_alpha(.3)

plt.yticks(df.index, df.cars)

plt.title(‘Diverging Dotplot of Car Mileage’, fontdict={‘size’:20})

plt.xlabel(‘$Mileage$’)

plt.grid(linestyle=‘–’, alpha=0.5)

plt.xlim(-2.5, 2.5)

plt.show()

13. 带标记的发散型棒棒糖图

带标记的棒棒糖通过强调您想要引起注意的任何重要数据点并在图表中适当地给出推理，提供了一种可视化分歧的灵活方式。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = ‘black’

color fiat differently

df.loc[df.cars == ‘Fiat X1-9’, ‘colors’] = ‘darkorange’

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

import matplotlib.patches as patches

plt.figure(figsize=(14,16), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors, alpha=0.4, linewidth=1)

plt.scatter(df.mpg_z, df.index, color=df.colors, s=[600 if x == ‘Fiat X1-9’ else 300 for x in df.cars], alpha=0.6)

plt.yticks(df.index, df.cars)

plt.xticks(fontsize=12)

Annotate

plt.annotate(‘Mercedes Models’, xy=(0.0, 11.0), xytext=(1.0, 11), xycoords=‘data’,

fontsize=15, ha=‘center’, va=‘center’,

bbox=dict(boxstyle=‘square’, fc=‘firebrick’),

arrowprops=dict(arrowstyle=‘-[, widthB=2.0, lengthB=1.5’, lw=2.0, color=‘steelblue’), color=‘white’)

Add Patches

p1 = patches.Rectangle((-2.0, -1), width=.3, height=3, alpha=.2, facecolor=‘red’)

p2 = patches.Rectangle((1.5, 27), width=.8, height=5, alpha=.2, facecolor=‘green’)

plt.gca().add_patch(p1)

plt.gca().add_patch(p2)

Decorate

plt.title(‘Diverging Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.show()

14.面积图

通过对轴和线之间的区域进行着色，区域图不仅强调峰值和低谷，而且还强调高点和低点的持续时间。高点持续时间越长，线下面积越大。

import numpy as np

import pandas as pd

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/economics.csv”, parse_dates=[‘date’]).head(100)

x = np.arange(df.shape[0])

y_returns = (df.psavert.diff().fillna(0)/df.psavert.shift(1)).fillna(0) * 100

Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] >= 0, facecolor=‘green’, interpolate=True, alpha=0.7)

plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] <= 0, facecolor=‘red’, interpolate=True, alpha=0.7)

Annotate

plt.annotate('Peak

1975’, xy=(94.0, 21.0), xytext=(88.0, 28),

bbox=dict(boxstyle=‘square’, fc=‘firebrick’),

arrowprops=dict(facecolor=‘steelblue’, shrink=0.05), fontsize=15, color=‘white’)

Decorations

xtickvals = [str(m)[:3].upper()+“-”+str(y) for y,m in zip(df.date.dt.year, df.date.dt.month_name())]

plt.gca().set_xticks(x[::6])

plt.gca().set_xticklabels(xtickvals[::6], rotation=90, fontdict={‘horizontalalignment’: ‘center’, ‘verticalalignment’: ‘center_baseline’})

plt.ylim(-35,35)

plt.xlim(1,100)

plt.title(“Month Economics Return %”, fontsize=22)

plt.ylabel(‘Monthly returns %’)

plt.grid(alpha=0.5)

plt.show()

15. 有序条形图

有序条形图有效地传达了项目的排名顺序。但是，在图表上方添加度量标准的值，用户可以从图表本身获取精确信息。

Prepare Data

df_raw = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

import matplotlib.patches as patches

fig, ax = plt.subplots(figsize=(16,10), facecolor=‘white’, dpi= 80)

ax.vlines(x=df.index, ymin=0, ymax=df.cty, color=‘firebrick’, alpha=0.7, linewidth=20)

Annotate Text

for i, cty in enumerate(df.cty):

ax.text(i, cty+0.5, round(cty, 1), horizontalalignment=‘center’)

Title, Label, Ticks and Ylim

ax.set_title(‘Bar Chart for Highway Mileage’, fontdict={‘size’:22})

ax.set(ylabel=‘Miles Per Gallon’, ylim=(0, 30))

plt.xticks(df.index, df.manufacturer.str.upper(), rotation=60, horizontalalignment=‘right’, fontsize=12)

Add patches to color the X axis labels

p1 = patches.Rectangle((.57, -0.005), width=.33, height=.13, alpha=.1, facecolor=‘green’, transform=fig.transFigure)

p2 = patches.Rectangle((.124, -0.005), width=.446, height=.13, alpha=.1, facecolor=‘red’, transform=fig.transFigure)

fig.add_artist(p1)

fig.add_artist(p2)

plt.show()

16. 棒棒糖图

棒棒糖图表以一种视觉上令人愉悦的方式提供与有序条形图类似的目的。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Prepare Data

df_raw = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

ax.vlines(x=df.index, ymin=0, ymax=df.cty, color=‘firebrick’, alpha=0.7, linewidth=2)

ax.scatter(x=df.index, y=df.cty, s=75, color=‘firebrick’, alpha=0.7)

Title, Label, Ticks and Ylim

ax.set_title(‘Lollipop Chart for Highway Mileage’, fontdict={‘size’:22})

ax.set_ylabel(‘Miles Per Gallon’)

ax.set_xticks(df.index)

ax.set_xticklabels(df.manufacturer.str.upper(), rotation=60, fontdict={‘horizontalalignment’: ‘right’, ‘size’:12})

ax.set_ylim(0, 30)

Annotate

for row in df.itertuples():

ax.text(row.Index, row.cty+.5, s=round(row.cty, 2), horizontalalignment= ‘center’, verticalalignment=‘bottom’, fontsize=14)

plt.show()

17. 包点图

点图表传达了项目的排名顺序。由于它沿水平轴对齐，因此您可以更容易地看到点彼此之间的距离。

Prepare Data

df_raw = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

ax.hlines(y=df.index, xmin=11, xmax=26, color=‘gray’, alpha=0.7, linewidth=1, linestyles=‘dashdot’)

ax.scatter(y=df.index, x=df.cty, s=75, color=‘firebrick’, alpha=0.7)

Title, Label, Ticks and Ylim

ax.set_title(‘Dot Plot for Highway Mileage’, fontdict={‘size’:22})

ax.set_xlabel(‘Miles Per Gallon’)

ax.set_yticks(df.index)

ax.set_yticklabels(df.manufacturer.str.title(), fontdict={‘horizontalalignment’: ‘right’})

ax.set_xlim(10, 27)

plt.show()

18. 坡度图

斜率图最适合比较给定人/项目的“之前”和“之后”位置。

import matplotlib.lines as mlines

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/gdppercap.csv”)

left_label = [str© + ', '+ str(round(y)) for c, y in zip(df.continent, df[‘1952’])]

right_label = [str© + ', '+ str(round(y)) for c, y in zip(df.continent, df[‘1957’])]

klass = [‘red’ if (y1-y2) < 0 else ‘green’ for y1, y2 in zip(df[‘1952’], df[‘1957’])]

draw line

https://stackoverflow.com/questions/36470343/how-to-draw-a-line-with-matplotlib/36479941

def newline(p1, p2, color=‘black’):

ax = plt.gca()

l = mlines.Line2D([p1[0],p2[0]], [p1[1],p2[1]], color=‘red’ if p1[1]-p2[1] > 0 else ‘green’, marker=‘o’, markersize=6)

ax.add_line(l)

return l

fig, ax = plt.subplots(1,1,figsize=(14,14), dpi= 80)

Vertical Lines

ax.vlines(x=1, ymin=500, ymax=13000, color=‘black’, alpha=0.7, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=3, ymin=500, ymax=13000, color=‘black’, alpha=0.7, linewidth=1, linestyles=‘dotted’)

Points

ax.scatter(y=df[‘1952’], x=np.repeat(1, df.shape[0]), s=10, color=‘black’, alpha=0.7)

ax.scatter(y=df[‘1957’], x=np.repeat(3, df.shape[0]), s=10, color=‘black’, alpha=0.7)

Line Segmentsand Annotation

for p1, p2, c in zip(df[‘1952’], df[‘1957’], df[‘continent’]):

newline([1,p1], [3,p2])

ax.text(1-0.05, p1, c + ', ’ + str(round(p1)), horizontalalignment=‘right’, verticalalignment=‘center’, fontdict={‘size’:14})

ax.text(3+0.05, p2, c + ', ’ + str(round(p2)), horizontalalignment=‘left’, verticalalignment=‘center’, fontdict={‘size’:14})

‘Before’ and ‘After’ Annotations

ax.text(1-0.05, 13000, ‘BEFORE’, horizontalalignment=‘right’, verticalalignment=‘center’, fontdict={‘size’:18, ‘weight’:700})

ax.text(3+0.05, 13000, ‘AFTER’, horizontalalignment=‘left’, verticalalignment=‘center’, fontdict={‘size’:18, ‘weight’:700})

Decoration

ax.set_title(“Slopechart: Comparing GDP Per Capita between 1952 vs 1957”, fontdict={‘size’:22})

ax.set(xlim=(0,4), ylim=(0,14000), ylabel=‘Mean GDP Per Capita’)

ax.set_xticks([1,3])

ax.set_xticklabels([“1952”, “1957”])

plt.yticks(np.arange(500, 13000, 2000), fontsize=12)

Lighten borders

plt.gca().spines[“top”].set_alpha(.0)

plt.gca().spines[“bottom”].set_alpha(.0)

plt.gca().spines[“right”].set_alpha(.0)

plt.gca().spines[“left”].set_alpha(.0)

plt.show()

19. 哑铃图

哑铃图传达各种项目的“前”和“后”位置以及项目的排序。如果您想要将特定项目/计划对不同对象的影响可视化，那么它非常有用。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

import matplotlib.lines as mlines

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/health.csv”)

df.sort_values(‘pct_2014’, inplace=True)

df.reset_index(inplace=True)

Func to draw line segment

def newline(p1, p2, color=‘black’):

ax = plt.gca()

l = mlines.Line2D([p1[0],p2[0]], [p1[1],p2[1]], color=‘skyblue’)

ax.add_line(l)

return l

Figure and Axes

fig, ax = plt.subplots(1,1,figsize=(14,14), facecolor=‘#f7f7f7’, dpi= 80)

Vertical Lines

ax.vlines(x=.05, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=.10, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=.15, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

ax.vlines(x=.20, ymin=0, ymax=26, color=‘black’, alpha=1, linewidth=1, linestyles=‘dotted’)

Points

ax.scatter(y=df[‘index’], x=df[‘pct_2013’], s=50, color=‘#0e668b’, alpha=0.7)

ax.scatter(y=df[‘index’], x=df[‘pct_2014’], s=50, color=‘#a3c4dc’, alpha=0.7)

Line Segments

for i, p1, p2 in zip(df[‘index’], df[‘pct_2013’], df[‘pct_2014’]):

newline([p1, i], [p2, i])

Decoration

ax.set_facecolor(‘#f7f7f7’)

ax.set_title(“Dumbell Chart: Pct Change - 2013 vs 2014”, fontdict={‘size’:22})

ax.set(xlim=(0,.25), ylim=(-1, 27), ylabel=‘Mean GDP Per Capita’)

ax.set_xticks([.05, .1, .15, .20])

ax.set_xticklabels([‘5%’, ‘15%’, ‘20%’, ‘25%’])

ax.set_xticklabels([‘5%’, ‘15%’, ‘20%’, ‘25%’])

plt.show()

20. 连续变量的直方图

直方图显示给定变量的频率分布。下面的表示基于分类变量对频率条进行分组，从而更好地了解连续变量和串联变量。

Import Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

Prepare data

x_var = ‘displ’

groupby_var = ‘class’

df_agg = df.loc[:, [x_var, groupby_var]].groupby(groupby_var)

vals = [df[x_var].values.tolist() for i, df in df_agg]

Draw

plt.figure(figsize=(16,9), dpi= 80)

colors = [plt.cm.Spectral(i/float(len(vals)-1)) for i in range(len(vals))]

n, bins, patches = plt.hist(vals, 30, stacked=True, density=False, color=colors[:len(vals)])

Decoration

plt.legend({group:col for group, col in zip(np.unique(df[groupby_var]).tolist(), colors[:len(vals)])})

plt.title(f"Stacked Histogram of $x_{v}ar$ colored by $groupb{y}_{v}ar$", fontsize=22)

plt.xlabel(x_var)

plt.ylabel(“Frequency”)

plt.ylim(0, 25)

plt.xticks(ticks=bins[::3], labels=[round(b,1) for b in bins[::3]])

plt.show()

21. 类型变量的直方图

分类变量的直方图显示该变量的频率分布。通过对条形图进行着色，您可以将分布与表示颜色的另一个分类变量相关联。

Import Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

Prepare data

x_var = ‘manufacturer’

groupby_var = ‘class’

df_agg = df.loc[:, [x_var, groupby_var]].groupby(groupby_var)

vals = [df[x_var].values.tolist() for i, df in df_agg]

Draw

plt.figure(figsize=(16,9), dpi= 80)

colors = [plt.cm.Spectral(i/float(len(vals)-1)) for i in range(len(vals))]

n, bins, patches = plt.hist(vals, df[x_var].unique().len(), stacked=True, density=False, color=colors[:len(vals)])

Decoration

plt.legend({group:col for group, col in zip(np.unique(df[groupby_var]).tolist(), colors[:len(vals)])})

plt.title(f"Stacked Histogram of $x_{v}ar$ colored by $groupb{y}_{v}ar$", fontsize=22)

plt.xlabel(x_var)

plt.ylabel(“Frequency”)

plt.ylim(0, 40)

plt.xticks(ticks=bins, labels=np.unique(df[x_var]).tolist(), rotation=90, horizontalalignment=‘left’)

plt.show()

22. 密度图

密度图是一种常用工具，可视化连续变量的分布。通过“响应”变量对它们进行分组，您可以检查X和Y之间的关系。以下情况，如果出于代表性目的来描述城市里程的分布如何随着汽缸数的变化而变化。

Import Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

Draw Plot

plt.figure(figsize=(16,10), dpi= 80)

sns.kdeplot(df.loc[df[‘cyl’] == 4, “cty”], shade=True, color=“g”, label=“Cyl=4”, alpha=.7)

sns.kdeplot(df.loc[df[‘cyl’] == 5, “cty”], shade=True, color=“deeppink”, label=“Cyl=5”, alpha=.7)

sns.kdeplot(df.loc[df[‘cyl’] == 6, “cty”], shade=True, color=“dodgerblue”, label=“Cyl=6”, alpha=.7)

sns.kdeplot(df.loc[df[‘cyl’] == 8, “cty”], shade=True, color=“orange”, label=“Cyl=8”, alpha=.7)

Decoration

plt.title(‘Density Plot of City Mileage by n_Cylinders’, fontsize=22)

plt.legend()

23. 直方密度线图

带有直方图的密度曲线将两个图表传达的集体信息汇集在一起，这样您就可以将它们放在一个图形而不是两个图形中。

Import Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

Draw Plot

plt.figure(figsize=(13,10), dpi= 80)

sns.distplot(df.loc[df[‘class’] == ‘compact’, “cty”], color=“dodgerblue”, label=“Compact”, hist_kws={‘alpha’:.7}, kde_kws={‘linewidth’:3})

sns.distplot(df.loc[df[‘class’] == ‘suv’, “cty”], color=“orange”, label=“SUV”, hist_kws={‘alpha’:.7}, kde_kws={‘linewidth’:3})

sns.distplot(df.loc[df[‘class’] == ‘minivan’, “cty”], color=“g”, label=“minivan”, hist_kws={‘alpha’:.7}, kde_kws={‘linewidth’:3})

plt.ylim(0, 0.35)

Decoration

plt.title(‘Density Plot of City Mileage by Vehicle Type’, fontsize=22)

plt.legend()

plt.show()

24. Joy Plot

Joy Plot允许不同组的密度曲线重叠，这是一种可视化相对于彼此的大量组的分布的好方法。它看起来很悦目，并清楚地传达了正确的信息。它可以使用joypy基于的包来轻松构建matplotlib。

!pip install joypy

Import Data

mpg = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

Draw Plot

plt.figure(figsize=(16,10), dpi= 80)

fig, axes = joypy.joyplot(mpg, column=[‘hwy’, ‘cty’], by=“class”, ylim=‘own’, figsize=(14,10))

Decoration

plt.title(‘Joy Plot of City and Highway Mileage by Class’, fontsize=22)

plt.show()

25. 分布式点图

分布点图显示按组分割的点的单变量分布。点数越暗，该区域的数据点集中度越高。通过对中位数进行不同着色，组的真实定位立即变得明显。

import matplotlib.patches as mpatches

Prepare Data

df_raw = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

cyl_colors = {4:‘tab:red’, 5:‘tab:green’, 6:‘tab:blue’, 8:‘tab:orange’}

df_raw[‘cyl_color’] = df_raw.cyl.map(cyl_colors)

Mean and Median city mileage by make

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, ascending=False, inplace=True)

df.reset_index(inplace=True)

df_median = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.median())

Draw horizontal lines

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

ax.hlines(y=df.index, xmin=0, xmax=40, color=‘gray’, alpha=0.5, linewidth=.5, linestyles=‘dashdot’)

Draw the Dots

for i, make in enumerate(df.manufacturer):

df_make = df_raw.loc[df_raw.manufacturer==make, :]

ax.scatter(y=np.repeat(i, df_make.shape[0]), x=‘cty’, data=df_make, s=75, edgecolors=‘gray’, c=‘w’, alpha=0.5)

ax.scatter(y=i, x=‘cty’, data=df_median.loc[df_median.index==make, :], s=75, c=‘firebrick’)

Annotate

ax.text(33, 13, “$red;dots;are;the:median$”, fontdict={‘size’:12}, color=‘firebrick’)

Decorations

red_patch = plt.plot([],[], marker=“o”, ms=10, ls=“”, mec=None, color=‘firebrick’, label=“Median”)

plt.legend(handles=red_patch)

ax.set_title(‘Distribution of City Mileage by Make’, fontdict={‘size’:22})

ax.set_xlabel(‘Miles Per Gallon (City)’, alpha=0.7)

ax.set_yticks(df.index)

ax.set_yticklabels(df.manufacturer.str.title(), fontdict={‘horizontalalignment’: ‘right’}, alpha=0.7)

ax.set_xlim(1, 40)

plt.xticks(alpha=0.7)

plt.gca().spines[“top”].set_visible(False)

plt.gca().spines[“bottom”].set_visible(False)

plt.gca().spines[“right”].set_visible(False)

plt.gca().spines[“left”].set_visible(False)

plt.grid(axis=‘both’, alpha=.4, linewidth=.1)

plt.show()

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，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。

二、学习软件

工欲善其必先利其器。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。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

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。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

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。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

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！