Python-----采用matplotlib库数据可视化

已于 2022-06-19 09:15:11 修改
阅读量1.4k 收藏 7
点赞数
分类专栏： Python数据分析 文章标签： python 数据可视化 matplotlib
于 2021-04-11 10:51:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ChristensonLee/article/details/115590321
版权

一、数据可视化

  • 数据可视化是关于图形或表格的数据展示。旨在借助于图形化手段，清晰有效地传达和沟通信息。有研究表明，人类大脑接收或理解图片的速度要比文字快6万倍，所以再整齐的数据，再好的表格，也不抵一张图来的简单、快捷。
    在数据分析中，数据可视化是一个很重要的部分。数据可视化不仅是展示数据分析的结果，而且更重要的是利用数据可视化来进行数据分析，如发现数据样本中的异常值，观察数据的分布，寻找数据之间的相关性等。
    在Python中数据可视化工具,应用性较好的数据可视化工具有Matplotlip、Seaborn、pyecharts=Python + Echarts，Echarts一个纯 Javascript 的图表库等。其中，Matplotlip是用于创建出版质量图表的绘图工具库，Seaborn是在Matplotlib基础上进行了更高级的API封装，从而使得作图更加容易。

二、matplotlib 绘图流程

在这里插入图片描述

三、创建绘图对象—figure对象

  • 在绘图前，先要创建绘图对象。如果不创建而直接调用绘图plot函数, Matplotlib会自动创建一个绘图对象。
    导入绘图的函数库，即pyplot子库。其代码：
    import matplotlib.pyplot as plt
    创建一个空白画布，可以指定画布大小，像素。其代码：
    plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
    参数说明：
    num:图像编号或名称，数字为编号 ，字符串为名称
    figsize:指定figure的宽和高，单位为英寸；
    dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80 1英寸等于2.5cm,A4纸是 21*30cm的纸张
    facecolor:背景颜色
    edgecolor:边框颜色
    frameon:是否显示边框
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 1000)   
#随机产生【0，10】之间1000个等差数列的x的值。
y = 3*x +1
plt.figure(figsize=(8,4),facecolor=('Pink'),edgecolor='blue')

plt.plot(x,y,color="red",linewidth=3,linestyle='--')
plt.show()

在这里插入图片描述

四、绘制sin(x)和cos(x)的图（plot)

  • matplotlib.pyplot中的plot()函数绘制折线图.
    plot()函数的常用格式：
    plot(x轴,y轴,折线形状颜色标记，标签显示在图例）
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 4*np.pi)
y = np.sin(x)
z = np.cos(x)

plt.plot(x,y,color="red",linestyle='-',linewidth=3)
plt.plot(x,z,color="blue",linestyle='--',linewidth=3)

plt.show()

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 4*np.pi)
y = np.sin(x)
z = np.cos(x)
plt.figure(figsize=(10,4))
plt.subplot(121)
plt.plot(x,y,color="red",linestyle='-',linewidth=3)
plt.subplot(122)
plt.plot(x,z,color="blue",linestyle='--',linewidth=3)

plt.show()

在这里插入图片描述

五、创建子图

在Matplotlib中，可以将一个绘图对象分为几个绘图区域，在每个绘图区域中可以绘制不同的图像，这种绘图形式称为创建子图。
创建子图:使用subplot()函数，该函数的语法格式：
plt.subplot(numRows,numCols,plotNum)

import matplotlib.pyplot as plt
import numpy as np

x=np.linspace(-10,10)
b1=np.sin(x)
c1=np.cos(x)
d1=2*x+4
e1=x**2+2*x+1
plt.figure(figsize=(8,4))                   
#创建绘图对象 

plt.subplot(2,2,1)         
# 等价于  plt.subplot(221)
plt.title('sin函数')
plt.plot(a1,b1)

plt.subplot(2,2,2)
plt.title('cos函数')
plt.plot(a1,c1)

plt.subplot(223)
plt.title('直线')
plt.plot(a1,d1)

plt.subplot(224)
plt.title('二次函数')
plt.plot(a1, e1)
plt.tight_layout(3,3,3)
plt.show()

在这里插入图片描述

六、matplotlib参数配置

在绘制图形时，有许多需要配置的属性，如颜色、字体、线型等。Matplotlib将缺省配置保存在“matplotlibrc”配置文件中，通过修改配置文件，可修改图表的缺省样式，这称之为rc配置或者rc参数。
在Matplotlib中可以使用多个“matplotlibrc”配置文件，它们的搜索顺序：
1. 当前路径 2. 用户配置路径 3. 系统配置路径
（1）修改rcParams变量值:在利用Matplotlib绘图时，有时候在图中进行标注会涉及到一些符号，尤其是中文，负号等可能无法正常显示。

plt.rcParams['font.family']=['SimHei']    
 #显示图中的中文
plt.rcParams['axes.unicode_minus']=False       
#显示图中的负号

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.family']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

x=np.linspace(-10,10)
b1=np.sin(x)
c1=np.cos(x)
d1=2*x+4
e1=x**2+2*x+1
plt.figure(figsize=(8,4))   #创建画布
plt.suptitle('不同函数图',fontsize=14)    #显示所有子图的总标题

plt.subplot(2,2,1)    # plt.subplot(221)
plt.title('sin函数')
plt.plot(a1,b1)

plt.subplot(2,2,2)
plt.title('cos函数')
plt.plot(a1,c1)

plt.subplot(223)
plt.title('直线')
plt.plot(a1,d1)

plt.subplot(224)
plt.title('二次函数')
plt.plot(a1, e1)
plt.tight_layout(3,3,3)
plt.show()

在这里插入图片描述

（2）使用rc函数修改参数配置:
使用rc函数可以修改“matplotlibrc”配置文件中的参数，rc函数的语法：
matplotlib.rc(group,**kwargs)
修改了配置文件中，可以调用rcdefaults(),恢复到默认的配置。 matplotlib.rcdefaults()
若要重新载入最新的配置文件，可以调用update()。matplotlib.rcParams.update(matplotlib.rc_params())
在这里插入图片描述

import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("lines", marker="H",markersize=17,markerfacecolor='b',linewidth=3,linestyle='-.')
font = {'family' : 'monospace',
        'style' : 'italic',
        'size' : '16'}

matplotlib.rc("font", **font)

plt.title("rc() Example")
plt.plot([1,2,3],[3,4,5],color='r')
plt.show()

在这里插入图片描述

七、matplotlib绘制图----添加标题、设置刻度与范围

matplotlib.pyplot添加图标题，坐标轴名称，设置刻度与范围，没有先后顺序。
在这里插入图片描述

八、折线图

  • 折线图比较适合描述和比较多组数据随时间变化的趋势。或者一组数据对另外一组数据的依赖程度。或者查看因变量y随着自变量x改变的趋势。
    使用方法：
    matplotlib.pyplot中的plot()函数。
    plt.plot(x,y,format_string,**kwargs)
    相关参数可以设置：
    折线图上图上端点的位置,标记符号的形状,大小和颜色以及线条的颜色,线型等样式。
    在这里插入图片描述

九、折线图实例

如附件1所示：
分析1996~2015年人口变化情况。
文件populations.csv中包含了1996~2015的人口的统计数据，查看各个特征（年末总人口、男性人口，女性人口、城镇人口和乡村人口）随时间（年份）推移发生的变化情况。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif'] = 'SimHei'
## 设置中文显示
matplotlib.rcParams['axes.unicode_minus'] = False
#按列读入数据

a0 = np.loadtxt('populations.csv',delimiter=',',dtype=np.str,
                                usecols=(0,),skiprows=1,unpack=False)
a1,a2,a3,a4,a5=np.loadtxt('populations.csv',delimiter=',',dtype=np.float,
                                usecols=(1,2,3,4,5),skiprows=1,unpack=True)
header = ['年末总人口','男性人口','女性人口','城镇人口','乡村人口']

#数据整理
a0,a1,a2,a3,a4,a5=a0[::-1],a1[::-1],a2[::-1],a3[::-1],a4[::-1],a5[::-1]

plt.figure(figsize=(12,6))       #设置绘图对象的大小（画布）
plt.xlabel('时间-年份')           #设置x轴的标题
plt.ylabel('数值')                #设置y轴的标题

plt.title('1996--2015人口数据统计表')
plt.plot(a0,a1,'r-',
         a0,a2,'c--',
         a0,a3,'-.',
         a0,a4,':',
         a0,a5,'--',linewidth='2',)
plt.legend(header)                #设置图例
plt.show()

在这里插入图片描述

十、图例的设置

legend(title,loc,fontsize,facecolor,edgecolor,bbox_to_anchor)

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif'] = 'SimHei'## 设置中文显示
matplotlib.rcParams['axes.unicode_minus'] = False
#按列读入数据

a0 = np.loadtxt('populations.csv',delimiter=',',dtype=np.str,
                                usecols=(0,),skiprows=1,unpack=False)
a1,a2,a3,a4,a5=np.loadtxt('populations.csv',delimiter=',',dtype=np.float,
                                usecols=(1,2,3,4,5),skiprows=1,unpack=True)
header = ['年末总人口','男性人口','女性人口','城镇人口','乡村人口']

#数据整理
a0,a1,a2,a3,a4,a5=a0[::-1],a1[::-1],a2[::-1],a3[::-1],a4[::-1],a5[::-1]

plt.figure(figsize=(11,5))       #设置绘图对象的大小（画布）
plt.xlabel('时间-年份')           #设置x轴的标题
plt.ylabel('数值')                #设置y轴的标题
plt.title('1996--2015人口数据统计表')
plt.plot(a0,a1,
         a0,a2,
         a0,a3,
         a0,a4,
         a0,a5,'--',linewidth='2',)
plt.legend(header,loc=1)
plt.show()

在这里插入图片描述

十一、保存与显示图

在这里插入图片描述

十二、实践练习

如附件2所示：
使用不同的颜色、不同的线条式样，绘制2007–2016年的全国就业人员，城镇就业人员和乡村就业人员的折线图（Employedpopulation.csv)。
其中，全国就业人员（万人）用红色的实线 '-‘表示，城镇就业人（万人）用绿色的长虚线’–'表示，乡村就业人员（万人）用蓝色的点线 '-.'表示。

import numpy as np
import matplotlib.pyplot as plt
# 设置matplotlib正常显示中文和负号
plt.rcParams['font.sans-serif']=['SimHei']   # 用黑体显示中文
plt.rcParams['axes.unicode_minus']=False     # 正常显示负号

#导入数据
Emp_data= np.loadtxt('Employedpopulation.csv',delimiter = ",",
                     usecols=(1,2,3,4,5,6,7,8,9,10),dtype=int)

#创建一个绘图对象, 并设置对象的宽度和高度
plt.figure(figsize=(8, 4))

plt.xlabel('年份')
plt.ylabel('人员(万人)')
year = [i for i in range(2007,2017)]
plt.ylim((30000,80000))        #设置y轴范围
plt.xticks(year,year)            #设置刻度
plt.title("2007-2016年城镇、乡村和全部就业人员情况折线图")

#绘制就业人员拆线图
plt.plot(Emp_data[0],Emp_data[1],"r-",
        Emp_data[0],Emp_data[2],"g--",
        Emp_data[0],Emp_data[3],"b-.")

#添加图例
plt.legend(['全部就业','城镇就业','乡村就业'])

plt.savefig('就业人员折线图.png')
plt.show()

在这里插入图片描述

十三、散点图

  • 散点图利用坐标点（散点）的分布形态反映特征间的统计关系的一种图形(坐标点的分布模式)。
    pyplot.scatter(x, y, s=None, c=None, marker=None, alpha=None)
    常用参数及说明：
    x,y: 一对数据，也可接收array，表示x轴和y轴对应的数据。
    s:指定点的大小。接收数值或者一维的array，若传入一维array则表示每个点的大小。默认为None
    c:指定点的颜色。接收颜色或者一维的array，若传入一维array则表示每个点的颜色。默认为None
    marker:点的形状。接收特定string。
    alpha:透明度

  • 某商场开业三个月后，有顾客反应商场一楼部分位置的手机信号不好，个别收银台有时无法正常使用微信支付或支付宝，商场内存在有些位置无法正常使用微信。为此，商场安排工作人员在不同位置对手机信号强度进行测试以便进一步提高服务质量和用户体验，测试数据保存于文件“商场手机信号强度.txt”中。 文件中每行使用逗号分隔的三个数字分别表示商场内一个位置的x、y坐标和信号强度， 其中x、y坐标值以商场西南角为坐标原点且向东为x正轴（共150米）、向北为y正轴（共30米），信号强度以0表示无信号、100表示最强。

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif']='simhei'
#载入数据
data = np.loadtxt('商场手机信号强度.txt',dtype=np.int,delimiter=',')

plt.title('商场内手机信号强度',fontsize=16)
plt.ylabel('西\n南\n角\n向\n北',rotation=0,labelpad=16)
plt.xlabel('西南角向东')

x_data = data[:,0]    # x坐标数据
y_data = data[:,1]    # y坐标数据
s_data = data[:,2]    # 信号强度数据

#绘制散点图
plt.scatter(x_data,y_data,s=s_data,marker='*',c ='b',alpha=0.4)
#plt.grid(True)        #显示网格线
plt.show()

在这里插入图片描述
如果需要附件1和2做练习的话，请添加文章编辑员QQ：2122961493领取。

以上，关于Python语言采用matplotlib库进行数据可视化，你学会了吗？

KirinLee_01
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
Python数据可视化分析库-Matplotlib
02-14
课程分享——Python数据可视化分析库-Matplotlib，附课件、代码。 Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。这里将会探索 matplotlib 的常见用法。通过本门课程的学习，可以应付后续机器学习课程中的绝大多数应用，建议掌握本部分的内容
python绘制曲线、散点图
weixin_45732699的博客
12-12 2439
python曲线、散点图绘制
Python之matplotlib数据可视化
最新发布
qq_75124782的博客
05-31 1006
Python扩展库matplotlib主要包括pyplot、pylab等绘图模块，也包含大量用于字体、颜色、图例等图形元素管理和控制的模块，支持线条样式、字体属性、轴属性等属性管理和控制，可以使用非常简洁的代码绘制出优美的图案。其中，pyplot绘图模块包含常用的matplotlibAPI函数，可以使用numpy进行数组运算和表示。使用扩展库matplotlib进行数据可视化之前，首先导入必要的工具包：这样，后面的代码可以使用plt来使用pyplot模块。
Python数据分析库pandas高级接口dt和str的使用
董付国的Python专栏
04-05 1031
Series对象和DataFrame的列数据提供了cat、dt、str三种属性接口（accessors），分别对应分类数据、日期时间数据和字符串数据，通过这几个接口可以快速实现特定的功能，...
Python中使用matplotlib绘制各类图表示例
学而时习之
06-16 8073
在括线图中，每个箱子代表数据的25%～75%分位数，中位线是每个箱子中的中位数，普通线是每个箱子之外的最小值和最大值。通过在横轴上放置时间或如此类似的连续变量，可以在纵轴上放置数据点的值，从而捕捉到数据随时间发生的变化。箱线图用于展示数据的分布情况和异常值等信息，通常用于比较不同数据集之间的差异。热力图用于展示数据之间的关系和趋势，通常用于分析二维数据的相关性和变化。饼图用于展示数据的占比情况，通常用于比较不同类别或部分之间的占比情况。直方图用于展示数据的分布情况，通常用于分析数据集的偏态和峰态等特征。
Matplotlib__pyplot绘图教程
三木今天学习了嘛の博客
07-04 755
pyplot 是 Matplotlib 的子库，该子库提供了与 MATLAB 类似的绘图 API，使用 pyplot 子库可快速地绘制 2D 图表。 创建简单图形 1.导入快速绘图的函数库—— pyplot 子库 import matplotlib.pyplot as plt
matplotlib-绘制精美的图表
haoshen's blog
07-06 2505
 matplotlib-绘制精美的图表 matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。 它的文档相当完备，并且 Gallery页面 中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中
Python-数据的初步探索性可视化
08-10
Python作为一个强大的编程语言，提供了许多库用于数据可视化，如matplotlib、seaborn、plotly、bokeh等。在"Python-数据的初步探索性可视化"中，我们将重点关注这些库的基本使用，以及它们如何帮助我们更好地理解...
python-汽车数据可视化分析
07-17
本项目“Python-汽车数据可视化分析”聚焦于使用Python库进行数据的图形化展示，以便对汽车行业的相关数据进行深入研究。在这个过程中，我们将主要利用`Pandas`进行数据处理，`Matplotlib`和`Seaborn`进行数据可视化...
Python-vapeplot用于气体美学的matplotlib扩展
08-10
Python-vapeplot是一个专门针对气体美学的matplotlib扩展库，它为数据可视化提供了新的可能性，尤其在展示气体状态、流体动力学或者化学反应等领域的数据时，能够产生更具吸引力的图表。这个库是建立在matplotlib...
Python-Python实现常见的50个可视化作品
08-10
我们将主要关注Python中的两个流行库——Matplotlib和Seaborn，它们是数据可视化的基石。 **1. Matplotlib库** Matplotlib是Python中最基础的绘图库，提供了丰富的图形选项和自定义能力。你可以创建简单的静态图表...
Python数据分析基础笔记（仅供本人学习记录）】E3.折线统计图案例
weixin_45702895的博客
11-23 602
#示例：使用不同颜色、不同形状的点，绘制2007——2016年全国就业人员、城镇就业人员和乡村就业人员的折线图。其中 #全国就业人员（万人）用红色的“-”圆圈形状的点来表示，城镇就业人员（万人）用绿色的“--”形状的点来表示，乡村就业人员 #（万人）用蓝色的“-.”来表示 import numpy as np import matplotlib.pyplot as plt #导入数据 data=np.loadtxt('p:\data\Employedpopulation.csv',delimiter=','
python人口统计_python数据分析实例-人口统计折线图
weixin_35649605的博客
01-29 3740
一、前言最近一直在学python数据科学的相关课程，主要看了《数据科学入门》这本动物书，但这本书是真的只入个门，把数据科学相关的各方面知识介绍了一下，真的只是介绍了一下，想要系统地学习还是得去看更细致的教程和官方文档。不断地找网上的demo跟着敲，差不多的时候决定自己实现一个简单的案例。于是乎找到了一个很好的数据网站——国家数据。里面的数据支持多种形式的下载。二、实现这里是下载了中国近20年的总人...
python可视化Matplotlib库
m0_57385293的博客
03-05 4332
一、Matplotlib的介绍 1.matplotlib的架构组成 1）脚本层：脚本层是 Matplotlib 结构中的最顶层。我们编写的绘图代码大部分代码都在该层运行，它的主要工作是负责生成图形与坐标系。 2）美工层：美工层是结构中的第二层，它提供了绘制图形的元素时的给各种功能，例如，绘制标题、轴标签、坐标刻度等。 3）后端层：后端层是 Matplotlib 最底层，它定义了三个基本类，首先是 FigureCanvas（图层画布类），它提供了绘图所需的画布，其次是 Renderer（绘图操作类），
论文的绘图（一）：使用 Python 的 Matplotlib 库
Ax的博客
10-01 907
使用 Python 的 Matplotlib 库 为论文作图
【数据分析与可视化】pyecharts可视化图表讲解及实战（超详细 附源码）
热门推荐
showswoller的博客
01-15 1万+
【数据分析与可视化】pyecharts可视化图表讲解及实战（超详细 附源码）
python利用matplotlib库进行简单的数据可视化分析
weixin_48874360的博客
07-21 1797
本篇利用python中的matplotlib库进行简单的数据可视化分析，数据来源于博客园中《2020年4月中国编程语言排行榜程序员工资统计，人工智能工资大跌》 数据描述 数据处理过程 饼状图：引入matplotlib库之后，设置中文显示，定义画布的大小。最后定义饼状图的标签以及设定各项离心n个半径，将数据放到一个列表之中，然后直接绘制饼图，并且设置哥哥扇形的颜色，使得图形看起来更加直观，最后定义饼状图标题，展示图形并保存。 直方图：引入库后设置中文显示，打开csv文件，提取csv的第一列，即编程语言的种类
Python数据可视化之Matplotlib与Pyecharts参数详解
qq_742234984的博客
11-04 3915
Python数据可视化之Matplotlib与Pyecharts.pptx
R3.Matplotlib_绘制散点图和折线统计图
weixin_45702895的博客
04-16 1281
Part_1：散点图 scatter() pyplot中绘制散点图的函数为scatter 格式： matplotlib.pyplot.scatter(x,y,s=None,c=None,marker=None, cmap=None,norm=None,vmin=None,vmax=None,alpha=None, linewidths=None,verts=None,edgecolors=None,hold=None, data=None,**kwargs) 参数说明： x,y:接收array。表示x轴与y
练习9-matplotlib数据可视化
05-17
好的，matplotlib 是 Python 中一个常用的数据可视化库，可以用它来绘制各种类型的图表，包括折线图、散点图、柱状图等等。下面我来演示一下如何使用 matplotlib 绘制一个简单的折线图。 首先，我们需要导入 matplotlib 和 numpy 两个库： ```python import matplotlib.pyplot as plt import numpy as np ``` 然后，我们生成一些数据： ```python x = np.linspace(0, 10, 100) y = np.sin(x) ``` 这里使用了 numpy 的 linspace 函数生成了一个包含 100 个元素的数组 x，这个数组的范围是从 0 到 10。然后我们使用 numpy 的 sin 函数计算了 y 值。 接下来，我们使用 matplotlib 绘制折线图： ```python plt.plot(x, y) plt.show() ``` 这里使用了 plot 函数来绘制折线图，第一个参数是 x 值，第二个参数是 y 值。然后调用 show 函数显示图像。 完整代码如下： ```python import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.plot(x, y) plt.show() ``` 执行代码，就可以看到一个简单的折线图了。你可以尝试修改 x 和 y 的值，或者绘制其他类型的图表，比如散点图和柱状图，来更好地熟悉 matplotlib 的使用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

KirinLee_01

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值