大家好，给大家分享一下python绘图代码大全和用法，很多人还不知道这一点。下面详细解释一下。现在让我们来看看！
目录
2D绘图
折线图
import matplotlib.pyplot as plt
#上一行代码也可替换为 import pylab as plt
x = [1,2,3] #各个点的横纵坐标
y = [5,7,4]
x2 = [1,2,3]
y2 = [10,14,12]
plt.plot(x, y, label='First Line') #对应的哪几个参数是一条直线
plt.plot(x2, y2, label='Second Line') #label=' '对应的直线名为什么
plt.xlabel('Plot Number') #xlabel 横坐标的含义，ylabel同理
plt.ylabel('Important var')
plt.grid(linestyle = "--") #设置背景网格线为虚线
plt.title('Interesting Graph\nCheck it out') #表格标题
plt.legend() #生成默认图例
plt.show() #生成图像
运行代码即可生成图片
条形图
import pylab as plt
plt.bar([1,3,5,7,9],[5,2,7,8,2], label="Example one",color='navy') #生成的数据，标签名，颜色
plt.bar([2,4,6,8,10],[8,6,2,5,6], label="Example two", color='g')
plt.legend() #生成图例
plt.xlabel('bar number') #生成坐标标签
plt.ylabel('bar height')
plt.title('Epic Graph\nAnother Line! Whoa') #生成表格标题
plt.show() 你可以在任何类型的绘图中使用颜色，例如g为绿色，b为蓝色，r为红色，等等。具体颜色代码请见附录
直方图
import matplotlib.pyplot as plt
plt.rc('font', family='Simhei') #涉及到中文图示，需要加上此句
population_ages = [22,55,62,45,21,22,34,42,42,4,99,102,110,120,121,122,130,111,115,112,80,75,65,54,44,43,42,48]
#每个点的数值
bins = [0,10,20,30,40,50,60,70,80,90,100,110,120,130] #对应的横坐标间距
plt.hist(population_ages, bins, histtype='bar', rwidth=0.8) #直方图矩形宽度设置
plt.xlabel('x')
plt.ylabel('y')
plt.title('图像标题名')
plt.legend() #生成图示
plt.show()
对于plt.hist函数，你首先需要放入所有的值，然后指定放入哪个桶或容器用python画雪。 在我们的例子中，我们绘制了一堆年龄，并希望以 10 年的增量来显示它们。 我们将条形的宽度设为 0.8，但是如果你想让条形变宽，或者变窄，你可以选择其他的宽度。
散点图
import pylab as plt
x = [1,2,3,4,5,6,7,8]
y = [5,2,4,2,1,4,5,2] #x和y对应多个点的坐标
plt.scatter(x,y, label='skitscat', color='b', s=25, marker="o") #label标签名，color散点颜色，s表示点的大小（数值越大，点越大）
plt.xlabel('x')
plt.ylabel('y')
plt.title('Interesting Graph\nCheck it out')
plt.legend()
plt.show()
饼图
import matplotlib.pyplot as plt
plt.rc('font', family='Simhei')
slices = [7,2,2,13] #各个图形占总体的比重,例如 7/(7+2+2+13)=29.2%
activities = ['sleeping','eating','working','playing'] #各个扇形标签
cols = ['c','m','r','b'] #图像颜色
plt.pie(slices,
labels=activities,
colors=cols,
startangle=90,
shadow= True,
explode=(0,0.1,0,0),
autopct='%1.1f%%')
plt.title('图像标题')
plt.show()
在plt.pie中：
- 首先我们需要指定『切片』，这是每个部分的相对大小。
- 然后，我们指定相应切片的颜色列表。
- 接下来，我们可以选择指定图形的『起始角度』。 这使你可以在任何地方开始绘图。 在我们的例子中，我们为饼图选择了 90 度角，这意味着第一个部分是一个竖直线条。
- 接下来，我们可以选择给绘图添加一个字符大小的阴影，然后我们甚至可以使用
explode拉出一个切片。
我们总共有四个切片，所以对于explode，如果我们不想拉出任何切片，我们传入0,0,0,0。 如果我们想要拉出第一个切片，我们传入0.1,0,0,0。数值越大，这个切片被拉出的距离就越大。
explode=(0,0.1,0,0),
explode=(0,0.9,0,0), 
被拉出的距离0.9和0.1的差距很明显，当数值到1时，该扇形就被完全拉出圆。
5.最后，我们使用autopct，选择将百分比放置到图表上面。
堆积条形图
通过使用 plt.bar() 函数中的可选参数，可以绘制堆积条形图，plt.bar() 函数的可选参数 bottom 允许指定条形图的起始值。
import matplotlib.pyplot as plt
y_1 = [3., 25., 45., 22.]
y_2 = [6., 25., 50., 25.]
x = range(4)
plt.bar(x, y_1, color = 'b')
plt.bar(x, y_2, color = 'r', bottom = y_1)
plt.show()
可以结合 for 循环，利用延迟呈现机制可以堆叠更多的条形：
import numpy as np
import matplotlib.pyplot as plt
data = np.array([[5., 30., 45., 22.], [5., 25., 50., 20.], [1., 2., 1., 1.]])
x = np.arange(data.shape[1])
for i in range(data.shape[0]):
plt.bar(x, data[i], bottom = np.sum(data[:i], axis = 0))
plt.show()
对称条形图
例如，当我们想要绘制不同年龄段的男性与女性数量的对比时，一个简单且有用的技巧是对称绘制两个条形图：
import numpy as np
import matplotlib.pyplot as plt
w_pop = np.array([5., 30., 45., 22.])
m_pop = np.array( [5., 25., 50., 20.])
x = np.arange(4)
plt.barh(x, w_pop)
plt.barh(x, -m_pop)
plt.show()
图中女性人口的条形图照常绘制。然而，男性人口的条形图的条形图的条形图向左延伸，而不是向右延伸。可以使用数据的负值来快速实现对称条形图的绘制。
3D绘图
通用语句
from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt3D 图形可以进行交互。 可以使用鼠标左键单击并拖动来移动图形。 您还可以使用鼠标右键单击并拖动来放大或缩小。
3D散点图
from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt
from matplotlib import style
style.use('ggplot')
fig = plt.figure()
ax1 = fig.add_subplot(111, projection='3d')
x = [1,2,3,4,5,6,7,8,9,10]
y = [5,6,7,8,2,5,6,3,7,2]
z = [1,2,6,3,2,7,3,3,7,2]
x2 = [-1,-2,-3,-4,-5,-6,-7,-8,-9,-10]
y2 = [-5,-6,-7,-8,-2,-5,-6,-3,-7,-2]
z2 = [1,2,6,3,2,7,3,3,7,2]
ax1.scatter(x, y, z, c='g', marker='o')
ax1.scatter(x2, y2, z2, c ='r', marker='o')
ax1.set_xlabel('x axis')
ax1.set_ylabel('y axis')
ax1.set_zlabel('z axis')
plt.show()
3D条形图
对于条形图，你需要拥有条形的起点，条形的高度和宽度。 但对于 3D 条形图，你还有另一个选项，就是条形的深度。 大多数情况下，条形图从轴上的条形平面开始，但是你也可以通过打破此约束来添加另一个维度。
from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt
import numpy as np
from matplotlib import style
style.use('ggplot')
fig = plt.figure()
ax1 = fig.add_subplot(111, projection='3d')
x3 = [1,2,3,4,5,6,7,8,9,10]
y3 = [5,6,7,8,2,5,6,3,7,2]
z3 = np.zeros(10)
dx = np.ones(10)
dy = np.ones(10)
dz = [1,2,3,4,5,6,7,8,9,10]
ax1.bar3d(x3, y3, z3, dx, dy, dz)
ax1.set_xlabel('x axis')
ax1.set_ylabel('y axis')
ax1.set_zlabel('z axis')
plt.show() 注意这里，我们必须定义x、y和z，然后是 3 个维度的宽度、高度和深度。
附录：
颜色表color=' '
图标marker=" "
固定代码模版
绘图时加上：
import pandas as pd
import pylab as plt
import numpy as np更改图片字体大小时加上：
plt.rc('font',size=16)图片注释出现汉字时，需要加上:
plt.rc('font',family='Simhei')生成等长标注的图表：
plt.axis("equal")为横纵坐标生成标签：
plt.xlabel('横坐标标签名')
plt.ylabel('纵坐标标签名')X轴范围
plt.xlim((2000,2010)) # X轴的起点和终点
Y轴范围
plt.ylim(6e9,7e9) # Y轴的起点和终点为生成的图表添加表头：
plt.title(“标题名”)显示已绘制的图片：
plt.show()图例
plt.legend()
plt.legend(labels=['人口'])
网格线
plt.grid(axis='y') # axis: 'both','x','y'设置三维图像模型
ax=plt.axes(projection='3d')
生成三维图像（空白画板）
import pylab as plt
axes=plt.axes(projection='3d')
plt.show()其他图表绘制：
混淆矩阵图
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
y_pred = ['2','2','3','1','4'] # 类似的格式
y_true = ['0','1','2','3','4'] # 类似的格式
# 对上面进行赋值
C = confusion_matrix(y_true, y_pred, labels=['0','1','2','3','4']) # 可将'1'等替换成自己的类别，如'cat'。
plt.matshow(C, cmap=plt.cm.Reds) # 根据最下面的图按自己需求更改颜色
plt.colorbar()
for i in range(len(C)):
for j in range(len(C)):
plt.annotate(C[j, i], xy=(i, j), horizontalalignment='center', verticalalignment='center')
# plt.tick_params(labelsize=15) # 设置左边和上面的label类别如0,1,2,3,4的字体大小。
plt.title("confusin matrix plot",fontdict={ 'size': 13})
plt.ylabel('True label')
plt.xlabel('Predicted label')
# plt.ylabel('True label', fontdict={'family': 'Times New Roman', 'size': 15}) # 设置字体大小。
# plt.xlabel('Predicted label', fontdict={'family': 'Times New Roman', 'size': 15})
plt.xticks(range(0,5), labels=['a','b','c','d','e']) # 将x轴或y轴坐标，刻度替换为文字/字符
plt.yticks(range(0,5), labels=['a','b','c','d','e'])
plt.show()
对于混淆矩阵图表的绘制也是重要的一项技能，不论是在机器学习还是其他领域的研究中都十分重要。对应混淆矩阵颜色可以结合如下图自行选择。
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
