【Matplotlib学习笔记（学习地址：阿里云Python学习路线 - 阶段3）】

最新推荐文章于 2024-04-30 18:06:36 发布

不错就是对

最新推荐文章于 2024-04-30 18:06:36 发布

阅读量4.9k

点赞数 8

分类专栏： Python 文章标签：学习 python jupyter

本文链接：https://blog.csdn.net/The_friends/article/details/123440860

版权

Python 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1、什么是Matplotlib:

（1）Matplotlib：
mat - matrix（矩阵）
plot - 画图
lib - library 库

（2）专门用于开发2D图表（包括3D图表）；

（3）使用起来极其简单；

（4）以渐进、交互式方式实现数据可视化

2、画图：

（1）简单尝试绘制一幅图：

import matplotlib.pyplot as plt #导包
%matplotlib inline 

plt.figure() #创建画布
plt.plot([1,0,9],[4,5,6]) #传入横、纵坐标，连线
plt.show()

（2）matplotlib图像结构：

3、Matplotlib三层结构（容器层、辅助显示层、图像层）

（1）容器层Canvas

1）画板层Figure

2）画布层

3）绘图区 / 坐标系

x 、y轴张成的区域

（2）辅助显示层（图例、网格这些的东西）

（3）图像层（就是图表）

容器层：

辅助显示层：

图像层：

图像层指Axes内通过plot、scatter、bar、histogram、pie等函数根据数据绘制出的图像。

4、折线图绘制与保存图片

（1）matplotlib.pyplot模块

import matplotlib.pyplot as plt

matplotlib.pyplot包含了一系列类似于matlab的画图函数。它的函数作用于当前图形（figure）的当前坐标系（axes）。

（2）折线图绘制与显示

展示上海一周的天气：

# 1、创建画布（容器层）
plt.figure()
# 2、绘制折线图（图像层）
plt.plot([1,2,3,4,5,6,7] , [17,17,18,15,11,11,13])
# 3、显示图像
plt.show()

（3）设置画布属性与图片保存

plt.figure(figsize=(), dpi=)
    figsize:指定图的长宽
    dpi:图像的清晰度
    返回fig对象
plt.savefig(path)

# 1、创建画布（容器层）
plt.figure(figsize=(20,8), dpi=80)
# 2、绘制折线图（图像层）
plt.plot([1,2,3,4,5,6,7] , [17,17,18,15,11,11,13])
# 3、显示图像
plt.show()

注意：要先保存图像、再显示图像

（4）完善原始折线图1（辅助显示层）

1）原始图像：

需求：画出某城市11点到12点 1h内每分钟的温度变化折线图，温度范围再15° - 18°

原始代码及图像：

# 1、准备数据 x、y
import random
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]

# 2、创建画布
plt.figure(figsize=(10,8),dpi=80)

# 3、绘制图像
plt.plot(x,y_shanghai)

# 4、显示图像
plt.show()

2）添加自定义x、y刻度

# 1、准备数据 x、y
import random
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]

# 2、创建画布
plt.figure(figsize=(10,8),dpi=80)

# 3、绘制图像
plt.plot(x,y_shanghai)

# 修改x、y刻度
# 准备x的刻度说明
x_lable = ['11.{}'.format(i) for i in x]
plt.xticks(x[::5], x_lable[::5])
plt.yticks(range(0,40,5))

# 4、显示图像
plt.show()

3）添加网格显示

plt.grid(True, linestyle='--', alpha=0.5)

True ：是否添加网格（是）

linestyle ：线条风格

alpha ：透明度

4）添加描述信息（x轴、y轴描述信息及标题）

plt.xlabel('time')
plt.ylabel('temperature')
plt.title('Temperature variation diagram')

# 1、准备数据 x、y
import random
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]

# 2、创建画布
plt.figure(figsize=(10,8),dpi=80)

# 3、绘制图像
plt.plot(x,y_shanghai)

# 修改x、y刻度
# 准备x的刻度说明
x_lable = ['11.{}'.format(i) for i in x]
plt.xticks(x[::5], x_lable[::5])
plt.yticks(range(0,40,5))

# 添加网格显示
plt.grid(True, linestyle='--', alpha=0.5)

# 添加描述信息
plt.xlabel('time')
plt.ylabel('temperature')
plt.title('Temperature variation diagram')

# 4、显示图像
plt.show()

(5)完善原始折线图2（图像层）【再添加一个城市的温度变化】

1）图形风格：

2）图例位置：

plt.legend(loc = 'best')

3）修改代码如下：

import random
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]
y_beijing = [random.uniform(1,3) for i in x]

# 2、创建画布
plt.figure(figsize=(10,8),dpi=80)

# 3、绘制图像
plt.plot(x,y_shanghai, color = 'r' , linestyle = '--' , label = 'shanghai')
plt.plot(x,y_beijing , color = 'b' , label = 'beijing')

# 显示图例
plt.legend()

# 修改x、y刻度
# 准备x的刻度说明
x_lable = ['11.{}'.format(i) for i in x]
plt.xticks(x[::5], x_lable[::5])
plt.yticks(range(0,40,5))

# 添加网格显示
plt.grid(True, linestyle='--', alpha=0.5)

# 添加描述信息
plt.xlabel('time')
plt.ylabel('temperature')
plt.title('Temperature variation diagram')

# 4、显示图像
plt.show()

（6）多个坐标系显示-plt.subplots（面向对象的画图方法）

import random
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]
y_beijing = [random.uniform(1,3) for i in x]

# 2、创建画布
# plt.figure(figsize=(10,8),dpi=80)
figure , axes = plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=80)

# 3、绘制图像
axes[0].plot(x,y_shanghai, color = 'r' , linestyle = '--' , label = 'shanghai')
axes[1].plot(x,y_beijing , color = 'b' , label = 'beijing')

# 显示图例
axes[0].legend()
axes[1].legend()

# 修改x、y刻度
# 准备x的刻度说明
x_label = ['11.{}'.format(i) for i in x]
axes[0].set_xticks(x[::5])
axes[0].set_xticklabels(x_label[::5])
axes[0].set_yticks(range(0,40,5))
axes[1].set_xticks(x[::5])
axes[1].set_xticklabels(x_label[::5])
axes[1].set_yticks(range(0,40,5))

# 添加网格显示
axes[0].grid(True, linestyle='--', alpha=0.5)
axes[1].grid(True, linestyle='--', alpha=0.5)

# 添加描述信息
axes[0].set_xlabel('time')
axes[0].set_ylabel('temperature')
axes[0].set_title('Temperature variation diagram of shanghai')
axes[1].set_xlabel('time')
axes[1].set_ylabel('temperature')
axes[1].set_title('Temperature variation diagram of beijing')

# 4、显示图像
plt.show()

（7）折线图的应用场景

某事物、某指标随时间的变化状况；也可以画数学函数图像

5、散点图（scatter）

（1）散点图应用场景

判断变量之间是否存在数量关联趋势，展示离群点（分布规律）

（2）散点图绘制

# 1、准备数据
x = [1,2,3,4,5,6,7,8,9,10]
y = [10,9,8,7,6,5,4,3,2,1]
# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)
# 3、绘制图形
plt.scatter(x,y)
# 4、显示图像
plt.show()

6、柱状图（bar）

（1）柱状图应用场景

绘制离散的数据，能一眼看出各个数据的大小，比较数据之间的差别。（统计/对比）

（2）柱状图绘制

1）单纯的统计：

# 1、准备数据
name = ['AAA' , 'BBB' , 'CCC' , 'DDD' , 'EEE']
nums = [123 , 136 , 129 , 101 , 121]

# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制柱状图
x_ticks = range(len(name))
plt.bar(x_ticks,nums,color=['b','r','g','c','m'])

# 修改x刻度
plt.xticks(x_ticks,name)

# 添加标题
plt.title('Film revenue')

# 添加网格
plt.grid(linestyle='--',alpha=0.5)

# 4、显示图像
plt.show()

2）对比：

# 1、准备数据
movie_name = ['AAA' , 'BBB' , 'CCC']

first_day = [10000,15000,20000]
first_weekend = [30000,35000,40000]

# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制柱状图
plt.bar(range(3),first_day,width=0.2,label='首日票房')
plt.bar([0.2,1.2,2.2],first_weekend,width=0.2,label='首周票房')

# 显示图例
plt.legend()

# 4、修改刻度
plt.xticks([0.1,1.1,2.1],movie_name)

# 4、显示图像
plt.show()

7、直方图（histogram）

（1）直方图应用场景

绘制连续性的数据展示一组或者多组数据的分布情况。（统计）

（2）相关概念

组数：在统计数据时，我们把数据按照不同的范围分成几个组，分成的组的个数称为组数；

组距：每一组两个端点的差；

直方图是连着的，柱状图是分开的；

直方图展示数据的分布，柱状图比较数据的大小；

直方图x轴位定量数据，柱状图x轴为分类数据；

直方图柱子宽度可不一，柱状图柱子宽度必须一致；

（3）直方图绘制

组数 = 极差 // 组距

y轴的变量，可以是频数，也可以是频率

plt.hist(time,bins=group_num,density=True)

# 需求：电影时长分布状况
# 1、准备数据
time = [131,98,125,131,124,139,131,117,128,108 ]

# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制直方图
distance = 2
group_num = (max(time) - min(time)) // distance
plt.hist(time,bins=group_num)

# 修改x轴刻度
plt.xticks(range(min(time),max(time),distance))

# 添加网格
plt.grid(linestyle='--',alpha=0.5)

# 4、显示图像
plt.show()

8、饼图（pie）

（1）饼图应用场景

分类数据的占比情况。（占比）

（2）绘制饼图

# 1、准备数据
movie_name = ['A','B','C','D']
place_count = [10,20,30,40]

# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制饼图
plt.pie(place_count,labels=movie_name,colors = ['r','m','b','g'],autopct='%1.2f%%')

# 显示图例
plt.legend()

plt.axis('equal')

# 4、显示图像
plt.show()

9、总结

不错就是对

关注

8
点赞
踩
22

收藏

觉得还不错? 一键收藏
打赏
0
评论
【Matplotlib学习笔记（学习地址：阿里云Python学习路线 - 阶段3）】

1、什么是Matplotlib:（1）Matplotlib： mat - matrix（矩阵） plot - 画图 lib - library 库（2）专门用于开发2D图表（包括3D图表）；（3）使用起来极其简单；（4）以渐进、交互式方式实现数据可视化2、画图：（1）简单尝试绘制一幅图：import matplotlib.pyplot as plt #导包%matplotlib inline plt.figure() ...
复制链接

扫一扫