【优雅】matplotlib 常见图

对于matplotlib 而言，

1. 首先需要创建一个画布【即 plt.figure()】
2. 然后才可以进行各种图标绘制
3. 最后通过【plt.show()】显示

• 【优雅】matplotlib 常见图：https://viatorsun.blog.csdn.net/article/details/118862476
• 【优雅】matplotlib 3D图：https://viatorsun.blog.csdn.net/article/details/118864728

0、图表基本信息

import matplotlib.pyplot as plt
import numpy as np
import random



plt.figure(figsize=(8, 5))			# 新建空画布，并设置尺寸
plt.legend()    					# 显示图例
plt.title("我是中文标题")				# 标题



plt.style.context(style):  			# 设置图表风格



plt.rcParams['font.family'] = ['Microsoft YaHei']	# 指定字体，默认不支持中文显示


plt.xlabel('我是X轴')				# 坐标轴文本设置
plt.ylabel('我是Y轴')
plt.xticks(x_location+0.15, cate)	# 为X轴设置刻度值  
plt.yticks(y_location+0.15, cate)

plt.subplots() 解释

fig,ax 	= plt.subplots()

等价于：

fig 	= plt.figure()
ax 		= fig.add_subplot(1,1,1)
fig, ax = plt.subplots(1,3)

其中参数1和3分别代表子图的行数和列数，一共有 1x3 个子图像。函数返回一个figure图像和子图ax的array列表。

1、多子图 plt.subplot()

可以通过 plt.subplot() 展示多子图，也可以在画布上添加子图 fig.add_subplot()

for i in range(1, 7):
    plt.subplot(2, 3, i)
    plt.text(0.5, 0.5, str((2, 3, i)), fontsize=18, ha='center')

fig = plot.figure()
fig.subplots_adjust(hspace=0.4, wspace=0.4)
for i in range(1, 7):
    ax = fig.add_subplot(2, 3, i)
    ax.text(0.5, 0.5, str((2, 3, i)), fontsize=18, ha='center')

复杂排列方式 plt.GridSpec()

grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)
plt.subplot(grid[0, 0])
plt.subplot(grid[0, 1:])
plt.subplot(grid[1, :2])
plt.subplot(grid[1, 2]);

# 创建一些正态分布数据
mean = [0, 0]
cov  = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 3000).T

# 设置坐标轴和网格配置方式
fig     = plot.figure(figsize=(6, 6))
grid    = plt.GridSpec(4, 4, hspace=0.2, wspace=0.2)
main_ax = fig.add_subplot(grid[:-1, 1:])
y_hist  = fig.add_subplot(grid[:-1, 0], xticklabels=[], sharey=main_ax)
x_hist  = fig.add_subplot(grid[-1, 1:], yticklabels=[], sharex=main_ax)

# 柱坐标轴画散点图
main_ax.plot(x, y, 'ok', markersize=3, alpha=0.2)

# 次坐标轴画频次直方图
x_hist.hist(x, 40, histtype='stepfilled', orientation='vertical', color='gray')
x_hist.invert_yaxis()

y_hist.hist(y, 40, histtype='stepfilled', orientation='horizontal', color='gray')
y_hist.invert_xaxis()

2、折线图 plt.plot()

x = np.linspace(-10, 10, 1000) 

plt.figure(figsize=(8, 5))		# 新建空画布并设置尺寸
plt.plot(x, np.sin(x), ':r'	, label='sin(x)')  
plt.plot(x, np.cos(x), '-.g', label='cos(x)') 
plt.legend()    				# 显示图例
plt.title("我是中文标题")
plt.ylabel('我是Y轴')
plt.show()

3、直方图 plt.hist()

import matplotlib.pyplot as plt
import numpy as np
from matplotlib import colors
from matplotlib.ticker import PercentFormatter

N_points = 100000
n_bins = 20

# Generate a normal distribution, center at x=0 and y=5
x = np.random.randn(N_points)
y = .4 * x + np.random.randn(100000) + 5

fig, axs = plt.subplots(1, 2, sharey=True, tight_layout=True)

# We can set the number of bins with the `bins` kwarg
axs[0].hist(x, bins=n_bins)
axs[1].hist(y, bins=n_bins)
plt.show()

3.1 二维直方图

要绘制二维直方图，只需两个长度相同的向量，对应于直方图的每个轴。

fig, ax = plt.subplots(tight_layout=True)
hist    = ax.hist2d(x, y)

3.2 自定义直方图

自定义2D直方图类似于1D情况，您可以控制可视组件，如存储箱大小或颜色规格化。

fig, axs = plt.subplots(3, 1, figsize=(5, 15), sharex=True, sharey=True, tight_layout=True)

# We can increase the number of bins on each axis
axs[0].hist2d(x, y, bins=40)

# As well as define normalization of the colors
axs[1].hist2d(x, y, bins=40, norm=colors.LogNorm())

# We can also define custom numbers of bins for each axis
axs[2].hist2d(x, y, bins=(80, 10), norm=colors.LogNorm())

plt.show()

3.3 贝叶斯方法样式表

from numpy.random import beta
import matplotlib.pyplot as plt


plt.style.use('bmh')


def plot_beta_hist(ax, a, b):
    ax.hist(beta(a, b, size=10000), histtype="stepfilled", bins=25, alpha=0.8, density=True)


fig, ax = plt.subplots()
plot_beta_hist(ax, 10, 10)
plot_beta_hist(ax, 4, 12)
plot_beta_hist(ax, 50, 12)
plot_beta_hist(ax, 6, 55)
ax.set_title("'bmh' style sheet")

plt.show()

3.4 标准化直方图

用于标准化箱高度，使直方图的积分为1.得到的直方图是概率密度函数的近似值

import numpy as np
import matplotlib.pyplot as plt

# example data
mu 	  = 100  # mean of distribution
sigma = 15   # standard deviation of distribution
x     = mu + sigma * np.random.randn(437)

num_bins = 50

fig, ax = plt.subplots()

# the histogram of the data
n, bins, patches = ax.hist(x, num_bins, density=1)

# add a 'best fit' line
y = ((1 / (np.sqrt(2 * np.pi) * sigma)) *
     np.exp(-0.5 * (1 / sigma * (bins - mu))**2))
ax.plot(bins, y, '--')
ax.set_xlabel('Smarts')
ax.set_ylabel('Probability density')
ax.set_title(r'Histogram of IQ: $\mu=100$, $\sigma=15$')

# Tweak spacing to prevent clipping of ylabel
fig.tight_layout()
plt.show()

• n：array or list of arrays
  直方图箱的值。有关可能的语义的描述，请参见密度和权重。如果输入x是一个数组，那么这是一个长度为nbins的数组。
  如果输入是数组序列[data 1，data 2，.]，那么这是一个数组列表，其中包含每个数组的直方图值，顺序相同。
  即使不使用加权或规范化，数组n(或其元素数组)的 dtype 始终是浮动的。
• bins：array
  The edges of the bins. 长度nbins+1(nbins左边缘和右边缘的最后一桶)。即使传入多个数据集，也始终是单个数组。
• patches：BarContainer or list of a single Polygon or list of such objects
  Container of individual artists used to create the histogram or list of such containers if there are multiple input datasets.

3.5 更改直方图颜色

直方图方法(除其他外)返回一个修补程序对象。这使我们可以访问所绘制对象的特性。使用这个，我们可以根据自己的喜好编辑直方图。让我们根据每个条的y值更改其颜色。

fig, axs = plt.subplots(1, 2, tight_layout=True)

# N is the count in each bin, bins is the lower-limit of the bin
N, bins, patches = axs[0].hist(x, bins=n_bins)

# We'll color code by height, but you could use any scalar
fracs = N / N.max()

# we need to normalize the data to 0..1 for the full range of the colormap
norm = colors.Normalize(fracs.min(), fracs.max())

# Now, we'll loop through our objects and set the color of each accordingly
for thisfrac, thispatch in zip(fracs, patches):
    color = plt.cm.viridis(norm(thisfrac))
    thispatch.set_facecolor(color)

# We can also normalize our inputs by the total number of counts
axs[1].hist(x, bins=n_bins, density=True)

# Now we format the y-axis to display percentage
axs[1].yaxis.set_major_formatter(PercentFormatter(xmax=1))

4、柱状图 plt.bar()

cate  = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [123, 153, 157, 107, 98, 142]
data2 = [56, 77, 93, 68, 45, 67]

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.bar(cate, data1, label='总计')
plt.bar(cate, data2, label='线上')
plt.legend()
plt.title('各手机品牌销售额对比', 
          # 设置标题位置
          loc="left")
plt.show()

4.1 图像不重叠

cate  = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [89, 45, 56, 74, 23, 21]
data2 = [56, 77, 93, 68, 45, 67]

x_location = np.arange(len(cate))

plt.figure(figsize=(8, 5))  
plt.bar(x_location, data1, label='线下', width=0.3)
plt.bar(x_location+0.3, data2, label='线上', width=0.3)

# 为X轴设置刻度值
plt.xticks(x_location+0.15, cate)
plt.legend()
plt.title('各手机品牌销售额对比', loc="left", 
          # 设置标题字体
          fontdict={'fontsize':18,'color':'red'})
plt.show()

4.2 横向柱状图 plt.barh()

如遇标签过长，可选择纵向显示图像

cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data1 = [89, 45, 56, 74, 23, 21]
data2 = [56, 77, 93, 68, 45, 67]

x_location = np.arange(len(cate))

plt.figure(figsize=(8, 5))  # 新建一个空画布，设置尺寸
plt.barh(x_location, data1, label='线下', height=0.3)
plt.barh(x_location+0.3, data2, label='线上', height=0.3)

# 为X轴设置刻度值
plt.yticks(x_location+0.15, cate)
plt.legend()
plt.title('各手机品牌销售额对比', loc="left", 
          # 设置标题字体
          fontdict={'fontsize':18,'color':'red'})
plt.show()

5、饼状图 plt.pie()

常用来表示同一等级中不同类别的占比情况。

cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data = [153, 124, 107, 99, 89, 46]

plt.figure(figsize=(5, 5))  # 新建一个空画布，设置尺寸
plt.pie(data, labels=cate,
        # 显示百分比，支持调用方法
        autopct='%.2f%%')
plt.show()

5.1 立体饼状图

cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data = [153, 124, 107, 99, 89, 46]

plt.figure(figsize=(5, 5))  # 新建一个空画布，设置尺寸
plt.pie(data, labels=cate,
        # 对应类目偏移，0为不偏移
        explode=[0,0.1,0,0,0.2,0],
        autopct='%.2f%%',
        shadow=True)
plt.show()

5.2 环形图

常用来表示同一层级不同类别之间的占比关系。

#环形图，建立坐标系
plt.subplot(1,1,1)

#指明x值
x1=np.array([8566,5335,7310,6482])
x2=np.array([4283,2667,3655,3241])

#绘图
labels=["东区","北区","南区","西区"]
plt.pie(x1,labels=labels,radius=1.0,wedgeprops={"width":0.3,"edgecolor":"w"})
plt.pie(x2,radius=0.7,wedgeprops={"width":0.3,"edgecolor":"w"})

#添加注释
plt.annotate("完成量",xy=(0.35,0.35),xytext=(0.7,0.45),
             arrowprops={"facecolor":"black","arrowstyle":"->"})
plt.annotate("任务量",xy=(0.75,0.2),xytext=(1.1,0.2),
             arrowprops={"facecolor":"black","arrowstyle":"->"})

#设置标题
plt.title("全国各区域任务量与完成量占比",loc="center")

5.3 极轴上的饼图

import numpy as np
import matplotlib.pyplot as plt


# Compute pie slices
N = 20
theta = np.linspace(0.0, 2 * np.pi, N, endpoint=False)
radii = 10 * np.random.rand(N)
width = np.pi / 4 * np.random.rand(N)

ax = plt.subplot(111, projection='polar')
bars = ax.bar(theta, radii, width=width, bottom=0.0)

# Use custom colors and opacity
for r, bar in zip(radii, bars):
    bar.set_facecolor(plt.cm.viridis(r / 10.))
    bar.set_alpha(0.5)

plt.show()

5.4 标签文本设置

cate = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
data = [153, 124, 107, 99, 89, 46]

plt.figure(figsize=(8, 8))  # 新建一个空画布，设置尺寸
plt.pie(data, 
        labels=cate, 
        explode=[0,0.1,0,0,0,0],
        autopct='%.2f%%',
        shadow=True,
        # 自定义颜色，不需要于类目数相等，循环调用
        colors=['#FFC0CB', '#FF00FF', '#FFD700', '#FFA500', '#00FF7F', 'blue'],
        # 文本设置，包括字体，大小，颜色等属性
        textprops={'fontsize':12,'color':'red'})
plt.legend()
plt.show()

6、散点图/气泡图 plt.scatter()

data_x = [random.randint(1, 100) for _ in range(1000)]
data_y = [random.randint(1, 100) for _ in range(1000)]
area   = np.pi * (15 * np.random.rand(N))**2
          
plt.figure(figsize=(8, 8))
plt.scatter(data_x, data_y)
plt.show()

6.1 极轴上的散点图

import numpy as np
import matplotlib.pyplot as plt


# Compute areas and colors
N = 150
r = 2 * np.random.rand(N)
theta = 2 * np.pi * np.random.rand(N)
area = 200 * r**2
colors = theta

fig = plt.figure()
ax = fig.add_subplot(111, projection='polar')
c = ax.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)

6.2 极轴偏移原点的散点图

与先前图的主要区别在于原点半径的配置，产生环。 此外，θ零位置设置为旋转图。

fig = plt.figure()
ax = fig.add_subplot(111, polar=True)
c = ax.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)

ax.set_rorigin(-2.5)
ax.set_theta_zero_location('W', offset=10)

6.3 极轴上的扇区散点图

与之前的图表的主要区别在于theta开始和结束限制的配置，产生扇区而不是整圆。

fig = plt.figure()
ax = fig.add_subplot(111, polar=True)
c = ax.scatter(theta, r, c=colors, s=area, cmap='hsv', alpha=0.75)

ax.set_thetamin(45)
ax.set_thetamax(135)

plt.show()

6.4 颜色/大小/透明度 设置

plt.scatter(x, y,  
            s=area, 	# 图形大小
            c=colors, 	# 颜色      
            alpha=0.3)	# 透明度

7、面积图 plt.stackplot()

plt.subplot(111)
x = np.array([1,2,3,4,5,6,7,8,9])
y1 = np.array([866,2335,5710,6482,6120,1605,3813,4428,4631])
y2 = np.array([433,1167,2855,3241,3060,802,1906,2214,2315])

labels = ["注册人数","激活人数"]
plt.stackplot(x,y1,y2,labels=labels)
plt.title("XXX公司1-9月注册与激活人数",color='k')
plt.xlabel('月份')
plt.ylabel('注册与激活人数')
plt.xticks(x,["1月","2月","3月","4月","5月","6月","7月","8月","9月"])
plt.grid(False)
plt.legend()

8、箱型图 plt.boxplot()

用来反映一组数据离散程度。

plt.subplot(1,1,1)
y1 = np.array([866,2335,5710,6482,6120,1605,3813,4428,4631])
y2 = np.array([433,1167,2855,3241,3060,802,1906,2214,2315])
x = [y1,y2]

#绘图
labels = ["注册人数","激活人数"]
plt.boxplot(x,labels=labels,vert=True,widths=[0.2,0.5])
plt.title("XXX公司1-9月注册与激活人数",loc="center")
plt.grid(False)

9、热力图 plt.imshow()

import itertools

cm = np.array([[1,0.082,0.031,-0.0086],[0.082,1,-0.063,0.062],
              [0.031,-0.09,1,0.026],[-0.0086,0.062,0.026,1]])

cmap = plt.cm.cool  #设置配色方案
plt.imshow(cm,cmap=cmap)
plt.colorbar()  #显示右边的颜色条

#设置x轴和y轴的刻度标签
classes=["负债率","信贷数量","年龄","家属数量"]
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks,classes)
plt.yticks(tick_marks,classes)

#将数值显示在指定位置
for i,j  in itertools.product(range(cm.shape[0]),range(cm.shape[1])):
    plt.text(j,i,cm[i,j],ha="center")
    
plt.grid(False)  #设置网格线
plt.show()

10、多图融合

10.1 折线图+柱形图

plt.subplot(111)

#指明x和y的值
x=np.array([1,2,3,4,5,6,7,8,9])
y1=np.array([866,2335,5710,6482,6120,1605,3813,4428,4631])
y2=np.array([433,1167,2855,3241,3060,802,1906,2214,2315])

#直接绘制折线图和柱形图
plt.plot(x,y1,linestyle='-',color='k',linewidth=1,marker='o',markersize=3,label='注册人数')
plt.bar(x,y2,color='k',label='激活人数')

#设置标题
plt.title('XXX公司1-9月注册与激活人数',loc='center')

#数据标签
for a,b in zip(x,y1):
    plt.text(a,b,b,ha='center',va='bottom',fontsize=11)
for a,b in zip(x,y2):
    plt.text(a,b,b,ha='center',va='bottom',fontsize=11)

plt.xlabel('月份')
plt.ylabel('注册量')

#设置x轴和y轴的刻度
plt.xticks(np.arange(1,10,1),["1月份","2月份","3月份","4月份","5月份","6月份","7月份","8月份","9月份"])
plt.yticks(np.arange(1000,7000,1000),["1000人","2000人","3000人","4000人","5000人","6000人"])

plt.legend()

10.2 折线图+折线图

将两条及以上的折线画在统一坐标系中，建立坐标系后，直接依次运行多行绘制折线图代码即可。

plt.figure(figsize=(10,6))

#指明x和y的值
x = np.array([1,2,3,4,5,6,7,8,9])
y1 = np.array([866,2335,5710,6482,6120,1605,3813,4428,4631])
y2 = np.array([433,1167,2855,3241,3060,802,1906,2214,2315])

#直接绘制两条折线
plt.plot(x,y1,color='k',linestyle='-',linewidth=1,marker='o',markersize=4,label='注册人数')
plt.plot(x,y2,color='r',linestyle='--',linewidth=1,marker='o',markersize=4,label='激活人数')

#设置标题
plt.title('XXX公司1-9月注册与激活人数',loc='center')

#添加数据标签
for a,b in zip(x,y1):
    plt.text(a,b,b,ha='center',va='bottom',fontsize=11)
for a,b in zip(x,y2):
    plt.text(a,b,b,ha='center',va='bottom',fontsize=11)

#设置x轴和y轴的名称
plt.xlabel('月份')
plt.ylabel('注册量')

#设置x轴和y轴的刻度
plt.xticks(np.arange(1,10,1),["1月份","2月份","3月份","4月份","5月份","6月份","7月份","8月份","9月份"])
plt.yticks(np.arange(1000,7000,1000),["1000人","2000人","3000人","4000人","5000人","6000人"])

#设置图例
plt.legend()

11、双坐标轴图表

既有主坐标轴又有次坐标轴，当两个不同量级的指标放在同一坐标系中，就需要开启双坐标轴。

11.1 双y轴图表

一个坐标系中有两条y轴，使用plt库中的twinx方法，流程为：先建立坐标系，然后绘制主坐标轴上的图表，再调用plt.twinx方法，最后绘制次坐标轴上的图表。

plt.subplot(111)
x = np.array([1,2,3,4,5,6,7,8,9])
y1 = np.array([866,2335,5710,6482,6120,1605,3813,4428,4631])
y2 = np.array([0.544,0.324,0.390,0.411,0.321,0.332,0.922,0.029,0.157])

plt.plot(x,y1,color='k',linestyle='-',linewidth=1,marker='o',markersize=3,label='注册人数')
plt.xlabel('月份')
plt.ylabel('注册量')
plt.legend(loc='upper left')
plt.twinx()  #调用twinx方法
plt.plot(x,y2,color='r',linestyle='-.',linewidth=1,marker='o',markersize=3,label='激活率')
plt.xlabel('月份')
plt.ylabel('激活率')
plt.legend()
plt.title('XXX公司1-9月注册量与激活率')

11.2 双x轴图表

一个坐标系中有两条x轴，使用plt库中的twiny方法，具体流程跟双y轴完全一样。

参考：

• Matplotlib可视化教程：https://www.heywhale.com/mw/project/5e6e2053dd480d002c22953c
• python–数据可视化 ：https://www.heywhale.com/mw/project/5d227bf2688d36002c54a54c
• 50题matplotlib从入门到精通：https://www.heywhale.com/mw/project/5de9f0a0953ca8002c95d2a9
• 美人图：5分钟上手Matplotlib：https://www.heywhale.com/mw/project/5ed31e64fab96c002cf64acb
• Python数据可视化方法之matplotlib：https://www.heywhale.com/mw/project/5ddd1cccca27f8002c4a412c
• matplotlib数据可视化：https://www.heywhale.com/mw/project/5c35a9f6e691ba002c3a40df