（三）Matplotlib基础绘图指令

简介

matplotlib库 支持超过100种数据可视化的显示效果，每种显示效果 用户可以做自定义的修改。

• matplotlib和matplotlib.pyplot的关系：

Matplotlib库 由各种可视化类构成，内部结构复杂， 受Matlab启发。而 Matplotlib.pyplot 是绘制各类可视化图形的 命令子库， 相当于快捷方式。

• 资源地址：

1）官网首页
2）matplotlib gallery 地址1
3）matplotlib gallery 地址2（图表更全一点）
4）matplotlib APIs 一般我们主要关注下面的matplotlib.axes 和 matplotlib.pyplot的API

• 例如查看 plt.pyplot.subplots的API

• 知识点概览
  

全局设置

pyplot并不默认支持中文显示，需要 rcParams 修改字体 实现

• 改变全局字体

import matplotlib as mpl
mpl.rcParams['font.family'] = 'SimHei'
mpl.rcParams['axes.unicode_minus'] = False

rcParams的属性

属性	说明
‘font.family’	用于显示字体的名字
‘font.style’	字体风格，正常’normal’ 或 斜体’italic’
‘font.size’	字体大小，整数字号或者’large’, ‘x-small’

rcParams['font.family'] 的属性（对应的中文字体种类）

中文字体	说明
SimHei	中文黑体
Kaiti	中文楷体
Lisu	中文隶书
FangSong	中文仿宋
YouYuan	中文幼圆
STSong	华文宋体

二、常见配置

绘图风格

• 绘图风格

plt.style.use('seaborn-whitegrid')
plt.style.context('classic')

• 查看样式

plt.style.available[:5]

# ['Solarize_Light2', '_classic_test_patch', 'bmh', 'classic', 'dark_background']

• 临时使用某种风格绘图

with plt.style.context('seaborn-white'):
    plt.plot(x, y)

常见的单图类型

图表名称	说明
折线图plot()	一个变量随时间变化的趋势关系
条形图bar()、水平条形图barh()	分类变量或者离散变量的数量的多少
散点图scatter()	因变量随自变量而变化的大致趋势
饼图pie()	分类变量的占比分布
箱线图boxplot()	一组数据分散情况
直方图hist()	一个连续变量（定量变量）的概率分布的估计

• 均可以通过help()命令，查看API，用到什么查什么。

各类设置（标题、坐标轴等）

图表设置项	说明
plt.title()	标题
plt.xlabel() plt.ylabel()	x轴、y轴的标题
plt.xticks() plt.yticks()	x轴、y轴刻度
plt.tick_params()	对x轴、y轴刻度的属性进行整体设置（如字体大小、颜色等）
plt.xlims() plt.ylims()	x轴、y轴范围
plt.xscale()	plt.xscale(‘log’) 将坐标轴设置为对数坐标轴
plt.axis()	可以用plt.axis同时对x、y的范围进行设置（见下面的例子）
plt.text()	在任意位置增加文本标签
plt.annotate()	在图形中增加带箭头的注解
plt.legend()	添加图例
plt.table()	添加数据表
plt.grid()	网格显示
plt.colorbar()
plt.show()	结果展示

- plt.xlabel设置

• 改变需要显示中文的部分的字体（推荐）

plt.xlabel("横轴：日期", fontproperties = 'SimHei', fontsize = 20)
plt.ylabel("纵轴：数值", fontproperties = 'SimHei', fontsize = 20)
``


### - 同时指定横纵坐标范围 plt.axis
```python
plt.plot([0,2,4,6,8], [3,1,4,5,2])
plt.ylabel('grade')
plt.axis([-1,10, 0, 6])  #对应x的坐标轴范围为-1~10，y坐标轴范围 为 0~6

plt.axis('tight')  # ('equal')  # 'equal'使横纵坐标比例相同，使饼图变成正圆形的

?plt.axis  # 可以查看样式

- 对单个图表上的属性整体设置 plt.tick_param

plt.tick_params(axis='both', labelsize=18, colors='b')  # 设置轴标签属性

- 例子：图中的各类文本显示

import matplotlib.pyplot as plt
import numpy as np

a = np.arange(0.0, 5.0, 0.02)
plt.plot(a, np.cos(2 * np.pi * a), 'r--')

plt.xlabel('横轴：时间', fontproperties = 'SimHei', fontsize = 15, color = 'green')
plt.ylabel('纵轴：振幅', fontproperties = 'SimHei', fontsize = 15)

plt.title('正弦波实例 $y = cos(2\pi*x)$', fontproperties = 'SimHei', fontsize = 25)
plt.text(2,1,r'$\mu = 100$', fontsize  = 15)

plt.axis([-1, 6,-2, 2])
plt.grid(True)

# 使用plt.annotate 添加注解
plt.annotate(r'$\mu = 100$', xy = (2,1), xytext = (3,1.5), arrowprops = dict(facecolor = 'black', shrink = 0.1, width =  2))

plot里的参数（颜色、风格、标识）

plt.plot(x, y, format_string, ****kwargs**)

其中，kwargs 中 可以指定

color: 控制颜色，如 color = ‘green’
linestyle: 线条风格，如 linestyle = ‘dashed’
marker: 标记风格，如 marker = ‘o’
markerfacecolor: 标记颜色，如 markerfacecolor = ‘blue’

• 颜色字符 color

颜色字符	说明
b	蓝色
g	绿色
r	红色
y	黄色
k	黑色
w	白色
c	青绿色 cyan
m	洋红色 magenta
#008000	RGB某颜色
0.8	灰度值字符串

• 风格字符 linestype 及 标记字符 marker

字符	类型	字符	类型
'-'	实线 solid	'--'	虚线 dashed
'-.'	虚点线 dashdot	':'	点线 dotted
'.'	点	','	像素点
'o'	圆点	'v'	下三角点
'^'	上三角点	'<'	左三角点
'>'	右三角点	'1'	下三叉点
'2'	上三叉点	'3'	左三叉点
'4'	右三叉点	's'	正方点
'p'	五角点	'*'	星形点
'h'	六边形点1	'H'	六边形点2
'+'	加号点	'x'	乘号点
'D'	实心菱形点	'd'	瘦菱形点
'_'	横线点

标记字符	说明	标记字符	说明	标记字符	说明
’.’	点标记	‘1’	下花三角标记	‘h’	竖六边形标记
’,’	像素标记（极小点）	‘2’	上花三角标记	‘H’	横六边形标记
’o’	实心圆标记	‘3’	左花三角标记	‘+’	十字标记
’v’	倒三角标记	‘4’	右花三角标记	‘x’	x标记
’^’	上三角标记	‘s’	实心方形标记	‘D’	菱形标记
’>’	右三角标记	‘p’	实心五角标记	‘d’	瘦菱形标记
’<’	左三角标记	‘*’	星形标记	‘|’	竖直线标记

用户在使用的过程中，可以任意指定上述三种字符中的一种或几种

a = np.arange(110)
plt.plot(a, a*1.5, 'o-', a, a*2.5, 'rx', a, a*3.5, '*', a*4.5, 'b-.')

自动调整图像外部边缘（tight_layout）

fig.tight_layout()

颜色配置 cmaps

颜色示例参考这个链接

三、绘制多个子图

通过plt.subplots在全局绘图区域中创建一个分区体系，并定位到一个子绘图区域。后面在subplot中绘制的图形 全部在这些子区域中进行绘制。

3.1 分开的多个子图

3.1.1 方法一：直接操作plt.subplot

import matplotlib.pyplot as plt
import numpy as np

def f(t):
    return np.exp(-t) * np.cos(2 * np.pi * t)

a = np.arange(0.0, 5.0, 0.02)
plt.subplot(211); plt.plot(a, f(a))
plt.subplot(212); plt.plot(a, np.cos(2*np.pi*a), 'r--')

plt.show()

3.1.2 方法二（推荐）：面向对象绘图

1）先生成fig，再通过fig.add_subplot()分步生成对象ax

fig = plt.figure(figsize(12, 6))

ax1 = fig.add_subplot(221)
ax1.plot(htime, hstrain, 'y')

# 对图像设置标签、标题等参数
ax1.set_xlabel('Time(Seconds)')
ax1.set_ylabel('H1 Strain')
ax1.set_title('H1 Strain')

2）生成fig和ax，调用ax对象的方法（推荐）

通过plt.subplots同时创建fig和ax，后面调用ax这一对象的方法。

• 单个ax对象

# 单个ax对象（未设置nrows和ncols两个参数）
fig, ax = plt.subplots(figsize=(9.2, 5))

ax.invert_yaxis()
ax.xaxis.set_visible(False)

ax.barh(labels, widths, left=starts, height=0.5,
        label=colname, color=color)

ax.set_xlim(0, np.sum(data, axis=1).max())
ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1),
          loc='lower left', fontsize='small')

• 多个ax对象

可以直接通过axes[0], axes[1], … 来对每个axes对象调用方法

# 多个ax对象（设置了nrows和ncols两个参数）
import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(9, 4))

# generate some random test data
all_data = [np.random.normal(0, std, 100) for std in range(6, 10)]

# plot violin plot
axes[0].violinplot(all_data,
                   showmeans=False,
                   showmedians=True)
axes[0].set_title('violin plot')

# plot box plot
axes[1].boxplot(all_data)
axes[1].set_title('box plot')

# adding horizontal grid lines
for ax in axes:
    ax.yaxis.grid(True)
    ax.set_xticks([y+1 for y in range(len(all_data))])
    ax.set_xlabel('xlabel')
    ax.set_ylabel('ylabel')

# add x-tick labels
plt.setp(axes, xticks=[y+1 for y in range(len(all_data))],
         xticklabels=['x1', 'x2', 'x3', 'x4'])
plt.show()

3）生成fig和ax，通过DataFrame.plot()方法，在参数中指定ax

对DataFrame调用plot方法，在plot方法中指定ax=axes[0], ax=axes[1], … 等

（这种方法的好处是DataFrame的plot()方法里面的参数非常丰富，很多 如标题、图像大小、字体大小等可以直接在plot()的参数里面设置，比较方便。）

# 直接定义：
fig, axes = plt.subplots(nrows=2, ncols=1, sharex=True, sharey=True, figsize=(12, 7))

# 在上面的基础上画图：
df1.plot(style = 'k-', ax = axes[0])
df2.plot(stype = 'k--', ax = axes[0])
df3.plot(stype = 'k-', ax = axes[1]
df4.plot(stype = 'k--', ax = axes[1]

# 分别定义 两个子图的标题：
axes[0].set_title('Title1')
axes[1].set_title('Title2')

3.1.4 通过DataFrame的plot方法绘图

df.plot?  # 查看文档

# 多子图
df.plot(subplots=True, figsize=(15,5))
# 两行两列
df.plot(subplots=True, layout=(2,2), figsize=(15,5), sharex=False)

DataFrame自带的plot方法非常强大，很多参数简单传入plot()即可实现多样的图表展现功能，如secondary_y、subplots、layout等。（具体可以参考这个文档）

3.1.3 不规则子图（子区域自定义）

有时候我们想要自定义子区域的长宽等，可以通过以下两种方法实现（效果等价）。

• 方法1：matplotlib.pyplot.subplot2grid

plt.subplot2grid((3,3), (0,0), colspan = 3)
plt.subplot2grid((3,3), (1,0), colspan = 2）
plt.subplot2grid((3,3), (1,2), rowspan = 2) 

• 方法2：matplotlib.gridspec

import matplotlib.gridspec as gridspec

gs = gridspec.GridSpec(3,3, wspace=0.4, hspace=0.3)

ax1 = plt.subplot(gs[0, :])
ax1 = plt.subplot(gs[1, :-1])
ax1 = plt.subplot(gs[1:, -1:])
ax1 = plt.subplot(gs[2, 0])
ax1 = plt.subplot(gs[2, 1])

3.2 叠加在同一个图上的多个子图

sharex, sharey 参数
ax.twinx 方法
用pandas DataFrame的绘图参数中的 secondary_y

3.2.1 方法一：ax.twix()

x = list(gdp.year)
GDP = list(gdp.GDP)
GDPCR = list(gdp.GDPCR)
fig = plt.figure()

ax1 = fig.add_subplot(111)
ax1.bar(x,GDP)
ax1.set_ylabel('GDP'); ax1.set_title("GDP of China(2000-2017)")
ax1.set_xlim(2000,2017)

ax2 = ax1.twinx()  # 指定twix
ax2.plot(x,GDPCR,'r')
ax2.set_ylabel('Increase Ratio'); ax2.set_xlabel('Year')

3.2.2 方法二：DataFrame.plot()指定secondary_y参数

通过在DataFrame的plot()的方法中，指定secondary_y=True

# 帕累托图
plt.figure()

# 先绘制盈利金额的柱图
data.plot(kind='bar')
plt.ylabel(u'盈利（元）')

# 再绘制累计百分比图，设置 secondary_y=True
p = 1.0 * data.cumsum() / data.sum()
p.plot(color='r', secondary_y=True, style='-o', linewidth=2)

plt.annotate(format(p[6], '.4%'), xy=(6, p[6]), xytext=(6 * 0.9, p[6] * 0.9), arrowprops=dict(
    arrowstyle="->", connectionstyle="arc3,rad=.2"))  # 添加注释，即85%处的标记。这里包括了指定箭头样式。
plt.ylabel(u'盈利（比例）')
plt.show()

3.3 画中画

x = np.linspace(0,5,10)
y = x**2

fig = plt.figure()
ax1 = fig.add_axes([0.1,0.1,0.8,0.8])
ax2 = fig.add_axes([0.2,0.5,0.4,0.3])

ax1.plot(x,y,'r'); ax1.set_xlabel('x', fontsize=15); ax1.set_ylabel('y', fontsize=15); ax1.set_title('title', fontsize=15)
ax2.plot(y,x,'g'); ax2.set_xlabel('y', fontsize=15); ax2.set_ylabel('x', fontsize=15); ax2.set_title('inner title', fontsize=15)

四、将输出文件保存图像

发布图片时最长用到的两个重要的选项是dpi（控制"每英寸点数"分辨率）和bbox_inches（可以剪除当前图表周围的空白部分）。

savefig并非一定要写入磁盘,也可以写入任何文件型的对象,比如StringIO, 这对在Web上提供动态生成的图片是很实用的。

• 保存并关闭图像

plt.savefig(path+filename, dpi = 600)  #图片默认会保存为png格式，filename后缀不用加文件类型
plt.show();  plt.close(fig）

• Figure.savefig 方法的参数

参数	说明
fname	文件名。图像格式由文件扩展名推断得出。
dpi	图像分辨率（每英寸点数），默认为100
facecolor, edgecolor	图像的背景色，默认为’w’（白色）
format	显式设置文件格式（如 ‘png’, ‘pdf’, ‘svg’, ‘ps’, ‘eps’, …）
bbox_inches	图表需要保存的部分，如果设置为’right’，则将尝试剪除图表周围的空白部分

五、基础图表简单示例

• pyplot基础图表函数

# 坐标图
plt.plot(x, y, fmt,...)
# 箱线图
plt.boxplot(data, notch, position)
# 柱形图
plt.bar(left, height, width, bottom)
# 横向条形图
plt.barh(width, bottom, left, height)
# 极坐标图
plt.polar(theta, r)
# 饼图
plt.pie(data, explode)
# 散点图
plt.scatter(x, y)
# 步阶图
plt.step(x, y, where)
# 直方图
plt.hist(x, bins, normed)
# 绘制数据日期
plt.plot_data()

柱图

plt.bar(..., color='yellow', edgecolor='red')
# 替换坐标轴
plt.xticks(x, ['G1', 'G2', 'G3', 'G4', 'G5'])

- matplotlib

• 在plt.rcParams里配置显示中文（推荐）

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决图像保存时 负号'-'显示是方块的问题


a = ['流浪地球','疯狂的外星人','飞驰人生','大黄蜂','熊出没·原始时代','新喜剧之王']
b =[38.13,19.85,14.89,11.36,6.47,5.93]

plt.figure(figsize=(20,8),dpi=80)

# 绘制条形图
rects = plt.bar(range(len(a)),b,width=0.9,color= 'red')
plt.xticks(range(len(a)),a, fontsize=15)
plt.yticks(range(0,41,5),range(0,41,5), fontsize=15)
plt.title('高分电影排名情况', fontsize=20)

# 在条形图上加标注(水平居中)
for rect in rects:
    #获取高度,y值
    height = rect.get_height()
    #设置显示文字
    plt.text(rect.get_x() + rect.get_width() / 2, height+0.3, str(height),ha="center", fontsize=15)
plt.show()

• 用font_manager指定中文类型

from matplotlib import pyplot as plt
from matplotlib import font_manager

a = ['流浪地球','疯狂的外星人','飞驰人生','大黄蜂','熊出没·原始时代','新喜剧之王']
b =[38.13,19.85,14.89,11.36,6.47,5.93]

my_font = font_manager.FontProperties(fname='/System/Library/Fonts/PingFang.ttc',size=10)
plt.figure(figsize=(20,8),dpi=80)

# 绘制条形图
rects = plt.bar(range(len(a)),b,width=0.9,color= 'red')
plt.xticks(range(len(a)),a,fontproperties=my_font, fontsize=15)
plt.yticks(range(0,41,5),range(0,41,5), fontsize=15)
plt.title('高分电影排名情况', fontproperties=my_font, fontsize=20)

# 在条形图上加标注(水平居中)
for rect in rects:
    #获取高度,y值
    height = rect.get_height()
    #设置显示文字
    plt.text(rect.get_x() + rect.get_width() / 2, height+0.3, str(height),ha="center", fontsize=15)
plt.show()

• 横向条形图

x = ['G'+str(i) for i in range(1,6)]
y = 2*np.arange(1,6)
plt.figure(figsize=(10,5))
plt.barh(x,y, align='center',height=0.5,alpha=0.8,color='b', edgecolor='r')
plt.tick_params(axis='both', labelsize=18, colors='b')  # 设置轴标签属性

• 用matplotlib绘制堆叠柱图

import matplotlib.pyplot as plt
import numpy as np

index = np.arange(4)
BJ = np.random.randint(20,30,4)
Sh = np.random.randint(20,30,4)

plt.rcParams['font.size'] = 15
plt.figure(figsize=(10,5))

# 堆叠柱形
plt.bar(index,BJ,width=0.3,label='BJ')
plt.bar(index,Sh,bottom=BJ,width=0.3,color='lightgrey', label='SH')

plt.xticks(index,['group'+str(i) for i in index])
plt.legend()

• 用matplotlib绘制簇状柱图

import matplotlib.pyplot as plt
import numpy as np

index = np.arange(4)
BJ = [50,55,53,60]
Sh = [44,66,55,41]

plt.rcParams['font.size'] = 15
plt.figure(figsize=(10,5))

#并列柱形
plt.bar(index,BJ,width=0.3, label='BJ')
plt.bar(index+0.3,Sh,width=0.3,color='lightgrey', label='SH')

plt.xticks(index+0.15,index)
plt.legend()

- Series和DataFrame的plot()方法

• Series也有plot方法，可以直接调用（在plot方法的参数里面配置图表类型）

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决图像保存时 负号'-'显示是方块的问题
plt.rcParams['font.size'] = 15  # matplotlib 默认字体大小
plt.rcParams['figure.figsize'] = (15, 10)  # matplotlib 默认图像大小

fig, axes = plt.subplots(2,1)
data = Series(np.random.rand(16), index=list('abcdefghijklmnop'))
data.plot(kind='bar', ax=axes[0], color='k', alpha=0.7)
data.plot(kind='barh', ax=axes[1], color='g', alpha=0.7)

• 用plot方法直接绘制多列的DataFrame

from pandas import Series, DataFrame
import matplotlib.pyplot as plt

df = DataFrame(np.random.rand(6,4),columns=['A', 'B', 'C', 'D'])
df.plot(kind='bar', figsize=(15,5), title='用plot方法直接绘制多列的DataFrame')

• 加上 subplots=True，每列绘制到单独的子图中

df = DataFrame(np.random.rand(6,4),columns=['A', 'B', 'C', 'D'])
df.plot(kind='bar', subplots=True, title='DataFrame的plot方法-绘制多个子图')  # 加上  subplots=True，每列绘制到单独的子图中

• 加上 stacked=True，绘制堆叠柱图

df = DataFrame(np.random.rand(6,4),columns=['A', 'B', 'C', 'D'])
df.plot(kind='barh', stacked=True, alpha=0.5, title='DataFrame的plot方法-绘制堆叠柱图', figsize=(15,5))

折线图

• 用matplotlib来画（plt.plot() ）

def f(t):
    return np.exp(-t)*np.cos(2*np.pi*t)

t1 = np.arange(0,5,0.1)
t2 = np.arange(0,5,0.02)

plt.figure(figsize=(15,8))

plt.subplot(211)
plt.plot(t1, f(t1), 'bo-', markerfacecolor='r', markersize=5)
plt.ylabel('Damped oscillation')
plt.title('A tale of 2 subplots')

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.xlabel('time(s)')
plt.ylabel('Undamped')

饼图

• 饼图参数
  explode：设置各部分突出
  label:设置各部分标签
  labeldistance:设置标签文本距圆心位置，1.1表示1.1倍半径
  autopct：设置圆里面文本
  shadow：设置是否有阴影
  startangle：起始角度，默认从0开始逆时针转
  pctdistance：设置圆内文本距圆心距离

• 简单饼图

labels = ['Frogs', 'Hogs', 'Dogs', 'Logs']
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)

plt.pie(sizes, explode = explode, labels = labels, autopct = '%1.1f%%', shadow = False, startangle =  90)
plt.axis('equal')  # 使横纵坐标比例相同，使饼图变成正圆形的

• 饼图指定颜色

import matplotlib.pyplot as plt
import matplotlib

label_list = ["第一部分", "第二部分", "第三部分"]    # 各部分标签
size = [55, 35, 10]    # 各部分大小
color = ["pink", "lightgrey", "lightblue"]     # 各部分颜色
explode = [0, 0.05, 0]   # 各部分突出值

plt.figure(figsize=(5, 5), dpi=100)
plt.pie(
    size, 
    explode=explode, 
    colors=color, 
    labels=label_list, 
    labeldistance=1.1, 
    autopct="%1.1f%%", 
    shadow=False, 
    startangle=90,
    pctdistance=0.6,
)

直接绘制的饼图上方会有三个返回值：

• 返回值:
  patches : matplotlib.patches.Wedge列表（扇形实例）
  l_text：label matplotlib.text.Text列表（标签实例）
  p_text：label matplotlib.text.Text列表（百分比标签实例）

可以通过接收三个返回值来避免其打印出来，不美观。

plt.figure(figsize=(5, 5), dpi=100)
patches, l_text, p_text = plt.pie(
    size, 
    explode=explode, 
    colors=color, 
    labels=label_list, 
    labeldistance=1.1, 
    autopct="%1.1f%%", 
    shadow=False, 
    startangle=90,
    pctdistance=0.6,
)
plt.legend()

直方图

np.random.seed(0)
mu, sigma = 100, 20   # 均值 和 标准差
a = np.random.normal(mu, sigma, size = 100)

plt.figure(figsize=(10,5))
plt.hist(a, 20, density=True, histtype='stepfilled', facecolor='b', alpha=0.75)
#bins = 20, 表示直方的个数
#density=True: 纵坐标是出现的概率；density=False: 纵坐标是出现的个数

plt.title('Histogram', fontsize=18)

• 画一个标准直方图

from scipy.stats import norm

mu, sigma = 100,15
x = mu + sigma*np.random.randn(10000)

plt.figure(figsize=(10,5))
_, bins, __ = plt.hist(x, 50, density=True)

# 绘制一条拟合的正态分布的线，用于对比
y = norm.pdf(bins, mu, sigma)
plt.plot(bins, y, 'r--', lw=3)

plt.xlabel('Smarts', fontsize=15); plt.ylabel('Probability', fontsize=15)
plt.tick_params(axis='both', labelsize=13)  # 设置轴标签属性

plt.title('Histogram of IQ', fontsize=18)
plt.text(60, 0.025, r'$\mu=100,\ \sigma=15$')
plt.axis([40,160,0,0.03])

• 例子：电影时长分布

time = [131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114,
        119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 
        136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 
        105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123,
        117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116,
        108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125,
        138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,
        107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 
        106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 
        111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 
        141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 
        130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 
        117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111,
        101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 
        111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]


distance = 2  # 设置组距
group_num = int((max(time) - min(time)) / distance)  # 计算组数

plt.figure(figsize=(15, 5), dpi=100)
plt.hist(time, bins=group_num)  # 绘制直方图

plt.xticks(range(min(time), max(time))[::2])  # 修改x轴刻度显示
plt.grid(linestyle="--", alpha=0.5)  # 添加网格显示
plt.xlabel("电影时长大小")
plt.ylabel("电影的数据量")

plt.title('电影时长分布直方图', fontsize=20)

• 累计直方图（累计概率分布）

mu, sigma = 100,15
x = mu + sigma*np.random.randn(10000)

plt.figure(figsize=(10,5))
_, bins, __ = plt.hist(x, 50, density=True, cumulative=True)

plt.xlabel('Smarts', fontsize=15); plt.ylabel('Cum_Probability', fontsize=15)
plt.tick_params(axis='both', labelsize=13)  # 设置轴标签属性

plt.title('Histogram of IQ', fontsize=18)
plt.text(60, 0.8, r'$\mu=100,\ \sigma=15$', fontsize=15)
plt.axis([40,160,0,1.1])
plt.grid()

• 分组直方图

# 用上面的电影市场数据构造一个分组数据
df = DataFrame(time, columns=['number'])
df['groups']=index=list('abcde')*50

df.hist(column='number', by=['groups'], 
        sharex=True, sharey=True, 
        layout=(5, 1),
        grid=False, xlabelsize=10,
        figsize=(10, 10))

散点图

#使用面向对象的方法绘制散点图
fig, ax = plt.subplots()  #fig, ax 分别对应图表 和 图表绘制的区域
ax.plot(10 * np.random.randn(100), 10 * np.random.randn(100), 'o')
# randn 生成正态分布的点

ax.set_title('Simple Scatter')

六边形图

df = pd.DataFrame(np.random.randn(1000,2), columns=['a', 'b'])
df['b'] = df['b']+np.arange(1000)
df['z'] = np.random.uniform(0,3,1000)

df.plot.hexbin(x='a', y='b', C='z',
               reduce_C_function=np.max,
               gridsize=25,
               figsize=(10,7))

用来绘制六边形图的数据看上去不好理解。我们下面看一下这三个变量各自的分布情况。
可以看到，a符合正态分布，b更接近于均匀分布。六边形图是以a作为x轴，b作为y轴，ab区域内的 max(z) （根据reduce_C_function参数指定）是六边形的颜色深度。所以，六边形图在x方向上呈现出中间密集、两边稀疏的现象；在y轴上则基本上比较均匀。

误差图

- 基本误差图

x = np.linspace(0,10,50)
dy = 0.5
y = np.sin(x)+dy*np.random.randn(50)

plt.figure(figsize=(10,5))
plt.errorbar(x,y, yerr=dy, fmt='+b')

- 柱形误差图

menMeans = (20,35,30,35,27)
womenMeans = (25,32,34,20,25)
menStd = (2,3,4,1,2)
womenStd = (3,5,2,3,3)
ind = ['G'+str(i) for i in range(1,6)]
width = 0.35

p1 = plt.bar(ind, menMeans, width=width,label='Men', yerr=menStd)
p2 = plt.bar(ind, womenMeans, width=width, bottom=menMeans, label='Women', yerr=womenStd)

plt.ylabel('Score', fontsize=15)
plt.title('Score by group and gender', fontsize=18)
plt.yticks(np.arange(0,81,10), fontsize=13)
plt.legend()

三维图

• 三维数据点与线

from mpl_toolkits import mplot3d

ax = plt.axes(projection='3d')

zline = np.linspace(0,15,1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline, zline)

zdata = 15*np.random.random(100)
xdata = np.sin(zdata)
ydata = np.cos(zdata)
ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='spring')

• 三维数据曲面图

def f(x,y):
    return np.sin(np.sqrt(x**2+y**2))

x = np.linspace(-6,6,30)
y = np.linspace(-6,6,30)

X, Y = np.meshgrid(x,y)
Z = f(X, Y)

ax = plt.axes(projection='3d')
ax.plot_surface(X, Y, Z, cmap='viridis')

六、附

一些美化配置

• 图像大小及dpi

plt.figure(figsize=(20,8),dpi=80)

• 坐标轴设置（刻度、标签）

# 设置x轴的刻度
plt.xticks(x)
plt.xticks(range(1,25))
# 设置y轴的刻度
plt.yticks(y)
plt.yticks(range(min(y),max(y)+1))

# 构造x轴刻度标签
x_ticks_label = ["{}:00".format(i) for i in x]
#rotation = 45 让字旋转45度
plt.xticks(x,x_ticks_label,rotation = 45)
# 设置y轴的刻度标签
y_ticks_label = ["{}℃".format(i) for i in range(min(y),max(y)+1)]
plt.yticks(range(min(y),max(y)+1),y_ticks_label)

pyplot.subplots参数

参数	说明
nrows	subplot的行数
ncols	subplotd的列数
sharex	所有subploty使用相同的x轴刻度（调节xlim会影响所有的subplot）
sharey	所有subploty使用相同的y轴刻度（调节ylim会影响所有的subplot）
subplot_kw	用于创建各subplot的关键字字典
**fig_kw	创建figure时的其他关键字，如 plt.subplots(2,2, figsize=(8,6))

• 调整subplot周围的间距
  利用Figure的subplots_adjust方法可以轻而易举地修改间距. 此外,它也是个顶级函数:

subplot_adjust(left=None, bottom = None, right = None, top=None, wspace = None, hspace = None)
#wspace和hspace用于控制宽度和高度的百分比,可以用作subplot之间的间距


#例如：
plt.subplot_adjusts(hspace=0.5, wspace=0.3)

plt.subplots(321)
plt.scatter(x,y,s=80, c='b', marker='>')

plt.subplots(322)
plt.scatter(x,y,s=80, c='g', marker='*')

...

DataFrame.plot()参数

DataFrame还有一些用于对列进行灵活处理的选项. 例如,是要将所有列都绘制到一个subplot中还是创建各自的subplot。

参数	说明
subplots	将各个DataFrame列绘制到单独的subplot中
sharex	如果subplots=True，则共用一个X轴，包括刻度和界限
sharey	如果subplots=True，则共用一个Y轴，包括刻度和界限
figsize	表示图像大小的元组
title	表示图像标题的字符串
legend	添加一个subplot的图例（默认为True）
sort_columns	以字母表顺序绘制各列，默认使用当前列顺序

• 生成线型图的代码中加上kind='bar'(垂直柱状图)或kind='barh'(水平柱状图)即可生成柱状图。

• 设置stacked=True,可为DataFrame生成堆积柱状图,这样每行的值就会被堆积在一起。

Series.plot()参数

参数	说明
label	用于图例的标签
ax	要在其上进行绘制的ax对象。如果没有指定，则使用当前的subplot
style	要传给matplotlib的风格字符串（如’ko–’）
alpha	图表的填充不透明度（0~1）
kind	图表类型，如 ‘line’, ‘bar’, ‘barh’, ‘kde’
logy	在y轴上使用对数标尺
use_index	将对象的索引用作刻度标签
rot	旋转刻度标签（0~360）
xticks	用作x轴刻度的值
yticks	用作y轴刻度的值
xlim	x轴的界限（如 [0,10]）
ylm	y轴的界限
grid	显示轴网格线（默认打开）