python学习之路--可视化利器matplotlib（下）

上一期我们介绍了matplotlib作图的基本思维，也对相关参数以及一些简单的图表进行示例演示，今天继续用matplotlib绘制一些既实用又有趣的图表。另外还有朋友问到能不能介绍一下pyecharts的用法，其实在很早之前就介绍过了，分别是pyecharts在手，天下我有（常用图表篇上）和pyecharts在手，天下我有（常用图表篇下）。

1. 面积图

上一期有读者问到如果想要把折线图下方的面积都填充上，那该怎么办？其实可以使用plt.stackplot进行填充。plt.stackplot填充的是图形与x轴组成的封闭空间。格式如：plt.stackplot(x,y,colors = xx)

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(1,1,1)
x = np.array([1,2,3,4,5])
y = np.array([123,345,178,98,223])
plt.stackplot(x,y,colors = '#F4B833')
plt.title('面积图',fontsize = 15,loc = 'center')
plt.xlabel('月份')
plt.ylabel('人数')
plt.xticks(np.arange(1,6),['1月','2月','3月','4月','5月'])

说到填充还有一些填充函数，那就是plt.fill()和plt.fill_between();

(1)plt.fill():填充颜色的部分是首末两端连成一线组成的封闭空间，连接方式如下图红色箭头所示。格式为：plt.fill(x, y, colors = xx)；

(2)plt.fill_between:填充指定区域的颜色，格式如：plt.fill_between(x, y1 ,y2=0, where = None, color=xx, alpha = xx);

#plt.fill()填充所有点或线组成的封闭空间的颜色，而封闭空间的组成是：point1-->point2-->point3.....-->point1
plt.figure(figsize=(8,6))
plt.subplot(1,1,1)
x = np.array([1,2,3,4,5,6])
y = np.array([123,345,178,98,128,246])
plt.plot(x, y, linestyle = 'dashed', color = '#2E2E2E')         
plt.fill(x, y, color = '#FFD03B')
plt.annotate("",xy = (1,123),xytext = (6,246),arrowprops = dict(facecolor = "#2E2E2E",shrink = 0.001))
for a,b in zip(x,y):
    plt.text(a,b,"点%d"%a,fontsize = 15)
plt.xticks([])
plt.yticks([])

 

#plt.fill_between()填充符合条件的封闭空间的颜色
plt.figure(figsize = (16,4))
plt.subplot(1,2,1)
x = np.linspace(-10,10,100)
y = -x**2
plt.plot(x,y, color='#FFD03B',linewidth = 3)
plt.fill_between(x,y,where =(x>=-5)&(x<=5),color = "#2E2E2E")

plt.subplot(1,2,2)
plt.plot(x,y, color='#FFD03B',linewidth = 3)
plt.fill_between(x,y,y2= -y-40,where =(x>=-5)&(x<=5),color = "#2E2E2E")

可以看到通过设置x,y1,y2填充不一样的区域，比如像上左图，y2默认是0，也就是填充符合条件的区域与x轴组成的封闭空间；

而如果不想跟x轴组成，想自定义的话就设置y2的值，如上右图所示。当然多出来的那两个小角是因为两条曲线相交的点不是在x=5的这个位置，具体是多少，可以通过等式-x2 = x2-40算出来，交点的x值等于正负根号20。

plt.figure(figsize = (10,4))
plt.subplot(1,1,1)
x1 = np.linspace(-10,10,100)
x2 = np.linspace(-2.5,2.5,100)
plt.plot(x1,-x1**2, color='#FFD03B',linewidth = 3)
plt.fill_between(x1,-x1**2,y2= x1**2-40,where =(x1>=-20**0.5)&(x1<=20**0.5),color = "#2E2E2E")
plt.scatter([-3.5,3.5],[-70,-70],c = "k",s = 300)
plt.plot(x2,-x2**2-90, color='k',linewidth = 3)
plt.axis("off")

 

2. 雷达图

雷达图常用来表示同一个主体不同指标的分布，最常见的估计就是王者荣誉结算后的战绩表了吧！我们可以通过建立极坐标系的方式画出来，格式如：plt.polar(theta = xx,r = xx,color = xx,marker = xx,linewidth = xx)

(1)theta:每个点在极坐标系中的角度；

(2)r:每一个点在极坐标系中的半径，也就是对应的数值；

plt.subplot(1,1,1,polar = True)
angles = np.linspace(0,2*np.pi,5,endpoint=False)
labels = ["输出","KDA","发育","团战","生存"]
data = [4.2,3.6,3.9,4.9,2.6]
data = np.concatenate((data,[data[0]]))  #闭包
angles = np.concatenate((angles,[angles[0]]))  #闭包
plt.polar(angles,data,color = "#2E2E2E",marker = "*",linestyle = "dashed")
plt.fill(angles,data,color = '#FFD03B')
plt.xticks(angles,labels,fontsize = 15)
plt.yticks(np.arange(1,6),labels= [])   #去除雷达图里的标签

3. 热力图

热气图是常用的图表之一，它能快速的将重点关注区域反映出来，常用于相关性的可视化或者与地图结合起来表示数据的分布。我们可以通过plt.imshow()来绘制，格式如：plt.imshow(data,cmap = xx);

cmap:配色方案，用来表明图表渐变的主题色。

x = np.random.random(16).reshape(4,4)       #随机生成4行4列的数组
cmap = plt.cm.summer_r                      #选择配色方案
plt.imshow(x,cmap = cmap)
plt.colorbar()                              #显示颜色条
for i in range(x.shape[0]):
    for j in range(x.shape[1]):
        plt.text(j,i,round(x[i,j],2),fontsize = 10)

4. 箱型图

箱型图常用来观察数据的分布情况，可直观地观察到异常点。可以通过plt.boxplot()绘制，

格式如：plt.boxplot(data,vert = True, widths = xx, labels = xx,sym = '+',showmeans = False, meanline = False,filerprops = xx,medianprops = xx,meanprops = xx)

(1)vert:箱型图的方向，默认是True，表示箱型图是纵向的；而False表示是横向的；

(2)widths：箱型图的宽度;

(3)sym:异常点的形状，默认是‘+’;

(4)showmeans:是否显示均值;

(5)meanline:是否用线表示均值,默认是点;

plt.subplot(1,1,1)
x = np.random.randn(1000)
plt.boxplot(x,vert = True,widths= 0.2,sym = "*",showmeans= True,meanline = False)

通过箱型图我们可以直观地看到异常点的存在，星星表示的点就是异常点，而中位数与均值在同一个位置，意味着这个数据并没有偏向。

5. 带数据表的图表

带数据表的图表常见于excel，对于数据相近或者需要查看具体数值时，数据表的作用就很明显。我们可以通过作图函数与plt.table()相结合，绘制带数据表的图表。格式如：plt.table(cellText,cellLoc,cellColours,rowLabels,rowColours,rowLoc,colLabels,colColours,colLoc,loc)

(1)cellText:数据;

(2)cellLoc、rowLoc,colLoc:单元格、行、列的对齐方式;

(3)cellColours、rowColours,colColours：单元格、行、列的颜色;

(4)rowLabels、colLabels:行、列的标签;

(5)loc:数据表的位置;

plt.subplot(1,1,1)
x = np.arange(1,5)
y1 = [20,30,40,50]
y2 = [10,20,30,40]
rows = ["行1","行2"]
columns = ["列1","列2","列3","列4"]
plt.table(cellText = [y1,y2],
          cellLoc = "center",
          rowLabels = rows,
          rowLoc = "center",
          rowColours = ["#E4E4E4"]*2,
          colLabels = columns,
          colColours = ["#E4E4E4"]*4,
          colLoc = "center",
          loc = "bottom"
         )
plt.bar(x,y1,color = "#2E2E2E")
plt.bar(x,y2,color = "#FFD03B")
plt.xticks([])

6. 双坐标轴图表

在绘制图表时，经常会把不同的图表放到一张画布里进行对比分析或者增加信息量，但往往会因为两者的量纲不同，或者数据差异太大导致图表显示效果差，因此会设置一个副坐标轴。我们可以通过plt.twinx()建立y副坐标轴或者plt.twiny()建立x副坐标轴。

plt.subplot(1,1,1)
x = np.arange(1,10)
y1 = np.random.randint(10,100,9)
y2 = np.random.randint(10,100,9)
plt.plot(x,y1,color = "#FFD03B",marker = "o",linestyle = "dashed",linewidth = 3,markersize = 3,markerfacecolor = "w",label = "示例1")
plt.xlabel("月份")
plt.ylabel("人数")
plt.twinx()
plt.plot(x,y2,color = "#2E2E2E",marker = "*",linestyle = "dotted",linewidth = 3,markersize = 3,markerfacecolor = "w",label = "示例2")
plt.ylabel("人流量")
Text(0, 0.5, '人流量')

7. 配色方案

好看的图表往往离不开好看的配色方案，这里提供几种我常用的配色。

plt.figure(figsize=(12,8))
plt.subplot(2,2,1)
for i,j,k in zip([1,1,1,1],[10,7.5,5,2.5],["#2E2E2E","#FFFFFF","#FFD03B","#E4E4E4"]):
    plt.bar(x = i,height = j,color = k)

plt.subplot(2,2,2)
for i,j,k in zip([1,1,1,1],[10,7.5,5,2.5],["#7294D4","#D8A499","#C6CDF7","#E6A0C4"]):
    plt.bar(x = i,height = j,color = k)

plt.subplot(2,2,3)
for i,j,k in zip([1,1,1],[9,6,3],["#2F83E4","#00E5C1","#23CBFF"]):
    plt.bar(x = i,height = j,color = k)

plt.subplot(2,2,4)
for i,j,k in zip([1,1,1],[9,6,3],["#CCB05D","#F4B833","#E43927"]):
    plt.bar(x = i,height = j,color = k)