Python数据分析可视化---你不学会后悔的图表绘制工具Matplotlib图表样式参数

上一篇博客简单介绍了一下Matplotlib的图表窗口和图表基本元素，这一篇着重写一下Matplotlib图表的样式参数
（1）linestyle参数
linestyle是选择线型，即虚线还是直线等，它的参数有以下四个：

# '-'       solid line style
# '--'      dashed line style
# '-.'      dash-dot line style
# ':'       dotted line style

我们来看一个具体的例子，画一个虚线图

plt.plot([i**2 for i in range(100)],
        linestyle = '-.')

输出结果：

（2）marker参数
marker参数是选择点的形状，这个参数非常非常多，以下：

# '.'       point marker
# ','       pixel marker
# 'o'       circle marker
# 'v'       triangle_down marker
# '^'       triangle_up marker
# '<'       triangle_left marker
# '>'       triangle_right marker
# '1'       tri_down marker
# '2'       tri_up marker
# '3'       tri_left marker
# '4'       tri_right marker
# 's'       square marker
# 'p'       pentagon marker
# '*'       star marker
# 'h'       hexagon1 marker
# 'H'       hexagon2 marker
# '+'       plus marker
# 'x'       x marker
# 'D'       diamond marker
# 'd'       thin_diamond marker
# '|'       vline marker
# '_'       hline marker

来看一个具体的实例：

s = pd.Series(np.random.randn(100).cumsum())
s.plot(linestyle = '--',
      marker = '.')

输出结果：

（3）color参数
color参数即是选择颜色，主要是从colormap颜色版中选择，包括以下：

# Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r,
# Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, 
# PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, 
# RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, 
# YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, 
# cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r,
# gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, 
# gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral, 
# nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral, 
# spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r

我们平时常用的包括红色，绿色，黑色，蓝色等，通常以简写的形式来表示：red-r, green-g, black-k, blue-b, yellow-y

来看一个具体的实例

plt.hist(np.random.randn(100),
        color = 'g',alpha = 0.8)#alpha为透明度，0-1

输出结果：

再来看一下选择colormap的图表

df = pd.DataFrame(np.random.randn(1000, 4),columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.8,colormap = 'GnBu')

输出结果：

（4）style参数
style参数是对图表的整体设置，包括linestyle，marker，color
来看一个具体的实例

ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))
ts.plot(style = '--g.',grid = True)#grid为添加网格

输出结果：

（5）整体风格样式
设置图表的整体风格需要引入新的模块，一旦选用样式后，所有的图表都会默认为选择该样式，需要重启后才能关掉

import matplotlib.style as psl
print(plt.style.available)#查看样式列表

主要样式：
‘seaborn-ticks’, ‘ggplot’, ‘seaborn-paper’, ‘seaborn-whitegrid’, ‘grayscale’, ‘seaborn-deep’, ‘seaborn-poster’, ‘seaborn-talk’, ‘seaborn-muted’, ‘seaborn-white’, ‘seaborn-colorblind’, ‘seaborn-darkgrid’, ‘seaborn-dark’, ‘fivethirtyeight’, ‘bmh’, ‘dark_background’, ‘seaborn-bright’, ‘seaborn-pastel’, ‘classic’, ‘seaborn-notebook’, ‘seaborn-dark-palette’

来看一个具体实例

psl.use('ggplot')
ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))
ts.plot(style = '--g.',grid = True,figsize=(10,6))

输出结果：

（6）设置图表刻度
我们可以自己设置图表的刻度，需要引入新的模块

from matplotlib.ticker import MultipleLocator, FormatStrFormatter

t = np.arange(0.0, 100.0, 1)
s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)
ax = plt.subplot(111) #注意:一般都在ax中设置,不再plot中设置
plt.plot(t,s,'--*')
plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'both')  
# 网格

还有一些比较基础但不是很常用的设置方法

xmajorLocator = MultipleLocator(10) # 将x主刻度标签设置为10的倍数
xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式
xminorLocator   = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数  
ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数
ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式
yminorLocator   = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数  

ax.xaxis.set_major_locator(xmajorLocator)  # 设置x轴主刻度
ax.xaxis.set_major_formatter(xmajorFormatter)  # 设置x轴标签文本格式
ax.xaxis.set_minor_locator(xminorLocator)  # 设置x轴次刻度

ax.yaxis.set_major_locator(ymajorLocator)  # 设置y轴主刻度
ax.yaxis.set_major_formatter(ymajorFormatter)  # 设置y轴标签文本格式
ax.yaxis.set_minor_locator(yminorLocator)  # 设置y轴次刻度

ax.xaxis.grid(True, which='both') #x坐标轴的网格使用主刻度
ax.yaxis.grid(True, which='minor') #y坐标轴的网格使用次刻度

输出结果：

（7）注解
可以对图标上的某个点添加注解

df = pd.DataFrame(np.random.randn(10,2))
df.plot(style = '--o')
plt.text(5,0.5,'hahaha',fontsize=10) 

注解 → 横坐标，纵坐标，注解字符串，注解字大小
输出结果：

（8）图表输出
可以选择图表输出的文件位置和格式，一般这种方法不是很常用，保存图标直接右击即可

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.5)
plt.legend(loc = 'upper left')
plt.savefig('C:/Users/XXX/Desktop/pic.png',
            dpi=400,#分辨率为400
            bbox_inches = 'tight',#图表需要保存的部分，设置为tight，尝试剪掉空白部分
            facecolor = 'g',
            edgecolor = 'b'#图表的背景色，默认为‘w’
            )

以上就是一些非常基础的东西，可以看一下

关注欢喜，走向成功~