python Matplotlib 可视化总结归纳（一） 折线图、散点图及其坐标轴属性设置

一、数据准备

1、python 内置函数 range

创建一个整数列表，只限于整数

range(start, stop, step)

计数从start开始，默认从0开始，stop结束，但不包含stop，step为步长，默认为1

2. numpy中的arange

语法与range类似，由开始、结束、步长组成，步长默认为1

import numpy as np
print (np.arange(0,1,0.1))

输出：

[ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9]

 3. numpy中的linspace模块，

np.linspace(start, end, num, endpoint=True)

计数从start开始，默认从0开始，stop结束, num表示总个数，endpoint默认为false,设置不包含终值

import numpy as np
print(np.linspace(0, 1, 10,endpoint=False))
print(np.linspace(0, 1, 10,endpoint=True))

输出：

[ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9]  
[ 0.          0.11111111  0.22222222  0.33333333  0.44444444  0.55555556
  0.66666667  0.77777778  0.88888889  1.        ]

二、图的类型 （绘制折线图、散点图，细节会在第三部分讲解）

1.折线图

#绘制折线图
import matplotlib.pyplot as plt
month = [1,2,3,4,5,6]
sales = [10,12,12.4,13,16,18]

plt.plot(month,sales)

plt.title("Sales for the first 6 months") #图名
plt.xlabel("month")#x轴标签
plt.ylabel("sales")#y轴标签
plt.tick_params(axis='both')#x,y轴都有刻度

plt.savefig('.//result//3.1.png')#保存图片，一定要在show之前保存图片，否则保存的图片就为空白
plt.show(

2. 散点图

plt.scatter(month,sales)

import matplotlib.pyplot as plt
month = [1,2,3,4,5,6]
sales = [10,12,12.4,13,16,18]

plt.scatter(month,sales)

plt.title("Sales for the first 6 months") #图名
plt.xlabel("month")#x轴标签
plt.ylabel("sales")#y轴标签
plt.tick_params(axis='both')#x,y轴都有刻度

plt.savefig('.//result//3.2.png')#保存图片，一定要在show之前保存图片，否则保存的图片就为空白
plt.show()

总结：

import matplotlib.pyplot as plt

#绘制折线图
plt.plot(x,y)

#绘制散点图
plt.scatter(x,y)

 三、图的细节问题处理

改变如图所示

• 图表名的属性
• 折线的属性
• 坐标轴的属性
• 刻度值的属性

1.图表名的属性(title)  

• fontsize设置字体大小，默认12，可以写字体大小或参数，可选参数 ['xx-small', 'x-small', 'small', 'medium', 'large','x-large', 'xx-large']
• fontweight设置字体粗细，可选参数 ['light', 'normal', 'medium', 'semibold', 'bold', 'heavy', 'black']
• fontstyle设置字体类型，可选参数[ 'normal' | 'italic' | 'oblique' ]，italic斜体，oblique倾斜
• verticalalignment设置水平对齐方式 ，可选参数 ： 'center' , 'top' , 'bottom' ,'baseline' 
• horizontalalignment设置垂直对齐方式，可选参数：left,right,center
• rotation(旋转角度)可选参数为:vertical,horizontal 也可以为数字
• alpha透明度，参数值0至1之间

plt.title('Graph',fontsize='large'，fontweight='bold') 设置字体大小与格式
plt.title('Graph',color='blue') 设置字体颜色
plt.title('Graph',loc ='left') 设置字体位置

2.折线属性(plot)

颜色

c  青红（cyan）	r  红色（red）	m  品红（magente）	g  绿色（green）
y  黄色（yellow）	k  黑色（black）	w  白色（white）	b 蓝色（blue）

#绘制红色折线
plt.plot(month,sales,color = 'r')

折线粗细（linewidth）

plt.plot(month,sales,linewidth = 2) 

在plt.plot加入如下参数时，改变折线形式

-  直线	-- 虚线	-.  一横一点	:   细小虚线	s  方形	o  圆形	D 菱形
h  六角形	H  六角形	*  星号	+  加号	x  x形	d  菱形	p  五角形

plt.plot(month,sales,'-.',color ='r)

3.坐标轴的属性 

设置坐标轴粗细

#设置坐标轴粗细
ax=plt.gca();#获得坐标轴的句柄
ax.spines['bottom'].set_linewidth(2);###设置底部坐标轴的粗细
ax.spines['left'].set_linewidth(2);####设置左边坐标轴的粗细
ax.spines['right'].set_linewidth(2);###设置右边坐标轴的粗细
ax.spines['top'].set_linewidth(2);####设置上部坐标轴的粗细

设置横纵坐标的名称以及对应字体格式（xlabel,ylabel）

1. #参数值的调换参考图标名的可选参数
   
   font= {'family' : 'Times New Roman','weight' : 'normal','size' : 30,}   
   
   plt.xlabel('round',font)
   
   plt.ylabel('value',font)

   

坐标轴范围设置，两种，分别是xlim,ylinm 和 axis

plt.xlim(-6,6)
plt.ylim(-500,500)

plt.axis([xmin, xmax, ymin, ymax])

 

 

 4.坐标轴刻度属性

plt.tick_params(axis='both',labelsize = 15)#x,y轴都有刻度 

 将以上介绍的放在一个代码中，实现设置属性的功能

#绘制折线图
import matplotlib.pyplot as plt
month = [1,2,3,4,5,6]
sales = [10,12,12.4,13,16,18]

#设置折线属性
plt.plot(month,sales,'-.',color = 'r',linewidth = '4')

#设置图名属性
plt.title("Sales for the first 6 months",fontsize = 'large',fontweight = 'bold',color = 'b') 

#设置坐标轴属性
font= {'family' : 'Times New Roman','weight' : 'normal','size' : 30}
plt.xlabel("month",font)#x轴标签
plt.ylabel("sales",font)#y轴标签

#设置坐标轴粗细
ax=plt.gca();#获得坐标轴的句柄
ax.spines['bottom'].set_linewidth(2);###设置底部坐标轴的粗细
ax.spines['left'].set_linewidth(2);####设置左边坐标轴的粗细
ax.spines['right'].set_linewidth(2);###设置右边坐标轴的粗细
ax.spines['top'].set_linewidth(2);####设置上部坐标轴的粗细

#设置坐标轴刻度的属性
plt.tick_params(axis='both',labelsize = 15)
plt.savefig('.//result//3.5.png')#保存图片，一定要在show之前保存图片，否则保存的图片就为空白
plt.show()

虽然很丑，但是将图名、坐标轴等所有属性都进行了设置 

最后，推荐一波自己的公众号，Python机器学习进阶之路