python数据可视化matplotlib（下）

python数据可视化matplotlib（下）

通过实例来学习matplotlib中的函数，我觉得是一种捷径，通过应用我们能够更好地去熟悉代码。

• 上篇：基本图像绘制
• 中篇：图像中内容的设置
• 下篇：实战案例加额外的知识

实例

sin与cos

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np

x = np.linspace(-np.pi,np.pi,1000)
y1 = np.sin(x)
y2 = np.cos(x)

# fig, axes = plt.subplots()
fig = plt.figure()
axes = fig.add_subplot(1,1,1)

#绘制图像
axes.plot(x,y1,color = "r")
axes.plot(x,y2,color = 'b')


#绘制图例
axes.legend(['sin_function','cos_function','tan_function'])
#设置坐标轴显示刻度
plt.xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi], ('-Π','-Π/2','0','Π/2','Π'))
plt.yticks([-1,1], ('-1','1'))
#坐标轴标签
# plt.xlabel('x')
# plt.ylabel('y')

#隐藏顶部和右边的线
axes.spines['top'].set_color('none')
axes.spines['right'].set_color('none')

#移动坐标线至中央
axes.xaxis.set_ticks_position('bottom')
axes.spines['bottom'].set_position(('data', 0))
axes.yaxis.set_ticks_position('left')
axes.spines['left'].set_position(('data', 0))

#设置图片中坐标轴显示刻度
# plt.xlim([-4,4])
# plt.ylim([-1.1,1.1])

#做出两条标注线
t = 3*np.pi/4
axes.plot([t,t],[0,np.sin(t)],color = 'b',linestyle = '--')
axes.plot([t,t],[0,np.cos(t)],color = 'r',linestyle = '--')
axes.scatter([t,],[np.sin(t),], 50, color ='blue')#散点绘制
axes.scatter([t,],[np.cos(t),], 50, color ='red')

#加入箭头以及描述信息
axes.annotate(r"$y = sin(\frac{3\pi}{4})$",xy = (3/4*np.pi,np.sin(3/4*np.pi)),xytext=(3, 0.78),
              arrowprops=dict(facecolor='black', width=0.5, headwidth=5))
axes.annotate(r"$y = cos(\frac{3\pi}{4})$",xy = (3/4*np.pi,np.cos(3/4*np.pi)),xytext=(3, -0.78),
              arrowprops=dict(facecolor='black', width=0.5, headwidth=5))
plt.show()

输出：

分类突出饼图

labels='frogs','hogs','dogs','logs'#标签信息
sizes=15,20,45,10#每个类别的数据比例
colors='yellowgreen','gold','lightskyblue','lightcoral'#每个模块显示的颜色
explode=0,0.1,0,0 #对应的中心偏量，突出hogs的信息
plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=60)#绘制饼图
plt.axis('equal')#绘制的样式
plt.show()

直方图

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

# 数据的直方图
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='g', alpha=0.75)

#添加横纵坐标轴说明
plt.xlabel('Smarts')
plt.ylabel('Probability')
#添加标题
plt.title('Histogram of IQ')
#添加文字
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')#请两个参数用于定位文本显示位置
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

图中图

# 创建绘图数据
dt = 0.001
t = np.arange(0.0, 10.0, dt)
r = np.exp(-t[:1000]/0.05)               # impulse response
x = np.random.randn(len(t))
s = np.convolve(x, r)[:len(x)]*dt  # colored noise

# 绘制大的主要图像
plt.plot(t, s)
plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])
plt.xlabel('time (s)')
plt.ylabel('current (nA)')
plt.title('Gaussian colored noise')

# 向主要图像中加入小的图像，axes传入的是坐标轴对应的显示位置
a = plt.axes([0.65, 0.6, 0.2, 0.2])
n, bins, patches = plt.hist(s, 400, normed=1)
plt.title('Probability')
plt.xticks([])
plt.yticks([])

# 向主要图像中加入小的图像，axes传入的是坐标轴对应的显示位置
a = plt.axes([0.2, 0.6, .2, .2])
plt.plot(t[:len(r)], r)
plt.title('Impulse response')
plt.xlim(0, 0.2)
plt.xticks([])
plt.yticks([])

plt.show()

特殊柱形图

n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)

plt.figure(figsize=(12,8))
#plt.bar()画柱形图，两个这个函数分别巴特们花在了上下两侧
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')

#为每一个柱标上标签
for x, y in zip(X, Y1):
    plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va= 'bottom')

for x, y in zip(X, Y2):
    plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va= 'top')

plt.xlim(-.5, n)
plt.xticks(())
plt.ylim(-1.25, 1.25)
plt.yticks(())
plt.show()

热力图

def f(x,y):
    return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)

n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)#这是个神奇的函数，需要留意

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

plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)#填充等高线图，cmap表示隐射风格
C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)#画出等高线
plt.clabel(C, inline=1, fontsize=10)#画出等高线上的数字

plt.xticks(())
plt.yticks(())
plt.show()

3D图

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = Axes3D(fig)

x = np.arange(-4,4,0.25)
y = np.arange(-4,4,0.25)
X,Y = np.meshgrid(x,y)
R = np.sqrt(X**2+Y**2)
Z = np.sin(R)

ax.plot_surface(X,Y,Z, rstride=1,cstride=1,cmap=plt.get_cmap('rainbow'))
ax.contourf(X,Y,Z,dir='z',offset=-2,cmap=plt.get_cmap('rainbow'))
ax.set_zlim(-2,2)
plt.show()

dir指定等高线图映射的方向，offset设置显示位置。这里推荐大家通过ipython运行一下，会有一个新的窗口，可以通过鼠标旋转这个图像哦。

雷达图

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
labels = np.array([u'总场次', u'吃鸡数', u'前十数',u'总击杀']) # 标签
dataLenth = 4  # 数据长度
data_radar = np.array([63, 1, 15, 13]) # 数据
angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False)  # 分割圆周长
data_radar = np.concatenate((data_radar, [data_radar[0]]))  # 闭合
angles = np.concatenate((angles, [angles[0]]))  # 闭合
plt.polar(angles, data_radar, 'bo-', linewidth=1)  # 做极坐标系
plt.thetagrids(angles * 180/np.pi, labels)  # 做标签
plt.fill(angles, data_radar, facecolor='r', alpha=0.25)# 填充
plt.ylim(0, 70)
plt.title(u'2020的绝地求生战绩')
plt.show()

动态图

from matplotlib import pyplot as plt
import numpy as np
from matplotlib import animation

fig , axse = plt.subplots()
x = np.arange(0,2*np.pi,0.01)
line, = axse.plot(x,np.sin(x))

def animate(I):
    line.set_ydata(np.sin(x+I/10))
    return line,

def init():
    line.set_ydata(np.sin(x))
    return line,

ani = animation.FuncAnimation(fig=fig,func=animate,init_func=init,interval=20)
plt.show()

这个也要用ipython打开来画，不然就是一个静态图了。很神奇哦，快去试试吧。就不上图了，想看结果动动手。

写在最后

遇到有趣的例子再加进来。动手练习一下，效果更加哦。