利用matplotlib库中面向对象API，绘制直方图，饼图或圆环图，散点或气泡图，误差棒图

直方图：

直方图又称质量分布图，是由一系列高低不等的纵向矩形条或线段组成的图表，用于反映数据的分布和波动情况。

使用pyplot的hist()函数可以快速绘制直方图，hist()函数的语法格式如下所示：

hist(x,bins=None,range=None,density=None,weights=None,cumulative=False,bottom=None,
     histtype='bar',align='mid',orientation='vertical',rwidth=None,log=False,
     label=None,stracked=False,normed=None,*,color=None,data=None,**kwargs)

该函数常用参数的含义如下:

• x:表示x轴的数据，可以为单个数组或多个数组的序列。
• bins:表示矩形条的个数，默认为 10。
• range:表示数据的范围。若没有提供 range 参数的值，则数据范围为(x.min()，x.max())。cumulative:表示是否计算累计频数或频率。
• align:表示矩形条边界的对齐方式。可设为"left'、'mid'或'right'，默认为 'mid'。'
• orientation:表示矩形条的摆放方式，默认为'vertical，即垂直方向。
• rwidth :表示矩形条宽度的百分比，默认为0。若 histtype的值为'step'或'stepfilled，则
• 直接忽略 rwidth 参数的值。
• stacked:表示是否将多个矩形条以堆积形式摆放.

使用面向对象API方法绘制直方图：

实例：在生成10000个随机数前提下，另外再生成一个包含20000个数据的标准正态分布数组，并在同一个绘图区域并排展示。

代码如下：

​​​​#导入模块
import matplotlib.pyplot as plt
import numpy as np
 
# 1.生成10000个随机数
random_state1 = np.random.RandomState(19680801)
random_x1 = random_state1.randn(10000)
 
# 2.生成20000个随机数
random_state2 = np.random.RandomState(19680801)
random_x2 = random_state1.randn(10000)
 
#创建画布并添加绘画区域：
fig = plt.figure( )                                           
ax = fig.add_subplot(111)
 
# 3.绘制包含25个矩形条的两组直方图（并排展示）
ax.hist([random_x1,random_x2],bins=25,histtype="bar")
 
# 4.展示图表
plt.show()

运行程序，效果如下： 

饼图或圆环图：

饼图是由若干个面积大小不一，以条形或颜色填充的扇形组成的圆形图表，他使用圆表示数据的总量，组成圆的每个扇形表示数据中各项占总量的比例大小，主要用于显示数据中各项大小与各项总和的比例。

圆环图使用圆环表示整体，组成圆环的每个楔形表示各项的占比。与饼图相比，圆环图可以展示多组数据的比例。

使用pyplot的pie()函数可以快速绘制饼图或圆环图，pie()函数的语法格式如下所示：

pie(x, explode=None, labels=None, autopct=None, pctdistance=0.6, shadow=False,
    labeldistance=1.1, startangle=None, radius=None, counterclock=True,
    wedgeprops=None, textprops=None, center=(0,0), frame=False, rotatelabels=False, 
    *, data=None)

该函数常用参数的含义如下:

• x:表示扇形或楔形的数据.
• explode:表示扇形或楔形离开圆心的距离。
• labels:表示扇形或楔形对应的标签文本。
• autopct:表示控制扇形或楔形的数值显示的字符串，可通过格式字符串指定小数点后
• 的位数。    
• pctdistance:表示扇形或楔形对应的数值标签距离圆心的比例，默认为 0.6。
• shadow:表示是否显示阴影
• abeldistance:表示标签文本的绘制位置(相对于半径的比例)，默认为 1.1。
• startangle:表示起始绘制角度，默认从x轴的正方向逆时针绘制。
• radius:表示扇形或楔形的半径。
• wedgeprops:表示控制扇形或楔形属性的字典。例如，通过wedgeprops={'width':0.7}将楔形的宽度设为 0.7。
• textprops:表示控制图表中文本属性的字典。
• center:表示图表的中心点位置，默认为(0,0 )。
• frame:表示是否显示图框。

使用面向对象API方法绘制饼图或圆环图：

实例：将各分类对应的金额与总支出金额的比例作为饼图的数据，使用pie()函数绘制支付宝月账单报告的饼图和圆环图。

• # 需求一： 改用圆环图展示数据
• # 需求二： 圆环图中的数值标签（即百分数）需精确到小数点后1位，且其必须位于楔形中间位置
• # 需求三： 圆环图中"购物"楔形绘制到左下角

圆环图代码如下：

#导入模块
import matplotlib.pyplot as plt
import matplotlib as mpl
 
# 设置中文
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False
 
# 外侧说明文字
kinds = ['购物', '人情往来', '餐饮美食', '通信物流', '生活日用', '交通出行', 
         '休闲娱乐', '其他']
 
# 原有数据
money_scale = [800, 100, 1000, 200, 300, 200, 200, 200]
 
# 爆炸程度
dev_position = [0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1]
 
#创建画布并添加绘画区域：
fig = plt.figure( )                   #创建代表画布的Figure类的对象fig
ax = fig.add_subplot(111)             #在画布fig上添加坐标系风格的绘画区域ax
 
# 绘制饼图，设置饼图属性
ax.pie(money_scale, radius=1.5, wedgeprops={'width':0.7},
       pctdistance=3/4, labels=kinds, autopct='%.1f%%',
        shadow=True, explode=dev_position, startangle=180)

#展示图表 
plt.show()

运行程序，效果如下：

 散点图或气泡图：

散点图又称X-Y图，是由若干个数据点组成的图表，主要用于判断两变量之间是否存在某种关联，或者总结数据点的分布模式。

气泡图是散点图的变形，它是一种能够展示多变量关系的图表，适用于分类数据对比、多变量相关性等情况，常见于财务数据分析中。

使用pyplot的scatter()函数可以快速绘制散点图或气泡图，scatter()函数的语法格式如下所示：

sactter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None,
        vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *,
        plotnofinite=False,data=None,**kwargs)

该函数常用参数的含义如下：

• x，y:表示数据点的位置。 
• s:表示数据点的大小。
• c:表示数据点的颜色。
• marker:表示数据点的样式，默认为圆形。
• cmap:表示数据点的颜色映射表，仅当参数c为浮点数组时才使用。
• norm:表示数据亮度，可以取值为0~ 1。
• vmin，vmax:表示亮度的最小值和最大值。若传入了norm 参数，则忽略 vmin 和 vmax 参数。
• alpha:表示透明度，可以取值为0~1。(越小越透明) linewidths:表示数据点边缘的宽度。
• edgecolors:表示数据点边缘的颜色。

使用面向对象API方法绘制散点图或气泡图：

实例：使用scatter()函数将汽车速度与制动距离的散点图绘制成气泡图，并且气泡从左到右越来越大。

• # 需求一： 将散点图绘制成气泡图，气泡从左到右越来越大
• # 需求二： 将所有气泡设置为橙色

代码如下：

#导入模块
import numpy as np
import matplotlib.pyplot as plt
 
#显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
 
# 准备 x 轴和 y 轴的数据
x_speed = np.arange(10, 210, 10)
y_distance = np.array([0.5, 2.0, 4.4, 7.9, 12.3,
                       17.7, 24.1, 31.5, 39.9, 49.2,
                       59.5, 70.8, 83.1, 96.4, 110.7,
                       126.0, 142.2, 159.4, 177.6, 196.8])

 
# 绘制气泡图
area=np.linspace(20,300,20)  #生成一个等距递增数列
 
#创建画布并添加绘画区域：
fig = plt.figure( )                   #创建代表画布的Figure类的对象fig
ax = fig.add_subplot(111)             #在画布fig上添加坐标系风格的绘画区域ax
 
#绘制图表
ax.scatter(x_speed,y_distance,s=area,c='orange')
 
# 展示图表
plt.show()

运行程序，效果如下：

误差棒图：

误差棒图是使用误差棒注明被测量数据的不确定度大小的图表，用于测量数据中客观存在的测量偏差（标准差或标准误差）。误差棒图中误差棒是以被测量数据的平均值为中点，在表示测量值大小的方向上画出的一条线段，线段长度的一半为不确定度。 

使用pyplot的errorbar()函数可以快速绘制误差棒图，errorbar()函数的语法格式如下所示：

errorbar(x, y, yerr=None, xerr=None, fmt=' ', ecolor=None, elinewidth=None,
         capsize, barsabove=False, lolims=False, uplims=False, xlolims=False, 
         xuplims=False, errorevery=l, capthick=None, *, data=None, **kwargs) 

该函数常用参数的含义如下。

• x，y:表示数据点的位置。
• xerr，yerr:表示数据的误差范围。
• fint:表示数据点的标记样式和数据点之间连接线的样式。ecolor:表示误差棒的线条颜色。
• elinewidth:表示误差棒的线条宽度。
• capsize:表示误差棒边界横杆的大小。
• capthick:表示误差棒边界横杆的厚度。

使用面向对象API方法绘制误差棒图：

实例：绘制马尾松、樟树、杉木、桂花的不同季节的细根生物量的误差棒图。

代码如下：

#导入模块
import numpy as np
import matplotlib.pyplot as plt
 
#显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
 
#准备x轴和y轴的数据
x=np.arange(3)
y1=np.array([2.04, 1.57, 1.63]) 
y2=np.array([1.69,1.61,1.64]) 
y3=np.array([4.65,4.99,4.94]) 
y4=np.array([3.39,2.33,4.10])
 
# 指定测量偏差
error1 = [0.16, 0.08, 0.10] 
error2 = [0.27, 0.14, 0.14] 
error3 = [0.34, 0.32, 0.29] 
error4 = [0.23, 0.23, 0.39] 
 
#宽度为0.2
bar_width =0.2
 
#绘制柱形图，设置柱形的宽度、对齐方式、标签
plt.bar(x, y1, bar_width)
 
plt.bar(x + bar_width, y2, bar_width, align="center",
        tick_label=["春季","夏季","秋季"])
        
plt.bar(x + 2*bar_width, y3, bar_width) 
plt.bar(x + 3*bar_width, y4, bar_width)
        
#绘制误差棒 ; 横杆大小为 3，线条宽度为 3，线条颜色为黑色，数据点标记为像素点
plt.errorbar(x, y1,yerr=error1,capsize=3, elinewidth=2,fmt='k,') 
plt.errorbar(x + bar_width,y2, yerr=error2, capsize=3,elinewidth=2, fmt='k,')
plt.errorbar(x + 2*bar_width,y3,yerr=error3,capsize=3,elinewidth=2, fmt='k,')
plt.errorbar(x + 3*bar_width, y4, yerr=error4,capsize=3,elinewidth=2, fmt='k,')
        
plt.show()   #展示图表

 运行程序，效果如下：