大数据—数据可视化—matplotlib

已于 2024-06-02 20:52:26 修改
阅读量1.1k 收藏 13
点赞数 24
分类专栏： 大数据 文章标签： 信息可视化 大数据 数据可视化 python
于 2024-04-26 19:50:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lyx52Hertz/article/details/138081728
版权

目录：

基础配置

  • 导入matplotlib库

import matplotlib.pyplot as plt

  • 基础创建
# 导入matplotlib库
import matplotlib.pyplot as plt

# 定义x,y轴变量
x = [1,2,3,4,5]
y = [10,14,12,18,15]

# 设置中文字体
plt.rcParams['font.family'] = 'Microsoft YaHei'

# 显示负号
plt.rcParams['axes.unicode_minus'] = False

# 绘制折线图
plt.plot(x,y)

# 保存图片
plt.savefig('图片名.png')

# 显示图像
plt.show()

figure图像

  • 创建两个视图

# 导入matplotlib库
import matplotlib.pyplot as plt

# 定义x,y轴变量
x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [10,5,13,19,32]

# 创建两个视图

# 创建第一个画布
plt.figure()
plt.plot(x,y1)

# 创建第二个画布
plt.figure()
plt.plot(x,y2)

# 查看视图
plt.show()

  •  视图名称，大小

    num视图名称，figsize视图长，宽。
# 定义x,y轴变量
x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [10,5,13,19,32]

# figure不传入参数
plt.figure()
plt.plot(x,y1)

# figure传入参数
# num = 3, 设置figure名称为3。
# figsize=(2,2), 设置视图长,宽
plt.figure(num=3,figsize=(2,2))
plt.plot(x,y2)

# 查看视图
plt.show()

  • 背景颜色

    facecolor
# 导入matplotlib库
import matplotlib.pyplot as plt

# 定义x,y轴变量
x = [1,2,3,4,5]
y = [10,5,13,19,32]

# facecolor 背景颜色
plt.figure(facecolor="pink")
plt.plot(x,y)

# 查看视图
plt.show()

  • 子图

    • plt.subplot()

import matplotlib.pyplot as plt
x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]
y2 = [16,13,5,14,12,16,13,8,17,12]

# 将视图分成两行两列的图并操作的是第一个图
ax1 = plt.subplot(2,2,1)
ax1.plot(x,y1)

plt.show()

  • 多个视图

import matplotlib.pyplot as plt
x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]
y2 = [16,13,5,14,12,16,13,8,17,12]

# 将视图分成两行一列的图并操作的是第一个图
ax1 = plt.subplot(2,2,1)
ax1.plot(x,y1)

# 将视图分成两行两列的图并操作的是第三个图
ax2 = plt.subplot(2,2,3)
ax2.bar(x,y2)

# 将视图分成两行四列的图并操作第八张图
ax3 = plt.subplot(2,4,8)
ax3.scatter(x,y3)
plt.xlim(-2,15)
plt.ylim(0,50)

plt.show()

常用颜色

  • 蓝色（blue）
  • 红色（red）
  • 橙色（orange）
  • 绿色（green）
  • 紫色（purple）
  • 黑色（black）
  • 灰色（grey）
  • 粉色（pink）
  • 白色（white）
  • 黄色（yellow）
  • 棕色（brown）
  • 青色（Cyan）

样式设置

  • 视图风格设置

# 查看所有可选的风格
print(plt.style.available)

运行返回：

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-v0_8', 'seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep', 'seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid', 'tableau-colorblind10']

import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure()

# 设置风格
plt.style.use('seaborn-v0_8')

plt.plot(x,y)
plt.show()

  • 调整线条风格

import matplotlib.pyplot as plt

plt.figure()

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

plt.plot(x,y1,ls = "--")
plt.plot(x,y2,ls = "-.")

# 还可以用形象的符号代表线条风格
plt.plot(x,y,linestyle='-')   # 实线
"""
-.    虚点线
.     点
--    虚线
:     点线
,     像素点
"""

plt.show()

  • 标记点样式 

    • plt.plot(x,y,marker='o')                                          ：设置标记点样式

    • plt.plot(x,y,marker='o',markersize=10)                 ：设置标记点大小

    • plt.plot(x,y,marker='o',markerfacecolor='white')  ：设置标记点内颜色

    • plt.plot(x,y,marker='o',markeredgecolor='grey')  ：设置标记点边框的颜色

    • plt.plot(x,y,marker='o',markeredgewidth=3)        ： 设置标记点边框的宽度

标记点样式：

  • o     圆点
  • ^     上三角点
  • v     下三角点
  • <     左三角点
  • >     右三角点
  • 1     下三叉点
  • 2     上三叉点
  • 3     左三叉点
  • 4     右三叉点
  • s     正方点
  • p     五角点
  • *     星形点
  • h     六边形点1
  • H     六边形点2
  • +     加号点
  • x     乘号点
  • D     实心菱形点
  • d     瘦菱形点
  • _     横线点
import matplotlib.pyplot as plt

plt.figure()

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# 设置标记点样式为"*"
plt.plot(x,y1,
marker="*",
markersize=30,              # 设置标记点大小为
markerfacecolor="green",    # 设置标记点内颜色为green
markeredgecolor="red",      # 设置标记点边框颜色为red
markeredgewidth=3           # 设置标记点边框宽度为3 
)

plt.show()

  • 透明度设置

    • alpha参数，传入0~1。

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]

plt.figure()

# 设置透明度为0.2
plt.plot(x,y1,alpha=0.2)

plt.show()

  • 设置线宽

    • linewidth，可以简写为lw
import matplotlib.pyplot as plt

plt.figure()

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]

# 设置线宽为5
plt.plot(x,y1,lw=5)

plt.show()

  • 两条曲线之间填充颜色

    • x: 数组 (length N)，表示x轴的坐标点。
    • y1, y2: 数组 (length N)，表示两条曲线的y轴坐标点。
    • where:数组 (length N)，可选，用于指定哪些区域应该被填充。
    • color: 填充颜色。
    • alpha: 填充颜色的透明度（0到1之间）。
    • interpolate: 是否在数据点之间插值，默认为 False。
    • step: 如果非 None，则绘制为步函数，而不是连续填充。
import matplotlib.pyplot as plt

x = [i for i in range(1,6)]
y = [10,14,12,18,15]
y2 = [17,16,21,24,29]

# 画两条折线
plt.plot(x,y,'-o',c='blue')
plt.plot(x,y2,'-o',c='red')

# 在两条折线间填充颜色
plt.fill_between(x,y,y2,color='green',alpha=0.3)

plt.show()

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 使用 fill_between 填充两条曲线之间的区域
# where:数组 (length N)，可选，用于指定哪些区域应该被填充。
plt.fill_between(x, y1, y2, where=(y1 > y2), color='pink', interpolate=True)

# 绘制两条曲线
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')

坐标轴设置

  • 轴的数值显示范围

    xlim()，ylim() 设置 x，y 轴的数值显示范围
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure()
plt.plot(x,y)

# xlim()和 ylim()设置 x，y 轴的数值显示范围
plt.xlim(0,10)
plt.ylim(1,50)

plt.show()

  • 反转视图

    将xlim()和 ylim()的参数反转，坐标轴反转
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,16,18,22]

plt.figure()
plt.plot(x,y)

# 将xlim()和 ylim()的参数反转，坐标轴反转
plt.xlim(10,0)
plt.ylim(0,30)

plt.show()

  • 标题设置

        plt.title()

import matplotlib.pyplot as plt

# 设置中文字体
plt.urcParams["font.family"] = "Microsoft YaHei"

x = [1,2,3,4,5]
y = [10,14,16,18,22]

plt.figure()
plt.plot(x,y)

# 设置标题
# size:字体大小，loc:标题位置，pad：标题距离图片的距离，color：标题颜色 简写为c
plt.title('标题',size=20,loc="right",pad=20,color="red")

plt.show()

  • 标题相对位置设置

        用x，y 表示标题在x轴，y轴的位置

import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Microsoft YaHei'

x = [1,2,3,4,5]
y = [10,14,16,18,22]

plt.figure()
plt.plot(x,y)

# 用x轴，y轴的位置设定标题位置
plt.title('标题', x=0.5, y=0.5)  

plt.show()

  • 设置 x,y 轴的标签文本

    注意输入中文时一定要设置中文字体，不然会出现乱码。
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure()
plt.plot(x,y)

# 设置中文字体
plt.rcParams['font.family'] = 'Microsoft YaHei'

# xlim()和 ylim()：x，y 轴的标签文本
plt.xlabel("x轴")
plt.ylabel("y轴")

plt.show()

  •  设置 x,y 轴用文字显示刻度

import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure()
plt.plot(x,y)

# 设置x,y轴用文字显示刻度,文字和数值对应。
# 可以用正则文本方式来显示字体 如：\alpha
plt.xticks([1,2,3,4,5],["a","b","c","d","e"])
plt.yticks([5, 10, 15, 20, 25],['really bad', 'bad', 'normal', 'good', 'really good'])

plt.show()

  • 设置坐标轴 plt.gca()

gca 是 get current axis 的缩写，就是一个控制坐标轴的函数

  • plt.gca：获取坐标轴信息
  • ax.spines：选择边框
  • set_color：设置颜色
  • top：上，bottom：下，left：左，right：右
  • 删除上，右边框
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure()
plt.plot(x,y)

# 获取坐标信息
ax = plt.gca()

# 将上，右边框设置为无色
# ax.spines：选择边框
# set_color：设置颜色
ax.spines["right"].set_color('None')
ax.spines["top"].set_color("None")

plt.show()

  • 设置x轴刻度的位置
  • top：上面，bottom：底部，both：这两个，default：默认，none：无
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure()
plt.plot(x,y)

ax = plt.gca()

# 设置x轴刻度的位置
# top：上面，bottom：底部，both：这两个，default：默认，none：无
ax.xaxis.set_ticks_position("top")
ax.yaxis.set_ticks_position("none")

plt.show()

  • outward 坐标轴距离图片的距离
  • axes 坐标轴在图片的位置百分比
  • data：表示按数值挪动，其后数字代表挪动到x或Y轴的刻度值
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y = [10,14,12,18,15]

plt.figure(facecolor="pink")
plt.plot(x,y)

ax = plt.gca()

ax.spines["right"].set_color('None')
ax.spines["top"].set_color("None")

# 移动坐标轴
# outward 坐标轴距离图片的距离
# axes 坐标轴在图片的位置百分比
# data：表示按数值挪动，其后数字代表挪动到x或Y轴的刻度值
ax.spines["bottom"].set_position(("data",12))
ax.spines["left"].set_position(("outward",20))

plt.show()

  • 图例

    • plt.legend(handles, labels）
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

plt.figure()

# 此处的line后面必须加"," 才能正常输出图例内容，否则显示空白图例框
line1, = plt.plot(x,y1)
line2, = plt.plot(x,y2)

# 设置标签为"a","b"
plt.legend(handles=[line1,line2],labels=["a","b"])

plt.show()

  • 图例参数

参数 含义
loc字符串或反应相对位置的浮点型数据组成的坐标数据；
bbox_to_anchor 两个或四个浮点数的元组，与loc参数一起决定图例的展示位置
ncols图例展示为几列，默认展示为1列
fontsize图例的字体大小，传入整数或者字符串
labelcolor图例中文本颜色，默认为黑色，取值可以为单个字符串颜色或颜色列表
markerfirst传入布尔值，True：表示图例中的字体放在标记右边，False：表示图例字体放在标记左边。
frameon传入布尔值，是否显示图例边框，True：是 ，False：否
fancybox传入布尔值，是否绘制圆角边框，True：是 ，False：否
shadow传入布尔值，是否显示图例的阴影效果，True：是 ，False：否
facecolor图例填充颜色，默认为白色
edgecolor图例边界颜色，默认为白色
title图例标题，默认无标题
title_fontproperties图例标题字体属性
title_fontsize图例标题字体大小
borderpad图例距离边界框的距离，默认为0.4
lablespacing图例之间的垂直的距离，默认为0.4
handlelength图例的长度，默认为2.0
handlelheight图例的高度，默认为0.7
handleltextpad图例与图例文本之间的空白距离，默认为0.8
columnspacing图例列间距，默认为2.0

  • 字符串定位

    • loc参数，设置图例位置，可以用字符串或数字设置。
Location StringLocation Code位置
best0自动寻找合适位置
upper right1右上角
upper left2左上角
lower left3左下角
lower right4右下角
right5右边
center left6左中
center right7右中
lower center8下中
upper center9上中
center10中心
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

plt.figure()

line1, = plt.plot(x,y1)
line2, = plt.plot(x,y2)

# 设置图例位置为右中。
plt.legend(handles=[line1,line2],labels=["a","b"],loc="center left")

plt.show()

  • loc元组定位

    • loc参数，设置图例位置，可以用字符串或数字设置。
    • 用元组作为坐标设置位置。
    • 元组第一个参数为水平坐标，第二个数为高度坐标。
      坐标可以大于1，但会超出图片范围，看具体需求设定。
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

plt.figure()

line1, = plt.plot(x,y1)
line2, = plt.plot(x,y2)

# 元组第一个参数为水平坐标，第二个数为高度坐标。
# 坐标可以大于1，但会超出图片范围，看具体需求设定。
plt.legend(handles=[line1,line2],labels=["a","b"],loc=(0.5,0.2))

plt.show()

  • bbox_to_anhor 定位

    • bbox_to_anhor要配合loc定位。

    • 先框选出要画图例的区域，配合loc指定图例的位置。

    • bbox_to_anhor要传四个参数：
      • 第一个参数是：要框区域左下角的水平分数。
      • 第二个参数是：要框区域左下角的垂直分数。
      • 第三个参数是：所框区域的宽。
      • 第四个参数是：所框区域的高。
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

plt.figure()

line1, = plt.plot(x,y1)
line2, = plt.plot(x,y2)

# 元组第一个参数为水平坐标，第二个数为高度坐标。
# 坐标可以大于1，但会超出图片范围，看具体需求设定。
plt.legend(
    handles=[line1,line2],
    labels=["a","b"],
    loc="center left"，
    bbox_to_anchor=(2/5,8/20,3/5,8/20)
)

plt.show()

  • 图例展示列数

    • 图例展示为几列，默认展示为1列

    • ncols参数，传入数字类型。

import matplotlib.pyplot as plt

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# ncols=2，设置图例按两列展示
plt.legend(handles=[a,b],labels=["a","b"],ncols=2)

plt.show()

  • 设置图例字体大小

    • fontsize 参数
    import matplotlib.pyplot as plt

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# fontsize=30，设置图例字体大小为30。
plt.legend(handles=[a,b],labels=["a","b"],fontsize=30)

plt.show()

  • 图例字体颜色

    • labelcolor 设置图例字体颜色
    • 取值可以为单个字符串颜色或颜色列表
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

# labelcolor 设置图例字体颜色。
plt.legend(handles=[a,b],labels=["a","b"],fontsize=30,labelcolor="blue")

plt.show()

  •  设置背景颜色和边框颜色 

    • 背景颜色:：facecolor

    • 边框颜色 ：edgecolor

import matplotlib.pyplot as plt

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# 设置背景颜色和边框颜色
plt.legend(handles=[a,b],labels=["a","b"],facecolor="pink",edgecolor="green")

plt.show()

  • 图例的字体与标记的位置

    • markerfirst，传入布尔值
    • True：表示图例中的字体放在标记右边，False：表示图例字体放在标记左边。
import matplotlib.pyplot as plt

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# markerfirst 设置False：表示图例字体放在标记左边。
plt.legend(handles=[a,b],labels=["a","b"],markerfirst=False)

plt.show()

  • 是否显示图例边框

    • frameon 传入布尔值。

    • True：是

    • False：否

import matplotlib.pyplot as plt

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# frameon 是否显示图例边框，True：是，False：否
plt.legend(handles=[a,b],labels=["a","b"],frameon=False)

plt.show()

  • 图例标题

    • title

    • 默认无标题

import matplotlib.pyplot as plt

plt.figure()
a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]
y2 = [16,13,5,14,12]

# title 设置图例标题
plt.legend(handles=[a,b],labels=["a","b"],title="abc")

plt.show()

  • 箭头标注

  • plt.Annotate（

    • text：标注文本内容

    • xy：箭头指向的位置

    • xytext：标注文本内容的位置
    • 以下参数中提供字典来绘制从文本到注释点的箭头

    • arrowprops = {  

      • width： 箭把宽度

      • headwidth：箭头头部宽度

      • headlength：箭头长度

      • facecolor：填充颜色

    • }

    • fontsize：设置字体大小
    • color：设置字体颜色
import matplotlib.pyplot as plt

plt.figure()

a, = plt.plot(x,y1)
b, = plt.plot(x,y2)

plt.annotate("标注",(3,12),(4,10),arrowprops={
'facecolor':'pink',
'width':30,
"headlength":30,
"headwidth":60
},
fontsize=30,color="red")

plt.show()

  •  文本注释

  • 参数说明：
    • x, y： 浮点数，表示文本字符串的x和y坐标（即文本标签在图表上的位置）。
    • s： 字符串，表示要添加的文本内容。
    • fontsize: 设置字体大小

    • bbox参数指定文本框的样式，使用dict指定

      • "round"： 圆角矩形框。

      • "square"： 正方形框，带有尖角。

      • "sawtooth"：锯齿形框。

      • "fancy"：一个带有圆角和内部凹陷的复杂框。

    • facecolor: 设置背景颜色
       
    • edgecolor：设置边框颜色
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'Microsoft YaHei'

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]

plt.plot(x,y1)
plt.text(2, 10, "注释", fontsize=14,
         bbox=dict(boxstyle='round', facecolor='white', edgecolor='red', alpha=0.7)
)

plt.show()

基础图表

  • 折线图

    • plt.plot()
import matplotlib.pyplot as plt

x = [1,2,3,4,5]
y1 = [10,14,12,18,15]

plt.figure()

plt.plot(x,y1)

plt.show()

  • 面积图

    • plt.stackplot()
import matplotlib.pyplot as plt

plt.figure()

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]
y2 = [16,13,5,14,12,16,13,8,17,12]

plt.stackplot(x,y1,y2,colors=['g','orange'])

plt.show()

  • 散点图

    • plt.scatter()

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]

plt.figure()

# 设透明度为0.3
plt.scatter(x,y1,alpha=0.3)

# 显示颜色对比条
plt.colorbar()

plt.show()

  • 柱状图

    • plt.bar()
      • linestyle：线条样式
      • tick_label：表示柱子的刻度标签
      • linewidth：边框宽度
      • edgecolor：边框颜色
      • label：设置标签
      • alpha：透明度
      • color：表示柱状图颜色
      • align：表示柱状图的中心位置,“center”,“lege”边缘,默认值为’center’
      • bottom：表示柱状图的起始位置，也就是y轴的起始坐标,默认值为None
      • width：柱状图的宽度,取值在 0~1 之间
import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]

plt.figure()

plt.bar(x, y1)

plt.show()

  • 堆叠柱状图

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]
y2 = [16,13,5,14,12,16,13,8,17,12]

plt.figure()

# bottom：表示柱状图的起始位置，也就是y轴的起始坐标
plt.bar(x, y1)
plt.bar(x,y2,bottom=y1)

plt.show()

  • 条形图（水平柱状图）

    • plt.barh()
import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]
y2 = [16,13,5,14,12,16,13,8,17,12]

plt.figure()

plt.barh(x, y1)

plt.show()

  • 堆叠条形图

在绘制水平方向的堆叠条形图时，需要将参数 bottom 改为 left，将参数 width 改为 height，需要将 x 轴标签改为 Score，y 轴标签改为 Teams。其他的和垂直方向的堆叠条形图的绘制类似。

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8,9,10]
y1 = [10,14,12,18,15,12,8,19,14,15]
y2 = [16,13,5,14,12,16,13,8,17,12]

plt.figure()

plt.barh(x, y1)
plt.barh(x,y2,left=y1)

plt.show()

  • 直方图

    • plt.hist()

    • 什么是直方图？

      • 直方图是一种可视化表示数据在连续间隔或者特定时间段内容的分布情况
      • 直方图又称为质量分布图，属于条行图的一种
      • 直方图x轴表示数据类型，纵轴表示分布情况，每个数据宽度可以任意变化
import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(140, 180, 200)

plt.figure()

plt.hist(x,bins=20)

plt.show()

  • 直方图属性​​​​​
    • x：
          数据集，最终的直方图将对数据集进行统计
    • 设置透明度
      • 关键字：alpha
      • 默认为0，取值范围为0～1        
    • 统计的区间分布划分，指定bin(箱子)的个数
      • 关键字：bins
      • 可选项，默认为10
    • 设置颜色        
      • facecolor：设置长条形颜色关键字：
      • edgecolor：设置边框的颜色关键字：
      • 颜色选择值
        • 使用颜色的英语单词
        • 使用颜色简称：红色"r",蓝色"b"
        • 使用GRB:格式(r,g,b)，取值范围：0～1
    • 设置样式
      • histtype：
        • "bar"：柱状形数据并排，默认值
        • "barstacked"：柱状形数据重叠并排
        • "step"：柱状形颜色不填充
        • "stepfilled"：填充的线性
  • 设置直方图柱状形不填充，边框颜色为红色
import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(140, 180, 200)

plt.figure()

# 设置直方图柱状形不填充，边框颜色为红色
plt.hist(x,bins=20,histtype="step",edgecolor="r")

plt.show()

  • 添加折线直方图 
import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(140, 180, 200)

plt.figure()

# 添加折线直方图
x,y,no = plt.hist(x,bins=10)
plt.plot(y[:10],x,"--o")

plt.show()

  • 饼图

    • plt.pie()
import matplotlib.pyplot as plt
plt.figure()

plt.pie([4,2,5,6,3],
        labels=["a","b","c","d","e"],
        # pctdistance=,  # 内标签距离圆心的距离
        labeldistance=1.2,  # 外标签距离圆心的距离
        startangle=90,  # 起始绘制角度,默认图是从x轴正方向逆时针画起,如设定=90则从y轴正方向画起
        shadow=True,  # 是否设置阴影效果
        explode=(0, 0, 0, 0,0.2),  # 每一块距离中心距离
        textprops={  # 字体属性
            'fontsize' : 30,
            'color' : 'b',
        },
)
plt.show()

  • 箱型图

    • plt.boxplot()
import matplotlib.pyplot as plt

# 创建一些示例数据
np.random.seed(10)
data1 = np.random.normal(100, 10, 200)
data2 = np.random.normal(90, 20, 200)
data3 = np.random.normal(80, 30, 200)
data4 = np.random.normal(70, 40, 200)

# 将数据放入一个列表中
data = [data1, data2, data3, data4]

# 创建箱线图
plt.boxplot(data, patch_artist=True)

plt.show()

lyx52Hertz
关注
专栏目录
大数据分析——Matplotlib进阶教程
m0_53412274的博客
05-27 1507
文章目录问题区设置坐标轴1.matplotlib.pyplot总览（1）总函数（2）常用函数常用函数解析对于figure和axes的理解2.实战 （1）三维图 3D画图常用函数np.meshgrid()np.mgrid()解析实例（2）饼状图 （3） 等高线图 （4） 热力图 问题区设置坐标轴 plot.grid()画线 如果没有看初级教程的小伙伴们可以看一下上一篇教程 大数据分析——Matplotlib入门教程 这期教程将系统讲解Matplotlib的各种方法及其参数，如果能帮到你，小伙伴记得点赞哦！
大数据技术可视化实验五时间数据可视化
03-25
大数据技术可视化实验五时间数据可视化
大数据基础-Matplotlib绘图
qq_36349372的博客
05-11 967
点图和线图 """ 数据可视化是关于图形或表格的展示，借助图形化的手段，有效的传达信息 使用Matplotlib绘图: 1.绘制点图和线图 点图和线图是用来表示二维数据之间的关系，查看两个变量之间关系的最有效的方法 可以通过plot()函数来实现。 使用subplot可以绘制多个子图图像，并且可以添加标题和坐标轴。 """ import numpy as np import matplotlib.pyplot as plt #生成x1和x2 x1=np
matplotlib 图例 bbox_to_anchor loc 搭配使用
最新发布
年轻知识分子的非理性因素
09-03 457
图例框：放置所有图例的框框坐标：忽略 weight 和 height 的话是二维，（左右，上下） 左 0 右 1，上 0 下 1。
python大数据分析——Matplotlib库
KasenBob的博客
07-21 562
Matplotlib作图基本代码 import numpy as np import matplotlib.pyplot as plt x=np.linspace(0,10,1000) #x轴的自变量 y=np.sin(x)+1 #函数 z=np.cos(x**2)+1 #函数 plt.figure(figsize=(8,4)) #设置图像大小 plt.plot(x,y,label='$\...
【学习笔记】Python大数据处理与分析——Matplotlib数据可视化
有为肥宅的博客
04-17 1095
Matplotlib数据可视化学习，作笔记使用
如何优雅而高效地使用Matplotlib实现数据可视化
机器之心
01-17 1280
Matplotlib 能创建非常多的可视化图表，它也有一个丰富的 Python 工具生态环境，很多更高级的可视化工具使用 Matplotlib 作为基础库。因此本文旨在提供一种高效的 Matplotlib 使用方法，并希望该方法可以帮助大家理解如何更有效地进行日常数据分析工作。 引言
matplotlib总结
weixin_45919853的博客
04-06 149
matplotlib相关知识总结 链接：https://pan.baidu.com/s/1F8ohHEBzpb27rNESKY8g2g 提取码：3676（永久有效） 该文件未是最终版本，望收藏。会不定期更新
大数据可视化实验Seaborn和Matplotlib使用+包含ipynb源码和数据集。
07-08
实验内容包括 1.随机数生成、鸢尾花散点图，验证数据维度的...3.泰坦尼克号Seaborn的各种方法对历史数据进行全面地可视化分析操作，以便能对哪些人可能生存进行比较和初步分析。可视化图表应设定各自的风格和缩放尺度
Python大数据可视化：Matplotlib与Pyecharts实战解析
"《Python数据可视化之Matplotlib与Pyecharts》是一份深入讲解大数据时代数据可视化技术的教程，尤其关注Python作为主要工具的应用。课程分为多个章节，从大数据可视化概述开始，引导读者理解数据可视化在大数据时代...
大数据-Python数据可视化-Matplotlib实战:Matplotlib绘图
05-02
大数据--Python数据可视化-Matplotlib实战:Matplotlib 绘图 8-Pandas与sklearn结合实例.ipynb 7-pie与布局.i pynb 6-3D图.ipynb 5-直方图and散点图.ipynb 4-盒图. ipynb 3-条形图.ipynb 2-风格设置.ipynb 1-Matplot ...
数据可视化，关于大数据的可视化例子
07-03
- 数据可视化是一个将复杂数据转换成直观图形的过程，旨在帮助人们更好地理解和解释数据。 - 通过将数据转换为视觉元素（如线条、形状和颜色），可以帮助观察者更容易地发现模式、趋势和异常。 ### 3. 常用图表及其...
matplotlib8 -- 文字注释进一步详解 bbox参数， 箭头形状等
热门推荐
墨流觞的博客
11-27 1万+
在matplotlib7中说明了，除了描述箭头属性的参数，其余传入annotate函数的参数，豆浆解释为text的属性参数。 1. text的bbox属性 以及其他的属性 描述Text的属性，包括颜色，字体大小，字体类型等 matplotlib.text.Text 着重讲述一下字典属性bbox 简单的说就是在用不同的矩形框将文字框起来，并用一系列属性来定义矩形框的 boxstyle ： 矩形框的...
matplotlib在目标检测中绘制bbox的统一流程
qq_36302589的博客
05-21 4616
嗯 感觉这块可能以后写检测算法都会用，就总结一下其中一些的API加深记忆吧。 目标检测中，我们一般是这样做的，我们定义的NMS方法一般是针对整个batch的，所以对于test集中每个batch的pred经过NMS后会得到这个batch最终的result了，一般是一个list 每个index对应一个(N,7)维的tensor，其中7就是4个坐标 置信度 最大class分数，最大class index（置信度可有可无，但一般都是这些信息）。然后我们要做的就是遍历batch的每一个img，根据每个img的这个N
matplotlib绘图结构整理
weixin_44941795的博客
02-25 921
matplotlib绘图进阶 1.matplotlib结构 1：Figure画布 2: Asex 3：图形结构 title xLabel yLabel tick legend grid Text Annotation mark line 。。。。 2.画图的流程 创建Figure画图对象 创建子图fig1， Asex对象 调用相应的函数绘制图形 设置标题title 设置图例legend 设...
使用matplotlib绘制饼图和表格
2301_79911894的博客
10-26 101
【代码】使用matplotlib绘制饼图和表格。
数据挖掘与机器学习中Matplotlib绘图模块详细讲解（超详细 附源码）
showswoller的博客
01-05 1341
数据挖掘与机器学习中Matplotlib绘图模块详细讲解（超详细 附源码）
matplotlib可视化之饼图plt.pie()与plt.legend()中bbox_to_anchor参数的理解
weixin_46707493的博客
08-21 1万+
函数功能：表示离散变量各占比情况 调用方法：plt.pie(x, explode=None, labels=None, colors=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) 参数说明：
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

lyx52Hertz

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值