x = np.linspace(-10, 10, 800)
y = x ** 3 + 5 * x - 10
plt.plot(x, y)
plt.show()
绘制图形如下
#### 绘制多曲线图
很多时候我们需要对比多组数据，以发现数据间的异同，此时就需要在一张图片上绘制多条曲线——多曲线图，下图展示了在同一图片中绘制函数
y
=
x
y=x
y=x、
y
=
x
2
y=x^2
y=x2，
y
=
l
o
g
e
x
y=log\_ex
y=logex以及
y
=
s
i
n
(
x
)
y=sin(x)
y=sin(x)：
plot_multi_curve.py
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0.1, 2 * np.pi, 100)
y_1 = x
y_2 = np.square(x)
y_3 = np.log(x)
y_4 = np.sin(x)
plt.plot(x,y_1)
plt.plot(x,y_2)
plt.plot(x,y_3)
plt.plot(x,y_4)
plt.show()
上述脚本绘制图形如下：
`Tips：一条曲线的绘制需要调用一次plt.plot()，而plt.show()只需调用一次。这种延迟呈现机制是matplotlib的核心，我们可以声明在任何时间绘制图形，但只有在调用plt.show()时才会渲染显示图形。`
为了更好的说明这种延迟呈现机制，编写以下代码：
deferred_rendering.py
import numpy as np
import matplotlib.pyplot as plt
def plot_func(x, y):
x_s = x[1:] - y[:-1]
y_s = y[1:] - x[:-1]
plt.plot(x[1:], x_s / y_s)
x = np.linspace(-5, 5, 200)
y = np.exp(-x ** 2)
plt.plot(x, y)
plot_func(x, y)
plt.show()
绘制图形如下：
可以看到，尽管其中一个plt.plot()是在plot\_func函数中调用的，它对图形的呈现没有任何影响，因为plt.plot()只是声明了我们要呈现的内容，但还没有执行渲染。因此可以使用此特性结合for循环、条件判断等语法完成复杂图形的绘制，同时也可以在同一张图中组合不同类型的统计图。
#### 读取数据文件绘制曲线图
很多情况下数据都是存储于文件中，因此，需要首先读取文件中的数据，再进行绘制，说明起见，以`.txt`文件为例，其他诸如`Excel、CSV文件`可以使用`pandas、numpy`等库进行读取。
假设存在`data.txt`文件如下：
0 1
1 2
2 5
4 17
5 26
6 37
读取数据和绘制的代码如下：
read_txt.py
import matplotlib.pyplot as plt
x, y = [], []
for line in open(‘data.txt’, ‘r’):
values = [float(s) for s in line.split()]
x.append(values[0])
y.append(values[1])
plt.plot(x, y)
plt.show()
如果使用Numpy库，其等效代码可以写为：
import matplotlib.pyplot as plt
import numpy as np
data = np.loadtxt(‘data.txt’)
plt.plot(data[:,0], data[:,1])
plt.show()
### 散点图
当绘制曲线图时，我们假设点与点之间存在序列关系。而散点图是简单地绘制点，它们之间并不存在连接。
import numpy as np
import matplotlib.pyplot as plt
data = np.random.rand(1000, 2)
plt.scatter(data[:,0], data[:,1])
plt.show()
`Tips：函数plt.scatter()的调用方式与plt.plot()完全相同，分别将点的x和y坐标作为输入参数。`
### 条形图
条形图具有丰富的表现形式，常见的类型包括单组条形图，多组条形图，堆积条形图和对称条形图等。
#### 单组条形图
条形图的每种表现形式都可以绘制成垂直条形图或水平条形图，以单组条形图的两种绘制方式为例。
##### 垂直条形图
import matplotlib.pyplot as plt
data = [10., 20., 5., 15.]
plt.bar(range(len(data)), data)
plt.show()
`Tips：plt.plot()函数的作用是：接收两个参数，包括每个条形的x坐标和每个条行的高度。`
通过可选参数`width`，pyplot.bar()提供了一种控制条形图中条状宽度的方法:
import matplotlib.pyplot as plt
data = [10., 20., 5., 15.]
plt.bar(range(len(data)), data, width=0.5)
plt.show()
##### 水平条形图
如果更喜欢水平条形外观，就可以使用`plt.barh()`函数，在用法方面与`plt.bar()`基本相同，但是修改条形宽度(或者在水平条形图中应该称为高度)的参数需要使用`height`：
import matplotlib.pyplot as plt
data = [10., 20., 5., 15.]
plt.barh(range(len(data)), data, height=0.5)
plt.show()
#### 多组条形图
当需要比较不同年份相应季度的销量等此类需求时，我们可能需要多组条形图。
import numpy as np
import matplotlib.pyplot as plt
data = [[10., 20., 30., 20.],[40., 25., 53., 18.],[6., 22., 52., 19.]]
x = np.arange(4)
plt.bar(x + 0.00, data[0], color = ‘b’, width = 0.25)
plt.bar(x + 0.25, data[1], color = ‘g’, width = 0.25)
plt.bar(x + 0.50, data[2], color = ‘r’, width = 0.25)
plt.show()
#### 堆积条形图
通过使用`plt.bar()`函数中的可选参数，可以绘制堆积条形图。
import matplotlib.pyplot as plt
y_1 = [3., 25., 45., 22.]
y_2 = [6., 25., 50., 25.]
x = range(4)
plt.bar(x, y_1, color = ‘b’)
plt.bar(x, y_2, color = ‘r’, bottom = y_1)
plt.show()
`Tips：plt.bar()函数的可选参数bottom允许指定条形图的起始值。`
可以结合for循环，利用延迟呈现机制堆叠更多的条形：
import numpy as np
import matplotlib.pyplot as plt
data = np.array([[5., 30., 45., 22.], [5., 25., 50., 20.], [1., 2., 1., 1.]])
x = np.arange(data.shape[1])
for i in range(data.shape[0]):
plt.bar(x, data[i], bottom = np.sum(data[:i], axis = 0))
plt.show()
#### 对称条形图
一个简单且有用的技巧是对称绘制两个条形图。例如想要绘制不同年龄段的男性与女性数量的对比：
import numpy as np
import matplotlib.pyplot as plt
w_pop = np.array([5., 30., 45., 22.])
m_pop = np.array( [5., 25., 50., 20.])
x = np.arange(4)
plt.barh(x, w_pop)
plt.barh(x, -m_pop)
plt.show()
图中女性人口的条形图照常绘制。然而，男性人口的条形图的条形图的条形图向左延伸，而不是向右延伸。可以使用数据的负值来快速实现对称条形图的绘制。
### 饼图
饼图可以用于对比数量间的相对关系：
import matplotlib.pyplot as plt
data = [10, 15, 30, 20]
plt.pie(data)
plt.show()
`Tips：plt.pie()函数将一系列值作为输入，将值传递给matplolib，它就会自动计算各个值在饼图中的相对面积，并进行绘制。`
### 直方图
直方图是概率分布的图形表示。事实上，直方图只是一种特殊的条形图。我们可以很容易地使用matplotlib的条形图函数，并进行一些统计运算来生成直方图。但是，直方图非常有用，因此matplotlib提供了一个更加方便的函数：
import numpy as np
import matplotlib.pyplot as plt
x = np.random.randn(1024)
plt.hist(x, bins = 20)
plt.show()
`Tips：plt.hist()函数的作用是：获取一系列值作为输入。值的范围将被划分为大小相等的范围（默认情况下数量为10），然后生成条形图，一个范围对应一个条柱，一个条柱的高度是相应范围内中的值的数量，条柱的数量由可选参数bins确定。`
### 箱形图
箱形图可以通过方便地显示一组值的中位数、四分位数、最大值和最小值来比较值的分布。
import numpy as np
import matplotlib.pyplot as plt
data = np.random.randn(200)
plt.boxplot(data)
plt.show()
`Tips：plt.boxplot()函数的作用是：获取一组值，并自动计算平均值、中位数和其他统计量。`
箱形图描述：
1. 图中黄线是分布的中位数。
2. 方形箱框包括从下四分位数Q1到上四分位数Q3的50%的数据。
3. 下盒须的下四分位延伸到1.5(Q3-Q1)。
4. 上盒须从上四分位延伸至1.5 (Q3-Q1)。
5. 离盒须较远的数值用圆圈标记。
要在单个图形中绘制多个箱形图，对每个箱形图调用一次`plt.boxplot()`是不可行。它会将所有箱形图画在一起，形成一个混乱的、不可读的图形。如果想要到达符合要求的效果，只需在一次调用`plt.boxplot()`中，同时绘制多个箱形图即可，如下所示：
import numpy as np
import matplotlib.pyplot as plt
data = np.random.randn(200, 6)
plt.boxplot(data)
plt.show()
### 三角网格图
### 一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
### 二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
### 三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
