以后你肯定会用到的，25个常用Matplotlib图的Python代码，可以不会不能没有，建议收藏

1. 散点图

Scatteplot是用于研究两个变量之间关系的经典和基本图。如果数据中有多个组，则可能需要以不同颜色可视化每个组。在Matplotlib，你可以方便地使用。

Import dataset

midwest = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv”)

Prepare Data

Create as many colors as there are unique midwest[‘category’]

categories = np.unique(midwest[‘category’])

colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]

Draw Plot for Each Category

plt.figure(figsize=(16, 10), dpi= 80, facecolor=‘w’, edgecolor=‘k’)

for i, category in enumerate(categories):

plt.scatter(‘area’, ‘poptotal’,

data=midwest.loc[midwest.category==category, :],

s=20, c=colors[i], label=str(category))

Decorations

plt.gca().set(xlim=(0.0, 0.1), ylim=(0, 90000),

xlabel=‘Area’, ylabel=‘Population’)

plt.xticks(fontsize=12); plt.yticks(fontsize=12)

plt.title(“Scatterplot of Midwest Area vs Population”, fontsize=22)

plt.legend(fontsize=12)

plt.show()

2. 带边界的气泡图

有时，您希望在边界内显示一组点以强调其重要性。在此示例中，您将从应该被环绕的数据帧中获取记录，并将其传递给下面的代码中描述的记录。encircle()

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

from matplotlib import patches

from scipy.spatial import ConvexHull

import warnings; warnings.simplefilter(‘ignore’)

sns.set_style(“white”)

Step 1: Prepare Data

midwest = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv”)

As many colors as there are unique midwest[‘category’]

categories = np.unique(midwest[‘category’])

colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]

Step 2: Draw Scatterplot with unique color for each category

fig = plt.figure(figsize=(16, 10), dpi= 80, facecolor=‘w’, edgecolor=‘k’)

for i, category in enumerate(categories):

plt.scatter(‘area’, ‘poptotal’, data=midwest.loc[midwest.category==category, :], s=‘dot_size’, c=colors[i], label=str(category), edgecolors=‘black’, linewidths=.5)

Step 3: Encircling

https://stackoverflow.com/questions/44575681/how-do-i-encircle-different-data-sets-in-scatter-plot

def encircle(x,y, ax=None, **kw):

if not ax: ax=plt.gca()

p = np.c_[x,y]

hull = ConvexHull§

poly = plt.Polygon(p[hull.vertices,:], **kw)

ax.add_patch(poly)

Select data to be encircled

midwest_encircle_data = midwest.loc[midwest.state==‘IN’, :]

Draw polygon surrounding vertices

encircle(midwest_encircle_data.area, midwest_encircle_data.poptotal, ec=“k”, fc=“gold”, alpha=0.1)

encircle(midwest_encircle_data.area, midwest_encircle_data.poptotal, ec=“firebrick”, fc=“none”, linewidth=1.5)

Step 4: Decorations

plt.gca().set(xlim=(0.0, 0.1), ylim=(0, 90000),

xlabel=‘Area’, ylabel=‘Population’)

plt.xticks(fontsize=12); plt.yticks(fontsize=12)

plt.title(“Bubble Plot with Encircling”, fontsize=22)

plt.legend(fontsize=12)

plt.show()

3. 带线性回归最佳拟合线的散点图

如果你想了解两个变量如何相互改变，那么最合适的线就是要走的路。下图显示了数据中各组之间最佳拟合线的差异。要禁用分组并仅为整个数据集绘制一条最佳拟合线，请从下面的调用中删除该参数。

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv”)

df_select = df.loc[df.cyl.isin([4,8]), :]

Plot

sns.set_style(“white”)

gridobj = sns.lmplot(x=“displ”, y=“hwy”, hue=“cyl”, data=df_select,

height=7, aspect=1.6, robust=True, palette=‘tab10’,

scatter_kws=dict(s=60, linewidths=.7, edgecolors=‘black’))

Decorations

gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))

plt.title(“Scatterplot with line of best fit grouped by number of cylinders”, fontsize=20)

每个回归线都在自己的列中

或者，您可以在其自己的列中显示每个组的最佳拟合线。你可以通过在里面设置参数来实现这一点。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv”)

df_select = df.loc[df.cyl.isin([4,8]), :]

Each line in its own column

sns.set_style(“white”)

gridobj = sns.lmplot(x=“displ”, y=“hwy”,

data=df_select,

height=7,

robust=True,

palette=‘Set1’,

col=“cyl”,

scatter_kws=dict(s=60, linewidths=.7, edgecolors=‘black’))

Decorations

gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))

plt.show()

4. 抖动图

通常，多个数据点具有完全相同的X和Y值。结果，多个点相互绘制并隐藏。为避免这种情况，请稍微抖动点，以便您可以直观地看到它们。这很方便使用

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv”)

Draw Stripplot

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

sns.stripplot(df.cty, df.hwy, jitter=0.25, size=8, ax=ax, linewidth=.5)

Decorations

plt.title(‘Use jittered plots to avoid overlapping of points’, fontsize=22)

plt.show()

5. 计数图

避免点重叠问题的另一个选择是增加点的大小，这取决于该点中有多少点。因此，点的大小越大，周围的点的集中度就越大。

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv”)

df_counts = df.groupby([‘hwy’, ‘cty’]).size().reset_index(name=‘counts’)

Draw Stripplot

fig, ax = plt.subplots(figsize=(16,10), dpi= 80)

sns.stripplot(df_counts.cty, df_counts.hwy, size=df_counts.counts*2, ax=ax)

Decorations

plt.title(‘Counts Plot - Size of circle is bigger as more points overlap’, fontsize=22)

plt.show()

6. 边缘直方图

边缘直方图具有沿X和Y轴变量的直方图。这用于可视化X和Y之间的关系以及单独的X和Y的单变量分布。该图如果经常用于探索性数据分析（EDA）。

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv”)

Create Fig and gridspec

fig = plt.figure(figsize=(16, 10), dpi= 80)

grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)

Define the axes

ax_main = fig.add_subplot(grid[:-1, :-1])

ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])

ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])

Scatterplot on main ax

ax_main.scatter(‘displ’, ‘hwy’, s=df.cty*4, c=df.manufacturer.astype(‘category’).cat.codes, alpha=.9, data=df, cmap=“tab10”, edgecolors=‘gray’, linewidths=.5)

histogram on the right

ax_bottom.hist(df.displ, 40, histtype=‘stepfilled’, orientation=‘vertical’, color=‘deeppink’)

ax_bottom.invert_yaxis()

histogram in the bottom

ax_right.hist(df.hwy, 40, histtype=‘stepfilled’, orientation=‘horizontal’, color=‘deeppink’)

Decorations

ax_main.set(title='Scatterplot with Histograms

displ vs hwy’, xlabel=‘displ’, ylabel=‘hwy’)

ax_main.title.set_fontsize(20)

for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):

item.set_fontsize(14)

xlabels = ax_main.get_xticks().tolist()

ax_main.set_xticklabels(xlabels)

plt.show()

7.边缘箱形图

边缘箱图与边缘直方图具有相似的用途。然而，箱线图有助于精确定位X和Y的中位数，第25和第75百分位数。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Import Data

df = pd.read_csv(“https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv”)

Create Fig and gridspec

fig = plt.figure(figsize=(16, 10), dpi= 80)

grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)

Define the axes

ax_main = fig.add_subplot(grid[:-1, :-1])

ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])

ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])

Scatterplot on main ax

ax_main.scatter(‘displ’, ‘hwy’, s=df.cty*5, c=df.manufacturer.astype(‘category’).cat.codes, alpha=.9, data=df, cmap=“Set1”, edgecolors=‘black’, linewidths=.5)

Add a graph in each part

sns.boxplot(df.hwy, ax=ax_right, orient=“v”)

sns.boxplot(df.displ, ax=ax_bottom, orient=“h”)

Decorations ------------------

Remove x axis name for the boxplot

ax_bottom.set(xlabel=‘’)

ax_right.set(ylabel=‘’)

Main Title, Xlabel and YLabel

ax_main.set(title='Scatterplot with Histograms

displ vs hwy’, xlabel=‘displ’, ylabel=‘hwy’)

Set font size of different components

ax_main.title.set_fontsize(20)

for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):

item.set_fontsize(14)

plt.show()

8. 相关图

Correlogram用于直观地查看给定数据帧（或2D数组）中所有可能的数值变量对之间的相关度量。

Import Dataset

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

Plot

plt.figure(figsize=(12,10), dpi= 80)

sns.heatmap(df.corr(), xticklabels=df.corr().columns, yticklabels=df.corr().columns, cmap=‘RdYlGn’, center=0, annot=True)

Decorations

plt.title(‘Correlogram of mtcars’, fontsize=22)

plt.xticks(fontsize=12)

plt.yticks(fontsize=12)

plt.show()

9. 矩阵图

成对图是探索性分析中的最爱，以理解所有可能的数字变量对之间的关系。它是双变量分析的必备工具。

Load Dataset

df = sns.load_dataset(‘iris’)

Plot

plt.figure(figsize=(10,8), dpi= 80)

sns.pairplot(df, kind=“scatter”, hue=“species”, plot_kws=dict(s=80, edgecolor=“white”, linewidth=2.5))

plt.show()

Load Dataset

df = sns.load_dataset(‘iris’)

Plot

plt.figure(figsize=(10,8), dpi= 80)

sns.pairplot(df, kind=“reg”, hue=“species”)

plt.show()

10. 发散型条形图

如果您想根据单个指标查看项目的变化情况，并可视化此差异的顺序和数量，那么发散条是一个很好的工具。它有助于快速区分数据中组的性能，并且非常直观，并且可以立即传达这一点。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘green’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,10), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors, alpha=0.4, linewidth=5)

Decorations

plt.gca().set(ylabel=‘$Model$’, xlabel=‘$Mileage$’)

plt.yticks(df.index, df.cars, fontsize=12)

plt.title(‘Diverging Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.show()

11. 发散型文本

分散的文本类似于发散条，如果你想以一种漂亮和可呈现的方式显示图表中每个项目的价值，它更喜欢。

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘green’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,14), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z)

for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):

t = plt.text(x, y, round(tex, 2), horizontalalignment=‘right’ if x < 0 else ‘left’,

verticalalignment=‘center’, fontdict={‘color’:‘red’ if x < 0 else ‘green’, ‘size’:14})

Decorations

plt.yticks(df.index, df.cars, fontsize=12)

plt.title(‘Diverging Text Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.xlim(-2.5, 2.5)

plt.show()

12. 发散型包点图

发散点图也类似于发散条。然而，与发散条相比，条的不存在减少了组之间的对比度和差异。

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = [‘red’ if x < 0 else ‘darkgreen’ for x in df[‘mpg_z’]]

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

plt.figure(figsize=(14,16), dpi= 80)

plt.scatter(df.mpg_z, df.index, s=450, alpha=.6, color=df.colors)

for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):

t = plt.text(x, y, round(tex, 1), horizontalalignment=‘center’,

verticalalignment=‘center’, fontdict={‘color’:‘white’})

Decorations

Lighten borders

plt.gca().spines[“top”].set_alpha(.3)

plt.gca().spines[“bottom”].set_alpha(.3)

plt.gca().spines[“right”].set_alpha(.3)

plt.gca().spines[“left”].set_alpha(.3)

plt.yticks(df.index, df.cars)

plt.title(‘Diverging Dotplot of Car Mileage’, fontdict={‘size’:20})

plt.xlabel(‘$Mileage$’)

plt.grid(linestyle=‘–’, alpha=0.5)

plt.xlim(-2.5, 2.5)

plt.show()

13. 带标记的发散型棒棒糖图

带标记的棒棒糖通过强调您想要引起注意的任何重要数据点并在图表中适当地给出推理，提供了一种可视化分歧的灵活方式。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mtcars.csv”)

x = df.loc[:, [‘mpg’]]

df[‘mpg_z’] = (x - x.mean())/x.std()

df[‘colors’] = ‘black’

color fiat differently

df.loc[df.cars == ‘Fiat X1-9’, ‘colors’] = ‘darkorange’

df.sort_values(‘mpg_z’, inplace=True)

df.reset_index(inplace=True)

Draw plot

import matplotlib.patches as patches

plt.figure(figsize=(14,16), dpi= 80)

plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors, alpha=0.4, linewidth=1)

plt.scatter(df.mpg_z, df.index, color=df.colors, s=[600 if x == ‘Fiat X1-9’ else 300 for x in df.cars], alpha=0.6)

plt.yticks(df.index, df.cars)

plt.xticks(fontsize=12)

Annotate

plt.annotate(‘Mercedes Models’, xy=(0.0, 11.0), xytext=(1.0, 11), xycoords=‘data’,

fontsize=15, ha=‘center’, va=‘center’,

bbox=dict(boxstyle=‘square’, fc=‘firebrick’),

arrowprops=dict(arrowstyle=‘-[, widthB=2.0, lengthB=1.5’, lw=2.0, color=‘steelblue’), color=‘white’)

Add Patches

p1 = patches.Rectangle((-2.0, -1), width=.3, height=3, alpha=.2, facecolor=‘red’)

p2 = patches.Rectangle((1.5, 27), width=.8, height=5, alpha=.2, facecolor=‘green’)

plt.gca().add_patch(p1)

plt.gca().add_patch(p2)

Decorate

plt.title(‘Diverging Bars of Car Mileage’, fontdict={‘size’:20})

plt.grid(linestyle=‘–’, alpha=0.5)

plt.show()

14.面积图

通过对轴和线之间的区域进行着色，区域图不仅强调峰值和低谷，而且还强调高点和低点的持续时间。高点持续时间越长，线下面积越大。

import numpy as np

import pandas as pd

Prepare Data

df = pd.read_csv(“https://github.com/selva86/datasets/raw/master/economics.csv”, parse_dates=[‘date’]).head(100)

x = np.arange(df.shape[0])

y_returns = (df.psavert.diff().fillna(0)/df.psavert.shift(1)).fillna(0) * 100

Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] >= 0, facecolor=‘green’, interpolate=True, alpha=0.7)

plt.fill_between(x[1:], y_returns[1:], 0, where=y_returns[1:] <= 0, facecolor=‘red’, interpolate=True, alpha=0.7)

Annotate

plt.annotate('Peak

1975’, xy=(94.0, 21.0), xytext=(88.0, 28),

bbox=dict(boxstyle=‘square’, fc=‘firebrick’),

arrowprops=dict(facecolor=‘steelblue’, shrink=0.05), fontsize=15, color=‘white’)

Decorations

xtickvals = [str(m)[:3].upper()+“-”+str(y) for y,m in zip(df.date.dt.year, df.date.dt.month_name())]

plt.gca().set_xticks(x[::6])

plt.gca().set_xticklabels(xtickvals[::6], rotation=90, fontdict={‘horizontalalignment’: ‘center’, ‘verticalalignment’: ‘center_baseline’})

plt.ylim(-35,35)

plt.xlim(1,100)

plt.title(“Month Economics Return %”, fontsize=22)

plt.ylabel(‘Monthly returns %’)

plt.grid(alpha=0.5)

plt.show()

15. 有序条形图

有序条形图有效地传达了项目的排名顺序。但是，在图表上方添加度量标准的值，用户可以从图表本身获取精确信息。

Prepare Data

df_raw = pd.read_csv(“https://github.com/selva86/datasets/raw/master/mpg_ggplot2.csv”)

df = df_raw[[‘cty’, ‘manufacturer’]].groupby(‘manufacturer’).apply(lambda x: x.mean())

df.sort_values(‘cty’, inplace=True)

df.reset_index(inplace=True)

Draw plot

import matplotlib.patches as patches

fig, ax = plt.subplots(figsize=(16,10), facecolor=‘white’, dpi= 80)

ax.vlines(x=df.index, ymin=0, ymax=df.cty, color=‘firebrick’, alpha=0.7, linewidth=20)

Annotate Text

for i, cty in enumerate(df.cty):

ax.text(i, cty+0.5, round(cty, 1), horizontalalignment=‘center’)

Title, Label, Ticks and Ylim

ax.set_title(‘Bar Chart for Highway Mileage’, fontdict={‘size’:22})

ax.set(ylabel=‘Miles Per Gallon’, ylim=(0, 30))

plt.xticks(df.index, df.manufacturer.str.upper(), rotation=60, horizontalalignment=‘right’, fontsize=12)

Add patches to color the X axis labels

p1 = patches.Rectangle((.57, -0.005), width=.33, height=.13, alpha=.1, facecolor=‘green’, transform=fig.transFigure)

p2 = patches.Rectangle((.124, -0.005), width=.446, height=.13, alpha=.1, facecolor=‘red’, transform=fig.transFigure)

fig.add_artist(p1)

fig.add_artist(p2)

plt.show()

16. 棒棒糖图

棒棒糖图表以一种视觉上令人愉悦的方式提供与有序条形图类似的目的。

‘’’

学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025

寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！

‘’’

Prepare Data

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

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、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、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。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！