matplotlib的一些图的表示方法

Maverick_曲流觞

已于 2023-04-05 17:12:08 修改

阅读量246

点赞数 1

分类专栏： Python 文章标签： matplotlib python 数据分析

于 2023-03-16 16:12:12 首次发布

本文链接：https://blog.csdn.net/m0_73856491/article/details/129584506

版权

Python 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

文章目录

matplotlib折线图
matplotlib饼图
matplotlib散点图
matplotlib箱线图
matplotlib柱状图
matplotlib直方图，密度图
面向对象绘图

matplotlib折线图

折线图：可以很直观的反应出数据的变化趋势，反应事物的变化情况
应用场景：适合二维的大数据集，还适合多个二维数据集的比较

模拟股票10分钟的变化趋势

画出股票趋势图

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

#1)准备数据
x = range(1,11) #股票10分钟
y = np.random.normal(size=10) #正态分布随机生成10个数据

#2)创建画布
fig = plt.figure(figsize=(16,6),dpi=100) #设置大小，设置dpi

#3)绘制折线图
plt.plot(x,y)

#4)显示图像
plt.show() #show方法会释放figure资源

在这里插入图片描述

设置刻度标签，设置刻度值

plt.xticks(x，**kwargs):x:显示的刻度值

plt.yticks(y，**kwargs):y:显示的刻度值

#构造刻度标签
x_ticks_label = ['10点{}分'.format(i) for i in x]

plt.xticks(x,x_ticks_label,rotation=45) #rotation:将刻度标签旋转多少度

在这里插入图片描述

设置轴标签，标题

#设置x,y轴标签
plt.xlabel('时间') 
plt.ylabel('涨幅')

#设置图像标题
plt.title('股票10分中的涨幅')

在这里插入图片描述

设置颜色，标记和线类型

#设置颜色color
#设置线类型linestyle
#设置标记marker
plt.plot(x,y,color='r',linestyle='--',marker='o')

在这里插入图片描述

显示图例

可能我们在一个绘图区，需要绘制多个图形，多次plot就可以解决

#在添加一条数据
y_B = np.random.normal(size=10)

#进行绘制
#plt.plot(x,y_B,color='b',marker='o')

#添加图例
#显示图例我们需要先加上label标签
plt.plot(x,y,color='r',linestyle='--',marker='o',label='A')
plt.plot(x,y_B,color='b',marker='o',label='B')
plt.legend(loc='best')

#添加网格显示
plt.grid(True,linestyle='--',alpha=1) #appha：透明度

在这里插入图片描述

matplotlib饼图

饼图：用于表示不同分类的占比情况，通过弧度大小来对比各种分类。饼图通过将一个圆饼按照分类的占比划分成多个区块，整个圆饼代表数据的总量，每个区块（圆弧）表示该分类占总体的比例大小，所有区块（圆弧）的加和等于 100%。

应用场景：分类占比

每个省份投资额占比

#由于分类过多，截取前5组数据进行绘图

# y 为dataframe列名，或者列名列表,当绘制多列数据,指定subplots=True，绘制在不同的子图中
# autopct:在图中显示百分比
#shadow:布尔值,为饼图增加阴影效果
# explode:为饼图增加破裂效果，值越大，破裂越大
#startangle:饼图旋转角度，从X轴逆时针旋转
data[0:5].plot(kind='pie',y='投资额',figsize=(16,9),autopct="%1.2f%%",shadow=True,explode=(0,0,0.3,0,0),startangle=90)

#让饼图保持正圆形
plt.axis('equal')
plt.show()

在这里插入图片描述

matplotlib散点图

散点图：用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。

应用场景：判断两个变量之间是否存在关联，判断异常值

探究投资额和住宅投资的关系

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

data = pd.read_csv('d:/test_data/房地产投资金额.csv',engine='python',index_col=0)

data.plot(kind='scatter',x='投资额',y='住宅',figsize=(16,9),color='r')
#dataframe绘制散点图,需要指定x,y为 dataframe中的列,同样可以给图像添加样式,如指定color,alpha,marker
plt.show()

#从图中我们可以看出,投资额和住宅成正比关系

在这里插入图片描述

matplotlib箱线图

箱线图：是一种直观简洁的方式去呈现一组数据的分布. 因其形状如箱子而得名. 箱线图广泛用于各个数据分析领域. 它能非常简单明了地显示一组数据中5个重要数值, 最大值 (Maximum Value), 最小值 (Minimum Value), 中位数 (Median Value), 下四分位数 (First Quartile), 上四分位数 (Third Quartile). 箱线图还能发现一组数据中的存在的异常值 (Outliers).

分位数：把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。

查看投资数据的异常值

# 
data.plot(kind='box',figsize=(16,9))
plt.show()

#高于上边缘的值，为异常值,我们可以用于查看异常值

在这里插入图片描述

matplotlib柱状图

柱状图：一种以长方形的长度为变量的表达图形的统计报告图，由一系列高度不等的纵向条纹表示数据分布的情况，用来比较两个或以上的价值（不同时间或者不同条件），只有一个变量，通常利用于较小的数据集分析
- 柱状图：柱形图、堆积柱形图、百分比堆积柱形图等。
- 适用场景
  1. 适合分析分类数据字段、或者连续的数据字段，利用柱子的高度来反映数据的数值差异。、
  2. 适合分析对比组内各项数据
  3. 堆积柱：可以形象的展示一个大分类包含的每个小分类的数据，以及小分类的占比情况，显示的是单个项目与整体之间的关系
  4. 百分比堆积柱形图：矩形高度表示每子项占当前项的百分比

案例

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

data = pd.read_csv('d:/test_data/房地产投资金额.csv',index_col='地区',engine='python')
data1 = data[0:5]
data1.plot.bar(figsize=(16,9))
#data1.plot(kind=bar,figsize=(16,9))
plt.show()

#在柱状图中，每一行的值进行分组，我们可以看出北京是一组，天津是一组，河北是一组

在这里插入图片描述

条形图：维度分类较多或维度名称比较长的时候使用横向树状图（条形图）

data.plot(kind='barh',figsize(16,9))
plt.show()

在这里插入图片描述

堆积图：更直观对比整体的数据，可以更清晰的看出各种类别的占比情况

data.plot(kind='barh',stacked=True,figsize=(16,9)) #传递参数stacked=True来生成堆积树状图
plt.show()

在这里插入图片描述

百分比堆积树状图：展示的占比的情况

data.div(data.sum(1),axis=0).plot(kind='barh',figsize=(16,9),stacked=True)
plt.show()

在这里插入图片描述

matplotlib直方图，密度图

直方图：又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型，纵轴表示分布情况。用来整理计量值的观测数据，分析其分布状态的统计方法，用于对总体的分布特征进行推断

应用场景：表示分布状态，分析数据是否服从正态分布，判断数据是否异常或者孤立
直方图与柱状图的比较：
- 直方图展示数据的分布，柱状图比较数据的大小。这是直方图与柱状图最根本的区别。直方图表示在一定值的区间中，有多少数据，表现的是数据的分布情况。柱状图表示，每一个数据的值的大小，表现的是值大小的对比
- 直方图X轴为定量数据，柱状图X轴为分类数据。 直方图的x轴通常是连续排列的，柱状图是分开排列的
- 柱状图是以矩形的长度表示每一组的数据大小，其宽度(表示类别)则是固定的，利于较小的数据集分析。
- 直方图是以矩形的长度表示每一组的频数或频率，宽度则表示各组的组距，因此其高度与宽度均有意义，利于展示大量数据集的统计结果。
画直方图一般流程
- 计算极差（最大值 - 最小值）
- 设置组距
- 计算组数（极差/ 组距）(通常对于数据较少的情况，分为5 ~ 12组 )

案例

#绘制分布直方图

#在这里我们直接分组设置成了25组
data.plot(kind='hist',bins=25,figsize=(16,9),subplots=True) #subplots:将Dataframe的每一列绘制在子图中

#data.plot(kind='hist',bins=25,figsize=(16,9),subplots=True,density=True) # density绘制直方频率图，面积总和为1
plt.show()

在这里插入图片描述

密度图：用于显示数据在连续区间内的分布状况。这种图表是直方图的变种，使用平滑曲线来绘制数值水平，从而得出更平滑的分布。密度图的峰值显示数值在该时间段内最为高度集中的位置。
- 密度图其中一个比直方图优胜的地方，是由于它们不受所使用分组数量（典型直方图中所使用的条形）的影响，所以能更好地界定分布形状。
```
#绘制密度曲线图
data.plot(kind='kde',figsize=(16,9)) 
```

面向对象绘图

我们在程序中尽量采用面向对象进行绘图，有利于我们可以绘制多个子图，这里为了大家更方便的理解，给出一般的画图流程

figure ()函数会产生一个指定编号为num的图：

figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
num:图像编号或名称，数字为编号，字符串为名称
figsize:指定figure的宽和高，单位为英寸；
dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80,1英寸等于2.5cm,A4纸是 21*30cm的纸张
facecolor:背景颜色
edgecolor:边框颜色
frameon:是否显示边框

这里, figure(1)其实是可以省略的,因为默认情况下plt会自动产生一幅图像。
使用subplot可以在一副图中生成多个子图 ,其参数为:

plt.subplots(nrows,ncols,sharex,sharey,subplot_kw,**fig_kw)

subplot可以规划figure划分为n个子图，但每条subplot命令只会创建一个子图

nrows : subplot的行数
ncols : subplot的列数
sharex : 所有subplot应该使用相同的X轴刻度（调节xlim将会影响所有subplot
sharey : 所有subplot应该使用相同的Y轴刻度（调节ylim将会影响所有subplot
subplot_kw : 用于创建各subplot的关键字字典
**fig_kw : 创建figure时的其他关键字，如plt.subplots(2, 2, figsize=(8, 6))

plt. subplot (numrows, numcols,fignum)形式

其中numrows, numcols是行列数， fignum是第几个图，比如（221）则是一个有四个图，该图位于第一个

当numrows * numcols < 10 时,中间的逗号可以省略,因此plt. subplot (211)就相当于plt. subplot(2, 1, 1)。

1.fig, ax = plt.subplots(figsize = (a, b))解析

在matplotlib一般使用plt.figure来设置窗口尺寸。

plt.figure(figsize=(a, b))

fig代表绘图窗口(Figure)；ax代表这个绘图窗口上的坐标系(axis)，一般会继续对ax进行操作。
但是如果使用plt.subplots，就不一样了。

fig, ax = plt.subplots(figsize = (a, b))

fig代表绘图窗口(Figure)；ax代表这个绘图窗口上的坐标系(axis)，一般会继续对ax进行操作。

fig, ax = plt.subplots()等价于：
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)

实例1：

fig, ax = plt.subplots(1, 3, 1)

第一个1参数是子图的行数，第二个3参数是子图的列数
第三个1参数是代表第一个子图，如果想要设置子图的宽度和高度可以在函数内加入figsize值。

实例2：

import numpy as np
import matplotlib.pyplot as plt

# 做1*1个子图，等价于"fig, ax = plt.subplot()"，等价于"fig, ax = plt.subplots()"
fig, ax = plt.subplots(1, 1)
ax2 = ax.twinx()  # 让2个子图的x轴一样，同时创建副坐标轴。

# 作y=sin(x)函数
x1 = np.linspace(0, 2 * np.pi, 100)  # 表示在区间[0, 2π]之间取100个点作为横坐标
y1 = np.sin(x1)
ax.plot(x1, y1)

# 作y=cos(x)函数
x2 = np.linspace(0, 2 * np.pi, 100)
y2 = np.cos(x2)
ax2.plot(x2, y2)
plt.show()

在这里插入图片描述

2.plt.subplot()函数解析

plt.subplot()函数用于直接指定划分方式和位置进行绘图。
pylab和pyplot有当前的图形（figure）和当前的轴（axes）的概念，所有的作图命令都是对当前的对象作用。可以通过gca()获得当前的轴（axes），通过gcf()获得当前的图形（figure）。

# 使用plt.subplot来创建小图. plt.subplot(221)表示将整个图像窗口分为2行2列, 当前位置为1.
plt.subplot(221)
# plt.subplot(222)表示将整个图像窗口分为2行2列, 当前位置为2.
plt.subplot(222) # 第一行的右图
# plt.subplot(223)表示将整个图像窗口分为2行2列, 当前位置为3.
plt.subplot(223)
# plt.subplot(224)表示将整个图像窗口分为2行2列, 当前位置为4.
plt.subplot(224)

注意：其中各个参数也可以用逗号，分隔开。第一个参数代表子图的行数；第二个参数代表该行图像的列数；第三个参数代表每行的第几个图像。

'''如果不指定figure()的轴，figure(1)命令默认会被建立，
同样的如果你不指定subplot(numrows,numcols,fignum)的轴，subplot(111)也会自动建立。'''

import matplotlib.pyplot as plt
plt.figure(1) # 创建第一个画板（figure）
plt.subplot(211) # 第一个画板的第一个子图
plt.plot([1, 2, 3])
plt.subplot(212) # 第一个画板的第二个子图
plt.plot([4, 5, 6])
plt.figure(2) # 创建第二个画板
plt.plot([4, 5, 6]) # 默认子图命令是subplot(111)
plt.figure(1) # 调取画板1; subplot(212)仍然被调用中
plt.subplot(211) # 调用subplot(211)
plt.title('Easy as 1, 2, 3') # 做出211的标题

在这里插入图片描述

#创建一个包含4个子图对象的figure，默认生成1个
plt.subplots(2,2,figsize=(16,6),dpi=100)
#返回一个元组,里面包含了figure对象,以及4个子图对象
(<Figure size 1600x600 with 4 Axes>,
 array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000001303D43A2B0>,
         <matplotlib.axes._subplots.AxesSubplot object at 0x000001303D4AABA8>],
        [<matplotlib.axes._subplots.AxesSubplot object at 0x000001303D4DA240>,
         <matplotlib.axes._subplots.AxesSubplot object at 0x000001303D5008D0>]],
       dtype=object))

#选取子图进行绘制，选取第二行的第二个进行绘制
#准备数据
fig,axs = plt.subplots(2,2,figsize=(16,6),dpi=100,sharex=True,sharey=True)
x=[1,2,3,4,5]
y=[0.6,0.8,-0.3,0.2,-0.1]
#选取我们所需的子图我们使用数组索引
axs[1,1].plot(x,y)

在这里插入图片描述

从上图我们可以看出，我们子图和子图之间默认会有一定的间距，我们可以使用subplots_adjust对间距进行调整

subplts_adjust(wspace, hspace)

wspace：宽度百分比：

hspace：高度百分比

#调整子图的间距
plt.subplots_adjust(wspace=0,hspace=0) #消除了子图与子图之间的间距

在这里插入图片描述

模拟股票10分钟变化趋势，使用面向对象进行绘图

使用面向对象绘图有一些基本方法改变：

set_xticks:设置 x轴的刻度

set_yticks:设置 y轴的刻度

set_xticklabes:设置 x轴的刻度标签

set_yticklabes:设置 y轴的刻度标签

set_xlabel:设置 x轴标签

set_ylabe:设置 y轴标签

set_title:设置标题

#创建画布，默认生成一个
fig,ax = plt.subplots(figsize=(16,6),dpi=100)

#面向对象进行画图
ax.plot(x,y,color='r',linestyle='--',marker='o',label='A')
ax.plot(x,y_B,color='b',marker='D',label='B')

#显示图例，默认是best
ax.legend()

#添加网格
ax.grid(linestyle='--',alpha=1)

#添加标题
ax.set_title('股票10分中的涨幅')

#设置轴的标签
ax.set_xlabel('时间')
ax.set_ylabel('涨幅')

#设置刻度值
ax.set_xticks(x)
#设置刻度值标签
ax.set_xticklabels(x_ticks_label)

#释放figure资源，输出图像
plt.show()

在这里插入图片描述

绘制子图

#创建一个2*1的画布
fig,axs = plt.subplots(2,1,figsize=(16,6),dpi=100,sharex=True)

#多个子图进行绘图的时候，我们需要选择我们绘图区(axes)
#选择第一个axes
axs[0].plot(x,y,color='r',linestyle='--',marker='o',label='A')
#选择第二个axes
axs[1].plot(x,y_B,color='b',marker='D',label='B')

axs[0].legend()
axs[1].legend()

axs[0].grid(linestyle='--',alpha=1)
axs[1].grid(linestyle='--',alpha=1)

axs[0].set_title('A股票10分中的涨幅')
axs[1].set_title('B股票10分中的涨幅')

axs[0].set_xlabel('时间')
axs[1].set_xlabel('时间')

axs[0].set_ylabel('涨幅')
axs[1].set_ylabel('涨幅')  

#在创建画布的时候，设置了sharex=True，所有的子图共享x轴刻度
axs[0].set_xticks(x)
axs[0].set_xticklabels(x_ticks_label)

plt.show()

在这里插入图片描述

Maverick_曲流觞

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
matplotlib的一些图的表示方法

可以很直观的反应出数据的变化趋势，反应事物的变化情况应用场景：适合二维的大数据集，还适合多个二维数据集的比较模拟股票10分钟的变化趋势画出股票趋势图设置刻度标签，设置刻度值x:显示的刻度值y:显示的刻度值设置轴标签，标题设置颜色，标记和线类型显示图例可能我们在一个绘图区，需要绘制多个图形，多次plot就可以解决。
复制链接

扫一扫