一、matplotlib简介
1、介绍
matplotlib是一个功能强大的Python绘图库，用于创建各种类型的图形和可视化数据。它提供了广泛的绘图功能和灵活的配置选项，可以满足不同需求下的数据可视化需求。
2、主要特点
matplotlib的主要特点包括：
简单易用：matplotlib的API设计简单直观，使用起来非常方便。它的语法和Matlab绘图库相似，对于熟悉Matlab的用户来说更容易上手。
多种图形类型：matplotlib支持多种类型的图形，包括折线图、散点图、柱状图、饼图、直方图、箱线图、热力图等。用户可以根据数据类型和需求选择合适的图形类型。
高度可定制：matplotlib提供了丰富的配置选项，用户可以自定义图形的样式、颜色、标签、标题、轴标签等。通过配置选项，可以灵活地调整图形的外观和布局，以满足个性化的需求。
支持多种输出格式：matplotlib可以将图形输出为多种格式，包括图片文件（如PNG、JPEG）、PDF、SVG等。用户可以根据需要选择合适的输出格式，方便地将图形用于报告、文档或网页中。
丰富的扩展库：matplotlib生态系统非常丰富，有许多扩展库可以与之配合使用，如Seaborn、Pandas等。这些扩展库提供了更高级的绘图功能和更方便的数据处理工具，进一步提升了matplotlib的使用体验和效果。
总之，matplotlib是一个功能强大且灵活的Python绘图库，适用于各种数据可视化需求。无论是初学者还是专业人士，都可以通过matplotlib轻松地创建出精美的图形，并更好地理解和分析数据。
3、matplotlib库可以实现多种类型的图形，包括但不限于以下几种：
折线图（Line Plot）：用于显示连续数据的趋势和变化。
散点图（Scatter Plot）：用于显示两个变量之间的关系和分布。
柱状图（Bar Plot）：用于比较不同类别或组之间的数值。
条形图（Barh Plot）：用于水平展示柱状图。
饼图（Pie Chart）：用于显示数据的相对比例和占比。
直方图（Histogram）：用于显示数据的分布情况。
箱线图（Box Plot）：用于显示数据的分散情况和异常值。
热力图（Heatmap）：用于显示数据的矩阵关系。
3D图形（3D Plots）：包括3D散点图、3D曲面图等。
等高线图（Contour Plot）：用于显示二维数据的等高线。
极坐标图（Polar Plot）：用于显示数据在极坐标系下的分布。
简单地理图（Simple Maps）：用于显示地理数据的简单地图。
除了上述常见的图形类型，matplotlib库还提供了许多其他类型的图形，同时也支持自定义图形的样式、颜色、标签等。通过使用matplotlib库，可以根据具体的需求和数据类型选择合适的图形类型，并灵活地进行定制和配置，以实现所需的数据可视化效果。
4、基本属性设置
matplotlib库提供了丰富的属性设置，用于自定义图形的样式和外观。以下是常用的属性设置：
颜色设置：
color：设置图形的颜色，可以使用预定义的颜色名称（如'red'、'blue'等），也可以使用RGB值或十六进制颜色码。
edgecolor：设置图形边缘的颜色。
facecolor：设置图形内部的填充颜色。
线型设置：
linestyle：设置线条的样式，如实线、虚线等。
linewidth：设置线条的宽度。
标记设置：
marker：设置标记的样式，如圆圈、方形等。
markersize：设置标记的大小。
文本设置：
fontsize：设置文本的字体大小。
fontweight：设置文本的字体粗细。
fontfamily：设置文本的字体族。
图例设置：
legend：设置图例的位置和样式。
label：设置图例的标签。
坐标轴设置：
xlabel：设置x轴的标签。
ylabel：设置y轴的标签。
xticks：设置x轴刻度的位置和标签。
yticks：设置y轴刻度的位置和标签。
图形大小和边距设置：
figsize：设置图形的大小。
dpi：设置图形的分辨率。
tight_layout：自动调整子图的布局，使其适应图形大小。
以上只是一些常用的属性设置，matplotlib还提供了更多的属性和方法，用于进一步自定义图形的样式和外观。可以通过查阅matplotlib的官方文档来获取更详细的信息。
（1）颜色设置：
在matplotlib中，可以使用RGB值或十六进制颜色码来设置图形的颜色。以下是一些常用的颜色的RGB值和十六进制颜色码：
预定义颜色名称：
'red'：红色
'blue'：蓝色
'green'：绿色
'yellow'：黄色
'orange'：橙色
'purple'：紫色
'brown'：棕色
'gray'：灰色
'black'：黑色
'white'：白色
RGB值：
(1, 0, 0)：红色
(0, 0, 1)：蓝色
(0, 1, 0)：绿色
(1, 1, 0)：黄色
(1, 0.5, 0)：橙色
(0.5, 0, 0.5)：紫色
(0.6, 0.4, 0.2)：棕色
(0.5, 0.5, 0.5)：灰色
(0, 0, 0)：黑色
(1, 1, 1)：白色
十六进制颜色码：
'#FF0000'：红色
'#0000FF'：蓝色
'#00FF00'：绿色
'#FFFF00'：黄色
'#FFA500'：橙色
'#800080'：紫色
'#996633'：棕色
'#808080'：灰色
'#000000'：黑色
'#FFFFFF'：白色
可以根据需要选择合适的颜色来设置图形的外观。
（2）线型设置：
linestyle属性用于设置线条的样式，可以通过以下属性值来设置线条的样式：
实线样式：
'-'：实线
'solid'：实线
虚线样式：
'--'：破折线
'dashed'：破折线
点线样式：
':'：点线
'dotted'：点线
点划线样式：
'-.'：点划线
'dashdot'：点划线
除了上述属性值外，还可以使用自定义的线型设置，例如使用一个由线段长度和间隔长度组成的元组来表示虚线的样式，如(10, 5)表示线段长度为10，间隔长度为5的虚线。
示例代码：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, linestyle='-', color='blue') # 使用实线样式
plt.plot(x, y, linestyle='--', color='red') # 使用虚线样式
plt.plot(x, y, linestyle=':', color='green') # 使用点线样式
plt.plot(x, y, linestyle='-.', color='purple') # 使用点划线样式
plt.plot(x, y, linestyle=(10, 5), color='orange') # 使用自定义虚线样式
plt.show()
（3）标记设置：
marker属性用于设置数据点的标记样式，可以通过以下属性值来设置标记的样式：
点样式：
'.'：小圆点
'o'：实心圆点
'v'：下三角形
'^'：上三角形
'<'：左三角形
'>'：右三角形
'1'：下指针
'2'：上指针
'3'：左指针
'4'：右指针
's'：正方形
'p'：五边形
'*'：星形
'h'：六边形1
'H'：六边形2
'+'：加号
'x'：叉号
'D'：菱形
'd'：瘦菱形
'|'：垂直线
'_'：水平线
自定义标记样式：
使用元组 (marker, size) 来自定义标记样式，其中 marker 表示标记的形状，size 表示标记的大小。
示例代码：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, marker='.', linestyle='-', color='blue') # 使用小圆点作为标记
plt.plot(x, y, marker='o', linestyle='-', color='red') # 使用实心圆点作为标记
plt.plot(x, y, marker='v', linestyle='-', color='green') # 使用下三角形作为标记
plt.plot(x, y, marker='^', linestyle='-', color='purple') # 使用上三角形作为标记
plt.plot(x, y, marker='s', linestyle='-', color='orange') # 使用正方形作为标记
plt.plot(x, y, marker=('D', 8), linestyle='-', color='black') # 使用自定义标记样式
plt.show()
运行上述代码将会绘制出不同样式的标记点。
（4）文本设置：
文本设置属性用于设置文本的样式和属性，可以通过以下属性来设置文本的样式：
fontfamily：设置文本的字体族（如 'serif'、'sans-serif'、'cursive'、'fantasy'、'monospace'等）。
fontsize：设置文本的字体大小（如 'large'、'x-large'、'smaller'、'larger'等）。
fontweight：设置文本的字体粗细（如 'normal'、'bold'、'light'、'heavy'等）。
fontstyle：设置文本的字体风格（如 'normal'、'italic'、'oblique'等）。
color：设置文本的颜色（如 'red'、'blue'、'green'等）。
backgroundcolor：设置文本的背景颜色（如 'yellow'、'lightblue'、'pink'等）。
horizontalalignment：设置文本的水平对齐方式（如 'left'、'center'、'right'等）。
verticalalignment：设置文本的垂直对齐方式（如 'top'、'center'、'bottom'等）。
rotation：设置文本的旋转角度。
bbox：设置文本的边框样式和属性（如边框颜色、边框粗细等）。
示例代码：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y)
plt.text(2, 10, 'Sample Text', fontfamily='serif', fontsize='x-large', fontweight='bold',
fontstyle='italic', color='red', backgroundcolor='yellow',
horizontalalignment='center', verticalalignment='center',
rotation=45, bbox=dict(facecolor='lightblue', edgecolor='blue', linewidth=2))
plt.show()
运行上述代码将会绘制出一条曲线和一个带有样式设置的文本。
（5）图例设置：
图例设置属性用于设置图例的样式和属性，可以通过以下属性来设置图例的样式：
loc：设置图例的位置（如 'upper right'、'lower left'、'center'等）。
bbox_to_anchor：设置图例的位置，以坐标轴为参考点进行设置。
title：设置图例的标题。
fontsize：设置图例的字体大小。
frameon：设置图例是否显示边框。
framealpha：设置图例边框的透明度。
ncol：设置图例的列数。
markerscale：设置图例标记的缩放比例。
title_fontsize：设置图例标题的字体大小。
shadow：设置图例是否显示阴影。
示例代码：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [1, 2, 3, 4, 5]
plt.plot(x, y1, label='Line 1')
plt.plot(x, y2, label='Line 2')
plt.legend(loc='upper right', title='Legend', fontsize='large', frameon=True, framealpha=0.8,
ncol=2, markerscale=1.5, title_fontsize='x-large', shadow=True)
plt.show()
运行上述代码将会绘制出两条曲线和一个带有样式设置的图例。
（6）坐标轴设置：
坐标轴设置属性用于设置坐标轴的样式和属性，可以通过以下属性来设置坐标轴的样式：
xlabel：设置 x 轴的标签。
ylabel：设置 y 轴的标签。
xlim：设置 x 轴的显示范围。
ylim：设置 y 轴的显示范围。
xticks：设置 x 轴的刻度值。
yticks：设置 y 轴的刻度值。
xscale：设置 x 轴的刻度缩放（如 'linear'、'log'、'symlog'等）。
yscale：设置 y 轴的刻度缩放（如 'linear'、'log'、'symlog'等）。
grid：设置是否显示坐标轴网格线。
gridcolor：设置坐标轴网格线的颜色。
gridlinestyle：设置坐标轴网格线的样式。
gridlinewidth：设置坐标轴网格线的宽度。
tick_params：设置刻度线的样式和属性（如刻度线的长度、宽度、颜色等）。
示例代码：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y)
plt.xlabel('X-axis', fontsize='large')
plt.ylabel('Y-axis', fontsize='large')
plt.xlim(0, 6)
plt.ylim(0, 30)
plt.xticks([1, 2, 3, 4, 5], ['A', 'B', 'C', 'D', 'E'], rotation=45)
plt.yticks([0, 10, 20, 30], ['0', '10', '20', '30'])
plt.xscale('linear')
plt.yscale('linear')
plt.grid(True, color='gray', linestyle='--', linewidth=0.5)
plt.tick_params(axis='both', which='both', length=5, width=1, color='black')
plt.show()
运行上述代码将会绘制出一条曲线，并设置了坐标轴的样式和属性。
二、matplotlib实战
1、折线图的实现
简介：
折线图（Line plot）是一种用于展示数据随着时间、顺序或其他连续变量的变化趋势的图表。它通过连接数据点的线段来显示数据的变化情况，可以帮助我们观察和分析数据的趋势、周期性和关联性。
折线图的主要特点和作用如下：
变化趋势观察：折线图可以显示数据随时间或其他连续变量的变化趋势，帮助我们观察和分析数据的增长、下降、波动等情况。
周期性分析：对于具有周期性的数据，折线图可以清晰地展示数据的周期性变化，如季节性变化、周期性波动等。
关联性分析：当有多组相关数据时，可以通过绘制多条折线来比较它们之间的关联性和趋势，从而观察它们的相似性或差异性。
异常值检测：折线图可以帮助我们发现数据中的异常值，即与其他数据点相比较为异常的数值。
数据预测和预测模型评估：通过观察折线图的趋势，我们可以对未来的数据进行预测，并评估预测模型的准确性和可靠性。
数据可视化：折线图是一种直观、简洁的方式来展示数据的变化趋势，可以用于报告、演示和与他人分享数据。
折线图通常在时间序列分析、趋势分析、市场分析、科学实验等领域广泛应用。通过观察和分析折线图，我们可以更好地理解数据的变化情况，进而做出更准确的决策和预测。
（1）简单折线图（基本每行代码都有注解，大家可以参考，实现方式多种多样）
import matplotlib.pyplot as plt
import numpy as np
# x,y轴的数据生成
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 创建图形和坐标轴(plt.figure(figsize=(12, 4)),设置了图形的大小为宽度为12英寸，高度为4英寸)
fig, ax = plt.subplots(figsize=(12, 4))
# 绘制曲线，设置y轴标签和曲线颜色
ax.plot(x, y, label='sin(x)',color='red')
# 添加标题和标签
ax.set_title('Sine Wave')
ax.set_xlabel('x')
ax.set_ylabel('sin(x)')
# 添加图例
ax.legend()
# 保存图形
plt.savefig('line_plot.png')
# 显示图形
plt.show()
结果如下所示：
（2）多条折线图
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题
fig, ax = plt.subplots(figsize=(12, 4),dpi=80)
x = ['第一季度','第二季度','第三季度','第四季度']
y1 = [288,197,456,210]
y2 = [110,256,376,121]
y3 = [260,356,277,300]
plt.plot(x, y1, label = 'Line1',marker='o')
plt.plot(x, y2, label = 'Line2', marker='*')
plt.plot(x, y3, label = 'Line3',marker='^')
plt.show()
结果如下：
（3）循环实现多条折线图
import matplotlib.pyplot as plt
# 定义数据
x = [1, 2, 3, 4, 5]
y_list = [[1, 4, 9, 16, 25], [1, 2, 3, 4, 5], [5, 4, 3, 2, 1]]
y_marker = ['*','o','^']
# 创建画布
plt.figure(figsize=(8, 4), dpi=100)
# 循环绘制每一条折线图
for i in range(len(y_list)):
plt.plot(x, y_list[i],marker=y_marker[i])
# 显示图形
plt.show()
结果如下：
（4）实现不连续的折线图
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, linestyle='--')
plt.show()
结果如下：
（5）区域填充的折线图
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y)
plt.fill_between(x, y, color='gray', alpha=0.5)
plt.show()
结果如下：
#绘制折线图
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #正常显示负号
year = [2017, 2018, 2019, 2020]
people = [20, 40, 60, 70]
#生成图表
plt.plot(year, people)
plt.xlabel('年份')
plt.ylabel('人口')
plt.title('人口增长')
#设置纵坐标刻度
plt.yticks([0, 20, 40, 60, 80])
#设置填充选项：参数分别对应横坐标，纵坐标，纵坐标填充起始值，填充颜色
plt.fill_between(year, people, 20, color = 'green')
#显示图表
plt.show()
结果如下：
到这里折线图的介绍基本结束，大家可以根据不同属性进行不同折线图的实现。
2、柱状图的实现
简介：
柱状图（Bar chart）是一种用于展示不同类别或组之间数量或频率比较的图表。它通过绘制垂直或水平的矩形柱来表示数据，柱的高度表示数据的大小，可以帮助我们直观地比较不同类别或组之间的差异。
柱状图的主要特点和作用如下：
数据比较：柱状图可以清晰地显示不同类别或组之间的数量或频率差异，帮助我们比较和分析数据的大小、趋势和关系。
类别分布观察：通过柱状图，我们可以观察和分析不同类别或组的数据分布情况，了解每个类别或组的相对大小和比例。
异常值检测：柱状图可以帮助我们发现数据中的异常值，即与其他类别或组相比较为异常的数值。
排序和排序比较：通过对柱状图进行排序，我们可以更好地理解数据的排序情况，并比较不同类别或组之间的排序差异。
数据可视化：柱状图是一种直观、简洁的方式来展示数据的比较和分布情况，可以用于报告、演示和与他人分享数据。
柱状图常用于市场调研、销售分析、统计报告、民意调查等领域。通过观察和分析柱状图，我们可以更好地理解数据的差异和趋势，有助于做出更准确的决策和预测。
（1）简单柱状图
import matplotlib.pyplot as plt
x = ['A', 'B', 'C', 'D']
y = [10, 15, 7, 12]
plt.bar(x, y)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('基本柱状图')
plt.show()
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 0.准备数据
# 电影名字
movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']
# 横坐标
x = range(len(movie_name))
# 票房数据
y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制柱状图
plt.bar(x, y, width=0.5, color=['b','r','g','y','c','m','y','k','c','g','b'])
# 2.1b修改x轴的刻度显示
plt.xticks(x, movie_name)
# 2.2 添加网格显示
plt.grid(linestyle="--", alpha=0.5)
# 2.3 添加标题
plt.title("电影票房收入对比")
# 3.显示图像
plt.show()
（2）多个柱状图
import numpy as np
import matplotlib.pyplot as plt
x = ['A', 'B', 'C', 'D']
y1 = [10, 15, 7, 12]
y2 = [8, 11, 9, 14]
width = 0.35
x_indexes = np.arange(len(x))
plt.bar(x_indexes - width/2, y1, width=width, label='柱状图1')
plt.bar(x_indexes + width/2, y2, width=width, label='柱状图2')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('多个柱状图')
plt.xticks(x_indexes, x)
plt.legend()
plt.show()
（3）堆叠柱状图：
import numpy as np
import matplotlib.pyplot as plt
x = ['A', 'B', 'C', 'D']
y1 = [10, 15, 7, 12]
y2 = [8, 11, 9, 14]
x_indexes = np.arange(len(x))
plt.bar(x_indexes, y1, label='柱状图1')
plt.bar(x_indexes, y2, bottom=y1, label='柱状图2')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('堆叠柱状图')
plt.xticks(x_indexes, x)
plt.legend()
plt.show()
（4）水平柱状图：
import matplotlib.pyplot as plt
y = ['A', 'B', 'C', 'D']
x = [10, 15, 7, 12]
plt.barh(y, x)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('水平柱状图')
plt.show()
（5）带误差线的柱状图：
import matplotlib.pyplot as plt
import numpy as np
# 柱形图误差线
# 1. 生成数据
np.random.seed(20230811)
x = np.arange(10)
y = np.random.randint(20, 100, 10)
yerr = np.random.randint(3, 10, 10)
# 2. 创建画布
fig = plt.figure(figsize=(6, 4), dpi=100)
ax = fig.add_subplot(111)
# 3. 绘制柱形图
ax.bar(x, y, width=0.5, color='C0', yerr=yerr, capsize=5)
# 4. 设置样式
ax.grid(axis='y', linestyle='--')
ax.set_axisbelow(True)
ax.spines[['right', 'top']].set_color('C7')
plt.show()
3、饼状图的实现
简介：
饼图（Pie chart）是一种用于展示不同类别或组之间数量或比例关系的图表。它通过绘制一个圆形，将圆形划分为不同扇形区域，每个扇形区域的角度大小表示该类别或组的比例或百分比。
饼图的主要特点和作用如下：
比例展示：饼图可以直观地展示不同类别或组之间的比例关系，通过扇形区域的大小来表示每个类别或组的占比。
百分比分布观察：通过饼图，我们可以观察和分析不同类别或组的百分比分布情况，了解每个类别或组的相对大小和比例。
类别占比比较：饼图可以帮助我们比较不同类别或组之间的占比差异，从而更好地理解数据的分布情况。
强调重点：通过调整饼图中某个扇形区域的大小，可以突出某个类别或组的重要性或特殊性。
数据可视化：饼图是一种直观、简洁的方式来展示数据的比例和分布情况，可以用于报告、演示和与他人分享数据。
饼图常用于市场份额分析、调查结果展示、资源分配比例等领域。通过观察和分析饼图，我们可以更好地理解数据的比例关系，有助于做出更准确的决策和预测。需要注意的是，饼图适用于展示相对比例或百分比的数据，不适合展示大量类别或组之间的细节差异。
（1）基础实心饼状图
import matplotlib.pyplot as plt
plt.figure(figsize=(6,3), dpi=100)
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
plt.pie(sizes, labels=labels, shadow=True)
plt.axis('equal')
plt.legend()
plt.show()
（2）加强版实心饼状图
import matplotlib.pyplot as plt
# 设置字体以便支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 设置图片大小和分辨率
plt.figure(figsize=(6,3), dpi=100)
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
#突出显示某一块
explode = (0, 0.1, 0, 0)
#设置颜色
colors = ['red', 'green', 'blue', 'yellow']
# autopct='%1.1f%%', shadow=True:显示占比和图形阴影
plt.pie(sizes, labels=labels,explode=explode , colors=colors,autopct='%1.1f%%', shadow=True)
#axis 是一个用于控制图形坐标轴显示和范围的重要属性：
plt.axis('equal')
plt.title('占比图')
plt.legend()
plt.show()
（3）加强版环状饼状图
import matplotlib as mpl
import matplotlib.pyplot as plt
# 配置字体，显示中文
mpl.rcParams['font.sans-serif'] = ['SimHei']
# 配置坐标轴刻度值模式，显示负号
mpl.rcParams['axes.unicode_minus'] = False
# 定义数据
elements = ['面粉', '砂糖', '牛奶', '草莓酱', '坚果']
weight1 = [40, 15, 20, 10, 15]
cs = ['red', 'orange', 'yellow', 'green', 'cyan']
# 对数据进行排序
x = list(zip(elements, weight1, cs))
x.sort(key=lambda e: e[1], reverse=True)
[elements, weight1, cs] = list(zip(*x))
outer_cs = cs
inner_cs = cs
# 初始化图表区
fig = plt.figure(figsize=(12, 8),facecolor='cornsilk')
# 绘制外层圆环
wedges1, texts1, autotexts1 = plt.pie(x=weight1,
autopct='%3.1f%%',
radius=1,
pctdistance=0.85,
startangle=90,
counterclock=False,
colors=outer_cs,
# 锲形块边界属性字典
wedgeprops={'edgecolor': 'white',
'linewidth': 1,
'linestyle': '-'
},
# 锲形块标签文本和数据标注文本的字体属性
textprops=dict(color='k', # 字体颜色
fontsize=14,
family='Arial' ) )
# 绘制中心空白区域
plt.pie(x=[1],
radius=0.6,
colors=[fig.get_facecolor()]
)
# 设置图例
plt.legend(handles=wedges1,
loc='best',
labels=elements,
title='配料表',
facecolor = fig.get_facecolor(), # 图例框的填充颜色
edgecolor='darkgray',
fontsize=12
)
plt.title(label='果酱面包的配料表占比',
color='blue',
size=15,
weight='bold'
);
（4）加强版环中环状饼状图
# 配置字体，显示中文
mpl.rcParams['font.sans-serif'] = ['SimHei']
# 配置坐标轴刻度值模式，显示负号
mpl.rcParams['axes.unicode_minus'] = False
# 定义数据
elements = ['面粉', '砂糖', '牛奶', '草莓酱', '坚果']
weight1 = [40, 15, 20, 10, 15]
weight2 = [30, 25, 15, 20, 10]
cs = ['red', 'orange', 'yellow', 'green', 'cyan']
# 对数据进行排序
x = list(zip(elements, weight1, weight2, cs))
x.sort(key=lambda e: e[1], reverse=True)
[elements, weight1, weight2, cs] = list(zip(*x))
# 初始化图表区
fig = plt.figure(figsize=(12, 8),
facecolor='cornsilk'
)
# 绘制外层圆环
wedges1, texts1, autotexts1 = plt.pie(x=weight1,
autopct='%3.1f%%',
radius=1,
pctdistance=0.85,
startangle=90,
counterclock=False,
colors=cs,
# 锲形块边界属性字典
wedgeprops={'edgecolor': 'white',
'linewidth': 1,
'linestyle': '-'
},
# 锲形块标签文本和数据标注文本的字体属性
textprops=dict(color='k', # 字体颜色
fontsize=14,
family='Arial'
))
# 绘制内层圆环
wedges2, texts2, autotexts2 = plt.pie(x=weight2,
autopct='%3.1f%%',
radius=0.7,
pctdistance=0.75,
startangle=90,
counterclock=False,
colors=inner_cs,
# 锲形块边界属性字典
wedgeprops={'edgecolor': 'white',
'linewidth': 1,
'linestyle': '-'
},
# 锲形块标签文本和数据标注文本的字体属性
textprops=dict(color='k', # 字体颜色
fontsize=14,
family='Arial'
))
# 绘制中心空白区域
plt.pie(x=[1],
radius=0.4,
colors=[fig.get_facecolor()]
)
# 设置图例
plt.legend(handles=wedges1,
loc='best',
labels=elements,
title='配料表',
facecolor = fig.get_facecolor(), # 图例框的填充颜色
edgecolor='darkgray',
fontsize=12
)
plt.title(label='不同果酱面包的配料表比较',
color='blue',
size=15,
weight='bold'
);
（5）综合饼状图
from matplotlib import font_manager as fm
from matplotlib import cm
import pandas as pd
shapes = ['Cross', 'Cone', 'Egg', 'Teardrop', 'Chevron', 'Diamond', 'Cylinder',
'Rectangle', 'Flash', 'Cigar', 'Changing', 'Formation', 'Oval', 'Disk',
'Sphere', 'Fireball', 'Triangle', 'Circle', 'Light']
values = [ 287, 383, 842, 866, 1187, 1405, 1495, 1620, 1717,
2313, 2378, 3070, 4332, 5841, 6482, 7785, 9358, 9818, 20254]
s = pd.Series(values, index=shapes)
labels = s.index
sizes = s.values
explode = (0.1,0,0,0,0,0,0,0,0,0,0,0,0,0.2,0,0,0,0.1,0) # "explode" ， show the selected slice
fig, axes = plt.subplots(figsize=(8,5),ncols=2,dpi=100) # 设置绘图区域大小
ax1, ax2 = axes.ravel()
colors = cm.rainbow(np.arange(len(sizes))/len(sizes)) # colormaps: Paired, autumn, rainbow, gray,spring,Darks
patches, texts, autotexts = ax1.pie(sizes, labels=labels, autopct='%1.0f%%',explode=explode,
shadow=False, startangle=170, colors=colors, labeldistance=1.2,pctdistance=1.03, radius=0.4)
# labeldistance: 控制labels显示的位置
# pctdistance: 控制百分比显示的位置
# radius: 控制切片突出的距离
ax1.axis('equal')
# 重新设置字体大小
proptease = fm.FontProperties()
proptease.set_size('xx-small')
# font size include: ‘xx-small’,x-small’,'small’,'medium’,‘large’,‘x-large’,‘xx-large’ or number, e.g. '12'
plt.setp(autotexts, fontproperties=proptease)
plt.setp(texts, fontproperties=proptease)
ax1.set_title('Shapes', loc='center')
# ax2 只显示图例（legend）
ax2.axis('off')
ax2.legend(patches, labels, loc='center left')
plt.tight_layout()
# plt.savefig("pie_shape_ufo.png", bbox_inches='tight')
plt.savefig('Demo_project_final.jpg')
plt.show()
4、箱型图的实现
简介：https://www.yingsoo.com/news/devops/44361.html
箱型图（Boxplot）是一种用于可视化数据分布和离群值的统计图表。它展示了数据的中位数、四分位数、上下边界和离群值，可以帮助我们了解数据的集中趋势、离散程度和异常值情况。
箱型图的主要组成部分如下：
箱体（Box）：由数据的四分位数（上四分位数和下四分位数）组成，箱体的长度表示数据的离散程度。
中位数线（Median）：表示数据的中位数，即将数据从小到大排列后的中间值。
上边界（Upper Whisker）和下边界（Lower Whisker）：表示数据的上四分位数和下四分位数之外的边界值。
离群值（Outliers）：超过上边界和下边界的数据点，被认为是异常值。
箱型图的作用包括：
数据分布观察：箱型图可以帮助我们了解数据的分布情况，包括数据的中位数、四分位数、离散程度等。
离群值检测：箱型图可以帮助我们识别数据中的离群值，即与其他数据点相比较为异常的数值。
数据比较：通过绘制不同组数据的箱型图，可以直观地比较它们的中位数、四分位数和离散程度，从而了解它们之间的差异。
数据可视化：箱型图是一种简洁而有效的方式来展示数据的统计特征，可以用于报告和演示。
通过观察箱型图，我们可以获得关于数据集的重要信息，从而更好地理解和分析数据。
（1）简单箱型图
import matplotlib.pyplot as plt
import numpy as np
data1 = np.random.randn(100)
data2 = np.random.randn(100)
data3 = np.random.randn(100)
data = [data1, data2, data3]
labels = ['Group 1', 'Group 2', 'Group 3']
colors = [1, 0, 0.5]
plt.boxplot(data, labels=labels, vert=True, patch_artist=True, boxprops=dict(facecolor=colors))
plt.show()
（2）小提琴版箱型图
import matplotlib.pyplot as plt
import numpy as np
import matplotlib
"""
font:设置中文
unicode_minus:显示负号
"""
matplotlib.rcParams['font.family'] = ['Heiti TC']
matplotlib.rcParams['axes.unicode_minus']=False # 正常显示负号
"""
设置随机数生成器的种子,使每次生成的随机数相同方便后续的复现
"""
np.random.seed(19900108)
"""
生成随机数data
numpy.random.normal()函数来创建一组基于正态分布的随机数据，该函数有三个参数，分别是正态分布的平均值、标准差以及期望值的数量
"""
data = np.random.normal(70, 40, 1000)
fig,axes=plt.subplots(1,2,figsize=(16,9))
#绘制箱型图
axes[0].boxplot(data)
axes[0].set_title("箱型图")
#绘制小提琴图
axes[1].violinplot(data,showmeans=True, showmedians=True)
axes[1].set_title("小提琴图")
plt.show()
（3）不同形状箱型图
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data = np.random.randn(100)
# 绘制带有缺口的箱线图
plt.boxplot(data, notch=True)
# 添加标签和标题
plt.xlabel('Data')
plt.ylabel('Values')
plt.title('Box Plot with Notch')
# 显示图表
plt.show()
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data = np.random.randn(100)
outliers = [2.5, -3.8, 3.2] # 自定义异常值
# 绘制箱线图并自定义异常值样式
plt.boxplot(data, flierprops={'marker': 'x', 'markerfacecolor': 'red', 'markersize': 8, 'linestyle': 'none'},
notch=True, showfliers=True)
# 添加自定义异常值
plt.scatter(np.full(len(outliers), 1), outliers, marker='x', color='red')
# 添加标签和标题
plt.xlabel('Data')
plt.ylabel('Values')
plt.title('Box Plot with Custom Outliers')
# 显示图表
plt.show()
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data = np.random.randn(100)
# 绘制箱线图并自定义箱子样式
plt.boxplot(data, boxprops={'color': 'green', 'linewidth': 2, 'linestyle': '--'},
notch=True, showfliers=True)
# 添加标签和标题
plt.xlabel('Data')
plt.ylabel('Values')
plt.title('Box Plot with Custom Box Style')
# 显示图表
plt.show()
5、热力图的实现
简介：
热力图（Heatmap）是一种二维图表，通过使用颜色编码来表示数据的矩阵或表格中的值。热力图通常使用渐变色来展示数据的相对大小，较小的值使用较浅的颜色，较大的值使用较深的颜色。热力图可以直观地显示数据的分布和模式，帮助我们发现数据中的关联性和规律。
热力图的作用主要有以下几个方面：
可视化数据分布：热力图可以将数据的分布以直观的方式展示出来。通过观察颜色的变化，我们可以快速了解数据的整体分布情况，包括数据的集中程度、离散程度和梯度变化。
发现关联性和规律：热力图可以帮助我们发现数据中的关联性和规律。通过对比不同数据点之间的颜色差异，我们可以判断数据之间的相关性和趋势。例如，在生物学研究中，热力图可以用于显示基因表达水平的相关性。
强调重要信息：热力图可以突出显示数据中的重要信息。通过调整颜色映射和颜色条的设置，我们可以将感兴趣的数据区域或特定数值范围的数据突出显示，从而更加准确地传达数据的含义。
可视化矩阵数据：热力图特别适用于可视化矩阵或表格数据。通过将矩阵数据映射到热力图的颜色空间，我们可以更好地理解数据的结构和模式。
总之，热力图是一种直观、有效的数据可视化工具，可以帮助我们理解数据的分布、发现关联性和规律，并突出显示重要信息。它在各个领域的数据分析、探索和展示中都有广泛的应用。
（1）简单热力图
import matplotlib.pyplot as plt
import numpy as np
plt.figure(figsize=(10,6), dpi=100)
vegetables = ["cucumber", "tomato", "lettuce", "asparagus",
"potato", "wheat", "barley"]
farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening",
"Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."]
harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
[2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
[1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
[0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
[0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
[1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
[0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])
plt.xticks(np.arange(len(farmers)), labels=farmers,
rotation=45, rotation_mode="anchor", ha="right")
plt.yticks(np.arange(len(vegetables)), labels=vegetables)
plt.title("Harvest of local farmers (in tons/year)")
for i in range(len(vegetables)):
for j in range(len(farmers)):
text = plt.text(j, i, harvest[i, j], ha="center", va="center", color="w")
plt.imshow(harvest)
plt.colorbar()
plt.tight_layout()
plt.show()
（2）热力图
from matplotlib import pyplot as plt
import numpy as np
def draw():
# 定义热图的横纵坐标
xLabel = ['0.1', '0.3', '0.5', '0.7', '0.9', '1']
yLabel = ['0.001', '0.01', '0.1', '1']
# 准备数据阶段
data = np.array([[0.9095, 0.9187, 0.9205, 0.9264, 0.9261, 0.9127], [0.9130, 0.9106, 0.9240, 0.9322, 0.9285, 0.9138],
[0.8857, 0.8851, 0.8880, 0.8936, 0.8867, 0.9147],
[0.9181, 0.9217, 0.9308, 0.9355, 0.9377, 0.9104]])
# 作图阶段
fig, ax = plt.subplots(figsize=(10,6), dpi=100)
# 定义横纵坐标的刻度
ax.set_yticks(range(len(yLabel)))
ax.set_yticklabels(yLabel)
ax.set_xticks(range(len(xLabel)))
ax.set_xticklabels(xLabel)
# 作图并选择热图的颜色填充风格，这里选择yLGn
im = ax.imshow(data, cmap="YlGn")
# 增加右侧的颜色刻度条
plt.colorbar(im)
# 填充数字
for i in range(len(yLabel)):
for j in range(len(xLabel)):
#print('data[{},{}]:{}'.format(i, j, data[i, j]))
ax.text(j, i, data[i, j],
ha="center", va="center", color="black")
# 增加标题
plt.title("AUC values", fontdict={'size': 16})
plt.xlabel(r'$\beta$', fontdict={'size': 16})
plt.ylabel(r'$\gamma$', rotation=0, fontdict={'size': 16})
# show
fig.tight_layout()
plt.show()
d = draw()
6、直方图的实现
简介：
直方图（Histogram）是一种用于展示数据分布的统计图表。它将数据划分为若干个等宽的区间（也称为“箱子”或“柱子”），并统计每个区间内数据的频数或频率。直方图通过绘制矩形条来表示每个区间内数据的数量或频率，矩形条的高度表示数据的频数或频率。
直方图的作用主要有以下几个方面：
描述数据分布：直方图可以直观地展示数据的分布情况。通过观察直方图的形状、峰度和偏态，我们可以了解数据的中心趋势、离散程度和数据的偏向性。
检测数据异常和离群值：直方图可以帮助我们检测数据中的异常值和离群值。异常值是指与其他观测值明显不同的极端数值。在直方图中，异常值通常表现为与其他柱子明显不同高度的柱子。
比较不同组的数据：通过将多个直方图放在一起，我们可以直观地比较不同组的数据分布情况。这对于探索不同类别或组之间的差异非常有用。
确定数据分布的特征：直方图可以帮助我们确定数据的分布特征，例如是否符合正态分布、是否存在多峰分布等。这对于选择适当的统计方法和模型具有重要意义。
数据预处理：直方图可以帮助我们进行数据预处理，例如确定数据的分箱方式、选择合适的数据转换方法等。
总之，直方图是一种简单而常用的数据可视化工具，可以帮助我们了解数据的分布特征、检测异常值和离群值，并进行数据比较和预处理。它在数据分析、探索和展示中被广泛应用。
（1）基础直方图
import matplotlib.pyplot as plt
import numpy as np
# 准备数据
data = np.random.randn(1000)
# 绘制直方图
plt.hist(data)
# 添加标签和标题
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram')
# 显示图表
plt.show()
（2）一图多形
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data1 = np.random.normal(0, 1, 1000)
data2 = np.random.normal(2, 1, 800)
data3 = np.random.normal(-2, 1, 1200)
# 绘制直方图
plt.hist(data1, bins=30, alpha=0.5, label='Data 1')
plt.hist(data2, bins=30, alpha=0.5, label='Data 2')
plt.hist(data3, bins=30, alpha=0.5, label='Data 3')
# 添加标签和标题
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram Comparison')
# 添加图例
plt.legend()
# 显示图表
plt.show()
（3）升级1
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data = np.random.randn(1000)
# 绘制直方图
plt.hist(data, bins=30, color='skyblue', edgecolor='black')
# 添加标签和标题
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram')
# 显示图表
plt.show()
（4）升级2
import numpy as np
import matplotlib.pyplot as plt
n_bins = 10
x = np.random.randn(1000, 3)
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(11,8)) #subplots创建多个子图
ax0=axes[0,0]
ax1=axes[0,1]
ax2=axes[1,0]
ax3=axes[1,1]
colors = ['red', 'tan', 'lime']
ax0.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors)
ax0.legend(prop={'size': 8})
ax0.set_title('bars with legend')
ax1.hist(x, n_bins, density=True, histtype='bar', stacked=True)
ax1.set_title('stacked bar')
ax2.hist(x, n_bins, histtype='step', stacked=True)
ax2.set_title('stack step (unfilled)')
x_multi = [np.random.randn(n) for n in [10000, 5000, 2000]]
ax3.hist(x_multi, n_bins, histtype='bar')
ax3.set_title('different sample sizes')
fig.tight_layout() #自动调整子图参数
plt.show()
7、3D线框图的实现
简介：
3D线框图（3D Wireframe Plot）是一种用于可视化三维数据的图表。它通过绘制三维空间中的线段来表示数据的分布和形状。3D线框图通常由一系列连接的线段组成，这些线段连接了数据点或数据的边界。
3D线框图的作用主要有以下几个方面：
展示数据的形状和结构：3D线框图可以直观地展示数据的形状和结构。通过观察线段的分布和连接方式，我们可以了解数据在三维空间中的分布和形态。
比较不同组的数据：通过将多个3D线框图放在一起，我们可以比较不同组数据的形状和结构。这对于探索不同类别或组之间的差异非常有用。
可视化复杂关系：3D线框图可以用于可视化复杂的关系和模式。通过绘制多个线段和连接点，我们可以展示数据中的复杂关系，例如多个变量之间的相互作用。
辅助数据分析和决策：3D线框图可以帮助我们进行数据分析和决策。通过观察线段的长度、角度和形状，我们可以得到关于数据的直观感受，并从中提取有用的信息。
艺术和设计应用：3D线框图在艺术和设计领域也有广泛的应用。它可以用于创造具有立体感和空间感的图像和模型，为艺术作品和设计方案增添视觉效果。
总之，3D线框图是一种用于可视化三维数据的图表，可以展示数据的形状和结构，比较不同组的数据，可视化复杂关系，并辅助数据分析和决策。它在数据分析、科学研究、艺术和设计等领域都有广泛的应用。
（1）3D线框图
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 生成数据
x = np.linspace(-5, 5, 50) # x轴坐标
y = np.linspace(-5, 5, 50) # y轴坐标
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2)) # z轴坐标，这里使用sin函数生成一个曲面
# 创建一个三维坐标系
fig = plt.figure(figsize=(10,6), dpi=100)
ax = fig.add_subplot(111, projection='3d')
# 绘制线框图
ax.plot_wireframe(X, Y, Z)
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()
（2）3D散点图
import matplotlib.pyplot as plt
import numpy as np
# 数据准备
x = np.random.rand(100) # x轴数据
y = np.random.rand(100) # y轴数据
z = np.random.rand(100) # z轴数据
colors = np.random.rand(100) # 颜色数据
# 创建3D图形对象
fig = plt.figure(figsize=(10,6), dpi=100)
ax = fig.add_subplot(111, projection='3d')
# 绘制3D散点图
ax.scatter(x, y, z, c=colors, cmap='viridis', marker='o')
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()
（3）3D条形图
import matplotlib.pyplot as plt
import numpy as np
# 数据准备
x = np.arange(3) # x轴位置
y = np.arange(3) # y轴位置
x_mesh, y_mesh = np.meshgrid(x, y) # 创建网格
z = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 条形的高度
# 创建3D图形对象
fig = plt.figure(figsize=(10,6), dpi=100)
ax = fig.add_subplot(111, projection='3d')
# 绘制3D条形图
ax.bar3d(x_mesh.flatten(), y_mesh.flatten(), np.zeros_like(z).flatten(), 0.5, 0.5, z.flatten())
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()
（4）3D曲面图
import matplotlib.pyplot as plt
import numpy as np
# 数据准备
x = np.linspace(-5, 5, 100) # x轴数据范围
y = np.linspace(-5, 5, 100) # y轴数据范围
x_mesh, y_mesh = np.meshgrid(x, y) # 创建网格
z = np.sin(np.sqrt(x_mesh**2 + y_mesh**2)) # 曲面高度
# 创建3D图形对象
fig = plt.figure(figsize=(10,6), dpi=100)
ax = fig.add_subplot(111, projection='3d')
# 绘制3D曲面图
ax.plot_surface(x_mesh, y_mesh, z, cmap='viridis')
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()
（5）3D等高线图
import matplotlib.pyplot as plt
import numpy as np
# 数据准备
x = np.linspace(-5, 5, 100) # x轴数据范围
y = np.linspace(-5, 5, 100) # y轴数据范围
x_mesh, y_mesh = np.meshgrid(x, y) # 创建网格
z = np.sin(np.sqrt(x_mesh**2 + y_mesh**2)) # 曲面高度
# 创建3D图形对象
fig = plt.figure(figsize=(10,6), dpi=100)
ax = fig.add_subplot(111, projection='3d')
# 绘制3D等高线图
ax.contour3D(x_mesh, y_mesh, z, 50, cmap='viridis')
# 设置坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 显示图形
plt.show()
以上就是matplotlib的一些简单用法，大家可以参考一下，因为实现方法和实现的图形类型多种多样，这里列举远远不够，简单供大家参考！
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
