4.Matplotlib

Matplotlib

什么是matplolib？

Matplotlib是一个Python 2D绘图库，可以生成各种硬拷贝格式和跨平台交互式环境的出版物质量数据。Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。

Matplotlib能够很方便的生成绘图，比如直方图，功率谱，条形图，误差图，散点图等。

如何在matplotlib中显示中文

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

相关组件

什么是Figure和Axes

Figure：整个画布对象。我们所有的绘图操作都是在Figure对象上操作的，不论是单个图表还是多子图

Axes：就是常说的具体的“一幅图”（），它是具有数据空间的图像区域

演示

In[1]:

import numpy as np
import matplotlib.pyplot as plt
import math
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

# 创建数据集
x = np.linspace(0,3,100)

# 绘制三条线
plt.plot(x,x,label='线性')
plt.plot(x,x**2,label='平方')
plt.plot(x,x**3,label='立方')

# 设置x轴和y轴名称
plt.xlabel('x轴')
plt.ylabel('y轴')

# 设置标题名称
plt.title('简单绘图')

# 显示legend
plt.legend()
plt.show()

Out[1]:

多子图

In[1]:

import numpy as np
import matplotlib.pyplot as plt

第一种方式

In [2]:

fig = plt.figure(figsize=(12,4)) # figsize 用来设置图的大小
ax1 = fig.add_subplot(1,3,1) # 添加子图，参数含义为位置（x,y）以及第几张图
ax2 = fig.add_subplot(1,3,2)
ax3 = fig.add_subplot(1,3,3)

ax1.plot([1,2,3])
ax2.plot([3,2,1])
ax3.plot([2,2,2])

plt.show()

In [3]:

fig = plt.figure(figsize=(12,4)) # figsize 用来设置图的大小
ax1 = fig.add_subplot(1,3,2)     # 添加子图，参数含义为位置（x,y）
                                 # 以及第几张图即图的位置以及顺序
ax2 = fig.add_subplot(1,3,3)
ax3 = fig.add_subplot(1,3,1)

ax1.plot([1,2,3])
ax2.plot([3,2,1])
ax3.plot([2,2,2])

plt.show()

第二种方式

In [4]:

fig2,axes= plt.subplots(1,3,figsize=(12,4))

axes[0].plot([1,2,3]) # 通过axes数组直接进行分部图形位置
axes[1].plot([3,2,1])
axes[2].plot([2,2,2])

plt.show()

• 如果axes是多维对象，则需要传入多个坐标

In [5]:

fig3,axes = plt.subplots(2,3,figsize=(12,4)) # 创建一个2x3的图布

axes[0,0].plot([1,2,3]) # 传入数值，进行绘画
axes[0,1].plot([3,2,1])
axes[0,2].plot([2,2,2])

plt.show()

第三种方式

由于不推荐，就不进行学习了

线形图

matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None, kwargs)

传数据的两种方式

In[1]:

matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None, kwargs)

In [2]:

import matplotlib.pyplot as plt
fig,axes = plt.subplots()

axes.plot([1,2,3,4])

plt.show()

In [3]:

figure,axes = plt.subplots()

data = {
    'a':[1,2,3],
    'b':[3,2,1]
}

axes.plot('a','b',data=data)

plt.show()

绘制多条线

In [4]:

figure,axes = plt.subplots()

data = {
    'a':[1,2,3],
    'b':[3,2,1]
}

axes.plot('a','b',data=data)
axes.plot([1,2,3,4])

plt.show()

其他设置

1.颜色设置--color

可选值： 'b' blue 'g' green 'r' red 'c' cyan 'm' magenta 'y' yellow 'k' black 'w' white

In [5]:

figure,axes = plt.subplots()

axes.plot([1,2,3,4,5,6],color='r',drawstyle='steps')

plt.show()

2.线性设置--linestyle

可选值：['solid' | 'dashed', 'dashdot', 'dotted' | (offset, on-off-dash-seq) | '-' | '--' | '-.' | ':' | 'None' | ' ' | '']

In [6]:

figure,axes = plt.subplots()

axes.plot([1,2,3,4,5,6],linestyle='-.')

plt.show()

3.drawstyle

可选值：['default' | 'steps' | 'steps-pre' | 'steps-mid' | 'steps-post']

In [7]:

figure,axes = plt.subplots()

axes.plot([1,2,3,4],color='r',drawstyle='steps')

plt.show()

4.标记--marker

可选值：'.' point marker 
        ',' pixel marker 
        'o' circle marker 
        'v' triangle_down marker
        '^' triangle_up marker
        '<' triangle_left marker 
        '>' triangle_right marker 
        '1' tri_down marker
        '2' tri_up marker 
        '3' tri_left marker 
        '4' tri_right marker
        's' square marker 
        'p' pentagon marker 
        '*' star marker
        'h' hexagon1 marker 
        'H' hexagon2 marker 
        '+' plus marker 
        'x' x marker 
        'D' diamond marker 
        'd' thindiamond marker 
        '|' vline marker 
        ``''`` hline marker

In [8]:

figure,axes = plt.subplots()

axes.plot([1,2,3,4,5,6],marker='o')

plt.show()

坐标轴刻度

In [1]:

import numpy as np
import matplotlib.pyplot as plt

设置坐标轴上下限

In [2]:

x = np.linspace(0,15,100)

plt.plot(x,np.sin(x))
plt.xlim(0,12) # x轴刻度
plt.ylim(-2,2) # y轴刻度

plt.show()

• 坐标轴设置为倒序

In [3]:

x = np.linspace(0,10,100)

plt.plot(x,np.sin(x))
plt.xlim(12,0)
plt.ylim(2,-2)

plt.show()

自定义刻度

In [4]:

plt.plot(np.linspace(-40,1,800))

# 设置x轴与y轴的刻度，rotation为旋转的度数，fontsize为字体的大小

plt.xticks([0,200,400,600,800],rotation=30 ,fontsize='large')
plt.yticks([-40,-30,-20,-10,0],rotation=30,fontsize='small')

Out[4]:

([<matplotlib.axis.YTick at 0x2997d645508>,
  <matplotlib.axis.YTick at 0x2997d644b88>,
  <matplotlib.axis.YTick at 0x2997d63f8c8>,
  <matplotlib.axis.YTick at 0x2997d66b988>,
  <matplotlib.axis.YTick at 0x2997d667308>],
 <a list of 5 Text yticklabel objects>)

标题、轴标签以及图例

演示

In [1]:

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

In [2]:

x = np.linspace(0,2,100)

plt.plot(x,np.sin(x),'-.g',label='sin(x)')
plt.plot(x,np.cos(x),':r',label='cos(x)')

plt.title("演示标题")
plt.xlabel('x轴')
plt.ylabel('sin or cos')

plt.legend()

Out[2]:

<matplotlib.legend.Legend at 0x1c2b8dc1dc8>

设置标题--title

fontsize：字体大小，默认12，也可以使用xx-small....字符串系列

fontweight：字体粗细，或者'light'、'normal'、'medium'、'semibold'、'bold'、'heavy'、'black'。

fontstyle： 字体类型，或者'normal'、'italic'、'oblique'。

verticalalignment：垂直对齐方式 ，或者'center'、'top'、'bottom'、'baseline'

horizontalalignment：水平对齐方式，可选参数：‘left’、‘right’、‘center’

rotation：旋转角度

alpha： 透明度，参数值0至1之间

backgroundcolor： 背景颜色

bbox：给标题增加外框 ，常用参数如下：

boxstyle：方框外形

facecolor：(简写fc)背景颜色

edgecolor：(简写ec)边框线条颜色

edgewidth:边框线条大小

In [3]:

x = np.linspace(0,2,100)

plt.plot(x,np.sin(x),'-.r',label='sin(x)')

plt.title('演示标题',fontsize=16,fontweight='heavy')

plt.xlabel('x')
plt.ylabel('y')

plt.legend()

Out[3]:

<matplotlib.legend.Legend at 0x1c2b8e8ea48>

设置图例

loc：图例的位置,参数值分别为1,2,3,4代表四个方向
prop：字体参数
fontsize：字体大小
markerscale：图例标记与原始标记的相对大小
markerfirst：如果为True，则图例标记位于图例标签的左侧
numpoints：为线条图图例条目创建的标记点数
scatterpoints：为散点图图例条目创建的标记点数
scatteryoffsets：为散点图图例条目创建的标记的垂直偏移量
frameon：是否显示图例边框
fancybox：边框四个角是否有弧度
shadow：控制是否在图例后面画一个阴影
framealpha：图例边框的透明度
edgecolor：边框颜色
facecolor：背景色
ncol：设置图例分为n列展示
borderpad：图例边框的内边距
labelspacing：图例条目之间的垂直间距
handlelength：图例句柄的长度
handleheight：图例句柄的高度
handletextpad：图例句柄和文本之间的间距
borderaxespad：轴与图例边框之间的距离
columnspacing：列间距
title：图例的标题

In [4]:

lines = []
styles = ['-','-.','--',':']
x = np.linspace(0,1,100)

for i in range(4):
    lines += plt.plot(x,np.sin(x+np.pi*x),styles[i])
plt.axis('equal')

# 生成第一个图例
leg = plt.legend(lines[:2],['A','B'],loc=1,frameon=False)

# 生成第二个图例，但是第一个图例会被抹去
plt.legend(lines[2:],['C','D'],loc=4,frameon=False)

# gca方法获取当前坐标轴，再使用它的`add_artist`方法将第一个图例重新画上去
plt.gca().add_artist(leg)

Out[4]:

<matplotlib.legend.Legend at 0x1c2b8e8ee08>

文本、箭头和注释

演示

In [1]:

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

In [2]:

x = np.linspace(0,2,100)

plt.plot(x,np.sin(x),'-.g',label='sin(x)')
plt.plot(x,np.cos(x),':r',label='cos(x)')

plt.title("演示标题")
plt.xlabel('x轴')
plt.ylabel('sin or cos')

plt.legend()

Out[2]:

<matplotlib.legend.Legend at 0x21b4eff5208>

设置标题--title

fontsize：字体大小，默认12，也可以使用xx-small....字符串系列

fontweight：字体粗细，或者'light'、'normal'、'medium'、'semibold'、'bold'、'heavy'、'black'。

fontstyle： 字体类型，或者'normal'、'italic'、'oblique'。

verticalalignment：垂直对齐方式 ，或者'center'、'top'、'bottom'、'baseline'

horizontalalignment：水平对齐方式，可选参数：‘left’、‘right’、‘center’

rotation：旋转角度

alpha： 透明度，参数值0至1之间

backgroundcolor： 背景颜色

bbox：给标题增加外框 ，常用参数如下：

boxstyle：方框外形

facecolor：(简写fc)背景颜色

edgecolor：(简写ec)边框线条颜色

edgewidth:边框线条大小

In [3]:

x = np.linspace(0,2,100)

plt.plot(x,np.sin(x),'-.r',label='sin(x)')

plt.title('演示标题',fontsize=16,fontweight='heavy')

plt.xlabel('x')
plt.ylabel('y')

plt.legend()

Out[3]:

<matplotlib.legend.Legend at 0x21b4f7b0908>

设置图例

loc：图例的位置,参数值分别为1,2,3,4代表四个方向
prop：字体参数
fontsize：字体大小
markerscale：图例标记与原始标记的相对大小
markerfirst：如果为True，则图例标记位于图例标签的左侧
numpoints：为线条图图例条目创建的标记点数
scatterpoints：为散点图图例条目创建的标记点数
scatteryoffsets：为散点图图例条目创建的标记的垂直偏移量
frameon：是否显示图例边框
fancybox：边框四个角是否有弧度
shadow：控制是否在图例后面画一个阴影
framealpha：图例边框的透明度
edgecolor：边框颜色
facecolor：背景色
ncol：设置图例分为n列展示
borderpad：图例边框的内边距
labelspacing：图例条目之间的垂直间距
handlelength：图例句柄的长度
handleheight：图例句柄的高度
handletextpad：图例句柄和文本之间的间距
borderaxespad：轴与图例边框之间的距离
columnspacing：列间距
title：图例的标题

In [4]:

lines = []
styles = ['-','-.','--',':']
x = np.linspace(0,1,100)

for i in range(4):
    lines += plt.plot(x,np.sin(x+np.pi*x),styles[i])
plt.axis('equal')

# 生成第一个图例
leg = plt.legend(lines[:2],['A','B'],loc=1,frameon=False)

# 生成第二个图例，但是第一个图例会被抹去
plt.legend(lines[2:],['C','D'],loc=4,frameon=False)

# gca方法获取当前坐标轴，再使用它的`add_artist`方法将第一个图例重新画上去
plt.gca().add_artist(leg)

Out[4]:

<matplotlib.legend.Legend at 0x21b4f850f88>

文本

class matplotlib.text.Annotation(text, xy, xytext=None, xycoords='data', textcoords=None, arrowprops=None, annotation_clip=None, kwargs)

In [5]:

x = np.linspace(0,20,100)
plt.plot(x,np.sin(x))
# 11和0.6表示文本出现的(x,y)位置，ha以及va分别为水平和垂直方向
plt.text(11,0.6,'the sin(x)',ha='center',va='center')

Out[5]:

Text(11, 0.6, 'the sin(x)')

箭头和注释

matplotlib.pyplot.annotate(s, xy, *args, kwargs)

主要参数：
        s：注释文本内容
        xy：被注释对象的坐标位置，实际上就是图中箭头的箭锋位置
        xytext： 具体注释文字的坐标位置
        xycoords：被注释对象使用的参考坐标系
        extcoords：注释文字的偏移量
        arrowprops：可选，增加注释箭头
        width：箭头宽度，以点为单位
        frac：箭头头部所占据的比例
        headwidth：箭头底部的宽度，以点为单位
        shrink：移动提示，并使其离注释点和文本一些距离

In [6]:

figure,axes = plt.subplots()

x = np.linspace(0,20,1000)
axes.plot(x,np.cos(x),'-.r')
axes.axis('equal')

# facecolor参数修改箭头颜色，shrink参数越小箭头长度越长

axes.annotate('极大值',xy=(6.28,1.2),xytext=(10,5),
             arrowprops=dict(facecolor='blue',shrink=0.05))

# arrowstyle指定箭头形状
axes.annotate('极小值',xy=(5*np.pi,-1),xytext=(10,-6),
             arrowprops=dict(arrowstyle='->',connectionstyle='angle3,angleA=0,angleB=-90'))

Out[6]:

Text(10, -6, '极小值')

条形图

In [1]:

import numpy as np
from matplotlib import pyplot as plt
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, kwargs)


主要参数说明:

    x：x坐标。int,float
    height：条形的高度。int,float
    width：宽度。0~1，默认0.8
    botton：条形的起始位置，也是y轴的起始坐标
    align：条形的中心位置。“center”,"lege"边缘
    color：条形的颜色。“r","b","g","#123465"，默认“b"
    edgecolor：边框的颜色。同上
    linewidth：边框的宽度。像素，默认无，int
    tick_label：下标的标签。可以是元组类型的字符组合
    log：y轴使用科学计算法表示。bool
    orientation：是竖直条还是水平条。竖直："vertical"，水平条："horizontal"

In [2]:

y = range(0,16)
x = np.arange(16)

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

In [3]:

y = range(0,17)
x = np.arange(17)

plt.bar(x,y,alpha=0.5,width=0.3,color='red',edgecolor='black',label='条形图1',lw=3)
plt.bar(x+0.4,y,alpha=0.2,width=0.3,color='blue',edgecolor='yellow',label='条形图2',lw=3)
plt.show()

In [4]:

M = 7

age1 = [20,25,36,25,28,30,10]
age2 = [21,22,38,26,21,35,18]

age1_std = [5,3,4,2,3,1,2]
age2_std = [2,3,6,4,5,2,2]

x = np.arange(M)

width = 0.35

p1 = plt.bar(x, age1, width, yerr=age1_std)
p2 = plt.bar(x, age2, width,bottom=age1, yerr=age2_std) # p2条形图位于p1条形图的上方

plt.ylabel('年龄')
plt.title('男女年龄')
plt.xticks(x,['a1','a2','a3','a4','a5','a6','a7'])
plt.yticks(np.arange(0,100,10))

plt.legend((p1[0],p2[0]),('男生年龄','女生年龄'))
plt.show()

直方图

matplotlib.pyplot.hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, normed=None, *, data=None, kwargs)

主要参数：

    x：数据集，最终的直方图将对数据集进行统计
    bins：统计的区间分布
    range：tuple, 显示的区间，测试发现添加range并没有达到想要的效果，即显示指定区间统计结果，如果有小伙伴知道，欢迎评论，谢谢
    density：bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
    histtype：可选{'bar', 'barstacked', 'step', 'stepfilled'}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
    align：可选{'left', 'mid', 'right'}之一，默认为'mid'，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
    log：bool，默认False,即y坐标轴是否选择指数刻度
    stacked：bool，默认为False，是否为堆积状图

In [5]:

mu = 3
sigma = 0.1
number = 1000
x = np.random.normal(mu,sigma,number)*10+50

plt.hist(x,50)
plt.show()

In [6]:

mu, sigma = 60,10
x = mu + sigma * np.random.randn(10000)

plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)

plt.xlabel('数量')
plt.ylabel('频率')
plt.title('直方图')
plt.text(30, .035, r'$\mu={} ,\sigma={}$'.format(mu,sigma))

# 修改x,y刻度范围
plt.ylim(0,0.05)
plt.xlim(20,100)

plt.grid(True)
plt.show()

饼图

matplotlib.pyplot.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, rotatelabels=False, *, data=None)

主要参数：

    x ：(每一块)的比例，如果sum(x) > 1会使用sum(x)归一化；
    labels：(每一块)饼图外侧显示的说明文字；
    explode：(每一块)离开中心距离；
    startangle：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：在饼图下面画一个阴影。默认值：False，即不画阴影；
    labeldistance：label标记的绘制位置,相对于半径的比例，默认值为1.1, 如<1则绘制在饼图内侧；
    autopct：控制饼图内百分比设置,可以使用format字符串或者format function，'%1.1f'指小数点前后位数(没有用空格补齐)；
    pctdistance：类似于labeldistance,指定autopct的位置刻度,默认值为0.6；
    radius：控制饼图半径，默认值为1；
    counterclock：指定指针方向；布尔值，可选参数，默认为：True，即逆时针。将值改为False即可改为顺时针。
    wedgeprops ：字典类型，可选参数，默认值：None。参数字典传递给wedge对象用来画一个饼图。例如：wedgeprops={'linewidth'：3}设置wedge线宽为3。
    textprops：设置标签（labels）和比例文字的格式；字典类型，可选参数，默认值为：None。传递给text对象的字典参数。
    center：浮点类型的列表，可选参数，默认值：(0,0)。图标中心位置。
    frame：布尔类型，可选参数，默认值：False。如果是true，绘制带有表的轴框架。
    rotatelabels：布尔类型，可选参数，默认为：False。如果为True，旋转每个label到指定的角度。

In [7]:

x = [10,20,30,40,50]

plt.pie(x)
plt.show()

In [8]:

# 图表，将按照逆时针顺序排序

labels = ['A','B','C','D','E']
x = [15,20,37,20,26]
explode = [0,0.1,0,0,0] # 饼图中B区域会脱离与其他区域

figure,axes = plt.subplots()
# shadow:阴影
# statangle；起始绘制角度
# explode：(每一块)离开中心距离
# autopct：区域所占百分比
axes.pie(x,explode=explode,labels=labels,autopct='%1.1f%%',shadow=True,startangle=90)
# 长宽比相等可确保将饼图绘制为圆形
axes.axis('equal')

plt.show()

散点图

主要参数说明：

    x，y：输入数据
    s：标记大小，以像素为单位
    color：颜色
    marker：标记
    alpha：透明度
    linewidths：线宽
    edgecolors ：边界颜色

In [9]:

x = np.random.randint(0,15,15)
y = np.random.randint(0,15,15)
plt.scatter(x,y)

Out[9]:

<matplotlib.collections.PathCollection at 0x1937af97948>

In [10]:

number = 100

r0 = 0.6
x = np.random.rand(number)
y = np.random.rand(number)
area = (20*np.random.rand(number))**2
c = np.sqrt(area)
r = np.sqrt(x**2+y**2)
# 满足条件时mask返回True，否则返回False，即被masked的区间为True
area1 = np.ma.masked_where(r < r0,area)
area2 = np.ma.masked_where(r >= r0,area)

plt.scatter(x,y,s=area1,marker='^',c=c)
plt.scatter(x,y,s=area2,marker='o',c=c)

plt.show()

箱线图

matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None, usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_ticks=True, autorange=False, zorder=None, *, data=None)

主要参数：

    x：指定要绘制箱线图的数据
    notch：是否是凹口的形式展现箱线图，默认非凹口
    sym：指定异常点的形状，默认为+号显示
    vert：是否需要将箱线图垂直摆放，默认垂直摆放
    whis：指定上下须与上下四分位的距离，默认为1.5倍的四分位差
    positions：指定箱线图的位置，默认为[0,1,2…]
    widths：指定箱线图的宽度，默认为0.5
    patch_artist：是否填充箱体的颜色
    meanline：是否用线的形式表示均值，默认用点来表示
    showmeans：是否显示均值，默认不显示
    showcaps：是否显示箱线图顶端和末端的两条线，默认显示
    showbox：是否显示箱线图的箱体，默认显示
    showfliers：是否显示异常值，默认显示
    boxprops：设置箱体的属性，如边框色，填充色等
    labels：为箱线图添加标签，类似于图例的作用
    filerprops：设置异常值的属性，如异常点的形状、大小、填充色等
    medianprops：设置中位数的属性，如线的类型、粗细等
    meanprops：设置均值的属性，如点的大小、颜色等
    capprops：设置箱线图顶端和末端线条的属性，如颜色、粗细等
    whiskerprops：设置须的属性，如颜色、粗细、线的类型等

In [11]:

x = np.random.rand(1000)

plt.boxplot(x)
plt.show()

In [12]:

# 创建3个正态分布的一维数组
data = [np.random.normal(0,std,100) for std in range(1,4)]
labels = ['x1','x2','x3']

fig,ax = plt.subplots(nrows=1,ncols=2,figsize=(9,4))

# 矩形箱图

"""
vert:是否垂直
patch_artist：是否填充箱体的颜色
"""
boxplot1 = ax[0].boxplot(data,vert=True,patch_artist=True,labels=labels)
ax[0].set_title('矩形箱图')

# 缺口形状箱形图
"""
notch：是否是凹口的形式展现箱线图，默认非凹口
"""
boxplot2 = ax[1].boxplot(data,notch=True,vert=True,patch_artist=True,labels=labels)
ax[1].set_title('缺口形状箱形图')

# 填充颜色
colors = ['red','pink','lightgreen']
for bp in (boxplot1,boxplot2):
    for patch,color in zip(bp['boxes'],colors):
        patch.set_facecolor(color)

# 添加水平网格线
for a in ax:
    a.yaxis.grid(True)
    a.set_xlabel('三个样本')
    a.set_ylabel('样本值')
    
plt.show()

箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗