Python数据可视化库——Matplotlib

最新推荐文章于 2024-05-01 23:37:03 发布
最新推荐文章于 2024-05-01 23:37:03 发布
阅读量569 收藏 4
点赞数
分类专栏： Python

Matplotlib是一个非常强大的画图工具，对数据的可视化起着很大的作用。Maplotlib可以画图线图，散点图，等高线图，条形图，柱形图，3D图形，图形动画等。

目录

基础用法

figure图像

设置坐标轴1

设置坐标轴2

1.替换下标

2.设置边框属性

3.调整移动坐标轴

legend图例

Annotation标注

tick能见度

画不同的图形

1.scatter散点图

2.bar条形图

3.coutours等高线图

image图片

3D数据

Subplot

1.多合一显示

2.分格显示

图中图

次坐标轴

  • 基础用法

x=np.linspace(-1,1,50)  #定义x
y1=2*x+1  #定义y数据范围
y2=x**2
plt.figure()  #定义图像窗口
plt.plot(x,y1)  #画出曲线
plt.plot(x,y2)
plt.show() #显示图像

 

  • figure图像

x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=1,figsize=(8,5)) #定义编号为1，大小为（8,5）
plt.plot(x,y1,color='red',linewidth=2,linestyle='--')  #
plt.plot(x,y2)
plt.show()

 

  • 设置坐标轴1

plt.rcParams['font.sans-serif'] = ['SimHei'] #用于正常显示中文
plt.rcParams['axes.unicode_minus'] = False   #解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串
x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=1,figsize=(8,5)) #定义编号为1，大小为（8,5）
plt.plot(x,y1,color='red',linewidth=2,linestyle='--')  
plt.plot(x,y2)
plt.xlim(-1,2) #x轴的范围
plt.ylim(-2,3) #y轴的范围
plt.xlabel("x轴")
plt.ylabel("y轴")
plt.show()

 

  • 设置坐标轴2

1.替换下标

plt.rcParams['font.sans-serif'] = ['SimHei'] #用于正常显示中文
plt.rcParams['axes.unicode_minus'] = False   #解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串
x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5)) #定义编号为2，大小为（8,5）
plt.plot(x,y1,color='red',linewidth=2,linestyle='--')  
plt.plot(x,y2)
plt.xlim(-1,2) #x轴的范围
plt.ylim(-2,3) #y轴的范围
plt.xlabel("x轴")
plt.ylabel("y轴")

new_ticks=np.linspace(-1,2,5)  #-1到2分成5段，包含端点
plt.xticks(new_ticks)  #进行替换新下标
plt.yticks([-2,-1,0,1,2,],
          [r'$really\ bad$','$bad$','$0$','$well$','$really\ well$'])

plt.show()

2.设置边框属性

#设置边框属性
plt.rcParams['font.sans-serif'] = ['SimHei'] #用于正常显示中文
plt.rcParams['axes.unicode_minus'] = False   #解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串
x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5)) #定义编号为2，大小为（8,5）
plt.plot(x,y1,color='red',linewidth=2,linestyle='--')  
plt.plot(x,y2)
plt.xlim(-1,2) #x轴的范围
plt.ylim(-2,3) #y轴的范围
plt.xlabel("x轴")
plt.ylabel("y轴")

new_ticks=np.linspace(-1,2,5)  #-1到2分成5段，包含端点
plt.xticks(new_ticks)  #进行替换新下标
plt.yticks([-2,-1,0,1,2,],
          [r'$really\ bad$','$bad$','$0$','$well$','$really\ well$'])


ax=plt.gca()  #get current axis
ax.spines['right'].set_color('none') #边框属性设置为None 不显示
ax.spines['top'].set_color('none')


plt.show()

 

3.调整移动坐标轴

#调整移动坐标轴

plt.rcParams['font.sans-serif'] = ['SimHei'] #用于正常显示中文
plt.rcParams['axes.unicode_minus'] = False   #解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串
x=np.linspace(-3,3,50) #在（-3,3）之间生成50个样本数
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5)) #定义编号为2，大小为（8,5）
plt.plot(x,y1,color='red',linewidth=2,linestyle='--')  
plt.plot(x,y2)
plt.xlim(-1,2) #x轴的范围
plt.ylim(-2,3) #y轴的范围
plt.xlabel("x轴")
plt.ylabel("y轴")

new_ticks=np.linspace(-1,2,5)  #-1到2分成5段，包含端点
plt.xticks(new_ticks)  #进行替换新下标
plt.yticks([-2,-1,0,1,2,],
          [r'$really\ bad$','$bad$','$0$','$well$','$really\ well$'])


ax=plt.gca()  #get current axis
ax.spines['right'].set_color('none') #边框属性设置为None 不显示
ax.spines['top'].set_color('none')


ax.xaxis.set_ticks_position('bottom')  #设置x坐标刻度数字或名称的位置，所有属性为：top,bottom,both,default,none
ax.spines['bottom'].set_position(('data',0)) # 设置.spines边框x轴，设置.set_position设置边框的位置，y=0位置；位置所有属性有outward,axes,data
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0)) #坐标中心点在（0,0）位置


plt.show()

 

  • legend图例

x=np.linspace(-3,3,50)
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5))
plt.xlim(-1,2)
plt.ylim(-2,3)

new_ticks=np.linspace(-1,2,5) 
plt.xticks(new_ticks)
plt.yticks([-2,-1,1,2,],
          [r'$really\ bad$','$bad$','$well$','$really\ well$'])

l1,=plt.plot(x,y1,color='red',linewidth=2,linestyle='--',label='linear line')
l2,=plt.plot(x,y2,label='square line') 
plt.legend(loc='best') #显示在最好的位置,自动分配


plt.show() #显示图

单独修改label的信息：

x=np.linspace(-3,3,50)
y1=2*x+1
y2=x**2
plt.figure(num=2,figsize=(8,5))
plt.xlim(-1,2)
plt.ylim(-2,3)

new_ticks=np.linspace(-1,2,5) 
plt.xticks(new_ticks)
plt.yticks([-2,-1,1,2,],
          [r'$really\ bad$','$bad$','$well$','$really\ well$'])

l1,=plt.plot(x,y1,color='red',linewidth=2,linestyle='--',label='linear line')
l2,=plt.plot(x,y2,label='square line') 

#单独修改label的信息
plt.legend(loc='best',handles=[l1,l2],labels=['up','down']) #显示在最好的位置,自动分配


plt.show() #显示图

loc中的参数：

best
upper right
upper left
lower left
lower right
right
center right
lower center
upper center
center

 

  • Annotation标注

x=np.linspace(-3,3,50)
y=2*x+1
plt.figure(num=1,figsize=(8,5))
plt.plot(x,y)

#移动坐标轴
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

#标注信息
x0=1
y0=2*x0+1
plt.scatter(x0,y0,color='b')
plt.plot([x0,x0],[y0,0],'k--',lw=2.5)  #连接两个点，k表示黑色，lw=line weight 线粗细

plt.annotate(r'$2x0+1=%s$' % y0,xy=(x0,y0),xycoords='data',xytext=(+30,-30),textcoords='offset points',fontsize=16,
             arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))
#xycoords='data'  基于数据的值来选位置，xytext=(+30,-30),对于标注位置的描述，textcoords='offset points'，xy偏差值，arrowprops对图中箭头类型设置
plt.text(-3.7,3,r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',fontdict={'size':16,'color':'r'})

plt.show()

 

  • tick能见度

x=np.linspace(-3,3,50)
y=0.1*x
plt.figure()
plt.plot(x,y,linewidth=10,zorder=1)
plt.ylim(-2,2)

#移动坐标轴
ax=plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

#label.set_fontsize(12) 重新调整字体的大小，bbox设置目的内容透明度相关系数，facecolor调节box景色
#edgecolor设置边框 ,alpha设置透明度，zorder设置图层顺序
for label in ax.get_xticklabels()+ax.get_yticklabels():
    label.set_fontsize(12)
    label.set_bbox(dict(facecolor='red',edgecolor='None',alpha=0.7,zorder=2))

plt.show()

 

  • 画不同的图形

1.scatter散点图

n=1024
X=np.random.normal(0,1,n)  
Y=np.random.normal(0,1,n)
T=np.arctan2(Y,X)  #arctan2返回给定的X和Y值的反正切值
#scatter画散点图，size=75,颜色为T,透明度为50%，利用xticks函数来隐藏x坐标轴
plt.scatter(X,Y,s=75,c=T,alpha=0.5)
plt.xlim(-1.5,1.5)
plt.xticks(())  #忽略xticks
plt.ylim(-1.5,1.5)
plt.yticks(()) #忽略yticks
plt.show()

2.bar条形图

n=12
X=np.arange(n)
Y1=(1-X/float(n))*np.random.uniform(0.5,1,n)
Y2=(1-X/float(n))*np.random.uniform(0.5,1,n)
plt.bar(X,+Y1,facecolor='#9999ff',edgecolor='white')
plt.bar(X,-Y2,facecolor='#ff9999',edgecolor='white')

#标记值
for x,y in zip(X,Y1):  #zip表示可以传递两个值
    plt.text(x+0.4,y+0.5,'%.2f'%y,ha='center',va='bottom')  #ha表示横向对齐，bottom表示向下对齐
for x,y in zip(X,Y2):
    plt.text(x+0.4,-y-0.05,'%.2f'%y,ha='center',va='top')
plt.xlim(-0.5,n)
plt.xticks(())
plt.ylim(-1.25,1.25)
plt.yticks(())

plt.show()

3.coutours等高线图

n=256
x=np.linspace(-3,3,n)
y=np.linspace(-3,3,n)
X,Y=np.meshgrid(x,y)  #从坐标向量返回坐标矩阵
#函数用来计算高度值，利用contour函数把颜色加进去，位置参数依次为x,y,f(x,y)，透明度为0.75，并将f(x,y)的值对应到camp之中
def f(x,y):
    return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)
plt.contourf(X,Y,f(X,Y),8,alpha=0.75,cmap=plt.cm.hot)  #8表示等高线分成多少份，alpha表示透明度，cmap表示color map

C=plt.contour(X,Y,f(X,Y),8,colors='black',linewidth=0.5)
plt.clabel(C,inline=True,fontsize=10)
plt.xticks(()) #隐藏坐标轴
plt.yticks(())

plt.show()

  • image图片

import matplotlib.pyplot as plt
import numpy as np

a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
              0.365348418405, 0.439599930621, 0.525083754405,
              0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)

plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
plt.show()

利用matplotlib打印出图像

#利用matplotlib打印出图像
a=np.array([0.313660827978,0.365348418405,0.423733120134,
           0.365348418405,0.439599930621,0.525083754405,
           0.423733120134,0.525083754405,0.651536351379]).reshape(3,3)
plt.imshow(a,interpolation='nearest',cmap='bone',origin='lower') #origin='lower'代表就是选择原点位置
plt.colorbar(shrink=.92) #shrink参数是将图片长度变为原来的92%
plt.xticks(())
plt.yticks(())
plt.show()

  • 3D数据

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D   #需要导入模块Axes3D
fig=plt.figure() #定义图像窗口
ax=Axes3D(fig)  #在窗口上添加3D坐标轴
#将x和y值编织成栅格
X=np.arange(-4,4,0.25)
Y=np.arange(-4,4,0.25)
X,Y=np.meshgrid(X,Y)
R=np.sqrt(X**2+Y**2)
Z=np.sin(R)  #高度值

#将colormap ranbow填充颜色，之后将三维图像投影到XY平面做等高线图，其中rstride和cstride表示row和column的宽度
ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=plt.get_cmap('rainbow')) #rstride表示图像中分割线的跨图

#添加XY平面等高线 投影到Z平面
ax.contourf(X,Y,Z,zdir='z',offset=-2,cmap=plt.get_cmap('rainbow')) #把图像进行投影的图形 offset表示比0坐标轴低两个位置
ax.set_zlim(-2,2)
plt.show()

  • Subplot

1.多合一显示

均匀图中图：MatPlotLib可以组合许多的小图在大图中显示，使用的方法叫做subplot.

plt.figure()
plt.subplot(2,2,1)  #表示将整个图像分割成2行2列，当前位置为1
plt.plot([0,1],[0,1]) #横坐标变化为[0,1] 竖坐标变化为[0,2]

plt.subplot(2,2,2)
plt.plot([0,1],[0,2])

plt.subplot(2,2,3)
plt.plot([0,1],[0,3])

plt.subplot(2,2,4)
plt.plot([0,1],[0,4])
plt.show()

不均匀图中图

plt.figure()
plt.subplot(2,1,1)  #表示将整个图像分割成2行1列，当前位置为1
plt.plot([0,1],[0,1]) #横坐标变化为[0,1] 竖坐标变化为[0,2]

plt.subplot(2,3,4)
plt.plot([0,1],[0,2])

plt.subplot(2,3,5)
plt.plot([0,1],[0,3])

plt.subplot(2,3,6)
plt.plot([0,1],[0,4])
plt.show()

2.分格显示

方法一

#方法一
import matplotlib.gridspec as gridspec  #引入新模块
plt.figure()
#使用plt.subplot2grid创建一个小图，（3,3）表示将整个图像分割成三行三列，（0,0）表示从第0行0列开始作图，
#colspan=3表示列的跨度为3.colspan和rowspan缺省时默认跨度为1
ax1=plt.subplot2grid((3,3),(0,0),colspan=3)  
ax1.plot([1,2],[1,2])
ax1.set_title('ax1_title')  #设置图的标题

#将图像分割成3行3列，从第1行0列开始作图，列的跨度为2
ax2=plt.subplot2grid((3,3),(1,0),colspan=2)

#将图像分割成3行3列，从第1行2列开始作图，行的跨度为2
ax3=plt.subplot2grid((3,3),(1,2),rowspan=2)

#将图像分割成3行3列，从第2行0列开始作图，行与列的跨度默认为1
ax4=plt.subplot2grid((3,3),(2,0))
ax4.scatter([1,2],[2,2])
ax4.set_xlabel('ax4_x')
ax4.set_ylabel('ax4_y')

ax5=plt.subplot2grid((3,3),(2,1))
plt.show()

方法二

#方法二
plt.figure()
gs=gridspec.GridSpec(3,3)  #将图像分割成三行三列
ax6=plt.subplot(gs[0,:]) #gs[0:1]表示图占第0行和所有列
ax7=plt.subplot(gs[1,:2]) #gs[1,:2]表示图占第1行和前两列
ax8=plt.subplot(gs[1:,2]) #gs[1,:]表示图占后两行的最后一列
ax9=plt.subplot(gs[-1,0]) 
ax10=plt.subplot(gs[-1,-2]) #gs[-1,-2]表示这个图占倒数第一行和倒数第2列
plt.show()

方法三

#方法三
#建立一个2行2列的图像窗口，sharex=True表示共享x轴坐标，sharey=True表示共享y轴坐标，
#((ax11,ax12),(ax13,ax14))表示从左到右一次存放ax11,ax12,ax13,ax14
f,((ax11,ax12),(ax13,ax14))=plt.subplots(2,2,sharex=True,sharey=True)
ax11.scatter([1,2],[1,2]) #坐标范围x为[1,2],y为[1,2]
plt.tight_layout() #表示紧凑显示图像
plt.show()

  • 图中图

fig=plt.figure()
#创建数据
x=[1,2,3,4,5,6,7]
y=[1,3,4,2,5,8,6]

#绘制大图：假设大图的大小为10，那么大图被包含在由（1,1）开始，宽8高8的坐标系之中
left,bottom,width,height=0.1,0.1,0.8,0.8
ax1=fig.add_axes([left,bottom,width,height]) #main axes
ax1.plot(x,y,'r')  #绘制大图，颜色为red
ax1.set_xlabel('x') #横坐标名称为x
ax1.set_ylabel('y')
ax1.set_title('title') #图名称为title

#绘制小图，注意坐标系位置和大小的改变
ax2=fig.add_axes([0.2,0.6,0.25,0.25])
ax2.plot(y,x,'b') #颜色为bule
ax2.set_xlabel('x')
ax2.set_title('title inside 1')

#绘制第二个小图
plt.axes([0.6,0.2,0.25,0.25])
plt.plot(y[::-1],x,'g')  #将y进行逆序
plt.xlabel('x')
plt.ylabel('y')
plt.title('title inside 2')
plt.show()

  • 次坐标轴

x=np.arange(0,10,0.1)
y1=0.5*x**2
y2=-1*y1
fig,ax1=plt.subplots()

ax2=ax1.twinx()  #镜像显示
ax1.plot(x,y1,'g-')
ax2.plot(x,y2,'b-')

ax1.set_xlabel('x data')
ax1.set_ylabel('Y1 data',color='g') #第一个y坐标轴
ax2.set_ylabel('Y2 data',color='b') #第二个y坐标轴
plt.show()

韩明宇
关注
专栏目录
Python数据可视化利器——Matplotlib绘图详解
带你成为别人眼中的大佬！
04-03 437
Matplotlib是Python中最常用的数据可视化库之一，它提供了丰富的绘图函数和高度可定制的图形展示方式。本文将详细介绍Matplotlib的基础知识、常用的绘图函数、样式美化、子图绘制等内容，帮助读者快速掌握Matplotlib的使用技巧，轻松实现高质量的数据可视化。本文介绍了Matplotlib的基础知识、常用的绘图函数、样式美化和子图绘制等内容，希望读者可以通过本文快速掌握Matplotlib的使用技巧，实现高质量的数据可视化。在一个图像窗口中，我们可以添加多个子图来展示不同类型的数据。
Python数据可视化利器——Matplotlib基础介绍
AI天才研究院
09-13 2251
作者：禅与计算机程序设计艺术 1.简介 Matplotlib是一个开源的数据可视化库，它提供了一个简洁、直观、优美的接口用来创建静态图形，用于publication quality的图表生成。Matplotlib可以帮助研究者在各个领域进行数据可视化分析、数据科学和机器学习方面做出具有独到见解的结论。本
python数据可视化分析库matplotlib
人的一生
07-31 784
python数据可视化分析库matplotlib 二、Matplotlib 简介 1.matplotlib 对象总览 在matplotlib中，整个 图像为一个Figure对象。在 Figure对象中可以包含一个， 或者多个Axes对象。每个 Axes对象都是一个拥有自己 坐标系统的绘图区域。 一个 Figure可以理解成 一个画布或装图片的容器， 是绘图的承载对象，画布上 有很多绘图...
Python数据可视化库Matplotlib
nine_mink的博客
03-07 2560
前言 python的数据可视化库，Matplotlib，是一个Python的2D绘图库。通过这个库，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率图，条形图，错误图，散点图等等 一点一点画一张图 首先我们有一组数据如下： 我们可以看到，这组数据有日期，还有日期对应的值，因为这组数据中的日期格式不是标准的日期格式 那么我们对数据做一下转换，取1948年的整年的数据，来进行一个绘图操作 im...
Matplotlib数据可视化库
Java/Python大数据成长之路
08-23 974
Matplotlib是Python中最流行的数据可视化库之一，提供了丰富的绘图功能。使用Matplotlib可以用来绘制各种静态、动态、交互式的图表，包括折线图、散点图、柱状图、饼图等。Matplotlib通常与NumPy和SciPy一起使用。
04- Matplotlib数据可视化详解 (数据库)
March_A的博客
02-10 1073
Matplotlib的亮点:# 导包plt.figure图片大小plt. plot绘制网格线: 线型, 颜色, 透明度plt.grid# linestyle: 样式, color: 颜色, alpha: 透明度plt.axis坐标轴范围plt.xlimX轴范围plt.ylimY轴范围plt.xticks# 设置X轴刻度plt.yticks# 设置Y轴刻度plt.title('正弦波')plt.legend设置图例保存图片。
数据可视化Matplotlib-上
Qwertyuiop2016的博客
12-14 548
import matplotlib.pyplot as mp 1、mp.plot(x, y, linestyle=线型, linewidth=线宽, color=颜色, …) 功能：将x，y数组对应的值组成坐标上的点依次连接，如果xy都只有一个值，则是一条线段，xy是包含多个值的一维数组，则是很多条线段。 线型： - / – / : / -. / o / o- / 线宽：大于0的数 颜色：十六进制...
Python数据可视化——Matplotlib可视化（一）
01-07
 Python有很多非常优秀易用的数据可视化的库，作为入门在这里使用Python的matplotlib，事实上Python中很多可视化库都是基于matplotlib开发的。  Matplotlib是Python中最常用的可视化工具之一，可以非常方便地创建...
Python之数据可视化——matplotlib系统介绍(一)
OuKman的博客
09-26 3872
matplotlib系统介绍 目录 1. Matplotlib概述 2. 讲解Matplotlib核心原理 3. Matplotlib相关基础操作介绍 3.1创建figure(画布)的两种方式 3.2颜色、点标记与线型设置 3.3透明度设置 3.4图例设置 3.5网格设置 3.6 中文支持与特殊符号(负号)等相关设 置 1.Matplotlib概述 Matplotlib 是一个基于python 的绘图库，完全支持二维图像，有限支持三维图形，Matplotlib是python编程语言及其数据科学扩展包
python数据可视化 - Matplotlib——基于jupyter
02-21
该文件是.ipynb，可直接用jupyter打开运行 Matplotlib是一个强大的绘图工具，能满足几乎所有的2D和一些3D绘图的需求。... seaborn基础还是matplotlib，所有利用python进行数据分析可视化，学习matplotlib是基础。
matplotlib函数汇总
05-22
python关于matplotlib函数汇总及示例
第十一章 Matplotlib 库与数据可视化
weixin_52560205的博客
04-27 1800
Matplotlib 库与数据可视化程序演示
【数据可视化-01】Matplotlib图形实战宝典
最新发布
qq_38614074的博客
05-01 1万+
本文将介绍如何使用matplotlib绘制折线图、直方图、饼图、散点图和柱状图等数据分析中常见的图形，并附上相应的代码示例，可以当初matplotlib函数库来使用，将案列中的数据替换成自己真实的数据即可绘制出符合条件的图像。下面封装的ineChartPlotter类，是为绘制不同种类的折线图，有draw_line_chart、draw_line_ndims_one_dim和draw_nline_chart方法，具体的作用参看图片即可了解；最后，我们设置了X轴和Y轴的刻度标签，并为图表添加了标题。
10.数据库-Matplotlib
weixin_72505469的博客
08-25 676
10.数据库-Matplotlib
Day073 Matplotlib的使用
Melody_92的博客
09-17 293
Matplotlib的使用 Matplotlib 是一个 Python 的 2D绘图库。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。官网： https://matplotlib.org/ 为什么学习Matplotlib 可让数据可视化，更直观的真实给用户。使数据更加客观、更...
07-22 matplotlib 绘图数据库
weixin_46400833的博客
07-22 325
matplotlib 绘图数据库 plot 情节、图表 lib 包，库 edge： 边缘，刀刃 pyplot python的绘图模块 折线图的绘制 主要函数（十个参数）： plt.plot( x,y,ls= , lw = ,c= , marker= , markersize= , markeredgecolor, markerfacecolor= label= ) x :x轴上的数据 y：y轴上的数据 ls（line style）：折线的风格（ '-' 实线 ， ‘--’虚线， '-.'
【科学数据库】matplotlib绘图
m0_52762927的博客
08-19 206
基础： 软件安装：CONDA\Jupyter Notebook CONDA是包等管理文件 Jupyter Notebook是以网页的形式打开，可以在网页页面中直接编写代码和运行代码，代码的运行结果也会直接在代码块下显示。如在编程过程中需要编写说明文档，可在同一个页面中直接编写，便于作及时的说明和解释。 Jupyter Notebook–的使用==右侧选择python可以进行在线编程 数据可视化： matplotlib：类似于matlab，利用代码来画图的 用代码画图：确定xy，然后传入xy，最后展示
使用Pandas和Matplotlib实现数据探索性可视化
一键难忘的博客
05-01 3271
在数据分析和机器学习领域，数据可视化是一项至关重要的任务。它不仅能够帮助我们更好地理解数据，还可以揭示数据之间的关系和趋势。Pandas 和 Matplotlib 是 Python 中两个强大的库，它们可以协同工作，为数据探索性可视化提供了丰富的工具和功能。在本文中，我们将探讨如何使用这两个库来进行数据探索性可视化。
Python数据可视化matplotlib库
weixin_34396103的博客
09-29 112
开始 每次创建文件加上，避免中文乱码问题 # -*-coding:utf-8-*- 复制代码如果还遇到中文乱码问题可在Python文件代码上右键选择File Encoding，并选择UTF-8编码格式 matplotlib : matplotlib.org/ matplotlib各种示例画廊，单击图标即可查看用于生成图表的代码 绘制图之前注意安装matplotlib pip install mat...
Python数据可视化模板：Matplotlib与searborn50图
在这个资源中，你将学会如何使用Python的两个流行库——Matplotlib和seaborn——来创建复杂的图表和可视化效果。这不仅适用于数据分析和科学计算，对于那些想要提升数据可视化技能的开发者来说，它也是一套非常有...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值