Matplotlib介绍与安装

最新推荐文章于 2023-12-06 22:36:13 发布

Small-J

最新推荐文章于 2023-12-06 22:36:13 发布

阅读量922

点赞数 1

分类专栏： Python数据分析文章标签： python 数据分析可视化数据可视化

本文链接：https://blog.csdn.net/qq_37662827/article/details/105749880

版权

Python数据分析专栏收录该内容

14 篇文章 2 订阅

订阅专栏

3- Matplotlib介绍与安装

3-1 Matplotlib介绍和安装

Matplotlib介绍

什么是Matplotlib？
- Matplotlib是一个Python的绘图库，它可与Numpy一起使用，可以代替Matlab使用
为什么要学习Matplotlib？
- 将数据进行可视化，使数据更直观。
- 使数据更加更具有说服力

Matplotlib安装

pip install Matplotlib

3-2 Matplotlib绘制图形

3-2-1 图形与子图

Matplotlib所绘制的图位于图片（Figure）对象中。我们可以通过plt.figure生成一个新的图片：

from matplotlib import pyplot as plt
fig = plt.figure()

fig.add_subplot 为绘制图形
nrows 为行数
ncols 为列数
index 为创建的图片数量，注意（创建的时候不能大于nrows*ncols）

fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)
ax4.scatter(range(5),range(5))
plt.savefig('01.jpg')

在这里插入图片描述

plt.subplots(norws,ncols,sharex,sharey)

plt.subplots 为创建图形来设置子图（相当于是figure and add_subplot的集合）
nrows ：子图的行数
ncols ：子图的列数
sharex : 所有子图使用相同的x轴刻度
sharey : 所有子图使用相同的y轴刻度
return fig,axs 源码中该方法返回两个参数。

import matplotlib.pyplot as plt
fig,axs = plt.subplots(2,2)
axs[0,0].scatter(range(5),range(5))
axs[0,1].scatter(range(5),(range(5))[::-1])
plt.savefig('02.jpg')
plt.show()

在这里插入图片描述

基本使用

设置图片大小：plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
- num : 图像编号或名称，数字位编号，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
- facecolor : 背景颜色
- edgecolor : 边框颜色
- frameon: 是否显示边框
设置x轴的刻度：plt.xticks(ticks=None, labels=None)
- ticks : 刻度
- labells : 标签
- rotation : 旋转的度数
设置y轴的刻度：plt.yticks(ticks=None, labels=None)
- ticks : 刻度
- labells : 标签
- rotation : 旋转的度数
设置x轴标签 : plt.xlabel(xlabel, fontdict=None, labelpad=None, **kwargs)
- fontdict : 字体设置
- xlabel : x轴的标签
设置y轴标签：plt.ylabel(ylabel, fontdict=None, labelpad=None, **kwargs)
- fontdict : 字体设置
- xlabel : y轴的标签
设置图像加上图例：plt.lengend()
- loc : 设置图像的位置
设置网格： plt.grid()
图片显示：plt.show()
图片保存：plt.savefig()

3-2-2 折线图

折线图也称趋势图，它是用直线段将各数据点连接起来而组成的图形，以折线图方式显示数据的变化趋势

import matplotlib.pyplot as plt
plt.plot()  # 显示折线图

特点：能够显示数据的变化趋势，反映事情的变化情况
x : x轴
y : y轴
color : 设置线的颜色
marker : 标记样式
linestyle : 设置线的样式
label : 标签

plot函数画线样式释义

参数	说明
-	连续的曲线
–	连续的虚线
-.	连续的用带点的曲线
：	由点练成的曲线
.	小点，散点图
。	大点，散点图
，	像素点（更小的点）的散点图
*	五角星的点，散点图
>	右脚标记散点图
<	左脚标记散点图
1(2,3,4)	伞形上（下左右标记的散点图）
s	正方形标记散点图
p	五角星标记的散点图
v	下三角标记散点图
^	上三角标记散点图
h	多边形标记散点图
d	钻石标记散点图

x = [1,2,3,4]
y = [1,2,3,4]
plt.plot(x,y,color='red',marker='s')
plt.show()

在这里插入图片描述

x = [1,2,3,4]
y = [1,2,3,4]
plt.plot(x,y,color='red',linestyle='--',marker='s')
plt.show()

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XgMllpYq-1587797532766)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20200419153143972.png)]$

练习

假设一天中每隔两个小时的气温分别是[15,13,14.5,17,20,25,26,26,27,22,18,15]，绘制图形。

import matplotlib.pyplot as plt

x  = list(range(2,26,2))

y = [15,13,14.5,17,20,25,26,26,27,22,18,15]

# x_tick = list(range(24))

x_tick = [i/2 for i in range(48)]

x_lable = ["{}h".format(i/2) for i in range(48)]

##### xticks(ticks=None, labels=None, **kwargs)
##### ticks 为刻度
####  labels 当我们想传入字符串的时候就需要使用道labels来进行拼接操作

# 设置图片的大小和透明度
plt.figure(figsize=(14,8),dpi=80)

# 绘制虚线，并设置样式为虚线
plt.plot(x,y,linestyle='--')

# 设置x轴的刻度和x轴的标签,并进行旋转45度
plt.xticks(x_tick,labels=x_lable,rotation=45)

#设置title标签
plt.title('temperature variation')
# 设置x轴的标签
plt.xlabel('time')

# 设置y轴的标签
plt.ylabel('temperature')

# 绘制网格
plt.grid()

# 保存图片
plt.savefig('data.jpg')

# 展示图片
plt.show()

在这里插入图片描述

全局字体设置，显示中文

在matplotlib中并不友好显示中文，所以我们需要设置

import matplotlib

font = {'family':'SimHei'}

matplotlib.rc('font', **font)

局部字体设置，显示中文

from matplotlib import pyplot as plt
from matplotlib.font_manager import FontProperties
font = FontProperties(fname='本地电脑字体路径，只支持.ttc',size='字体大小')

练习

假设大家在30岁的时候，根据自己的实际情况，统计出来了你和同桌从11岁到30岁每年交的男女朋友的数量如列表a和b,请绘制出该数据的折线图,以便分析自己和同桌每年交男女朋友的数量走势

a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]

b = [1,0,3,1,2,2,2,3,1,1,1,1,1,2,1,1,2,3,2,2]

要求：

y轴表示个数
x轴表示岁数,比如11岁,12岁

from matplotlib import pyplot as plt

import matplotlib 

y1 = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]

y2 = [1,0,3,1,2,2,2,3,1,1,1,1,1,2,1,1,2,3,2,2]

x = list(range(11,31))

##### 显示中文设置 

font = {'family': 'SimHei',
       'weight': 'bold',
       'size': 15}

matplotlib.rc('font', **font)

# 标签
x_label = ['{}岁'.format(i) for i in  x]

# 图片大小和透明度
plt.figure(figsize=(15,8),dpi=80)

# x轴刻度，x轴标签 旋转
plt.xticks(x, x_label,rotation=45)

# 头标签
plt.title('十一岁到十三岁交往女朋友个数')

# x轴的标签
plt.xlabel('岁数')

# y轴的标签
plt.ylabel('个数')

# 折线图
plt.plot(x, y1,'--',label='我',color='red')
plt.plot(x, y2,'-.',label='同桌',color='blue')

# 显示图例
plt.legend()

# 绘制网格
plt.grid()

# 设置文字说明
def beautify_data(x_data,y_data):
    for x, y in zip(x_data, y_data):
        plt.text(x+0.1,y+0.1,str(y))
beautify_data(x,y1)
beautify_data(x,y2)

# 设置水印
plt.text(15, 5, 'SmallJ',font, color='gray',ha='right',va='bottom',alpha=1.72)
# 保存图片
plt.savefig('result.png')

# 显示图片
plt.show()

在这里插入图片描述

3-2-3 散点图

散点图介绍

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。
特点：判断变量之间是否存在数量关联趋势，表示离群点（分布规律）

散点图绘制

plt.scatter(x,y) # 以默认的形状颜色等绘制散点图

练习

假设通过爬虫你获取到了长沙2019年4,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间变化的某种规律

a = [11,17,16,11,12,11,12,13,10,14,8,13,12,15,14,17,18,21,16,17,30,14,15,15,15,19,21,22,22,22,23]

b = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,15,10,11,13,12,13,6]

from matplotlib import pyplot as plt
import matplotlib

##### 假设通过爬虫你获取到了长沙2019年4,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间变化的某种规律
a = [11,17,16,11,12,11,12,13,10,14,8,13,12,15,14,17,18,21,16,17,30,14,15,15,15,19,21,22,22,22,23]

b = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,15,10,11,13,12,13,6]

y = [11,17,16,11,12,11,12,13,10,14,8,13,12,15,14,17,18,21,16,17,30,14,15,15,15,19,21,22,22,22,23]

y2 = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,15,10,11,13,12,13,6]

x = range(1,32)
x2 = range(51,82)


x_label = ['四{}日'.format(i) for i in x]
x_label += ['十{}日'.format(i) for i in x]

font = {'family':'SimHei'}
matplotlib.rc('font', **font)

plt.figure(figsize=(18,8),dpi=80) 

x_tick = list(x) + list(x2)
plt.xticks(x_tick,x_label,rotation=45)


# 绘制图像
plt.scatter(x,y,label='四月份')
plt.scatter(x2,y2,label='十月份')

# 显示图例  upper left 表示显示上左方
plt.legend(loc='upper left')
plt.show()

在这里插入图片描述

练习2

了对某一产品进行合理定价，我们对此类商品进行了试销实验，价格与需求量数据如下。利用图表分析规律。

价格	60	80	40	30	70	90	95
需求量	100	50	120	135	65	45	40

price = [60,80,40,30,70,90,95]

sales = [100,50,120,135,65,45,40]

from matplotlib import pyplot as plt
import matplotlib

##### 为了对某一产品进行合理定价，我们对此类商品进行了试销实验，价格与需求量数据如下。利用图表分析规律。
##### price = [60,80,40,30,70,90,95]
##### sales = [100,50,120,135,65,45,40]

price = [60,80,40,30,70,90,95]

sales = [100,50,120,135,65,45,40]

plt.figure(figsize=(15, 8),dpi=80)

# 显示中文
font = {'family': 'SimHei'}
plt.rc('font', **font)
# 显示title
plt.title('试销实验')
plt.xlabel('价格')
plt.ylabel('需求量')
# 绘制散点图
plt.scatter(price, sales, label='价格于需求量数据')
plt.legend()
plt.show()

3-2-4 条形图

条线图介绍

条线图是用宽度相同的条线的高度或长短来表示数多少的图形。条形图可以横置或者纵置，纵置时也称为柱形图

特点

能够使人们一眼看出各个数据的大小
易于比较数据之间的差别

条形图绘制

条线图通过plt.bar()函数来绘制

plt.bar(x, height)
绘制以x为轴位置，height为y轴位置的竖条形图

水平条线图绘制

水平条线图通过barh()函数绘制

plt.barh(y, width)
绘制以y为y轴位置, width为y轴位置的水平条形图

a = ["流浪地球","复仇者联盟4:终局之战","哪吒之魔童降世","疯狂的外星人","飞驰人生","蜘蛛侠:英雄远征","扫毒2天地对决","烈火英雄","大黄蜂","惊奇队长","比悲伤更悲伤的故事","哥斯拉2:怪兽之王","阿丽塔:战斗天使","银河补习班","狮子王","反贪风暴4","熊出没","大侦探皮卡丘","新喜剧之王","使徒行者2:谍影行动","千与千寻"]

b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23,5.22]

from matplotlib import pyplot as plt
import matplotlib

# 显示中文
font = {'family':'SimHei'}
plt.rc('font',**font)

# 显示图形大小
plt.figure(figsize=(15,8), dpi=200)

# 显示标题和标签
plt.title('数据分析表')
plt.xlabel('票房房价')
plt.ylabel('电影名')

plt.barh(a[::-1],b[::-1])
plt.show()

在这里插入图片描述

练习

水果	Q1销售额	Q2销售额
苹果	1000	1200
梨子	800	700
车厘子	3000	2800

from matplotlib import pyplot as plt
import matplotlib

x = ['水果','梨子','车厘子']

y = [1000,800,3000]

y1 = [1200,700,2800]

# 显示中文
font = {'family':'SimHei'}
plt.rc('font',**font)
width = 0.35
move = width/2
x_1 = list(range(len(x)))
# 显示图形大小
plt.figure(figsize=(15,8), dpi=200)
plt.bar([i+move for i in x_1],y,width=0.35)
plt.bar([i-move for i in x_1],y1,width=0.35)
plt.show()

在这里插入图片描述

3-2-5 直方图

直方图介绍

直方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范围，纵轴表示分布情况

特点

绘制连续性的数据，展示一组或者多组数据的分布情况（统计）

直方图通过hist()函数绘制

plt.hist(x,bins=None)
绘制以x为数值，bins为组数
极差 = 数据的最大值减最小值
组距：两个点之间的距离
组数 = 极差/组距

练习

某地区连续50年中四月份平均气温数据如下：

temp_li = [6.9,4.1,6.6,5.2,6.4,7.9,8.6,3.0,4.4,6.7,7.1,4.7,9.1,6.8,8.6,5.2,5.8,7.9,5.6,8.8,8.1,5.7,8.4,4.1,6.4,6.2,5.2,6.8,5.6,5.6,6.8,8.2,6.4,4.8,6.9,7.1,9.7,6.4,7.3,6.8,7.1,4.8,5.8,6.5,5.9,7.3,5.5,7.4,6.2,7.7]。

根据以上数据，推断该地区四月份平均气温的分布类型。

from matplotlib import pyplot as plt

#### temp_li = [6.9,4.1,6.6,5.2,6.4,7.9,8.6,3.0,4.4,6.7,7.1,4.7,9.1,6.8,8.6,5.2,5.8,7.9,5.6,8.8,8.1,5.7,8.4,4.1,6.4,6.2,5.2,6.8,5.6,5.6,6.8,8.2,6.4,4.8,6.9,7.1,9.7,6.4,7.3,6.8,7.1,4.8,5.8,6.5,5.9,7.3,5.5,7.4,6.2,7.7]。 

# 极差 最大值减最小值
# 组距 两个点之间的距离
# 组数  = 极差/组距

temp_li = [6.9,4.1,6.6,5.2,6.4,7.9,8.6,3.0,4.4,6.7,7.1,4.7,9.1,6.8,8.6,5.2,5.8,7.9,5.6,8.8,8.1,5.7,8.4,4.1,6.4,6.2,5.2,6.8,5.6,5.6,6.8,8.2,6.4,4.8,6.9,7.1,9.7,6.4,7.3,6.8,7.1,4.8,5.8,6.5,5.9,7.3,5.5,7.4,6.2,7.7]

plt.figure(figsize=(15,8),dpi=80)

max_data = max(temp_li)  # 9.7
min_data = min(temp_li)  # 3.0 

# 极差 进行四舍五入
cha = round(max_data-min_data)

# 组距
b = 1

# 组数
bind = int(cha/b)

plt.hist(temp_li,bins=bind)
plt.show()

在这里插入图片描述

3-2-6 扇形图

扇形图介绍

扇形图，用整个表示总数，用圆内各个扇形的大小表示各部分数量占总数的百分数

扇形图绘制

扇形图通过plt.pie()函数绘制
plt.ple(x, explode=None, labels=None)
- x 扇形数据
- explode每个扇形半径百分比
- labels每块扇形标签
- autopct百分比数据标签
练习

将以下frac数据绘制扇形图，并且设置其扇形标签为label

frac = [1/50,6/50,11/50,15/50,9/50,6/50,2/50]

label = [’[3,4]’,’(4,5]’,’(5,6]’,’(6,7]’,’(7,8]’,’(8,9]’,’(9,10]’]

from matplotlib import pyplot as plt

frac = [1/50,6/50,11/50,15/50,9/50,6/50,2/50]

label = ['[3,4]','(4,5]','(5,6]','(6,7]','(7,8]','(8,9]','(9,10]']

##### `plt.ple(x, explode=None, labels=None)`
##### x 扇形数据
##### explode每个扇形半径百分比
#### labeles 为每个扇形的标签
#### autopct 百分比数据标签

plt.pie(x=frce)

plt.figure(figsize=(15,8),dpi=80)
plt.pie(x=frac, labels=label,autopct='%.2f%%')
plt.show()

在这里插入图片描述

Small-J

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Matplotlib介绍与安装

3- Matplotlib介绍与安装3-1 Matplotlib介绍和安装Matplotlib介绍什么是Matplotlib？Matplotlib是一个Python的绘图库，它可与Numpy一起使用，可以代替Matlab使用为什么要学习Matplotlib？将数据进行可视化，使数据更直观。使数据更加更具有说服力Matplotlib安装 pip install M...
复制链接

扫一扫