matplotlib绘图大全

自学用，综合整理了以下资料：

1. 论文画图工具：25个常用Matplotlib图的Python代码总结
2. matplotlib常用绘制图的代码总结
3. Matplotlib全部基础可视化图形及实现代码（共11种图形）
4. 利用python进行数据分析—七、绘图与可视化—matplotlib与seaborn

导入包和初始设置

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import warnings; warnings.filterwarnings(action='once')
 
large = 22; med = 16; small = 12
params = {'axes.titlesize': large,
          'legend.fontsize': med,
          'figure.figsize': (16, 10),
          'axes.labelsize': med,
          'axes.titlesize': med,
          'xtick.labelsize': med,
          'ytick.labelsize': med,
          'figure.titlesize': large}
plt.rcParams.update(params)
plt.style.use('seaborn-whitegrid')
sns.set_style("white")
%matplotlib inline

如果无法显示汉字，则：

plt.rcParams['font.sans-serif'] = ['SimHei'] # 替换sans-serif字体
plt.rcParams['axes.unicode_minus'] = False   # 解决坐标轴负数的负号显示问题

不同操作类型

基本设置，标题，label，xlim等等

pyplot接口中有xlim方法来控制绘图范围，有xticks方法来控制刻度位置，有xticklabels方法来控制刻度标签,xlabel方法来控制轴标签，title方法来控制标题。

所有的这些方法都会在当前创建的AxesSubplot上生效。这些方法中每一个对应于子图自身的两个方法。

1. xlim对应于ax.get_lim与ax.set_lim
2. xticks对应于ax.get_xticks与ax.set_xticks
3. xticklabels对应于ax.get_xticklabels与ax.set_xticklabels
4. xlabel对应于ax.get_xlabel与ax.set_xlabel
5. title对应于ax.get_title与ax.set_title

图例是用来区分绘图元素的重要内容。最简单的方式是在plot方法中传入label参数，然后调用plt.legend或者ax.legend方法自动生成图例。其中legend方法中参数loc控制图例的位置。

对于multiple subplots一般情况下，
1）设置 plt.xticks(range(0, 10))只会对最后一个ax起作用。要想作用于所有subplots，要这样：

for ax in axes:
    ax.set_xticks(range(0, 10))

2）标题：显示中文方面-在各个子图上要这样：

plt.title('某个子图的中文title', fontproperties='simhei')
plt.suptitle(‘全体子图的中文title’)

3）xticks的旋转方面。例如上面的主副坐标轴的共x轴，要这样：

ax1.set_xticklabels(['str format labels'], rotation=80)

4）添加子图

fig =  plt.figure(figsize=(16, 9), dpi=80)
ax1 = fig.add_subplot(1,1,1)

5）设置tick lim xlabel text等等

plt.xticks( np.arange(1, 11, 1)) # x-tick刻度
plt.yticks(np.arange(0, 101, 10))  # y-tick刻度
plt.xlabel(r'x坐标')  #x-label
plt.ylabel(r'y坐标')  # y-label
plt.xlim(-20,20)   #x范围
plt.ylim(0,200) # y范围
plt.title(r'散点图示例') 
plt.grid()  #网格
plt.text(1, 10, "解释说明", weight="bold", color="r", fontsize=20, verticalalignment='bottom',
horizontalalignment="center") # 标注
plt.annotate("未达标平均线", xy=(1, 80), arrowprops=dict(arrowstyle="<->"), fontsize=20, xytext=(1, 60)) #箭头
plt.axhline(80, linestyle="--", color="r", label="80%水平线", ) #值为80的水平线
plt.axvline(30,color="r",label="平均线",linestyle=":") #值为30的竖直线
plt.axhspan(ymin=2.6, ymax=3.4,alpha=0.3) # 纵向范围为2.6到3.4的水平区域
plt.axvspan(xmin=40, xmax=46,alpha=0.3) # 横向范围为40到46的竖直区域
plt.legend(loc="upper left", fontsize=20)
plt.show()

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。

fig,ax = plt.subplots()的使用

• 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）。
• fig, ax = plt.subplots()是用来创建 总画布/figure“窗口”的，有figure就可以在上边（或其中一个子网格/subplot上）作图了，（fig：是figure的缩写）。
• plt.subplot(111)是plt.subplot(1, 1, 1)另一个写法而已，更完整的写法是plt.subplot(nrows=1, ncols=1, index=1)
• fig, ax = plt.subplots()等价于fig, ax = plt.subplots(11)
• fig, axes = plt.subplots(2, 3)：即表示一次性在figure上创建成2*3的网格，使用plt.subplot()只能一个一个的添加
• 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)

fig,ax = plt.subplots()：建立一个fig对象和一个axis对象
在不同子图绘图时两种选择：

1. 选定不同子图axis绘图

fig,ax = plt.subplots(2,2,figsize=(9,25))
# 选定第一个子图
ax1 = plt.subplot(221)
ax1.plot(x1,y1)
# 选定第二个子图
ax2 = plt.subplot(222)
ax2.plot(x2,y2)

2. 使用索引绘图

fig,ax = plt.subplots(2,2,figsize=(9,25))
ax[1].plot(x1,y1)
ax[2].plot(x2,y2)

plt.subplot的使用

plt.figure()生成一个空白图片，figsize设置图片的大小，想要在空白图片上进行绘图，使用add_subplot()创建一个或多个子图。

不同绘图类型

1. 散点图

Scatteplot是用于研究两个变量之间关系的经典和基本图。如果数据中有多个组，则可能需要以不同颜色可视化每个组。

# Import dataset 
midwest = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/midwest_filter.csv")
 
# Prepare Data 
# Create as many colors as there are unique midwest['category']
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i/float(len(categories)-1)) for i in range(len(categories))]
 
# Draw Plot for Each Category
plt.figure(figsize=(16, 10), dpi= 80, facecolor='w', edgecolor='k')
 
for i, category in enumerate(categories):
    plt.scatter('area', 'poptotal', 
                data=midwest.loc[midwest.category==category, :], 
                s=20, c=colors[i], label=str(category))
 
# Decorations
plt.gca().set(xlim=(0.0, 0.1), ylim=(0, 90000),
              xlabel='Area', ylabel='Population')
 
plt.xticks(fontsize=12); plt.yticks(fontsize=12)
plt.title("Scatterplot of Midwest Area vs Population", fontsize=22)
plt.legend(fontsize=12)    
plt.show()

2. 折线图

 import matplotlib.pyplot as plt
import numpy as np

plt.figure(figsize=(16, 9), dpi=80)
plt.rcParams["font.sans-serif"] = ["SimHei"]
x = np.arange(1, 11, 1)
y_ticks = np.arange(0, 101, 10)
y = np.random.randint(1, 100, size=(10))
y_2 = np.random.randint(1, 100, size=(10))
plt.plot(x, y, label="最高标准")
plt.plot(x, y_2, label="最低标准", color="r")
plt.xticks(x)
plt.yticks(y_ticks)
plt.ylim(0, 110)
plt.xlim(0, 11)
plt.xlabel("x轴")
plt.ylabel("y轴")
plt.title("折线图")
plt.text(1, 10, "解释说明")
plt.legend()
plt.show()

3.柱状图

import matplotlib.pyplot as plt
import numpy as np

y = np.arange(10, 101, 10)
x = np.arange(1, 11)
label = ["一", "二", "三", "四", "五", "六", "七", "八", "九", "十"]
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.figure(figsize=(16, 9), dpi=80)
plt.bar(x, y, width=0.5, label="完成量", color="#ed5736")
plt.xticks(np.arange(1, 11, 1), label)
plt.title("测试", fontsize=50)

plt.text(1, 10, "10%", weight="bold", color="b", fontsize=20, ha="center", va="bottom")
plt.text(2, 20, "20%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(3, 30, "30%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(4, 40, "40%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(5, 50, "50%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(6, 60, "60%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(7, 70, "70%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(8, 80, "80%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(9, 90, "90%", weight="bold", color="r", fontsize=20, verticalalignment='bottom', horizontalalignment="center")
plt.text(10, 100, "100%", weight="bold", color="r", fontsize=20, verticalalignment='bottom',
         horizontalalignment="center")
plt.annotate("未达标平均线", xy=(1, 80), arrowprops=dict(arrowstyle="<->"), fontsize=20, xytext=(1, 60))
plt.ylim(0, 120)
plt.xlim(0, 11)
plt.axhline(80, linestyle="--", color="r", label="80%水平线", )
plt.xlabel("x轴", fontsize=24)
plt.ylabel("y轴", fontsize=24)
plt.legend(loc="upper left", fontsize=20)
plt.grid( axis="y", )
plt.show()

4. 直方图

import matplotlib.pyplot as plt
import numpy as np
plt.figure(figsize=(16, 9), dpi=80)
plt.rcParams["font.sans-serif"] = ["SimHei"]
x=np.random.randint(0,100,100)
y=np.arange(0,100,10)
plt.hist(x,y)
plt.show()

5.堆积条形图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体
y = np.arange(5)
x = np.array([16, 8, 22, 44, 36])
y1 = np.arange(0,5,1)
x1 = np.arange(0,101,20)
xerr = np.array(5)
error =[1,2,3,4,5]
name = np.array(["电影一","电影二","电影三","电影四","电影五"])
plt.barh(y, x,height=0.3,label= "动作电影票房",color="#ed5736")
plt.barh(y, x,height=0.3,label= "喜剧电影票房",color="k",xerr=error,left=x)
plt.yticks(y1, name)
plt.xticks(x1)
plt.xlim(0,100)
plt.xlabel("总票房")
plt.ylabel("电影名称")
plt.title("电影票房总收入")
plt.axvline(30,0,1,color="r",label="平均线",linestyle=":")
plt.grid(axis="x", label="网格线")
plt.axhspan(ymin=2.6, ymax=3.4,alpha=0.3)
plt.axvspan(xmin=40, xmax=46,alpha=0.3)
plt.legend()
plt.show()

6. 面积图

import matplotlib.pyplot as plt
import numpy as np
ran1=np.random.randint(1,20,size=10)
ran2=np.random.randint(1,30,size=10)
ran3=np.random.randint(1,20,size=10)
x= np.arange(0,10,1)
plt.figure(figsize=(16, 9), dpi=80)
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.stackplot(x,ran1,)
plt.stackplot(x,ran2,)
plt.stackplot(x,ran3,)
plt.xlim(0,10)
plt.show()

7.箱型图

import matplotlib.pyplot as plt
import numpy as np
plt.figure(figsize=(16, 9), dpi=80)
plt.rcParams["font.sans-serif"] = ["SimHei"]
data=np.random.randn(100)
plt.boxplot(data,meanline=True,widths=0.1,showfliers=False,patch_artist=True)
plt.show()

8.误差棒图

import matplotlib.pyplot as plt
import numpy as np
plt.figure(figsize=(16, 9), dpi=80)
plt.rcParams["font.sans-serif"] = ["SimHei"]
x =np.arange(5)
y= (25,32,34,20,25)
y_offest=(3,5,2,3,3)
plt.errorbar(x,y,yerr=y_offest,capsize=5,capthick=5)
plt.show()

9.雷达图

import matplotlib.pyplot as plt
import numpy as np
plt.figure(figsize=(16, 9), dpi=80)
plt.rcParams["font.sans-serif"] = ["SimHei"]
data =np.random.rand(6,6)
# rradar_labels=["研究型（I）","艺术性（A）","社会性（S）","企业性（E）","传统性（C）","现实性（R）"]
#  radar_labels= np.concatenate((radar_labels,[radar_labels[0]]))
anghles=np.linspace(0,2*np.pi,6,endpoint=False)
anghles = np.concatenate((anghles,[anghles[0]]))
data=np.concatenate((data,[data[0]]))
plt.polar(anghles,data)
plt.thetagrids((anghles*180/np.pi))
plt.fill(anghles,data,alpha=0.25)
plt.show()

10.带线性回归最佳拟合线的散点图

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_select = df.loc[df.cyl.isin([4,8]), :]
 
# Plot
sns.set_style("white")
gridobj = sns.lmplot(x="displ", y="hwy", hue="cyl", data=df_select, 
                     height=7, aspect=1.6, robust=True, palette='tab10', 
                     scatter_kws=dict(s=60, linewidths=.7, edgecolors='black'))
 
# Decorations
gridobj.set(xlim=(0.5, 7.5), ylim=(0, 50))
plt.title("Scatterplot with line of best fit grouped by number of cylinders", fontsize=20)

11.计数图

避免点重叠问题的另一个选择是增加点的大小，这取决于该点中有多少点。因此，点的大小越大，周围的点的集中度就越大。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
df_counts = df.groupby(['hwy', 'cty']).size().reset_index(name='counts')
 
# Draw Stripplot
fig, ax = plt.subplots(figsize=(16,10), dpi= 80)    
sns.stripplot(df_counts.cty, df_counts.hwy, size=df_counts.counts*2, ax=ax)
 
# Decorations
plt.title('Counts Plot - Size of circle is bigger as more points overlap', fontsize=22)
plt.show()

12.边缘直方图

边缘直方图具有沿X和Y轴变量的直方图。这用于可视化X和Y之间的关系以及单独的X和Y的单变量分布。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
 
# Create Fig and gridspec
fig = plt.figure(figsize=(16, 10), dpi= 80)
grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)
 
# Define the axes
ax_main = fig.add_subplot(grid[:-1, :-1])
ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])
 
# Scatterplot on main ax
ax_main.scatter('displ', 'hwy', s=df.cty*4, c=df.manufacturer.astype('category').cat.codes, alpha=.9, data=df, cmap="tab10", edgecolors='gray', linewidths=.5)
 
# histogram on the right
ax_bottom.hist(df.displ, 40, histtype='stepfilled', orientation='vertical', color='deeppink')
ax_bottom.invert_yaxis()
 
# histogram in the bottom
ax_right.hist(df.hwy, 40, histtype='stepfilled', orientation='horizontal', color='deeppink')
 
# Decorations
ax_main.set(title='Scatterplot with Histograms 
 displ vs hwy', xlabel='displ', ylabel='hwy')
ax_main.title.set_fontsize(20)
for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
    item.set_fontsize(14)
 
xlabels = ax_main.get_xticks().tolist()
ax_main.set_xticklabels(xlabels)
plt.show()

13.边缘箱形图

边缘箱图与边缘直方图具有相似的用途。

# Import Data
df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/mpg_ggplot2.csv")
 
# Create Fig and gridspec
fig = plt.figure(figsize=(16, 10), dpi= 80)
grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)
 
# Define the axes
ax_main = fig.add_subplot(grid[:-1, :-1])
ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])
ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])
 
# Scatterplot on main ax
ax_main.scatter('displ', 'hwy', s=df.cty*5, c=df.manufacturer.astype('category').cat.codes, alpha=.9, data=df, cmap="Set1", edgecolors='black', linewidths=.5)
 
# Add a graph in each part
sns.boxplot(df.hwy, ax=ax_right, orient="v")
sns.boxplot(df.displ, ax=ax_bottom, orient="h")
 
# Decorations ------------------
# Remove x axis name for the boxplot
ax_bottom.set(xlabel='')
ax_right.set(ylabel='')
 
# Main Title, Xlabel and YLabel
ax_main.set(title='Scatterplot with Histograms 
 displ vs hwy', xlabel='displ', ylabel='hwy')
 
# Set font size of different components
ax_main.title.set_fontsize(20)
for item in ([ax_main.xaxis.label, ax_main.yaxis.label] + ax_main.get_xticklabels() + ax_main.get_yticklabels()):
    item.set_fontsize(14)
 
plt.show()

14.相关图

直观地查看给定数据帧（或2D数组）中所有可能的数值变量对之间的相关度量。

# Import Dataset
df = pd.read_csv("https://github.com/selva86/datasets/raw/master/mtcars.csv")
 
# Plot
plt.figure(figsize=(12,10), dpi= 80)
sns.heatmap(df.corr(), xticklabels=df.corr().columns, yticklabels=df.corr().columns, cmap='RdYlGn', center=0, annot=True)
 
# Decorations
plt.title('Correlogram of mtcars', fontsize=22)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.show()

15.矩阵图

成对图是探索性分析中的最爱，以理解所有可能的数字变量对之间的关系。它是双变量分析的必备工具。

# Load Dataset
df = sns.load_dataset('iris')
 
# Plot
plt.figure(figsize=(10,8), dpi= 80)
sns.pairplot(df, kind="scatter", hue="species", plot_kws=dict(s=80, edgecolor="white", linewidth=2.5))
plt.show()

# Load Dataset
df = sns.load_dataset('iris')
 
# Plot
plt.figure(figsize=(10,8), dpi= 80)
sns.pairplot(df, kind="reg", hue="species")
plt.show()

16. 三维图

X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)


fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1,cmap=cm.viridis)
plt.show()