2023-02-05

双Y轴曲线/折线图

import matplotlib.pyplot as plt
import numpy as np
# 数据生成
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图表
fig, ax1 = plt.subplots()
# 绘制第一个坐标轴
color = 'tab:red'
ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y1-axis', color=color)
ax1.plot(x, y1, color=color)
ax1.tick_params(axis='y', labelcolor=color)
# 创建第二个坐标轴
ax2 = ax1.twinx()  # 共享x轴
color = 'tab:blue'
ax2.set_ylabel('Y2-axis', color=color)
ax2.plot(x, y2, color=color)
ax2.tick_params(axis='y', labelcolor=color)
# 显示图表
fig.tight_layout()  # 自动调整布局
plt.show()

带有置信带的曲线图

• 概率图或拟合线图上的直线，表示位于数据范围内的拟合线上所有点的置信上限和下限。在拟合线图上，给定预测变量值的响应均值的置信区间是紧邻其上或其下的置信带上的点。在概率图上，置信带表示当数据点与指定分布相拟合时它们应该落在的区域。

import matplotlib.pyplot as plt
import numpy as np
# 数据生成
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 计算置信带
y_err = 0.1 * np.ones_like(y)
# 创建图表
fig, ax = plt.subplots()
# 绘制曲线图
ax.plot(x, y, label='Data')
# 绘制置信带
ax.fill_between(x, y - y_err, y + y_err, alpha=0.2, label='Confidence Band')
# 设置标题和标签
ax.set_title("Curve with Confidence Band")
ax.set_xlabel("X-axis")
ax.set_ylabel("Y-axis")
ax.legend()
# 显示图表
plt.show()

箱线图

• 是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。 箱线图的绘制方法是：先找出一组数据的上边缘、下边缘、中位数和两个四分位数；然后， 连接两个四分位数画出箱体；再将上边缘和下边缘与箱体相连接，中位数在箱体中间。

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
# 数据生成
np.random.seed(0)
data = [np.random.normal(100, 10, 200),
        np.random.normal(90, 20, 200),
        np.random.normal(80, 30, 200)]
# 设置主题
sns.set_theme(style="whitegrid")
# 创建图表
fig, ax = plt.subplots(figsize=(8, 6))
# 绘制箱线图
sns.boxplot(data=data, orient="h", color="yellow", saturation=0.5)
# 设置标题和标签
ax.set_title("Box Plot with Seaborn", fontsize=16, fontweight='bold')
ax.set_xlabel("X-axis", fontsize=14)
# 显示图表
plt.show()

气泡（颜色映射）图

• 能够直观生动地展示多个时间下离散数据的差异

import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)
# 绘制散点图，并使用颜色映射（比如z）控制气泡的大小和颜色
plt.scatter(x, y, c=z, cmap='viridis', s=1000 * z)# plasma
# 添加标题和坐标轴标签
plt.title("Bubble Plot with Color Map")
plt.xlabel("X")
plt.ylabel("Y")
# 显示图像
plt.show()

线状误差图

import matplotlib.pyplot as plt
import numpy as np
# 模拟数据
x = np.linspace(0, 10, 50)
y = 2 * x + 1
y_error = y + np.random.normal(0, 2, size=50)
# 绘制误差图
plt.errorbar(x, y, yerr=y_error - y, fmt='o')
plt.plot(x, 2 * x + 1, color='red')
plt.show()

二维核密度图

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KernelDensity
# 模拟数据
np.random.seed(1)
data = np.concatenate((np.random.normal(0, 1, 80), np.random.normal(5, 1, 20)))
# 训练核密度估计器
kde = KernelDensity(kernel='gaussian', bandwidth=0.75).fit(data[:, None])
# 生成数据并绘制图像
x_grid = np.linspace(-2, 10, 1000)
log_pdf = kde.score_samples(x_grid[:, None])
pdf = np.exp(log_pdf)
plt.fill_between(x_grid, pdf, alpha=0.5)
plt.hist(data, bins=20, density=True, alpha=0.5)
plt.show()

三维核密度图

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KernelDensity
from mpl_toolkits.mplot3d import Axes3D
# 模拟数据
np.random.seed(1)
data = np.random.normal(0, 1, (100, 2))
# 训练核密度估计器
kde = KernelDensity(kernel='gaussian', bandwidth=0.75).fit(data)
# 生成数据并绘制图像
x, y = np.mgrid[-2:2:0.1, -2:2:0.1]
grid = np.c_[x.ravel(), y.ravel()]
log_pdf = kde.score_samples(grid)
pdf = np.exp(log_pdf).reshape(x.shape)
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(x, y, pdf, cmap='viridis')
plt.show()