直方图，条形图，饼图

直方图

在 matplotlib 中，可以通过 plt.hist 函数画直方图

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

#初始化 NumPy 的随机数，并生成以 5 为中心，宽度为正负 10 的 1000 个符合正态分布的随机数，作为我们画图的数据源
np.random.seed(100)
hints = np.random.normal(5, 10, 1000)
#print(hints.mean(), hints.std())

# 创建画布
figure1 = plt.figure(figsize = (10, 5))
figure1.add_subplot(1,1,1)

# 设置轴的属性，轴属性相关的函数都支持fontsize 参数来设置字号
# 这里我们都设置为 14

plt.xlabel("值", fontsize = 14)
plt.ylabel("频率", fontsize = 14)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.title("正态分布的直方图", fontsize=14)

# 设置画布基本属性：1.显示中文  2.显示负号
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False

# 画直方图，分10组，用蓝色来画
plt.hist(hints, bins=10, color=[0,0,1])
plt.show()

运行后如下

这里我们顺便说下
bins 的值代表了要把数据分成几组，也就代表了图上一种会有多少个长方形。bins 越大，体现得就越精确，但相应的分布特征可能就越不明显
比如我们把bin改成50

运行后如下：

可以看到，分组变多后，直方图展示了更多关于原始数据的信息，但是也出现了较多的锯齿，但整体仍然是正态分布的形状

属性2

直方图另外一个非常有用的参数就是 edgecolor，即每个长方形的边框颜色
上面的直方图中间区域是一片蓝，有时候并不利于做进一步的数据分析
这个时候我们可以设置 plt.hist 函数的 edgecolor 属性，来让每个长方形都有一个边框颜色

#coding: utf-8
#date = 2022/9/11

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

#初始化 NumPy 的随机数，并生成以 5 为中心，宽度为正负 10 的 1000 个符合正态分布的随机数，作为我们画图的数据源
np.random.seed(100)
hints = np.random.normal(5, 10, 1000)
#print(hints.mean(), hints.std())

# 创建画布
figure1 = plt.figure(figsize = (10, 5))
figure1.add_subplot(1,1,1)

# 设置轴的属性，轴属性相关的函数都支持fontsize 参数来设置字号
# 这里我们都设置为 14

plt.xlabel("值", fontsize = 14)
plt.ylabel("频率", fontsize = 14)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.title("正态分布的直方图", fontsize=14)

# 设置画布基本属性：1.显示中文  2.显示负号
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False

# 画直方图，分50组，设置长方形的边框颜色是黑色
plt.hist(hints, bins=50, color=[0,0,1], edgecolor = [0,0,0])
plt.show()

运行后如下

展示多个直方图

为了模拟多个直方图，我们首先生成另外两个数据源

#coding: utf-8
#date = 2022/9/11

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

hints = np.random.normal(5, 10, 1000)
hints_1 = np.random.normal(0, 8, 500)
hints_2 = np.random.normal(15, 10, 800)

#接下来我们三次调用 plt.hist 即可，为了区分，我们使用三种不同的颜色来画
# 创建画布
figure1 = plt.figure(figsize = (10, 5))
figure1.add_subplot(1,1,1)

# 设置轴的属性，轴属性相关的函数都支持fontsize 参数来设置字号
# 这里我们都设置为 14

plt.xlabel("值",fontsize = 14)
plt.ylabel("频率", fontsize = 14)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.title("正态分布的直方图", fontsize=14)

# 设置画布基本属性：1.显示中文  2.显示负号
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False

# 第一个用蓝色,使用 plt.hist 函数的 alpha 属性，来让三个图都有一定的透明度
plt.hist(hints, bins=50, color=[0,0,1], edgecolor=[0,0,0], alpha = 0.5)

# 第二个用绿色
plt.hist(hints_1, bins=50, color=[0,1,0], edgecolor=[0,0,0], alpha = 0.5)

# 第三个用红色
plt.hist(hints_2, bins=50, color=[1,0,0], edgecolor=[0,0,0], alpha = 0.5)

plt.show()

运行如下：

条形图

条形图，又称为柱状图，有的地方也把横版的称为条形图，竖版的称为柱状图，这里我们统称条形图

#coding: utf-8
#date = 2022/9/11

import matplotlib.pyplot as plt
import numpy as np


math_scores = np.array([71,65,70,96,64])
chinese_scores = np.array([84,75,68,83,57])
english_scores = np.array([55,78,76,91,64])

# 创建画布
figure2 = plt.figure(figsize = (10, 5))
figure2.add_subplot(1,1,1)

# 设置轴的属性
plt.xlabel("", fontsize = 14)
plt.ylabel("平均分", fontsize = 14)
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)

plt.title("期中成绩条形图", fontsize=14)

# 设置画布基本属性：1.显示中文  2.显示负号
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False
category = ["一班", "二班", "三班", "四班", "五班"]

# 使用 index 数组来代替类别
index_category = np.arange(len(category))
# 指定每条条形的宽度
bar_width = 0.25
# 指定宽度为 bar_width, 并且绘制在 index - bar_width 的区域，也就是每组图的左边
plt.bar(index_category - bar_width, chinese_scores, width=bar_width, color=[0,0,1])
# 指定宽度为 bar_width, 并且绘制在 index 的区域，也就是每组图的中间
plt.bar(index_category, math_scores, width=bar_width, color=[0,1,0])
# 指定宽度为 bar_width, 并且绘制在 index + bar_width 的区域，也就是每组图的右边
plt.bar(index_category + bar_width, english_scores, width=bar_width, color=[1,0,0])

plt.show()

运行如下

饼图

plt.pie 函数可以绘制饼图
pie 函数由以下几个关键参数实现功能

1. x：饼图每一块的占比列表，列表有几个元素就代表饼图分几块
2. explode：凸出显示，也是一个列表，和 x 一一对应，代表具体某一块是否要凸出显示
3. colors：列表，和 x 一一对应，代表每一块的颜色
4. labels：标签文本列表，和 x 一一对应，代表每一块的标题
5. autopct：代表百分比文本的格式
6. startangle： 默认饼图是从角度为 0 的位置逆时针开始画，这里可以指定初始角度
7. labeldistance：文本标签距离饼图的距离
8. pctdistance：百分比标签距离饼图中心的距离
   假设我们对一个年级的学生，统计历史上得过三好学生称号的情况，完全没得过的占比为 40%， 得过一次的占比为 30%， 二次的为 25%， 三次以上的为 5%。现在我们用饼图表示这个数据，并将得过三次以上的凸出显示

import matplotlib.pyplot as plt

# 创建画布
figure5 = plt.figure(figsize = (10, 5))
figure5.add_subplot(1,1,1)

plt.rcParams["font.sans-serif"] = "SimHei"

plt.rcParams["axes.unicode_minus"] = False

# 设置饼图数据源
category = ["没有得过", "得过一次", "得过二次", "得过三次以上"]
size = [40, 30, 25, 5]

# 用四种不同的颜色绘制不同的部分
color = ["r", "g", "b", "c"]

explode = [0,0,0,0.1]

# 绘制饼图
plt.pie(size,explode=explode,colors=color,labels=category,labeldistance= 1.1, autopct="%1.1f%%", startangle=90,pctdistance=0.6)
plt.show()

运行如下：