目录
1. 前言
数据可视化 指的是通过 可视化表示 来 探索数据，通过 使用代码 来探索数据集的 规律 和 关联。漂亮的呈现数据并非仅仅关乎漂亮的图片，通过以引人注目的简单方式呈现数据，能让观看者明白其中的含义：发现数据集中原本未知的规律和意义。
2. 绘制折线图
绘制平方数列 1、4、9、16、25 的折线图。
# 导入 pyplot 模块，并指定别 plt，以免反复输入 matplotlib.pyplot
import matplotlib.pyplot as plt
squares = [1,4,9,16,25]
(fig,ax) = plt.subplots()
ax.plot(squares)
plt.show() 
代码中使用的函数和方法解释说明：
- subplots () 函数：在一张图片上绘制一个或者多个图表
- show () 函数：打开 Matplotlib 查看器，并显示绘制的图表
- plot () 方法：它尝试根据给定的数据以有意义的方式绘制图表
- fig 变量：表示整张图片
- ax 变量：表示图片中的各个图表
2.1 修改标签文字和线条粗细
如果标签的文字太小、线条太细，难以看清，就很糟糕。所幸的是 Matplotlib 让你能够调整 可视化的各个方面。下面通过一些定制来改善这个图表的可读性。
# 导入pyplot模块，并指定别plt，以免反复输入pyplot
import matplotlib.pyplot as plt
squares = [1,4,9,16,25]
(fig,ax) = plt.subplots()
ax.plot(squares,linewidth = 3)
# 设置图表标题，并给坐标轴加上标签
ax.set_title('squares',fontsize = 24)
ax.set_xlabel('value',fontsize = 14)
ax.set_ylabel('squares_of_value',fontsize = 14)
# 设置刻度标记的大小
ax.tick_params(axis = 'both',labelsize = 14)
plt.show()
代码中使用的函数和方法解释说明：
- 参数：linewidth :决定了 plot () 绘制的线条粗细。
- 参数：fontsize :指定图表中各种文字的大小
- 方法：set_title() ：给图表指定标题
- 方法：set_xlabel () ：设置横轴标题
- 方法：set_ylabel () ：设置纵轴标题
- 方法：tick_params () ：设置刻度的样式
2.2 校正图形
图形更容易看清楚后，我们发现没有正确的绘制数据：折线图的终点指出 4.0 的平方为 25.0！下面来修复这个问题。
向 plot () 提供一系列数时，它默认 第一个数据点 对应的 x 坐标值为 0 ，但这里的数据集，第一个点对应的 x 值为 1。所以，为了改变这种默认的行为，可向 plot () 同时提供输入值和输出值。
可使用如下代码进行设置：
# 设置x轴的坐标
input_values = [1,2,3,4,5]# 导入pyplot模块，并指定别plt，以免反复输入pyplot
import matplotlib.pyplot as plt
# 存储平方数
squares = [1,4,9,16,25]
# 设置x轴的坐标
input_values = [1,2,3,4,5]
(fig,ax) = plt.subplots()
ax.plot(input_values,squares,linewidth = 3)
# 设置图表标题，并给坐标轴加上标签
ax.set_title('squares',fontsize = 24)
ax.set_xlabel('value',fontsize = 14)
ax.set_ylabel('squares_of_value',fontsize = 14)
# 设置刻度标记的大小
ax.tick_params(axis = 'both',labelsize = 14)
plt.show()
注：使用 plot () 时，可指定各种实参，还可以使用众多的函数对图形进行绘制。
2.3 使用内置样式
Matplotlib 提供了很多已经定义好的样式，例如 背景色、网格线、线条粗细、字体、字号 等设置，让我们无须做太多定制，就可以生成引入注目的可视化效果。简而言之，内置样式就是 对生成的图片进行排版；就像 word 中，对文字排版的那样。
要获悉在你的系统中可使用的那些设置，可在终端会话中执行如下命令：
要使用这些样式，可在 生成图表的代码前 添加如下代码行：
plt.style.use('seaborn')# 导入pyplot模块，并指定别plt，以免反复输入pyplot
import matplotlib.pyplot as plt
# 存储平方数
squares = [1,4,9,16,25]
# 设置x轴的坐标
input_values = [1,2,3,4,5]
# 使用内置样式
plt.style.use('seaborn')
(fig,ax) = plt.subplots()
ax.plot(input_values,squares,linewidth = 3)
# 设置图表标题，并给坐标轴加上标签
ax.set_title('squares',fontsize = 24)
ax.set_xlabel('value',fontsize = 14)
ax.set_ylabel('squares_of_value',fontsize = 14)
# 设置刻度标记的大小
ax.tick_params(axis = 'both',labelsize = 14)
plt.show() 
- 可供使用的内置样式有很多，我们可以尝试使用他们，找出我们最喜欢的样式。
2.4 自动计算数据
手工计算 列表要包含的值可能效率低下，需要绘制的点很多时尤其如此。我们不必手工计算包含点坐标的列表，可以用 Python 循环 来完成。
下面是绘制 1000 个点的代码：
import matplotlib.pyplot as plt
x_values = range(1,1001)
y_values = [x**2 for x in x_values]
plt.style.use('seaborn')
(fig,ax) = plt.subplots()
ax.scatter(x_values,y_values,s = 10)
ax.set_title('squares',fontsize = 24)
ax.set_xlabel('values',fontsize = 14)
ax.set_ylabel('squares_of_values',fontsize = 14)
#设定每个坐标轴的取值范围
ax.axis([0,1100,0,1100000])
plt.show()
- 首先是创建了一个包含 x 值的列表，其中包含 1~1000 。接下来，是一个生成 y 值的 列表解析，它遍历 x 的值 (for x in x_values) ，计算其平方值（x**2），并将结果存储到列表 y_values 中。然后，将 输入列表 和 输出列表 传递给 scatter () 。
3. 绘制散点图
要绘制 散点图，可使用 方法 scatter ()。
3.1 绘制单个点
- 向它传递一对 x 坐标 和 y 坐标，它将在指定位置绘制一个点。
# 绘制单个散点
ax.scatter(2,4,s = 200)
- 参数 s ：点的尺寸
import matplotlib.pyplot as plt
# 设置网格状风格
plt.style.use('seaborn')
# 绘制图表
(fig,ax) = plt.subplots()
# 绘制单个散点
ax.scatter(2,4,s = 200)
# 设置图表标题并给坐标轴加上标签
ax.set_title('squares',fontsize = 24)
ax.set_xlabel('values',fontsize = 14)
ax.set_ylabel('squares_of_values',fontsize = 14)
# 设置刻度标记的大小
ax.tick_params(axis = 'both',which = 'major',labelsize = 14)
# 显示绘制的图表
plt.show()
3.2 绘制一系列点
- 要绘制一系列的点，可向 scatter () 方法传递两个分别包含 x 值和 y 值的列表
import matplotlib.pyplot as plt
x_values = [1,2,3,4,5]
y_values = [1,4,9,16,25]
# 设置网格状风格
plt.style.use('seaborn')
# 绘制图表
(fig,ax) = plt.subplots()
ax.scatter(x_values,y_values,s = 100)
plt.show()
3.3 自定义颜色
要修改数据点的颜色，可向 scatter () 传递参数 c ，并将其设置为要使用的颜色的名称（放在引号内），如下图所示：
ax.scatter(x_values,y_values,s = 100,c = 'red')import matplotlib.pyplot as plt
x_values = [1,2,3,4,5]
y_values = [1,4,9,16,25]
# 设置网格状风格
plt.style.use('seaborn')
# 绘制图表
(fig,ax) = plt.subplots()
ax.scatter(x_values,y_values,s = 100,c = 'red')
plt.show()
还可以使用 RGB 颜色模式 自定义颜色。要指定自定义颜色，可传递参数 c ，并将其设置为一个元组，其中包含三个 0~1 的小数值，分别表示 红色、绿色、蓝色 的分量。
例如，下面的代码行创建一个由淡绿色组成的散点图：
ax.scatter(x_values,y_values,s = 100,c = (0,0.8,0))import matplotlib.pyplot as plt
x_values = [1,2,3,4,5]
y_values = [1,4,9,16,25]
# 设置网格状风格
plt.style.use('seaborn')
# 绘制图表
(fig,ax) = plt.subplots()
ax.scatter(x_values,y_values,s = 100,c = (0,0.8,0))
plt.show()
- 值越接近 0，指定的颜色越深；值越接近 1 ，指定的颜色越浅
3.4 颜色渐变
颜色渐变从起始颜色 渐变 到结束颜色。在可视化中，颜色渐变用于 突出数据的规律。
例如，你可能用较浅的颜色来显示较小的数值，并用较深的颜色来显示较大的数值
要使用颜色渐变，需要告诉 pyplot 该如何设置数据集中的 每个点的颜色，下面演示了如何根据每个点的 y 值 来设置其颜色：
ax.scatter(x_values,y_values,s = 50,c = y_values,cmap = plt.cm.Blues)import matplotlib.pyplot as plt
x_values = range(1,1001)
y_values = [values**2 for values in range(1,1001)
# 设置网格状风格
plt.style.use('seaborn')
# 绘制图表
(fig,ax) = plt.subplots()
ax.scatter(x_values,y_values,s = 5,c = y_values,cmap = plt.cm.Blues)
plt.show()
- 将 参数 c 设置成了一个 y 值列表，并使用 参数 cmap 告诉 Python 使用 哪个颜色渐变。这些代码将 y 值较小的点显示为浅蓝色，并将 y 值较大的点显示为深蓝色。
4. 总结
这篇文章主要实现了数据折线图和散点图的可视化方法，以及其内置样式的设置。今天的分享总结就到这里了，如果有疑问的小伙伴我们评论区交流嗷~，笔者必回，我们下期再见啦 ！！
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
