matplotlib绘制各种图形，看这一篇就够了！

matplotlib绘制各种图形

原创不易，你的点赞评价加关注就是我更新下去的最大动力！

• 本节我们将开始讲述各种不同的plot的方式。之前我们讲到了如何plot线，今天我们讲述如何画出散点图、柱状图、条形图、直方图等。学完本章之后，小伙伴们就基本能够应对工作和学习中大部分的画图场景啦。

• 本章知识点归纳如下：

  • 导入相关包
  • 线图：plot()
  • 散点图：scatter()
  • 条形图：bar()
  • 箱线图：barplot()
  • 饼图：pie()
  • 直方图和密度图：hist()
  • 多图合并显示：subplot()和subplots()
  • 随机矩阵画图：imshow()
  • 图表动态刷新：ion()和ioff()

• 小作业：

  • 绘制多个图形的组合展示；

1. 导入相关包

• 首先，先引入matplotlib.pyplot简写作plt,再引入模块numpy用来产生一些随机数据。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.mlab as mlab
import matplotlib as mpl
from scipy.stats import norm

# 中文乱码的处理
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']# 设置微软雅黑字体
plt.rcParams['axes.unicode_minus'] = False # 避免坐标轴不能正常的显示负号

2. 线图：plot()

• 函数功能：展现变量的变化趋势
• 调用方法：plt.plot(x, y, linestyle, linewidth,color,marker, markersize, markeredgecolor, markerfactcolor, label, alpha)
  • x：指定折线图的x轴数据；
  • y：指定折线图的y轴数据；
  • linestyle：指定折线的类型，可以是实线、虚线、点虚线、点点线等，默认文实线；
  • linewidth：指定折线的宽度
  • marker：可以为折线图添加点，该参数是设置点的形状；
  • markersize：设置点的大小；
  • markeredgecolor：设置点的边框色；
  • markerfactcolor：设置点的填充色；
  • label：为折线图添加标签，类似于图例的作用；

2.1 用plot方法画出x=(0,10)间sin的图像

x = np.linspace(0, 10, 30)
plt.plot(x, np.sin(x))
plt.show()

2.2 用点加虚线的方式画出x=(0,10)间sin的图像

plt.plot(x, np.sin(x), linestyle='--', marker='o') 
plt.show()

#其他line的属性：如color,linestyle,linewidth,marker，可参考以下资料：
#https://blog.csdn.net/dss_dssssd/article/details/84430024

2.3 同时绘制cos和sin图像在同一图中

• 两条线的要求如下：
  • sin曲线：蓝色，实线，’+'号表示；
  • cos曲线：绿色，虚线，’*'号表示；

plt.plot(x, np.sin(x), color='b', linestyle='-', marker='+', label='sin(x)')  #或'b-+'
plt.plot(x, np.cos(x), color='g', linestyle='--', marker='*', label='cos(x)') #或'g--*'
plt.legend(loc='upper right')
plt.show()

#fmt：6种组合
# [color][marker][line],3种任意组合为6种可能,每个都是可选的,每个属性可以选择写或者不写,而且与组合中它们所在的位置顺序无关;

2.4 绘制折线图

y = np.random.randn(100)
x = np.arange(100)
plt.plot(x,y)
plt.show()

3. 散点图

• 函数功能：散点图，寻找变量之间的关系
• 调用方法：plt.scatter(x, y, s, c, marker, cmap, norm, alpha, linewidths, edgecolorsl)
• 参数说明：
  • x: x轴数据
  • y: y轴数据
  • s: 散点大小
  • c: 散点颜色
  • marker: 散点图形状
  • cmap: 指定某个colormap值,该参数一般不用，用默认值
  • alpha: 散点的透明度
  • linewidths: 散点边界线的宽度
  • edgecolors: 设置散点边界线的颜色

3.1 绘制两组100个随机数的散点图

x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y)
plt.show()

3.2 增加颜色，大小，透明度设置 – 气泡图

#设置画布大小
plt.figure(figsize = (10, 6))

#设置颜色
colors = np.random.randn(100)

plt.scatter(x, y, 
            #大小
            s = np.power(10*x + 20*y, 2),
            #颜色
            c = colors,
            #标注
            marker = 'o',
            #指定某个colormap值
            cmap=mpl.cm.RdYlBu,
            #透明度
            alpha = 0.9)
plt.show()

3.3 散点图分三类并显示图例

#设置画布大小
plt.figure(figsize=(10, 6), dpi=80)

colors = ['r', 'y', 'b'] #设置颜色
markers = ['*', 'o', 'x'] #设置标注

for i in range(0,3):
    y = np.random.rand(100)
    plt.scatter(x, y, s=60, c=colors[i], marker=markers[i])
plt.legend(['class1', 'class2', 'class3'], loc='upper right')

plt.show()

• 在本期内容中，我们先从条形图开始，条形图实际上是用来表示分组（或离散）变量的可视化，可以使用matplotlib模块中的bar函数完成条形图的绘制。

• 函数功能：条形图，寻找变量之间的关系

• 调用方法：plt.bar(x, y, width，color, edgecolor, bottom, linewidth, align, tick_label, align)

• 参数说明：

  • x：指定x轴上数值
  • y：指定y轴上的数值
  • width：表示条形图的宽度，取值在0~1之间，默认为0.8
  • color：条形图的填充色
  • edgecolor：条形图的边框颜色
  • bottom：百分比标签与圆心距离
  • linewidth：条形图边框宽度
  • tick_label：条形图的刻度标签
  • align：指定x轴上对齐方式，“center”,"lege"边缘

4.1 简单垂直条形图

#2020年四大直辖市GDP水平
GDP = [36102,38700,14083,25002]
city = ['北京市', '上海市', '天津市', '重庆市']
plt.bar(city, GDP, align='center', color='steelblue', alpha=0.8)
plt.ylabel('GDP')
plt.title('2020年四大直辖市GDP条形图')
plt.ylim([10000, 42000])

# 为每个条形图添加数值标签：ha='center'
for x,y in enumerate(GDP):
    plt.text(x, y+200, '%s'%y, ha='center')

plt.show()

4.2 简单水平条形图

plt.barh(city, GDP, align='center', color='steelblue', alpha=0.8)
plt.xlabel('GDP')
plt.title('2020年四大直辖市GDP水平条形图')
plt.xlim([10000, 42000])

# 为每个条形图添加数值标签：va='center'
for x,y in enumerate(GDP):
    plt.text(y+200, x, '%s' %y, va='center')

plt.show()

• 水平条形图的绘制与垂直条形图的绘制步骤一致，只是调用了barh函数来完成。需要注意的是，条形图的数值标签设置有一些不一样，需要将标签垂直居中显示，使用va参数即可。

4.3 簇状条形图

#2019-2020年四大直辖市GDP对比条形图
GDP_2019 = [35371, 38155, 14104, 23606]
GDP_2020 = [36102, 38700, 14083, 25002]
bar_width = 0.4

# 绘图
plt.bar(np.arange(4), GDP_2019, label = '2019年', color = 'steelblue', alpha = 0.8, width = bar_width)
plt.bar(np.arange(4)+bar_width , GDP_2020, label = '2020年', color = 'indianred', alpha = 0.8, width = bar_width)

# 添加轴标签
plt.xlabel('城市')
plt.ylabel('GDP')
plt.title('2019-2020年四大直辖市GDP对比条形图')

#增加刻度标签
plt.xticks(np.arange(4)+0.15, city)

#设置y轴的刻度范围
plt.ylim([0, 42000])

# 为每个条形图添加数值标签
for x2019, y2019 in enumerate(GDP_2019):
    plt.text(x2019-0.2, y2019+100, '%s' %y2019)
for x2020,y2020 in enumerate(GDP_2020):
    plt.text(x2020+0.2, y2020+100, '%s' %y2020)

#显示图例
plt.legend(loc='upper right')

plt.show()

4.4 堆叠条形图

#将上面簇状条形图转换成堆叠条形图

# 绘图
plt.bar(city, GDP_2019, label = '2019年', color = 'steelblue', alpha = 0.8, width = bar_width)
plt.bar(city, GDP_2020, label = '2020年', color = 'indianred', alpha = 0.8, width = bar_width, bottom=GDP_2019)

# 添加轴标签
plt.xlabel('城市')
plt.ylabel('GDP')
plt.title('2019-2020年四大直辖市GDP堆叠条形图')

#设置y轴的刻度范围
plt.ylim([0, 80000])

# 为每个条形图添加数值标签
for x2019, y2019 in enumerate(GDP_2019):
    plt.text(x2019-0.15, y2019 + 10000, '%s' %y2019)
for x2020,y2020 in enumerate(GDP_2020):
    plt.text(x2020-0.15, y2020 - 12000, '%s' %y2020)

#显示图例
plt.legend(loc='upper right')

plt.show()

5. 箱线图：barplot()

• 函数功能：反映数据的异常情况；主要用于分析数据内部的分布状态或分散状态，包括上下限、各分位数、异常值；
• 调用方法：plt.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None)
• 参数说明：
  • x：指定要绘制箱线图的数据；
  • notch：是否是凹口的形式展现箱线图，默认非凹口；
  • sym：指定异常点的形状，默认为+号显示；
  • vert：是否需要将箱线图垂直摆放，默认垂直摆放；
  • whis：指定上下须与上下四分位的距离，默认为1.5倍的四分位差；
  • positions：指定箱线图的位置，默认为[0,1,2…]；
  • widths：指定箱线图的宽度，默认为0.5；
  • patch_artist：是否填充箱体的颜色；
  • meanline：是否用线的形式表示均值，默认用点来表示；
  • showmeans：是否显示均值，默认不显示；
  • showcaps：是否显示箱线图顶端和末端的两条线，默认显示；
  • showbox：是否显示箱线图的箱体，默认显示；
  • showfliers：是否显示异常值，默认显示；
  • boxprops：设置箱体的属性，如边框色，填充色等；
    • boxprops = {‘color’:‘g’, ‘facecolor’:‘yellow’}
    • ‘color’ : ‘g’ 箱子外框的颜色
    • ‘facecolor’ : ‘yellow’ 箱子填充的颜色
  • labels：为箱线图添加标签，类似于图例的作用；
  • flierprops：设置异常值的属性，如异常点的形状、大小、填充色等；
  • medianprops：设置中位数的属性，如线的类型、粗细等；
  • meanprops：设置均值的属性，如点的大小、颜色等；
  • capprops：设置箱线图顶端和末端线条的属性，如颜色、粗细等；
  • whiskerprops：设置须的属性，如颜色、粗细、线的类型等；

5.1 绘制箱线图

#利用numpy库生成100个服从标准正态分布随机数
x = np.random.normal(0,1,100)

plt.boxplot(x,  # 指定绘图数据
           patch_artist = True, # 要求用自定义颜色填充盒形图，默认白色填充
           showmeans = True, # 以点的形式显示均值
           boxprops = {'color':'black', 'facecolor':'#9999ff'},# 设置箱体属性，填充色和边框色
           flierprops = {'marker':'o', 'markerfacecolor':'red', 'color':'black'},# 设置异常值属性，点的形状、填充色和边框色
           meanprops = {'marker':'D', 'markerfacecolor':'indianred'},# 设置均值点的属性，点的形状、填充色
           medianprops = {'linestyle':'--', 'color':'orange'})# 设置中位数线的属性，线的类型和颜色

# 去除箱线图的上边框与右边框的刻度标签
plt.tick_params(top = 'off', right = 'off')

plt.show()

5.2 绘制不同分组的箱线图

#利用 numpy库生成三组正态分布随机数
x = [np.random.normal(0,std,100) for std in range(1,4)]

# 绘图
plt.boxplot(x, 
            patch_artist = True,
            labels = ['一组','二组','三组'], # 添加具体的标签名称
            showmeans=True, 
            boxprops = {'color':'black','facecolor':'#9999ff'}, 
            flierprops = {'marker':'o','markerfacecolor':'red','color':'black'},
            meanprops = {'marker':'D','markerfacecolor':'indianred'},
            medianprops = {'linestyle':'--','color':'orange'})

# 显示图形
plt.show()

6. 饼图：pie()

• 函数功能：表示离散变量各水平占比情况
• 调用方法：plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False)
• 参数说明：
  • x：指定绘图的数据
  • explode：指定饼图某些部分的突出显示，即呈现爆炸式
  • labels：为饼图添加标签说明，类似于图例说明
  • colors：指定饼图的填充色
  • autopct：自动添加百分比显示，可以采用格式化的方法显示
  • pctdistance：设置百分比标签与圆心的距离
  • shadow：是否添加饼图的阴影效果
  • labeldistance：设置各扇形标签（图例）与圆心的距离；
  • startangle：设置饼图的初始摆放角度；
  • radius：设置饼图的半径大小；
  • counterclock：是否让饼图按逆时针顺序呈现；
  • wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等；
  • textprops：设置饼图中文本的属性，如字体大小、颜色等；
  • center：指定饼图的中心点位置，默认为原点
  • frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置；

6.1 绘制最简单的饼图

x = [9823, 5601, 3759, 1400, 450]
plt.pie(x)
plt.show()

6.2 为饼图添加一些参数

#构造数据：某城镇受教育程度
education = [9823, 5601, 3759, 1400, 450]
labels = ['小学', '初中', '高中', '大学', '研究生及以上']

explode = [0,0,0,0.2,0.3]  # 用于突出显示特定人群
colors=['#9999ff','#ff9999','#7777aa','#2442aa','#dd5555'] # 自定义颜色

# 将横、纵坐标轴标准化处理，保证饼图是一个正圆，否则为椭圆
plt.axes(aspect='equal')

# 绘制饼图
plt.pie(x = education, # 绘图数据
        explode=explode, # 突出显示特定人群
        labels=labels, # 添加教育水平标签
        colors=colors, # 设置饼图的自定义填充色
        autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
        pctdistance=0.8,  # 设置百分比标签与圆心的距离
        labeldistance = 1.15, # 设置教育水平标签与圆心的距离
        startangle = 180, # 设置饼图的初始角度
        radius = 1.5, # 设置饼图的半径
        counterclock = False, # 是否逆时针，这里设置为顺时针方向
        wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'},# 设置饼图内外边界的属性值
        textprops = {'fontsize':12, 'color':'k'}, # 设置文本标签的属性值
        center = (1.8,1.8), # 设置饼图的原点
        frame = 0 )# 是否显示饼图的图框，这里设置不显示

# 删除x轴和y轴的刻度
plt.xticks(())
plt.yticks(())


# 显示图形
plt.show()

7. 直方图和密度图：hist()

• 函数功能：判定数据的分布情况
• 调用方法：plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype=‘bar’, align=‘mid’, orientation=‘vertical’, rwidth=None, log=False, color=None, label=None, stacked=False)
• 参数说明：
  • x：指定要绘制直方图的数据；
  • bins：指定直方图条形的个数；
  • range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值；
  • density：是否将直方图的频数转换成频率；
  • weights：该参数可为每一个数据点设置权重；
  • cumulative：是否需要计算累计频数或频率；
  • bottom：可以为直方图的每个条形添加基准线，默认为0；
  • histtype：指定直方图的类型，默认为bar，除此还有’barstacked’, ‘step’, ‘stepfilled’；
  • align：设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’；
  • orientation：设置直方图的摆放方向，默认为垂直方向；
  • rwidth：设置直方图条形宽度的百分比；
  • log：是否需要对绘图数据进行log变换；
  • color：设置直方图的填充色；
  • label：设置直方图的标签，可通过legend展示其图例；
  • stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放；

7.1 绘制简单频数直方图

data = np.random.randn(1000)

plt.hist(data, # 绘图数据
        bins = 20, # 指定直方图的条形数为20个
        color = 'steelblue', # 指定填充色
        edgecolor = 'k', # 指定直方图的边界色
        label = '直方图' )# 为直方图呈现标签

# 去除图形顶部边界和右边界的刻度
plt.tick_params(top='off', right='off')
# 显示图例
plt.legend()
# 显示图形
plt.show()

7.2 绘制累计频率直方图

plt.hist(data, # 绘图数据
        bins = 20, # 指定直方图的组距
        density = True, # 设置为频率直方图
        cumulative = True, # 积累直方图
        color = 'steelblue', # 指定填充色
        edgecolor = 'k', # 指定直方图的边界色
        label = '直方图')# 为直方图呈现标签

# 设置坐标轴标签和标题
plt.title('累计频率直方图')
plt.xlabel('x轴')
plt.ylabel('累计频率')

# 去除图形顶部边界和右边界的刻度
plt.tick_params(top='off', right='off')

# 显示图例
plt.legend(loc = 'best')
# 显示图形
plt.show()

7.3 在直方图基础上，添加正态分布曲线和核密度曲线

#设置随机种子
np.random.seed(1)

#随机生成100个1-100之间的整数
data = np.random.randint(1, 100, 100)

# 正态分布图
plt.hist(data, # 绘图数据
        bins = 20, # 指定直方图的组距
        density = True, # 设置为频率直方图
        color = 'steelblue', # 指定填充色
        edgecolor = 'k') # 指定直方图的边界色

# 生成正态曲线的数据
x1 = np.linspace(data.min(), data.max(), 1000)
normal = norm.pdf(x1, data.mean(), data.std())
# 绘制正态分布曲线
line1, = plt.plot(x1, normal, 'r-', linewidth = 2) 

# 生成核密度曲线的数据
kde = mlab.GaussianKDE(data)
x2 = np.linspace(data.min(), data.max(), 1000)
# 绘制核密度曲线
line2, = plt.plot(x2,kde(x2), 'g-', linewidth = 2)

# 显示图例
plt.legend([line1, line2], ['正态分布曲线','核密度曲线'], loc='best')

# 显示图形
plt.show()

7.4 绘制堆叠直方图

#设置随机种子
np.random.seed(1)

#利用 numpy库生成两组随机数
data = [np.random.randint(0, 100, 100) for i in range(1,3)]

# 绘制堆叠直方图
plt.hist(data, bins = 20, label = ['class1', 'class2'], color = ['steelblue','orange'], alpha = 0.7, stacked = True)

# 显示图例
plt.legend()
# 显示图形
plt.show()

8. 多图合并显示：subplot()和subplots()

• 1.在一张画布上输出多个图形,在Matplotlib库中有当前的图形（figure）以及当前轴（axes）概念
• 2.其对应的就是当前画布以及当前子图，在一张画布（figure）上可以绘制多个子图（axes）
• 3.绘制多图通常采用subplot()函数或subplots()函数
  • (1)subplot()函数，通常含有三个参数，子图的行数、列数以及第几个子图
    • 不足：每次在新的子图上画图时，都得调用subplot()函数
  • (2)subplots()函数,一次性就生成多个子图
    • set_title()函数 子图中设置子图标题
    • set_xlabel()函数 子图中设置X轴标签
    • set_ylabel()函数 子图中设置Y轴标签

8.1 subplot()函数多次绘制多图

# 绘制第一个子图：折线图
ax1 = plt.subplot(221)  
plt.plot([1, 2, 3], [2, 4, 6])
# 绘制第二个子图：柱状图
ax2 = plt.subplot(222)  
plt.bar([1, 2, 3], [2, 4, 6])
# 绘制第三个子图：散点图
ax3 = plt.subplot(223)  
plt.scatter([1, 3, 5], [2, 4, 6])
# 绘制第四个子图：直方图
ax4 = plt.subplot(224)
plt.hist([2, 2, 2, 3, 4]);

8.2 不同画布分开绘制

# 第一张画布
plt.figure(1) 
ax1 = plt.subplot(121)  # 第一张画布的第一个子图
plt.plot([1, 2, 3], [2, 4, 6])  

ax2 = plt.subplot(122)  # 第一张画布的第二个子图
plt.plot([2, 4, 6], [4, 8, 10])

# 第二张画布
plt.figure(2)
plt.plot([1, 2, 3], [4, 5, 6]);

8.3 subplots()函数一次绘制多图

fig, axes = plt.subplots(2, 2, figsize=(8, 8)) 
ax1, ax2, ax3, ax4 = axes.flatten()
ax1.plot([1, 2, 3], [2, 4, 6])     # 绘制第一个子图
ax2.bar([1, 2, 3], [2, 4, 6])      # 绘制第二个子图
ax3.scatter([1, 3, 5], [2, 4, 6])  # 绘制第三个子图
ax4.hist([2, 2, 2, 3, 4]);         # 绘制第四个子图

8.4 添加横纵轴名称及标题

fig, axes = plt.subplots(2, 2, figsize=(10, 10)) 
ax1, ax2, ax3, ax4 = axes.flatten()
ax1.plot([1, 2, 3], [2, 4, 6])     # 绘制第一个子图
ax1.set_title('子图1')
ax1.set_xlabel('日期')
ax1.set_ylabel('分数')
ax2.bar([1, 2, 3], [2, 4, 6])      # 绘制第二个子图
ax2.set_title('子图2')
ax2.set_xlabel('日期')
ax2.set_ylabel('分数')
ax3.scatter([1, 3, 5], [2, 4, 6])  # 绘制第三个子图
ax3.set_title('子图3')
ax3.set_xlabel('日期')
ax3.set_ylabel('分数')
ax4.hist([2, 2, 2, 3, 4])         # 绘制第四个子图
ax4.set_title('子图4')
ax4.set_xlabel('日期')
ax4.set_ylabel('分数');

9. 随机矩阵画图

• 这一节讲怎样在matplotlib中打印出图像。这里我们打印出的是纯粹的数字，而非自然图像。

9.1 绘制简单随机矩阵图

# 首先生成一个 3x3 的 2D-array ，也就是三行三列的格子，array 中的每个值经过colormap与一个颜色对应并填充在格子中
a = np.array([0.313660827978, 0.365348418405, 0.423733120134,
              0.365348418405, 0.439599930621, 0.525083754405,
              0.423733120134, 0.525083754405, 0.651536351379]).reshape(3,3)

plt.imshow(a, 
           #画图方式
           interpolation='nearest', 
           #指定某个colormap值
           cmap='RdBu', 
           #选择原点的位置
           origin='lower')

9.2 随机矩阵图添加colorbar

• 为我们显示不同颜色的区块所对应的具体数值。其中shrink参数可以用来调整 colorbar 的长度，这里我们使colorbar的长度变短为原来的92%

plt.imshow(a, interpolation='nearest', cmap='RdBu', origin='lower')
plt.colorbar(shrink=.92)

plt.xticks(())
plt.yticks(())
plt.show()

10. 图表动态刷新：ion()和ioff()

• 交互模式：
  • 我们在训练模型的时候，可能需要去不停去更新图表数据；

# jupyter中动态显示需要
from IPython import display

x, y1, y2 = [], [], []
plt.ion()    # 交互模式打开
for i in np.linspace(0,20,500):
    x.append(i)
    y1.append(np.cos(i))
    y2.append(np.sin(i))
    plt.figure(figsize=(12, 2))
    plt.clf()   
    plt.ylim(-1, 1)    # 设置y轴刻度值最大最小值
    plt.plot(x, y1, '--r')
    plt.plot(x, y2, 'g')
    plt.pause(0.1)
    display.clear_output(wait=True)    # 清除输出
plt.ioff()   # 关闭交互模式

案例应用

第一题：绘制多个统计图形的组合展示

• 要求：
  • （1）生成两行三列15×10的6个子图；
  • （2）第一个子图：
    • 数据：x=[1, 2, 3]; y=[0.6, 0.8, 0.2];
    • 图形：设置三种不同颜色，绘制条形图；
  • （3）第二个子图：
    • 绘制sin(x)和cos(x)的图像；
    • 样式：
      • 横轴设为’x’，纵轴设为’f(x)’；
      • 添加图例：sin(x)和cos(x);
      • 颜色不同，线型不同；
    • 图形：绘制线图；
  • （4）第三个子图：
    • 数据：x=[1,2,3,4,5,6,7,8]; y= [3,1,4,5,8,9,7,2]
    • 样式：
      • 纵轴标签设为：[‘A’,‘B’,‘C’,‘D’,‘E’,‘F’,‘G’,‘H’]
    • 图形：绘制水平条形图；
  • （5）第四个子图：
    • 生成两组服从正态分布的100个随机数,设为x,y；
    • 样式：
      • 颜色主题：采用mpl.cm.RdYlBu；
      • 标注：采用’o’；
    • 图形：绘制气泡图；
  • （6）第五个子图：
    • 数据：
      • x = np.linspace(0.5,2*np.pi,20)
      • y = np.random.randn(20)
    • 样式：
      • 棉棒样式：’-.’;
      • 棉棒末端的样式:‘o’;
      • 指定基线的样式:’-’;
    • 图形：绘制棉棒图；
  • （7）第六个子图：
    • 数据：
      • elements = [“Flour”,“Sugar”,“Cream”,“Strawberry”,“Nuts”]
      • weight1 = [40,15,20,10,15]
      • weight2 = [30,25,15,20,10]
    • 样式：
      • 颜色设为：["#e41a1c","#377eb8","#4daf4a","#984ea3","#ff7f00"]
      • 百分数保留一位小数；
      • 其他参数自行发挥；
    • 图形：绘制双层环形图；

plt.figure(figsize=(15,10))
# （1）生成两行三列15×10的6个子图；
# （2）第一个子图：
# 数据：x=[1, 2, 3]; y=[0.6, 0.8, 0.2];
# 图形：设置三种不同颜色，绘制条形图；
plt.subplot(231)
x=[1,2,3]
y=[0.6,0.8,0.2]
plt.bar(x,y,color=['r','b','g'])
# （3）第二个子图：
# 绘制sin(x)和cos(x)的图像；
# 样式：
# 横轴设为'x'，纵轴设为'f(x)'；
# 添加图例：sin(x)和cos(x);
# 颜色不同，线型不同；
# 图形：绘制线图；
import math
y1=[]
y2=[]
for i in x:
    y1.append(math.sin(i))
    y2.append(math.cos(i))
plt.subplot(232)
plt.plot(x,y1,label='sin(x)',color='r',linestyle='-')
plt.plot(x,y2,label='cos(x)',color='b',linestyle='--')
plt.legend(loc=0)

# （4）第三个子图：
# 数据：x=[1,2,3,4,5,6,7,8]; y= [3,1,4,5,8,9,7,2]
# 样式：
# 纵轴标签设为：['A','B','C','D','E','F','G','H']
# 图形：绘制水平条形图；
x=[1,2,3,4,5,6,7,8]
y= [3,1,4,5,8,9,7,2]
plt.subplot(233)
plt.barh(x,y)
# （5）第四个子图：
# 生成两组服从正态分布的100个随机数,设为x,y；
# 样式：
# 颜色主题：采用mpl.cm.RdYlBu；
# 标注：采用'o'；
# 图形：绘制气泡图；
x=np.random.normal(0,1,100)
y=np.random.normal(-1,1,100)
plt.subplot(234)
plt.scatter(x,y,marker = 'o',
            s= np.power(5*x + 5*y, 2),#设置大小
            #指定某个colormap值
            cmap=mpl.cm.RdYlBu,alpha=0.9)

# （6）第五个子图：
# 数据：
# x = np.linspace(0.5,2*np.pi,20)
# y = np.random.randn(20)
# 样式：
# 棉棒样式：'-.';
# 棉棒末端的样式:'o';
# 指定基线的样式:'-';
# 图形：绘制棉棒图；
x = np.linspace(0.5,2*np.pi,20)
y = np.random.randn(20)
plt.subplot(235)#绘制棉棒图
# plt.stem(a, b, linefmt="-.", markerfmt="o", basefmt="-")
plt.stem(x,y,linefmt='-.',markerfmt='o',basefmt='-')

# （7）第六个子图：
# 数据：
# elements = ["Flour","Sugar","Cream","Strawberry","Nuts"]
# weight1 = [40,15,20,10,15]
# weight2 = [30,25,15,20,10]
# 样式：
# 颜色设为：["#e41a1c","#377eb8","#4daf4a","#984ea3","#ff7f00"]
# 百分数保留一位小数；
# 其他参数自行发挥；
# 图形：绘制双层环形图；
# plt.axes(aspect='equal')
ax1=plt.subplot(236)
elements = ["Flour","Sugar","Cream","Strawberry","Nuts"]
weight1 = [40,15,20,10,15]
weight2 = [30,25,15,20,10]
colors=["#e41a1c","#377eb8","#4daf4a","#984ea3","#ff7f00"]
ax1.pie(weight1,radius=1.3,labels=elements,colors=colors,autopct='%.1f%%')
ax1.pie(weight2,radius=1,colors=colors,autopct='%.1f%%')