Matplotlib：Python绘图库的函数及参数设置

---

Matplotlib是Python中一个功能强大的绘图库，它不仅支持基础的图表绘制，还提供了高级的可视化技术。下面是一些Matplotlib中一些常用函数的总结，可供在使用时快速查阅。

基础绘图函数

plt.plot()

绘制线图，是最常用的绘图函数之一。基本用法如下：

plt.plot(x, y, color='blue', label='Line 1', linewidth=2)

• x 和 y 是数据点的坐标。
• color 指定线条颜色。
• label 设置图例的标签。
• linewidth 控制线条的宽度。

plt.scatter()

绘制散点图，表示数据点在二维空间中的分布。

plt.scatter(x, y, color='red', alpha=0.5)

• x 和 y 指定数据点的位置。
• color 定义散点的颜色。
• alpha 设置点的透明度。

plt.bar()

绘制条形图，展示不同类别的数据量。

plt.bar(x, height, width=0.8, color='green', edgecolor='black')

• x 是条形的类别标签。
• height 是条形的高度。
• width 控制条形的宽度。
• color 和 edgecolor 分别设置条形的填充色和边框色。

plt.hist()

绘制直方图，展示数据的分布情况。

plt.hist(data, bins=10, color='gray', alpha=0.7)

• data 是要绘制的数据集。
• bins 定义直方图的箱数。
• color 和 alpha 分别控制直方图的颜色和透明度。

轴标签和标题

plt.xlabel('X Axis Label')
plt.ylabel('Y Axis Label')
plt.title('Chart Title')

• 这些函数分别设置图表的x轴标签、y轴标签和标题。

图例和网格

plt.legend(['Line 1', 'Line 2'])
plt.grid(True)

• plt.legend() 添加图例，需要传入一个标签列表。
• plt.grid() 显示网格线，True 表示显示。

显示图表

plt.show()

• 对于非交互式环境，plt.show() 是必需的，用于显示图表。

高级可视化技术

plt.contour()

创建等高线图，表示三维函数在二维平面上的等值线。

plt.contour(X, Y, Z, levels=14, colors='blue')

• X, Y, Z 是等高线图的数据。
• levels 定义等高线的数量。
• colors 设置等高线的颜色。

plt.imshow()

显示图像数据，常用于显示矩阵数据的热力图。

plt.imshow(data, cmap='hot', interpolation='nearest')

• data 是要显示的图像数据。
• cmap 定义颜色映射。
• interpolation 控制插值方法。

plt.pie()

绘制饼图，展示各部分占总体的比例。

plt.pie(sizes, labels=labels, autopct='%1.1f%%')

• sizes 是各部分的大小。
• labels 是各部分的标签。
• autopct 设置百分比的显示格式。

plt.fill_between()

在两个函数曲线之间填充颜色或纹理。

plt.fill_between(x, y1, y2, color='gray', alpha=0.5)

• x 是共有的x坐标。
• y1 和 y2 是要填充区间的上下边界。
• color 和 alpha 控制填充颜色和透明度。

plt.errorbar()

绘制带有误差范围的图表。

plt.errorbar(x, y, yerr=error, fmt='o', capsize=5)

• x 和 y 是数据点的坐标。
• yerr 定义y轴方向的误差范围。
• fmt 设置数据点的格式。
• capsize 控制误差线两端的标记大小。

plt.boxplot()

绘制箱线图，展示数据的分布情况。

plt.boxplot(data, notch=True, vert=True, patch_artist=True)

• data 是箱线图的数据。
• notch 是否绘制凹口箱线图。
• vert 是否绘制垂直箱线图。
• patch_artist 是否使用艺术家填充箱线图。

plt.subplot()

创建子图，展示多个图表。

fig, axs = plt.subplots(2, 2)

• 2, 2 定义子图的行数和列数。
• fig 和 axs 分别是整个图表和子图的引用。

plt.annotate()

在图表中添加注释。

plt.annotate('Max Point', xy=(x_max, y_max), xytext=(0.8, 0.95),
             arrowprops=dict(facecolor='black', shrink=0.05))

• xy 指定注释点的坐标。
• xytext 指定注释文本的位置。
• arrowprops 控制箭头的属性。

组合图形

在Matplotlib中，组合图形是一种强大的功能，它允许我们在同一个图表中展示多种类型的数据视图。以下是一些常见的组合图形示例，我将它们添加到您的博客中。

组合线图和散点图

在同一个图表中同时展示线图和散点图，可以突出显示某些特定的数据点。

plt.figure(figsize=(10, 6))
plt.plot(x, y, label='Trend Line', color='blue')
plt.scatter(x_special, y_special, color='red', label='Special Points')
plt.xlabel('X Axis Label')
plt.ylabel('Y Axis Label')
plt.title('Line and Scatter Plot')
plt.legend()
plt.show()

组合条形图和折线图

在条形图上叠加折线图，可以同时展示分类数据的总量和随时间变化的趋势。

plt.figure(figsize=(10, 6))
plt.bar(x, height, color='lightblue', label='Categories')
plt.plot(x, trendline, color='red', label='Trend Line')
plt.xlabel('X Axis Label')
plt.ylabel('Y Axis Label')
plt.title('Bar and Line Plot')
plt.legend()
plt.show()

组合箱线图和散点图

在箱线图的基础上添加散点图，可以展示数据的异常值或突出显示某些数据点。

plt.figure(figsize=(10, 6))
plt.boxplot(data, positions=[x_positions], widths=0.6)
plt.scatter(x_outliers, y_outliers, color='red', label='Outliers')
plt.xlabel('X Axis Label')
plt.ylabel('Y Axis Label')
plt.title('Box and Scatter Plot')
plt.legend()
plt.show()

组合子图

使用plt.subplot()创建子图，可以在一个图表中展示多个相关的图表。

fig, axs = plt.subplots(2, 2)
axs[0, 0].plot(x1, y1, 'o-')
axs[0, 1].scatter(x2, y2, color='red')
axs[1, 0].bar(x3, height3, color='green')
axs[1, 1].pie(sizes4, labels=labels4)
fig.suptitle('Combined Subplots')
plt.show()

组合等高线图和散点图

在等高线图上叠加散点图，可以展示三维函数在二维平面上的等值线以及某些特定的数据点。

plt.figure(figsize=(10, 6))
cp = plt.contour(X, Y, Z, levels, colors='blue')
plt.scatter(x_on_contour, y_on_contour, color='red', label='Points on Contour')
plt.clabel(cp, inline=True, fontsize=8)
plt.xlabel('X Axis Label')
plt.ylabel('Y Axis Label')
plt.title('Contour and Scatter Plot')
plt.legend()
plt.show()

通过这些组合图形的示例，您可以更灵活地使用Matplotlib来展示数据的不同方面，使得图表更加丰富和信息量更大。这些组合图形可以帮助观众从多个角度理解数据，提高数据可视化的效果。