Python中使用Matplotlib、Seaborn和Plotly进行折线图绘制

已于 2023-12-29 22:11:39 修改
阅读量1.6k 收藏 26
点赞数 41
文章标签： python 开发语言 matplotlib
于 2023-12-29 21:56:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_63087013/article/details/135299133
版权

前言

数据可视化是揭示数据洞察的关键工具之一。本文聚焦于Python中的三个主要绘图模块——Matplotlib、Seaborn和Plotly，聚焦于折线图快速创建和优化。我们将分为三部分：绘制单图、绘制多图和实际案例。

首先，通过Matplotlib，我们将深入研究折线图的基础知识，从单一图表到多图对比，逐步掌握Matplotlib的核心功能。

其次，借助Seaborn，我们将探索更高级的绘图方式，快速创建专业外观的折线图，并讲解样式美化和统计数据可视化。

最后，我们将介绍Plotly，通过实际案例展示如何创建交互式折线图，提升用户对数据的深入理解。

让我们一同深入学习，掌握这三个模块的精华，为更高效的数据沟通奠定基础。

matplotlib绘制折线图

matplotlib绘制折线图可分为绘制单个图和多个图的情况。

单图示例代码

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"]            #设置字体
plt.rcParams["axes.unicode_minus"]=False              #该语句解决图像中的“-”负号的乱码问题
import random


# 准备数据x、y
x = range(60)
y_shanghai = [random.uniform(30,34) for i in x]
y_beijing = [random.uniform(15,18) for j in x]

# 创建画布（容器层）
plt.figure()

# 绘制折线图（图像层）
plt.plot(x,y_shanghai,"b-.",label="上海") 			 # "b-."表示color="b",linestyle="-."
plt.plot(x,y_beijing,color="r",label="北京")

# 修改x、y刻度  									 刻度有三个要素：一是起始值，二是末尾值，三是步长
# 准备x的刻度说明，plt.xticks函数第二个参数为刻度说明，要对应第一个参数的数量
x_label = ["11点{}分".format(i) for i in x]             
plt.xticks(x[::5],x_label[::5],rotation=30)     # 设置x轴刻度标签,rotation参数旋转刻度标签效果
plt.yticks(range(0,40,5))           # 设置y轴刻度-->刻度是轴上的标记

# 添加网格显示
plt.grid(linestyle="--",alpha=0.5)

# 添加描述信息
plt.xlabel("时间变化")    # 设置刻度标签-->轴的标识
plt.ylabel("温度变化")
plt.title("北京、上海11点到12点每分钟的温度变化状况")  # 设置标题

# 显示图例
plt.legend()

# 保存到本地     保存图片步骤应在显示图像之前。
# plt.savefig('D:\pycharmprojects\matplotlibfiles\mat3.jpg')

# 显示图像
plt.show()

在这里插入图片描述

多图示例代码

创建多个绘图区利用的是面向对象的思想

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"]            #设置字体
plt.rcParams["axes.unicode_minus"]=False              #该语句解决图像中的“-”负号的乱码问题
import random


# 准备数据x、y
x = range(60)
y_shanghai = [random.uniform(30,34) for i in x]
y_beijing = [random.uniform(15,18) for j in x]

# 创建画布（容器层）subplots方法创建子图网格对象
figure, axes = plt.subplots(nrows=1,ncols=2,figsize=(20,8),dpi=80)

# 绘制折线图（图像层）
axes[0].plot(x,y_shanghai,"b-.",label="上海")   # "b-."表示color="b",linestyle="-."
axes[1].plot(x,y_beijing,color="r",label="北京")  # 默认线类型为实线"-"

# 修改x、y刻度   刻度有三个要素：一是起始值，二是末尾值，三是步长
x_label = ["11点{}分".format(i) for i in x]             # 准备x的刻度说明，plt.xticks函数第二个参数为刻度说明，要对应第一个参数的个数
axes[0].set_xticks(x[::5])                     # 面向对象设置刻度说明需要另外set_xticklabels()函数
axes[0].set_xticklabels(x_label[::5],rotation=30)    # 设置x轴刻度标签,rotation参数旋转刻度标签效果
axes[0].set_yticks(range(0,40,5))        # 设置y轴刻度-->刻度是轴上的标记
axes[1].set_xticks(x[::5])
axes[1].set_xticklabels(x_label[::5],rotation=30)
axes[1].set_yticks(range(0,40,5))

# 添加网格显示
axes[0].grid(linestyle="--",alpha=0.5)
axes[1].grid(linestyle="--",alpha=0.5)

# 添加描述信息
axes[0].set_xlabel("时间变化")    # 设置刻度标签-->轴的标识
axes[0].set_ylabel("温度变化")
axes[0].set_title("上海11点到12点每分钟的温度变化状况")   # 设置标题
axes[1].set_xlabel("时间变化")
axes[1].set_ylabel("温度变化")
axes[1].set_title("北京11点到12点每分钟的温度变化状况")

# 显示图例  单独给它们设置图例，而不能直接axes.legend()设置
axes[0].legend()
axes[1].legend()

# 保存到本地
# plt.savefig('D:\pycharmprojects\matplotlibfiles\mat4.jpg')

# 显示图像
plt.show()

在这里插入图片描述

案例

创建两个绘图区，每个绘图区中绘制三条折线。

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"]            #设置字体
plt.rcParams["axes.unicode_minus"]=False              #该语句解决图像中的“-”负号的乱码问题
plt.style.use('ggplot')                               # 使用R语言风格的样式


# 准备数据  此处省略  知道已经获取到了随时间变化的 主动关节角和主动关节速率 数据即可

# 创建画布（容器层）
figure, axes = plt.subplots(nrows=1, ncols=2,figsize=(8,4))

# 创建折线图一  一个图上展示三条折线
axes[0].plot(time_array, theta_der_1, label='theta_der_1', color='blue')    # theta_der der表示求导
axes[0].plot(time_array, theta_der_2, label='theta_der_2', color='green')
axes[0].plot(time_array, theta_der_3, label='theta_der_3', color='red')

# 设置图形标题和轴标签
axes[0].set_title('3个主动关节速率与时间的关系')
axes[0].set_xlabel("时间")
axes[0].set_ylabel("关节速率")

# 修改x刻度   刻度有三个要素：一是起始值，二是末尾值，三是步长
x_ticks = np.arange(0,5.5,0.5)
axes[0].set_xticks(x_ticks, fontsize=2)  # 面向对象设置刻度说明需要另外set_xticklabels()函数

# 显示图例
axes[0].legend()

# 创建折线图二   一个图上展示三条折线
axes[1].plot(time_array, theta_1, label='theta_1', color='blue')
axes[1].plot(time_array, theta_2, label='theta_2', color='green')
axes[1].plot(time_array, theta_3, label='theta_3', color='red')

# 设置图形标题和轴标签
axes[1].set_title('3个主动关节角与时间的关系')
axes[1].set_xlabel("时间")
axes[1].set_ylabel("关节角")

# 修改x刻度   刻度有三个要素：一是起始值，二是末尾值，三是步长
x_ticks = np.arange(0,5.5,0.5)
axes[1].set_xticks(x_ticks)     # 面向对象设置刻度说明需要另外set_xticklabels()函数

# 显示图例
axes[0].legend()
axes[1].legend()

# 保存图形
plt.savefig('result.png')

# 显示图形
plt.show()

在这里插入图片描述

sns绘制折线图

单图示例代码

import seaborn as sns
import matplotlib.pyplot as plt
sns.set(rc={"axes.facecolor":"#FFF9ED","figure.facecolor":"#FFF9ED", 'font.sans-serif': ['simhei', 'Arial']})   # 对整个文件配置生效，不单单对一个图形！  设置字体（解决中文乱码）、设置背景颜色（好看）


# 示例数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 5, 3, 7]

# 使用 Seaborn 绘制折线图
sns.lineplot(x=x, y=y)

# 设置图形标题和轴标签
plt.title('折线图示例')
plt.xlabel('X轴标签')
plt.ylabel('Y轴标签')

# 显示图形
plt.show()

在这里插入图片描述

多图示例代码

import seaborn as sns
import matplotlib.pyplot as plt
sns.set(rc={"axes.facecolor":"#FFF9ED","figure.facecolor":"#FFF9ED", 'font.sans-serif': ['simhei', 'Arial']})   # 对整个文件配置生效，不单单对一个图形！  设置字体（解决中文乱码）、设置背景颜色（好看）

# 示例数据
x = [1, 2, 3, 4, 5]
y1 = [2, 4, 5, 3, 7]
y2 = [1, 3, 4, 2, 6]

# 创建一个包含两个子图的图形
figure, axes = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))

# 第一个子图：折线图1
sns.lineplot(x=x, y=y1, ax=axes[0])
axes[0].set_title('折线图1')
axes[0].set_xlabel('子图一X轴标签')
axes[0].set_ylabel('子图一Y轴标签')

# 第二个子图：折线图2
sns.lineplot(x=x, y=y2, ax=axes[1])
axes[1].set_title('折线图2')
axes[1].set_xlabel('子图二X轴标签')
axes[1].set_ylabel('子图二Y轴标签')

# 显示图形
plt.show()

在这里插入图片描述

案例

import seaborn as sns
import matplotlib.pyplot as plt
sns.set(rc={"axes.facecolor":"#FFF9ED","figure.facecolor":"#FFF9ED", 'font.sans-serif': ['simhei', 'Arial']})   # 对整个文件配置生效，不单单对一个图形！  设置字体（解决中文乱码）、设置背景颜色（好看）

# 准备数据 此处省略    知道已经获取到了随时间变化的 主动关节角和主动关节速率 数据即可

# 创建画布（容器层）
figure, axes = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))

# 创建折线图: theta_der
sns.lineplot(x=time_array, y=theta_der_1, label='theta_der_1', ax=axes[0], color='blue')
sns.lineplot(x=time_array, y=theta_der_2, label='theta_der_2', ax=axes[0], color='green')
sns.lineplot(x=time_array, y=theta_der_3, label='theta_der_3', ax=axes[0], color='red')

# 设置图形标题和轴标签
axes[0].set_title('3个主动关节速率与时间的关系')
axes[0].set_xlabel("时间")
axes[0].set_ylabel("关节速率")

# 修改x刻度
x_ticks = np.arange(0, 5.5, 0.5)
axes[0].set_xticks(x_ticks)

# 显示图例
axes[0].legend()

# 创建折线图: theta
sns.lineplot(x=time_array, y=theta_1, label='theta_1', ax=axes[1], color='blue')
sns.lineplot(x=time_array, y=theta_2, label='theta_2', ax=axes[1], color='green')
sns.lineplot(x=time_array, y=theta_3, label='theta_3', ax=axes[1], color='red')

# 设置图形标题和轴标签
axes[1].set_title('3个主动关节角与时间的关系')
axes[1].set_xlabel("时间")
axes[1].set_ylabel("关节角")

# 修改x刻度
axes[1].set_xticks(x_ticks)

# 显示图例
axes[1].legend()

# 保存图形
plt.savefig('result.png')

# 显示图形
plt.show()

在这里插入图片描述

px绘制折线图

Plotly Express（通常缩写为 px）是 Plotly 的高级接口，用于创建交互式图表。

px绘制图形的数据x、y可以是series或是numpy一维数组再或者列表等等。

单图实例代码

import plotly.express as px

# 示例数据
x_data = [1, 2, 3, 4, 5]
y_data = [10, 12, 9, 15, 11]

# 创建折线图
fig = px.line(x=x_data, y=y_data)

# 在浏览器中显示
fig.show()

在这里插入图片描述

注意：当你使用 Plotly Express 绘制图表时，它会默认在浏览器中显示图形，而不是在终端或Python IDE的图形窗口中显示。

多图实例代码

在plotly中，每个子图的图例是共享的，这意味着我们不能为每个子图单独设置图例位置。所以如果一定要图例分开显示，那么用matplotlib、sns库实现即可。

Plotly Express（px）方法

import plotly.express as px
from plotly.subplots import make_subplots
import numpy as np

# 示例数据
x_data = np.arange(1, 6)
y1_data = np.array([10, 12, 9, 15, 11])
y2_data = np.array([5, 7, 6, 8, 9])

# 创建子图
fig = make_subplots(rows=1, cols=2, subplot_titles=("子图 1", "子图 2"))

# 添加第一个子图
trace1 = px.line(x=x_data, y=y1_data)
fig.add_trace(trace1.data[0], row=1, col=1)

# 添加第二个子图
trace2 = px.line(x=x_data, y=y2_data)
fig.add_trace(trace2.data[0], row=1, col=2)

# 更新图表布局
fig.update_layout(
    title="两个坐标系示例（px方法）",
    xaxis=dict(title="X轴标签"),
    yaxis=dict(title="Y轴标签"),
    xaxis2=dict(title="X轴标签"),
    yaxis2=dict(title="Y轴标签"),
)

# 显示图形
fig.show()

在这里插入图片描述

Plotly Graph Objects（go）方法

import plotly.graph_objects as go
from plotly.subplots import make_subplots
import numpy as np

# 示例数据
x_data = np.arange(1, 6)
y1_data = np.array([10, 12, 9, 15, 11])
y2_data = np.array([5, 7, 6, 8, 9])

# 创建子图
fig = make_subplots(rows=1, cols=2, subplot_titles=("子图 1", "子图 2"))

# 添加第一个子图
trace1 = go.Scatter(x=x_data, y=y1_data, mode='lines', name="线条1")
fig.add_trace(trace1, row=1, col=1)

# 添加第二个子图
trace2 = go.Scatter(x=x_data, y=y2_data, mode='lines', name="线条2")
fig.add_trace(trace2, row=1, col=2)

# 更新图表布局
fig.update_layout(
    title="两个坐标系示例（go方法）",
    xaxis=dict(title="X轴标签"),
    yaxis=dict(title="Y轴标签"),
    xaxis2=dict(title="X轴标签"),
    yaxis2=dict(title="Y轴标签"),
)

# 显示图形
fig.show()

在这里插入图片描述

上面两种方法都可以绘制多图，对于它们的异同点见下方阐述：

异同点：

  • 相同点：
    • 两者都使用了 make_subplots 来创建包含两个子图的图形。
    • 都使用了 update_layout 来设置整体图表的布局。
  • 不同点：
    • Plotly Express 的方法使用了 px.line 来创建折线图，并通过 trace1.data[0] 获取相应的 trace 对象。同样，对于 Plotly Express 的第二个子图也是类似的做法。
    • Plotly Graph Objects 的方法使用了 go.Scatter 来创建折线图，通过 trace1 获取相应的 trace 对象。同样，对于第二个子图也是类似的做法。

在实际选择时，可以根据个人的喜好和需要来选择使用 Plotly Express 还是 Plotly Graph Objects。Plotly Express 提供了更简洁的高级接口，而 Plotly Graph Objects 具有更灵活的底层控制。

案例

import plotly.graph_objects as go
from plotly.subplots import make_subplots
import numpy as np


# 准备数据 此处省略      知道已经获取到了随时间变化的 主动关节角和主动关节速率 数据即可

# 创建子图
fig = make_subplots(rows=1, cols=2, subplot_titles=("3个主动关节速率与时间的关系", "3个主动关节角与时间的关系"))  # subplot_titles这是单个子图的标题

# 添加第一个子图
trace1_1 = go.Scatter(x=time_array, y=theta_der_1, mode='lines', name="theta_der_1")
trace1_2 = go.Scatter(x=time_array, y=theta_der_2, mode='lines', name="theta_der_2")
trace1_3 = go.Scatter(x=time_array, y=theta_der_3, mode='lines', name="theta_der_3")
fig.add_trace(trace1_1, row=1, col=1)
fig.add_trace(trace1_2, row=1, col=1)
fig.add_trace(trace1_3, row=1, col=1)

# 添加第二个子图
trace2_1 = go.Scatter(x=time_array, y=theta_1, mode='lines', name="theta_1")
trace2_2 = go.Scatter(x=time_array, y=theta_2, mode='lines', name="theta_2")
trace2_3 = go.Scatter(x=time_array, y=theta_3, mode='lines', name="theta_3")
fig.add_trace(trace2_1, row=1, col=2)
fig.add_trace(trace2_2, row=1, col=2)
fig.add_trace(trace2_3, row=1, col=2)



# 更新图表布局
fig.update_layout(
    title="可视化",   # 这是整个图幅的标题
    title_x=0.5,  # 设置标题的水平位置为中央
    width=1000,  # 设置图幅宽度
    height=600,  # 设置图幅高度
    xaxis=dict(title="时间"),
    yaxis=dict(title="关节速率"),
    xaxis2=dict(title="时间"),
    yaxis2=dict(title="关节角"),
)

# 设置横坐标刻度值
fig.update_xaxes(tickvals=np.arange(0,5.5,0.5), row=1, col=1)
fig.update_xaxes(tickvals=np.arange(0,5.5,0.5), row=1, col=2)

fig.show()

在这里插入图片描述
折线图是数据可视化的经典之作，而在Python的世界里，Matplotlib、Seaborn和Plotly则是打造精美折线图的得力助手。通过本文，我们深入了解了这三个强大的绘图库，学会了如何借助它们的功能和灵活性，创造出生动、直观的数据表达形式。

然而，这只是数据可视化的冰山一角。在未来的篇章中，我们将探索更多精彩、实用的内容，包括散点图、直方图、饼图等多种图表类型，以及它们的应用场景和定制技巧。这将进一步丰富我们在数据探索和呈现过程中的工具箱，让我们能够更全面地理解数据的内在规律和趋势。

感谢您的阅读，希望这篇关于折线图的文章为您提供了有益的信息，并引发了您对数据可视化更深层次的兴趣。期待在未来的篇章中，与您一同探索更多精彩的数据可视化世界。敬请期待！

这样啊812
关注
  • 41
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Plotly绘制树折线图(line)
瓜瓜的笔记
11-03 4307
文章目录一、单个折线图二、多个折线图三、分组多折线图四、参数及美化 一、单个折线图 import plotly.express as px df = px.data.gapminder().query("country=='Canada'") fig = px.line(df, x="year", y="lifeExp", title='Life expectancy in Canada', text='lifeExp', # 数据点显示值 lin
Plotly : 超好用的Python可视化工具
sgzqc的专栏
04-13 1326
python 数据可视化库
【Python可视化系列】一文彻底教会你绘制美观的折线图（理论+源码）_python画折线图
最新发布
2401_84004012的博客
04-22 774
基本涵盖了95%以上前端开发知识点，真正体系化！**
Python画折线图之seaborn
weixin_41869644的博客
07-08 7240
import matplotlib.pylab as plt import seaborn as sns import numpy as np np.random.seed(0) my_dpi=96 plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi) values=np.cumsum(np.random.randn(1000,1)) plt.plot(values) plt.show() import matplotlib.pyla.
python seaborn 折线图
small__roc的博客
12-01 1141
【代码】python seaborn 折线图。
python 折线图_Python画折线图之seaborn
weixin_39588252的博客
11-27 972
import matplotlib.pylab as pltimport seaborn as snsimport numpy as npnp.random.seed(0) my_dpi=96plt.figure(figsize=(480/my_dpi, 480/my_dpi), dpi=my_dpi) values=np.cumsum(np.random.randn(1000,1))p...
seaborn系列 (3) | 折线图lineplot()
热门推荐
脑机接口社区
09-16 5万+
折线图折线图函数原型参数解读案例教程案例地址 折线图 注意：数据一定是通过DataFrame中传送的 函数原型 seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hu...
Python 绘制可视化折线图
09-16
2. **基本折线图绘制**：通过`matplotlib.pyplot.plot()`函数，我们可以将数据绘制为折线图。在第一个例子中，我们创建了一个随机数数组`y`，并使用`range(len(y))`生成对应的x轴值。`plt.plot(y)`绘制了y值随索引...
数据科学教程：有关如何使用Python，Pandas，Seaborn，Numpy，Matplotlib，Scipy进行数据科学的教程
02-05
通过Matplotlib，我们可以绘制出各种2D和3D图形，包括折线图、柱状图、饼图等。虽然Seaborn在很多情况下提供了更简洁的接口，但Matplotlib仍然是许多复杂视觉效果实现的基石。 Scipy则是一个包含了各种科学计算工具...
python Plotly绘图工具的简单使用
09-17
Plotly的强大之处在于其丰富的图形类型，包括但不限于折线图、散点图、柱状图、箱型图、热力图、3D图形等，且所有图形都支持自定义样式和交互功能。此外，Plotly还支持与其他Python库如pandas、numpy等深度集成，...
Python绘制圆形（源代码：numpy & matplotlib）
04-11
在Python编程环境中，数据可视化是一项重要的任务，而`matplotlib`库是其中最常用的绘图库之一。...同时，`matplotlib`与其他Python库如`pandas`和`seaborn`结合使用，可以进行更复杂的统计可视化。
python2.7使用plotly绘制本地散点图和折线图
09-19
主要为大家详细介绍了python2.7使用plotly绘制本地散点图和折线图实例，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
基于Python实现不同区域SPEI12(年尺度)折线图对比
07-13
代码可能使用了像Pandas这样的库进行数据操作，用Matplotlib或Seaborn库来绘制折线图。 2. `SPEI12.xlsx`：这是一个Excel文件，可能包含了不同地区的SPEI12指数数据。每个区域的数据可能被组织成单独的列，每一行...
【Plotly】python数据可视化神器——绘制折线图
paperplaneY的博客
04-23 1万+
Ploty- python数据可视化利器，plotly教程，教您如何绘制折线图
使用seaborn绘制折线图，并使自动图例为中文
fine_0007的博客
04-10 3097
通常，我们使用seaborn进行绘图时，需要用到的变量和名称均为英文，然而有部分情况下需要设置图例为中文，而此时可能需要用到中文变量（Python 3支持中文变量，大家可以尝试一下） 以下是seaborn中文图例绘制曲线的代码 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn ...
seaborn绘制箱线图和折线图
qq_32649321的博客
07-20 2605
无
python根据表格数据生成折线图_Kaggle、Python数据可视化seaborn(二)：折线图
weixin_39803022的博客
11-25 763
现在您已经熟悉了编码环境，接下来学习如何制作自己的图表!在本教程中，您将学习怎样用Python来创建专业的线形图。在接下来的练习中，您将使用您的新技能来处理真实世界的数据集。准备好笔记本我们首先设置编码环境。import pandas as pdimport matplotlib.pyplot as plt%matplotlib inlineimport seaborn as snsprint("...
【Python百日进阶-数据分析】Day127 - plotly折线图：px.line()/go.Scatter()实例
岳涛的博客
12-14 2298
文章目录四、实例4.1 px的折线图4.1.1 加拿大的预期寿命4.1.2 带有列编码颜色的折线图4.1.3 Dash中的折线图4.1.4 折线图中的数据顺序4.1.5 连通散点图4.1.6 带标记的折线图4.1.7 symbol参数可用于将数据字段映射到标记符号4.1.8 日期轴上的折线图4.1.9 Sparklines with Plotly Express4.2 go.Scatter的折线图4.2.1 简单折线图4.2.2 折线图模式4.2.3 样式折线图4.2.4 连接数据缺口4.2.5 折线图插值
超详细plotly画折线图例子----记录自己背单词
john_ashley的博客
05-09 2123
import plotly.offline as py from plotly.graph_objs import Scatter, Layout import plotly.graph_objs as go py.offline.init_notebook_mode() trace11=go.Scatter( name="已加入记忆规划全部单词", x=[-1,0], y=[3300,3371], text=['记录起点:2020/5/8'], textposi
python绘制随机折线图
05-30
好的，以下是Python绘制随机折线图的示例代码： ```python import random import matplotlib.pyplot as plt # 生成随机数据 x = [i for i in range(50)] y = [random.randint(1, 100) for _ in range(50)] # 绘制折线图 plt.plot(x, y) # 设置图表标题和轴标签 plt.title('Random Line Plot') plt.xlabel('X') plt.ylabel('Y') # 显示图表 plt.show() ``` 在这个示例中，我们使用random模块生成了50个1到100之间的随机y坐标，并以x坐标值为0到49的整数序列作为横坐标。然后使用matplotlib库的plot函数绘制了折线图。最后，我们设置了图表标题和轴标签，并使用show函数显示图表。你可以根据需要修改代码以生成不同的随机折线图。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值