Python基础学习笔记-13.Matplotlib库

13.Matplotlib库

13.1. 基本配置

数据可视化是数据分析的一个重要工具，最常用的就是Matplotlib库

【1】 要不要plt.show()

ipython中可用魔术方法 %matplotlib inline，这样可以无需plt.show()

pycharm 中必须使用plt.show()

%matplotlib inline

import matplotlib.pyplot as plt

plt.style.use("seaborn-whitegrid")

 

x = [1, 2, 3, 4]

y = [1, 4, 9, 16]

plt.plot(x, y)

plt.ylabel("squares")

# plt.show()   

【2】设置样式

plt.style.available[:5]

['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight']

with plt.style.context("seaborn-white"):

    plt.plot(x, y)

【3】将图像保存为文件

import numpy as np

x = np.linspace(0, 10 ,100)

plt.plot(x, np.exp(x))

plt.savefig("my_figure.png")

13.2.Matplotlib库

13.2.1.折线图

%matplotlib inline

import matplotlib.pyplot as plt

plt.style.use("seaborn-whitegrid")

import numpy as np

 

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x))

绘制多条曲线

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.cos(x))

plt.plot(x, np.sin(x))

【1】调整线条颜色和风格

调整线条颜色

offsets = np.linspace(0, np.pi, 5)

colors = ["blue", "g", "r", "yellow", "pink"]

for offset, color in zip(offsets, colors):

    plt.plot(x, np.sin(x-offset), color=color)         # color可缩写为c

调整线条风格

x = np.linspace(0, 10, 11)

offsets = list(range(8))

linestyles = ["solid", "dashed", "dashdot", "dotted", "-", "--", "-.", ":"]

for offset, linestyle in zip(offsets, linestyles):

    plt.plot(x, x+offset, linestyle=linestyle)        # linestyle可简写为ls

调整线宽

x = np.linspace(0, 10, 11)

offsets = list(range(0, 12, 3))

linewidths = (i*2 for i in range(1,5))

for offset, linewidth in zip(offsets, linewidths):

    plt.plot(x, x+offset, linewidth=linewidth)                 # linewidth可简写为lw

调整数据点标记

x = np.linspace(0, 10, 11)

offsets = list(range(0, 12, 3))

markers = ["*", "+", "o", "s"]

for offset, marker in zip(offsets, markers):

    plt.plot(x, x+offset, marker=marker)   

x = np.linspace(0, 10, 11)

offsets = list(range(0, 12, 3))

markers = ["*", "+", "o", "s"]

for offset, marker in zip(offsets, markers):

    plt.plot(x, x+offset, marker=marker, markersize=10)      # markersize可简写为ms

颜色跟风格设置的简写

x = np.linspace(0, 10, 11)

offsets = list(range(0, 8, 2))

color_linestyles = ["g-", "b--", "k-.", "r:"]

for offset, color_linestyle in zip(offsets, color_linestyles):

    plt.plot(x, x+offset, color_linestyle)

x = np.linspace(0, 10, 11)

offsets = list(range(0, 8, 2))

color_marker_linestyles = ["g*-", "b+--", "ko-.", "rs:"]

for offset, color_marker_linestyle in zip(offsets, color_marker_linestyles):

    plt.plot(x, x+offset, color_marker_linestyle)

其他用法及颜色缩写、数据点标记缩写等请查看官方文档，如下：

https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html#matplotlib.pyplot.plot

【2】调整坐标轴

xlim, ylim

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x))

plt.xlim(-1, 7)

plt.ylim(-1.5, 1.5)

axis

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x))

plt.axis([-2, 8, -2, 2])

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x))

plt.axis("tight") # tight表示紧凑的图像

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x))

plt.axis("equal") # equal表示扁平的图像

?plt.axis # 查看还有哪些样式

 

 'on'     Turn on axis lines and labels.

...

    'square' Square plot; similar to 'scaled', but initially forcing

对数坐标

x = np.logspace(0, 5, 100)

plt.plot(x, np.log(x))

plt.xscale("log")

调整坐标轴刻度

x = np.linspace(0, 10, 100)

plt.plot(x, x**2)

plt.xticks(np.arange(0, 12, step=1))

x = np.linspace(0, 10, 100)

plt.plot(x, x**2)

plt.xticks(np.arange(0, 12, step=1), fontsize=15)

plt.yticks(np.arange(0, 110, step=10))

调整刻度样式

x = np.linspace(0, 10, 100)

plt.plot(x, x**2)

plt.tick_params(axis="both", labelsize=15)

【3】设置图形标签

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x))

plt.title("A Sine Curve", fontsize=20)

plt.xlabel("x", fontsize=15)

plt.ylabel("sin(x)", fontsize=15)

【4】设置图例

默认

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x), "b-", label="Sin")

plt.plot(x, np.cos(x), "r--", label="Cos")

plt.legend()

修饰图例

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x), "b-", label="Sin")

plt.plot(x, np.cos(x), "r--", label="Cos")

plt.ylim(-1.5, 2)

plt.legend(loc="upper center", frameon=True, fontsize=15)

【5】添加文字和箭头

添加文字

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x), "b-")

plt.text(3.5, 0.5, "y=sin(x)", fontsize=15)

添加箭头

x = np.linspace(0, 2*np.pi, 100)

plt.plot(x, np.sin(x), "b-")

plt.annotate('local min', xy=(1.5*np.pi, -1), xytext=(4.5, 0),

             arrowprops=dict(facecolor='black', shrink=0.1),

             )

13.2.2.散点图

【1】简单散点图

x = np.linspace(0, 2*np.pi, 20)

plt.scatter(x, np.sin(x), marker="o", s=30, c="r")    # s 大小  c 颜色

【2】颜色配置

x = np.linspace(0, 10, 100)

y = x**2

plt.scatter(x, y, c=y, cmap="inferno")  # c=y表示颜色随着y的大小映射

plt.colorbar()

颜色配置参考官方文档

https://matplotlib.org/examples/color/colormaps_reference.html

【3】根据数据控制点的大小

x, y, colors, size = (np.random.rand(100) for i in range(4))

plt.scatter(x, y, c=colors, s=1000*size, cmap="viridis")

【4】透明度

x, y, colors, size = (np.random.rand(100) for i in range(4))

plt.scatter(x, y, c=colors, s=1000*size, cmap="viridis", alpha=0.3)

plt.colorbar()

【例】随机漫步

from random import choice

class RandomWalk():

    """一个生产随机漫步的类"""

    def __init__(self, num_points=5000):

        self.num_points = num_points

        self.x_values = [0]

        self.y_values = [0]

    

    def fill_walk(self):

        while len(self.x_values) < self.num_points:

            x_direction = choice([1, -1])

            x_distance = choice([0, 1, 2, 3, 4])

            x_step = x_direction * x_distance

            

            y_direction = choice([1, -1])

            y_distance = choice([0, 1, 2, 3, 4])

            y_step = y_direction * y_distance            

        

            if x_step == 0 or y_step == 0:

                continue

            next_x = self.x_values[-1] + x_step

            next_y = self.y_values[-1] + y_step

            self.x_values.append(next_x)

            self.y_values.append(next_y)

 

rw = RandomWalk(10000)

rw.fill_walk()

point_numbers = list(range(rw.num_points))

plt.figure(figsize=(12, 6))                 

plt.scatter(rw.x_values, rw.y_values, c=point_numbers, cmap="inferno", s=1)

plt.colorbar()

plt.scatter(0, 0, c="green", s=100)

plt.scatter(rw.x_values[-1], rw.y_values[-1], c="red", s=100)

plt.xticks([])

plt.yticks([])

13.2.3.柱形图

【1】简单柱形图

x = np.arange(1, 6)

plt.bar(x, 2*x, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')

plt.tick_params(axis="both", labelsize=13)

x = np.arange(1, 6)

plt.bar(x, 2*x, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')

plt.xticks(x, ('G1', 'G2', 'G3', 'G4', 'G5'))

plt.tick_params(axis="both", labelsize=13)

x = ('G1', 'G2', 'G3', 'G4', 'G5')

y = 2 * np.arange(1, 6)

plt.bar(x, y, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')

plt.tick_params(axis="both", labelsize=13)

x = ["G"+str(i) for i in range(5)]

y = 1/(1+np.exp(-np.arange(5)))

 

colors = ['red', 'yellow', 'blue', 'green', 'gray']

plt.bar(x, y, align="center", width=0.5, alpha=0.5, color=colors)

plt.tick_params(axis="both", labelsize=13)

【2】累加柱形图

x = np.arange(5)

y1 = np.random.randint(20, 30, size=5)

y2 = np.random.randint(20, 30, size=5)

plt.bar(x, y1, width=0.5, label="man")

plt.bar(x, y2, width=0.5, bottom=y1, label="women")

plt.legend()

【3】并列柱形图

x = np.arange(15)

y1 = x+1

y2 = y1+np.random.random(15)

plt.bar(x, y1, width=0.3, label="man")

plt.bar(x+0.3, y2, width=0.3, label="women")

plt.legend()

【4】横向柱形图

x = ['G1', 'G2', 'G3', 'G4', 'G5']

y = 2 * np.arange(1, 6)

plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue", edgecolor="red")

plt.tick_params(axis="both", labelsize=13)

13.2.4.多子图

【1】简单多子图

def f(t):

return np.exp(-t) * np.cos(2*np.pi*t)

 

t1 = np.arange(0.0, 5.0, 0.1)

t2 = np.arange(0.0, 5.0, 0.02)

 

plt.subplot(211)

plt.plot(t1, f(t1), "bo-", markerfacecolor="r", markersize=5)

plt.title("A tale of 2 subplots")

plt.ylabel("Damped oscillation")

 

plt.subplot(212)

plt.plot(t2, np.cos(2*np.pi*t2), "r--")

plt.xlabel("time (s)")

plt.ylabel("Undamped")

【2】多行多列子图

x = np.random.random(10)

y = np.random.random(10)

 

plt.subplots_adjust(hspace=0.5, wspace=0.3)

 

plt.subplot(321)

plt.scatter(x, y, s=80, c="b", marker=">")

plt.subplot(322)

plt.scatter(x, y, s=80, c="g", marker="*")

plt.subplot(323)

plt.scatter(x, y, s=80, c="r", marker="s")

plt.subplot(324)

plt.scatter(x, y, s=80, c="c", marker="p")

plt.subplot(325)

plt.scatter(x, y, s=80, c="m", marker="+")

plt.subplot(326)

plt.scatter(x, y, s=80, c="y", marker="H")

【3】不规则多子图

def f(x):

    return np.exp(-x) * np.cos(2*np.pi*x)

 

x = np.arange(0.0, 3.0, 0.01)

grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)

 

plt.subplot(grid[0, 0])

plt.plot(x, f(x))

plt.subplot(grid[0, 1:])

plt.plot(x, f(x), "r--", lw=2)

plt.subplot(grid[1, :])

plt.plot(x, f(x), "g-.", lw=3)

13.2.5.直方图

【1】普通频次直方图

mu, sigma = 100, 15

x = mu + sigma * np.random.randn(10000)

 

plt.hist(x, bins=50, facecolor='g', alpha=0.75)

【2】概率密度

mu, sigma = 100, 15

x = mu + sigma * np.random.randn(10000)

 

plt.hist(x, 50, density=True, color="r")

plt.xlabel('Smarts')

plt.ylabel('Probability')

plt.title('Histogram of IQ')

plt.text(60, .025, r'$\mu=100,\ \sigma=15$')

plt.xlim(40, 160)

plt.ylim(0, 0.03)

mu, sigma = 100, 15

x = mu + sigma * np.random.randn(10000)

 

plt.hist(x, bins=50, density=True, color="r", histtype='step')

plt.xlabel('Smarts')

plt.ylabel('Probability')

plt.title('Histogram of IQ')

plt.text(60, .025, r'$\mu=100,\ \sigma=15$')

plt.xlim(40, 160)

plt.ylim(0, 0.03)

from scipy.stats import norm

mu, sigma = 100, 15

x = mu + sigma * np.random.randn(10000)

 

_, bins, __ = plt.hist(x, 50, density=True)

y = norm.pdf(bins, mu, sigma)

plt.plot(bins, y, 'r--', lw=3)  

plt.xlabel('Smarts')

plt.ylabel('Probability')

plt.title('Histogram of IQ')

plt.text(60, .025, r'$\mu=100,\ \sigma=15$')

plt.xlim(40, 160)

plt.ylim(0, 0.03)

【3】累计概率分布

mu, sigma = 100, 15

x = mu + sigma * np.random.randn(10000)

 

plt.hist(x, 50, density=True, cumulative=True, color="r")

plt.xlabel('Smarts')

plt.ylabel('Cum_Probability')

plt.title('Histogram of IQ')

plt.text(60, 0.8, r'$\mu=100,\ \sigma=15$')

plt.xlim(50, 165)

plt.ylim(0, 1.1)

【例】模拟投两个骰子

class Die():

    "模拟一个骰子的类"

    

    def __init__(self, num_sides=6):

        self.num_sides = num_sides

    

    def roll(self):

        return np.random.randint(1, self.num_sides+1)

重复投一个骰子

die = Die()

results = []

for i in range(60000):

    result = die.roll()

    results.append(result)

plt.hist(results, bins=6, range=(0.75, 6.75), align="mid", width=0.5)

plt.xlim(0 ,7)

重复投两个骰子

die1 = Die()

die2 = Die()

results = []

for i in range(60000):

    result = die1.roll()+die2.roll()

    results.append(result)

plt.hist(results, bins=11, range=(1.75, 12.75), align="mid", width=0.5)

plt.xlim(1 ,13)

plt.xticks(np.arange(1, 14))

13.2.6.误差图

【1】基本误差图

x = np.linspace(0, 10 ,50)

dy = 0.5

y = np.sin(x) + dy*np.random.randn(50)

plt.errorbar(x, y , yerr=dy, fmt="+b")

【2】柱形图误差图

menMeans = (20, 35, 30, 35, 27)

womenMeans = (25, 32, 34, 20, 25)

menStd = (2, 3, 4, 1, 2)

womenStd = (3, 5, 2, 3, 3)

ind = ['G1', 'G2', 'G3', 'G4', 'G5']

width = 0.35      

 

p1 = plt.bar(ind, menMeans, width=width, label="Men", yerr=menStd)

p2 = plt.bar(ind, womenMeans, width=width, bottom=menMeans, label="Men", yerr=womenStd)

 

plt.ylabel('Scores')

plt.title('Scores by group and gender')

plt.yticks(np.arange(0, 81, 10))

plt.legend()

13.2.7.面向对象的风格简介

【例1】 普通图

x = np.linspace(0, 5, 10)

y = x ** 2

 

fig = plt.figure(figsize=(8,4), dpi=80)        # 图像

axes = fig.add_axes([0.1, 0.1, 0.8, 0.8])      # 轴 left, bottom, width, height (range 0 to 1)

 

axes.plot(x, y, 'r')

axes.set_xlabel('x')

axes.set_ylabel('y')

axes.set_title('title')

【2】画中画

x = np.linspace(0, 5, 10)

y = x ** 2

 

fig = plt.figure()

ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])

ax2 = fig.add_axes([0.2, 0.5, 0.4, 0.3])

ax1.plot(x, y, 'r')

ax1.set_xlabel('x')

ax1.set_ylabel('y')

ax1.set_title('title')

ax2.plot(y, x, 'g')

ax2.set_xlabel('y')

ax2.set_ylabel('x')

ax2.set_title('insert title')

【3】 多子图

def f(t):

    return np.exp(-t) * np.cos(2*np.pi*t)

 

t1 = np.arange(0.0, 3.0, 0.01)

 

fig= plt.figure()

fig.subplots_adjust(hspace=0.4, wspace=0.4)

ax1 = plt.subplot(2, 2, 1)

ax1.plot(t1, f(t1))

ax1.set_title("Upper left")

ax2 = plt.subplot(2, 2, 2)

ax2.plot(t1, f(t1))

ax2.set_title("Upper right")

ax3 = plt.subplot(2, 1, 2)

ax3.plot(t1, f(t1))

ax3.set_title("Lower")

13.2.8.三维图形简介

【1】三维数据点与线

from mpl_toolkits import mplot3d

ax = plt.axes(projection="3d")

zline = np.linspace(0, 15, 1000)

xline = np.sin(zline)

yline = np.cos(zline)

ax.plot3D(xline, yline ,zline)

 

zdata = 15*np.random.random(100)

xdata = np.sin(zdata)

ydata = np.cos(zdata)

ax.scatter3D(xdata, ydata ,zdata, c=zdata, cmap="spring")

【2】三维数据曲面图

def f(x, y):

return np.sin(np.sqrt(x**2 + y**2))

 

x = np.linspace(-6, 6, 30)

y = np.linspace(-6, 6, 30)

X, Y = np.meshgrid(x, y) # 对x和y网格化

Z = f(X, Y)

ax = plt.axes(projection="3d")

ax.plot_surface(X, Y, Z, cmap="viridis")

13.3.Seaborn库

【1】Seaborn 与 Matplotlib

Seaborn 是一个基于 matplotlib 且数据结构与 pandas 统一的统计图制作库

x = np.linspace(0, 10, 500)

y = np.cumsum(np.random.randn(500, 6), axis=0) # 500行6列累计求和

 

with plt.style.context("classic"):

    plt.plot(x, y)

    plt.legend("ABCDEF", ncol=2, loc="upper left")   

import seaborn as sns

x = np.linspace(0, 10, 500)

y = np.cumsum(np.random.randn(500, 6), axis=0)

sns.set()

plt.figure(figsize=(10, 6))

plt.plot(x, y)

plt.legend("ABCDEF", ncol=2, loc="upper left")

【2】柱形图的对比

x = ['G1', 'G2', 'G3', 'G4', 'G5']

y = 2 * np.arange(1, 6)

 

plt.figure(figsize=(8, 4))

plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue")

plt.tick_params(axis="both", labelsize=13)

import seaborn as sns

plt.figure(figsize=(8, 4))

x = ['G5', 'G4', 'G3', 'G2', 'G1']

y = 2 * np.arange(5, 0, -1)

#sns.barplot(y, x)

sns.barplot(y, x, linewidth=5)

sns.barplot? # 查看sns.barplot用法

【3】以鸢尾花数据集为例

#iris = sns.load_dataset("iris")

iris = pd.read_csv("data/iris.csv")

iris.head()

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

sns.pairplot(data=iris, hue="species")

13.4.Pandas 中的绘图函数概览

【1】线形图

import pandas as pd

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),

                  columns=list("ABCD"),

                  index=np.arange(1000))

df.head()

	A	B	C	D
0	-1.311443	0.970917	-1.635011	-0.204779
1	-1.618502	0.810056	-1.119246	1.239689
2	-3.558787	1.431716	-0.816201	1.155611
3	-5.377557	-0.312744	0.650922	0.352176
4	-3.917045	1.181097	1.572406	0.965921

df.plot()

df = pd.DataFrame()

df.plot?

【2】柱形图

df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])

df2

	a	b	c	d
0	0.587600	0.098736	0.444757	0.877475
1	0.580062	0.451519	0.212318	0.429673
...	...	...	...	...
9	0.730905	0.237166	0.043195	0.600445

 

多组数据竖图

df2.plot.bar()

多组数据累加竖图

df2.plot.bar(stacked=True)

多组数据累加横图

df2.plot.barh(stacked=True)

【3】直方图和密度图

df4 = pd.DataFrame({"A": np.random.randn(1000) - 3, "B": np.random.randn(1000),

                     "C": np.random.randn(1000) + 3})

df4.head()

	A	B	C
0	-4.250424	1.043268	1.356106
1	-2.393362	-0.891620	3.787906
2	-4.411225	0.436381	1.242749
3	-3.465659	-0.845966	1.540347
4	-3.606850	1.643404	3.689431

 

普通直方图

df4.plot.hist(bins=50)

累加直方图

df4['A'].plot.hist(cumulative=True)

概率密度图

df4['A'].plot(kind="kde")

差分

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),

                  columns=list("ABCD"),

                  index=np.arange(1000))

df.head()

	A	B	C	D
0	-0.277843	-0.310656	-0.782999	-0.049032
1	0.644248	-0.505115	-0.363842	0.399116
2	-0.614141	-1.227740	-0.787415	-0.117485
3	-0.055964	-2.376631	-0.814320	-0.716179
4	0.058613	-2.355537	-2.174291	0.351918

 

df.diff().hist(bins=50, color="r")

【4】散点图

df = pd.DataFrame(np.random.rand(50, 2), columns=['a', 'b'])

df.plot.scatter(x='a', y='b')

【5】多子图

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),

                  columns=list("ABCD"),

                  index=np.arange(1000))

df.plot(subplots=True, figsize=(6, 16))

设定图形安排

df.plot(subplots=True, layout=(2, 2), figsize=(16, 6), sharex=False)

其他内容请参考Pandas中文文档

https://www.pypandas.cn/docs/user_guide/visualization.html#plot-formatting