matlab大数据饼状图表达,matplotlib绘图相关,数据的直观表达-->图形展示

第一部分

chapter01 matplotlib和numpy起步

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/14 10:39'

'''

# 用于测试matplotlib

import matplotlib.pyplot as plt

# plt.plot([1,2,3],[3,2,1])

# plt.show()

plt.plot([1,2,3,4],[-4,-3,-2,-1])

plt.show()

'''

numpy是python开源的数值计算扩展

可用来储存和处理大型矩阵,比python自身的数据结构要高效

numpy将python变成了一种免费强大的MATLAB系统

'''

# ndarray 创建 一般有三种方式

'''

1. 从python的基础数据对象进行转化

2. 通过numpy内生成的函数生成

3. 从硬盘(文件)读取数据

'''

# 索引和切片(类似于列表的操作)

# 常用函数

'''

min,max,median,mean,variance,sort

'''

chapter02 matplotlib中计算各种值

import numpy as np

c = np.random.randint(1,100,10)

print(c)

#

# # 求最大值

# print(np.max(c))

# print(c.max())

# # 求最小值

# print(np.min(c))

# print(c.min())

# # 求均值

# print(np.mean(c))

# print(c.mean())

# # 求方差

# print(np.var(c))

# print(c.var())

# np.save('x.npy',c) # 存为.npy文件

c = np.load('x.npy')

print(c)

chapter03 matplotlib绘制散点图

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/14 11:09'

这回我们来画散点图,散点图最大的特点就是能体现相关性,比如正相关,负相关,和不相关

'''

import numpy as np

import matplotlib.pyplot as plt

# # 正相关的

# height = [161,172,182,175,173,165]

# weight = [50,58,80,70,69,55]

#

# plt.scatter(height,weight)

# plt.show()

# # 不相关的

# N = 1000

#

# x1 = np.random.randn(N)

# y1 = np.random.randn(N)

# plt.scatter(x1,y1)

# plt.show()

# # 正相关的

# N = 1000

# x1 = np.random.randn(N)

# y1 = x1 + np.random.randn(N)*0.5

# plt.scatter(x1,y1)

# plt.show()

# 负相关的

N = 1000

x1 = np.random.randn(N)

y1 = - x1 + np.random.randn(N)*0.5

plt.scatter(x1,y1,s=50,alpha = 0.5,c='r',marker='

plt.show()

'''

图表能够十分直观的体现出数据之间的关系,

'''

# 散点图的外观调整

'''

1. 颜色 c

2. 点大小 s

3. 透明度 alpha

4. 点形状,marker

'''

chapter04 matplotlib绘制折线图

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(-10,10,5)

y = x**2

plt.plot(x,y)

plt.show()

chapter05 matplotlib绘制条形图

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/14 14:03'

本节我们来画条形图

'''

# 概念:条形图其实就是使用长方形的长度来显示变量大小的图表

# 用来比较多个数据的大小,通常利于数据集较少的分析

# 例如不同季度的销量,不同国家的人口等yufengmengyufengmengyufengmeng

import numpy as np

import matplotlib.pyplot as plt

N = 5

y = [20,10,30,25,15]

# index = np.arange(N)

# # pl = plt.bar(x=index,height=y,color='green',width=0.5)

# # pl2 = plt.bar(x=0,bottom=index,width=y,color="red",height=0.5,orientation="horizontal")

# pl2 = plt.bar(x=0,bottom=index,width=y,color="red",height=0.5)

# # pl3 = plt.barh(y=0,width=y,index=index)

# plt.show()

index = np.arange(4)

sales_BJ = [52,55,63,53]

sales_SH = [44,66,55,41]

bar_width = 0.3

plt.bar(index,sales_BJ,bar_width,color="b")

plt.bar(index+bar_width,sales_SH,bar_width,color="r")

plt.show()

chapter06 matplotlib绘制直方图

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/14 17:47'

直方图

'''

# import numpy as np

# import matplotlib.pyplot as plt

#

# '''

# 直方图是由一系列高度不等的纵向条形组成,表示数据分布情况

# 这里需要注意和条形图区分

# 直方图通常表示连续变化的数据

# 条形图通常用于展示不同类型的数据,而且这个类别通常是不连续的

# 说白了就是直方图,中间没有空

# '''

#

# mu = 100

# sigma = 20

# x = mu+ sigma*np.random.randn(20000)

#

# # print(x)

# # plt.hist(x,bins=10)

# '''

# The 'normed' kwarg was deprecated in Matplotlib 2.1 and will be removed in 3.1. Use 'density' instead.

# plt.hist(x,bins=10,color='red',normed=True)

# '''

# # plt.hist(x,bins=50,color='green',density=True)

# plt.hist(x,bins=500,color='green')

# # 这里bins表示有几个条装的柱形

# plt.show()

#

# 一个双变量的直方图

import numpy as np

import matplotlib.pyplot as plt

x = np.random.randn(1000)+2

y = np.random.randn(1000)+3

plt.hist2d(x,y,bins=40)

plt.show()

chapter07 matplotlib绘制饼状图

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/14 23:12'

这节我们来练习画饼状图,的饼状图用于显示各项的大小和总和的比例

饼状图中的数据点显示为整个饼状图的百分比

如前十大品牌占市场份额图

'''

import numpy as np

import matplotlib.pyplot as plt

labels = 'A','B','C','D'

fracs = [15,30,45,10]

explode = [0.2,0,0,0.2]

# 在python2中,好像默认不是正圆,那么要想整成正圆,就要这样写法

plt.axes(aspect=1) # 这行我就不知道有什么用,感觉是毛用没有啊

plt.pie(x=fracs,labels=labels,autopct='%.0f%%',explode=explode,shadow=True)

# 这个autopct是python中的格式化字符串

# explode能够突出显示某几块儿的值

# shadow是阴影

# pyth'onpythonpytho'n python python python pyth'on python pyhto'n pythio

'''

def 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,

rotatelabels=False, *, data=None):

return gca().pie(

'''

plt.show()

chapter08 matplotlib绘制箱型图

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/14 23:34'

本节课我们画箱型图

箱型图又称之为盒须图,盒式图或者箱线图

是一种用作显示一组数据分散情况资料的统计图

上边缘,上四分位数,中位数,下四分位数,下边缘,异常值

'''

import numpy as np

import matplotlib.pyplot as plt

a = [42,55,79,68,15,98]

b = [32,59,77,100,92,88,5,0]

c = [92,98,78,65,97,100,0]

plt.boxplot(

(a,c,b), # 数据

labels = ('a','c','b'), # 标签

showfliers = True, # 是否显示异常值，默认显示

whis = 1.5, # 指定异常值参数：默认1.5倍四分位差

showmeans = True, # 是否显示平均值，默认不显示

meanline = True, # 是否用线标示平均值，默认用点

widths = 0.5, # 柱子宽度

vert = True, # 默认True纵向，False横向

patch_artist = True, # 是否填充颜色

boxprops = {'facecolor':'#ffff00','color':'green'}, # 箱体样式

)

plt.grid(linewidth=0.2)

plt.show()

chapter09 matplotlib中的颜色

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 11:29'

这回我们来玩颜色,八种内建颜色缩写

b:blue

g:green

r:red

c:cyan

m:magenta

y:yellow

k:black

w:white

其他颜色表示方法

灰色阴影

html十六进制

RGB元祖

'''

import numpy as np

import matplotlib.pyplot as plt

y = np.arange(1,5)

y2 = np.arange(2,4)

y3 = np.arange(3,7)

y4 = np.arange(3,1)

# plt.plot(y)

# plt.plot(y,color='green')

plt.plot(y+1,color='m',marker='o')

plt.plot(y+2,color='0.6',marker='^')

plt.plot(y+3,color='#ff00ff',marker='D')

plt.plot(y+4,color=(0.1,0.2,0.3),marker='p')

plt.show()

'''

默认颜色是蓝色

'''

第二部分

chapter10 面向对象 VS MATLAB style

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 11:43'

'''

'''

面向对象 VS MATLAB style

三种方式优劣

- pyplot:简单易用,交互使用时方便,可以根据命令实时作图.但是底层的定制能力不足.

- pylab: 完全封装,环境最接近Matlab.不推荐使用

- 面向对象: (Object-Oriented)的方式:接近Matplotlib基础和底层的方式.难度稍大.但是定制能力强,而且是matplotlib的精髓

总结: 实战中推荐,根据需求,综合使用pyplot和OO的方式,显示导入numpy

常用模块导入代码:

import matplotlib.pyplot as plt

import numpy as np

'''

#

# from pylab import *

#

# x = arange(0,10,1)

# y = randn(len(x))

#

# plot(x,y)

# title('pylib')

#

# show()

#

# # 这种方式写起来很像matlab,但是我们不推荐使用

# # 第二种方式(我们之前的方式)

# import matplotlib.pyplot as plt

# import numpy as np

#

# x = np.arange(0,10,1)

# y = np.random.randn(len(x))

#

# plt.plot(x,y)

# plt.title('pyplot')

# plt.show()

# 第三种方式(面向对象方式)

import matplotlib.pyplot as plt

import numpy as np

'''

解决Python使用matplotlib绘图时出现的中文乱码问题

最近使用学习Python中使用matplotlib绘图时发现控制台报如下问题，可知是中文字体问题

'''

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

x = np.arange(0,10,1)

y = np.random.randn(len(x))

fig = plt.figure()

ax = fig.add_subplot(111)

l = plt.plot(x,y)

t = ax.set_title("面向对象方式!~!!")

plt.show()

chapter11 matplotlib面向对象简介

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 12:04'

'''

'''

matplotlib面向对象简介

FigureCanvas 画布

Figure 图

Axes 坐标轴

'''

import matplotlib.pyplot as plt

import numpy as np

x = np.arange(1,100)

fig = plt.figure()

ax1 = fig.add_subplot(221)

ax1.plot(x,np.log(x))

ax1 = fig.add_subplot(222)

ax1.plot(x,x*x)

ax1 = fig.add_subplot(223)

ax1.plot(-x,2*x)

ax1 = fig.add_subplot(224)

ax1.plot(-x,x**2)

plt.show()

chapter12 figure 多图

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 22:00'

本节我们讨论figure 多图

'''

import matplotlib.pyplot as plt

fig1 = plt.figure()

ax1 = fig1.add_subplot(111)

ax1.plot([1,2,3],[3,2,1])

fig2 = plt.figure()

ax2 = fig2.add_subplot(111)

ax2.plot([1,2,3],[3,2,1])

plt.show()

chapter13 网格

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 22:05'

这回我们画网格

'''

# 如何画网格呢?其实就是一句话

# plt.grid(True)

# 定制化网格

# 命令行的方式

# import matplotlib.pyplot as plt

#

# fig1 = plt.figure()

#

# ax1 = fig1.add_subplot(111)

#

# ax1.plot([1,2,3],[3,2,1])

#

# fig2 = plt.figure()

#

# ax2 = fig2.add_subplot(111)

#

# ax2.plot([1,2,3],[3,2,1])

# plt.grid(True)

# plt.grid(color='g')

# plt.grid(linewidth='2')

# # plt.grid(linestyle='--')

# plt.grid(linestyle='-.')

# plt.show()

# 面向对象的方式绘制网格

import matplotlib.pyplot as plt

import numpy as np

# 生成一个图形对象

fig = plt.figure()

x = np.arange(0,10,1)

ax = fig.add_subplot(111)

plt.plot(x,x**2)

ax.grid(color = 'g')

plt.show()

'''

面向对象是没有交互的效果的

'''

chapter14 图例 legend

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 22:15'

这节我们学习图例 legend

'''

# 同样的是有两种方式,一种是plt的方式,一种是面向对象的方式

# # 第一种方式

# import matplotlib.pyplot as plt

# import numpy as np

#

# x = np.arange(1,11,1)

# plt.plot(x,x**2,label='Normal')

# plt.plot(x,x*2,label='Fast')

# plt.plot(x,1.5**x,label='Faster')

# plt.legend()

# # 加上这个就有图例了,能够将上面的label中的内容作为图例的解释上去

# '''

# 图例还有一些参数

# 比如位置参数,图例搁哪噶达显示

# '''

# plt.show()

# # 第一点一种方式

# import matplotlib.pyplot as plt

# import numpy as np

#

# x = np.arange(1,11,1)

# plt.plot(x,x**2)

# plt.plot(x,x*2)

# plt.plot(x,1.5**x)

# plt.legend(['Normal','fast','slower'])

#

# plt.show()

# 第二种面向对象的方式

import matplotlib.pyplot as plt

import numpy as np

x = np.arange(1,11,1)

fig = plt.figure()

ax = fig.add_subplot(111)

l, = plt.plot(x,x*x)

# 1------------------------------------------------

# ax.legend(['ax legnsd'])

# 2------------------------------------------------

l.set_label('label via method')

ax.legend()

# ------------------------------------------------

plt.show()

chapter15 坐标轴的范围

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 22:32'

'''

# 今天我们来调整一下坐标轴的范围

import matplotlib.pyplot as plt

import numpy as np

x = np.arange(-10,11,1)

plt.plot(x,x*x)

# plt.axis([-5,10,0,100])

# axis 调整两个

# plt.axis(xmin=-2)

# xlim 调整单独的一个

plt.xlim([-6,9])

plt.ylim([-5,79])

plt.show()

chapter16 坐标轴的刻度

'''

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# Created by victor

# Created Time: '2020/2/15 22:39'

'''

# 调整坐标轴的刻度

import matplotlib.pyplot as plt

import numpy as np

x = np.arange(-10,11,1)

plt.plot(x,x*x)

ax = plt.gca() # 获取当前图形的坐标轴

# ax.locator_params(nbins = 25)

ax.locator_params('x',nbins = 25)

'''

这个面向对象是没有交互功能的

所以不能再运行后再python控制台进行设定

如果想要设置就需要使用plt自带的函数来进行设定

'''

plt.show()