如何利用matplotlib画直方图_Matplotlib画图小结

最近帮朋友用python画了一些图，发现对这块不是很熟悉。每次得不断的在网上查资料，所以想着好好整理一些基本的图形构造方法。现在流行的python制图方法就是matplotlib了，我们也是用这个，我下面会依次介绍曲线图，散点图，直方图以及多子图的方法。此处是代码

曲线图

凡是连续的曲线图都是用plt.plot()函数绘制的，以下是一段最简单的代码：

# 使用plt.plot()绘图。"lw"-线条的宽度；"ls"-线条的风格样式："-", "--", '-.', ':'
# label-曲线对应的标签，一般在四个边角出现；color-曲线对应的颜色：'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'
# marker-标记风格，'o', '*, '+'
plt.plot(x, y, lw=2, ls=':', label="xinge", color="r", marker="*")
# 设置图案位置
plt.legend()

plt.show()

plot()函数里的参数我都备注的很清楚了，以下是生成的图片：

这儿还得记住一点：plt.legend()这个函数是必须得加的，否则你的label备注就显示不出来了。比如我的label="xinge"，不加legend()函数就看不见啦。

1. 调整坐标轴的数值显示范围

plt.xlim(xmin=-2, xmax=12)
plt.ylim(ymin=-2, ymax=2)

2. 设置坐标轴的名称.

# 设置坐标轴的名称.fontsize-字体大小；horizontalalignment-坐标轴名称排列的方向：center’, ‘right’, ‘left’
plt.xlabel("x-axis", fontsize=16, horizontalalignment="center")
plt.ylabel("y-axis", fontsize=16, horizontalalignment="center")

3. 设置水平参考线和垂直参考线

plt.axhline(y=0, lw=2, ls="--", color="g")
plt.axvline(x=0, lw=2, ls="--", color="g")

4. 使用annotate()对曲线添加注释

# 使用annotate()对曲线添加注释
# xy: 指示点的坐标，即我们希望注释箭头指向的点的坐标；
# xytext: 注释文本左端的坐标(不是文本中心的坐标)
# weight: 注释文本的字体粗细风格，'light', 'normal', 'regular', 'book', 'medium', 'roman'
# color: 注释文本的颜色
# arrowstyle: 箭头类型，'->', '|-|', '-|>'
# connectionstyle: 连接类型，'arc3', 'arc', 'angle', 'angle3'
plt.annotate('maximum',
              xy=(np.pi * 3 / 2, -1),
              xytext=(np.pi * 3 / 2 - 0.6, -0.7),
              weight='light',
              color='r',
              arrowprops={
                  'arrowstyle': '->',
                  'connectionstyle': 'arc3',
                  'color': 'r',
                  'alpha': 0.3
              })

5. 使用text生成绝对位置的注释

plt.text(np.pi * 3 / 2 - 0.7, -1.7, s='minimum', weight='regular', color='r', fontsize=12)

就大概介绍这些基础的函数，这是最终生成的图片：

散点图

画散点图使用plt.scatter()函数，里面的参数会和plot()函数有些区别，其他的方法则是都一样了。

plt.scatter(x, y, lw=2, marker="o", label="xinge", color="r")
# 设置图案位置
plt.legend()

plt.show()

以下是效果图。

直方图

直方图使用plt.hist()方法的。说实话显示图形很简单，也是只需要一行代码，如下所示：

# histtype: 可选{'bar', 'barstacked', 'step', 'stepfilled'}之一，默认为bar，推荐使用默认配置，step使用的是梯状，
plt.hist(x, bins, color='deepskyblue', width=width, alpha=0.7, histtype="bar")

但一般情况下，我们是使用连线将直方图的频数给连接起来。其实这也好做，只要我们获得了直方图中每个小图的数据以及相应频数（x, y坐标），我们就能用plt.plot()函数给勾勒出来了。而plt.hist()函数正好是可以返回每个小图的频数的。

x = np.random.randint(0, 100, 100)  # 生成【0-100】之间的100个数据,即 数据集
bins = np.arange(0, 101, 10)  # 设置连续的边界值，即直方图的分布区间[0,10],[10,20]...
width = 10  # 柱状图的宽度
# 生成直方图
# density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果
# histtype: 可选{'bar', 'barstacked', 'step', 'stepfilled'}之一，默认为bar，推荐使用默认配置，step使用的是梯状，
frequency_each, _, _ = plt.hist(x, bins, color='deepskyblue', width=width, alpha=0.7, histtype="bar")
plt.xlabel('scores')
plt.ylabel('count')
plt.xlim(0, 100)  # 设置x轴分布范围
# 利用返回值来绘制区间中点连线
plt.plot(bins[1:] - (width // 2), frequency_each, color='palevioletred')
plt.show()

效果如下：

多子图

其实就是plt.figure()函数加上subplot()函数。请注意：定义一张画布后，如果是要显示多张子图，那么一定要让这块画布将每个子图都添加进去，否则不会显示出来。

    x = np.linspace(0, 5)
    y1 = np.sin(np.pi * x)
    y2 = np.sin(np.pi * x * 2)

    # 直接用plt.figure()显示不了子图
    plt.figure(num="xinge", figsize=(10, 10))

    # subplot()函数返回两个对象。一个是fig画布，一个是ax子图：ax.plot()
    fig, ax = plt.subplots(1, 2)
    ax[0].plot(x, y1, ls="-", label="sin(pi*x)", c="b")
    # 子图设置x,y轴标签时写法不一样。set_xlabel()
    ax[0].set_xlabel("x1 label")
    ax[0].set_ylabel("y1 value")
    ax[0].legend()

    ax[1].plot(x, y2, ls="-", label="sin(pi*x*2)", c="r")
    ax[1].set_xlabel("x1 label")
    ax[1].set_ylabel("y2 value")
    ax[1].legend()

    plt.show()

效果如下：