绘制子图。

一:#通过窗口的形式显示图片

#%matplotlib auto

二:#插入模块

import numpy as np
import matplotlib.pyplot as plt

三:#设置中文

plt.rcParams['font.sans-serif'] = ["SimHei"]

四:#准备数据

x = [x for x in range(1, 13)]
y1 = [20, 28, 23, 16, 29, 36, 39, 33, 31, 19, 21, 25]
y2 = [17, 22, 39, 26, 35, 23, 25, 27, 29, 38, 28, 20]
labels = ['1 月', '2 月', '3 月', '4 月', '5 月', '6 月', '7月', '8 月', '9 月', '10 月', '11 月', '12 月']


五:# 绘制第一个子图

ax1 = plt.subplot2grid((2,4),(0,1),colspan=2)
ax1.plot(x, y1, 'm--o', lw=2, ms=5, label='产品A')
ax1.plot(x, y2, 'g--o', lw=2, ms=5, label='产品B')
ax1.set_title("产品A 与产品B的销售额", fontsize=11)
ax1.set_ylim(10, 45)
ax1.set_ylabel('销售额(亿元)')
ax1.set_xlabel('月份')
for xy1 in zip(x, y1):
    ax1.annotate("%s" % xy1[1], xy=xy1, xytext=(-5, 5), textcoords='offset points')
for xy2 in zip(x, y2):
    ax1.annotate("%s" % xy2[1], xy=xy2, xytext=(-5, 5), textcoords='offset points')
ax1.legend()


六:# 绘制第二个子图

ax2 = plt.subplot2grid( (2,4), (1,0) )
ax2.pie(y1, radius=1, wedgeprops={'width':0.5}, labels=labels, autopct='%3.1f%%', pctdistance=0.75)
ax2.set_title('产品A的销售额 ')


七:# 绘制第三个子图

ax3 = plt.subplot2grid((2,4),(1,3))
ax3.pie(y2, radius=1, wedgeprops={'width':0.5}, labels=labels,autopct='%3.1f%%', pctdistance=0.75)
ax3.set_title('产品B的销售额 ')


八:# 调整子图之间的距离

plt.tight_layout()


九:#展示图表

(该网页版anaconda无法显示中文)

plt.show()

Seaborn是一个基于matplotlib的Python可视化库,它提供了一些高级接口,可以让我们更加方便地绘制统计图表。而绘制子图则是在一个大的画布中绘制多个小的图表,以便于对比和分析数据。 在Seaborn中,我们可以使用FacetGrid类来绘制子图。FacetGrid类可以根据数据集中的某些变量来创建网格,并在每个网格中绘制一个小的图表。下面是一个简单的例子: ```python import seaborn as sns import matplotlib.pyplot as plt # 加载数据集 tips = sns.load_dataset("tips") # 创建FacetGrid对象 g = sns.FacetGrid(tips, col="time", row="smoker") # 在每个网格中绘制小的图表 g.map(sns.scatterplot, "total_bill", "tip") # 显示图表 plt.show() ``` 在这个例子中,我们加载了一个名为"tips"的数据集,并使用FacetGrid类创建了一个网格,其中行表示"smoker"变量的不同取值,列表示"time"变量的不同取值。然后我们使用map()方法在每个网格中绘制了一个散点图。 如果我们想要在每个网格中绘制不同类型的图表,可以使用map()方法的第一个参数来指定不同的绘图函数。例如,下面的代码将在每个网格中绘制一个直方图和一个核密度估计图: ```python import seaborn as sns import matplotlib.pyplot as plt # 加载数据集 tips = sns.load_dataset("tips") # 创建FacetGrid对象 g = sns.FacetGrid(tips, col="time", row="smoker") # 在每个网格中绘制直方图和核密度估计图 g.map(sns.histplot, "total_bill") g.map(sns.kdeplot, "tip") # 显示图表 plt.show() ``` 在这个例子中,我们使用了两个不同的绘图函数histplot()和kdeplot(),分别绘制了直方图和核密度估计图。注意,我们可以使用多个map()方法来在同一个网格中绘制多个图表。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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