matplotlib 各类图表用法

最新推荐文章于 2024-07-13 21:36:56 发布
最新推荐文章于 2024-07-13 21:36:56 发布
阅读量755 收藏 3
点赞数
分类专栏： python matplotlib 文章标签： python 数据可视化 matplotlib
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/zqin0/article/details/116481456
版权

 

折线图:

 

示例1:

import matplotlib.pyplot as plt

plt.plot([1,2,3,4,5])

plt.ylabel('Number') 设置Y轴标签

plt.show()

执行效果:

 

示例2:

 

from matplotlib import pyplot as plt

import numpy as np

# 设置中文字体,防止乱码

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

  

data = np.linspace(0,2,100)

# print(data.size)

# print(data)

# plot(x轴值,y轴值,lable='标签')

plt.plot(data,data, label='线性值')

plt.plot(data,data**2, label='平方值')

plt.plot(data,data**3, label='立方值')

plt.xlabel('x轴')

plt.ylabel('y轴')

# 显示图标签

plt.legend()

plt.show()

 

输出效果

 

 

 

 

设置颜色

plt.plot(data,data, label='线性值', color='#ff0000')

plt.plot(data,data**2, label='平方值', c='green')

plt.plot(data,data**3, label='立方值', c='b')

 

 

设置样式

 

# 设置线条样式

# 可选值有'-' or 'solid' | '--' or 'dashed' | '-.' or 'dashdot' | ':' or 'dotted' 等

plt.plot(data,data, label='线性值', color='#ff0000', linestyle='solid')

plt.plot(data,data**2, label='平方值', c='green', ls='-.')

plt.plot(data,data**3, label='立方值', c='b', ls=':')

 

 

设置标志点

 

# 可选值有:[ 'x' | 'o' | 's' | '+' | '^' | ',' | '.' | '1' | '2' | '3' | '4' ] 等

plt.plot(data,data, color='#ff0000', linestyle='--', marker='^', label='线性值')

plt.plot(data,data**2, c='green', ls='-.', marker='o', label='平方值')

plt.plot(data,data**3, c='b', ls=':', marker='s', label='立方值')

 

 

 

综合设置

# 可以将颜色,样式,标志,3个参数合起来写

plt.plot(data,data, 'r--^', label='线性值')

plt.plot(data,data**2,'g-.o', label='平方值')

plt.plot(data,data**3, 'b:s', label='立方值')

显示效果

 

在1个plot函数绘制多条折线

plt.plot(data,data,'r-o',data,data**2,'g-.^',data,data**3,'b:s')

 

如果只需要显示数据点,不显示线的话,可以去掉linestyle 参数,或者将linestylese设置为''空

例如

plt.plot(data,data, 'r^', label='线性值')

plt.plot(data,data**2,'go', label='平方值')

plt.plot(data,data**3, 'bs', label='立方值')

 

 

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

条形图

from matplotlib import pyplot as plt

import numpy as np

# 设置中文字体,防止乱码

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

 

# x轴序列1~12,y轴数据10~100之间的随机整数

X = np.arange(1,13)

# print(X)

Y = np.random.randint(10,100,12)

# print(Y)

 

x_ticks = ['1月','2月','3月','4月','5月','6月','7月','8月','9月','10月','11月','12月']

# 设置plt.bar()的tick_label参数可以省略plt.xticks(X,x_ticks)

# plt.xticks(X,x_ticks)

 

# 参数 width设置宽度,tick_label设置x轴刻度标签,facecolor设置条形图颜色, edgecolor设置边缘颜色,

plt.bar(X,Y,width=0.7,tick_label=x_ticks,facecolor='c',edgecolor='r')



# 设置数值标注

for x,y in zip(X,Y):

    # 参数ha='center',va='bottom'设置对齐方式

    plt.text(x,y+0.5,y,ha='center',va='bottom')

 

plt.show()

 

显示效果

 

绘制横向的条形图与垂直的很相似

 

# 绘制横向条形图

plt.barh(X,Y,tick_label=x_ticks,facecolor='c',edgecolor='r')

# 设置数值标注

for x,y in zip(Y,X):

    # 参数ha='left',va='center' 设置对齐方式

    plt.text(x+0.5,y,x,ha='left',va='center')

显示效果

 

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

扇形图

from matplotlib import pyplot as plt

# 设置中文字体,防止乱码

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

 

# plt.pie()函数

# matplotlib.pyplot.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

# )



# 参数x 需要绘制的数据,数组类型,最少需要2个值

# 参数explode 设置需要分裂的距离,数值大小是分割间隙

# 参数autopct='%1.1f%%'

# 参数shadow 是否显示阴影

# 参数radius 设置半径大小

# 参数wedgeprops=dict(width=0.5) 将扇状图,设置成环状图,width设置环大小

#参数pctdistance 设置百分比距离圆心的位置

 

# 绘制饼图建议先将figure设置成正方形

plt.figure(figsize=(5,5))

tips = ['A','B','C','D']

data = [10,20,30,40]

# 设置explode ,只分裂第3块,即C

exp = (0,0,0.05,0)

 

# 创建扇形图

plt.pie(data, labels=tips, explode=exp, autopct='%1.1f%%')

 

# 环形图

plt.pie(

    data,labels=tips,explode=exp,autopct='%1.1f%%',

    wedgeprops=dict(width=0.5),pctdistance=0.75

)

 

plt.legend()

plt.show()

显示效果

 

添加 wedgeprops=dict(width=0.5) 参数将扇形图改成环形图

显示效果

 

 

 

 

附:plt.pie()函数参数列表

 参数列表

  1.  x : array-like
  2.  explode : array-like, optional, default: None(设置饼图偏离)
  3.  labels : list, optional, default: None(标签)
  4.  colors : array-like, optional, default: None(颜色设置)
  5.  autopct : None (default), string, or function, optional(设置百分比显示)
  6.  pctdistance : float, optional, default: 0.6(百分比距圆心的位置)
  7.  shadow : bool, optional, default: False(设置阴影)
  8.  labeldistance : float, optional, default: 1.1(标签距圆心的距离)
  9.  startangle : float, optional, default: None(开始位置的旋转角度，第一个分类是在右45度位置)
  10.  radius : float, optional, default: None(设置半径的大小)
  11.  counterclock : bool, optional, default: True(设置扇形图排列顺序,True为逆时针排序, False为顺时针排序)
  12.  wedgeprops : dict, optional, default: None(将扇状图,设置成环状图,width设置环大小)
  13.  textprops : dict, optional, default: None(设置标签文本相关属性)
  14.  center : list of float, optional, default: (0, 0)(设置中心位置)
  15.  frame : bool, optional, default: False(默认为False,如果为True，则用图表绘制坐标轴框架)

 

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

多画布

传统方法

from matplotlib import pyplot as plt

import numpy as np

# 设置中文字体,防止乱码

data = np.linspace(0,2,10)

square = data**2

cube = data**3

# 创建主画布

plt.figure()

 

plt.subplot(2,2,1)

plt.plot(data,data)

plt.subplot(2,2,2)

 

plt.plot(data,square)

plt.subplot(2,2,3)

plt.plot(data,cube)

 

plt.subplot(2,2,4)

plt.plot(data,data)

plt.plot(data,square)

plt.plot(data,cube)

 

plt.show()

 

显示效果

 

Subplot2grid方式:

 

# subplot2grid方式

# plt.subplot2grid()

# 参数 shape=(m,n) 将figure拆分成m行,n列

# 参数 loc=(0,0) 设置当前subplot的在figure中的位置,下标从0开始,(0,0)表示左上角第1个subplot

# 参数 colspan=w 设置subplot的宽度占多少列

# 参数 rowspan=h 设置subplot的高度占多少行

ax1 = plt.subplot2grid(shape=(3,3),loc=(0,0),colspan=1,rowspan=1,)

ax1.plot(data,data)

ax1.set_title('data')

ax2 = plt.subplot2grid((3,3),(1,1),colspan=1,rowspan=1)

ax2.plot(data,square)

ax2.set_title('square')

ax3 = plt.subplot2grid((3,3),(2,2),colspan=1,rowspan=1)

ax3.plot(data,cube)

ax3.set_title('cube')

 

显示效果:

 

# subplots方式

# def subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)

# return_1 fig : :class:matplotlib.figure.Figure object,

# return_2 ax : Axes object or array of Axes objects.

# 参数 nrows 设置figure 的行

# 参数 ncols 设置figure 的列

# 参数 sharex 设置subplot 是否共享x轴坐标

# 参数 sharey 设置subplot 是否共享y轴坐标

# 返回值1 返回一个figure对象

# 返回值2 返回1个axes对象,或者axes对象数组

 

#返回axes对象数组的写法

figure,([ax1,ax2],[ax3,ax4]) = plt.subplots(nrows=2,ncols=2,sharex=True,sharey=False)

ax1.plot(data,data)

ax2.plot(data,square)

ax3.plot(data,cube)

ax4.plot(data,data,'r-',data,square,'b-.',data,cube,'g--')

# 返回1个axes对象的写法

figure,axes = plt.subplots(nrows=2,ncols=2,sharex=True,sharey=False)

axes[0,0].plot(data,data)

axes[0,1].plot(data,square)

axes[1,0].plot(data,cube)

axes[1,1].plot(data,data,'r-',data,square,'b-.',data,cube,'g--')

 

2种形式的效果都是一样的

 

附axes对象类型

print(type(axes))

print(type(axes[0,0]))

print(type(axes[0,1]))

print(type(axes[1,0]))

print(type(axes[1,1]))

 

<class 'numpy.ndarray'>

<class 'matplotlib.axes._subplots.AxesSubplot'>

<class 'matplotlib.axes._subplots.AxesSubplot'>

<class 'matplotlib.axes._subplots.AxesSubplot'>

<class 'matplotlib.axes._subplots.AxesSubplot'>

 

# 画中画

figure = plt.figure()

x = [1,2,3,4,5,6,7]

y = [1,3,2,5,4,7,6]

# 使用figure.add_axes([left,bottom,width,height]) 方法向画布中添加axes

# 注意left,bottom 2个点是确定axes 的左下角的位置, 即坐标轴原点(0,0)的位置

# width,height的值是相对整个figure的占比

left,bottom,width,height = 0.1,0.1,0.8,0.8

ax1 = figure.add_axes([left,bottom,width,height])

ax1.plot(x,y,'r')

ax1.set_title('ax1')

# 使用figure.add_axes() 再画布的左上角再添加一个axes

ax2 = figure.add_axes([0.15,0.6,0.25,0.25])

ax2.plot(y,x,'g')

ax2.set_title('ax2')

# 也可以直接使用plt.axes()在figure中添加axes

# 例如

plt.axes([0.6,0.2,0.25,0.25])

plt.plot(y,x,'b')

plt.title('ax3')

 

显示效果

 

 

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

设置坐标轴

本次用到的数据,是-10~10 的平方

x = np.linspace(-10,10,11)

y = x**2

# print(x)

# x = [-10.  -8.  -6.  -4.  -2.   0.   2.   4.   6.   8.  10.]

# print(y)

# y = [100.  64.  36.  16.   4.   0.   4.  16.  36.  64. 100.]

默认显示效果如下

 

设置坐标轴的范围

使用plt.xlim(min,max)或者plt.ylim((min,max))设置x轴,或y轴的范围,

例如

# 设置x轴范围

plt.xlim(-20,20)

# 设置y轴范围

plt.ylim((-10,110))

显示效果:注意对比x,y轴坐标范围

 

设置坐标轴的刻度

使用

 

# 设置x轴刻度

x_ticks = np.linspace(-20,20,5)

print(x_ticks)

#x_ticks = [-20. -10.   0.  10.  20.]

plt.xticks(x_ticks)

# 设置y轴刻度

# 使用2个列表将y轴刻度映射为自定义值

plt.yticks([0,20,40,60,80,100],['zero','very bad','bad','not bad','good','very good'])

 

显示效果

 

修改坐标轴位置

 

# 首先使用plt.gca()方法坐标轴

# gca = 'get current axis'

ax = plt.gca()

# 将top,right颜色设置为none 即不显示

ax.spines['top'].set_color('none')

ax.spines['right'].set_color('none')

# 将bottom绑定为x轴

ax.xaxis.set_ticks_position('bottom')

# 将left绑定为y轴

ax.yaxis.set_ticks_position('left')

# 设置bottom的位置

ax.spines['bottom'].set_position(('data',0))

# 设置left的位置

ax.spines['left'].set_position(('data',0))

显示效果

 

 

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

图例与标注

使用plt.legend() 即可显示图例

辅助线绘制方法

# 设置辅助虚线[起点x,终点x],[起点y,终点y]

plt.plot([1,1],[0,1],'k--')

显示效果

 

 

 

标注绘制

# 使用plt.annotate()方法设置标注

# annotate的参数比较多

# s=标注显示的文本内容

# xy=(x坐标,y坐标) 箭头指向的x坐标,y坐标

# xytext(x坐标,y坐标) 标注文本显示的位置(x坐标,y坐标)

# arrowprops 标注参数,使用dict()方法封装

# arrowstyle 箭头样式

# connectionstyle 连接线条样式

plt.annotate(

s=r'1的平方,立方都等于1',

xy=(1,1),

xytext=(0.25,3),

arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=0.2')

)

 

显示效果

 

附:

 

arrowstyle

箭头样式

Name

Attrs

'-'

None

'->'

head_length=0.4, head_width=0.2

'-['

widthB=1.0, lengthB=0.2,angleB=None

'|-|'

 widthA=1.0, widthB=1.0

'-|>'

head_length=0.4, head_width=0.2

'<-'

head_length=0.4, head_width=0.2

'<->'

head_length=0.4, head_width=0.2

'<|-'

head_length=0.4, head_width=0.2

'<|-|>'

head_length=0.4, head_width=0.2

'fancy'

head_length=0.4, head_width=0.4, tail_width=0.4

'simple'

head_length=0.5, head_width=0.5, tail_width=0.2

'wedge'

tail_width=0.3, shrink_factor=0.5

 

 

Connectionstyle

标注连接线条样式

Name

 Attrs

angle

angleA=90, angleB=0, rad=0.0

angle3

angleA=90, angleB=0

arc

angleA=0, angleB=0, armA=None, armB=None, rad=0.0

arc3

rad=0.0

bar

armA=0.0, armB=0.0, fraction=0.3, angle=None

 

也可使用辅助线加plot.text()的形式实现类似的效果

 

# 显示辅助线

plt.plot([1.5,2],[8,8],'r--')

plt.plot([1.75,2],[4,4],'g--')

plt.plot([2,2],[0,2],'b--')

# 使用plt.text(x,y,s)显示文本,参数x坐标,y坐标,文本内容

plt.text(1.5,8.1,r'x=2,y=8')

plt.text(1.75,4.1,r'x=2,y=4')

plt.text(1.75,1,r'x=2,y=2')

显示效果

 

 

zqin0
关注
专栏目录
matplotlib基本用法
m0_49119161的博客
04-15 461
matplotlib: 最流行的Python底层绘图库，主要做数据可视化图表,名字取材于MATLAB，模仿MATLAB构建。
matplotlib使用方法
烽火戏诸侯
08-08 7468
1.matplotlib简介： matplotlib是一个用于创建出版质量图表的桌面绘图包（主要是2D方面）。该项目是由John Hunter于2002年启动的，matplotlib支持各种操作系统上许多不同的GUI后端，而且还能将图片导出为各种常见的矢量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF等。 2.matplotlib安装 python中有许多的包，在使用是就可以直接在python中调用该包中的模块，为此，在使用一些包的时候，我们需要先去安装包，关于（如
Python数据可视化matplotlib（三）——绘制基本的图表
热门推荐
GengPeng的博客
04-24 2万+
Python数据可视化matplotlib（三）——绘制基本的图表 import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline import matplotlib.style as psl psl.use('_classic_test') 基本图表绘制 plt.pl...
Python可视化——Matplotlib简介及图表窗口
最新发布
专注于各种资源、教程，免费分享
07-13 1318
Matplotlib简介及图表窗口引入库图表窗口1 → plt.show()直接生成图表图表窗口2 → 魔法函数，嵌入图表图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口图表窗口4 → 魔法函数，弹出matplotlib控制台图表的基本元素——图表内基本参数设置图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等其他元素可视性图表的样式参数——linestyle、style、color、markerlinestyle参数marker参数color参数style参数，可以包含linestyle，ma
【Matplotlib 常见图表及应用】
武帝为此的博客
02-02 1275
matplotlib 是一个广泛使用的 Python 绘图库，它最初由 John D. Hunter 在2003年创建，matplotlib 的核心是绘图引擎，它提供了一套丰富的工具和函数，可以轻松创建高质量的二维图表和图形。条形图（Bar Charts）：用于展示和比较不同类别的数值。散点图（Scatter Plots）：理想用于观察两个或多个变量间的关系。直方图（Histograms）：用于展现数据的分布和频率。折线图（Line Charts）：最适合表示数据随时间的变化。
【matplotlib】一文解决 plt.xticks 调整字体大小
创作高质量博文，分享知识，共同进步！
03-20 2673
🌈 还在为matplotlib中plt.xticks字体大小调整而烦恼吗？一文在手，烦恼全无！本文深入浅出，从基础用法到高级定制，带你轻松掌握plt.xticks的字体大小调整技巧。不仅教你如何调整字体大小，还分享了其他相关设置和个性化图表打造的秘籍。常见问题与解决方案一网打尽，让你在数据可视化的道路上越走越顺畅。读完本文，你将秒变matplotlib达人，打造精美图表，让数据说话更有力！#matplotlib #plt.xticks #字体大小调整 #数据可视化
【Matplotlib】plt.xticks()的作用
weixin_41796265的博客
06-28 5792
将在 x 轴上设置刻度位置为 0、1、2、3 和 4，并将其标签设置为 'A'、'B'、'C'、'D' 和 'E'，并将它们旋转45度以适应较长的标签。将在 x 轴上设置刻度位置为 0、1、2、3 和 4，并将其标签设置为 'A'、'B'、'C'、'D' 和 'E'。设置 x 轴刻度的位置：可以通过传递一个数组或列表来设置 x 轴上的刻度位置。设置 x 轴刻度的标签：可以通过传递一个数组或列表来指定 x 轴上的刻度标签。将在 x 轴上设置刻度位置为 0、1、2、3 和 4 的位置。
Python数据分析实践：matplotlib绘制各类图表new.pdf
06-14
以上就是matplotlib绘制各类图表的基本方法，通过这些基础操作，开发者可以根据实际需求创建出复杂的可视化效果，以便更好地理解和解释数据。在实践中，结合numpy、pandas等其他数据处理库，matplotlib能为数据分析...
Matplotlib可视化基础：创建各类图表和数据展示
# 1. Matplotlib可视化介绍 ## 1.1 Matplotlib简介 ...- 灵活性：Matplotlib支持广泛的图表类型，用户可以根据自己的需求自由定制图表的样式、形状和布局。 - 易于使用：Matplotlib提供了简单、直观的API，使得
matplotlib
10-20
在本教程中，我们将详细探讨NumPy在Matplotlib中的使用方法。 在开始具体学习之前，我们需要了解一些基础概念。首先，NumPy数组（ndarray）是NumPy库的核心数据结构，它是一个快速的多维数组对象，使用固定类型和...
使用jupyter中的matplotlib库绘制简单图表4
jgxc152的博客
03-15 5081
一、设置图表样式与映射表 （1）使用rc()函数修改图表样式 （2）设置颜色映射表可以使用关键字cmap或者直接调用set_cmap()函数进行设置 1、代码 import numpy as np import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False x = np.arange(5) y1 = [1200, 2400, 18
Python 之 Matplotlib xticks 的再次说明、图形样式和子图
每天进步一点点！
02-17 5291
改变 x 轴显示内容 xticks 方法再次说明，其他元素可视性，plt.rcParams 设置画图的分辨率，大小等信息，图表的样式参数设置，创建图形对象，绘制多子图
matplotlib基础1：绘图基本属性设置 -- xticks(loc,labels)格式化转义标记
IvoryPillar的博客
07-12 2106
<div class="blog-content-box"> <div class="article-header-box"> <div class="article-header"> <div class="article-title-box"> <h1 class="title-article">matplotlib基础1：绘图基本属性设置 -- xticks(...
python matplotlib库详解
hyhpyx的博客
06-25 548
%matplotlib inline #这是魔法函数，在jupyter notebook代替plt.show() import matplotlib.pyplot as plt # 在-10和10之间生成一个数列，共100个数 x = np.linspace(-10,10,100) #用正弦函数创建第二个函数 y = np.sin(x) #plot函数绘制一个数组关于另一个数组的折线图 plt.plot(x,y,marker = 'x') ...
Matplotlib学习笔记
weixin_34254823的博客
09-17 96
Matplotlib是最流行的Python底层绘图库，主要做数据可视化图表,名字取材于MATLAB。 折线图 #导入需要用到的模块 from matplotlib import pyplot as plt import random from matplotlib import font_manager #输入x轴和y轴的值（二者必须个...
python数据分析学习day06:Matplotlib介绍和基本方法
weixin_44748589的博客
07-05 1422
顾名思义，数据可视化就是将数据转换成图或表等，以一种更直观的方式展现和呈现数据。通过“可视化”的方式，我们看不懂的数据通过图形化的手段进行有效地表达，准确高效、简洁全面地传递某种信息，甚至帮助我们发现某种规律和特征，挖掘数据背后的价值。图表为更好地探索、分析数据提供了一种直观的方法，它对最终分析结果的展示具有重要的作用。柱状图=条形图 直方图=特殊的条形图 是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组来绘制 2D(3D) 图像，它使用简单、代
matplot科研作图系列 ---xticks用于显示特定刻度ticks和标签label
墨流觞的博客
05-20 1万+
科研作图主要是字体，字体大小，存储，配色以及轴刻度问题了。 本文主要利用xticks和yticks实现刻度轴显示指定位置的刻度和标签， 实现了施密特触发器的曲线原理。 #%% import numpy as np import matplotlib.pyplot as plt frame = plt.gca() x = np.arange(0, 10, 0.05) y1 = np.array...
matplotlib入门之plt.plot折线图跟常用基本函数
weixin_46707493的博客
08-16 2万+
目录 一、简单折线图 二、常用基本函数:plt.xticks,plt.yticks,ply.xlim,plt.ylim,plt.xlabel,plt,ylabel,plt.title,plt.legend等 三、折线图函数plt.plot()的参数介绍及详解 四、调整坐标轴：plt.spines[] 五、文本标注：plt.text() 六、文本箭头注释:plt.annotate() 七、绘图的填充：plt.fill_between() 八、归纳练习 一、简单折线图 1、调用包： im
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