Press "Enter" to skip to content

零基础学Python:Matplotlib用法

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

本文目录:

 

前言: 

 

作者简介:是Dream呀,华为云享专家、CSDN原力计划作者、Python领域优质创作者,专注分享Python领域原创系列文章。

 

 热门专栏 :【 零基础学Python

 

本课程是针对Python入门&进阶打造的一全套课程,在这里,我将会一 一更新Python基础语法、Python爬虫、Web开发、 Django框架、Flask框架以及人工智能相关知识,帮助你成为Python大神,如果你喜欢的话就抓紧收藏订阅起来吧~

 

如果对学习没有自制力或者没有一起学习交流的动力,欢迎私信我或者文末添加vx,拉你进群,群内有行业大佬帮大家解答疑问,我们一起学习,群内定期还会有抽奖活动和红包相送嗷,快来进入我们吧~

 

 入门须知:这片乐园从不缺乏天才,努力才是你的最终入场券!

 

最后,愿我们都能在看不到的地方闪闪发光,一起加油进步

 

数据可视化是指通过图表形式展现数据,揭示数据背后的规律。Matplotlib是可视化数据的最基本库。

 

导入 Matplotlib 一般语句使用如下:

 

一、初识matplotlib

 

import matplotlib.pyplot as plt

 

使用matplotlib进行做图:

 

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes',ylabel='Y-Axis',xlabel='X-Axis')
plt.show()

 

 

二、线形图

 

线形图简单容易绘制, matplotlib提供plot()函数绘制一系列点 ,用线将其连起来。

 

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)
fig = plt.figure()
# add_subplot(221)前面两个参数确定了面板的划分,第三个参数确定表示第几个Axis
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)
ax1.plot(x,y_sin)
ax2.plot(x,y_sin,'go--',linewidth=2,markersize=12)
ax3.plot(x,y_cos,color='red',marker='+',linestyle='dashed')  # 颜色,标记,线形
plt.show()

 

 

plot()函数用法

 

格式:plt.plot(x, y, ls=‘-’, lw=2, label=‘xxx’, color=‘g’ )

x: x轴上的值
y: y轴上的值
ls:线条风格 (linestyle)
lw:线条宽度 (linewidth)
label:标签文本

注意: 对于线条颜色,必须写上color=‘red’,而不是只写color=‘’,不然会报错SyntaxError: positional argument follows keyword argument,意思是参数位置不正确导致的错误,也就是说 color=”没有默认的颜色

 

三、散点图

 

散点图用于表示多个变量的相关性。 Matplotlib提供scatter()函数绘制散点图。

 

random.rand():这个函数的参数是数组的维度,取值范围是 [0,1)

 

import matplotlib.pyplot as plt
import numpy as np
N = 50
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='r',s=50,alpha=0.5)
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='g',s=50,alpha=0.5)
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='b',s=50,alpha=0.5)
plt.show()

 

 

scatter()函数用法

 

matplotlib.pyplot.scatter(x, 
y, 
s=20, 
c='b', 
marker='o', 
cmap=None, 
norm=None, 
vmin=None, 
vmax=None, 
alpha=None, 
linewidths=None, 
verts=None, 
hold=None, 
**kwargs)

 

x,y:表示的是shape大小为(n,)的数组,也就是我们即将绘制散点图的数据点,输入数据。

 

s:表示的是大小,是一个标量或者是一个shape大小为(n,)的数组,可选,默认20。

 

c:表示的是色彩或颜色序列,可选,默认蓝色’b’。但是 c不应该是一个单一的RGB数字,也不应该是一个RGBA的序列,因为不便区分。c可以是一个RGB或RGBA二维行数组。

 

marker:MarkerStyle,表示的是标记的样式,可选,默认’o’。

 

cmap:Colormap,标量或者是一个colormap的名字,cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap,可选,默认None。

 

norm:Normalize,数据亮度在0-1之间,也是只有c是一个浮点数的数组的时候才使用。如果没有申明,就是默认None。

 

vmin,vmax:标量,当norm存在的时候忽略。用来进行亮度数据的归一化,可选,默认None。

 

alpha:标量,0-1之间,可选,默认None。

 

linewidths:也就是标记点的长度,默认None。

 

四、饼状图

 

饼状图是被用于分成若干部分的圆表示部分在整体中所占的比例。 Matplotlib中提供pie()函数来绘制饼状图 。

 

import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon','Tue','Wed','Thu','Fri','Sat','Sun']
data = np.random.rand(7)*100
print(data)
plt.pie(data,labels=labels,autopct='%1.1f%%')  # labels :(每一块)饼图外侧显示的说明文字
plt.axis('equal')  # 该行代码使饼图长宽相等
plt.legend()  # 添加图例
plt.show()

 

 

pie()函数用法

 

pie函数的语法和参数含义如下:

 

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)

 

x:指定绘图的数据。

 

explode:指定饼图某些部分的突出显示,即呈现爆炸式。

 

labels:为饼图添加标签说明,类似于图例说明。

 

colors:指定饼图的填充色。

 

autopct:自动添加百分比显示,可以采用格式化的方法显示。控制饼图内百分比设置,可以使用format字符串或者format function;‘%1.1f’:指小数点后保留一位有效数值

 

pctdistance:设置百分比标签与圆心的距离。

 

shadow:是否添加饼图的阴影效果。

 

labeldistance:设置各扇形标签(图例)与圆心的距离。

 

startangle:设置饼图的初始摆放角度。 radius:设置饼图的半径大小。

 

counterclock:是否让饼图按逆时针顺序呈现。

 

wedgeprops:设置饼图内外边界的属性,如边界线的粗细、颜色等。

 

textprops:设置饼图中文本的属性,如字体大小、颜色等。

 

center:指定饼图的中心点位置,默认为原点。

 

frame:是否要显示饼图背后的图框,如果设置为True的话,需要同时控制图框x轴、y轴的范围和饼图的中心位置。

 

五、直方图

 

直方图用于显示每个变量出现的频率,与条形图有些类似。但其含义不同,条形图用于比较类别的值,而直方图用于显示变量的分布。 Matplotlib提供hist()函数绘制直方图 。

 

import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0,n,n) for n in [3000, 4000, 5000]]
print(data)
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 500, 5000, 3000, 4000, 5000]
plt.hist(data, bins=8, label=labels)
plt.legend()
plt.show()

 

 

hist()函数用法

 

hist(x,bins=None,range=None,density=None,weights=None,cumulative=False,bottom=None,
histstype='bar',align='mid',orientation='vertical',rwidth=None,log=False,label=None,
stacked=False,normed=None,*,data=None,**kwargs)

 

x:表示x轴的数据,可以为单个数组或多个数组的序列

 

bins:表示矩形条的个数,默认为10

 

range:表示数据的范围,若没有提供range参数,则数据范围为(x.min(),x.max())

 

cumulative:表示是否计算累积频数或频率

 

histtype:表示直方图的类型,支持’bar’,‘barstacked’,‘step’,‘stepfilled’四种取值,其中’bar’为默认值,代表传统的直方图;‘barstacked’代表堆积直方图,’’step’代表未填充的线条直方图;’stepfilled’代表填充的线条直方图

 

align:表示矩形条边界的对齐方式,可设置为’left’,‘mid’,‘right’默认为’mid’,

 

orientation:表示矩形条的摆放方式,默认为’vertical’,即垂直方向

 

rwidth:表示矩形条宽度的百分比,默认为0.若histtype的值为’step’或’stepfilled’,则直接忽略rwidth参数的值

 

stacked:表示是否将多个矩形条以堆积形式摆放

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。