【Python】Matplotlib详解

Matplotlib详解

相关教程

【Python】Numpy详解
【Python】Pandas详解
【Python】Matplotlib详解

一、Matplotlib介绍

数据分析三剑客之一的Matplotlib，是Python中的图形绘图库，即：Python中最常用的数据可视化库之一。它提供了丰富的绘图功能，使得用户可以轻松地创建各种类型的图表和可视化数据。

二、Matplotlib的安装及导入

pip install matplotlib

import matplotlib.pyplot as plt

三、plot()函数介绍

plot()函数的基本格式：plt.plot(x, y, format_string, **kwargs)

x和y：【必要参数】，分别是横坐标和纵坐标的数据，可以是列表、数组等可迭代对象。如果只提供y，则x默认是从0开始的整数序列。

format_string：【可选参数】，用于指定线条的格式，包括颜色、线型、标记等。例如，'r-'表示红色实线，'bo'表示蓝色圆点标记。

**kwargs：【可选参数】，用于更详细地设置线条的属性，如线宽、标记大小、颜色等。

在实际应用中，常见的参数类型主要有以下几种【额外配置】：

1）标记参数

一般用marker参数进行配置标记

符号	标记类型
“o”	圆形
“*”	星形
“.”	像素点
“,”	像素点,比'.'更小
“x”	叉号
“X”	实心叉号
“+”	加号
“P”	实心加号
“s”	正方形
“D”	菱形
“d”	瘦菱形
“p”	五边形
“h”	六边形
“^”	上三角形
“v”	下三角形
“<”	左三角形
“>”	右三角形
“1”	下三角（另一种样式）
“2”	上三角（另一种样式）
“3”	左三角（另一种样式）
“4”	右三角（另一种样式）
“l”	垂直线
“_”	水平线

2）线颜色参数

一般用color参数进行配置颜色

符号	颜色
“r”	红色
“g”	绿色
“b”	蓝色
“y”	黄色
“c”	青色
“m”	品红色
“k”	黑色
“w”	白色

2）线条样式参数

一般用linestyle参数进行配置线条样式

符号	线条类型
“-”	实线
“–”	虚线
“-.”	点划线
“:”	点线

四、常用汇总

4.1：函数总结

Matplotlib在绘制图形时，其最常用的场景：绘制点 和 绘制线。

4.2：中文字的配置项

可以通过以下【固定】配置来实现中文字的显示

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置显示中文字体
plt.rcParams['axes.unicode_minus'] = False  # 设置正常显示符号

字体说明：

五、绘图操作

1）直线图

1.1：一般直线图

此处，我们将绘制一条从（0,6）至（0,250）的线。

# 1. 导入必要的库
import matplotlib.pyplot as plt
import numpy as np

# 2. 定义坐标数据
# 从位置 (0,0) 至位置 (6,250) 处绘画一条线
x=np.array([0,6]) # x轴：0~6
y=np.array([0,250]) # y轴：0~250

# 3. 绘制线
plt.plot(x,y)

# 4. 显示图表
plt.show()

1.2：直线图【额外配置】

在上述直线的基础上进行一些额外的配置：线颜色为红色，线条样式为点线，标记【点】为星型。

# 1. 导入必要的库
import matplotlib.pyplot as plt
import numpy as np

# 2. 定义坐标数据
# 从位置 (0,0) 至位置 (6,250) 处绘画一条线
x=np.array([0,6]) # x轴：0~6
y=np.array([0,250]) # y轴：0~250

# 3. 绘制线
# 额外配置【可选】：颜色为红色，线条样式为点线，标记【点】为星型
plt.plot(x,y,color="r",linestyle=":",marker="*")

# 4. 显示图表
plt.show()

2）曲线图

import matplotlib.pyplot as plt
import numpy as np

# 2. 定义坐标数据
x=np.arange(-10,11) # x轴：从-10~10（不包含11）
y= x**2 # y轴：关于x的二元一次函数

# 3. 绘制线
plt.plot(x,y)
# 4. 显示图表
plt.show()

3）折线图

3.1：一般折线图

绘制折线图，先从位置（1,3）到（2,8），然后到（6,1），最后到（8,10）。

# 导入必要的库
import matplotlib.pyplot as plt
import numpy as np

# 定义坐标数据
x=np.array([1,2,6,8]) # x轴
y=np.array([3,8,1,10]) # y轴

plt.plot(x,y) # 绘制线
plt.show() # 显示图表

3.2：折线图【标题与标签】

当我们需要显示中文标签时，需要添加：plt.rcParams['font.sans-serif'] = ['KaiTi']进行中文配置。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 设置显示中文字体
plt.rcParams['axes.unicode_minus'] = False  # 设置正常显示符号

# 定义坐标数据
x=np.array([80,85,90,95,100,105,110,115,120])
y=np.array([240,270,280,290,290,310,305,315,320])

plt.title("运动数据",loc="left") # 设置总标题(左对齐)
plt.xlabel("平均脉搏") # 设置x轴名称
plt.ylabel("卡路里消耗量") # 设置y轴名称

plt.plot(x,y) # 绘制线
plt.show() # 显示图表

4）无线图（点）【不推荐】

注意：【不推荐】此处的用法，通常使用散点图进行表示。

import matplotlib.pyplot as plt
import numpy as np

x=np.array([80,85,90,95,100,105,110,115,120])
y=np.array([240,270,280,290,290,310,305,315,320])

# 使用快捷字符串符号参数"o",表示“环”
plt.plot(x,y,'o')
plt.grid() # 显示网格
plt.show()

5）多表图

5.1：基本写法

通过subplot()函数，可以在一张图中绘制多个图。

subplot()函数

subplot()函数采用3个参数来描述图形的布局。

基本格式：subplot(nrows, ncols, index, **kwargs)

参数讲解：nrows和ncols分别表示子图的【行数】和【列数】，index表示子图的位置索引，从左上角开始，从左到右、从上到下依次计数。

例如：subplot(2, 2, 1)表示在一个 2 行 2 列的子图布局中创建第一个子图。

此处，我们绘制一个一行两列的多表图形，具体代码如下：

import matplotlib.pyplot as plt
import numpy as np

# 1、plot1
x=np.array([0,1,2,3])
y=np.array([3,8,1,10])
# 图有一行两列, 该子图是【第一个图】
plt.subplot(1,2,1)
plt.plot(x,y)

# 2、plot2
x=np.array([0,1,2,3])
y=np.array([10,20,30,40])
# 图有一行两列, 该子图是【第二个图】
plt.subplot(1,2,2)
plt.plot(x,y)

plt.show() # 显示图表

5.2：标题与大标题

可以使用title()函数为每个子图添加标题；使用suptitle()函数为整个多表图行添加大标题。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置显示中文字体
plt.rcParams['axes.unicode_minus'] = False  # 设置正常显示符号

# 1、plot1
x=np.array([0,1,2,3])
y=np.array([3,8,1,10])
# 图有一行两列, 该子图是【第一个图】
plt.subplot(1,2,1)
plt.plot(x,y)
plt.title("跑步数据") # 显示子图标题

# 2、plot2
x=np.array([0,1,2,3])
y=np.array([10,20,30,40])
# 图有一行两列, 该子图是【第二个图】
plt.subplot(1,2,2)
plt.plot(x,y)
plt.title("游泳数据") # 显示子图标题

plt.suptitle("我的运动") # 显示大标题
plt.show() # 显示图表

6）散点图

绘制散点图时，通常依赖plt.scatter()函数，该函数包含很多参数，具体如下：

import matplotlib.pyplot as plt
import numpy as np

# 定义坐标数据
x=np.array([5,3,6,1,4,2,7,9,8,13])
y=np.array([32,4,52,56,13,134,98,87,107,119])

# 绘制散点图（颜色为蓝色，大小为50，透明度为0.5）
plt.scatter(x,y,c="b",s=50,alpha=0.5)

# 显示图表
plt.show()

7）柱状图

我们一般通过plt.bar()函数来绘制柱状图。

基本格式：np.bar(x, y, width, bottom=None, *, align=‘center’, data=None, **kwargs)

import matplotlib.pyplot as plt
import numpy as np

# 定义坐标数据
x=np.array(['A','B','C','D'])
y=np.array([23,9,4,17])

# 绘制柱状图
plt.bar(x,y)

# 显示图表
plt.show()

import matplotlib.pyplot as plt
import numpy as np

x=np.array(['A','B','C','D'])
y=np.array([23,9,4,17])

bars=plt.bar(x,y)

# 在每个柱子顶部添加数据【固定写法】
for bar in bars:
    height = bar.get_height() # 获取柱子高度
    # 在柱子顶部添加文本
    plt.text(bar.get_x() + bar.get_width() / 2, height,
             str(height), ha='center', va='bottom')

plt.show()

import matplotlib.pyplot as plt
import numpy as np

# 1、定义两组数据的类别标签
x = np.array(['A', 'B', 'C', 'D'])
# 第一组数据
y1 = np.array([23, 9, 4, 17])
# 第二组数据
y2 = np.array([15, 10, 8, 12])

# 2、设置柱子宽度
bar_width = 0.36
# 3、设置两组柱子的位置偏移量
index = np.arange(len(x))

# 3、绘制柱子
# 绘制第一组柱子
bars1 = plt.bar(index, y1, width=bar_width, label='Group 1')
# 绘制第二组柱子，通过调整位置实现并排
bars2 = plt.bar(index + bar_width, y2, width=bar_width, label='Group 2')

# 在柱子顶部添加数据【固定写法】
# 针对第一组柱子
for bar in bars1:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width() / 2, height,
             str(height), ha='center', va='bottom')
# 针对第二组柱子
for bar in bars2:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width() / 2, height,
             str(height), ha='center', va='bottom')

# 4、添加轴标签(x轴)
plt.xticks(index + bar_width / 2, x)
# 显示图列
plt.legend()

plt.show()

import matplotlib.pyplot as plt
import numpy as np

# 1、定义两组数据的类别标签
x = np.array(['A', 'B', 'C', 'D'])
y1 = np.array([23, 9, 4, 17]) # 第一组数据
y2 = np.array([15, 10, 8, 12]) # 第二组数据

# 2、设置柱子宽度
bar_width = 0.36
# 3、设置两组柱子的位置偏移量
index = np.arange(len(x))

# 3、绘制柱子
# 绘制第一组柱子
bars1 = plt.barh(index, y1, height=bar_width, label='Group 1')
# 绘制第二组柱子，通过调整位置实现并排
bars2 = plt.barh(index + bar_width, y2, height=bar_width, label='Group 2')

# 4、添加轴标签(y轴)
plt.yticks(index + bar_width / 2, x)
# 显示图列
plt.legend()

plt.show()

8）直方图

在绘制直方图时，一般用plt.hist()函数来创造直方图。

基本格式：plt.hist(x, bins=bins, color=”b”, histtype=’bar’,label=’label’, rwidth =rwidth)

具体各参数说明如下：

具体写法如下：

import matplotlib.pyplot as plt
import numpy as np

# 通过Numpy随机生成一个包含250个值的数组，其中值将集中在170，标准差为10
x=np.random.normal(170,10,250)

# 生成直方图
plt.hist(x)

# 显示图表
plt.show()

9）饼图

一般用plt.pie()函数来创造饼图。

基本格式：plt.pie(size，explode，labels，autopct，startangle，shadow，color) 函数

具体各参数说明如下：

import matplotlib.pyplot as plt
import numpy as np

labels=["Apples","Oranges","Bananas","Peaches"] # 标签
size=np.array([35,25,25,15]) # 各部分的百分比

plt.pie(size,labels=labels)

plt.legend() # 图列
plt.show() # 显示图表

import matplotlib.pyplot as plt
import numpy as np

labels=["Apples","Oranges","Bananas","Peaches"] # 标签
size=np.array([35,25,25,15]) # 各部分的百分比

# 起始角度为90度，显示百分比样式
plt.pie(size,labels=labels,autopct="%1.1f%%",startangle=90)

plt.legend() # 图列
plt.show() # 显示图表

import matplotlib.pyplot as plt
import numpy as np

labels=["Apples","Oranges","Bananas","Peaches"] # 标签
size=np.array([35,25,25,15]) # 各部分的百分比

# 起始角度为90度，显示百分比样式，添加阴影，分离程度【可视化】
# 分离程度【可视化】：0表示不分离，0.2表示一定的分离
plt.pie(size,labels=labels,autopct="%1.1f%%",startangle=90,
        shadow=True, explode = [0.2,0,0.2,0])

plt.legend() # 图列
plt.show() # 显示图表

作者：frimiku