其他
matplotlib 硬核总结：乌森数据可视化系列
The following article is from 一个数据人的自留地 Author 乌森
一. matplotlib系列
Matplotlib是Python中最常用的可视化工具之一, 它比较底层，可定制性强、图表资源丰富。
1.1Matplotlib三层结构
1）容器层
容器层主要由Canvas、Figure、Axes组成。Canvas是位于最底层的，在绘图的过程中充当画板的角色，即放置画布（Figure）的工具。Figure是Canvas上方的第一层，也是用户可操作的最低层级，在绘图过程中充当画布的角色。Axes是Canvas上方的第二层，在绘图过程总相当于画布上的绘图区的角色。
画板层Canvas
画布层Figure（可指定画布属性，大小、清晰度等）
绘图区/坐标系（可指定多区域、坐标系显示，通过figure、axes对象）
2）辅助显示层
辅助显示层用于增加相关显示功能、描述。
修改x、y轴刻度（plt.x/yticks()）
添加描述信息（plt.x/ylabel();plt.title()）
添加网格（plt.grid()）
3）图像层
具体描绘的图像（例如各种常见图表）。
1.2Matplotlib绘图步骤
step 1:准备数据step 2:创建一个画布（figure）step 3:在画布上创建一个或多个绘图区域（坐标系/轴，axes）step 4:绘制图像（根据不同图像类别调用不同方法）step 5:辅助绘制（刻度、图例等）step 6:图像显示/保存
import matplotlib.pyplot as plt
import random
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
if __name__ == '__main__':
# 准备数据
x = range(60)
y_shanghai = [random.uniform(15, 18) for i in x]
# 创建画布
plt.figure(figsize=(20, 8), dpi=80)
# 创建绘图区域
ax = plt.subplot(111)
ax.set_xlabel("时间变化")
ax.set_ylabel("温度变化")
ax.set_title("某城市11点到12点温度变化")
# 绘制图像
ax.plot(x, y_shanghai, color='b', linestyle='--', label='上海')
# 辅助绘制：显示图例
ax.legend()
# 辅助绘制：准备x、y的刻度以及刻度说明
x_label = ["11点{}分".format(i) for i in x]
ax.set_xticks(x[::5], x_label[::5])
ax.set_yticks(range(0, 40, 5))
# 辅助绘制：添加网格
ax.grid(linestyle='--', alpha=0.5)
plt.show()
1.3 其他注意事项
1）绘图风格
print(plt.style.available)
plt.style.use('seaborn-paper')
2）显示问题
Matplotlib默认情况中文和负号不能正常显示，可以更改如下配置来解决。
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
matplotlib 颜色、标记、线型：https://blog.csdn.net/qq_41455420/article/details/79733524
matplotlib 坐标轴与刻度：https://blog.csdn.net/wuzlun/article/details/80053277
matplotlib中文文档：
https://www.matplotlib.org.cn/
二. 多子图绘制功能
在matplotlib下，一个画布（Figure）对象可以包含多个子图（Axes），可以使用subplot()快速绘制。
2.1subplot介绍
subplot(numRows, numCols, plotNum)
图表的整个绘图区域被分成numRows行和numCols列，plotNum参数指定创建的Axes对象所在的区域。
2.2 subplot应用举例
import matplotlib.pyplot as plt
import numpy as np
def f(t):
return np.exp(-t) * np.cos(2 * np.pi * t)
t1 = np.arange(0, 5, 0.1)
t2 = np.arange(0, 5, 0.02)
fig = plt.figure(figsize=(16, 10), dpi= 80) # 画布
ax1 = plt.subplot(221) # 两行两列中的第一行第一列位置
ax1.plot(t1, f(t1), 'bo', t2, f(t2), 'r--')
ax2 = plt.subplot(222) # 两行两列中的第一行第二列位置
ax2.plot(t2, np.cos(2 * np.pi * t2), 'r--')
ax3 = plt.subplot(212) # 两行一列中的第二行的位置
ax3.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()
三. 绘制二维图表
matplotlib提供了常见二维图表的绘制。
3.1数据分布
1）直方图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_hist(title, x):
'''
绘制直方图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴设定
plt.title(title, fontsize=22)
plt.xlabel('x', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.ylabel('y', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 设置坐标轴刻度线
# plt.yticks([1,5,8,15,24], [r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
# ax.set_aspect('equal') # 坐标轴等比例
ax.xaxis.set_tick_params(labelsize=16, colors='g') # 坐标轴刻度格式
ax.xaxis.set_major_locator(plt.MultipleLocator(1)) # 坐标轴刻度间隔1
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 移动坐标轴
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0)) # 将bottom即是x坐标轴设置到y=0的位置
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0)) # 将left即是y坐标轴设置到x=0的位置
# 消除边框
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
ax.hist(x,
bins=25, # 分段数量
width=0.2, # 宽度
alpha=0.5, # 不透明度
#facecolor='white', # 柱形填充颜色
#hatch='/', # 图形填充形状，可选['/', '', '|', '-', '+', 'x', 'o', 'O', '.', '*']
#edgecolor='darkblue' # 边缘颜色
)
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = np.random.normal(0,1,1000)
plot_hist('测试图', x)
如果只需要简单的计算每段区间的样本数，而并不想画图显示它们，那么可以直接用np.histogram()
import numpy as np
x = np.random.normal(0,1,1000)
counts, bin_edges = np.histogram(x, bins=50)
print(counts)
2）箱形图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_box(title, data, labels):
'''
绘制箱形图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴设定
plt.title(title, fontsize=22)
plt.ylabel('y', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
ax.xaxis.set_tick_params(labelsize=16)
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 消除边框
ax.spines['left'].set_color('none')
ax.spines['bottom'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
bplot = ax.boxplot(data,
widths=0.2, # 设置箱体宽度
patch_artist=True, # 箱体是否染色
notch=False, # 中位线处不设置凹陷
medianprops={'linestyle':'--','color':'green','markerfacecolor':'indianred', 'markersize':4}, # 设置均值点的属性, 如点的形状、填充色和点的大小
# flierprops={'marker':'o','markerfacecolor':'red', 'markersize':3}, # 设置异常点属性, 如点的形状、填充色和点的大小
labels=labels # 标签
)
colors =["pink", "lightgreen","pink", "lightgreen"]
for i, item in enumerate(bplot["boxes"]):
item.set_facecolor(colors[i])
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
data = [
[1000, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2500],
[1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000, 2100],
[1000, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000],
[800, 1000, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900]
]
labels =["China","America","Britain","Russia"]
plot_box('测试图', data, labels)
3）小提琴图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_violin(title, data, labels):
'''
绘制小提琴图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴设定
plt.title(title, fontsize=22)
plt.ylabel('y', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
ax.xaxis.set_tick_params(labelsize=16)
ax.set_xticks([i+1 for i in range(len(data))])
ax.set_xticklabels([labels[i] for i in range(len(data))])
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 消除边框
ax.spines['left'].set_color('none')
ax.spines['bottom'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
vplot = ax.violinplot(data,
vert=True, # 是否竖直显示
showmedians=True, # 显示中位数
showmeans=False # 显示平均数
)
for item, color in zip(vplot['bodies'], ['cyan', 'red', 'blue', 'green', 'purple']):
item.set(facecolor=color, alpha=0.5)
for item in ['cbars', 'cmaxes', 'cmins', 'cmedians']:
plt.setp(vplot[item], edgecolor='gray', linewidth=1.5)
plt.setp(vplot['cmedians'], edgecolor='black')
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
data = [
[1000, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2500],
[1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000, 2100],
[300, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000],
[800, 1000, 1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900]
]
labels =["China","America","Britain","Russia"]
plot_violin('测试图', data, labels)
3.2 数据比较
1）柱形图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_bar(title, x, y):
'''
绘制柱形图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴和标签设定
plt.title(title, fontsize=22)
plt.xlabel('xlabel', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.xlim(-1, 5)
plt.ylabel('ylabel', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.ylim(-2, 30)
# 设置坐标轴刻度线
plt.yticks([1,5,8,15,24], [r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
# ax.set_aspect('equal') # 坐标轴等比例
ax.xaxis.set_tick_params(labelsize=16, colors='g') # 坐标轴刻度格式
ax.xaxis.set_major_locator(plt.MultipleLocator(1)) # 坐标轴刻度间隔1
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 移动坐标轴
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0)) # 将bottom即是x坐标轴设置到y=0的位置
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0)) # 将left即是y坐标轴设置到x=0的位置
# 消除边框
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
&nnbsp; rects = ax.bar(x, y,
width=0.5, # 宽度
alpha=0.5, # 不透明度
#facecolor='white', # 柱形填充颜色
#hatch='/', # 图形填充形状，可选['/', '', '|', '-', '+', 'x', 'o', 'O', '.', '*']
#edgecolor='darkblue' # 边缘颜色
)
# 为柱状图添加高度值
for rect in rects:
x = rect.get_x()
height = rect.get_height()
ax.text(x+0.2, 1.01*height, str(height), fontsize=16)
# plt.legend(fontsize=16, loc='upper right') # 标签设定
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = np.arange(1, 5, 1)
y = np.array([15,20,18,25])
plot_bar('测试图', x, y)
2）雷达图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_radar(title, p1, p2):
'''
绘制雷达图
'''
fig = plt.figure(figsize=(10,5))
ax1 = fig.add_subplot(121, polar=True) # 坐标轴为极坐标体系
ax2 = fig.add_subplot(122, polar=True)
fig.subplots_adjust(wspace=0.4) # 设置子图间的间距为子图宽度的40%
data1 = np.array([i for i in p1.values()]).astype(int)
data2 = np.array([i for i in p2.values()]).astype(int)
label = np.array([j for j in p1.keys()]) # 提取标签
angle = np.linspace(0, 2*np.pi, len(data1), endpoint=False) # data里有几个数据，就把整圆360°分成几份
angles = np.concatenate((angle, [angle[0]])) # 增加第一个angle到所有angle里，以实现闭合
data1 = np.concatenate((data1, [data1[0]])) # 增加第一组数据的第一个值到第一组数据所有的值里，以实现闭合
data2 = np.concatenate((data2, [data2[0]])) # 增加第二组数据的第一个值到第二组数据所有的值里，以实现闭合
# 设置第一个坐标轴
ax1.set_thetagrids(angles*180/np.pi, label) # 设置网格标签
ax1.plot(angles,data1,"o-")
ax1.set_theta_zero_location('NW') # 设置极坐标0°位置
ax1.set_rlim(0,100) # 设置显示的极径范围
ax1.fill(angles,data1,facecolor='g', alpha=0.2) # 填充颜色
ax1.set_title("甲",fontproperties="SimHei",fontsize=16) # 设置标题
# 设置第二个坐标轴
ax2.set_thetagrids(angles*180/np.pi, label) # 设置网格标签
ax2.plot(angles,data2,"o-")
ax2.set_theta_zero_location('NW') #设置极坐标0°位置
ax2.set_rlim(0,100) # 设置显示的极径范围
ax2.fill(angles,data2,facecolor='g', alpha=0.2) # 填充颜色
ax2.set_title("乙",fontproperties="SimHei",fontsize=16) # 设置标题
plt.show()
p1={"编程能力":60,"沟通技能":70,"专业知识":65,"团体协作":75,"工具掌握":80} #创建第一个人的数据
p2={"编程能力":70,"沟通技能":60,"专业知识":75,"团体协作":65,"工具掌握":70} #创建第二个人的数据
plot_radar('测试图', p1, p2)
3）折线图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_line(title, x, y):
'''
绘制折线图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴设定
plt.title(title, fontsize=22)
plt.xlabel('x', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.ylabel('y', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 设置坐标轴刻度线
# plt.yticks([1,5,8,15,24], [r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
# ax.set_aspect('equal') # 坐标轴等比例
ax.xaxis.set_tick_params(labelsize=16, colors='g') # 坐标轴刻度格式
ax.xaxis.set_major_locator(plt.MultipleLocator(5)) # 坐标轴刻度间隔5
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 移动坐标轴
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0)) # 将bottom即是x坐标轴设置到y=0的位置
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0)) # 将left即是y坐标轴设置到x=0的位置
# 消除边框
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
ax.plot(x, y,
linewidth = 3, # 线宽
linestyle=':', # 线的风格(-是实线,:是虚线)
alpha=0.5, # 不透明度
color='black', # 折线颜色
label='a' # 标签
)
plt.legend(fontsize=16, loc='upper right') # 标签设定
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = np.arange(50)
y = x**2+4
plot_line('测试图', x, y)
3.3数据关系
1）散点图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_scatter(title, x, y):
'''
绘制散点图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴设定
plt.title(title, fontsize=22)
plt.xlabel('x', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.ylabel('y', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 设置坐标轴刻度线
# plt.yticks([1,5,8,15,24], [r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
ax.set_aspect('equal') # 坐标轴等比例
ax.xaxis.set_tick_params(labelsize=16) # 坐标轴刻度格式
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 移动坐标轴
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0)) # 将bottom即是x坐标轴设置到y=0的位置
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0)) # 将left即是y坐标轴设置到x=0的位置
# 消除边框
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
ax.scatter(x, y,
alpha =0.8 # 不透明度
)
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = np.random.random(100)*10
y = np.random.random(100)*10
plot_scatter('测试图', x, y)
2）气泡图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_bubble(title, x, y, s):
'''
绘制气泡图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴和标签设定
plt.title(title, fontsize=22)
plt.xlabel('x', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.ylabel('y', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 设置坐标轴刻度线
# plt.yticks([1,5,8,15,24], [r'$really\ bad$',r'$bad$',r'$normal$',r'$good$',r'$really\ good$'])
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
ax.set_aspect('equal') # 坐标轴等比例
ax.xaxis.set_tick_params(labelsize=16) # 坐标轴刻度格式
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 移动坐标轴
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0)) # 将bottom即是x坐标轴设置到y=0的位置
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0)) # 将left即是y坐标轴设置到x=0的位置
# 消除边框
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 绘图
ax.scatter(x, y,
s=s, # 点的面积
c=np.random.choice(['red','blue'], 100), # 点的颜色
alpha =0.8 # 不透明度
)
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = np.random.random(100)*10
y = np.random.random(100)*10
s = np.random.random(100)*300 # 点的面积
plot_bubble('测试图', x, y, s)
3.4 数据成分
1）饼图
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_pie(title, sizes, labels, explode):
'''
绘制饼图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题设定
plt.title(title, fontsize=22)
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
ax.set_aspect('equal') # 坐标轴等比例
# 绘图
ax.pie(sizes, # 百分比(list)
autopct='%1.1f%%', # 百分比显示设置
labels=labels, # (每一块)饼图外侧显示的说明文字
startangle=150, # 开始绘制的角度
explode=explode, # (每一块)离开中心距离
shadow=False # 在饼图下面画一个阴影。默认值：False，即不画阴影
)
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
sizes = [2,5,12,70,2,9]
labels = ['娱乐','育儿','饮食','房贷','交通','其它']
explode = (0,0,0,0.1,0,0)
plot_pie('饼图示例-某家庭支出', sizes, labels, explode)
2）堆积柱形图
#-*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
# print(plt.style.available)
plt.style.use('seaborn-paper')
def plot_stackedbar(title, x, ys):
'''
绘制堆积柱形图
'''
fig, ax = plt.subplots(figsize=(16,10), dpi= 80) # 创建一个画板
# 标题、坐标轴设定
plt.title(title, fontsize=22)
plt.xlabel('xlabel', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
plt.ylabel('ylabel', fontsize=16, fontfamily='sans-serif',fontstyle='italic')
# 是否显示网格
ax.grid(False)
# 坐标轴的一些属性设定
# ax.set_aspect('equal') # 坐标轴等比例
ax.xaxis.set_tick_params(labelsize=16, colors='g') # 坐标轴刻度格式
ax.yaxis.tick_right() # y轴坐标布局位置
ax.yaxis.set_tick_params(labelsize=16)
# 消除边框
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
t = 0
for y, c, label in zip(ys, ['r', 'g', 'c'], ['label1', 'label2', 'label3']):
plt.bar(x, y, width=0.2, bottom=t, color=c, label=label)
t += y
plt.legend(fontsize=16, loc='upper right') # 标签设定
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = np.linspace(0, 5, 20)
y1 = np.random.randint(50, 100, 20)
y2 = np.random.randint(50, 100, 20)
y3 = np.random.randint(50, 100, 20)
plot_stackedbar('测试图', x, [y1,y2,y3])
50张matplotlib图表：
https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/
四. 绘制三维图表
matplotlib绘制三维图表主要通过mplot3d模块实现，但由于三维图表实际上是在二维画布上展示，因此同样需要载入pyplot模块。
matplotlib绘制三维图表主要通过mplot3d模块实现，但由于三维图表实际上是在二维画布上展示，因此同样需要载入pyplot模块。
1）三维空间中的点
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
def plot_scatter_3d(title, x, y, z):
'''
绘制3D散点图
'''
fig = plt.figure(figsize=(16, 10), dpi= 80) # 创建一个画板
ax = Axes3D(fig)
ax.scatter(xs=x,
ys=y,
zs=z,
c='r', # 颜色
marker='o', # 点的标记
label='positive' # 标签
)
# 设置坐标轴显示以及旋转角度
ax.set_xlabel('x', fontsize=16)
ax.set_ylabel('y', fontsize=16)
ax.set_zlabel('z', fontsize=16)
ax.view_init(elev=10, azim=235)
plt.title(title, fontsize=22)
plt.grid(False) # 是否显示网格
ax.set_aspect('equal') # 坐标轴间比例一致
ax.legend(loc='upper left', fontsize=16)
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
x = (40 - 15) * np.random.rand(100) + 15
y = (25 - 5) * np.random.rand(100) - 5
z = (15 - 4) * np.random.rand(100) + 4
plot_scatter_3d('测试图', x, y, z)
2）三维空间中的线
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
def plot_line_3d(title, x, y, z):
'''
绘制3D折线图
'''
fig = plt.figure(figsize=(16, 10), dpi= 80) # 创建一个画板
ax = Axes3D(fig)
ax.plot(xs=x,
ys=y,
zs=z,
c='r', # 颜色
label='parametric curve' # 标签
)
# 设置坐标轴显示以及旋转角度
ax.set_xlabel('x', fontsize=16)
ax.set_ylabel('y', fontsize=16)
ax.set_zlabel('z', fontsize=16)
ax.view_init(elev=10, azim=235)
plt.title(title, fontsize=22)
plt.grid(False) # 是否显示网格
ax.set_aspect('equal') # 坐标轴间比例一致
ax.legend(loc='upper left', fontsize=16)
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
z = np.linspace(-2, 2, 100)
r = np.linspace(-2, 2, 100) ** 2 + 1
x = r * np.sin(np.linspace(-8 * np.pi, 8 * np.pi, 100)) # [-5,5]
y = r * np.cos(np.linspace(-8 * np.pi, 8 * np.pi, 100)) # [-5,5]
plot_line_3d('测试图', x, y, z)
3）三维空间中的面
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
def plot_surface_3d(title, x, y, z):
'''
绘制3D曲面图
'''
fig = plt.figure(figsize=(16, 10), dpi= 80) # 创建一个画板
nbsp; ax = Axes3D(fig)
ax.plot_surface(X=x,
Y=y,
Z=z
)
# 设置坐标轴显示以及旋转角度
ax.set_xlabel('x', fontsize=16)
ax.set_ylabel('y', fontsize=16)
ax.set_zlabel('z', fontsize=16)
ax.view_init(elev=10, azim=235)
plt.title(title, fontsize=22)
plt.grid(False) # 是否显示网格
ax.set_aspect('equal') # 坐标轴间比例一致
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
# 生成[-5,5]间隔0.25的数列，间隔越小，曲面越平滑
x = np.arange(-5, 5, 0.25)
y = np.arange(-5, 5, 0.25)
# 格点矩阵,原来的x行向量向下复制len(y)次，形成len(y)*len(x)的矩阵，即为新的x矩阵；
# 原来的y列向量向右复制len(x)次，形成len(y)*len(x)的矩阵，即为新的y矩阵；新的x矩阵和新的y矩阵shape相同
x, y = np.meshgrid(x,y)
r = np.sqrt(x ** 2 + y ** 2)
z = np.sin(r)
plot_surface_3d('测试图', x, y, z)
4）三维空间中的体
#-*- coding:utf-8 -*-
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
from mpl_toolkits.mplot3d.art3d import Poly3DCollection, Line3DCollection
# 正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus']=False
def plot_body_3d(title, verts, faces):
'''
绘制3D实体图
'''
fig = plt.figure(figsize=(16, 10), dpi= 80) # 创建一个画板
ax = Axes3D(fig)
# 获得每个面的顶点
poly3d = [[verts[vert_id] for vert_id in face] for face in faces]
# 绘制顶点
x, y, z = zip(*verts)
ax.scatter(x, y, z)
# 绘制多边形面
ax.add_collection3d(Poly3DCollection(poly3d, facecolors='w', linewidths=1, alpha=0.3))
# 绘制多边形的边
ax.add_collection3d(Line3DCollection(poly3d, colors='k', linewidths=0.5, linestyles=':'))
# 设置坐标轴显示以及旋转角度
ax.set_xlabel('x', fontsize=16)
ax.set_ylabel('y', fontsize=16)
ax.set_zlabel('z', fontsize=16)
ax.view_init(elev=10, azim=235)
plt.title(title, fontsize=22)
plt.grid(False) # 是否显示网格
ax.set_aspect('equal') # 坐标轴间比例一致
# plt.savefig("./"+title+".png") # 保存图片
plt.show()
# 六面体顶点和面
verts = [(0, 0, 0), (0, 1, 0), (1, 1, 0), (1, 0, 0), (0, 0, 1), (0, 1, 1), (1, 1, 1), (1, 0, 1)]
faces = [[0, 1, 2, 3], [4, 5, 6, 7], [0, 1, 5, 4], [1, 2, 6, 5], [2, 3, 7, 6], [0, 3, 7, 4]]
# 四面体顶点和面
# verts = [(0, 0, 0), (1, 0, 0), (1, 1, 0), (1, 0, 1)]
# faces = [[0, 1, 2], [0, 1, 3], [0, 2, 3], [1, 2, 3]]
plot_body_3d('测试图', verts, faces)
五. 高级封装
seaborn是对matplotlib更高级的API封装，让你能用更少的代码去调用 matplotlib的方法，从而使得作图更加容易。
5.1分布图
1）核密度估计图
单变量核密度估计图：
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
mean, cov = [0, 2], [(1, .5), (.5, 1)]
x, y = np.random.multivariate_normal(mean, cov, size=50).T
sns.kdeplot(x,
shade=True,
shade_lowest=False)
plt.show()
代码片段：可切换语言，无法单独设置文字格式
双变量核密度估计图：
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
d["species"] = iris.target
d.loc[d["species"]==0, "species"] = "setosa" # 把类别这一列数值为0的替换为setosa
d.loc[d["species"]==1, "species"] = "versicolor" # 把类别这一列数值为1的替换为versicolor
d.loc[d["species"]==2, "species"] = "virginica" # 把类别这一列数值为2的替换为virginica
sns.kdeplot(d.sepal_length[d.species=="setosa"],
d.sepal_width[d.species=="setosa"],
cmap="Reds",
shade=True,
shade_lowest=False)
sns.kdeplot(d.sepal_length[d.species=="versicolor"],
d.sepal_width[d.species=="versicolor"],
cmap="Blues",
shade=True,
shade_lowest=False)
plt.show()
2）联合分布图
联合概率分布简称联合分布，是两个及以上随机变量组成的随机向量的概率分布。
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
d["species"] = iris.target
d.loc[d["species"]==0, "species"] = "setosa" # 把类别这一列数值为0的替换为setosa
d.loc[d["species"]==1, "species"] = "versicolor" # 把类别这一列数值为1的替换为versicolor
d.loc[d["species"]==2, "species"] = "virginica" # 把类别这一列数值为2的替换为virginica
sns.jointplot(d.sepal_length,
d.sepal_width,
data=d,
kind='kde', # scatter|reg|resid|kde|hex
dropna=True)
plt.show()
3）变量关系组图
变量关系组图非常有用，人们经常用它来查看多个变量之间的联系。
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
d["species"] = iris.target
d.loc[d["species"]==0, "species"] = "setosa" # 把类别这一列数值为0的替换为setosa
d.loc[d["species"]==1, "species"] = "versicolor" # 把类别这一列数值为1的替换为versicolor
d.loc[d["species"]==2, "species"] = "virginica" # 把类别这一列数值为2的替换为virginica
sns.pairplot(d, hue="species")
plt.show()
seaborn分布数据可视化：
https://blog.csdn.net/qq_42554007/article/details/82625118
5.2回归图
简单线性回归的模型非常容易拟合。
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
d["species"] = iris.target
d.loc[d["species"]==0, "species"] = "setosa" # 把类别这一列数值为0的替换为setosa
d.loc[d["species"]==1, "species"] = "versicolor" # 把类别这一列数值为1的替换为versicolor
d.loc[d["species"]==2, "species"] = "virginica" # 把类别这一列数值为2的替换为virginica
sns.lmplot(x="sepal_length",
y="sepal_width",
data=d[d.species == "setosa"])
plt.show()
多项式回归模型可以拟合数据集中的一些简单的非线性趋势。
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
d["species"] = iris.target
d.loc[d["species"]==0, "species"] = "setosa" # 把类别这一列数值为0的替换为setosa
d.loc[d["species"]==1, "species"] = "versicolor" # 把类别这一列数值为1的替换为versicolor
d.loc[d["species"]==2, "species"] = "virginica" # 把类别这一列数值为2的替换为virginica
sns.lmplot(x="sepal_length",
y="sepal_width",
hue="species",
data=d,
order=2, # 二阶多项式
ci=None,
scatter_kws={"s": 80})
plt.show()
5.3 矩阵图
1）热图
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
d["species"] = iris.target
d.loc[d["species"]==0, "species"] = "setosa" # 把类别这一列数值为0的替换为setosa
d.loc[d["species"]==1, "species"] = "versicolor" # 把类别这一列数值为1的替换为versicolor
d.loc[d["species"]==2, "species"] = "virginica" # 把类别这一列数值为2的替换为virginica
sns.heatmap(d.corr(),
xticklabels=d.corr().columns,
yticklabels=d.corr().columns,
cmap='RdYlGn',
center=0,
annot=True)
plt.show()
2）聚类图
import imp
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
d = pd.DataFrame(iris.data, columns=["sepal_length","sepal_width","petal_length","petal_width"])
sns.clustermap(d)
plt.show()
- EOF -
看完本文有收获？请转发分享给更多人
推荐关注「数据分析与开发」，提升数据技能
点赞和在看就是最大的支持❤️