本文已参与「新人创造礼」活动，一同开启创造之路

基本布局对象

figure对象是一切图表制作的根底构建图标的主要过程

准备数据
生成图表
传入数据
调整图标的装修

图表款式的修正以及图表装修的接口

Matplotlib定义具体的图标装修项接口，能够对图表几乎每一个细节进行修正

修正图表款式

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
fig,axes = plt.subplots()
t = np.arange(0,2,0.01)
s = np.sin(2*np.pi*t)
# 修正线条色彩，线条方法
axes.plot(t,s,color='k',linestyle='-')
s = np.sin(2*np.pi*(t+0.5))
axes.plot(t,s,color='c',linestyle='--')
plt.show()

常用的color参数值

color参数值	含义
r	赤色
y	黄色
g	绿色
c	青色
b	蓝色
m	紫赤色
w	白色
常用linesstyle参数值
linesstyle参数值	含义
—	—
–	实线
—	虚线（两个短横线）
-.	虚线（短横线和点交替）
:	虚线（点）

修正装修项

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
fig,axes = plt.subplots()
t = np.arange(0,2,0.01)
s = np.sin(2*np.pi*t)
# 修正线条色彩，线条方法
axes.plot(t,s,color='k',linestyle='-',label='line1')
s = np.sin(2*np.pi*(t+0.5))
axes.plot(t,s,color='c',linestyle='--',label='line2')
# ticks styles
axes.set_xticks(np.arange(0,2,0.5))
axes.set_yticks([-1,0,1])
axes.minorticks_on()
# axes position
# 对边框进行修正，躲藏右边框和上边框
axes.spines['right'].set_color('none')
axes.spines['top'].set_color('none')
# 指定边框的方位，第一个参数表明方位的品种，第二个参数表明边框的方位
# axes.spines['bottom'].set_position(('data',0))
# axes.spines['left'].set_position(('data',0))
axes.spines['bottom'].set_position('center')
axes.spines['left'].set_position('zero')
# 'center' 等于('data',0.5)
# zero 等于 ('data',0)
# legend
# 设置图例，loc  bbox_to_anchor 确定方位的参数
axes.legend(loc='upper right',bbox_to_anchor=(1.1,1))
plt.show()

增加注释

import matplotlib.pyplot as plt
import  numpy as np
fig = plt.figure()
fig,axes = plt.subplots()
axes.plot(np.arange(0,24,2),[14,9,7,5,12,19,23,26,27,24,24,19],'-o')
axes.set_xticks(np.arange(0,24,2))
# 生成一个带箭头的注释
'''
axes.annotate('hottest at 16:00',xy=(16,27),xytext=(16,22),arrowprops=dict(
                facecolor = 'black',shrink=0.2),
                horizontalalignment='center',verticalalignment='center'
              )
    参数依次是 注释文字
    xy 箭头顶级方位
    xytext 注释文字方位
    arrowprops=dict(    箭头款式参数
                facecolor 箭头色彩
                shrink 箭头与文字之间的间隔
                horizontalalignment verticalalignment 文字在水平方位和垂直方位向上对齐的方法
'''
axes.annotate('hottest at 16:00',xy=(16,27),xytext=(16,22),arrowprops=dict(
                facecolor = 'black',shrink=0.2),
                horizontalalignment='center',verticalalignment='center'
              )
'''
   axes.text() 
   参数分别为 文字的方位 注释文字 布景框的款式（课能够指定， 布景色彩 透明度 文字与布景框之间的间隔）
'''
axes.text(12,10,'Date: March 26th 2018',bbox={'facecolor':'cyan','alpha':0.3,'pad':6})
plt.show()

根底图表制作

直方图

是一种直观描绘数据集会集每一个区间内数据值呈现频数的统计图通过直方图，能够大致了解数据的散布，判断数据会集的区间

import matplotlib.pyplot as plt
import numpy as np
data = np.random.standard_normal(1000)
# 分组
bins = 50
fig,axes = plt.subplots()
# 直方图
axes.hist(data,bins)
axes.set_title("Histogram")
plt.show()
# 直方图加标准正态密度函数图画
number_of_bins = 50
fig,axes = plt.subplots()
n,bins ,patch=axes.hist(data,number_of_bins,density=True)
standard_data = ((1/(np.sqrt(2*np.pi)*1))*np.exp(-0.5*(1/1*(bins-0))**2))
axes.plot(bins,standard_data,0,'-')
plt.show()

散点图

能够将样本数据制作在二维平面上777直观的显示散布状况，初步判断两个变量之间的联系

import matplotlib.pyplot as plt
import numpy as np
n = 60
np.random.seed(100)
x = np.random.rand(n)
y = np.random.rand(n)
# plt.scatter(x,y)
fig,axes= plt.subplots()
axes.scatter(x,y)
plt.show()
# 根据值改动点大大小和色彩
n1 = 60
np.random.seed(100)
x = np.random.rand(n1)
y = np.random.rand(n1)
s = np.pi*(10*np.random.rand(n1))**2
c= -s
# plt.scatter(x,y)
fig,axes= plt.subplots()
# x y  符号点面积，色彩，透明度
axes.scatter(x,y,s,c,alpha=0.7)
plt.show()

饼图

饼图能够直观的显示某一类数据在悉数样本数据的百分比

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
labels = 'Taxi','Metro','Walk','Bus','Bicycle','Driving'
sizes = [10,30,5,25,5,25]
explode = (0,0.1,0,0,0,0)
axes.pie(sizes,explode=explode,labels=labels,autopct='%1.1f%%',shadow=True,startangle=90)
axes.axis('equal')
axes.set_title('pie chart')
plt.show()

柱状图

柱状图能够直观的反响不同类别数据之间散布状况的数量差异

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
index = np.arange(6)
width = 0.4
axes.bar(index,data_m,width,color='c',label='men')
axes.bar(index+width,data_f,width,color='b',label='women')
axes.set_xticks(index+width/2)
axes.set_xticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

# 柱状图叠加效果,将两个柱状图叠加显示
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
axes.bar(index,data_m,width,color='c',label='men')
axes.bar(index,data_f,width,color='b',bottom=data_m,label='women')
axes.set_xticks(index+width/2)
axes.set_xticks(index+width/2)
axes.set_xticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

# 柱状图半堆叠
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
axes.bar(index,data_m,width,color='c',label='men',align='center')
axes.bar(index,data_f,width,color='b',label='women',align='edge')
axes.set_xticks(index+width/2)
axes.set_xticks(index+width/2)
axes.set_xticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

# 水平柱状图
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
axes.barh(index,data_m,width,color='c',label='men',align='center',alpha=0.4)
axes.barh(index,data_f,width,color='b',label='women',align='edge',alpha=0.4)
axes.set_yticks(index+width/2)
axes.set_yticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

折线图

折线图能够看出数据的变化趋势

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
x = np.arange(10)
y1 = np.random.rand(10)
y2 = np.random.rand(10)
axes.plot(x,y1,'-o',color='c')
axes.plot(x,y2,'--o',color='b')
plt.show()

表格

通过表和图的结合，既能够直观的看到数据的散布状况，也能看到具体的数据

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
index = np.arange(6)
axes.bar(index,data_m,width,color='c',label='men')
axes.bar(index,data_f,width,color='b',bottom=data_m,label='women')
axes.set_xticks([])
axes.legend()
# 表格
data=(data_m,data_f)
rows =('male','female')
columns = 'Taxi','Metro','Walk','Bus','Bicycle','Driving'
axes.table(cellText=data,rowLabels=rows,colLabels=columns)
plt.show()

不同坐标系下的图象

import matplotlib.pyplot as plt
import numpy as np
# 双扭线
fig,axes = plt.subplots()
theta_list = np.arange(0,2*np.pi,0.01)
r = [2*np.cos(2*theta) for theta in theta_list]
# polar 极坐标系
# 建立一个投影为极坐标的axes
axes = plt.subplot(projection='polar')
# 运用plot函数生成函数曲线，
axes.plot(theta_list,r)
# 为了美观删去r轴上一切的刻度
axes.set_rticks([])
plt.show()

matplotlib3D

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
axes = Axes3D(fig)
# 设置随机种子
np.random.seed(100)
x = np.random.rand(60)
y = np.random.rand(60)
z = np.random.rand(60)
axes.scatter(x,y,x)
plt.show()

# 运用pyplot实现
fig = plt.figure()
axes = plt.subplot(projection="3d")
x = np.random.rand(80)
y = np.random.rand(80)
z = np.random.rand(80)
axes.scatter(x,y,x)
plt.show()

数据分析—-Matplotlib

基本布局对象

图表款式的修正以及图表装修的接口

根底图表制作

直方图

散点图

饼图

柱状图

折线图

表格

不同坐标系下的图象

matplotlib3D

作者信息

推广

数据分析—-Matplotlib

基本布局对象

图表款式的修正以及图表装修的接口

根底图表制作

直方图

散点图

饼图

柱状图

折线图

表格

不同坐标系下的图象

matplotlib3D

相关文章

美团提出基于隐式条件位置编码的Transformer，性能优于ViT和DeiT

SpringBoot统一封装返回前端结果集

2022抖音集团企业社会责任报告发布

WSL2安装和简单使用教程

作者信息

推广