数据分析 ——— matplotlib基础（二）

andrew_a

发布于 2019-09-26 15:54:59

8080

发布于 2019-09-26 15:54:59

文章被收录于专栏：Python爬虫与数据分析

有了上一节的基础的积累，接下来就可以来用matplotlib来画图了

一、基本绘图2D

1.1 线

利用plot()函数画出一系列点，并用线连接起来：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 6))
ax1, ax2, ax3, ax4 = axes.flatten()

x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

ax1.plot(x, y_sin)
ax1.set_title("line")


ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12)
ax2.set_title("--")

ax4.plot(x, y_cos, color='red', marker='+', linestyle='dashed')
ax4.set_title("++")
fig.tight_layout()

运行结果：

在上面的三个面板中分别画出了sin,cos图，前面两个参数分别为x轴， y轴数据。ax2的第三个参数“go--”是matlab风格的绘图，ax3上给出了点的标记maker，这一块是可以自己定义的，可以参考我上一篇文章数据分析 ——数据可视化matplotlib(一)。

在同一个图中画两条或多条线：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

fig, ax1 = plt.subplots(figsize=(10, 6))

x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

ax1.plot(x, y_sin)
ax1.plot(x, y_cos, marker='o', color='green')
ax1.set_title("line")

用plt画图：

运行结果都是一样的

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

fig = plt.subplots(figsize=(10, 6))

x = np.linspace(0, np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

plt.plot(x, y_sin)
plt.plot(x, y_cos, marker='o', color='green')
plt.title("line")
plt.show()

运行结果：

2.2 散点图

只画点，但是不用点连接：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 6))
ax1, ax2= axes.flatten()

x = np.arange(10)
y =  np.random.randn(10)
z =  np.random.randn(10)


ax1.scatter(x, y, marker=">")
ax1.scatter(x, z, marker="*", color="red")
ax1.set_title("scatter 1")

ax2.scatter(x, y, marker=".", color='purple')
ax2.set_title("scatter 2")

fig.tight_layout()

运行结果：

2.3条形图

条形图分两种，一种是水平的，一种是垂直

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

np.random.seed(1)
x = np.arange(5)
y = np.random.randn(5)

fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1./2))

vert_bars = axes[0].bar(x, y, color='black', align='center')
horiz_bars = axes[1].barh(x, y, color='purple', align='center')
#在水平或者垂直方向上画线
axes[0].axhline(0, color='gray', linewidth=2)
axes[1].axvline(0, color='gray', linewidth=2)
plt.show()

条形图返回了一个Artists 数组，对应着每个条形。条形图在现实中用的较少。

2.4 直方图

直方图用于统计数据出现的次数或者频率

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(12, 6))
ax1, ax2, ax3, ax4= axes.flatten()
np.random.seed(19680801)
n_bins = 10
x = np.random.randn(1000, 3)
colors = ['blue', 'green', 'purple']

ax1.hist(x, n_bins, density=True, histtype='barstacked')
ax1.set_title('stacked bar')

ax2.hist(x,  histtype='barstacked', rwidth=0.9)

ax3.hist(x[:, 0], rwidth=0.9)
ax3.set_title('different sample sizes')

ax4.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors)
ax4.legend(prop={'size': 10})
ax4.set_title('bars with legend')

fig.tight_layout()
plt.show()

参数中density控制Y轴是概率还是数量，与返回的第一个的变量对应。histtype控制着直方图的样式，默认是 ‘bar’; 对于多个条形时就相邻的方式呈现如子图4；‘barstacked’ 就是叠在一起，如子图1、2。rwidth 控制着宽度，这样可以空出一些间隙，比较图1, 2, 3是只有一条数据时。

2.5 饼图

# 饼图
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(13, 4))

labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'

sizes = [15, 30, 45, 10] # 所占百分比
explode = (0, 0.1, 0, 0)  # 每个扇形之间的间隔

ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True)
ax1.axis('equal')

ax2.pie(sizes, autopct='%1.2f%%', shadow=True, startangle=90, explode=explode,
    pctdistance=1.12)
ax2.axis('equal')
ax2.legend(labels=labels, loc='upper right')

plt.show()

饼图自动根据数据的百分比画饼.。labels是各个块的标签，如左图。autopct=%1.1f%%表示格式化百分比精确输出，也就是扇形图所占的百分比，explode，突出某些块，不同的值突出的效果不一样。pctdistance=1.12百分比距离圆心的距离，默认是0.6.

2.6 等高线图（轮廓图）

#等高线图
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(13, 4))
x = np.arange(-5, 5, 0.1)
y = np.arange(-5, 5, 0.1)
xx, yy = np.meshgrid(x, y, sparse=True)
z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2)
ax1.contourf(x, y, z)
ax2.contour(x, y, z)

上面画了两个一样的轮廓图，contourf会填充轮廓线之间的颜色。数据x, y, z通常是具有相同 shape 的二维矩阵。x, y 可以为一维向量，但是必需有 z.shape = (y.n, x.n) ，这里 y.n 和 x.n 分别表示x、y的长度。Z通常表示的是距离X-Y平面的距离，传入X、Y则是控制了绘制等高线的范围。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-09-25，如有侵权请联系 cloudcommunity@tencent.com 删除

python