小白学 Python 数据分析（19）：Matplotlib（四）常用图表（下）

人生苦短，我用 Python

前文传送门：

小白学 Python 数据分析（1）：数据分析基础

小白学 Python 数据分析（2）：Pandas （一）概述

小白学 Python 数据分析（3）：Pandas （二）数据结构 Series

小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame

小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据

小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择

小白学 Python 数据分析（7）：Pandas （六）数据导入

小白学 Python 数据分析（8）：Pandas （七）数据预处理

小白学 Python 数据分析（9）：Pandas （八）数据预处理（2）

小白学 Python 数据分析（10）：Pandas （九）数据运算

小白学 Python 数据分析（11）：Pandas （十）数据分组

小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table）

小白学 Python 数据分析（13）：Pandas （十二）数据表拼接

小白学 Python 数据分析（14）：Pandas （十三）数据导出

小白学 Python 数据分析（15）：数据可视化概述

小白学 Python 数据分析（16）：Matplotlib（一）坐标系

小白学 Python 数据分析（17）：Matplotlib（二）基础操作

小白学 Python 数据分析（18）：Matplotlib（三）常用图表（上）

散点图

上一篇我们介绍了常见的折线图和柱状图，本篇我们接着看其他常用的图形。

散点图经常用来表示数据之间的关系，使用的是 plt 库中的 scatter() 方法，还是先看下 scatter() 的语法，来自官方文档：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.scatter.html ：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=<deprecated parameter>, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)

前面介绍过的参数这里不再多说，说点散点图特有的参数：

• s ： 表示的是每个点的大小，如果只有一个数值的时候，则所有的点都是一样大的，也可以传入一个列表，这时候每个点的大小都不一样，散点图也就成了气泡图。
• c ： 表示点的颜色，如果只有一种颜色的时候，则每个点的颜色都会相同，也可以使用列表定义不同的颜色
• linewidths ： 表示每个散点的线宽
• edgecolors ： 每个散点外轮廓的颜色

其实散点图的常用参数和之前的折线图柱状图都差不多，还有一些没介绍的高阶参数可以参考官方文档，主要是用来做一些比较骚的操作的，可以用来自定义颜色的渐变。

看个简单的示例，数据还是使用前文的数据：

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])

plt.scatter(x_data, y_data, s = 100, c = 'green', marker='o', edgecolor='black', alpha=0.5, label = '产品销量')

plt.legend()

plt.savefig("scatter_demo.png")

结果如下：

气泡图

气泡图和上面的散点图非常类似，只是点的大小不一样，而且是通过参数 s 来进行控制的，多的不说，还是看个示例：

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])

# 根据 y 值的不同生成不同的颜色
colors = y_data * 10
# 根据 y 值的不同生成不同的大小
area = y_data / 300

plt.scatter(x_data, y_data, s = area, c = colors, marker='o', edgecolor='black', alpha=0.5, label = '产品销量')

plt.legend()

plt.savefig("scatter_demo1.png")

代码不多解释了，注释已经写得很清楚了，直接来看结果：

堆叠图

堆叠图的作用和折线图非常类似，它采用的是 stackplot() 方法。

语法如下：

plt.stackplot(x, y, labels, colors)

stackplot() 堆叠图的语法比较简单，这里就不多介绍了，看过前面的同学应该一眼就能明白，接下来我们看个示例：

import matplotlib.pyplot as plt

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = [2011,2012,2013,2014,2015,2016,2017]
y_data = [58000,60200,63000,71000,84000,90500,107000]
y_data_1 = [78000,80200,93000,101000,64000,70500,87000]

plt.title(label='xxx 公司 xxx 产品销量')

plt.stackplot(x_data, y_data, y_data_1, labels=['产品销量', '用户增长数'])

plt.legend()

plt.savefig("stackplot_demo.png")

结果如下：

雷达图

雷达图各位同学可能在玩游戏的时候经常看到，或者是做一些能力测评的时候，它可以直观的看出来一个事物的优势与不足。

在 plt 中建立雷达图是用 polar() 方法的，这个方法其实是用来建立极坐标系的，而雷达图就是先在极坐标系中将各个点找出来，然后再将他们连线连起来。

语法如下：

plt.polar(theta, r, **kwargs)

• theta ： 每一个点在极坐标系中的角度
• r ： 每一个点在极坐标系中的半径

接下来我们来看个示例，这个示例完全出于小编自己幻想，无其他任何意义：

import numpy as np
import matplotlib.pyplot as plt

# 中文和负号的正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 使用ggplot的绘图风格
plt.style.use('ggplot')

# 构造数据
values = [3.2, 2.1, 3.5, 2.8, 3]
feature = ['攻击力', '防御力', '恢复力', '法术强度', '生命值']

N = len(values)
# 设置雷达图的角度，用于平分切开一个圆面
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)

# 为了使雷达图一圈封闭起来，需要下面的步骤
values = np.concatenate((values, [values[0]]))
angles = np.concatenate((angles, [angles[0]]))

# 绘图
fig = plt.figure()
# 这里一定要设置为极坐标格式
ax = fig.add_subplot(111, polar=True)
# 绘制折线图
ax.plot(angles, values, 'o-', linewidth=2)
# 填充颜色
ax.fill(angles, values, alpha=0.25)
# 添加每个特征的标签
ax.set_thetagrids(angles * 180 / np.pi, feature)
# 设置雷达图的范围
ax.set_ylim(0, 5)
# 添加标题
plt.title('游戏人物属性')
# 添加网格线
ax.grid(True)
# 显示图形
plt.savefig('polar_demo.png')

结果如下：

饼图

饼图的作用和上面的雷达图有些类似，也是用来表示同一个事物的不同类别的占比情况，它使用的是 plt 中的 pie 这个方法。

语法如下：

matplotlib.pyplot.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, hold=None, data=None)

饼图的参数还是比较复杂的，我们接下来一个一个看：

• x : array-like
• explode : array-like, optional, default: None(设置饼图偏离)
• labels : list, optional, default: None(标签)
• colors : array-like, optional, default: None(颜色设置)
• autopct : None (default), string, or function, optional(设置百分比显示)
• pctdistance : float, optional, default: 0.6(百分比距圆心的位置)
• shadow : bool, optional, default: False(设置阴影)
• labeldistance : float, optional, default: 1.1(标签距圆心的距离)
• startangle : float, optional, default: None(开始位置的旋转角度，第一个分类是在右45度位置)
• radius : float, optional, default: None(设置半径的大小)
• counterclock : bool, optional, default: True(是否逆时针)
• wedgeprops : dict, optional, default: None(内外边界设置)
• textprops : dict, optional, default: None(文本设置)
• center : list of float, optional, default: (0, 0)(设置中心位置)
• frame : bool, optional, default: False(是否显示饼图背后图框)

来个简单的示例：

import matplotlib.pyplot as plt

# 中文和负号的正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中专','大专','本科','硕士','其他']

# 让本科学历离圆心远一点
explode = [0,0,0.1,0,0]

# 将横、纵坐标轴标准化处理，保证饼图是一个正圆，否则为椭圆
plt.axes(aspect='equal')

# 自定义颜色
colors=['#9999ff','#ff9999','#7777aa','#2442aa','#dd5555'] # 自定义颜色

# 绘制饼图
plt.pie(x=edu,  # 绘图数据
    explode = explode,  # 突出显示大专人群
    labels = labels,  # 添加教育水平标签
    colors = colors,  # 设置饼图的自定义填充色
    autopct = '%.1f%%',  # 设置百分比的格式，这里保留一位小数
    )

# 添加图标题
plt.title('xxx 公司员工教育水平分布')

# 保存图形
plt.savefig('pie_demo.png')

结果如下：

环形图

环形图其实是另一种饼图，使用的还是上面的 pie() 这个方法，这里只需要设置一下参数 wedgeprops 即可。

示例如下：

import matplotlib.pyplot as plt

# 中文和负号的正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中专','大专','本科','硕士','其他']

# 让本科学历离圆心远一点
explode = [0,0,0.1,0,0]

# 将横、纵坐标轴标准化处理，保证饼图是一个正圆，否则为椭圆
plt.axes(aspect='equal')

# 自定义颜色
colors=['#9999ff','#ff9999','#7777aa','#2442aa','#dd5555'] # 自定义颜色

# 绘制饼图
plt.pie(x=edu,  # 绘图数据
    explode = explode,  # 突出显示大专人群
    labels = labels,  # 添加教育水平标签
    colors = colors,  # 设置饼图的自定义填充色
    autopct = '%.1f%%',  # 设置百分比的格式，这里保留一位小数
    wedgeprops = {'width': 0.3, 'edgecolor':'green'}
    )

# 添加图标题
plt.title('xxx 公司员工教育水平分布')

# 保存图形
plt.savefig('pie_demo1.png')

这个示例仅仅在前面示例的基础上增加了一个参数 wedgeprops 的设置，我们看下结果：

热力图

热力图用到的方法是 imshow() ，他的语法如下：

plt.imshow(x, cmap)

首先这里要注意， x 是数据，但是一定要是矩阵形式的。

示例如下：

import numpy as np
import matplotlib.pyplot as plt

x = np.random.rand(10, 10)
plt.imshow(x, cmap=plt.cm.hot)

# 显示右边颜色条
plt.colorbar()

plt.savefig('imshow_demo.png')

结果如下：

Matplotlib 的常用图表到这里就要结束了，接下来，我们会接着介绍我们之前说过的 pyecharts 的常用图表。

代码仓库

老规矩，所有的示例代码都会上传至代码管理仓库 Github 和 Gitee 上，方便大家取用。

示例代码-Github

示例代码-Gitee

参考

https://blog.csdn.net/kun1280437633/article/details/80841364

https://blog.csdn.net/claroja/article/details/72911155