matplotlib -- 绘图操作 -- 数据分析三剑客

博客地址：https://www.cnblogs.com/zylyehuo/

开发环境

• anaconda
  • 集成环境：集成好了数据分析和机器学习中所需要的全部环境
  • 安装目录不可以有中文和特殊符号
• jupyter
  • anaconda提供的一个基于浏览器的可视化开发工具

import matplotlib.pyplot as plt
import numpy as np

plt.plot()绘制线性图

• 绘制单条线形图
• 绘制多条线形图
• 设置坐标系的比例plt.figure(figsize=(a,b))
• 设置图例legend()
• 设置轴的标识
• 图例保存
  • fig = plt.figure()
  • plt.plot(x,y)
  • figure.savefig（）
• 曲线的样式和风格

绘制单条线形图

x = np.array([1,2,3,4,5])
y = x + 3
​
plt.plot(x,y)

[<matplotlib.lines.Line2D at 0x111dc3f28>]

绘制多条线形图

方式一

plt.plot(x,y)
plt.plot(x+1,y-2)

[<matplotlib.lines.Line2D at 0x111e38b00>]

方式二

plt.plot(x,y,x+1,y-2)

[<matplotlib.lines.Line2D at 0x111f80a20>,

<matplotlib.lines.Line2D at 0x111f80be0>]

设置坐标系的比例

• plt.figure(figsize=(a,b))

plt.figure(figsize=(5,9))  # 放置在绘图的plot方法之前
plt.plot(x,y)

[<matplotlib.lines.Line2D at 0x1120aebe0>]

设置图例legend()

plt.plot(x,y,label='x,y')
plt.plot(x+1,y-2,label='x+1,y-2')
plt.legend()  # 图例生效

<matplotlib.legend.Legend at 0x11693a5f8>

设置轴的标识

plt.plot(x,y)
plt.xlabel('temp')
plt.ylabel('dist')
plt.title('dist&temp')

Text(0.5,1,'dist&temp')

图例保存

• fig = plt.figure()
• plt.plot(x,y)
• figure.savefig（）

fig = plt.figure()  # 该对象的创建一定要放置在plot绘图之前
plt.plot(x,y,label='x,y')
fig.savefig('./123.png')

曲线的样式和风格

设置颜色和透明度

plt.plot(x,y,c='red',alpha=0.5)

[<matplotlib.lines.Line2D at 0x1170d2ef0>]

柱状图

• plt.bar()
  • 参数
    • 第一个参数是索引
    • 第二个参数是数据值
    • 第三个参数是条形的宽度

plt.bar(x,y)

<BarContainer object of 5 artists>

直方图

• 是一个特殊的柱状图，又叫做密度图
• plt.hist()的参数
  • bins # 柱子的个数
    • 可以是一个bin数量的整数值，也可以是表示bin的一个序列。默认值为10
  • normed
    • 如果值为True，直方图的值将进行归一化处理，形成概率密度，默认值为False
  • color
    • 指定直方图的颜色。可以是单一颜色值或颜色的序列。如果指定了多个数据集合,例如DataFrame对象，颜色序列将会设置为相同的顺序。如果未指定，将会使用一个默认的线条颜色
  • orientation
    • 通过设置orientation为horizontal创建水平直方图。默认值为vertical

data = [1,1,2,2,2,3,4,5,6,6,6,6,6,6,7,8,9,0]
plt.hist(data,bins=20)

(array([1., 0., 2., 0., 3., 0., 1., 0., 1., 0., 0., 1., 0., 6., 0., 1., 0.,

1., 0., 1.]),

array([0. , 0.45, 0.9 , 1.35, 1.8 , 2.25, 2.7 , 3.15, 3.6 , 4.05, 4.5 ,

4.95, 5.4 , 5.85, 6.3 , 6.75, 7.2 , 7.65, 8.1 , 8.55, 9. ]),

<a list of 20 Patch objects>)

饼图

• pie()，饼图也只有一个参数x
• 饼图适合展示各部分占总体的比例，条形图适合比较各部分的大小

arr=[11,22,31,15]  # 整数--显示四个数各占的百分比
plt.pie(arr)

([<matplotlib.patches.Wedge at 0x1178be1d0>,

<matplotlib.patches.Wedge at 0x1178be6a0>,

<matplotlib.patches.Wedge at 0x1178beb70>,

<matplotlib.patches.Wedge at 0x1178c60f0>],

[Text(0.996424,0.465981,''),

Text(-0.195798,1.08243,''),

Text(-0.830021,-0.721848,''),

Text(0.910034,-0.61793,'')])

arr=[0.2,0.3,0.1]  # 小数--表示比例--第一个数占0.2，第二个数占0.3，以此类推...
plt.pie(arr)

([<matplotlib.patches.Wedge at 0x1177d0e80>,

<matplotlib.patches.Wedge at 0x1177da390>,

<matplotlib.patches.Wedge at 0x1177da8d0>],

[Text(0.889919,0.646564,''),

Text(-0.646564,0.889919,''),

Text(-1.04616,-0.339919,'')])

# labels 设置对应的标识
arr=[11,22,31,15]
plt.pie(arr,labels=['a','b','c','d'])

([<matplotlib.patches.Wedge at 0x11794aa90>,

<matplotlib.patches.Wedge at 0x11794af60>,

<matplotlib.patches.Wedge at 0x1179544e0>,

<matplotlib.patches.Wedge at 0x117954a20>],

[Text(0.996424,0.465981,'a'),

Text(-0.195798,1.08243,'b'),

Text(-0.830021,-0.721848,'c'),

Text(0.910034,-0.61793,'d')])

# labeldistance 设置标识到圆心的距离
arr=[11,22,31,15]
plt.pie(arr,labels=['a','b','c','d'],labeldistance=0.3)

([<matplotlib.patches.Wedge at 0x1179e2278>,

<matplotlib.patches.Wedge at 0x1179e2748>,

<matplotlib.patches.Wedge at 0x1179e2c18>,

<matplotlib.patches.Wedge at 0x1179eb198>],

[Text(0.271752,0.127086,'a'),

Text(-0.0533994,0.295209,'b'),

Text(-0.226369,-0.196868,'c'),

Text(0.248191,-0.168526,'d')])

# autopct='%.6f%%'  自动计算出每部分所占的比例，保留六位小数
arr=[11,22,31,15]
plt.pie(arr,labels=['a','b','c','d'],labeldistance=0.3,autopct='%.6f%%')

([<matplotlib.patches.Wedge at 0x117a709e8>,

<matplotlib.patches.Wedge at 0x117a7a128>,

<matplotlib.patches.Wedge at 0x117a7a898>,

<matplotlib.patches.Wedge at 0x117a83048>],

[Text(0.271752,0.127086,'a'),

Text(-0.0533994,0.295209,'b'),

Text(-0.226369,-0.196868,'c'),

Text(0.248191,-0.168526,'d')],

[Text(0.543504,0.254171,'13.924050%'),

Text(-0.106799,0.590419,'27.848101%'),

Text(-0.452739,-0.393735,'39.240506%'),

Text(0.496382,-0.337053,'18.987341%')])

# explode 设置每个部分到圆心的距离
# shadow 设置阴影
arr=[11,22,31,15]
plt.pie(arr,labels=['a','b','c','d'],labeldistance=0.3,shadow=True,explode=[0.2,0.3,0.2,0.4])

([<matplotlib.patches.Wedge at 0x117ab2390>,

<matplotlib.patches.Wedge at 0x117ab2b38>,

<matplotlib.patches.Wedge at 0x117abb390>,

<matplotlib.patches.Wedge at 0x117abbba8>],

[Text(0.45292,0.21181,'a'),

Text(-0.106799,0.590419,'b'),

Text(-0.377282,-0.328113,'c'),

Text(0.579113,-0.393228,'d')])

散点图

• scatter()
• 因变量随自变量而变化的大致趋势

x = np.array([1,3,5,7,9])
y = x ** 2 - 3

plt.scatter(x,y)

<matplotlib.collections.PathCollection at 0x117c1d780>



Type Markdown and LaTeX: 2

Type Markdown and LaTeX: 2

Type Markdown and LaTeX: 2