一文学会matplotlib

matplotlib基础

“““
假设一天中每隔两个小时(range(2,26,2))的气温(℃)分别是[15,13,14.5,17,20,25,26,26,27,22,18,15]
用matplotlib用图形画出变化的折线图
"""
from matplotlib import pyplot as plt

"""设置中文"""
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签

"""设置图片大小"""
plt.figure(figsize=(16, 6), dpi=80)

"""准备数据"""
x = range(2, 26, 2)  # x轴，数据是一个可迭代对象
y = [15, 13, 14.5, 17, 20, 25, 26, 26, 27, 22, 18, 15]  # y轴数据也是一个可迭代对象

"""绘图"""
plt.plot(x, y, linestyle='--', linewidth=5, color='red')

"""设置x轴的刻度"""
_xtick_labels = [i / 2 for i in range(4, 49)]
plt.xticks(_xtick_labels[::2])  # 当列表太密集可以设置列表步长调整间距
plt.yticks(range(min(y), max(y) + 1))

"""图形保存"""
# plt.savefig('t1.png')

"""图形标题"""
plt.title('matplotlib基础')

"""图形显示"""
plt.show()

一、figure对象

我这里单拿出一个一个的对象，然后后面在进行总结。在matplotlib中，整个图表为一个figure对象。其实对于每一个弹出的小窗口就是一个Figure对象，那么如何在一个代码中创建多个Figure对象，也就是多个小窗口呢？

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-1, 1, 50)
y1 = x ** 2
y2 = x * 2
# 这个是第一个figure对象,下面的内容都会在第一个figure中显示
plt.figure()
plt.plot(x, y1)
# 这里第二个figure对象
plt.figure(num=3, figsize=(10, 5))
plt.plot(x, y2)
plt.show()

　 

这里需要注意的是：

1. 我们看上面的每个图像的窗口，可以看出figure并没有从1开始然后到2，这是因为我们在创建第二个figure对象的时候，指定了一个num = 3的参数，所以第二个窗口标题上显示的figure3。
2. 对于每一个窗口，我们也可以对他们分别去指定窗口的大小。也就是figsize参数。
3. 若我们想让他们的线有所区别，我们可以用下面语句进行修改

plt.plot(x,y2,color = 'red',linewidth = 3.0,linestyle = '--')

二、figure子图

# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import pandas as pd

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签

data = pd.read_csv("data/four platform.csv")

fig, axes = plt.subplots(nrows=2, ncols=2)
ax0, ax1, ax2, ax3 = axes.flatten()

ax0.plot(data["day"], data["Med-counter"], label="生物医学", color='gray', linestyle=':')
ax0.plot(data["day"], data["Nonmed-counter"], label="非生物医学", color='gray', linestyle='-')
ax0.legend(prop={'size': 7}, loc="upper left")
# ax0.set_xlabel('day')
ax0.set_ylabel('平均Counter值')

ax1.plot(data["day"], data["Med-mendeley"], label="生物医学", color='gray', linestyle=':')
ax1.plot(data["day"], data["Nonmed-mendeley"], label="非生物医学", color='gray', linestyle='-')
ax1.legend(prop={'size': 7}, loc="upper left")
# ax1.set_xlabel('day',fontsize=6)
ax1.set_ylabel('平均Mendeley值')

ax2.plot(data["day"], data["Med-pmc"], label="生物医学", color='gray', linestyle=':')
ax2.plot(data["day"], data["Nonmed-pmc"], label="非生物医学", color='gray', linestyle='-')
ax2.legend(prop={'size': 7}, loc="upper left")
ax2.set_xlabel('论文发表天数')
ax2.set_ylabel('平均PMC值')

ax3.plot(data["day"], data["Med-twitter"], label="生物医学", color='gray', linestyle=':')
ax3.plot(data["day"], data["Nonmed-twitter"], label="非生物医学", color='gray', linestyle='-')
ax3.legend(prop={'size': 7}, loc="upper left")
ax3.set_xlabel('论文发表天数')
ax3.set_ylabel('平均Twitter值')
ax3.set_ylim(0, 8)

plt.show()

　　

三、legend图例

我们很多时候会再一个figures中去添加多条线，那我们如何去区分多条线呢？这里就用到了legend。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-1, 1, 50)
y1 = x ** 2
y2 = x * 2

plt.figure()
# 添加图例
l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')

plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='best')
plt.show()

　

这里需要注意的是：

1. 如果我们没有在legend方法的参数中设置labels，那么就会使用画线的时候，也就是plot方法中的指定的label参数所指定的名称，当然如果都没有的话就会抛出异常；
2. 其实我们plt.plot的时候返回的是一个线的对象，如果我们想在handle中使用这个对象，就必须在返回的名字的后面加一个","号；

legend = plt.legend(handles=[l1, l2], labels=['hu', 'tang'], loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('r')  # 或者0.9...

四、在图片上加一些标注annotation

在图片上加注解有两种方式：

# -*- coding: utf-8 -*-

"""
@Datetime: 2019/4/10
@Author: Zhang Yafei
"""
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y = 2 * x + 1

plt.figure(num=1, figsize=(8, 5))
plt.plot(x, y)

ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')

# 将底下的作为x轴
ax.xaxis.set_ticks_position('bottom')
# 并且data，以y轴的数据为基本
ax.spines['bottom'].set_position(('data', 0))

# 将左边的作为y轴
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))

print("-----方式一-----")
x0 = 1
y0 = 2 * x0 + 1
plt.plot([x0, x0], [0, y0], 'k--', linewidth=2.5)
plt.scatter([x0], [y0], s=50, color='b')
plt.annotate(r'$2x+1 = %s$' % y0, xy=(x0, y0), xycoords='data',
             xytext=(+30, -30), textcoords='offset points', fontsize=16
             , arrowprops=dict(arrowstyle='->',
                               connectionstyle="arc3,rad=.2"))
plt.show()

第一种标注方式

plt.annotate(r'$2x+1 = %s$' % y0, xy=(x0, y0), xycoords='data',
             xytext=(+30, -30), textcoords='offset points', fontsize=16
             , arrowprops=dict(arrowstyle='->',
                               connectionstyle="arc3,rad=.2"))

注意：

1. xy就是需要进行注释的点的横纵坐标；
2. xycoords = 'data'说明的是要注释点的xy的坐标是以横纵坐标轴为基准的；
3. xytext=(+30,-30)和textcoords='data'说明了这里的文字是基于标注的点的x坐标的偏移+30以及标注点y坐标-30位置，就是我们要进行注释文字的位置；
4. fontsize = 16就说明字体的大小；
5. arrowprops = dict()这个是对于这个箭头的描述，arrowstyle='->'这个是箭头的类型，connectionstyle="arc3,rad=.2"这两个是描述我们的箭头的弧度以及角度的。

第二种标注方式

print("-----方式二-----")
plt.text(-3.7, 3, r'$this\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',
             fontdict={'size': 16, 'color': 'r'})

看一下这个图

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3,3,50)
y1 = 0.1*x
y2 = x**2

plt.figure()
#zorder控制绘图顺序
plt.plot(x,y1,linewidth = 10,zorder = 1,label = r'$y_1\ =\ 0.1*x$')
plt.plot(x,y2,linewidth = 10,zorder = 2,label = r'$y_2\ =\ x^{2}$')

plt.ylim(-2,2)

ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')

ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

plt.show()

　　

执行效果

从上面看，我们可以看见我们轴上的坐标被掩盖住了，那么我们怎么去修改他呢？

print(ax.get_xticklabels())
print(ax.get_yticklabels())

for label in ax.get_xticklabels() + ax.get_yticklabels():
    label.set_fontsize(12)
    label.set_bbox(dict(facecolor = 'white',edgecolor='none',alpha = 0.8,zorder = 2))

<a list of 9 Text xticklabel objects>
<a list of 9 Text yticklabel objects>

　　

让坐标轴显示出来

这里需要注意：

1. ax.get_xticklabels()获取得到就是坐标轴上的数字；
2. set_bbox()这个bbox就是那坐标轴上的数字的那一小块区域，从结果我们可以很明显的看出来；
3. facecolor = 'white',edgecolor='none，第一个参数表示的这个box的前面的背景，边上的颜色。

图形种类

一、折线图基础

import random

"""
如果列表a表示10点到12点的每一分钟的气温,如何绘制折线图观察每分钟气温的变化情况?
a= [random.randint(20,35) for i in range(120)]
用matplotlib用图形画出变化的折线图
"""

from matplotlib import pyplot as plt
import matplotlib
from matplotlib import font_manager

#方式一
#windows和linux设置字体
# font = {'family' : 'SimHei'}
# matplotlib.rc('font', **font)

#方式二
my_font = font_manager.FontProperties(fname='font/simsun.ttc')

x = range(120)
y = [random.randint(20,35) for i in range(120)]

plt.figure(figsize=(13,8),dpi=80)

plt.plot(x,y)

#设置x的轴的刻度
_x = list(x)   #只有列表才可以取步长，range不可以取步长
_xtick_labels = ['10点{}分'.format(i) for i in range(60)]
_xtick_labels += ['11点{}分'.format(i) for i in range(60)]
#取步长，数字和字符串一一对应，数据的长度一样
plt.xticks(_x[::3],_xtick_labels[::3], rotation=45,fontproperties=my_font)  #rotation旋转的度数

#添加描述信息
plt.xlabel('时间',fontproperties=my_font)
plt.ylabel('温度 单位(℃)',fontproperties=my_font)
plt.title('10点到12点每分钟的气温变化情况',fontproperties=my_font)

plt.show()

　　

二、交女朋友数量走势图

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
假设大家在30岁的时候,根据自己的实际情况,统计出来了从11岁到30岁每年交的女(男)朋友的数量如列表a,请绘制出该数据的折线图,以便分析自己每年交女(男)朋友的数量走势
a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
要求:
    y轴表示个数
    x轴表示岁数,比如11岁,12岁等
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

#解决中文字体正常显示
my_font = font_manager.FontProperties(fname='font/simsun.ttc')
#准备数据
x = range(11,31)
y = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
#设置图形大小
plt.figure(figsize=(11,6),dpi=80)

#设置x,y轴的刻度
_x = list(x)
_xtick_labels = ['{}岁'.format(i) for i in _x]
plt.xticks(_x,_xtick_labels,rotation=45,fontproperties=my_font)
plt.yticks(range(0,9))

#绘制网格
plt.grid(alpha=0.4)  #alpha透明度

#设置描述信息
plt.xlabel('年龄',fontproperties=my_font)
plt.ylabel('个数',fontproperties=my_font)
plt.title('11-30岁交女朋友数量走势图',fontproperties=my_font)

plt.plot(x,y)

plt.show()

　　

三、交女朋友数量走势图2

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
假设大家在30岁的时候,根据自己的实际情况,统计出来了你和你同桌各自从11岁到30岁每年交的女(男)朋友的数量如列表a和b,请在一个图中绘制出该数据的折线图,以便比较自己和同桌20年间的差异,同时分析每年交女(男)朋友的数量走势
a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
b = [1,0,3,1,2,2,3,3,2,1 ,2,1,1,1,1,1,1,1,1,1]
要求:
    y轴表示个数
    x轴表示岁数,比如11岁,12岁等
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

#解决中文字体正常显示
my_font = font_manager.FontProperties(fname='font/simsun.ttc')
#准备数据
x = range(11,31)
y_1 = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
y_2 = [1,0,3,1,2,2,3,3,2,1 ,2,1,1,1,1,1,1,1,1,1]

#设置图形大小
plt.figure(figsize=(11,6),dpi=80)

#设置x,y轴的刻度
_x = list(x)
_xtick_labels = ['{}岁'.format(i) for i in _x]
plt.xticks(_x,_xtick_labels,rotation=45,fontproperties=my_font)
# plt.yticks(range(0,9))

#绘制网格
plt.grid(alpha=0.4)  #alpha透明度

#设置描述信息
plt.xlabel('年龄',fontproperties=my_font)
plt.ylabel('个数',fontproperties=my_font)
plt.title('11-30岁交女朋友数量走势图',fontproperties=my_font)

plt.plot(x,y_1,label='自己',color='orange',linestyle=':')
plt.plot(x,y_2,label='同桌',color='cyan',linestyle='--')

plt.legend(prop=my_font,loc='upper left')

plt.show()

　　

例：dataframe绘制折线图

import matplotlib.pyplot as plt
import numpy as np
from numpy.random import randn
from pandas import DataFrame

df = DataFrame(randn(10, 5), columns=['A', 'B', 'C', 'D', 'E'], index=np.arange(0, 100, 10))

df.plot()

plt.show()

　

多条折线图

import matplotlib.pyplot as plt
import pandas as pd

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签

f = open(r"期刊整体趋势.csv")
data = pd.read_csv(f)

y = range(0, 11000, 1000)
x = range(0, 180)

plt.plot(data["day"], data["pcbi"], color='gray', linestyle=':')
plt.plot(data["day"], data["pgen"], color='gray', linestyle='-')
plt.plot(data["day"], data["pmed"], color='gray', linestyle='--')
plt.plot(data["day"], data["pntd"], color='gray', linestyle='-.')
plt.plot(data["day"], data["pone"], color='gray', linewidth=5, linestyle='--')
plt.plot(data["day"], data["ppat"], color='gray', linewidth=5, linestyle=':')
plt.plot(data["day"], data["pbio"], color='gray', linewidth=5, linestyle='-')
# plt.plot(data["day"], data["pone"], color='gray', linewidth=5, linestyle='--', marker='2')
# plt.plot(data["day"], data["ppat"], color='gray', linewidth=5, linestyle=':', marker='3')
# plt.plot(data["day"], data["pbio"], color='gray', linewidth=5, linestyle='-', marker='*')

plt.ylim(0, 11000)
plt.legend()
plt.yticks(y)
plt.xlabel("天", fontsize="10")
plt.ylabel("期刊平均访问量", fontsize="11")

plt.show()

　

四、散点图

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律?
a = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
b = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

#设置中文字体
my_font = font_manager.FontProperties(fname='font/simsun.ttc')

#设置图形大小
plt.figure(figsize=(13,6),dpi=80)

#数据准备
x_3 = range(1,32)
x_10 = range(51,82)
y_3 = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
y_10 = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]
#使用scatter绘制散点图和折线图的唯一区别
plt.scatter(x_3,y_3,label='3月份')
plt.scatter(x_10,y_10,label='10月份')
plt.legend(loc='upper left',prop=my_font)
#调整x的刻度
_x = list(x_3) + list(x_10)
_xtick_labels = ['3月{}日'.format(i) for i in x_3]
_xtick_labels += ['10月{}日'.format(i-50) for i in x_10]
plt.xticks(_x[::3],_xtick_labels[::3],fontproperties=my_font,rotation=45)

#添加描述信息
plt.xlabel('时间',fontproperties=my_font)
plt.ylabel('温度',fontproperties=my_font)
plt.title('3月份和10月份温度对比图',fontproperties=my_font)
#显示
plt.show()

　　

五、条形图

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?
a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：最后的骑士","摔跤吧！爸爸","加勒比海盗5：死无对证","金刚：骷髅岛","极限特工：终极回归","生化危机6：终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23] 单位:亿
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname='font/simsun.ttc')
plt.figure(figsize=(15,8),dpi=80)

a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：最后的骑士","摔跤吧！爸爸","加勒比海盗5：死无对证","金刚：骷髅岛","极限特工：终极回归","生化危机6：终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b = [56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]

plt.bar(range(len(a)),b,width=0.3)

plt.xticks(range(len(a)),a,fontproperties=my_font,rotation=90)
plt.savefig('movie.png')
plt.show()

　　

六、横条形图

"""
假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?
a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：最后的骑士","摔跤吧！爸爸","加勒比海盗5：死无对证","金刚：骷髅岛","极限特工：终极回归","生化危机6：终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23] 单位:亿
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname='font/simsun.ttc')
plt.figure(figsize=(15,8),dpi=80)

a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：最后的骑士","摔跤吧！爸爸","加勒比海盗5：死无对证","金刚：骷髅岛","极限特工：终极回归","生化危机6：终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b = [56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]

plt.barh(range(len(a)),b,height=0.3,color='orange')

plt.yticks(range(len(a)),a,fontproperties=my_font)
plt.grid(alpha=0.4)
# plt.savefig('movie.png')
plt.show()

　　

七、绘制多次条形图

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
假设你知道了列表a中电影分别在2017-09-14(b_14), 2017-09-15(b_15), 2017-09-16(b_16)三天的票房,为了展示列表中电影本身的票房以及同其他电影的数据对比情况,应该如何更加直观的呈现该数据?
a = ["猩球崛起3：终极之战","敦刻尔克","蜘蛛侠：英雄归来","战狼2"]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname='font/simsun.ttc')
plt.figure(figsize=(15,8),dpi=80)

a = ["猩球崛起3：终极之战","敦刻尔克","蜘蛛侠：英雄归来","战狼2"]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]

bar_width = 0.2

x_14 = list(range(len(a)))
x_15 = [i+bar_width for i in x_14]
x_16 = [i+bar_width*2 for i in x_14]

plt.bar(range(len(a)),b_14,width=bar_width,label='14日')
plt.bar(x_15,b_15,width=bar_width,label='15日')
plt.bar(x_16,b_16,width=bar_width,label='16日')

plt.legend(prop=my_font)

plt.xticks(x_14,a,fontproperties=my_font)

plt.grid(alpha=0.4)
# plt.savefig('movie.png')
plt.show()

　　

例：dataframe绘制柱状图

import matplotlib.pyplot as plt
import numpy as np
from numpy.random import randn
from pandas import DataFrame

df = DataFrame(abs(randn(10, 5)), columns=['A', 'B', 'C', 'D', 'E'], index=np.arange(0, 100, 10))

df.plot(kind='bar')

plt.show()

　　

八、直方图

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
直方图：分布状态
假设你获取了250部电影的时长(列表a中),希望统计出这些电影时长的分布状态(比如时长为100分钟到120分钟电影的数量,出现的频率)等信息,你应该如何呈现这些数据?
a=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

a=[131, 98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

#计算组数
d = 3
num_bins = (max(a)-min(a))//d
#设置图形大小
plt.figure(figsize=(15,8),dpi=80)
plt.hist(a,num_bins)   #频数分布直方图
# plt.hist(a,num_bins,density=True)   #频率分布直方图

#设置x轴的刻度
plt.xticks(range(min(a),max(a)+d,d))
plt.grid(alpha=0.3)
plt.show()

　　

九、案例

# -*- coding: utf-8 -*-

"""
@Datetime: 2018/11/17
@Author: Zhang Yafei
"""
"""
在美国2004年人口普查发现有124 million的人在离家相对较远的地方工作。根据他们从家到上班地点所需要的时间,通过抽样统计(最后一列)出了下表的数据,这些数据能够绘制成直方图么?
interval = [0,5,10,15,20,25,30,35,40,45,60,90]
width = [5,5,5,5,5,5,5,5,5,15,30,60]
quantity = [836,2737,3723,3926,3596,1438,3273,642,824,613,215,47]
"""
from matplotlib import pyplot as plt
from matplotlib import font_manager

interval = [0,5,10,15,20,25,30,35,40,45,60,90]
width = [5,5,5,5,5,5,5,5,5,15,30,60]
quantity = [836,2737,3723,3926,3596,1438,3273,642,824,613,215,47]

plt.figure(figsize=(13,6),dpi=80)
plt.bar(range(len(quantity)),quantity,width=1)

#设置x轴的刻度
_x = [i-0.5 for i in range(13)]
_xtick_labels = interval + [150]
plt.xticks(_x,_xtick_labels)

plt.show()

　　

十、饼图

饼图（Pie Graph）:又称圆形图，是一个划分为几个扇形的扇形统计图，它能够直观的反映个体与总体的比例关系

例1：芝麻信用失信用户教育水平分布

import matplotlib.pyplot as plt

# font = {
#        'family':'SimHei'
#        }
# mpl.rc('font',**font)

# 设置绘图的主题风格（不妨使用R中的ggplot分隔）
plt.style.use('ggplot')

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

explode = [0, 0.1, 0, 0, 0]  # 用于突出显示大专学历人群
colors = ['#9999ff', '#ff9999', '#7777aa', '#2442aa', '#dd5555']  # 自定义颜色

# 中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 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')

# 控制x轴和y轴的范围
plt.xlim(0, 4)
plt.ylim(0, 4)

# 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
        pctdistance=0.8,  # 设置百分比标签与圆心的距离
        labeldistance=1.15,  # 设置教育水平标签与圆心的距离
        startangle=180,  # 设置饼图的初始角度
        radius=1.5,  # 设置饼图的半径
        counterclock=False,  # 是否逆时针，这里设置为顺时针方向
        wedgeprops={'linewidth': 1.5, 'edgecolor': 'green'},  # 设置饼图内外边界的属性值
        textprops={'fontsize': 12, 'color': 'k'},  # 设置文本标签的属性值
        center=(1.8, 1.8),  # 设置饼图的原点
        frame=1)  # 是否显示饼图的图框，这里设置显示

# 删除x轴和y轴的刻度
plt.xticks(())
plt.yticks(())
# 添加图标题
plt.title('芝麻信用失信用户教育水平分布')
# 保存图形
plt.savefig('芝麻信用失信用户教育水平分布.png')
# 显示图形
plt.show()

　

例2：手机品牌市场占有率

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy
from pandas import read_csv

data = read_csv('E:/python/data_analysis/data/pie.csv')

gb = data.groupby(
    by=['通信品牌'],
    as_index=False
)['号码'].agg({
    '用户数': numpy.size
})
font = {
    'family': 'SimHei'
}
mpl.rc('font', **font)
explode = [0.1, 0, 0]  # 0.1 凸出这部分，
plt.pie(gb['用户数'], labels=gb['通信品牌'], explode=explode, autopct='%.f%%',
        shadow=True, labeldistance=1.1, startangle=90, pctdistance=0.6)
plt.title('手机品牌市场占有率')
plt.savefig('手机品牌市场占有率.png')
plt.show()

# labeldistance，文本的位置离远点有多远，1.1指1.1倍半径的位置
# autopct，圆里面的文本格式，%3.1f%%表示小数有三位，整数有一位的浮点数
# shadow，饼是否有阴影
# startangle，起始角度，0，表示从0开始逆时针转，为第一块。一般选择从90度开始比较好看
# pctdistance，百分比的text离圆心的距离
# patches, l_texts, p_texts，为了得到饼图的返回值，p_texts饼图内部文本的，l_texts饼图外label的文本

　　

例3：各个国家之间的GDP占比图

import matplotlib.pyplot as plt

def draw_pie(labels, quants):
    # make a square figure
    plt.figure(1, figsize=(6, 6))
    # For China, make the piece explode a bit
    expl = [0, 0.1, 0, 0, 0, 0, 0, 0, 0, 0]  # 第二块即China离开圆心0.1
    # Colors used. Recycle if not enough.
    colors = ["blue", "red", "coral", "green", "yellow", "orange"]  # 设置颜色（循环显示）
    # Pie Plot
    # autopct: format of "percent" string;百分数格式
    plt.pie(quants, explode=expl, colors=colors, labels=labels, autopct='%1.1f%%', pctdistance=0.8, shadow=True)
    plt.title('Top 10 GDP Countries', bbox={'facecolor': '0.8', 'pad': 5})
    plt.savefig("pie.jpg")
    plt.show()
    plt.close()

# quants: GDP

# labels: country name

labels = ['USA', 'China', 'India', 'Japan', 'Germany', 'Russia', 'Brazil', 'UK', 'France', 'Italy']

quants = [15094025.0, 11299967.0, 4457784.0, 4440376.0, 3099080.0, 2383402.0, 2293954.0, 2260803.0, 2217900.0,
          1846950.0]

draw_pie(labels, quants)

　　

例4：series画饼图

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

# 简单的饼图
series = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')
# series.plot.pie(figsize=(6, 6))
#
#
##多子图饼图
# df = pd.DataFrame(3 * np.random.rand(4, 2), index=['a', 'b', 'c', 'd'], columns=['x', 'y'])
# df.plot.pie(subplots=True, figsize=(8, 4))

# 有比例详情的饼图
series.plot.pie(labels=['AA', 'BB', 'CC', 'DD'], colors=['r', 'g', 'b', 'c'],
                autopct='%.2f', fontsize=10, figsize=(6, 6))
plt.show()

　　

十一、等高线图

import matplotlib.pyplot as plt
import numpy as np

# 建立等高线的函数
def f(x, y):
    return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)

n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
# 等高线图就是网格图,生成网格
X, Y = np.meshgrid(x, y)

# 向等高线图形上面的一些线条增加颜色
C = plt.contour(X, Y, f(X, Y), 5, color='black', linewidth=0.5)

# 向等高线图形不同位置增加颜色
plt.contourf(X, Y, f(X, Y), 5, alpha=0.75, cmap=plt.cm.hot)

# 增加字体
plt.clabel(C, inline=True, fontsize=10)
# 如果修改上面的代码True 改成False 那么线会直接穿过字体
# plt.clabel(C,inline=False,fontsize=10)

# 去掉x，y轴
plt.xticks(())
plt.yticks(())

plt.show()

　　

十二、热图（heatmap）

# 设置一个图片的数据
a = np.random.random(9).reshape(3, 3)
print(a)

# origin='lower' 换成 origin='upper'
# interpolation='nearest' 显示的是类别，什么方式进行显示
# http://matplotlib.org/examples/images_contours_and_fields/interpolation_methods.html
plt.imshow(a, interpolation='nearest', cmap='bone', origin='lower')
# 在旁边增加一个说明 shrink=0.9 显示的比例是多少 也就是压缩
# plt.colorbar()
plt.colorbar(shrink=1.2)

# 去掉x，y轴
plt.xticks(())
plt.yticks(())

plt.show()

　　

# -*- coding: utf-8 -*-

"""
Datetime: 2019/6/4
Author: Zhang Yafei
Description:
"""
import pandas as pd
import seaborn as sb
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签

df = pd.read_excel('result_analysis/groupby_mean.xlsx', encoding='ISO-8859-1')

names = ['RG_score', 'h_index', 'ctations', 'recommendation', 'reads', 'research_items', 'questions', 'answers', 'following', 'followers']

plt.figure(figsize=(20, 8), dpi=120)

def plot_heatmap(args):
    name, num = args
    plt.subplot(2, 5, num)
    pivot_df = pd.pivot_table(df, index=['classification'], columns='country', values=name)
    # sb.heatmap(pivot_df, annot=True)
    sb.heatmap(pivot_df)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.title(name)

list(map(plot_heatmap, zip(names, list(range(1, 11)))))

# 保存图片
plt.savefig('result_analysis/heatmap.png')

# 显示图片
plt.show()

　　

十三、3D图像

# 因为是3D图像我们需要额外的导入一个库
from mpl_toolkits.mplot3d import Axes3D

# 建立窗口
fig = plt.figure()
# 在3D上面加上轴
ax = Axes3D(fig)
# x，y数据
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X ** 2 + Y ** 2)
# 形成高度值
Z = np.sin(R)
# rstride=1  cstride=1  跨度（行列跨）
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))
# 等高线图offset=-2 表示比0点的位置低两个点
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap='rainbow')
ax.set_zlim(-2, 2)

plt.show()

　　

十四、词云图

# -*- coding: utf-8 -*-

"""
Datetime: 2019/6/29
Author: Zhang Yafei
Description:
"""
import os
import random

import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
from pylab import mpl
from wordcloud import WordCloud
import pandas as pd

plt.figure(figsize=(13, 6), dpi=500)

# 定义一个函数
def grey_color_func(word, font_size, position, orientation, ranndom_state=None, **kwargs):
    return "hsl(0,0%%,%d%%)" % random.randint(60, 100)

def plot_wordcloud(cols, rows, num, title, frequence_dict, mask_image='mask1.jpg'):
    plt.subplot(rows, cols, num)

    # 背景图
    root = os.path.dirname(__file__)
    mask = np.array(Image.open(os.path.join(root, mask_image)))

    # 设置字体
    font = os.path.join(root, 'simsun.ttc')
    wordcloud = WordCloud(font_path=font, mask=mask, background_color='white').generate_from_frequencies(frequencies=frequence_dict)

    # 设置默认字体
    mpl.rcParams['font.sans-serif'] = ['SimHei']

    # 标题
    plt.title(title)

    # 显示我们生成图片
    plt.imshow(wordcloud)

    plt.tight_layout()
    # 去掉x,y轴的标签
    plt.axis("off")

def plot_wordcloud1(title, frequence_dict, mask_image='mask1.jpg'):
    # 背景图
    root = os.path.dirname(__file__)
    mask = np.array(Image.open(os.path.join(root, mask_image)))

    # 设置字体
    font = os.path.join(root, 'simsun.ttc')
    wordcloud = WordCloud(font_path=font, mask=mask, background_color='white').generate_from_frequencies(frequencies=frequence_dict)

    # 设置默认字体
    mpl.rcParams['font.sans-serif'] = ['SimHei']

    # 标题
    plt.title(title)

    # 显示我们生成图片
    plt.imshow(wordcloud)

    # 去掉x,y轴的标签
    plt.axis("off")

    # plt.savefig(os.path.join('res', f'{title}.png'))
    plt.show()

if __name__ == '__main__':
    df_0 = pd.read_excel('算法特征分析.xlsx', index_col=0)
    df_1 = pd.read_excel('算法特征分析.xlsx', sheet_name=1, index_col=0)
    df_2 = pd.read_excel('算法特征分析.xlsx', sheet_name=2, index_col=0)
    df_3 = pd.read_excel('算法特征分析.xlsx', sheet_name=3, index_col=0)
    df_4 = pd.read_excel('算法特征分析.xlsx', sheet_name=4, index_col=0)
    df_5 = pd.read_excel('算法特征分析.xlsx', sheet_name=5, index_col=0)
    df_6 = pd.read_excel('算法特征分析.xlsx', sheet_name=6, index_col=0)

    df_0_frequences = df_0['论文数'].to_dict()
    df_1_frequences = df_1['论文数'].to_dict()
    df_2_frequences = df_2['论文数'].to_dict()
    df_3_frequences = df_3['论文数'].to_dict()
    df_4_frequences = df_4['论文数'].to_dict()
    df_5_frequences = df_5['论文数'].to_dict()
    df_6_frequences = df_6['论文数'].to_dict()

    # plot_wordcloud(rows=1, cols=3, num=1, title='分类算法', frequence_dict=df_0_frequences)
    # plot_wordcloud(rows=1, cols=3, num=2, title='统计算法', frequence_dict=df_1_frequences)
    # plot_wordcloud(rows=1, cols=3, num=3, title='人工神经网络', frequence_dict=df_2_frequences)
    #
    # # 图片保存
    # plt.savefig('算法影响力4.png')
    # 图片可视化
    # plt.show()

    # plot_wordcloud(rows=1, cols=4, num=1, title='回归算法', frequence_dict=df_3_frequences)
    # plot_wordcloud(rows=1, cols=4, num=2, title='聚类算法', frequence_dict=df_4_frequences)
    # plot_wordcloud(rows=1, cols=4, num=3, title='降维网络', frequence_dict=df_5_frequences)
    # plot_wordcloud(rows=1, cols=4, num=4, title='遗传算法', frequence_dict=df_6_frequences)

    # 图片保存
    # plt.savefig('res/算法影响力3.png')
    # 图片可视化
    # plt.show()

    plot_wordcloud1(title='分类算法', frequence_dict=df_0_frequences)
    # plot_wordcloud1(title='统计算法', frequence_dict=df_1_frequences)
    # plot_wordcloud1(title='人工神经网络', frequence_dict=df_2_frequences)
    # plot_wordcloud1(title='回归算法', frequence_dict=df_3_frequences)
    # plot_wordcloud1(title='聚类算法', frequence_dict=df_4_frequences)
    # plot_wordcloud1(title='降维网络', frequence_dict=df_5_frequences)
    # plot_wordcloud1(title='遗传算法', frequence_dict=df_6_frequences)