在做完数据分析后,有时候需要将分析结果一目了然地展示出来,此时便离不开Python可视化工具,Matplotlib是Python中的一个2D绘图工具,是另外一个绘图工具seaborn的基础包

先总结下绘制子图的步骤:

1.确定绘制的图形形状(如折线图/条状图/柱状图/饼图/散点图等)

2.填充x/y轴的数据

3.图形细节调整(这里可以做很多调整,如x/y轴文字参数说明,颜色/线粗/柱状粗度,x/y轴文字角度等)

4.显示图像(调用show())

总结下一个区域同时绘制多个子图的步骤

1.确定绘图区域大小

2.确定每个子图在绘图区域的位置

3.绘制每个子图(步骤如上)

4.显示图像(调用show())

绘制折线图

需求:根据一张美国的失业率数据,绘制出1948年12个月中的失业率折线图,其中x轴表示月份,y轴表示失业率

数据如下

       DATE  VALUE
0 1948-01-01 3.4
1 1948-02-01 3.8
2 1948-03-01 4.0
3 1948-04-01 3.9
4 1948-05-01 3.5
5 1948-06-01 3.6
6 1948-07-01 3.6
7 1948-08-01 3.9
8 1948-09-01 3.8
9 1948-10-01 3.7
10 1948-11-01 3.8
11 1948-12-01 4.0

unrate.csv

上代码

#导包
import pandas as pd
import matplotlib.pyplot as plt # 读取本地的csv文件,里面的数据为美国失业率数据,得到的数据为DataFrame类型
unrate = pd.read_csv('unrate.csv') # 使用pd中的pd.to_datetime函数将DATE列的字符串类型数据转换成pd中的标准时间格式
unrate['DATE'] = pd.to_datetime(unrate['DATE']) # 取出前面12条样本数据
first_twelve = unrate[0:12] # 填充数据并绘制折线图,第一个参数为x轴数据,第二个参数为y轴数据
plt.plot(first_twelve['DATE'], first_twelve['VALUE']) # 将x轴下面文字旋转90度
plt.xticks(rotation=90) # 设置x轴的标签
plt.xlabel('Month') # 设置y轴的标签
plt.ylabel('Unemployment Rate') # 设置图标名称
plt.title('Monthly Unemployment Trends, 1948') # 显示图像
plt.show()

图像如图所示:

在一个区域绘制多个子图

有时候,需要将多张图像在一块区域显示,方便对比

上代码:

# 导包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt # 确定总绘图区宽和高分别为都是3x6
fig = plt.figure(figsize=(3, 6)) # 添加第一个子图,并且确定在总绘图区域的位置,add_subpolt(2,1,1),前两个参数参数2,1表示将总绘图区域划分为两行1列(跟矩阵表示很像)
# 第3个参数表示该子图占总区域的第一个位置.注(将总区域分成2行1列后,位置顺序从上到下,从左到右,从1开始递增)
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2) # 绘制子图
ax1.plot(np.random.randint(1,5,5), np.arange(5))
ax2.plot(np.arange(10)*3, np.arange(10)) # 显示图像
plt.show()

图像如图所示

在一张图中同时绘制多条曲线

需求:在同一张图,同时将1948到1952年的失业率展示出来,曲线使用不同的颜色区分

上代码

#绘制5年内的失业率曲线图

#导包
import numpy as np
import pandas as pd
import matplotlib.pypolt as plt # 读取本地数据
unrate=pd.read_csv('UNRATE.csv') # 将字符串时间转换成pd中的时间格式
unrate['DATE']=pd.to_datetime(unrate['DATE']) # 将年份时间转换成月份时间,并新建列存起来,因为需求需要将5年内的当年12个月内的失业率展示出来,此时再用年时间作为x轴下标就不合适了
unrate['MONTH']=unrate['DATE'].dt.month # 设置5个颜色数组,分别表示5条曲线颜色
colors=['red','green','blue','black','yellow'] # 设置总绘图区域大小,需要在调用绘图函数之前调用才有效果
plt.figure(figsize=(10,6)) #遍历5次
for i in range(5): #取出当年12个月的数据
data12=unrate[12*i:12*(i+1)] #x轴数据
data_x=data12['MONTH'] #y轴数据
data_y=data12['VALUE'] #当年的曲线的标签
label=str(1948+i) # 绘制当年的曲线图
plt.plot(data_x,data_y,c=colors[i],label=label) # 设置x轴标签
plt.xlabel('MONTH') # 设置y轴标签
plt.ylabel('unrate') # 设置图标名称
plt.title('US-unrae,1948-1952') # 设置曲线标签说明,loc='best'表示自己选择合适的位置来摆放
plt.legend(loc='best') # 显示图像
plt.show()

得到的图像:

绘制条形图

直方图和条形图的区别:由于分组数据具有连续性,直方图中的各矩形通常是连续排列,而条形图则是分开排列。此外直方图的高度表示各小组内数据个数,而条形图高度表示某项目内的数据个数。

fandango_scores.csv

上代码:

# 导包
import pandas as pd
import matplotlib.pyplot as plt
from numpy import arange # 读取电影评分数据
reviews = pd.read_csv('fandango_scores.csv') # 取出需要展示的列名
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars'] # 取出需要展示的样本数据
norm_reviews = reviews[cols] # 评分数据的列名
num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars'] # 取出第一部电影的评分样本数据
bar_heights = norm_reviews.loc[0, num_cols].values # 条形图的位置
bar_positions = arange(5) + 0.75 tick_positions = range(1,6)
fig, ax = plt.subplots() # 绘制条形图,第一个参数为x轴数据,第二个参数为y轴数据,第三个参数为每个条形的宽度
ax.bar(bar_positions, bar_heights,0.5) # 设置x轴标签的位置
ax.set_xticks(tick_positions) # 设置x轴标签的名字和角度
ax.set_xticklabels(num_cols, rotation=45) # 设置x轴标签
ax.set_xlabel('Rating Source') # y轴标签
ax.set_ylabel('Average Rating') # 标题
ax.set_title('Average User Rating For Avengers: Age of Ultron (2015)')
plt.show()

绘制的图片:

绘制直方图

直方图一般用来统计一定范围内的数据

上代码

import pandas as pd
import matplotlib.pyplot as plt
reviews = pd.read_csv('fandango_scores.csv')
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue']
norm_reviews = reviews[cols] # 对评分进行数量统计
fandango_distribution = norm_reviews['Fandango_Ratingvalue'].value_counts() # 排序索引
fandango_distribution = fandango_distribution.sort_index() imdb_distribution = norm_reviews['IMDB_norm'].value_counts()
imdb_distribution = imdb_distribution.sort_index() fig, ax = plt.subplots() # 绘制直方图
ax.hist(norm_reviews['Fandango_Ratingvalue'],bins=20) plt.show()

绘制所得图像:

绘制散点图

上代码:

# 导包
import pandas as pd
import matplotlib.pyplot as plt
from numpy import arange # 读取电影评分数据
norm_reviews = pd.read_csv('fandango_scores.csv') # 取出需要展示的列名
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars'] # 取出需要展示的样本数据
norm_reviews = reviews[cols] fig, ax = plt.subplots() #绘制散点图
ax.scatter(norm_reviews['Fandango_Ratingvalue'], norm_reviews['RT_user_norm'])
ax.set_xlabel('Fandango')
ax.set_ylabel('Rotten Tomatoes')
plt.show()

绘制所得图片:

绘制盒图

箱形图(英文:Box-plot),又称为盒须图、盒式图、盒状图或箱线图,是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。在各种领域也经常被使用,常见于品质管理。不过作法相对较繁琐。它能显示出一组数据的最大值、最小值、中位数、下四分位数及上四分位数。

上代码:

import pandas as pd
import matplotlib.pyplot as plt
reviews = pd.read_csv('fandango_scores.csv')
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue']
norm_reviews = reviews[cols] num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue']
fig, ax = plt.subplots() #绘制盒图
ax.boxplot(norm_reviews[num_cols].values)
ax.set_xticklabels(num_cols, rotation=90)
ax.set_ylim(0,5)
plt.show()

绘制所得图片:

Python可视化库-Matplotlib使用总结的更多相关文章

  1. Python可视化库Matplotlib的使用

    一.导入数据 import pandas as pd unrate = pd.read_csv('unrate.csv') unrate['DATE'] = pd.to_datetime(unrate ...

  2. python可视化库 Matplotlib 01 figure的详细用法

    1.上一章绘制一幅最简单的图像,这一章介绍figure的详细用法,figure用于生成图像窗口的方法,并可以设置一些参数 2.先看此次生成的图像: 3.代码(代码中有详细的注释) # -*- enco ...

  3. python可视化库 Matplotlib 00 画制简单图像

    1.下载方式:直接下载Andaconda,简单快捷,减少准备环境的时间 2.图像 3.代码:可直接运行(有详细注释) # -*- encoding:utf-8 -*- # Copyright (c) ...

  4. Pycon 2017: Python可视化库大全

    本文首发于微信公众号“Python数据之道” 前言 本文主要摘录自 pycon 2017大会的一个演讲,同时结合自己的一些理解. pycon 2017的相关演讲主题是“The Python Visua ...

  5. Python可视化库

    转自小小蒲公英原文用Python可视化库 现如今大数据已人尽皆知,但在这个信息大爆炸的时代里,空有海量数据是无实际使用价值,更不要说帮助管理者进行业务决策.那么数据有什么价值呢?用什么样的手段才能把数 ...

  6. Python数据可视化库-Matplotlib(一)

    今天我们来学习一下python的数据可视化库,Matplotlib,是一个Python的2D绘图库 通过这个库,开发者可以仅需要几行代码,便可以生成绘图,直方图,功率图,条形图,错误图,散点图等等 废 ...

  7. python的数据可视化库 matplotlib 和 pyecharts

    Matplotlib大家都很熟悉    不谈. ---------------------------------------------------------------------------- ...

  8. 高效使用 Python 可视化工具 Matplotlib

    Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表.本文主要介绍了在学习Matplotlib时面临的一些挑战,为什么要使用Matplo ...

  9. Python 可视化工具 Matplotlib

    英文出处:Chris Moffitt. Matplotlib是Python中最常用的可视化工具之一,可以非常方便地创建海量类型的2D图表和一些基本的3D图表.本文主要介绍了在学习Matplotlib时 ...

随机推荐

  1. Visual Studio Code 调整字体大小

    { "editor.fontSize": 14, "window.zoomLevel": 1, } // 将设置放入此文件中以覆盖默认设置 { , , #代码字 ...

  2. file_put_contents写入文字换行

    file_put_contents写入文字换行 注意要使用双引号 "\r\n"

  3. C/C++语言简介之优缺点

    一.优点1.简洁紧凑.灵活方便 C语言一共只有32个关键字,9种控制语句,程序书写形式自由,区分大小写.把高级语言的基本结构和语句与低级语言的实用性结合起来.C 语言可以像汇编语言一样对位.字节和地址 ...

  4. Redis基础及入门

    一. 什么是 Redis            Redis 是一个可基于内存,有着完备的持久化机制并以 Key-Value 形式存储的非关系型数据库.也称为数据结构服务器.    二. Redis 的 ...

  5. java基础--面对对象

    面对对象--概述 什么是对象? +---->对象可以泛指一切现实中存着的事物 +---->类是对象的抽象集合 什么是面对对象? +--->万物皆对象,面对对象实际就是人与万物接触== ...

  6. MongoDB基础介绍安装与使用

    MongoDB已经日益成为流程和主流的数据库了,原因有两个:第一个就是技术优势,第二就是便利性,个人使用部署都很方便. MongoDB的优缺点,以及使用场景 优点: 面向文档存储(自由读高,不需要定义 ...

  7. mysql 导出每张表中的100条数据..............

    windows下配好MYSQL 环境变量,cmd 然后: mysqldump -uroot -p123 [数据库名]--where "1=1 limit 100" --lock-a ...

  8. redis分布式锁的几种实现方式,以及Redisson的配置和使用

    最近在开发中涉及到了多个客户端的对redis的某个key同时进行增删的问题.这里就会涉及一个问题:锁 先举例在分布式系统中不加锁会出现问题: redis中存放了某个用户的账户余额 ,例如100 (用户 ...

  9. burpsuite + sqlmap 日志导出批量扫描

    http://lcx.cc/?i=4207   在burpsuite中options -->misc-->logging中选择要记录的日志来源: 一般是proxy request: 生成的 ...

  10. Innotop简单介绍

      Innotop介绍 Innotop是一款Perl脚本编写.开源.功能强大的MySQ的监控工具,它通过文本模式(命令行模式)监控,功能强大,配置简单,易于使用等等特性.Innotop这个项目位于ht ...