matplotlib官方文档：https://matplotlib.org/contents.html?v=20190307135750

matplotlib是一个绘图库，它可以创建常用的统计图，包括条形图、箱型图、折线图、散点图、饼图和直方图。

一、条形图bar()



import matplotlib.pyplot as plt

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

# 修改背景为条纹

plt.style.use('ggplot')

classes = ['3班', '4班', '5班', '6班']

classes_index = range(len(classes))

print(list(classes_index))

# [0, 1, 2, 3]

student_amounts = [66, 55, 45, 70]

# 画布设置

fig = plt.figure()

# 1,1,1表示一张画布切割成1行1列共一张图的第1个；2,2,1表示一张画布切割成2行2列共4张图的第一个（左上角）

ax1 = fig.add_subplot(1, 1, 1)

ax1.bar(classes_index, student_amounts, align='center', color='darkblue')

ax1.xaxis.set_ticks_position('bottom')

ax1.yaxis.set_ticks_position('left')

plt.xticks(classes_index,

           classes,

           rotation=0,

           fontsize=13,

           fontproperties=font)

plt.xlabel('班级', fontproperties=font, fontsize=15)

plt.ylabel('学生人数', fontproperties=font, fontsize=15)

plt.title('班级-学生人数', fontproperties=font, fontsize=20)

# 保存图片，bbox_inches='tight'去掉图形四周的空白

# plt.savefig('classes_students.png?x-oss-process=style/watermark', dpi=400, bbox_inches='tight')

plt.show()

二、直方图



import numpy as np

import matplotlib.pyplot as plt

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

# 修改背景为条纹

plt.style.use('ggplot')

mu1, mu2, sigma = 50, 100, 10

# 构造均值为50的符合正态分布的数据

x1 = mu1 + sigma * np.random.randn(10000)

print(x1)

# [59.00855949 43.16272141 48.77109774 ... 57.94645859 54.70312714

#  58.94125528]

# 构造均值为100的符合正态分布的数据

x2 = mu2 + sigma * np.random.randn(10000)

print(x2)

# [115.19915511  82.09208214 110.88092454 ...  95.0872103  104.21549068

#  133.36025251]

fig = plt.figure()

ax1 = fig.add_subplot(121)

# bins=50表示每个变量的值分成50份，即会有50根柱子

ax1.hist(x1, bins=50, color='darkgreen')


ax2 = fig.add_subplot(122)

ax2.hist(x2, bins=50, color='orange')

fig.suptitle('两个正态分布', fontproperties=font, fontweight='bold', fontsize=15)

ax1.set_title('绿色的正态分布', fontproperties=font)

ax2.set_title('橙色的正态分布', fontproperties=font)

plt.show()

三、折线图



import numpy as np

from numpy.random import randn

import matplotlib.pyplot as plt

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

# 修改背景为条纹

plt.style.use('ggplot')

np.random.seed(1)

# 使用numpy的累加和，保证数据取值范围不会在（0，1）内波动

plot_data1 = randn(40).cumsum()

print(plot_data1)

# [ 1.62434536  1.01258895  0.4844172  -0.58855142  0.2768562  -2.02468249

#  -0.27987073 -1.04107763 -0.72203853 -0.97140891  0.49069903 -1.56944168

#  -1.89185888 -2.27591324 -1.1421438  -2.24203506 -2.41446327 -3.29232169

#  -3.25010794 -2.66729273 -3.76791191 -2.6231882  -1.72159748 -1.21910314

#  -0.31824719 -1.00197505 -1.12486527 -2.06063471 -2.32852279 -1.79816732

#  -2.48982807 -2.8865816  -3.5737543  -4.41895994 -5.09020607 -5.10287067

#  -6.22018102 -5.98576532 -4.32596314 -3.58391898]

plot_data2 = randn(40).cumsum()

plot_data3 = randn(40).cumsum()

plot_data4 = randn(40).cumsum()

plt.plot(plot_data1, marker='o', color='red', linestyle='-', label='红实线')

plt.plot(plot_data2, marker='x', color='orange', linestyle='--', label='橙虚线')

plt.plot(plot_data3, marker='*', color='yellow', linestyle='-.', label='黄点线')

plt.plot(plot_data4, marker='s', color='green', linestyle=':', label='绿点图')

# loc='best'给label自动选择最好的位置

plt.legend(loc='best', prop=font)

plt.show()

四、散点图+直线图

import numpy as np

from numpy.random import randn

import matplotlib.pyplot as plt

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

# 修改背景为条纹

plt.style.use('ggplot')

x = np.arange(1, 20, 1)

print(x)

# [ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]

# 拟合一条水平散点线

np.random.seed(1)

y_linear = x + 10 * np.random.randn(19)

# print(y_linear)

# [ 17.24345364  -4.11756414  -2.28171752  -6.72968622  13.65407629

#  -17.01538697  24.44811764   0.38793099  12.19039096   7.50629625

#   25.62107937  -8.60140709   9.77582796  10.15945645  26.33769442

#    5.00108733  15.27571792   9.22141582  19.42213747]

# 拟合一条x²的散点线

y_quad = x**2 + 10 * np.random.randn(19)

print(y_quad)

# [  6.82815214  -7.00619177  20.4472371   25.01590721  30.02494339

#   45.00855949  42.16272141  62.77109774  71.64230566  97.3211192

#  126.30355467 137.08339248 165.03246473 189.128273   216.54794359

#  249.28753869 288.87335401 312.82689651 363.34415698]

# s是散点大小

fig = plt.figure()

ax1 = fig.add_subplot(121)

plt.scatter(x, y_linear, s=30, color='r', label='蓝点')

plt.scatter(x, y_quad, s=100, color='b', label='红点')

ax2 = fig.add_subplot(122)

plt.plot(x, y_linear, color='r')

plt.plot(x, y_quad, color='b')

# 限制x轴和y轴的范围取值

plt.xlim(min(x) - 1, max(x) + 1)

plt.ylim(min(y_quad) - 10, max(y_quad) + 10)

fig.suptitle('散点图+直线图', fontproperties=font, fontsize=20)

ax1.set_title('散点图', fontproperties=font)

ax1.legend(prop=font)

ax2.set_title('直线图', fontproperties=font)

plt.show()

五、饼图

import numpy as np

import matplotlib.pyplot as plt

from pylab import mpl

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

mpl.rcParams['font.sans-serif'] = ['SimHei']

fig, ax = plt.subplots(subplot_kw=dict(aspect="equal"))

recipe = ['优', '良', '轻度污染', '中度污染', '重度污染', '严重污染', '缺']

data = [2, 49, 21, 9, 11, 6, 2]

colors = ['lime', 'yellow', 'darkorange', 'red', 'purple', 'maroon', 'grey']

wedges, texts, texts2 = ax.pie(data,

                               wedgeprops=dict(width=0.5),

                               startangle=40,

                               colors=colors,

                               autopct='%1.0f%%',

                               pctdistance=0.8)

plt.setp(texts2, size=14, weight="bold")

bbox_props = dict(boxstyle="square,pad=0.3", fc="w", ec="k", lw=0.72)

kw = dict(xycoords='data',

          textcoords='data',

          arrowprops=dict(arrowstyle="->"),

          bbox=None,

          zorder=0,

          va="center")

for i, p in enumerate(wedges):

    ang = (p.theta2 - p.theta1) / 2. + p.theta1

    y = np.sin(np.deg2rad(ang))

    x = np.cos(np.deg2rad(ang))

    horizontalalignment = {-1: "right", 1: "left"}[int(np.sign(x))]

    connectionstyle = "angle,angleA=0,angleB={}".format(ang)

    kw["arrowprops"].update({"connectionstyle": connectionstyle})

    ax.annotate(recipe[i],

                xy=(x, y),

                xytext=(1.25 * np.sign(x), 1.3 * y),

                size=16,

                horizontalalignment=horizontalalignment,

                fontproperties=font,

                **kw)

ax.set_title("饼图示例", fontproperties=font)

plt.show()

# plt.savefig('jiaopie2.png?x-oss-process=style/watermark')

六、箱型图

箱型图：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（在数据分析中常用在异常值检测）

包含一组数据的：最大值、最小值、中位数、上四分位数（Q3）、下四分位数（Q1）、异常值

  1. 中位数 → 一组数据平均分成两份，中间的数
  2. 上四分位数Q1 → 是将序列平均分成四份，计算(n+1)/4与(n-1)/4两种，一般使用(n+1)/4
  3. 下四分位数Q3 → 是将序列平均分成四份，计算(1+n)/4*3=6.75
  4. 内限 → T形的盒须就是内限，最大值区间Q3+1.5IQR,最小值区间Q1-1.5IQR （IQR=Q3-Q1）
  5. 外限 → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）
  6. 异常值 → 内限之外 - 中度异常，外限之外 - 极度异常
import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])

plt.figure(figsize=(10, 4))

# 创建图表、数据

f = df.boxplot(

    sym='o',  # 异常点形状，参考marker

    vert=True,  # 是否垂直

    whis=1.5,  # IQR，默认1.5，也可以设置区间比如[5,95]，代表强制上下边缘为数据95%和5%位置

    patch_artist=True,  # 上下四分位框内是否填充，True为填充

    meanline=False,

    showmeans=True,  # 是否有均值线及其形状

    showbox=True,  # 是否显示箱线

    showcaps=True,  # 是否显示边缘线

    showfliers=True,  # 是否显示异常值

    notch=False,  # 中间箱体是否缺口

    return_type='dict'  # 返回类型为字典

)

plt.title('boxplot')

for box in f['boxes']:

    box.set(color='b', linewidth=1)  # 箱体边框颜色

    box.set(facecolor='b', alpha=0.5)  # 箱体内部填充颜色

for whisker in f['whiskers']:

    whisker.set(color='k', linewidth=0.5, linestyle='-')

for cap in f['caps']:

    cap.set(color='gray', linewidth=2)

for median in f['medians']:

    median.set(color='DarkBlue', linewidth=2)

for flier in f['fliers']:

    flier.set(marker='o', color='y', alpha=0.5)

# boxes, 箱线

# medians, 中位值的横线,

# whiskers, 从box到error bar之间的竖线.

# fliers, 异常值

# caps, error bar横线

# means, 均值的横线

plt.show()

七、plot函数参数

  • 线型linestyle（-,-.,--,..）
  • 点型marker（v,^,s,*,H,+,x,D,o,…）
  • 颜色color（b,g,r,y,k,w,…）

八、图像标注参数

  • 设置图像标题：plt.title()
  • 设置x轴名称：plt.xlabel()
  • 设置y轴名称：plt.ylabel()
  • 设置X轴范围：plt.xlim()
  • 设置Y轴范围：plt.ylim()
  • 设置X轴刻度：plt.xticks()
  • 设置Y轴刻度：plt.yticks()
  • 设置曲线图例：plt.legend()

九、Matplolib应用

import pandas as pd

import matplotlib.pyplot as plt

from matplotlib.font_manager import FontProperties

font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')

header_list = ['方程组', '函数', '导数', '微积分', '线性代数', '概率论', '统计学']

py3_df = pd.read_excel('py3.xlsx', header=None,   skiprows=[0, 1], names=header_list)

# 处理带有NaN的行

py3_df = py3_df.dropna(axis=0) #<class 'pandas.core.frame.DataFrame'>

print(py3_df)

# 自定义映射

map_dict = {

    '不会': 0,

    '了解': 1,

    '熟悉': 2,

    '使用过': 3,

}

for header in header_list:

    py3_df[header] = py3_df[header].map(map_dict)

unable_series = (py3_df == 0).sum(axis=0)

know_series = (py3_df == 1).sum(axis=0)

familiar_series = (py3_df == 2).sum(axis=0)

use_series = (py3_df == 3).sum(axis=0)

unable_label = '不会'

know_label = '了解'

familiar_label = '熟悉'

use_label = '使用过'

for i in range(len(header_list)):

    bottom = 0

    # 描绘不会的条形图

    plt.bar(x=header_list[i], height=unable_series[i],  width=0.60, color='r', label=unable_label)

    if unable_series[i] != 0:

        plt.text(header_list[i], bottom, s=unable_series[i],   ha='center', va='bottom', fontsize=15, color='white')

    bottom += unable_series[i]

    # 描绘了解的条形图

    plt.bar(x=header_list[i], height=know_series[i],  width=0.60, color='y', bottom=bottom, label=know_label)

    if know_series[i] != 0:

        plt.text(header_list[i], bottom, s=know_series[i],  ha='center', va='bottom', fontsize=15, color='white')

    bottom += know_series[i]

    # 描绘熟悉的条形图

    plt.bar(x=header_list[i], height=familiar_series[i],    width=0.60, color='g', bottom=bottom, label=familiar_label)

    if familiar_series[i] != 0:

        plt.text(header_list[i], bottom, s=familiar_series[i], ha='center', va='bottom', fontsize=15, color='white')

    bottom += familiar_series[i]

    # 描绘使用过的条形图

    plt.bar(x=header_list[i], height=use_series[i],  width=0.60, color='b', bottom=bottom, label=use_label)

    if use_series[i] != 0:

        plt.text(header_list[i], bottom, s=use_series[i], ha='center', va='bottom', fontsize=15, color='white')

    unable_label = know_label = familiar_label = use_label = ''

plt.xticks(header_list, fontproperties=font)

plt.ylabel('人数', fontproperties=font)

plt.title('Python3期数学摸底可视化', fontproperties=font)

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

plt.show()
    方程组   函数   导数        微积分       线性代数  概率论  统计学

0   使用过  使用过   不会         不会         不会   不会   不会

1   使用过  使用过   了解         不会         不会   不会   不会

2   使用过  使用过   熟悉         不会         不会   不会   不会

3    熟悉   熟悉   熟悉         了解         了解   了解   了解

4   使用过  使用过  使用过        使用过        使用过  使用过  使用过

5   使用过  使用过  使用过         不会         不会   不会   了解

6    熟悉   熟悉   熟悉         熟悉         熟悉   熟悉   不会

7   使用过  使用过  使用过        使用过        使用过  使用过  使用过

8    熟悉   熟悉   熟悉         熟悉         熟悉  使用过  使用过

9    熟悉   熟悉  使用过         不会        使用过  使用过   不会

10  使用过  使用过   熟悉         熟悉         熟悉   熟悉   熟悉

11  使用过  使用过  使用过        使用过        使用过   不会   不会

12  使用过  使用过  使用过        使用过        使用过  使用过  使用过

13  使用过  使用过   了解         不会         不会   不会   不会

14  使用过  使用过  使用过        使用过        使用过   不会   不会

15  使用过  使用过   熟悉         不会         不会   不会   不会

16   熟悉   熟悉  使用过        使用过        使用过   不会   不会

17  使用过  使用过  使用过         了解         不会   不会   不会

18  使用过  使用过  使用过        使用过         熟悉   熟悉   熟悉

19  使用过  使用过  使用过         了解         不会   不会   不会

20  使用过  使用过  使用过        使用过        使用过  使用过  使用过

21  使用过  使用过  使用过        使用过        使用过  使用过  使用过

22  使用过  很了解   熟悉  了解一点，不会运用  了解一点，不会运用   了解   不会

23  使用过  使用过  使用过        使用过         熟悉  使用过   熟悉

24   熟悉   熟悉   熟悉        使用过         不会   不会   不会

25  使用过  使用过  使用过        使用过        使用过  使用过  使用过

26  使用过  使用过  使用过        使用过        使用过   不会   不会

27  使用过  使用过   不会         不会         不会   不会   不会

28  使用过  使用过  使用过        使用过        使用过  使用过   了解

29  使用过  使用过  使用过        使用过        使用过   了解   不会

30  使用过  使用过  使用过        使用过        使用过   不会   不会

31  使用过  使用过  使用过        使用过         不会  使用过  使用过

32   熟悉   熟悉  使用过        使用过        使用过   不会   不会

33  使用过  使用过  使用过        使用过         熟悉  使用过   熟悉

34   熟悉   熟悉   熟悉        使用过        使用过   熟悉   不会

35  使用过  使用过  使用过        使用过        使用过  使用过  使用过

36  使用过  使用过  使用过        使用过        使用过  使用过   了解

37  使用过  使用过  使用过        使用过        使用过   不会   不会

38  使用过  使用过  使用过         不会         不会   不会   不会

39  使用过  使用过   不会         不会         不会   不会   不会

40  使用过  使用过  使用过        使用过        使用过   不会   不会

41  使用过  使用过   熟悉         了解         了解   了解   不会

42  使用过  使用过  使用过         不会         不会   不会   不会

43   熟悉  使用过   了解         了解         不会   不会   不会

23、matplotlib数据可视化、绘图库模块的更多相关文章

  1. matplotlib python高级绘图库 一周总结

    matplotlib python高级绘图库 一周总结 官网 http://matplotlib.org/ 是一个python科学作图库,可以快速的生成很多非常专业的图表. 只要你掌握要领,画图将变得 ...

  2. matplotlib 数据可视化

    图的基本结构 通常,使用 numpy 组织数据, 使用 matplotlib API 进行数据图像绘制. 一幅数据图基本上包括如下结构: Data: 数据区,包括数据点.描绘形状 Axis: 坐标轴, ...

  3. 【Data Visual】一文搞懂matplotlib数据可视化

    一文搞懂matplotlib数据可视化 作者:白宁超 2017年7月19日09:09:07 摘要:数据可视化主要旨在借助于图形化手段,清晰有效地传达与沟通信息.但是,这并不就意味着数据可视化就一定因为 ...

  4. Python - matplotlib 数据可视化

    在许多实际问题中,经常要对给出的数据进行可视化,便于观察. 今天专门针对Python中的数据可视化模块--matplotlib这块内容系统的整理,方便查找使用. 本文来自于对<利用python进 ...

  5. Python第三方库matplotlib（2D绘图库）入门与进阶

    Matplotlib 一 简介: 二 相关文档: 三 入门与进阶案例 1- 简单图形绘制 2- figure的简单使用 3- 设置坐标轴 4- 设置legend图例 5- 添加注解和绘制点以及在图形上 ...

  6. Matplotlib数据可视化（1）：入门介绍

      1 matplot入门指南¶ matplotlib是Python科学计算中使用最多的一个可视化库,功能丰富,提供了非常多的可视化方案,基本能够满足各种场景下的数据可视化需求.但功能丰富从另一方面来 ...

  7. Matplotlib数据可视化从入门到精通（持续更新）

    目录 前言 如何添加标题-title 如何添加文字-text 如何添加注释-annotate 如何设置坐标轴名称-xlabel/ylabel 如何添加图例-legend 如何调整颜色-color 如何 ...

  8. Matplotlib数据可视化（2）：三大容器对象与常用设置

      上一篇博客中说到,matplotlib中所有画图元素(artist)分为两类:基本型和容器型.容器型元素包括三种:figure.axes.axis.一次画图的必经流程就是先创建好figure实例, ...

  9. python Matplotlib数据可视化神器安装与基本应用

    Matplotlib Matplotlib 是一个非常强大的 Python 画图工具; 手中有很多数据, Matplotlib能帮你画出美丽的: 线图; 散点图; 等高线图; 条形图; 柱状图; 3D ...

随机推荐

  1. 【VS开发】vector features(num_images)析构报错

    代码一气呵成,但运行的时候会出现_CrtIsValidHeapPointer的异常,跟进去调了一上午的Bug,终于搞定 跟踪定位到 _CrtIsValidHeapPointer ,注意到 g 8h&q ...

  2. cad.net 定义lisp

    首先是传参型lisp的定义: (addLine (getpoint)) //定义lisp传入参数的例子 //复制到命令栏运行: (addLine (getpoint)) [LispFunction(& ...

  3. Maven 教程（21）— maven-compiler-plugin 插件详解--

    原文地址:https://blog.csdn.net/liupeifeng3514/article/details/80236077 maven是个项目管理工具,如果我们不告诉它我们的代码要使用什么样 ...

  4. 第十六节：Asp.Net Core中Session的使用、扩展、进程外Session

    一. 简介 关于Session的原理可参照Asp.Net版本Session的文章,去查阅. 1. 普通用法 (1).通过Nuget引入[Microsoft.AspNetCore.Http]程序集,Co ...

  5. golang微服务框架go-micro 入门笔记2.4 go-micro service解读

    本章节阐述go-micro 服务发现原理 go-micro架构 下图来自go-micro官方 阅读本文前你可能需要进行如下知识储备 golang分布式微服务框架go-micro 入门笔记1:搭建go- ...

  6. 【题解】子序列个数 [51nod1202] [FZU2129]

    [题解]子序列个数 [51nod1202] [FZU2129] 传送门:子序列个数 \([51nod1202]\) \([FZU2129]\) [题目描述] 对于给出长度为 \(n\) 的一个序列 \ ...

  7. php 逻辑题

    越长大约发现,高中学的数学,都还给了数学老师,一点都没有留住. 最近遇到了一个 逻辑题,然后想了半天,后来做出来了,我就发现了,我可能是一个假的理科生.很简单的样子. 废话不说,看看这道题吧. /** ...

  8. Debian 9 / Debian 10 / Ubuntu 18.04 / Ubuntu 18.10快速开启BBR加速 或 关闭BBR加速

    如果使用的是Debian 9.Debian 10.Ubuntu 18.04.Ubuntu 18.10等内核高于4.9版本的系统,均可以使用此方法开启BBR加速,若你使用了Ubuntu 19.04的系统 ...

  9. oracle grant 授权语句

    --select * from dba_users; 查询数据库中的所有用户 --alter user TEST_SELECT account lock; 锁住用户 --alter user TEST ...

  10. spark任务运行完成后在driver端的处理逻辑

    回顾 上一篇,我们分析了了任务在executor端的运行流程,任务运行结束后,在Executor.launchTask方法最后,通过调用execBackend.statusUpdate方法将任务结果以 ...