|
导读：Matplotlib 是 Python 的绘图库。它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案，也可以和图形工具包一起使用。和Pandas、NumPy并成为数据分析三兄弟（我自己想的）。 相比其他图形库Seaborn、pyecharts、plotly、bokeh、pandas_profiling ，虽然这个库丑丑呆呆的，甚至有点难用，但人家毕竟是开山始祖，方法全，能够支持你各类骚操作的需求。可以说是现在Python数据分析中，用的人最多的图形库了。 作者：王大毛 来源：Python大数据分析（ID：pydatas） 
▲某网站对于Python可视化库的排名 完整版运行结果： https://www./home/project/5de9f0a0953ca8002c95d2a9 01 导入1. 导入Matplotlib库简写为plt import matplotlib.pyplot as plt
02 基本图表2. 用plot方法画出x=(0,10)间sin的图像 x = np.linspace(0, 10, 30)
plt.plot(x, np.sin(x));
3. 用点加线的方式画出x=(0,10)间sin的图像 plt.plot(x, np.sin(x), '-o');
4. 用scatter方法画出x=(0,10)间sin的点图像 plt.scatter(x, np.sin(x));
5. 用饼图的面积及颜色展示一组4维数据 rng = np.random.RandomState(0)
x = rng.randn(100)
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000 * rng.rand(100)
plt.scatter(x, y, c=colors, s=sizes, alpha=0.3,
cmap='viridis')
plt.colorbar(); # 展示色阶
6. 绘制一组误差为±0.8的数据的误差条图 x = np.linspace(0, 10, 50)
dy = 0.8
y = np.sin(x) + dy * np.random.randn(50)
plt.errorbar(x, y, yerr=dy, fmt='.k')
7. 绘制一个柱状图 x = [1,2,3,4,5,6,7,8]
y = [3,1,4,5,8,9,7,2]
label=['A','B','C','D','E','F','G','H']
plt.bar(x,y,tick_label = label);
8. 绘制一个水平方向柱状图 plt.barh(x,y,tick_label = label);
9. 绘制1000个随机值的直方图 data = np.random.randn(1000)
plt.hist(data);
10. 设置直方图分30个bins，并设置为频率分布 plt.hist(data, bins=30,histtype='stepfilled', density=True)
plt.show();
11. 在一张图中绘制3组不同的直方图，并设置透明度 x1 = np.random.normal(0, 0.8, 1000)
x2 = np.random.normal(-2, 1, 1000)
x3 = np.random.normal(3, 2, 1000)
kwargs = dict(alpha=0.3, bins=40, density = True)
plt.hist(x1, **kwargs);
plt.hist(x2, **kwargs);
plt.hist(x3, **kwargs);
12. 绘制一张二维直方图 mean = [0, 0]
cov = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 10000).T
plt.hist2d(x, y, bins=30);
13. 绘制一张设置网格大小为30的六角形直方图 plt.hexbin(x, y, gridsize=30);
03 自定义图表元素14. 绘制x=(0,10)间sin的图像，设置线性为虚线 x = np.linspace(0,10,100)
plt.plot(x,np.sin(x),'--');
15. 设置y轴显示范围为(-1.5,1.5) x = np.linspace(0,10,100)
plt.plot(x, np.sin(x))
plt.ylim(-1.5, 1.5);
16. 设置x,y轴标签variable x，value y x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y, label='sin(x)')
plt.xlabel('variable x');
plt.ylabel('value y');
17. 设置图表标题“三角函数” x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y, label='sin(x)')
plt.title('三角函数');
18. 显示网格 x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.grid()
19. 绘制平行于x轴y=0.8的水平参考线 x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.axhline(y=0.8, ls='--', c='r')
20. 绘制垂直于x轴x<4 and x>6的参考区域，以及y轴y<0.2 and y>-0.2的参考区域 x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.axvspan(xmin=4, xmax=6, facecolor='r', alpha=0.3) # 垂直x轴
plt.axhspan(ymin=-0.2, ymax=0.2, facecolor='y', alpha=0.3); # 垂直y轴
21. 添加注释文字sin(x) x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.text(3.2, 0, 'sin(x)', weight='bold', color='r');
22. 用箭头标出第一个峰值 x = np.linspace(0.05, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.annotate('maximum',xy=(np.pi/2, 1),xytext=(np.pi/2+1, 1),
weight='bold',
color='r',
arrowprops=dict(arrowstyle='->', connectionstyle='arc3', color='r'));
04 自定义图例23. 在一张图里绘制sin,cos的图形，并展示图例 x = np.linspace(0, 10, 1000)
fig, ax = plt.subplots()
ax.plot(x, np.sin(x), label='sin')
ax.plot(x, np.cos(x), '--', label='cos')
ax.legend();
24. 调整图例在左上角展示，且不显示边框 ax.legend(loc='upper left', frameon=False);
fig
25. 调整图例在画面下方居中展示，且分成2列 ax.legend(frameon=False, loc='lower center', ncol=2)
fig
26. 绘制sin(x), sin(x+π/2), sin(x+π)的图像，并只显示前2者的图例 y = np.sin(x[:, np.newaxis] + np.pi * np.arange(0, 2, 0.5))
lines = plt.plot(x, y)
# lines 是 plt.Line2D 类型的实例的列表
plt.legend(lines[:2], ['first', 'second']);
# 第二个方法
#plt.plot(x, y[:, 0], label='first')
#plt.plot(x, y[:, 1], label='second')
#plt.plot(x, y[:, 2:])
#plt.legend(framealpha=1, frameon=True);
27. 将图例分不同的区域展示 fig, ax = plt.subplots()
lines = []
styles = ['-', '--', '-.', ':']
x = np.linspace(0, 10, 1000)
for i in range(4):
lines += ax.plot(x, np.sin(x - i * np.pi / 2),styles[i], color='black')
ax.axis('equal')
# 设置第一组标签
ax.legend(lines[:2], ['line A', 'line B'],
loc='upper right', frameon=False)
# 创建第二组标签
from matplotlib.legend import Legend
leg = Legend(ax, lines[2:], ['line C', 'line D'],
loc='lower right', frameon=False)
ax.add_artist(leg);
05 自定义色阶28. 展示色阶 x = np.linspace(0, 10, 1000)
I = np.sin(x) * np.cos(x[:, np.newaxis])
plt.imshow(I)
plt.colorbar();
29. 改变配色为'gray' plt.imshow(I, cmap='gray');
30. 将色阶分成6个离散值显示 plt.imshow(I, cmap=plt.cm.get_cmap('Blues', 6))
plt.colorbar()
plt.clim(-1, 1);
06 多子图31. 在一个1010的画布中，(0.65,0.65)的位置创建一个0.20.2的子图 ax1 = plt.axes()
ax2 = plt.axes([0.65, 0.65, 0.2, 0.2])
32. 在2个子图中，显示sin(x)和cos(x)的图像 fig = plt.figure()
ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4], ylim=(-1.2, 1.2))
ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4], ylim=(-1.2, 1.2))
x = np.linspace(0, 10)
ax1.plot(np.sin(x));
ax2.plot(np.cos(x));
33. 用for创建6个子图，并且在图中标识出对应的子图坐标 for i in range(1, 7):
plt.subplot(2, 3, i)
plt.text(0.5, 0.5, str((2, 3, i)),fontsize=18, ha='center')
# 方法二
# fig = plt.figure()
# fig.subplots_adjust(hspace=0.4, wspace=0.4)
# for i in range(1, 7):
# ax = fig.add_subplot(2, 3, i)
# ax.text(0.5, 0.5, str((2, 3, i)),fontsize=18, ha='center')
34. 设置相同行和列共享x,y轴 fig, ax = plt.subplots(2, 3, sharex='col', sharey='row')
35. 用[]的方式取出每个子图，并添加子图座标文字 for i in range(2):
for j in range(3):
ax[i, j].text(0.5, 0.5, str((i, j)),fontsize=18, ha='center')
fig
36. 组合绘制大小不同的子图，样式如下
grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)
plt.subplot(grid[0, 0])
plt.subplot(grid[0, 1:])
plt.subplot(grid[1, :2])
plt.subplot(grid[1, 2]);
37. 显示一组二维数据的频度分布，并分别在x,y轴上，显示该维度的数据的频度分布 mean = [0, 0]
cov = [[1, 1], [1, 2]]
x, y = np.random.multivariate_normal(mean, cov, 3000).T
# Set up the axes with gridspec
fig = plt.figure(figsize=(6, 6))
grid = plt.GridSpec(4, 4, hspace=0.2, wspace=0.2)
main_ax = fig.add_subplot(grid[:-1, 1:])
y_hist = fig.add_subplot(grid[:-1, 0], xticklabels=[], sharey=main_ax)
x_hist = fig.add_subplot(grid[-1, 1:], yticklabels=[], sharex=main_ax)
# scatter points on the main axes
main_ax.scatter(x, y,s=3,alpha=0.2)
# histogram on the attached axes
x_hist.hist(x, 40, histtype='stepfilled',
orientation='vertical')
x_hist.invert_yaxis()
y_hist.hist(y, 40, histtype='stepfilled',
orientation='horizontal')
y_hist.invert_xaxis()
07 三维图像38. 创建一个三维画布 from mpl_toolkits import mplot3d
fig = plt.figure()
ax = plt.axes(projection='3d')
39. 绘制一个三维螺旋线 ax = plt.axes(projection='3d')
# Data for a three-dimensional line
zline = np.linspace(0, 15, 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline, zline);
40. 绘制一组三维点 ax = plt.axes(projection='3d')
zdata = 15 * np.random.random(100)
xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');
08 宝可梦数据集可视化41. 展示前5个宝可梦的Defense,Attack,HP的堆积条形图 pokemon = df['Name'][:5]
hp = df['HP'][:5]
attack = df['Attack'][:5]
defense = df['Defense'][:5]
ind = [x for x, _ in enumerate(pokemon)]
plt.figure(figsize=(10,10))
plt.bar(ind, defense, width=0.8, label='Defense', color='blue', bottom=attack+hp)
plt.bar(ind, attack, width=0.8, label='Attack', color='gold', bottom=hp)
plt.bar(ind, hp, width=0.8, label='Hp', color='red')
plt.xticks(ind, pokemon)
plt.ylabel('Value')
plt.xlabel('Pokemon')
plt.legend(loc='upper right')
plt.title('5 Pokemon Defense & Attack & Hp')
plt.show()
42. 展示前5个宝可梦的Attack,HP的簇状条形图 N = 5
pokemon_hp = df['HP'][:5]
pokemon_attack = df['Attack'][:5]
ind = np.arange(N)
width = 0.35
plt.bar(ind, pokemon_hp, width, label='HP')
plt.bar(ind + width, pokemon_attack, width,label='Attack')
plt.ylabel('Values')
plt.title('Pokemon Hp & Attack')
plt.xticks(ind + width / 2, (df['Name'][:5]),rotation=45)
plt.legend(loc='best')
plt.show()
43. 展示前5个宝可梦的Defense,Attack,HP的堆积图 x = df['Name'][:4]
y1 = df['HP'][:4]
y2 = df['Attack'][:4]
y3 = df['Defense'][:4]
labels = ['HP ', 'Attack', 'Defense']
fig, ax = plt.subplots()
ax.stackplot(x, y1, y2, y3)
ax.legend(loc='upper left', labels=labels)
plt.xticks(rotation=90)
plt.show()
44. 公用x轴，展示前5个宝可梦的Defense,Attack,HP的折线图 x = df['Name'][:5]
y1 = df['HP'][:5]
y2 = df['Attack'][:5]
y3 = df['Defense'][:5]
# Create two subplots sharing y axis
fig, (ax1, ax2,ax3) = plt.subplots(3, sharey=True)
ax1.plot(x, y1, 'ko-')
ax1.set(title='3 subplots', ylabel='HP')
ax2.plot(x, y2, 'r.-')
ax2.set(xlabel='Pokemon', ylabel='Attack')
ax3.plot(x, y3, ':')
ax3.set(xlabel='Pokemon', ylabel='Defense')
plt.show()
45. 展示前15个宝可梦的Attack,HP的折线图 plt.plot(df['HP'][:15], '-r',label='HP')
plt.plot(df['Attack'][:15], ':g',label='Attack')
plt.legend();
46. 用scatter的x,y,c属性，展示所有宝可梦的Defense,Attack,HP数据 x = df['Attack']
y = df['Defense']
colors = df['HP']
plt.scatter(x, y, c=colors, alpha=0.5)
plt.title('Scatter plot')
plt.xlabel('HP')
plt.ylabel('Attack')
plt.colorbar();
47. 展示所有宝可梦的攻击力的分布直方图，bins=10 x = df['Attack']
num_bins = 10
n, bins, patches = plt.hist(x, num_bins, facecolor='blue', alpha=0.5)
plt.title('Histogram')
plt.xlabel('Attack')
plt.ylabel('Value')
plt.show()
48. 展示所有宝可梦Type 1的饼图 plt.figure(1, figsize=(8,8))
df['Type 1'].value_counts().plot.pie(autopct='%1.1f%%')
plt.legend()
49. 展示所有宝可梦Type 1的柱状图 ax = df['Type 1'].value_counts().plot.bar(figsize = (12,6),fontsize = 14)
ax.set_title('Pokemon Type 1 Count', fontsize = 20)
ax.set_xlabel('Pokemon Type 1', fontsize = 20)
ax.set_ylabel('Value', fontsize = 20)
plt.show()
50. 展示综合评分最高的10只宝可梦的系数间的相关系数矩阵 import seaborn as sns
top_10_pokemon=df.sort_values(by='Total',ascending=False).head(10)
corr=top_10_pokemon.corr()
fig, ax=plt.subplots(figsize=(10, 6))
sns.heatmap(corr,annot=True)
ax.set_ylim(9, 0)
plt.show()
有话要说👇 Q: 你用Matplotlib实现过哪些骚操作？ 欢迎留言与大家分享 猜你想看👇
|
