文章目录
(一) 自定义绘制图形的风格
1.1 风格代码介绍
plt.plot(x,y_a,label="本人",color="#DB7093",linestyle=':',linewidth=5,alpha=0.4)
plt.plot(x,y_b,label="朋友",color="cyan",linestyle='--')
plt.legend(prop=my_font,loc="best")
颜色字符 color | 风格字符 linestyle |
---|---|
r 红色 | - 实线 |
g绿色 | - - 虚线、破折线 |
b蓝色 | -. 点划线 |
w白色 | :点虚线 |
’ ’ 留空或空格,无线条 | |
c青色 | |
m 洋红 | |
y黄色 | |
k黑色 | |
#DB7093 十六进制表示的颜色 | |
0.8 灰度值字符串 |
-
color="#DB7093" :
表示线条颜
-
linestyle=’:’ :
表示线条的风格
-
linewidth=5 :
表示线条的宽度
-
alpha=0.4 :
表示透明度
-
label=“本人”:
表示图例标签的内容
-
legend():
显示中文用prop=my_font,其他地方都用fontproperties=my_font
-
loc=“best” :
定义图例的位置,有upper right、upper left、lower left、lower right #补充 : right、center left、center right、lower center、upper center、center
1.2 实例
#添加水印
plt.text(x=11,y=1,s="源仔",fontsize=50,color="gray",alpha=0.3,fontproperties=my_font)
#添加网格
plt.grid(alpha=0.4)
- x=11:
水印开头左下角对应的x点
- y=1:
水印开头坐下早对应的y点
- fontsize=50:
水印的大小
- s=“源仔”:
水印文本内容
- plt.grid():
添加网格
# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/simsun.ttc")
# 写入数据
y_a = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
y_b = [1,0,3,1,2,2,3,3,2,1 ,2,1,1,1,1,1,1,1,1,1]
x = range(11,31)
# 设置图形大小
plt.figure(figsize=(20,8),dpi=80)
plt.plot(x,y_a,label="本人",color="#DB7093",linestyle=':',linewidth=5,alpha=0.4)
plt.plot(x,y_b,label="朋友",color="cyan",linestyle='--')
# 设置x轴刻度
_xtick_labels = ["{}岁".format(i) for i in x]
plt.xticks(x,_xtick_labels,fontproperties=my_font)
plt.yticks(range(0,9))
# 绘制网格
plt.grid(alpha=0.4)
# 加入水印
plt.text(x=11,y=1,s="源仔",fontsize=50,color="gray",alpha=0.3,fontproperties=my_font)
# 添加图例
plt.legend(prop=my_font,loc="best")
plt.xlabel("年龄",fontProperties = my_font)
plt.ylabel("女友个数",fontProperties = my_font)
plt.title("每年女友个数统计",fontProperties = my_font)
plt.savefig("./同桌对比女友个数统计.png")
plt.show()
(二)散点图
2.1 散点图定义
散点图:用两组数据构成多个坐标点,考察坐标点的分布,判断两变量 之间是否存在某种关联或总结坐标点的分布模式。
特点:判断变量之间是否存在数量关联趋势,展示离群点(分布规律)
2.2 散点图和折线图的区别
使用scatter方法绘制散点图,和之前绘制折线图的唯一区别
散点图与折线图的唯一区别:
折线图:plt.plot()
散点图:plt.scatter()
2.3 实例
# coding=utf-8
from matplotlib import pyplot as plt
import matplotlib
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/simsun.ttc")
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]
x_3 = range(1,32)
x_10 = range(51,82)
# 设置图形大小
plt.figure(figsize=(20,8),dpi=80)
# 使用scatter方法绘制散点图,和之前绘制折线图的唯一区别
plt.scatter(x_3,y_3,label="3月份")
plt.scatter(x_10,y_10,label="10月份")
# 调整x轴刻度
_x = list(x_3) + list(x_10)
_xtick_labels = ["3月{}".format(i) for i in x_3]
_xtick_labels += ["10月{}".format(i-50) for i in x_10]
plt.xticks(_x[::3],_xtick_labels[::3],fontProperties = my_font,rotation=45)
# 添加图例
plt.legend(loc="upper left",prop = my_font)
# 添加描述信息
plt.xlabel("时间",fontProperties = my_font)
plt.ylabel("温度",fontProperties = my_font)
plt.title("标题",fontProperties = my_font)
# 保存图片
plt.savefig("./散点图1.png")
# 展示
plt.show()
(三)条形图
3.1 条形图定义
条形图:排列在工作表的列或行中的数据可以绘制到条形图中。
特点:绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计)
3.2 绘制条形图的常见错误
条形图:plt.bar()
源码
横向条形图:plt.barh()
源码
常见程序错误:
因为横向条形图:plt.barh()
的第三项用height表示线条的粗细,而不是width表示线条的粗细。
3.3 绘制条形图实列
#绘制横着的条形图
from matplotlib import pyplot as plt
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/simsun.ttc")
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]
#设置图形大小
plt.figure(figsize=(20,8),dpi=80)
#绘制条形图
plt.barh(range(len(a)),b,height=0.3,color="#DB7093")# 因为现在是横着的图,所以用heigh来表示线条的粗细,这里可以Ctr+B查看barh源码
#设置字符串到x轴
plt.yticks(range(len(a)),a,fontproperties=my_font)
# 添加网格
plt.grid(alpha=0.3)
plt.savefig("./绘制横向条形图.png")
plt.show()
3.4 条形图(多种数据对比)
3.4.1 注意事项:
对每一个数据单独画条形图,然后每个条形图与上一个条形图之间向前增加width=bar_width
个单位长度,三个条形图就能叠加在一起。
3.4.2 实例
# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="C:/windows/Fonts/simsun.ttc")
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 = [5746,312,4497,20000]
b_15 = [12357,156,2045,21568]
b_14 = [15358,399,2358,23362]
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]
#设置图形大小
plt.figure(figsize=(20,8),dpi=80)
plt.bar(x_14,b_14,width=bar_width,label="9月14日")
plt.bar(x_15,b_15,width=bar_width,label="9月15日")
plt.bar(x_16,b_16,width=bar_width,label="9月16日")
#设置图例
plt.legend(prop=my_font)
#设置x轴的刻度
plt.xticks(x_15,a,fontproperties=my_font)
plt.savefig("./条形图多数据对比.png")
plt.show()
(四) 直方图
4.1 直方图定义
直方图:由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据范围,纵轴表示分布情况。
特点:绘制连续性的数据,展示一组或者多组数据的分布状况(统计)
4.2 组距和组数的定义
把数据分为多少组进行统计???组数要适当,太少会有较大的统计误差,大多规律不明显:
- 组数(num_bins):
将数据分组
- 组距(bin_width):
指每个小组的两个端点的距离
4.3 代码分析
注意:
- 但现在如果输入
normed=True
则会报错
- 因为版本已经改为了
density=True
,表示绘制频率直方图了
4.4 实例
4.4.1 绘制直方图
题目:
- 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?
# coding=utf-8
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 #组距
num_bins = (max(a)-min(a))//d # 组数
print(max(a),min(a),max(a)-min(a))
print(num_bins)
#设置图形的大小
plt.figure(figsize=(20,8),dpi=80)
plt.hist(a,num_bins,density=True)
#设置x轴的刻度
plt.xticks(range(min(a),max(a)+d,d))
plt.grid()
plt.show()
4.4.2 进一步的问题
问题:
哪些数据能够绘制直方图
前面的问题中给出的数据都是统计之后的数据,所以为了达到直方图的效果,需要绘制条形图
所以:一般来说能够使用plt.hist方法的的是那些没有统计过的数据
如: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?答:不能。要用条形图绘制。
用条形图绘制出直方图,如下所示:
# coding=utf-8
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]
print(len(interval),len(width),len(quantity))
#设置图形大小
plt.figure(figsize=(20,8),dpi=80)
plt.bar(range(12),quantity,width=1)
# 查看源码默认宽度0.8,如果是默认值则会有间隔,达不到想要直方图那种联系的样子。
#设置x轴的刻度
_x = [i-0.5 for i in range(13)]
_xtick_labels = interval+[150]
#得_xtick_labels = [0,5,10,15,20,25,30,35,40,45,60,90,150]
plt.xticks(_x,_xtick_labels)
plt.grid(alpha=0.4)
plt.show()
(五) matplotlib常见问题总结
5.1 matplotlib图形分类
-
- 应该选择那种图形来呈现数据
-
- matplotlib.plot(x,y)
折线图
- matplotlib.plot(x,y)
-
- matplotlib.bar(x,y)
条形图
- matplotlib.bar(x,y)
-
- matplotlib.scatter(x,y)
散点图
- matplotlib.scatter(x,y)
-
- matplotlib.hist(data,bins,normed)
直方图
- matplotlib.hist(data,bins,normed)
-
- xticks和yticks的设置
-
- label和titile,grid的设置
-
- 绘图的大小和保存图片
5.2 matplotlib使用的流程总结
- 明确问题
- 选择图形的呈现方式
- 准备数据
- 绘图和图形完善
5.3 其他绘图工具
plotly:可视化工具中的github,相比于matplotlib更加简单,图形更加漂亮,同时兼容matplotlib和pandas