Python数据可视化大杀器之地阶技法：matplotlib（含详细代码）

Python数据可视化大杀器之地阶技法：matplotlib
🌸个人主页：JoJo的数据分析历险记
📝个人介绍：小编大四统计在读，目前保研到统计学top3高校继续攻读统计研究生
💌如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏
文章目录
Python数据可视化大杀器之地阶技法：matplotlib
🍂1.简单图形绘制
💮2.图片保存
🏵️3.设置图形颜色和样式
🍁4.坐标轴尺度转换
🌺5.子图绘制
🌻6.增加文本注释和图例
🌼6.1 增加文本
🌷6.2 增加图例
🌱7.复杂图形绘制
🌲7.1 极坐标图
🌳7.2 三维图
🌴7.3 绘制气泡图

一张好的图胜过一千个字，可视化也是机器学习的重要部分，它能够传达很多信息，之前我们介绍了如何使用 seaborn绘制图形，观看量还不错：感兴趣的小伙伴可以看一下，
Python数据可视化大杀器之天阶技法：Seaborn（学完可实现90%数据分析绘图）
于是本章介绍python中另一个可视化利器： matplotlib
matplotlib可以使用各种后端图形库（如Tk、wxPython等）输出图形。使用命令行运行python时，图形通常显示在单独的窗口中。在Jupyter笔记本中，我们可以通过运行%matplotlib inline 魔法命令简单地在笔记本中输出图形。下面看具体代码：

# 首先导入相关库
import matplotlib.pyplot as plt
%matplotlib inline

🍂1.简单图形绘制
我们通过一个简单图形的绘制来解释matplotlib是如何工作的，具体如下

plt.plot([1, 2, 4, 9, 5, 3])
plt.show()

​

​

可以看出，我们简单的使用了plot函数绘制了一个折线图，如果给plot函数一个数组，它将使用该数组作为纵轴上的坐标，并且只使用数组中每个数据点的索引作为水平坐标。还可以提供两个数组：一个用于水平轴x，另一个用于垂直轴y

plt.plot([-3, -2, 5, 0], [1, 6, 4, 3])
plt.show()

​

轴会自动匹配数据的范围。我们想给这个图多一点空间，所以让我们调用axis函数来改变每个轴的范围[xmin，xmax，ymin，ymax]。

plt.plot([-3, -2, 5, 0], [1, 6, 4, 3])
plt.axis([-4, 6, 0, 7])
plt.show()

​

​

现在，让我们画一个数学函数。我们使用NumPy的linspace函数创建一个包含500个从-2到2的浮点的数组x，然后创建第二个数组y，计算为x的平方（要了解NumPy，请看我的这篇文章Python数据分析大杀器之Numpy详解）。

import numpy as np
x = np.linspace(-2, 2, 500)#等间隔创建-2到2的500个数据
y = x**2
plt.plot(x, y)
plt.show()

​

上面这个图形有点简易，我们来添加一个标题，以及x和y标签，并绘制网格

plt.plot(x, y)
plt.title("Square function")#绘制标题
plt.xlabel("x")#x标签
plt.ylabel("y = x**2")#y标签
plt.grid(True)#显示网格
plt.show()


​

​

💮2.图片保存
将图形保存到电脑非常简单，使用savefig即可。具体代码如下所示

x = np.linspace(-1.4, 1.4, 30)
plt.plot(x, x**2)
plt.savefig("二次函数图.png")

​

​

这个时候在当前文件夹下会出现二次函数图.png文件

🏵️3.设置图形颜色和样式
默认情况下，matplotlib在连续点之间绘制一条直线。在某些情况下，为了方便对比信息，或者为了让图形更美观，我们需要对图形的颜色和形状进行设置

可以传递第三个参数来更改线条的样式和颜色。例如，“r–”表示“红色虚线”,具体代码如下所示。

x = np.linspace(-1, 1, 30)
plt.plot(x, x, 'r--')
plt.show()

​

​

当我们需要在一张图上绘制多条曲线时候，只需要指定x1，y1，[style1]，x2，y2，[style2],具体如下所示

x = np.linspace(-1, 1, 30)
plt.plot(x, x, 'r--', x, x**2, 'g:', x, x**3, 'b^')
plt.show()

​
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Byb6ENYk-1651573628204)(output_21_0.png)]
​

此外，我们还可以设置透明度和线型宽度

x = np.linspace(-1, 1, 30)
p1,p2,p3 = plt.plot(x, x, 'r--', x, x**2, 'g:', x, x**3, 'b^')
p1.set_linewidth(3)
p3.set_alpha(0.3)
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Tdv8RxZW-1651573628205)(output_23_0.png)]
​

🍁4.坐标轴尺度转换
Matplotlib支持非线性尺度转换，例如对数。

x = np.linspace(0.1, 15, 500)
y = x**3/np.exp(2*x)
plt.figure(1)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)
plt.figure(2)
plt.plot(x, y)
plt.yscale('log')#将y轴尺度变换为log
plt.title('log')
plt.grid(True)
plt.figure(3)
plt.plot(x, y)
plt.yscale('logit')#将y轴尺度变换为logit
plt.title('logit')
plt.grid(True)
plt.figure(4)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthreshy=0.05)#将y轴尺度变换为symlog
plt.title('symlog')
plt.grid(True)
plt.show()

🌺5.子图绘制
matplotlib图形可能包含多个子图。这些子图被组织在一个网格中。要创建子图，只需调用subplot函数，并指定图中的行数和列数，以及要绘制的子图的索引（从1开始，然后从左到右，从上到下）。

x = np.linspace(-1, 1, 30)
plt.subplot(2, 2, 1) #一共有两行两列，
plt.plot(x, x)
plt.subplot(2, 2, 2) 
plt.plot(x, x**2)
plt.subplot(2, 2, 3)  
plt.plot(x, x**3)
plt.subplot(2, 2, 4)  
plt.plot(x, x**4)
plt.show()

​

​

注意： 我们可以使用subplot(221)表示subplot(2,2,1)

如果我们想要将某个图形占据多个网格，我们可以使用下面的代码：

plt.subplot(2, 2, 1) 
plt.plot(x, x)
plt.subplot(2, 2, 2) 
plt.plot(x, x**2)
plt.subplot(2, 1, 2)  
plt.plot(x, x**3)  
plt.show()

​

​

如果需要设置更复杂的子图，可以使用subplot2grid,然后通过索引指定绘制的位置，从0开始索引，通过rowspan和colspan来指定图形站的位置大小我们一起来看下面这个案例

plt.subplot2grid((3,3), (0, 0), rowspan=2, colspan=2)
plt.plot(x, x**2)
plt.subplot2grid((3,3), (0, 2))
plt.plot(x, x**3)
plt.subplot2grid((3,3), (1, 2), rowspan=2)
plt.plot(x, x**4)
plt.subplot2grid((3,3), (2, 0), colspan=2)
plt.plot(x, x**5)
plt.show()

​

​

但是每次我们都需要调用subplot()很繁琐,matplotlib允许使用subplots设置

x = np.linspace(-2, 2, 200)
fig,ax[0:2] = plt.subplots(2, 1, sharex=True)
fig.set_size_inches(10,5)
p1,p2 = ax[0].plot(x, np.sin(3*x**2), "r-", x, np.cos(5*x**2), "b-")
p3 = ax[1].plot(x, np.sin(3*x), "r-")
ax[0].grid(True)

​

🌻6.增加文本注释和图例
🌼6.1 增加文本
增加文本主要有以下两种方法

text
annotate
可以调用text在图中的任何位置添加文本。只需指定水平和垂直坐标以及文本，还可以选择指定一些额外的属性。看下面这个代码

x = np.linspace(-1.5, 1.5, 30)
px = 0.8
py = px**2

plt.plot(x, x**2, "b-", px, py, "ro")

plt.text(0, 1.5, "Square function\n$y = x^2$", fontsize=20, color='blue', horizontalalignment="center")
plt.text(px - 0.08, py, "Beautiful point", ha="right", weight="heavy")
plt.text(px, py, "x = %0.2f\ny = %0.2f"%(px, py), rotation=50, color='gray')

plt.show()

1
​

​

对图形的元素进行注释是很常见的，比如上面的漂亮点。我们可以使用annotate功能使这变得很容易：只需指示兴趣点的位置和文本的位置，以及文本和箭头的可选附加属性。

plt.plot(x, x**2, px, py, "ro")
plt.annotate("Beautiful point", xy=(px, py), xytext=(px-1.3,py+0.5),
                           color="green", weight="heavy", fontsize=14,
                           arrowprops={"facecolor": "lightgreen"})
plt.show()

​

plt.plot(x, x**2, px, py, "ro")
bbox_props = dict(boxstyle="rarrow,pad=0.3", ec="b", lw=2, fc="lightblue")
plt.text(px-0.2, py, "Beautiful point", bbox=bbox_props, ha="right")
bbox_props = dict(boxstyle="round4,pad=1,rounding_size=0.2", ec="black", fc="#EEEEFF", lw=5)
plt.text(0, 1.5, "Square function\n$y = x^2$", fontsize=20, color='black', ha="center", bbox=bbox_props)
plt.show()


​

​

🌷6.2 增加图例
添加图例的最简单方法是在所有行上设置一个标签，然后调用legend函数。

x = np.linspace(-1.4, 1.4, 50)
plt.plot(x, x**2, "r--", label="Square function")
plt.plot(x, x**3, "g-", label="Cube function")
plt.legend(loc="best")#设置图例位置
plt.grid(True)
plt.show()

​

设置图例位置参数如下所示:
best
upper right
upper left
lower left
lower right
right
center left
center right
lower center
upper center
center

🌱7.复杂图形绘制
上面我们介绍了如何建立一个基础图形，以及如何设置坐标轴、标题、坐标轴尺度转换、子图增加图例和注释等
接下来我们介绍一些更复杂的图形的绘制方法

🌲7.1 极坐标图
绘制极坐标图只需要在设置子图时，将projection属性设置为polar。

radius = 1
theta = np.linspace(0, 2*np.pi*radius, 1000)

plt.subplot(111, projection='polar')
plt.plot(theta, np.sin(5*theta), "g-")
plt.plot(theta, 0.5*np.cos(20*theta), "b-")
plt.show()

​

​

🌳7.2 三维图
绘制3D图形需要导入Axes3D，然后创建一个子图，将projection设置为3d。这将返回一个Axes3DSubplot对象，可以使用它调用plot_surface，提供x、y和z坐标，以及可选属性。

from mpl_toolkits.mplot3d import Axes3D
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
figure = plt.figure(1, figsize = (12, 4))
subplot3d = plt.subplot(111, projection='3d')
surface = subplot3d.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=matplotlib.cm.coolwarm, linewidth=0.1)
plt.show()

​

绘制三维数据另一种方法是通过等高线图。

plt.contourf(X, Y, Z, cmap=matplotlib.cm.coolwarm)
plt.colorbar()
plt.show()

​

​

🌴7.3 绘制气泡图
气泡图是在散点图的基础上，加了一个s参数，数量越多，则该散点形状越大。

for color in ['red', 'green', 'blue']:
    x, y, scale= np.random.rand(3, 100)
    scale = 500 * scale ** 5
    plt.scatter(x, y, s=scale,c=color, alpha=0.3,edgecolors='blue')
plt.show()