前言： 📢📢📢
🏅🏅🏅作者简介：是Dream呀，华为云享专家、CSDN原力计划作者、Python领域优质创作者，专注分享Python领域原创系列文章。
🌻🌻🌻热门专栏：【零基础学Python】
本课程是针对Python入门&进阶打造的一全套课程，在这里，我将会一 一更新Python基础语法、Python爬虫、Web开发、 Django框架、Flask框架以及人工智能相关知识，帮助你成为Python大神，如果你喜欢的话就抓紧收藏订阅起来吧~💘💘💘
🍋🍋🍋如果对学习没有自制力或者没有一起学习交流的动力，欢迎私信我或者文末添加vx，拉你进群，群内有行业大佬帮大家解答疑问，我们一起学习，群内定期还会有抽奖活动和红包相送嗷，快来进入我们吧~
💕 入门须知：这片乐园从不缺乏天才，努力才是你的最终入场券！🚀🚀🚀
💓最后，愿我们都能在看不到的地方闪闪发光，一起加油进步🍺🍺🍺

数据可视化是指通过图表形式展现数据，揭示数据背后的规律。 Matplotlib是可视化数据的最基本库。
导入Matplotlib 一般语句使用如下：

一、初识matplotlib

import matplotlib.pyplot as plt

  

 

  
1
 

使用matplotlib进行做图：

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes',ylabel='Y-Axis',xlabel='X-Axis')
plt.show()

  

 

  
1
  
2
  
3
  
4
  
5
 

二、线形图

线形图简单容易绘制，matplotlib提供plot（）函数绘制一系列点，用线将其连起来。

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

fig = plt.figure()
# add_subplot(221)前面两个参数确定了面板的划分，第三个参数确定表示第几个Axis
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)

ax1.plot(x,y_sin)
ax2.plot(x,y_sin,'go--',linewidth=2,markersize=12)
ax3.plot(x,y_cos,color='red',marker='+',linestyle='dashed')  # 颜色，标记，线形
plt.show()

  

 

  
 
 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
 

plot（）函数用法

格式：plt.plot(x, y, ls=‘-’, lw=2, label=‘xxx’, color=‘g’ )

• x： x轴上的值
• y： y轴上的值
• ls：线条风格 (linestyle)
• lw：线条宽度 (linewidth)
• label：标签文本

注意：对于线条颜色，必须写上color=‘red’，而不是只写color=‘’，不然会报错SyntaxError: positional argument follows keyword argument，意思是参数位置不正确导致的错误，也就是说color=''没有默认的颜色

三、散点图

散点图用于表示多个变量的相关性。Matplotlib提供scatter()函数绘制散点图。
random.rand():这个函数的参数是数组的维度，取值范围是 [0,1)

import matplotlib.pyplot as plt
import numpy as np
N = 50
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='r',s=50,alpha=0.5)
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='g',s=50,alpha=0.5)
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='b',s=50,alpha=0.5)
plt.show()

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
 

scatter()函数用法

matplotlib.pyplot.scatter(x, 
	y, 
	s=20, 
	c='b', 
	marker='o', 
	cmap=None, 
	norm=None, 
	vmin=None, 
	vmax=None, 
	alpha=None, 
	linewidths=None, 
	verts=None, 
	hold=None, 
	**kwargs)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
 

• x，y：表示的是shape大小为(n,)的数组，也就是我们即将绘制散点图的数据点，输入数据。

• s：表示的是大小，是一个标量或者是一个shape大小为(n,)的数组，可选，默认20。

• c：表示的是色彩或颜色序列，可选，默认蓝色’b’。但是c不应该是一个单一的RGB数字，也不应该是一个RGBA的序列，因为不便区分。c可以是一个RGB或RGBA二维行数组。
  

• marker：MarkerStyle，表示的是标记的样式，可选，默认’o’。
  

• cmap：Colormap，标量或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap，可选，默认None。

• norm：Normalize，数据亮度在0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认None。

• vmin，vmax：标量，当norm存在的时候忽略。用来进行亮度数据的归一化，可选，默认None。

• alpha：标量，0-1之间，可选，默认None。

• linewidths：也就是标记点的长度，默认None。

四、饼状图

饼状图是被用于分成若干部分的圆表示部分在整体中所占的比例。Matplotlib中提供pie（）函数来绘制饼状图。

import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon','Tue','Wed','Thu','Fri','Sat','Sun']
data = np.random.rand(7)*100
print(data)
plt.pie(data,labels=labels,autopct='%1.1f%%')  # labels :(每一块)饼图外侧显示的说明文字
plt.axis('equal')  # 该行代码使饼图长宽相等
plt.legend()  # 添加图例
plt.show()

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
 

pie（）函数用法

pie函数的语法和参数含义如下：

pie(x, explode=None, labels=None, colors=None,
  autopct=None, pctdistance=0.6, shadow=False,
  labeldistance=1.1, startangle=None,
  radius=None, counterclock=True, wedgeprops=None,       
  textprops=None, center=(0, 0), frame=False)

  

 

  
1
  
2
  
3
  
4
  
5
 

x：指定绘图的数据。
explode：指定饼图某些部分的突出显示，即呈现爆炸式。
labels：为饼图添加标签说明，类似于图例说明。
colors：指定饼图的填充色。
autopct：自动添加百分比显示，可以采用格式化的方法显示。控制饼图内百分比设置,可以使用format字符串或者format function；‘%1.1f’：指小数点后保留一位有效数值
pctdistance：设置百分比标签与圆心的距离。
shadow：是否添加饼图的阴影效果。
labeldistance：设置各扇形标签（图例）与圆心的距离。
startangle：设置饼图的初始摆放角度。 radius：设置饼图的半径大小。
counterclock：是否让饼图按逆时针顺序呈现。
wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等。
textprops：设置饼图中文本的属性，如字体大小、颜色等。
center：指定饼图的中心点位置，默认为原点。
frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置。

五、直方图

直方图用于显示每个变量出现的频率，与条形图有些类似。但其含义不同，条形图用于比较类别的值，而直方图用于显示变量的分布。Matplotlib提供hist()函数绘制直方图。

import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0,n,n) for n in [3000, 4000, 5000]]
print(data)
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 500, 5000, 3000, 4000, 5000]
plt.hist(data, bins=8, label=labels)
plt.legend()
plt.show()

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
 

hist()函数用法

hist(x,bins=None,range=None,density=None,weights=None,cumulative=False,bottom=None,
histstype='bar',align='mid',orientation='vertical',rwidth=None,log=False,label=None,
stacked=False,normed=None,*,data=None,**kwargs)

  

 

  
1
  
2
  
3
 

x:表示x轴的数据，可以为单个数组或多个数组的序列
bins:表示矩形条的个数，默认为10
range:表示数据的范围,若没有提供range参数,则数据范围为(x.min(),x.max())
cumulative:表示是否计算累积频数或频率
histtype:表示直方图的类型，支持’bar’,‘barstacked’,‘step’,‘stepfilled’四种取值,其中’bar’为默认值,代表传统的直方图；‘barstacked’代表堆积直方图,’'step’代表未填充的线条直方图;'stepfilled’代表填充的线条直方图
align:表示矩形条边界的对齐方式,可设置为’left’,‘mid’,‘right’默认为’mid’,
orientation:表示矩形条的摆放方式,默认为’vertical’,即垂直方向
rwidth:表示矩形条宽度的百分比，默认为0.若histtype的值为’step’或’stepfilled’,则直接忽略rwidth参数的值
stacked:表示是否将多个矩形条以堆积形式摆放

文章来源: xuyipeng.blog.csdn.net，作者：是Dream呀，版权归原作者所有，如需转载，请联系作者。

原文链接：xuyipeng.blog.csdn.net/article/details/126694102