文章目录
- 垂直条形图
* - 代码
- 运行结果
- 代码分析
- 水平条形图
* - 代码
- 运行结果
- 并列条形图
* - 代码
- 运行结果
- 代码分析
- 条纹填充并列条形图
* - 代码
- 运行结果
- 代码分析
- 叠加条形图
* - 代码
- 运行结果
- 代码分析
- 直方图
* - 绘制频率分布直方图
– - 利用hist()返回值美化直方图
–
垂直条形图
代码
import numpy as np
import matplotlib.pyplot as plt
objects = ('Python', 'C++', 'Java', 'Perl', 'Scala', 'Lisp')
y_pos = np.arange(len(objects))
performance = [10, 8, 6, 4, 2, 1]
plt.bar(y_pos, performance, align='center', alpha=0.5)
plt.xticks(y_pos, objects)
plt.ylabel('用户量')
plt.title('数据分析程序语言使用分布情况')
plt.show()
运行结果
; 代码分析
plt.bar() 函数参数：
- left：X轴的位置序列，一般采用arange()函数产生一个序列，见本例第05行代码。
- height：Y轴的数值序列，也就是条形图的高度，一般就是我们需要显示的数据。见本例第06行代码。本例中所表达的程序设计语言使用情况，仅仅是为了说明一个条形图如何绘制而杜撰的数字，不可较真。
- width：条形图的宽度，取值范围为0～1，默认为0.8（相对缩小）。
- bottom：条形图的起始位置，也是Y轴的起始坐标。默认值为None（即以X轴作为起点），如果为叠状条形图，该值通常为次一级条形图的高度。
- alpha：透明度，其取值范围为0～1。0为全透明，1为不透明。本例取值0.5，读者可根据情况自行调整。
- color或facecolor：条形图填充的颜色。取值可以为rbg#123465等，默认为b。这里的b表示blue（蓝色）。如果是黑色的话，简写为k。
- edgecolor：图形边缘的颜色。
- Linewidth、linewidths或lw：图形边缘线的宽度。
- tick_labe：设置每个刻度处的标签。在本例中，一方面可以在bar参数中设置tick_label=objects。另一方面，也可以单独设置，如本例第09行的plt.xticks(y_pos, objects)。二者功能相同。
- label：标签，当有多个条形图并列时，可以区分不同条形图代表的含义。
水平条形图
将上例第8行改成：
plt.barh(y_pos, performance, align='center', alpha=0.5)
代码
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
objects = ('Python', 'C++', 'Java', 'Perl', 'Scala', 'Lisp')
y_pos = np.arange(len(objects))
performance = [10, 8, 6, 4, 2, 1]
plt.barh(y_pos, performance, align='center', alpha=0.5, color='k', tick_label=objects)
plt.xlabel('用户量')
plt.title('数据分析程序语言使用分布情况')
plt.show()
运行结果
; 并列条形图
代码
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
n_group = 4
means_frank = (90, 55, 40, 65)
means_guido = (85, 62, 54, 20)
fig, ax = plt.subplots()
index = np.arange(n_group)
bar_width = 0.35
opacity = 0.8
rectsl = plt.bar(index,
means_frank,
bar_width,
alpha=opacity,
color='b',
label='张三')
rects2 = plt.bar(index + bar_width,
means_guido,
bar_width,
alpha=opacity,
color='g',
label='李四'
)
plt.xlabel('课程')
plt.ylabel('分数')
plt.title('分数对比图')
plt.xticks(index + bar_width, ('A', 'B', 'C', 'D'))
plt.legend()
plt.show()
运行结果
; 代码分析
在本质上，垂直并列条形图就是在X轴上分别画两组并列的条形图，但二者在X轴的位置上有先后关系。举例来说，代码第20～25行画出了第一个条形图。请注意，实际上代码第20～25行是一行语句，不过是为了注释方便，将不同的参数放置于不同的行罢了。
代码第27～31行画出了第二个条形图。值得注意的是，在细节处理上，它的X轴坐标的向右偏移量正好等于第一个条形图的宽度，通过X轴上的偏移操作index+bar_width，第二个条形图能与第一个条形图在X轴上无缝”肩并肩”。
为了区分两组条形图，我们用label属性（见代码第25行和第31行）来区分不同图形的标签。
我们知道，即使不同的条形图使用了不同颜色加以区分，但有时效果也欠佳。这是因为，在彩色的电子显示设备中，这些多彩图形清晰可分，但当黑白打印时，颜色往往难以区分。
因此，在科技论文写作中，常常使用不同纹理而非不同颜色来区分不同的条形图。这时，就需要使用条形图的hatch（填充）参数了。下面，我们接着改写前面的范例，绘制带有纹理填充的条形图。
条纹填充并列条形图
代码
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
n_group = 4
means_frank = (90, 55, 40, 65)
means_guido = (85, 62, 54, 20)
fig, ax = plt.subplots()
index = np.arange(n_group)
bar_width = 0.35
opacity = 0.8
rectsl = plt.bar(index,
means_frank,
bar_width,
alpha=opacity,
color='w', edgecolor='k',
hatch='......',
label='张三')
rects2 = plt.bar(index + bar_width,
means_guido,
bar_width,
alpha=opacity,
color='w', edgecolor='k',
hatch='\\\\',
label='李四'
)
plt.xlabel('课程')
plt.ylabel('分数')
plt.title('分数对比图')
plt.xticks(index + bar_width, ('A', 'B', 'C', 'D'))
plt.legend()
plt.show()
运行结果
; 代码分析
本例的绘图关键在于，首先要将图形的填充色设置为白色：color=”w”。同时把图形的边界颜色设置为黑色：edgecolor=”k”。最后我们再设置图形的纹理。
参数hatch可用来设置填充的纹理类型，其可取值为/、\、|、-、+、x、o、O、.、*。这些符号表示图形中填充的符号，大多都能”见号知意”。
这里有一个小技巧，即你使用的填充单一符号越多，图形中对应的纹理就越密集，例如，通过第24行的hatch=’…’绘制的图形就比通过hatch=’…’绘制的图形纹理更密集，这个填充符号表示图形里面填充的都是点（.）。同理，第32行的hatch=’\’，就比hatch=’\’纹理密集，这里表示填充的是反斜线。
最后需要说明的是，注意转义字符的干扰。如果我们在第32行的字符串前添加一个字符r，即变为hatch=r’\’，则图8-20中条形图的斜线纹理要密集得多.
叠加条形图
代码
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
n_group = 4
means_frank = (90, 55, 40, 65)
means_guido = (85, 62, 54, 20)
fig, ax = plt.subplots()
index = np.arange(n_group)
bar_width = 0.35
opacity = 0.8
rectsl = plt.bar(index,
means_frank,
bar_width,
alpha=opacity,
color='w', edgecolor='k',
hatch='......',
label='张三')
rects2 = plt.bar(index,
means_guido,
bar_width,
bottom=means_frank,
alpha=opacity,
color='w', edgecolor='k',
hatch='\\\\',
label='李四'
)
plt.xlabel('课程')
plt.ylabel('分数')
plt.title('分数对比图')
plt.xticks(index + bar_width, ('A', 'B', 'C', 'D'))
plt.legend()
plt.show()
运行结果
; 代码分析
在本例中，成功绘图的关键有两点：首先，第一个条形图和第二个条形图的X轴坐标是一样的；其次，第二个条形图的Y轴坐标是站在第一个肩膀上的，第二个条形图是以第一个为底（bottom）的。于是，顺理成章地，如果我们还有第三个条形图需要叠加的话，它的起点是第二个条形图的顶点，以此类推。
直方图
前面我们讨论了条形图的绘制。如前所述，条形图一般用来描述顺序数据，其中的各个长条形之间留有空隙，以区分不同的类别，不同的类别之间没有必然的先后关系，调整彼此的顺序，并不会影响数据的可视化表达。
对比而言，直方图（Histogram）则像一种统计报告图。在外观上，它也由一个个的长条形构成，但直方图在宽度（即X轴）方向将样本的取值范围从小到大划分为若干个间隔（bin），这个间隔越大，表明涵盖的属性值跨度就越大（换句话说，间隔并不必须是等分的）。在高度（即Y轴）方向，直方图可表示特定间隔区间样本出现的次数（即频数），长条形越高，表明此间隔内的样本越多。换句话说，直方图的宽度和高度均有意义，特别是在宽度方向，”尊卑有序”，不可随意调整顺序。
为了构建直方图，第一步是将样本在某个特定属性的取值范围内进行分段，形成一系列间隔，然后计算每个间隔中有多少个样本。下面我们用范例来说明如何绘制频率分布直方图。
绘制频率分布直方图
代码
import numpy as np
import matplotlib.pyplot as plt
mu = 100
sigma = 15
x = mu + sigma * np.random.randn(200)
num_bins = 25
plt.figure(figsize=(9, 6), dpi=100)
n, bins, patches = plt.hist(x, num_bins,
color="w", edgecolor="k",
hatch=r'ooo',
density=1,
label='频率')
y = ((1 / (np.sqrt(2 * np.pi) * sigma)) *
np.exp(-0.5 * (1 / sigma * (bins - mu)) ** 2))
plt.plot(bins, y, '--', label='概率密度函数')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.xlabel('聪明度')
plt.ylabel('概率密度')
plt.title('IQ直方图：$\mu = 100$, $\sigma = 15$')
plt.legend()
plt.show()
运行结果
; 代码分析
代码第06行使用np.random.randn()函数随机生成期望为100，标准差为15的200个数据，num_bins表示划分的组数。本例中的核心函数是hist()，其原型如下所示。
hist(
x, bins=None, range=None, density=None, weights=None,
cumulative=False, bottom=None, histtype='bar', align='mid',
orientation='vertical', rwidth=None, log=False, color=None,
label=None, stacked=False, normed=None, *, data=None,
**kwargs):
参数：
- x：指定要在X轴上绘制直方图所需的数据；在形式上，它可以是一个数组，也可以是数组序列。如果是数组序列，数组的长度不需要相同。
- bins：指定直方图条形的个数。如果此处的值为整数，就会产生bins+1个分割边界，此时该方法就等价于numpy.histogram，默认值为10，即将属性值10等分。如果该值是一个序列，则可构建一个非分等的间隔序列，如取值为[1, 3, 4,6]，表示第一个间隔区间是[1,3)，请注意此时区间范围为左闭右开，即第一个分割区间不包括上界3。类似地，第二个间隔区间是[3,4)。但是最后一个间隔由于没有下一个间隔来”接盘”，所以是完全的闭区间，即[4,6]。
- range：设置直方图数据的显示上、下界，边界之外的数据将被舍弃。默认为None，即不设置边界，包含所有数据。
- density：可选项，是一个布尔值，用于设置是否进行归一化处理。如果为True，返回元组的第一个元素并将把计数标准化为一个概率密度，也就是说，直方图下的面积（或积分）总和为1。
- weights：为每一个数据点设置权重。
- cumulative：表明是否需要计算累计频数或频率。
- bottom：为直方图的每个条形添加基准线，默认为0。
- histtype：指明直方图的类型，可选bar、barstacked、step、stepfilled中的一种，默认为bar，即条形图。
- align：设置条形边界的对齐方式，默认为mid，除此之外还有left和right。
- normed：表明是否将得到的直方图向量归一化，布尔类型，默认为False。
- orientation：指明直方图中条形的呈现方向，要么水平，要么垂直。因此可选值为horizontal、vertical，默认值为垂直方向（horizontal）。
- rwidth：设置直方图各条形宽度的百分比，默认是0。
- log：指明是否需要对绘图数据进行对数（log）变换。
- color：设置直方图的填充色。
- label：设置直方图的标签，可展示图例。
- stacked：指明当有多个数据时，是否需要将直方图呈堆叠摆放，默认设置是水平摆放。
- normed：指明是否将直方图的频数转换成频率（已弃用，被density替代）。下面我们再来看一下hist()函数的返回值，分别如下。
- n：直方图每个间隔内的样本数量，数据形式为数组或数组列表。
- bins：返回直方图中各个条形（分组）的区间范围，数据形式为数组。
- patches：返回直方图中各个间隔的相关信息（如颜色、透明度、高度、角度等），数据形式为列表或列表的列表（即嵌套列表，相当于多维数组）。
利用hist()返回值美化直方图
代码
import matplotlib.pyplot as plt
import numpy as np
x = np.random.normal(0, 1, 5000)
plt.figure(figsize=(14, 7))
plt.style.use('seaborn-whitegrid')
n, bins, patches = plt.hist(x, bins=90, facecolor='#2ab0ff',
edgecolor='#169acf', linewidth=0.5)
n = n.astype('int')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
for i in range(len(patches)):
patches[i].set_facecolor(plt.cm.viridis(n[i] / max(n)))
patches[49].set_fc('red')
patches[49].set_alpha(1)
plt.annotate('这是一个重要条形!', xy=(0.6, 155), xytext=(1.5, 130), fontsize=15,arrowprops={'width': 0.4, 'headwidth': 5, 'color': '#333333'})
plt.title('正态分布', fontsize=12)
plt.xlabel('不同的间隔（bins）', fontsize=10)
plt.ylabel('频度大小', fontsize=10)
plt.show()
运行结果
; 代码分析
在本例中，我们利用NumPy生成了5000个服从正态分布的随机样本点（第03行），然后通过直方图来可视化它们的分布。第06行除了绘制普通的直方图，更重要的是返回了是三个参数。
本例中的关键之处在于，不同的patch参数代表不同间隔（bin）的构造信息，第13～14行为每个patch设置了不同的前置色。第16～17行为特定的patch设置了填充色和透明度。
第19行是一个绘图小技巧，即利用annotate()方法在图形上给数据添加文本注解，以方便我们在合适的位置添加描述信息。
Original: https://blog.csdn.net/weixin_43651049/article/details/122765069
Author: ZhShy23
Title: 【Matplotlib】条形图与直方图
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/765101/
转载文章受原作者版权保护。转载请注明原作者出处！