目录
系列文章目录
第二章：python轻松实现数据可视化的法宝——matplotlib库
一. matplotlib架构介绍
在笔者看来，matplotlib的主要任务之一，就是提供一套表示和操作图形对象（主要对象）以及它的内部对象的函数和工具。而且matplotlib不仅可以处理图形，还提供事件处理工具，具有为图形添加动画效果的能力，故而。matplotlib就能生成以键盘按键或鼠标移动触发的事件的交互性图表。
从逻辑上来讲，matplotlib的整体架构为3层（如下图）。各层之间单向通信，即每一层只能与它的下一层通信，而下层无法与上层通信。
1）Bankend层
如上图所示，matplotlib架构的最下面一层为Bankend层，而matplotlib API即位于该层，这些API是用来在底层实现图形元素的一个个类。
- FingureCanvas对象实现了绘图区域这一概念；
- Renderer对象在FigureCanvas上绘图；
- Event对象处理用户输入（键盘和鼠标事件）；
2）Artist层
中间层为Artist层。图形中所有能看到的元素都属于Artist对象，即标题、轴标签、刻度等组成图形的所有元素都是Artist对象的实例。在这里为大家介绍三个主要的Artist对象，通常所有图形实现的Artist层都不开它们：
- Figure对象在Artist层的最上面，对应整个图形表示，通常可包含多条轴（Axes）；
- Axes对象通常表示图形或图表是对什么内容进行作图的。每次Axes对象只属于一个Figure对象，由两个（三维就有三个）Artist Axis对象组成。题目、x标签和y标签等对象都属于Axes这个composite artist类型的对象；
- Axis对象负责展示在Axes对象上面的数值，定义数值范围，管理刻度（轴上的标记）和刻度值标签（代表每个刻度大小的文本标签）。刻度的位置用Locator对象调整，刻度标签的格式用Formatter对象调整；
3）Scripting层（pyplot）
Artist类和相关函数（matplotlib API）非常适合开发人员，尤其适合Web应用服务器或GUI开发者使用。但是对于计算，尤其是数据分析和可视化，Scripting层最适合，因为该层包含pyplot接口。
二. pyplot模块的应用（附代码）
pyplot模块由一组命令式函数组成，因而matplotlib的使用方法跟MATLAB极其相似，可通过poplot函数操作或改动Figure对象；而且，pyplot还具有 状态性特性，能追踪当前图案和绘图区域的状态。调用函时，函数只对当前图形起作用，下面通过代码生成一个简单的交互性图表辅助大家进行理解：
import matplotlib.pyplot as plt
plt.plot([1,2,3,4])
plt.show()
结果如下所示，生成的绘图窗口上面是工具栏，下面是绘制的图像，跟用MATLAB作图效果相同：
1）plt.plot()方法
如果只是将一个数字或数组传递给plt.plot()函数，matplotlib就会假定传入的是图表的y值，于是将其和一个序列的x值对应起来，x的取值就以此是0,1,2,3······；若是输入两个数组，则一一对应进行描点输出；
plt.plot()方法的默认设置：
- 轴长与输出数据范围一致；
- 无标题金额轴标签；
- 无图例；
- 用蓝色线条连接个数据点；
import matplotlib.pyplot as plt
import numpy as np
xpoints = np.array([1, 2, 6, 8])
ypoints = np.array([3, 8, 1, 10])
ypoints1 = np.array([4, 9, 2, 11])
plt.plot(xpoints, ypoints, xpoints, ypoints1)
plt.show()
结果如下所示，可以看出 plot()可以同时输入输出两组x，y组数且两组组数数值也都一一对应：
绘图过程我们还可以给坐标自定义一些不一样的标记，就可以使用 plot() 方法的 marker 参数来定义，以下实例定义了实心圆标记：
import matplotlib.pyplot as plt
import numpy as np
ypoints = np.array([1,3,4,5,8,9,6,1,3,4,5,2,4])
plt.plot(ypoints, marker = 'o')
plt.show()
结果如下所示：
marker，即 绘图点的标记可以定义的主要符号如下：
既然绘图点可以进行设置，那当然的，绘图线也可以的：
线的类型可以使用 linestyle 参数来定义，简写为 ls：
线的颜色可以使用 color 参数来定义，简写为 c：
代码展现如下所示：
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(1,10)
y = 2*x + 3
plt.plot(x, y, color = 'r', linestyle = 'dotted')#coler 可以简写为 c ，linestyle 可以用简写 ls
plt.show()
2）plt.axis()方法：可以用列表[xmin, xmax, ymin, ymax]定义好x轴和y轴的取值范围，把该列表作为参数传给axis()函数；
3）plt.title()方法：可以给图表增加标题，但默认为英文，我们可以自行下载的字体，通过设置fontproperties进行中文显示，通过fontsize 设置字体大小；
4）plt.xlabel()方法：设置 x 轴的标签，与标题的默认一样；
5）plt.ylabel()方法：设置 y 轴的标签，与标题的默认一样；
代码实现如下：
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(1,10)
y = 2*x + 3
plt.axis([0, 11, 1, 25])
plt.title("title")
plt.xlabel("xlabel")
plt.ylabel("ylabel")
plt.plot(x, y)
plt.show()
6）plt.text()方法：text(x, y, s, fontdict=None, **kwargs)，x，y为文本在图形的位置，s为要添加的字符串（默认为英文，要添加中文需自己导入语言包），fontdict为文本要使用的字体，kwargs为key word关键字，代码展示如下：
import matplotlib.pyplot as plt
import numpy as np
plt.axis([0, 5, 0, 25])
plt.title("title", fontsize=20, fontname = 'Times New Roman')
plt.xlabel("xlabel", color='gray')
plt.ylabel("ylabel", color='gray')
plt.text(1, 1.5,'First')
plt.text(2, 4.5,'Second')
plt.text(3, 9.5,'Third')
plt.text(4, 16.5,'Fourth')
plt.text(1.1, 12, r'$y=x^2$', fontsize=20, bbox={'facecolor':'yellow', 'alpha':0.2})
plt.plot([1,2,3,4], [1,4,9,16], 'ro')
plt.show()
7）plt.grid()方法：grid(b=None, which=’major’, axis=’both’, )， axis可设置显示哪个方向的网格线默认为全取，设’x’ 或 ‘y’，分别表示两个方向，x 轴方向或 y 轴方向。
#在上面代码添加了这一行
plt.grid()
8）plt.legend()方法：legend（loc）可以通过loc来设置参数的文本便签的位置：
#在上面代码基础上再添加了这一行
plt.legend(['First series'], loc= 'best')
#loc= 'best'就是在右上角，也可以设置成数字
9）plt.savefig()方法：可以通过savefig直接将生成的图表保存为本地的图片代码如下：
import matplotlib.pyplot as plt
import numpy as np
plt.axis([0, 5, 0, 25])
plt.title("title", fontsize=20, fontname = 'Times New Roman')
plt.xlabel("xlabel", color='gray')
plt.ylabel("ylabel", color='gray')
plt.text(1, 1.5,'First')
plt.text(2, 4.5,'Second')
plt.text(3, 9.5,'Third')
plt.text(4, 16.5,'Fourth')
plt.text(1.1, 12, r'$y=x^2$', fontsize=20, bbox={'facecolor':'yellow', 'alpha':0.2})
plt.grid()
plt.plot([1,2,3,4], [1,4,9,16], 'ro')
plt.legend(['First series'], loc= 'best')
plt.savefig('pyplot.png')
三. matplotlib 的多种图形表示（附代码）
1）subplot() 方法：subplot(nrows, ncols, index, **kwargs)，如设置 numRows ＝ 2，numCols ＝ 2，就是将图表绘制成 2×2 的图片区域, index就是第几个图，具体代码如下：
import matplotlib.pyplot as plt
import numpy as np
#plot 1:
x = np.array([0, 6])
y = np.array([0, 100])
plt.subplot(2, 2, 1)
plt.plot(x,y)
plt.title("plot 1")
#plot 2:
x = np.array([1, 2, 3, 4])
y = np.array([1, 4, 9, 16])
plt.subplot(2, 2, 2)
plt.plot(x,y)
plt.title("plot 2")
#plot 3:
x = np.array([1, 2, 3, 4])
y = np.array([3, 5, 7, 9])
plt.subplot(2, 2, 3)
plt.plot(x,y)
plt.title("plot 3")
#plot 4:
x = np.array([1, 2, 3, 4])
y = np.array([4, 5, 6, 7])
plt.subplot(2, 2, 4)
plt.plot(x,y)
plt.title("plot 4")
plt.suptitle("RUNOOB subplot Test")
plt.show()
2）plt.subplots()方法：subplots(nrows=1, ncols=1, , sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, fig_kw)与 subplot() 函数*相比主要多了共享的概念：
import matplotlib.pyplot as plt
import numpy as np
创建一些测试数据
x = np.linspace(0, 2*np.pi, 400)
y = np.sin(x**2)
创建一个画像和子图
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('Simple plot')
创建两个子图
f, (ax1, ax2) = plt.subplots(1, 2, sharey=True)
ax1.plot(x, y)
ax1.set_title('Sharing Y axis')
ax2.scatter(x, y)
plt.show()
3）plt.scatter() 方法：scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, , edgecolors=None, plotnonfinite=False, data=None, *kwargs)主要就是x，y为散点所在位置，具体代码如下：
import matplotlib.pyplot as plt
import numpy as np
x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
plt.scatter(x, y, color = 'hotpink')
x = np.array([2,2,8,1,15,8,12,9,7,3,11,4,7,14,12])
y = np.array([100,105,84,105,90,99,90,95,94,100,79,112,91,80,85])
plt.scatter(x, y, color = '#88c999')
x = np.array([1, 4, 9, 16, 7, 11, 23, 18])
y = np.array([1, 4, 9, 16, 7, 11, 23, 18])
sizes = np.array([20,50,100,200,500,1000,60,90])
colors = np.array(["red","green","black","orange","purple","beige","cyan","magenta"])
plt.scatter(x, y, c=colors, s=sizes)
plt.show()
4）plt.colorbar()方法：在旁边显示颜色条，设置颜色条需要使用 cmap 参数，默认值为 ‘viridis’，之后颜色值设置为 0 到 100 的数组，只需添加：
plt.colorbar()
5）pyplot.bar()方法：bar(x, height, width=0.8, bottom=None, , align=’center’, data=None, kwargs)这是一般柱状图的使用方法，而垂直方向的柱形图可以使用 barh()*方法来设置，下面我们使用bar()方法：
import matplotlib.pyplot as plt
import numpy as np
x = np.array(["Runoob-1", "Runoob-2", "Runoob-3", "C-RUNOOB"])
y = np.array([12, 22, 6, 18])
plt.bar(x, y, width = [0.1, 0.2, 0.3, 0.4], color = ["#4CAF50","red","hotpink","#556B2F"])
plt.show()
6）pyplot.pie()方法：pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)[source]，在下面我们用简单的实例实用 pie() 来创建一个柱形图:
import matplotlib.pyplot as plt
import numpy as np
y = np.array([35, 25, 25, 15])
plt.pie(y,
labels=['A','B','C','D'], # 设置饼图标签
colors=["#d5695d", "#5d8ca8", "#65a479", "#a564c9"], # 设置饼图颜色
explode=(0, 0.2, 0, 0), # 第二部分突出显示，值越大，距离中心越远
autopct='%.2f%%', # 格式化输出百分比
)
plt.title("RUNOOB Pie Test")
plt.show()
四. 总结
matplotlib库的图形应用还有多种形式，比如和pandas库联合分析数据的方式等各种实际应用，今天本文将matplotlib库最常用的部分展示给大家，希望对大家有帮助~~
欢迎大家留言一起讨论问题~~~
Original: https://blog.csdn.net/weixin_53919192/article/details/124049125
Author: Hulake_
Title: python轻松实现数据可视化的法宝——matplotlib库
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/765172/
转载文章受原作者版权保护。转载请注明原作者出处！