python数据可视化——Matplotlib

前言

Matplotlib 是一个非常强大的 Python 画图工具

例如：
线图; 散点图; 等高线图; 条形图; 柱状图; 3D 图形, 甚至是图形动画等等.

python数据可视化

• 前言
• Matplotlib安装
• 一、基本用法
  *
• 1.坐标轴
• 2.Legend图例
  –
  • 添加图例
  • 调整位置和名称
• 3.Annotation 标注
  –
  • 移动坐标
  • 添加注释 annotate
  • 添加注释 text
• 二、画图种类
  *
• 1.Scatter 散点图
• 2.Bar 柱状图
  –
  • 添加颜色
  • 添加数据标记
• 3.Contours 等高线图
  –
  • 画等高线
  • 添加颜色
  • 添加高度数字
• 总结

Matplotlib安装

MacOS
打开 Terminal 窗口, 输入以下内容

$ pip3 install matplotlib

$ pip install matplotlib

若出现类似如下warning警告

大致意思就是你需要升级一下第三方库，您使用的是pip版本20.2.1；但是有最新版本21.0.3可用。

解决方法：
解决方法：只要升级一下第三方库就可以了。
在命令行执行如下命令即可。

python3 -m pip install --user --upgrade pip

出现Successfully installed pip-22.0.3，pip更新成功

Windows
1、确保你有安装 Visual Studio;
2、去这个网址: https://pypi.python.org/pypi/matplotlib/
3、找到一个适合你自己 python 版本的 wheel (.whl) 文件. (如下图)

用 CMD 找到这个 .whl 文件目录, 然后 pip 安装. 以 matplotlib-1.4.3-cp35-none-win32.whl文件为例:

$ cd python_work

python_work$ python -m pip3 install matplotlib-1.4.3-cp35-none-win32.whl

如果安装不成功, 还有一种方法可以简便安装所有科学运算模块. 可以搜索一下 Anaconda python

来源——莫烦python：https://mofanpy.com/tutorials/data-manipulation/plt/install/

一、基本用法

matplotlib 的 figure 就是一个 单独的 figure 小窗口, 小窗口里面还可以有更多的小图片.

使用import导入模块 matplotlib.pyplot，并简写成 plt 使用import导入模块 numpy，并简写成 np

import matplotlib.pyplot as plt
import numpy as np

使用 plt.figure定义一个图像窗口， plt.plot用于绘制线条

plt.figure()  //定义一个图像窗口
plt.figure(num=3, figsize=(8, 5),)  //图像编号num=3， figsize大小为（8，5）

plt.plot(x, y2)  //使用plt.plot画(x ,y2)曲线
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')
//使用plt.plot画(x ,y1)曲线，曲线的颜色属性(color)为红色;曲线的宽度(linewidth)为1.0;曲线的类型(linestyle)为虚线

plt.show()  //使用plt.show显示图像

1.坐标轴

import matplotlib.pyplot as plt
import numpy as np

plt.xlim((-1, 2)) //使用plt.xlim设置x坐标轴范围
plt.ylim((-2, 3)) //使用plt.ylim设置y坐标轴范围
plt.xlabel('I am x') //使用plt.xlabel设置x坐标轴名称
plt.ylabel('I am y') // 使用plt.ylabel设置y坐标轴名称
plt.show()

// 使用plt.xticks设置x轴刻度：范围是(-1,2);个数是5.

new_ticks = np.linspace(-1, 2, 5)
print(new_ticks)
plt.xticks(new_ticks)

//使用plt.yticks设置y轴刻度以及名称：刻度为[-2, -1.8, -1, 1.22, 3]；对应刻度的名称为['really bad','bad','normal','good', 'really good']. 使用plt.show显示图像.

plt.yticks([-2, -1.8, -1, 1.22, 3],[r'$really\ bad$', r'$bad$', r'$normal$', r'$good$', r'$really\ good$'])
plt.show()

//使用plt.gca获取当前坐标轴信息
ax = plt.gca()
ax.spines['right'].set_color('none') //使用.spines设置边框：右侧边框；使用.set_color设置边框颜色：默认白色
ax.spines['top'].set_color('none') //使用.spines设置边框：上边框；使用.set_color设置边框颜色：默认白色
plt.show()

//使用.xaxis.set_ticks_position设置x坐标刻度数字或名称的位置：bottom.（所有位置：top，bottom，both，default，none）
ax.xaxis.set_ticks_position('bottom')

2.Legend图例

matplotlib 中的 legend 图例就是为了帮我们展示出每个数据对应的图像名称

添加图例

legend将要显示的信息来自于 plt.plot中的 label

l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')

plt.legend自动添加图例，参数 loc='upper right'表示图例将添加在图中的右上角

plt.legend(loc='upper right')

调整位置和名称

若单独修改之前的 label 信息，给不同类型的线条设置图例信息，需要将 plt.plot用 有用变量 l1 和 l2 分别存储起来。
l1, l2,要以逗号结尾, 因为 plt.plot() 返回的是一个列表

plt.legend(handles=[l1, l2], labels=['up', 'down'],  loc='best')

其中 loc参数有多种， best表示自动分配最佳位置，其余的如下：

'best' : 0,
 'upper right'  : 1,
 'upper left'   : 2,
 'lower left'   : 3,
 'lower right'  : 4,
 'right'        : 5,
 'center left'  : 6,
 'center right' : 7,
 'lower center' : 8,
 'upper center' : 9,
 'center'       : 10,

3.Annotation 标注

当图线中某些特殊地方需要标注时，可以使用 annotation. matplotlib中的 annotation 有两种方法：

• 一种是用 plt 里面的 annotate，
• 一种是直接用 plt 里面的 text 来写标注

移动坐标

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-3, 3, 50)
y = 2*x + 1

plt.figure(num=1, figsize=(8, 5),)
plt.plot(x, y,)

ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data', 0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data', 0))

添加注释 annotate

对(x0, y0)这个点进行标注：
参数 xycoords='data' 是说基于数据的值来选位置, xytext=(+30, -30) 和 textcoords='offset points'对于标注位置的描述 和 xy 偏差值, arrowprops是对图中箭头类型的一些设置

plt.annotate(r'$2x+1=%s$' % y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30),
             textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle='->', connectionstyle="arc3,rad=.2"))

添加注释 text

plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$',
         fontdict={'size': 16, 'color': 'r'})

二、画图种类

1.Scatter 散点图

为点（二维坐标系中）赋予颜色

T = np.arctan2(Y,X)

用scatter这个点集：

• 输入 X和 Y作为 location， size=75，
• 颜色为 T，
• color map用默认值，
• 透明度 alpha 为 50%。

plt.scatter(X, Y, s=75, c=T, alpha=.5)

• x轴显示范围定位(-1.5，1.5)，
• xtick()函数来隐藏x坐标轴
  y轴同理……

plt.xlim(-1.5, 1.5)
plt.xticks(())
plt.ylim(-1.5, 1.5)
plt.yticks(())

plt.show()

2.Bar 柱状图

import matplotlib.pyplot as plt
import numpy as np

n = 12
X = np.arange(n)
Y1 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)
Y2 = (1 - X / float(n)) * np.random.uniform(0.5, 1.0, n)

plt.bar(X, +Y1)
plt.bar(X, -Y2)

添加颜色

• facecolor设置主体颜色
• edgecolor设置边框颜色

plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white')
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white')

添加数据标记

用函数 plt.text分别在柱体上方（下方）加上数值：

• 用 %.2f保留两位小数
• 横向居中对齐 ha='center'
• 纵向底部（顶部）对齐 va='bottom'

for x, y in zip(X, Y1):

    plt.text(x + 0.4, y + 0.05, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2):

    plt.text(x + 0.4, -y - 0.05, '%.2f' % y, ha='center', va='top')

3.Contours 等高线图

画等高线

数据为三维， xyz（比平面多一个高度）
meshgrid在二维平面中将每一个 x和每一个 y分别对应起来，编织成栅格
使用 plt.contour函数划线

import matplotlib.pyplot as plt
import numpy as np

def f(x,y):

    return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 -y**2)

n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X,Y = np.meshgrid(x, y)

C = plt.contour(X, Y, f(X, Y), 8, colors='black', linewidth=.5)

添加颜色

使用函数 plt.contourf把颜色加进去，位置参数分别为： X, Y, f(X,Y)。透明度0.75，并将 f(X,Y) 的值对应到 color map的暖色组中寻找对应颜色

plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)

添加高度数字

inline控制是否将 Label画在线里面，字体大小为10。并将坐标轴隐藏

plt.clabel(C, inline=True, fontsize=10)
plt.xticks(())
plt.yticks(())

总结

Original: https://blog.csdn.net/weixin_45427596/article/details/122838173
Author: Mafia.M.A
Title: python数据可视化——Matplotlib