数据可视化何其多，除了Tableau，ECharts，Matplotlib也是神器之一，将枯燥无味的数据形象直观地展示出来，是很有成就感的事情。Matplotlib作为数据科学的的必备库，算得上是python可视化领域的元老，更是很多高级可视化库的底层基础，其重要性不言而喻。本文主要学习的是matplotlib.pyplot的可视化应用
matplotlib.pyplot是一个命令型函数集合，它可以让人们像使用MATLAB一样使用matplotlib。在matplotlib.pyplot库中有plt子库，该子库提供了7个用于读取和显示的函数，17个用于绘制基础图表的函数、3个区域填充函数、9个坐标轴设置函数以及11个标签与文本设置函数，具体如下表1-1~1-5所示：
| 函数名称 | 函数作用 |
|---|---|
| plt.legend( ) | 在绘图区域放置绘图标签 |
| plt.show( ) | 显示绘制的图像 |
| plt.matshow( ) | 在窗口中显示数组矩阵 |
| plt.imshow( ) | 在axes上显示图像 |
| plt.imsave( ) | 保存数组为图像 |
| plt.savefig( ) | 设置图像保存的格式 |
| plt.imread( ) | 从图像文件中读取数组 |
| 函数名称 函数作用 | |
|---|---|
| plt. plot(x,y,label,color,width) | 根据(x,y)数组绘制直、曲线 |
| plt. box(data,notch,position) | 绘制一个箱型图 |
| plt. bar(left,height,width,bottom) | 绘制一个条形图 |
| plt. barh(bottom,width,height,left) | 绘制一个横向条形图 |
| plt. polar(theta,r) | 绘制极坐标图 |
| plt. pie(data,exxplode) | 绘制饼图 |
| plt. psd(x,NFFT=256,pad_to,F) | 绘制功率谱密度图 |
| plt. specgram(x,NFFT=256,Fs) | 绘制谱图 |
| plt. cohere(x,y,NFFT=256,Fs) | 绘制X-Y的相关性函数 |
| plt. scatter( ) | 绘制散点图 |
| plt. step(x,y,where) | 绘制步阶图 |
| plt. hist(x,bins,normed) | 绘制直方图 |
| plt. contour(X,Y,Z,N) | 绘制等值线 |
| plt. clines( ) | 就只垂直线 |
| plt. stem(x,y,linefmt,markerfmt,basefmt) | 绘制曲线中每个点到水平轴线的垂线 |
| plt. plot_date( ) | 绘制数据日期 |
| plt. plotfile( ) | 绘制数据后写入文件 |
| 函数名称 | 函数作用 |
|---|---|
| fill(x,y,c,color) | 填充多边形 |
| fill_between(x,y1,y2,where,color) | 填充曲线围成的多边形 |
| fill_betweenx(y,x1,x2,where,hold) | 填充水平线之间的区域 |
| 函数名称 | 函数作用 |
|---|---|
| plt. axis( ) | 获取设置轴属性的快捷键 |
| plt. xlim( ) | 设置X轴的取值范围 |
| plt. ylim( ) | 设置Y轴的取值范围 |
| plt. xscale( ) | 设置X轴缩放 |
| plt. yscale( ) | 设置Y轴缩放 |
| plt. autoscale( ) | 自动缩放轴视图 |
| plt. text( ) | 为axes图添加注释 |
| plt. thetagrids( ) | 设置极坐标网络 |
| plt. grid( ) | 网格显示 |
| 函数名称 | 函数作用 |
|---|---|
| plt. figlegend( ) | 为全局绘图区域放置图注 |
| plt. xlabel( ) | 设置当前X轴的文字 |
| plt. ylabel( ) | 设置当前Y轴的文字 |
| plt. xticks( ) | 设置当前X轴刻度位置的文字和值 |
| plt. yticks( ) | 设置当前Y轴刻度位置的文字和值 |
| plt. clabel( ) | 设置等高线数据 |
| plt. get_figlabels( ) | 返回当前绘图区域的标签列表 |
| plt. figtext( ) | 为全局绘图区域添加文本信息 |
| plt. title( ) | 设置标题 |
| plt. suptitle( ) | 设置总标题 |
| plt. annotate( ) | 为文本添加注释 |
注意：均可通过help()命令查看API，用到什么查什么。
补充：
绘图接口有2种形式，分别是面向"当前"图的plt接口和面向对象接口，在这2种方式的相应接口中，多数接口名是一致的，例如：plt.plot()和axes.plot()、plt.legend()和axes.legend()，但也有一些不一致的接口：
plt.axes()——fig.add_axes()
plt.subplot()——fig.add_subplot()
plt.GridSped()——fig.add_gridspec()
plt.xlabel()——axes.set_xlabel()
plt.ylabel()——axes.set_ylabel()
plt.xlim()——axes.set_xlim()
plt.ylim()——axes.set_ylim()
plt.title()——axes.set_title()
对此，一方面两类接口虽然略有区别，但也还算有规律；另一方面，在面向对象绘图配置图例时，有更为便捷的设置图例接口axes.set()，其可以接收多种参数一次性完成所有配置，这也正是面向对象绘图的强大之处。
1、解决中文乱码，防止方块化
plt.rcParams["font.sans-serif"]="SimHei"
2、解决负号不能正常显示的问题
plt.rcParams["axes.unicode_minus"]=False
3、在jupyter notebook上面显示图片
%matplotlib inline
4、作图使用svg格式显示更为清晰
%config InlineBackend.figure_format="svg"
5、设置画布
plt.figure() 创建一个全局绘图区域
参数：
num：设置图像编号
figsize：设置图像的宽度和高度，单位为英寸
facecolor：设置图像的背景颜色
dpi：设置绘图对象的分辨率
edgecplor：设置图像的边框颜色
6、创建子图
fig=plt.figure(）
fig.add_subplot(3,2,2) #3X2的第2个图形
或者plt.subplot(3,2,2) #3X2的第2个图形
下面将介绍几种较为常用的图表：柱状图、饼图、折线图、散点图、气泡图/云图、雷达图。
柱状图也叫条形图，是一种以长方形的长度为变量来表达图形的统计报告图，它由一系列高度不等的纵向条纹表示数据分布的情况，用来比较两个或两个以上的数值。
它适用于二维数据集，并且该数据集只需要（或者说“只能”更准确一些）比较其中一个维度。实现比较的手段就是利用柱状体之间的高度差来反映数据差异，因为人的肉眼对于高度的辨识度是较高的。但是，当数据集的规模太过庞大时，柱状体太多也会在所难免的没有那么方便地进行比较了，所以柱状图一般只适用于中小规模的数据集。
柱状图实际上是用来表示分组（或离散）变量的可视化
API：
bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
| 参数 | 说明 | 类型 |
|---|---|---|
| x | x坐标 | int,float |
| height | 条形的高度 | int,float |
| width | 宽度 | 0~1，默认0.8 |
| botton | 条形的起始位置 | 也是y轴的起始坐标 |
| align | 条形的中心位置 | “center”,"edge"边缘 |
| color | 条形的颜色 | “r",“b”,“g”,"#123465"，默认“b" |
| edgecolor | 边框的颜色 | 同上 |
| linewidth | 边框的宽度 | 像素，默认无，int |
| tick_label | 下标的标签 | 可以是元组类型的字符组合 |
| log | y轴使用科学计算法表示 | bool |
| orientation | 是竖直条还是水平条 | 竖直：“vertical”，水平条：“horizontal” |
示例：
import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)
total_width, n = 0.8, 3 # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2
plt.bar(x, a, width=width, label='a')
plt.bar(x + width, b, width=width, label='b')
plt.bar(x + 2 * width, c, width=width, label='c')
plt.legend()
plt.show()
结果展示：
水平条形图
绘制方法一：使用plt.bar()
还用上的数据，参数orientation默认是’vertical’垂直，改为"horizontal"（水平）。
注意：
1、x的起始位置，水平条底部，以及长度的取值变化
2、添加标签的时候enumerate()函数遍历出的结果（自动加序号），以及text()函数的参数。
示例：
import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)
total_width, n = 0.8, 3 # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2
plt.bar(0,bottom=x,height=width,width=a, label='a',orientation="horizontal")
plt.bar(0,bottom=x+width,height=width,width=b,label='b',orientation="horizontal")
plt.bar(0,bottom=x+2*width,height=width,width=c,label='c',orientation="horizontal")
plt.legend()
plt.show()
结果展示：
绘制方法二：使用plt.barh()
barh(y, width, height=0.8, left=None, *, align='center', **kwargs)
还用上的数据，参数orientation为"horizontal"（水平）。
示例：
import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)
total_width, n = 0.8, 3 # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2
plt.barh(x, left=0,height=width,width=a,orientation="horizontal",alpha = 0.8)
plt.barh(x+width, left=0,height=width,width=b,orientation="horizontal",alpha = 0.8)
plt.barh(x+2*width, left=0,height=width,width=c,orientation="horizontal",alpha = 0.8)
plt.legend()
plt.show()
结果展示：
在折线图中，我们通常更关注于每条折线的走势（或者说“更能看出数据的走向”，所以它适用于整体趋势比单个数据点更重要的二维数据集。而正因为它关心的是整体而非个别的点，所以当数据集的规模越大时，折线图所呈现的整体会更加的准确。每个数据集在折线图中仅表现为一条折线，这使得它可以同时承载多个数据集并提供比较。
API：
plt.plot(x,y,linestyle,linewidth,color,marker,markersize,markeredgecolor,markerfactcolor,label,alpha)
参数：
x，y：指定折线图的x轴/y轴的数据；
linestyle：指定折线的类型，可以是实线、虚线、点虚线等，默认文实线；
linewidth：指定折线的宽度
marker：设置点的形状
markersize：设置点的大小
markeredgecolor：设置点的边框色
markerfactcolor：设置点的填充色
label：为折线图添加标签
常用的marker风格：
“+”：十字 “O”：圆圈
“*”：星型 “s”：正方形
“p”：五边形 “h”：六边形
“d”：小菱形 “D”：钻石
常用的color风格：
“b”：blue蓝色 “g”：green绿色
“k”：黑色 “w”：white白色
“r”：red红色 “y”：yellow黄色
“c”：cyan青色 “m”：magenta品红
示例：
import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
x = np.arange(-2*np.pi,2*np.pi,0.01)
#x = np.arange(-2*np.pi,2*np.pi,0.01)
x1 = np.arange(-2*np.pi,2*np.pi,0.2)
y1 = np.sin(3*x1)/x1
y2 = np.sin(2*x)/x
y3 = np.sin(x)/x
plt.plot(x1,y1,c='b',linestyle='--',marker='^',label="y1=sin(3*x1)/x1")#linestyle设置线的风格，marker设置点的风格
plt.plot(x,y2,c='r',linestyle='-.',label="y2=sin(2*x)/x")
plt.plot(x,y3,c='g',label="y3=sin(x)/x")
plt.legend()
plt.show()
结果展示：
饼图是一种经常被人们避免使用的图表，因为人眼对面积的辨识度没有像对高度那样那么高，所以利用面积去反映数据起不到很好的作用。但是，存在即合理，当我们想要去强调某个部分占整体的比重时，用饼图是再适合不过了。
饼图用于表示不同分类的占比情况，通过弧度大小来对比各种分类。饼图将一个圆饼按照分类的占比划分成多个区块，整个圆饼代表数据的总量，每个区块（圆弧）表示该分类占总体的比例大小。
API：
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, rotatelabels=False, *, data=None)
参数：
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；
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；
示例：
import matplotlib.pyplot as plt
labels = 'A', 'B', 'C', 'D'
fracs = [15, 30.55, 44.44, 10]
color = 'blue','red','yellow','green'
explode = [0, 0.1, 0, 0] # 0.1 凸出这部分，
plt.pie(x=fracs,explode=explode, # 突出分裂的部分
labels=labels, # 添加分类标签
colors=color, # 设置饼图的自定义填充色
autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
pctdistance=0.6, # 设置百分比标签与圆心的距离
labeldistance = 1.15, # 设置各标签与圆心的距离
startangle = 180, # 设置饼图的初始角度
radius = 1, # 设置饼图的半径
counterclock = False, # 是否逆时针，这里设置为顺时针方向
wedgeprops = {'linewidth': 1.3, 'edgecolor':'green'},# 设置饼图内外边界的属性值
textprops = {'fontsize':15, 'color':'k'}, # 设置文本标签的属性值
center = (0.5,0.5), # 设置饼图的原点
frame = 0 )# 是否显示饼图的图框，这里设置显示
plt.show()
结果展示：
散点图在回归分析中的使用较多，他将序列显示为一组点。值点在图标表中的位置表示，类别由图表中的不同标记表示，所以散点图通常用于比较跨类别的聚合数据。
散点图正是用来寻找数据集维度间的相互关系的。如果数据集规模足够大并且维度间可能并不存在关系，我们依然可以通过散点图来总结数据点的分布模式，得到有用的信息。
API:
scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)
常用参数解释：
x，y：表示即将绘制散点图的数据点
s：是一个可选的参数。
c：表示的是颜色，也是一个可选项。
marker:表示的是标记的样式，默认的是'o'。
alpha：实数，0-1之间。
示例：
#导入必要的模块
import numpy as np
import matplotlib.pyplot as plt
#产生测试数据
x = np.arange(1,10)
y = x
fig = plt.figure()
ax1 = fig.add_subplot(111)
#设置标题
ax1.set_title('Scatter Plot')
#设置X轴标签
plt.xlabel('X')
#设置Y轴标签
plt.ylabel('Y')
#画散点图
ax1.scatter(x,y,c = 'r',marker = 'o')
#设置图标
plt.legend('x1')
#显示所画的图
plt.show()
结果展示：
气泡图是二维图表展示三维（或者四维）数据集的典范，通常被看做散点图的变种。它利用点的面积来表示第三维的数值。但是，前面提到过，人眼对面积的辨识度并不高，所以气泡图只能用于对第三维的展现不做精确要求的场景。
示例：
import numpy as np
import matplotlib.pyplot as plt
x=np.random.rand(50)
y=np.random.rand(50)
colors=np.random.rand(50) #颜色随机
area=(50*np.random.rand(50))**2 #散点的大小随机
fig=plt.figure(figsize=(10,5))
plt.subplot(1,1,1)
plt.scatter(x,y,s=area,marker="o",c=colors)
#设置标题
plt.title("plot of scatter for x to y",fontdict={'fontsize':20,'color':'blue'},loc='center')
# 设置x轴和y轴的轴标题
plt.xlabel("x for x in range(50)",fontdict={'fontsize':10,'color':'blue'})
plt.ylabel("y for y in range(50)",fontdict={'fontsize':10,'color':'blue'})
# 添加图例
# plt.legend('xfory')
# 添加数字标签
for a,b in zip(x,y):
plt.text(round(a,2),round(b,2),round(b,2),ha="center",va='top',fontdict={'fontsize':7,'color':'black'})
plt.xlim(0,1) #x轴的坐标轴取值范围
# 给坐标A添加标注A（x10,y10）
plt.annotate("A(x,y)",xy=(x[10],y[10]),fontsize=15)
plt.show()
结果展示：
直方图又称质量分布图，是一种统计报告图。它由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据类型，用纵轴表示分布情况。
API：
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)
参数：
x：指定要绘制直方图的数据；
bins：指定直方图条形的个数；
range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值；
normed：是否将直方图的频数转换成频率；
weights：该参数可为每一个数据点设置权重；
cumulative：是否需要计算累计频数或频率；
bottom：可以为直方图的每个条形添加基准线，默认为0；
histtype：指定直方图的类型，默认为bar，除此还有’barstacked’,‘step’, ‘stepfilled’；
align：设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’；
orientation：设置直方图的摆放方向，默认为垂直方向；
rwidth：设置直方图条形宽度的百分比；
log：是否需要对绘图数据进行log变换；
color：设置直方图的填充色；
label：设置直方图的标签，可通过legend展示其图例；
stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放；
示例：
#电影时长分布分析（直方图）
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
import matplotlib
plt.rcParams['font.sans-serif'] = ['KaiTi'] # 显示中文
x = [194,110,109,104,48,60,127,41,196,74,116,123,169,60,86,87,60,60,60,105,60,112,60,120,60,60,60,238,128,7,280,180,87,122,18,60,60,60,12,92,60,
127,115,60,121,115,60,60,60,119]
plt.figure()
plt.hist(x,50,histtype='bar',label='电影时长',facecolor='red',alpha=0.75)
plt.title('电影时长分布分析')
plt.legend()
plt.show()
结果展示：
雷达图可以用来表示多维（四维以上）的数据集，并且数据集的每个维度都必须是可以排序的。但它所能承载的数据点是非常有限的，当数据点过多时，并不利用数据点之间的比较。
示例：
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['KaiTi'] # 显示中文
results = [{"大学英语": 87, "高等数学": 79, "体育": 95, "计算机基础": 92, "程序设计": 85},
{"大学英语": 80, "高等数学": 90, "体育": 91, "计算机基础": 85, "程序设计": 88}]
data_length = len(results[0])
# 将极坐标根据数据长度进行等分
angles = np.linspace(0, 2*np.pi, data_length, endpoint=False)
labels = [key for key in results[0].keys()]
score = [[v for v in result.values()] for result in results]
#为了使雷达图一圈封闭起来，需要下面的步骤
# 使雷达图数据封闭
score_a = np.concatenate((score[0], [score[0][0]]))
score_b = np.concatenate((score[1], [score[1][0]]))
angles = np.concatenate((angles, [angles[0]]))
labels = np.concatenate((labels, [labels[0]]))
# 设置图形的大小
fig = plt.figure(figsize=(8, 6), dpi=100)
# 新建一个子图 这里一定要设置为极坐标格式
ax = plt.subplot(111, polar=True)
# 绘制折线图 /绘制雷达图
ax.plot(angles, score_a, color='g')
ax.plot(angles, score_b, color='b')
# 添加每个特征的标签
ax.set_thetagrids(angles*180/np.pi, labels)
# 设置雷达图的0度起始位置
ax.set_theta_zero_location('N')
# 设置雷达图的坐标刻度范围
ax.set_rlim(0, 100)
# 设置雷达图的坐标值显示角度，相对于起始角度的偏移量
ax.set_rlabel_position(270)
ax.set_title("成绩情况分析")
plt.legend(["小明", "小红"], loc='best')
plt.show()
结果展示：
输入映射和输出映射 Mapper.xml映射文件中定义了操作数据库的sql，每个sql是一个...
一、WEB上支持的图片格式： GIF：能保存256中颜色，支持透明色，支持动画效果 JP...
现在是2021年4月11号下午19:05看了看平台没有异常的告警又看了看总群的消息也无...
零、配置Tomcat 默认情况下Tomcat是没有配置用户角色权限的 但是，后续Jenkins部...
laravel-admin 是一个快速开发管理后台的框架，这里不做详细介绍 UEditor.php ph...
本文转载自微信公众号「程序员内点事」，作者程序员内点事 。转载本文请联系程序...
ES6 var let const 的区别 ? var ? 1. 只支持全局作用域和函数作用域 { var m 2 ...
两大类索引 使用的存储引擎：MySQL5.7 InnoDB 聚簇索引 *如果表设置了主键，则主...
'****************************** 'FunctionCheckIp(cInput_Ip,cBound_Ip) 'Crea...
1. 打开浏览器控制台窗口 JavaScript通常是作为开发Web页面的脚本语言，本文介绍...
