如何使用matplotlib让你的数据更加生动_Python

1 引言

Matplotlib 是 Python 中最受欢迎的数据可视化软件包之一，支持跨平台运行，它是 Python 常用的 2D 绘图库，同时它也提供了一部分 3D 绘图接口。Matplotlib 通常与 NumPy、Pandas 一起使用，是数据分析中不可或缺的重要工具之一。

本文就日常生活中常见的业务场景进行展开讨论，更详尽的说明可以参考文档。

2 折线图

折线图（line chart）是我们日常工作、学习中经常使用的一种图表，它可以直观的反映数据的变化趋势。

可视化结果：

如何使用matplotlib让你的数据更加生动

直线：左上直线图形显示。曲线：右上带有样式变化和标记的折线预览。

代码如下：

def draw_line():
  N = 8
  t = np.linspace(0, 1, N)
  fig, (axA, axB) = plt.subplots(1, 2)
  # Line
  axA.plot(t, t, marker = 'o')
  axA.set_title('line')
  # Curve
  axB.plot(t, t, linestyle='--', marker='*',c='r', label='linear')
  axB.plot(t, t**2, linestyle='-.', marker='D',c='c', label='quadratic')
  axB.plot(t, t**3, linestyle=':', marker='^',c='y', label='cubic')
  axB.set_title('Curve')
  plt.legend()
  plt.show()

函数说明：

plot([x], y, [fmt], data=None, **kwargs)

可选参数[fmt] 是一个字符串来定义图的基本属性如：颜色（color），点型（marker），线型（linestyle）
对于颜色 color=‘r' 代表red 表示红色；color=‘c' 代表cyan 表示蓝绿；color=‘y' 代表yellow表示黄色
对于线型 linestyle='C' 代表dashed line style 为虚线；linestyle='-.‘代表 dash-dot line style 为点画线； linestyle=':' 代表dotted line style 为点线

3 散点图

散点图用于在水平轴和垂直轴上绘制数据点，它表示了因变量随自变量变化的趋势。通俗地讲，它反映的是一个变量受另一个变量的影响程度。

可视化结果：

如何使用matplotlib让你的数据更加生动

散点图：左上散点图可视化，带有颜色变化。气泡图：右上带有颜色变化和刻度的气泡图。

代码如下：

def  draw_scatter():
  N = 128
  x = np.random.rand(N)
  y = np.random.rand(N)
  c = np.random.rand(N)
  s = np.random.rand(N)
  s = np.pi*(32*s)**2
  
  cmapDisp = cm.get_cmap('rainbow')
  fig, (axA, axB) = plt.subplots(1, 2)
  # scatter
  axA.scatter(x, y, s=8,c=cmapDisp(c),alpha=0.75)
  axA.set_title('scatter')
  # bubble
  axB.scatter(x, y, c=cmapDisp(c), s=s, alpha=0.25, edgecolors='none')
  axB.set_title('bubble')
  plt.show()

函数说明：

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)

x，y：表示的是大小为(n,)的数组，也就是我们即将绘制散点图的数据点
s:是一个标量实数或者是一个数组大小为(n,)，表示点的大小。
c:表示的是颜色，是一个可选项。默认是蓝色'b',表示的是标记的颜色，或者可以是一个表示颜色的字符，或者是一个长度为n的表示颜色的序列等等
marker:表示的是标记的样式，默认的是'o'。
alpha：实数，0-1之间。点的透明度，透明度设置的好能够使图好看。

4 柱状图

柱状图是一种用矩形柱来表示数据分类的图表，柱状图可以垂直绘制，也可以水平绘制，它的高度与其所表示的数值成正比关系。柱状图显示了不同类别之间的比较关系，图表的水平轴 X 指定被比较的类别，垂直轴 Y 则表示具体的类别值。

可视化结果：

如何使用matplotlib让你的数据更加生动

柱状图：左上图形以组合在一起的平行柱状图显示。

堆叠柱状图：右上图形显示在堆叠的柱状图上。

代码如下：

def  draw_bar():
  N = 8
  Hx = np.random.randint(18, 65, size=N)
  Mx = np.random.randint(18, 65, size=N)
  Hs = np.random.randint(1, 5, size=N)
  Ms = np.random.randint(1, 5, size=N)
  indice = np.arange(N) + 1
  igrupos = ['G{}'.format(g) for g in indice]
  iidades = np.arange(0, 80, 5)
  larg = 0.25
  fig, (axA, axB) = plt.subplots(1, 2)
  # Bar
  axA.bar(indice - larg, Hx, width=larg, yerr=Hs,color='c', align='edge', label='man')
  axA.bar(indice, Mx, width=larg, yerr=Ms, color='r', align='edge', label='women')
  axA.set_title('Bar')
  axA.set_xticks(indice)
  axA.set_yticks(iidades)
  axA.set_xticklabels(igrupos)
  axA.legend()
  # Barras
  axB.bar(indice, Hx, color='c', label='man', yerr=Hs)
  axB.bar(indice, Mx, color='r', bottom=Hx, label='women', yerr=Ms)
  axB.set_title('Barras ')
  axB.set_xticks(indice)
  axB.set_xticklabels(igrupos)
  axB.set_yticks(iidades*2)
  axB.legend()
  plt.show()

函数说明：

bar(x, height, width, bottom, align)

x :一个标量序列，代表柱状图的x坐标，默认x取值是每个柱状图所在的中点位置，或者也可以是柱状图左侧边缘位置。
height: 一个标量或者是标量序列，代表柱状图的高度。
width: 可选参数，标量或类数组，柱状图的默认宽度值为 0.8。
bottom: 可选参数，标量或类数组，柱状图的y坐标默认为None。
algin: 有两个可选项 {“center”,“edge”}，默认为 ‘center'，该参数决定 x 值位于柱状图的位置。
bottom: 该参数可以指定柱状图开始堆叠的起始值，一般从底部柱状图的最大值开始，依次类推
yerr: 可选参数，这里针对垂直型误差，以误差棒的形式显示

5 饼状图

饼状图用来显示一个数据系列，具体来说，饼状图显示一个数据系列中各项目的占项目总和的百分比。

可视化结果：

如何使用matplotlib让你的数据更加生动

饼图：左上玫瑰图显示两层信息（外层标签和内层比例分布）。

雷达图：右上雷达图形显示，具有基于中心的值和基于径向的变化。

代码如下：

def test_pie():
  etiqueta = list('ABCDEFGHIJKL')
  M, N = 128, len(etiqueta)
  valor = np.random.random(N)*0.9 + 0.1
  var = np.random.random(M)
  # param
  cmapRadial = cm.get_cmap('magma')
  theta = 2*np.pi*np.arange(N)/N
  omega = 2*np.pi*np.arange(M)/M
  valor_ = np.append(valor, [valor[0]])
  var_ = np.append(var, [var[0]])
  theta_ = np.append(theta, [theta[0]])
  omega_ = np.append(omega, [omega[0]])
  raio = 1.25
  mult = 0.15
  # draw
  fig = plt.figure()
  axA = fig.add_subplot(121, aspect='equal')
  axB = fig.add_subplot(122, projection='polar')    
  # Pizza 
  axA.pie(valor, labels=etiqueta, pctdistance=0.9,autopct='%1.1f%%', radius=1.1)
  axA.pie(var, radius=0.9, colors=cmapRadial(var))
  axA.set_title('Pizza')
  centro = plt.Circle((0,0), 0.75, fc='white')
  axA.add_patch(centro)    
  # Radar
  axB.plot(theta_, valor_, marker='o', color='black', label='variable')
  axB.fill_between(theta_, 0, valor_, facecolor='black', alpha=0.25)
  axB.plot(omega_, raio + var_*mult, color='y', label='change')
  axB.plot(omega_, raio - var_*mult, color='y')
  axB.fill_between(omega_, raio - var_*mult, raio + var_*mult,facecolor='y', alpha=0.25)
  axB.set_title('Radar')
  axB.set_xticks(theta)
  axB.set_xticklabels(etiqueta)
  axB.set_rticks(np.linspace(0, 1.5, 7))
  axB.legend()
  plt.show()

函数说明：