Matplotlib 基本图表的绘制

图表类别：线形图、柱状图、密度图，以横纵坐标两个维度为主

同时可延展出多种其他图表样式

plt.plot(kind='line', ax=None, figsize=None, use_index=True, title=None, grid=None, legend=False, style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, label=None, secondary_y=False, **kwds)

1.Series直接生成图表

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

% matplotlib inline

# 导入相关模块

import warnings

warnings.filterwarnings('ignore')

# 不发出警告

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))

ts = ts.cumsum()

ts.plot(kind='line',

       label = 'hehe',

       style = '--g.',

       color = 'red',

       alpha = 0.4,

       use_index = True,

       rot = 45,

       grid = True,

       ylim = [-50,50],

       yticks = list(range(-50,50,10)),

       figsize = (8,4),

       title = 'test',

       legend = True)

#plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')  # 网格

plt.legend()

# Series.plot()：series的index为横坐标，value为纵坐标

# kind → line,bar,barh...（折线图，柱状图，柱状图-横...）

# label → 图例标签，Dataframe格式以列名为label

# style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）

# color → 颜色，有color指定时候，以color颜色为准

# alpha → 透明度，0-1

# use_index → 将索引用为刻度标签，默认为True

# rot → 旋转刻度标签，0-360

# grid → 显示网格，一般直接用plt.grid

# xlim,ylim → x,y轴界限

# xticks,yticks → x,y轴刻度值

# figsize → 图像大小

# title → 图名

# legend → 是否显示图例，一般直接用plt.legend()

# 也可以 → plt.plot()

输出：

2.Dataframe直接生成图表

# Dataframe直接生成图表

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))

df = df.cumsum()

df.plot(kind='line',

       style = '--.',

       alpha = 0.4,

       use_index = True,

       rot = 45,

       grid = True,

       figsize = (8,4),

       title = 'test',

       legend = True,

       subplots = False,

       colormap = 'Greens')

# subplots → 是否将各个列绘制到不同图表，默认False

# 也可以 → plt.plot(df)

输出：

3.柱状图与堆叠图

# 柱状图与堆叠图

fig,axes = plt.subplots(4,1,figsize = (10,10))

s = pd.Series(np.random.randint(0,10,16),index = list('abcdefghijklmnop'))

df = pd.DataFrame(np.random.rand(10,3), columns=['a','b','c'])

s.plot(kind='bar',color = 'k',grid = True,alpha = 0.5,ax = axes[0])  # ax参数 → 选择第几个子图

# 单系列柱状图方法一：plt.plot(kind='bar/barh')   # dataframe里面如果有标签的话，默认以标签作为横坐标

df.plot(kind='bar',ax = axes[1],grid = True,colormap='Reds_r')

# 多系列柱状图

df.plot(kind='bar',ax = axes[2],grid = True,colormap='Blues_r',stacked=True)

# 多系列堆叠图

# stacked → 堆叠

df.plot.barh(ax = axes[3],grid = True,stacked=True,colormap = 'BuGn_r')  #横向的堆叠图 也可以这样写：df.plot(kind = 'barth')

# 新版本plt.plot.<kind>

输出：

5.柱状图的另一种画法

# 柱状图 plt.bar()

plt.figure(figsize=(10,4))

x = np.arange(10)

y1 = np.random.rand(10)

y2 = -np.random.rand(10)

plt.bar(x,y1,width = 1,facecolor = 'yellowgreen',edgecolor = 'white',yerr = y1*0.1)

plt.bar(x,y2,width = 1,facecolor = 'lightskyblue',edgecolor = 'white',yerr = y2*0.1)

# x,y参数：x，y值

# width：宽度比例

# facecolor柱状图里填充的颜色、edgecolor是边框的颜色

# left-每个柱x轴左边界,bottom-每个柱y轴下边界 → bottom扩展即可化为甘特图 Gantt Chart

# align：决定整个bar图分布，默认left表示默认从左边界开始绘制,center会将图绘制在中间位置

# xerr/yerr ：x/y方向error bar

for i,j in zip(x,y1):

    plt.text(i+0.3,j-0.15,'%.2f' % j, color = 'white')

for i,j in zip(x,y2):

    plt.text(i+0.3,j+0.05,'%.2f' % -j, color = 'white')

# 给图添加text

# zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

输出：

6.面积图

# 面积图

fig,axes = plt.subplots(2,1,figsize = (8,6))

df1 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])

df2 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])

df1.plot.area(colormap = 'Greens_r',alpha = 0.5,ax = axes[0])

df2.plot.area(stacked=False,colormap = 'Set2',alpha = 0.5,ax = axes[1])

# 使用Series.plot.area()和DataFrame.plot.area()创建面积图

# stacked：是否堆叠，默认情况下，区域图被堆叠

# 为了产生堆积面积图，每列必须是正值或全部负值！

# 当数据有NaN时候，自动填充0，所以图标签需要清洗掉缺失值

输出：

7.填图

# 填图   默认和坐标轴之间做一个填充

fig,axes = plt.subplots(2,1,figsize = (8,6))

x = np.linspace(0, 1, 500)

y1 = np.sin(4 * np.pi * x) * np.exp(-5 * x)

y2 = -np.sin(4 * np.pi * x) * np.exp(-5 * x)

axes[0].fill(x, y1, 'r',alpha=0.5,label='y1')

axes[0].fill(x, y2, 'g',alpha=0.5,label='y2')

# 对函数与坐标轴之间的区域进行填充，使用fill函数

# 也可写成：plt.fill(x, y1, 'r',x, y2, 'g',alpha=0.5)

x = np.linspace(0, 5 * np.pi, 1000)

y1 = np.sin(x)

y2 = np.sin(2 * x)

axes[1].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')

# 填充两个函数之间的区域，使用fill_between函数

for i in range(2):

    axes[i].legend()

    axes[i].grid()

# 添加图例、格网

输出：

8.饼图

# 饼图 plt.pie()

# plt.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, hold=None, data=None)

s = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')

plt.axis('equal')  # 保证长宽相等

plt.pie(s,

       explode = [0.1,0,0,0],  #a和其他部分距离偏离0.1

       labels = s.index,

       colors=['r', 'g', 'b', 'c'],

       autopct='%.2f%%',#以二位小数点的百分号的形式显示

       pctdistance=0.6,

       labeldistance = 1.2,

       shadow = True,

       startangle=0,

       radius=1.5,

       frame=False)

print(s)

# 第一个参数：数据

# explode：指定每部分的偏移量

# labels：标签

# colors：颜色

# autopct：饼图上的数据标签显示方式

# pctdistance：每个饼切片的中心和通过autopct生成的文本开始之间的比例

# labeldistance：被画饼标记的直径,默认值：1.1

# shadow：阴影

# startangle：开始角度

# radius：半径

# frame：图框

# counterclock：指定指针方向，顺时针或者逆时针

输出：

a    0.744065

b    2.069706

c    2.159888

d    0.642984

Name: series, dtype: float64

9.直方图+密度图

# 直方图+密度图

s = pd.Series(np.random.randn(1000))

s.hist(bins = 20,

       histtype = 'bar',

       align = 'mid',

       orientation = 'vertical',

       alpha=0.5,

       normed =True)

# bin：箱子的宽度

# normed 标准化

# histtype 风格，bar，barstacked，step，stepfilled

# orientation 水平还是垂直{‘horizontal’, ‘vertical’}

# align : {‘left’, ‘mid’, ‘right’}, optional(对齐方式)

s.plot(kind='kde',style='k--')

# 密度图    #如果把直方图和密度图放在一起的话，直方图必须标准化，否则不显示密度图 标准化就是把每个值放到0和1之间

            #不标准化的化会显示实际值

输出：

10.堆叠直方图

# 堆叠直方图

plt.figure(num=1)

df = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),

                    'c': np.random.randn(1000) - 1, 'd': np.random.randn(1000)-2},

                   columns=['a', 'b', 'c','d'])

df.plot.hist(stacked=True,

             bins=20,

             colormap='Greens_r',

             alpha=0.5,

             grid=True)

# 使用DataFrame.plot.hist()和Series.plot.hist()方法绘制

# stacked：是否堆叠

df.hist(bins=50)

# 生成多个直方图

输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000001F92A9B9940>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000001F92AA016A0>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000001F92AA4B8D0>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000001F92AA8A400>]], dtype=object)

11.散点图

# plt.scatter()散点图 散点图会用到很多 因为图片就是散点图

# plt.scatter(x, y, s=20, c=None, marker='o', cmap=None, norm=None, vmin=None, vmax=None,

# alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

plt.figure(figsize=(8,6))

x = np.random.randn(1000)

y = np.random.randn(1000)

plt.scatter(x,y,marker='.',

           s = np.random.randn(1000)*100,

           cmap = 'Reds',

           c = y,

           alpha = 0.8,)

plt.grid()

# s：散点的大小

# c：散点的颜色

# vmin,vmax：亮度设置，标量

# cmap：colormap

输出：

12.散点矩阵

# pd.scatter_matrix()散点矩阵

# pd.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None,

# grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwds)

df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])

pd.scatter_matrix(df,figsize=(10,6),

                 marker = 'o',

                 diagonal='kde',

                 alpha = 0.5,

                 range_padding=0.1)

# diagonal：({‘hist’, ‘kde’})，必须且只能在{‘hist’, ‘kde’}中选择1个 → 每个指标的频率图

# range_padding：(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点

输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000002A61B496E10>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61C9FD550>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CA45F28>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CA80BE0>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CACAE10>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CB06BA8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CB4ECF8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CB5EFD0>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CD5E4E0>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CDA9438>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CDE7240>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CE32C18>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CE6E2E8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CEBBA58>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CEF9128>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000002A61CF42278>]],

      dtype=object)

13.箱型图

# 箱型图

# plt.plot.box()绘制

fig,axes = plt.subplots(2,1,figsize=(10,6))

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])

color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')

# 箱型图着色

# boxes → 箱线

# whiskers → 分位数与error bar横线之间竖线的颜色

# medians → 中位数线颜色

# caps → error bar横线颜色

df.plot.box(ylim=[0,1.2],

           grid = True,

           color = color,

           ax = axes[0])

# color：样式填充

df.plot.box(vert=False,

            positions=[1, 4, 5, 6, 8],

            ax = axes[1],

            grid = True,

           color = color)

# vert：是否垂直，默认True

# position：箱型图占位

输出：

14.箱型图另一种画法

# 箱型图

# plt.boxplot()绘制

# pltboxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None,

# usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None,

# labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_xticks=True, autorange=False,

# zorder=None, hold=None, data=None)

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])

plt.figure(figsize=(10,4))

# 创建图表、数据

f = df.boxplot(sym = 'o',  # 异常点形状，参考marker

               vert = True,  # 是否垂直

               whis = 1.5,  # IQR，默认1.5，也可以设置区间比如[5,95]，代表强制上下边缘为数据95%和5%位置

               patch_artist = True,  # 上下四分位框内是否填充，True为填充

               meanline = False,showmeans=True,  # 是否有均值线及其形状

               showbox = True,  # 是否显示箱线

               showcaps = True,  # 是否显示边缘线

               showfliers = True,  # 是否显示异常值

               notch = False,  # 中间箱体是否缺口

               return_type='dict'  # 返回类型为字典

              )

plt.title('boxplot')

print(f)

for box in f['boxes']:

    box.set( color='b', linewidth=1)        # 箱体边框颜色

    box.set( facecolor = 'b' ,alpha=0.5)    # 箱体内部填充颜色

for whisker in f['whiskers']:

    whisker.set(color='k', linewidth=0.5,linestyle='-')

for cap in f['caps']:

    cap.set(color='gray', linewidth=2)

for median in f['medians']:

    median.set(color='DarkBlue', linewidth=2)

for flier in f['fliers']:

    flier.set(marker='o', color='y', alpha=0.5)

# boxes, 箱线

# medians, 中位值的横线,

# whiskers, 从box到error bar之间的竖线.

# fliers, 异常值

# caps, error bar横线

# means, 均值的横线,

输出：

{'boxes': [<matplotlib.patches.PathPatch object at 0x000002A61CBCBA20>, 
<matplotlib.patches.PathPatch object at 0x000002A61CBDCA90>, <matplotlib.patches.PathPatch object at 0x000002A61CBF1940>, <matplotlib.patches.PathPatch object at 0x000002A61CC098D0>,
 <matplotlib.patches.PathPatch object at 0x000002A61CC1F860>], 'means': [<matplotlib.lines.Line2D object at 0x000002A61CBD44A8>, <matplotlib.lines.Line2D object at 0x000002A61CBEC390>,
 <matplotlib.lines.Line2D object at 0x000002A61CC03320>, <matplotlib.lines.Line2D object at 0x000002A61CC192B0>, <matplotlib.lines.Line2D object at 0x000002A61CB92438>], 
'medians': [<matplotlib.lines.Line2D object at 0x000002A61CBC3EF0>, <matplotlib.lines.Line2D object at 0x000002A61CBE6B38>, <matplotlib.lines.Line2D object at 0x000002A61CBFEAC8>,
 <matplotlib.lines.Line2D object at 0x000002A61CC14A58>, <matplotlib.lines.Line2D object at 0x000002A61CB96470>], 'caps': [<matplotlib.lines.Line2D object at 0x000002A61CBCEBE0>,
 <matplotlib.lines.Line2D object at 0x000002A61CBCECF8>, <matplotlib.lines.Line2D object at 0x000002A61CBE2AC8>, <matplotlib.lines.Line2D object at 0x000002A61CBE69B0>, 
<matplotlib.lines.Line2D object at 0x000002A61CBF7A58>, <matplotlib.lines.Line2D object at 0x000002A61CBFE940>, <matplotlib.lines.Line2D object at 0x000002A61CC0DF98>, 
<matplotlib.lines.Line2D object at 0x000002A61CC148D0>, <matplotlib.lines.Line2D object at 0x000002A61CB9DF28>, <matplotlib.lines.Line2D object at 0x000002A61CB9D208>], 
'fliers': [<matplotlib.lines.Line2D object at 0x000002A61CBD4B70>, <matplotlib.lines.Line2D object at 0x000002A61CBECB00>, <matplotlib.lines.Line2D object at 0x000002A61CC03A90>,
 <matplotlib.lines.Line2D object at 0x000002A61CC19A20>, <matplotlib.lines.Line2D object at 0x000002A61CC24EB8>], 'whiskers': [<matplotlib.lines.Line2D object at 0x000002A61CBCBE80>, 
<matplotlib.lines.Line2D object at 0x000002A61CBCBFD0>, <matplotlib.lines.Line2D object at 0x000002A61CBDCFD0>, <matplotlib.lines.Line2D object at 0x000002A61CBE2940>, 
<matplotlib.lines.Line2D object at 0x000002A61CBF1F98>, <matplotlib.lines.Line2D object at 0x000002A61CBF78D0>, <matplotlib.lines.Line2D object at 0x000002A61CC09F28>, 
<matplotlib.lines.Line2D object at 0x000002A61CC0D860>, <matplotlib.lines.Line2D object at 0x000002A61CC1FEB8>, <matplotlib.lines.Line2D object at 0x000002A61CC247F0>]}

# 箱型图

# plt.boxplot()绘制

# 分组汇总

df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )

df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])

df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])

print(df)

df.boxplot(by = 'X')

df.boxplot(column=['Col1','Col2'], by=['X','Y'])

# columns：按照数据的列分子图

# by：按照列分组做箱型图

输出：

       Col1      Col2  X  Y

0  0.661114  0.164637  A  A

1  0.483369  0.361403  A  B

2  0.954009  0.786664  A  A

3  0.173198  0.500602  A  B

4  0.156583  0.047123  A  A

5  0.852358  0.672986  B  B

6  0.823713  0.625156  B  A

7  0.705710  0.632264  B  B

8  0.940125  0.091521  B  A

9  0.230993  0.753328  B  B

Matplotlib 基本图表的绘制的更多相关文章

matplotlib之scatter绘制散点
# 使用matplotlib.pyplot.scatter绘制散点 import matplotlib.pyplot as plt from pylab import mpl # 设置默认字体,解决中 ...
[Python] Matplotlib 图表的绘制和美化技巧
目录在一张画布中绘制多个图表加图表元素气泡图组合图直方图雷达图树状图箱形图玫瑰图在一张画布中绘制多个图表 Matplotlib模块在绘制图表时,默认先建立一张画布,然后在画布中显示 ...
matplotlib各图形绘制
2D图形 import numpy as np import pandas as pd from pandas import Series,DataFrame import matplotlib.py ...
『科学计算』科学绘图库matplotlib学习之绘制动画
基础 1.matplotlib绘图函数接收两个等长list,第一个作为集合x坐标,第二个作为集合y坐标 2.基本函数: animation.FuncAnimation(fig, update_poin ...
python: 使用matplotlib的pyplot绘制图表
工作中需要观察数据的变化趋势,用python写了一段小程序来用显示简单图表,分享出来方便有同样需求的人,matplotlib是个很不错的库. #!encode=utf8 from matplotlib ...
python之 matplotlib模块之绘制堆叠柱状图
我们先来看一个结果图看到这个图,我个人的思路是 1 设置标题 import numpy as np import matplotlib.pyplot as plt plt.title('Scores ...
用matplotlib和pandas绘制股票MACD指标图，并验证化交易策略
我的新书<基于股票大数据分析的Python入门实战>于近日上架,在这篇博文向大家介绍我的新书:<基于股票大数据分析的Python入门实战>里,介绍了这本书的内容.这里将摘录出部 ...
matplotlib画图工具/绘制散点图
绘制散点图 import matplotlib.pyplot as plt fig=plt.figure() ax = fig.add_subplot(111) ax.scatter(x,y, s,c ...
matplotlib常见图表绘制——极坐标图-雷达图、极轴图
前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者:斑点鱼极坐标轴调用subplot()创建子图时通过设置proje ...

随机推荐

How to reference two table when lack reference column.
Question:How to reference two table when lack reference column. Example: 1.Create two tables the one ...
mysql导入csv格式文件
今天测试导入csv格式文件,虽然简单但是如果不注意还是会出现错误,而且mysql在某些方面做的确实对新手不是很友好,记录一下:创建一个csv格式文件:[mysql@xxx1 ycrdb]$ more ...
linux下安装jdk和配置环境变量
参考博文:http://www.cnblogs.com/samcn/archive/2011/03/16/1986248.html 系统环境:linux centos 6.4_x64 软件版本:jdk ...
codeforces 676C
C. Vasya and String time limit per test 1 second memory limit per test 256 megabytes input standard ...
郑州Day6
今天考了毕姥爷的一套题,差点保龄题目挺良心的一套题,至少我不用再搬一遍题面了 T1.B君的第一题我为什么当时去写了一个树形$dp$还妄图$A$掉啊这题保龄感觉舒爽首先如果我们要求的是 ...
使用.NET Framework中的对象来检索网页和处理其内容
实现效果:(截取其部分) 实现代码: $webclient=New-Object System.Net.WebClient $content=$webclient.DownloadString(&qu ...
public /protected/private的作用域
作用域当前类同一package 子孙类其他package public √ √ √ √ protected √ √ √ × friendly √ √ × × private √ × × ×
euclidean loss
个人感觉相当于L2范式开平方,也相当于针对两个向量的欧氏距离开平方说的更直白点就是两个向量对应位置相减得到每个位置的差,然后把每个位置的差开平方再相加前向传播cpp代码: template < ...
"应用程序无法正常启动(0xc000007b)。请单击确定关闭应用程序。"解决方法
完成一小项目,正常运行,测试环境有Windows XP,Win 7,Win X64及有SP的版本,也是我客户端可能用到的系统版本,Win8和Win10未测试但在分发过程中,发现有的机器可以正常运行, ...
【luogu P1807 最长路_NOI导刊2010提高（07）】题解
题目链接:https://www.luogu.org/problemnew/show/P1807 求最大路?就是把权值取相反数跑最短路. #include <cstdio> #includ ...

Matplotlib 基本图表的绘制

Matplotlib 基本图表的绘制的更多相关文章

随机推荐

热门专题