python可视化_matplotlib

对于Python数据可视化库，matplotlib 已经成为事实上的数据可视化方面最主要的库，此外还有很多其他库，例如vispy，bokeh， seaborn，pyga，folium 和 networkx，这些库有些是构建在 matplotlib 之上，还有些有其他一些功能。

目录

---

• matplotlib
• 基本函数
• 中文乱码
• plot：线性图
• bar：柱状图
• barh：水平柱状图
• pie：饼图
• scatter：散点图
• hist：直方图
• stackplot：面积图
• subplot：子图布局
• GridSpec：网格布局

matplotlib

---

matplotlib 是一个基于 Python 的 2D 绘图库，其可以在跨平台的在各种硬拷贝格式和交互式环境中绘制出高图形。Matplotlib 能够创建多数类型的图表，如条形图，散点图，条形图，饼图，堆叠图，3D 图和地图图表。

％matplotlib 命令可以在当前的 Notebook 中启用绘图。Matlibplot 提供了多种绘图 UI ，可进行如下分类 ：

• 弹出窗口和交互界面： ％matplotlib qt 和 ％matplot tk
• 非交互式内联绘图：  ％matplotlib inline
• 交互式内联绘图：   ％matplotlib notebook－－＞别用这个，它会让开关变得困难。

安装Matplotlib命令：pip install matplotlib

基本函数

---

legend：增加图例（线的标题） ，格式：plt.legend(handles=(line1, line2, line3),labels=('label1', 'label2', 'label3'),loc='upper right'), 见如下示例代码

 ln1, = plt.plot(x_data, y_data, color = 'red', linewidth = 2.0, linestyle = '--')
 ln2, = plt.plot(x_data, y_data2, color = 'blue', linewidth = 3.0, linestyle = '-.')
 plt.legend(handles=[ln2, ln1], labels=['Android基础', 'Java基础'],  loc='lower right')

loc参数值：

• 'best'：自动选择最佳位置
• 'upper right'：将图例放在右上角。
• 'upper left'：将图例放在左上角。
• 'lower left'：将图例放在左下角。
• 'lower right'：将图例放在右下角。
• 'right'：将图例放在右边。
• 'center left'：将图例放在左边居中的位置。
• 'center right'：将图例放在右边居中的位置。
• 'lower center'：将图例放在底部居中的位置。
• 'upper center'：将图例放在顶部居中的位置。
• 'center'：将图例放在中心。

figure：新建一个画布，格式：figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)

• num：图像编号或名称，数字为编号 ，字符串为名称
• figsize：指定figure的宽和高，单位为英寸；
• dpi：指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80；1英寸等于2.5cm,A4纸是 21*30cm的纸张
• frameon：是否显示边框

spines：在matplotlib的图中，默认有四个轴，两个横轴和两个竖轴，可以通过ax = plt.gca()方法获取，gca是‘get current axes’的缩写，获取图像的轴，总共有四个轴 top、bottom、left、right

• axis指定要用的轴：由于axes会获取到四个轴，而我们只需要两个轴，所以我们需要把另外两个轴隐藏，把顶部和右边轴的颜色设置为none, 如：plt.gca().spines['top'].set_color('none')
• 移动轴到指定位置：ax.spines[‘bottom’]获取底部的轴，通过 set_position 方法，设置底部轴的位置，例如：ax.spines[‘bottom’].set_position((‘data’,0)) 表示设置底部轴移动到竖轴的0坐标位置，设置轴设置的方法相同

示例代码：

 import matplotlib.pyplot as plt
 
 fig = plt.figure(figsize=(4, 3), frameon=True, facecolor='r')
 ax = fig.add_subplot(1, 1, 1)
 ax.spines['top'].set_color = 'none'
 ax.spines['right'].set_color = 'none'
 ax.spines['left'].set_position(('data', 0))
 ax.spines['bottom'].set_position(('data', 0))
 plt.show()

效果图：

• 

中文乱码

---

• 问题描述：matplotlib绘制图像在显示中文时候，中文会变成小方格子。其实plotlib是支持中文编码的，造成这个现象的原因是，matplotlib库的配置信息里面没有中文字体的相关信息
• 解决方案：在python脚本中动态设置 matplotlibrc，这样就避免了更改配置文件的麻烦，方便灵活，更改了字体导致显示不出负号，将配署文件中 axes.unicode minus :True 修改为 Falsest 就可以了，代码如下：

 from pylab import mpl
 
 mpl.rcParams['font.sans-serif'] = 'FangSong' # 指定默认字体
 mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

Windows的字体对应名称如下

• 黑体：SimHei
• 微软雅黑：Microsoft YaHei
• 微软正黑体：Microsoft JhengHei
• 新宋体：NSimSun
• 新细明体：PMingLiU
• 标楷体：DFKai-SB
• 仿宋：FangSong
• 楷体：KaiTi
• 仿宋_GB2312： FangSong_GB2312
• 楷体_GB2312： KaiTi_GB2312

plot：线性图

---

格式：plt.plot(x,y,format_string,**kwargs)

• x轴数据，y轴数据，format_string控制曲线的格式字串
• format_string：由颜色字符，风格字符，和标记字符。具体形式  fmt = '[color][marker][line]' ，fmt接收的是每个属性的单个字母缩写，见如下代码：
  1. plot(x,y2,color='green', marker='o', linestyle='dashed', linewidth=1, markersize=6)
  2. plot(x,y3,color='#900302',marker='+',linestyle='-')
  3. 还可包含有其它的属性，如：markerfacecolor：标记颜色 、markersize： 标记大小 等等
• 
• 
• 

示例：

 import matplotlib.pyplot as plt
 from pylab import mpl
 
 mpl.rcParams['font.sans-serif'] = 'FangSong' # 指定默认字体
 mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
 
 year = ['', '', '', '', '', '', '']
 gdp = [300.2, 543.3, 1075.9, 2862.5, 5979.6, 10298.7, 14958.3]
 y_data = [100, 200, 300, 400, 500, 600, 700]
 
 def draw_plot():
     # plt.plot(year, gdp, 'go-', year, y_data, 'rp:')
     plt.plot(year, gdp, 'go-', label='gdp')
     plt.plot(year, y_data, 'rp:', label='second line')
     plt.title("plot 线图demo")
     plt.xlabel('年度')
     plt.ylabel('gdp')
     plt.legend()  #生成默认图例
     plt.show()

效果图：

• 

bar：柱状图

---

格式：bar(left, height, width, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)

• left：x轴的位置序列，一般采用arange函数产生一个序列；
• height：y轴的数值序列，也就是柱形图的高度，一般就是我们需要展示的数据；
• width：柱形图的宽度，一般这是为1即可；
• alpha：透明度
• width：为柱形图的宽度，一般这是为0.8即可；
• color或facecolor：柱形图填充的颜色；
• edgecolor：图形边缘颜色
• label：解释每个图像代表的含义
• linewidth or linewidths or lw：边缘or线的宽度

示例

 def draw_bar():
     plt.bar(x=year, height=gdp, width=0.4, label='gdp', color='green')
     plt.bar(x=year, height=y_data, width=0.4, label='secend', color='red')
     # 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
     for x, y in enumerate(y_data):
         plt.text(x, y - 400, '%s' % y, ha='center', va='bottom')
     for x, y in enumerate(gdp):
         plt.text(x, y + 400, '%s' % y, ha='center', va='top')
 
     plt.title("bar 条形图")
     plt.xlabel('年度')
     plt.ylabel('gdp')
     plt.legend()
     plt.show()

效果图：

• 

使用 bar() 函数绘制柱状图时，默认不会在柱状图上显示具体的数值。为了能在柱状图上显示具体的数值，程序可以调用 text() 函数在数据图上输出文字，增加如下代码：for x, y in enumerate(y_data):

     for x, y in enumerate(y_data):
         plt.text(x, y - 400, '%s' % y, ha='center', va='bottom')
     for x, y in enumerate(gdp):
         plt.text(x, y + 400, '%s' % y, ha='center', va='top')

• 在使用 text() 函数输出文字时，该函数的前两个参数控制输出文字的 X、Y 坐标，第三个参数则控制输出的内容。其中 va 参数控制文字的垂直对齐方式，ha 参数控制文字的水平对齐方式。
• 对于上面的代码，由于 X 轴数据是一个字符串列表，因此 X 轴实际上是以列表元素的索引作为刻度值的。因此，当程序指定输出文字的 X 坐标为 0 时，表明将该文字输出到第一个条柱处；对于 Y 坐标而言，条柱的数值正好在条柱高度所在处，如果指定 Y 坐标为条柱的数值 +400，就是控制将文字输出到条柱略上一点的位置。

效果图：

• 

如上图 所示的显示效果来看柱状图重叠，为了实现条柱井列显示的效果，首先分析条柱重叠在一起的原因。使用 Matplotlib 绘制柱状图时同样也需要 X 轴数据，本程序的 X 轴数据是元素为字符串的 list 列表，因此程序实际上使用各字符串的索引作为 X 轴数据。比如 '1950' 字符串位于列表的第一个位置，因此代表该条柱的数据就被绘制在 X 轴的刻度值1处（由于两个柱状图使用了相同的 X 轴数据，因此它们的条柱完全重合在一起）。为了将多个柱状图的条柱并列显示，程序需要为这些柱状图重新计算不同的 X 轴数据。为了精确控制条柱的宽度，程序可以在调用 bar() 函数时传入 width 参数，这样可以更好地计算条柱的并列方式。

示例 ：

 def draw_bar2():
     barwidth=0.4
     plt.bar(x=range(len(year)), height=gdp, width=0.4, label='gdp', color='green')
     plt.bar(x=np.arange(len(year)) + barwidth, height=y_data, width=0.4, label='secend', color='red')
     # 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
     for x, y in enumerate(gdp):
         plt.text(x, y + 400, '%s' % y, ha='center', va='top')
     for x, y in enumerate(y_data):
         plt.text(x + barwidth, y + 400, '%s' % y, ha='center', va='top')
 
     plt.title("bar 条形图")
     plt.xlabel('年度')
     plt.ylabel('gdp')
     plt.legend()
     plt.show()

效果图：

• 

运行上面程序，将会发现该柱状图的 X 轴的刻度值变成 0、1、2 等值，不再显示年份。为了让柱状图的 X 轴的刻度值显示年份，程序可以调用 xticks() 函数重新设置 X 轴的刻度值，如下：

• plt.xticks(np.arange(len(year)) + barwidth/2, year)
• bar_width/2： 这些刻度值将被恰好添加在两个条柱之间

希望两个条柱之间有一点缝隙，那么程序只要对第二个条柱的 X 轴数据略做修改即可，完整代码如下：

 def draw_bar2():
     barwidth=0.4
     plt.bar(x=range(len(year)), height=gdp, width=barwidth, label='gdp', color='green')
     plt.bar(x=np.arange(len(year)) + barwidth + 0.01, height=y_data, width=barwidth, label='secend', color='red')
     # 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
     for x, y in enumerate(gdp):
         plt.text(x, y + 400, '%s' % y, ha='center', va='top')
     for x, y in enumerate(y_data):
         plt.text(x + barwidth + 0.01, y + 400, '%s' % y, ha='center', va='top')
 
     #X轴添加刻度
     plt.xticks(np.arange(len(year)) + barwidth/2 + 0.01, year)
     plt.title("bar 条形图")
     plt.xlabel('年度')
     plt.ylabel('gdp')
     plt.legend()
     plt.show()

效果图：

• 

barh：水平柱状图

---

barh() 函数的用法与 bar() 函数的用法基本一样，只是在调用 barh() 函数时使用 y参数传入 Y 轴数据，使用 width 参数传入代表条柱宽度的数据。

示例:

 def draw_barh():
     barwidth = 0.4
     plt.barh(y=range(len(year)), width=gdp, height=barwidth, label='gdp', color='green')
     plt.barh(y=np.arange(len(year)) + barwidth + 0.01, width=y_data, height=barwidth, label='secend', color='red')
     # 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
     for y, x in enumerate(gdp):
         plt.text(x + 1000, y + barwidth/2, '%s' % x, ha='center', va='bottom')
     for y, x in enumerate(y_data):
         plt.text(x + 1400, y + barwidth/2 - 0.01, '%s' % x, ha='center', va='top')
 
     # y轴添加刻度
     plt.yticks(np.arange(len(year)) + barwidth / 2 + 0.01, year)
     plt.title("barh 水平柱状图")
     plt.xlabel('gdp')
     plt.ylabel('年度')
     plt.legend()
     plt.show()

效果图：

• 

pie：饼图

---

格式：pie(x, explode=None, labels=None, colors=('b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'), 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 )

• 创建饼图最重要的两个参数就是 x 和 labels，其中 x 指定饼图各部分的数值，labels 则指定各部分对应的标签
• 通常，饼图用于显示部分对于整体的情况，通常以％为单位。 幸运的是，Matplotlib 会处理切片大小以及一切事情，我们只需要提供数值。
• x：绘图数据
• explode：突出显示，如将第4个数据显示：explode = [0, 0, 0, 0.3, 0, 0, 0, 0, 0, 0, 0]
• labels：显示标签
• autopct：设置百分比的格式，如保留3位小数：autopct='%.3f%%'
• pctdistance：置百分比标签与圆心的距离，如：pctdistance=0.8
• labeldistance：设置标签与圆心的距离，如：startangle = 180
• startangle：设置饼图的初始角度， 如：startangle = 180
• center ： 设置饼图的圆心（相当于X轴和Y轴的范围）,如：center = (4, 4)
• radius ：设置饼图的半径（相当于X轴和Y轴的范围），如：radius = 3.8
• counterclock ：是否逆时针，如这里设置为顺时针方向：counterclock = False,
• wedgeprops：设置饼图内外边界的属性值，如：wedgeprops = {'linewidth': 1, 'edgecolor':'green'}
• textprops：设置文本标签的属性值，如：textprops = {'fontsize':12, 'color':'black'}
• frame ：是否显示饼图的圆圈，如此处设为显示：frame = 1

示例

 def draw_pie():
     plt.pie(x=gdp,
             labels=year,
             autopct='%.3f%%',
             explode=[0, 0, 0, 0.03, 0, 0, 0])
 
     plt.title("pie 图")
     plt.show()

效果：

• 

scatter：散点图

---

格式：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, hold=None, data=None, **kwargs)

• x, y：指 x 轴、y轴数据
• s：指定散点的大小（设置点半径），如：s=50
• c：指定散点的颜色。如：c='red'
• alpha：指定散点的透明度。如：alpha = 0.5
• marker：指定散点的图形样式，见最上面标记字符图，如：marker='p'

示例：

 def draw_catter():
     plt.scatter(x=year, y=gdp, c='red', marker='*', s=100)
 
     plt.title("catter 散点图")
     plt.show()

效果：

• 

hist：直方图

---

柱状图与直方图：

• 柱状图是用条形的长度表示各类别频数的多少，其宽度（表示类别）则是固定的；
• 直方图是用面积表示各组频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距，因此其高度与宽度均有意义。
• 由于分组数据具有连续性，柱状图的各矩形通常是连续排列，而条形图则是分开排列。
• 柱状图主要用于展示分类数据，而直方图则主要用于展示数据型数据

格式：pyplot.hist(x, bins=None, range=None, normed=False, weights=None, cumulative=False, bottom=None, histtype=’bar’, align=’mid’, orientation=’vertical’, rwidth=None, log=False, color=None, label=None, stacked=False, hold=None, data=None, **kwargs)

• x：指定每个bin(箱子)分布的数据,对应x轴
• bins : 这个参数指定bin(箱子)的个数,也就是总共有几条条状图
• normed : 是否将得到的直方图向量归一化
• histtype : {‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}

函数返回值：

• n : array or list of arrays(箱子的值)
• bins : array(箱子的边界)
• patches : list or list of lists

stackplot：面积图

---

格式：stackplot(x, *args, labels=(), colors=None, baseline='zero', data=None, **kwargs)

示例 ：

  plt.stackplot(year, gdp, y_data, colors=['r', 'g'])
     plt.title("stackplot 面积图")
     plt.show()

效果：

• 

从图上看不出颜色代表的含义，增加图例，完整代码如下：

 def draw_stackplot():
     plt.plot([], [], color='r', label='gdp', linewidth=5)
     plt.plot([], [], color='g', label='y_data', linewidth=5)
     plt.stackplot(year, gdp, y_data, colors=['r', 'g'])
     plt.title("stackplot 面积图")
     plt.legend()
     plt.show()

效果图：

• 

subplot：子图布局

---

subplot 在一张数据图上包含多个子图，格式：subplot(nrows, ncols, index, **kwargs)

• nrows：指定将数据图区域分成多少行；
• ncols：指定将数据图区域分成多少列；
• index：指定获取第几个区域

subplot() 函数也支持直接传入一个三位数的参数，其中第一位数将作为 nrows 参数；第二位数将作为 ncols 参数；第三位数将作为 index 参数。

示例：

 def draw_subplot():
     plt.figure(figsize=(4, 3))
 
     x_data = np.linspace(-np.pi, np.pi, 64, endpoint=True)
     plt.subplot(2, 1, 1)
     plt.plot(x_data, np.sin(x_data))
     plt.gca().spines['top'].set_color('none')
     plt.gca().spines['right'].set_color('none')
     plt.gca().spines['left'].set_position(('data', 0))
     plt.gca().spines['bottom'].set_position(('data', 0))
     plt.title('sin')
 
     plt.subplot(2, 2, 3)
     plt.plot(x_data, np.cos(x_data))
     plt.gca().spines['top'].set_color('none')
     plt.gca().spines['right'].set_color('none')
     plt.gca().spines['left'].set_position(('data', 0))
     plt.gca().spines['bottom'].set_position(('data', 0))
     plt.title('cos')
 
     plt.subplot(2, 2, 4)
     plt.plot(x_data, np.tan(x_data))
     plt.gca().spines['top'].set_color('none')
     plt.gca().spines['right'].set_color('none')
     plt.gca().spines['left'].set_position(('data', 0))
     plt.gca().spines['bottom'].set_position(('data', 0))
     plt.title('tan')
 
     plt.show()

效果：

• 

GridSpec：网格布局

---

指定在给定GridSpec中的子图位置

示例：

 def draw_gridspace():
     plt.figure(figsize=(4, 3))
 
     x_data = np.linspace(-np.pi, np.pi, 64, endpoint=True)
     gs = gridspace.GridSpec(2, 2)
     ax1 = plt.subplot(gs[0, :])
     ax2 = plt.subplot(gs[1, 0])
     ax3 = plt.subplot(gs[1, 1])
 
     ax1.plot(x_data, np.sin(x_data))
     ax1.spines['top'].set_color('none')
     ax1.spines['right'].set_color('none')
     ax1.spines['left'].set_position(('data', 0))
     ax1.spines['bottom'].set_position(('data', 0))
     ax1.set_title('sin')
 
     ax2.plot(x_data, np.cos(x_data))
     ax2.spines['top'].set_color('none')
     ax2.spines['right'].set_color('none')
     ax2.spines['left'].set_position(('data', 0))
     ax2.spines['bottom'].set_position(('data', 0))
     ax2.set_title('cos')
 
     ax3.plot(x_data, np.tan(x_data))
     ax3.spines['top'].set_color('none')
     ax3.spines['right'].set_color('none')
     ax3.spines['left'].set_position(('data', 0))
     ax3.spines['bottom'].set_position(('data', 0))
     ax3.set_title('tan')
 
     plt.show()

效果与上节 subplot 一致

参考资料

---

• https://blog.csdn.net/u014539580/article/details/78207537
• https://blog.csdn.net/u010758410/article/details/71743225
• https://cloud.tencent.com/developer/news/320526
• figure：https://blog.csdn.net/m0_37362454/article/details/81511427
• spines：https://blog.csdn.net/qq_41011336/article/details/83015986
• bar1: https://blog.csdn.net/jiede1/article/details/61208576
• bar2: https://blog.csdn.net/liangzuojiayi/article/details/78187704
• bar3:http://c.biancheng.net/view/2716.html
• pie：http://c.biancheng.net/view/2713.html
• scatter： http://c.biancheng.net/view/2718.html
• hist：https://blog.csdn.net/lmj_2529980619/article/details/86063752
• hist：https://www.cnblogs.com/python-life/articles/6084059.html
• Stackplot：http://blog.sina.com.cn/s/blog_683754910102whwq.html
• subplot：http://c.biancheng.net/view/2711.html