Matplotlib概述
matplotlib简述
什么是matplotlib
- 是专门用于开发2D图表（包括3D图表）
- 使用起来及其简单
- 以渐进，交互式方式实现数据可视化
为什么学习matplotlib
- 可视化是整个数据挖掘的关键辅助工具，可以清晰的理解数据，从而调整我们的分析方法
- 能将数据进行可视化，更直观的呈现
- 使数据更加客观，更具说服力
实现一个简单的matplotlib绘图
import matplotlib.pyplot as plt
#1.创建画布
plt.figure(figsize=(20,8), dpi=100)
#2.绘制图像
x = [1, 2, 3]
y = [4, 5, 6]
plt.plot(x,y)
#3.显示图像
plt.show()
#帮助文档
help(plt.figure)
认识matplotlib图像结构
- matplotlib图像结构
- x轴标题，y轴标题，图像标题，图例说明
- 画布，绘图区，绘图区边框线，网络格
- 大刻度，小刻度，大刻度标签，小刻度标签
- 折线图，散点图
matplotlib三层结构
- 容器层:容器层主要由canvas，figure，axes组成
- canvas是位于最底层的系统层，在绘图的过程中充当画板的角色，即放置画布（figure）的工具
- figure是canvas上方的一层，也是需要用户来操作的应用层的第一层，在绘图的过程中充当画布的角色
- axes是应用层的第二层，在绘图的过程中相当于画布上的绘图区角色
- figure：指整个图形（可以通过plt.figure（）设置画布的大小和分辨率等）
- axes（坐标系）：数据的绘图区域
- axis（坐标轴）：坐标系中的一条轴，包含大小限制，刻度，和刻度标签
- 特点：
- 一个figure（图像）可以包含多个axes（坐标系、绘图区），但是一个axes只属于一个figure
- 一个axes（坐标系、绘图区）可以包含多个axis（坐标轴），包含2个即为2D坐标系，3个即为3D坐标系
- 辅助显示层：
- 辅助显示层为axes（绘图区）内的除了根据数据绘制出的图像内容以外，主要包括axes外观（facecolor），边框线（spines），坐标轴（axis），坐标轴名称（axis label），坐标轴刻度（tick），坐标轴刻度标签（tick label），网格线（grid），图例（legend），标题（title）等内容
- 该层的设置可以使图像显示更加直观更加容易被用户理解，但又不会对图像产生实质的影响
- 图像层：
- 图像层是指axes内通过plot，scatter，bar，histogram，pie等函数根据数据绘制出的图像
折线图与基础绘图功能
折线图绘制与保存图片
matplotlib.pyplot模块
matplotlib.pyplot模块包含了一系列类似于matlab的画图函数，它的函数作用于当前图形（figure）的当前坐标系（axes）
导入模块
import matplotlib.pyplot as plt
折线图绘制与显示
绘制折线图
import matplotlib.pyplot as plt #1.创建画布
plt.figure(figsize=(10,10), dpi=100)
#figsize图像多大
#dpi像素点
#2.绘制图像
plt.plot([1, 2, 3, 4, 5, 6, 7],[17, 17, 18, 15, 11, 11, 13])
#3.显示图像
plt.show()
#帮助文档
help(plt.figure)
设置画布属性与图像保存
设置画布属性与图像保存
#1.创建画布 plt.figure(figsize=(10,10), dpi=100)
#figsize图像多大，指定图像的长宽
#dpi像素点,图像的清晰度
#返回fig对象
#2.保存图像
pit.savefig(path)
#path路径注意：plt.show（）会释放figure资源，如果在显示图像之后保存图片只能保存空图片
完善原始折线图（辅助显示层）
准备数据画出初始折线图
绘制折线图
import matplotlib.pyplot as plt import random
# 画出温度变化图
# 0.准备x, y坐标的数据
x = range(60)
y_shanghai = [random.uniform(15, 18) for i in x]
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=80)
# 2.绘制折线图
plt.plot(x, y_shanghai)
# 3.显示图像
plt.show()
添加自定义x，y刻度
plt.xtick(x, **kwargs) ，x：要显示的刻度
plt.ytick(y, **kwargs) ，y：要显示的刻度
绘制折线图
# 增加以下两行代码 # 构造x轴刻度标签
x_ticks_label = ["11点{}分".format(i) for i in x]
# 构造y轴刻度
y_ticks = range(40)
# 修改x,y轴坐标的刻度显示
plt.xticks(x[::5], x_ticks_label[::5])
plt.yticks(y_ticks[::5])
#第一个参数必须传进去的是数字，如果不是数字需要进行值替换plt.xticks，plt.yticks：第一个参数必须传进去的是数字，如果不是数字需要进行值替换
中文显示问题解决
在Python脚本中动态设置matplotlibrc,这样也可以避免由于更改配置文件而造成的麻烦，具体代码如下
from pylab import mpl # 设置显示中文字体
mpl.rcParams["font.sans-serif"] = ["SimHei"]有时候，字体更改后，会导致坐标轴中的部分字符无法正常显示，此时需要更改axes.unicode_minus参数：
# 设置正常显示符号 mpl.rcParams["axes.unicode_minus"] = False
添加网格显示
添加网格显示
plt.grid(True, linestyle='--', alpha=0.5) #True是否显示
#linestyle网格线形状
#alpha显示清晰度
添加描述信息
添加描述信息：添加x轴、y轴描述信息及标题
plt.xlabel("时间") plt.ylabel("温度")
plt.title("中午11点0分到12点之间的温度变化图示", fontsize=20)通过fontsize参数可以修改图像中字体的大小
完善原始折线图（图像层）
多次plot
怎么去添加另一个在同一坐标系当中的不同图形，其实很简单只需要再次plot即可，但是需要区分线条
# 增加北京的温度数据 x = range(60)
y_beijing = [random.uniform(1, 3) for i in x]
y_shanghai = [random.uniform(15, 18) for i in x]
# 绘制折线图
plt.plot(x, y_shanghai,label="shanghai")
# 使用多次plot可以画多个折线
plt.plot(x, y_beijing, color='r', linestyle='--', label="beijing")
#显示图例：注意需要在显示之前声明plot里面的label
plt.legnd()
设置图形风格
设置图形风格
颜色字符 风格字符 r 红色 - 实线 g 绿色 - - 虚线 b 蓝色 -. 点划线 w 白色 : 点虚线 c 青色 ' ' 留空、空格 m 洋红 y 黄色 k 黑色
显示图例
注意：如果只在plt.plot()中设置label还不能最终显示出图例，还需要通过plt.legend()将图例显示出来
# 绘制折线图 plt.plot(x, y_shanghai, label="上海")
# 使用多次plot可以画多个折线
plt.plot(x, y_beijing, color='r', linestyle='--', label="北京")
# 显示图例
plt.legend(loc="best")Location String Location Code '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
多个坐标系显示-plt.subplots（面向对象的画图方法）
可以通过subplots函数实现(旧的版本中有subplot，使用起来不方便)，推荐subplots函数
matplotlib.pyplot.subplots(nrows=1, ncols=1, **fig_kw) 创建一个带有多个axes(坐标系/绘图区)的图
#Parameters: #设置有几行几列坐标系
#nrows, ncols : int, optional, default: 1, Number of rows/columns of the subplot grid.
#Returns:
#fig : 图对象
#axes : 返回相应数量的坐标系
#设置标题等方法不同：
# set_xticks
# set_yticks
# set_xlabel
# set_ylabel
#注意：plt.函数名()相当于面向过程的画图方法，axes.set_方法名()相当于面向对象的画图方法图像绘制
# 0.准备数据 x = range(60)
y_shanghai = [random.uniform(15, 18) for i in x]
y_beijing = [random.uniform(1, 5) for i in x]
# 1.创建画布
# plt.figure(figsize=(20, 8), dpi=100)
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi=100)
# 2.绘制图像
# plt.plot(x, y_shanghai, label="上海")
# plt.plot(x, y_beijing, color="r", linestyle="--", label="北京")
axes[0].plot(x, y_shanghai, label="上海")
axes[1].plot(x, y_beijing, color="r", linestyle="--", label="北京")
# 2.1 添加x,y轴刻度
# 构造x,y轴刻度标签
x_ticks_label = ["11点{}分".format(i) for i in x]
y_ticks = range(40)
# 刻度显示
# plt.xticks(x[::5], x_ticks_label[::5])
# plt.yticks(y_ticks[::5])
axes[0].set_xticks(x[::5])
axes[0].set_yticks(y_ticks[::5])
axes[0].set_xticklabels(x_ticks_label[::5])
axes[1].set_xticks(x[::5])
axes[1].set_yticks(y_ticks[::5])
axes[1].set_xticklabels(x_ticks_label[::5])
# 2.2 添加网格显示
# plt.grid(True, linestyle="--", alpha=0.5)
axes[0].grid(True, linestyle="--", alpha=0.5)
axes[1].grid(True, linestyle="--", alpha=0.5)
# 2.3 添加描述信息
# plt.xlabel("时间")
# plt.ylabel("温度")
# plt.title("中午11点--12点某城市温度变化图", fontsize=20)
axes[0].set_xlabel("时间")
axes[0].set_ylabel("温度")
axes[0].set_title("中午11点--12点某城市温度变化图", fontsize=20)
axes[1].set_xlabel("时间")
axes[1].set_ylabel("温度")
axes[1].set_title("中午11点--12点某城市温度变化图", fontsize=20)
# # 2.4 图像保存
plt.savefig("./test.png")
# # 2.5 添加图例
# plt.legend(loc=0)
axes[0].legend(loc=0)
axes[1].legend(loc=0)
# 3.图像显示
plt.show()
折线图的应用场景
呈现公司产品(不同区域)每天活跃用户数
呈现app每天下载数量
呈现产品新功能上线后,用户点击次数随时间的变化
拓展：绘制各种数学函数图像
注意：plt.plot()除了可以绘制折线图，也可以用于绘制各种数学函数图像
绘制\[y = sin(x)\]函数图像
import numpy as np # 0.准备数据
x = np.linspace(-10, 10, 1000)
y = np.sin(x)
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制函数图像
plt.plot(x, y)
# 2.1 添加网格显示
plt.grid()
# 3.显示图像
plt.show()
常见图形绘制
常见图形种类及意义
Matplotlib能够绘制折线图、散点图、柱状图、直方图、饼图，我们需要知道不同的统计图的意义，以此来决定选择哪种统计图来呈现我们的数据
折线图：以折线的上升或下降来表示统计数量的增减变化的统计图
特点：能够显示数据的变化趋势，反映事物的变化情况。(变化)
api：plt.plot(x, y)
散点图：用两组数据构成多个坐标点，考察坐标点的分布,判断两变量之间是否存在某种关联或总结坐标点的分布模式。
特点：判断变量之间是否存在数量关联趋势,展示离群点(分布规律)
api：plt.scatter(x, y)
柱状图：排列在工作表的列或行中的数据可以绘制到柱状图中。
特点：绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)
api：plt.bar(x, width, align='center', **kwargs)
#Parameters: #x:需要传递的数据
#width:柱状图的宽度
#align:每个柱状图的位置对齐方式{‘center’, ‘edge’}, default:‘center’
# **kwargs:
#color:选择柱状图的颜色直方图：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范围，纵轴表示分布情况。
特点：绘制连续性的数据展示一组或者多组数据的分布状况(统计)
api：plt.hist(x, bins=None)
#Parameters: #x:需要传递的数据
#bins:组距饼图：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。
特点：分类数据的占比情况(占比)
api：plt.pie(x, labels=,autopct=,colors)
#Parameters: #x:数量,自动算百分比
#labels:每部分名称
#autopct:占比显示指定%1.2f%%
#colors:每部分颜色
散点图绘制
散点图绘制
# 0.准备数据 x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01, 20.67, 288.64,
163.56, 120.06, 207.83, 342.75, 147.9 , 53.06, 224.72, 29.51,
21.61, 483.21, 245.25, 399.25, 343.35]
y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61, 24.9 , 239.34,
140.32, 104.15, 176.84, 288.23, 128.79, 49.64, 191.74, 33.1 ,
30.74, 400.02, 205.35, 330.64, 283.45]
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制散点图
plt.scatter(x, y)
# 3.显示图像
plt.show()
柱状图绘制
柱状图绘制
# 0.准备数据 # 电影名字
movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']
# 横坐标
x = range(len(movie_name))
# 票房数据
y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]
# 1.创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 2.绘制柱状图
plt.bar(x, y, width=0.5, color=['b','r','g','y','c','m','y','k','c','g','b'])
# 2.1b修改x轴的刻度显示
plt.xticks(x, movie_name)
# 2.2 添加网格显示
plt.grid(linestyle="--", alpha=0.5)
# 2.3 添加标题
plt.title("电影票房收入对比")
# 3.显示图像
plt.show()
浙公网安备 33010602011771号