数据可视化（matplotlib）_matplotlib数据可视化

本文只为记录自己的学习，内容来自各位大佬，来源众多，故不挂了。若是需要的私信我，我来挂出大佬原文

Matplotlib 是专门用于开发2D图表（包括3D图表）的python库

对应的JS库有 D3 (opens new window)echarts

官网：Matplotlib

一、三层结构：

容器层

1. 画板层Canvas
2. 画布层Figure
3. 绘图层/坐标系

辅助显示层

图像层

二、各种图形绘制

2.0 、多坐标系

2.0.1 最初图表

# 温度变化折线图
import matplotlib.pyplot as plt 
import random


# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正确显示中文标签
plt.rcParams['axes.unicode_minus']=False  # 用来正确显示负号

# 1、准备数据
x=range(60)
y_shanghai=[random.uniform(15,18) for i in x]
y_beijing=[random.uniform(1,3) for i in x]
# random.uniform(x, y) 方法将随机生成一个实数，它在 [x,y) 范围内。

# 2、创建画布
plt.figure(figsize=(20,8), dpi=80)  # 大小，像素点


plt.subplot(241)
plt.plot(x,y,"c.")
plt.title("青，点")

plt.subplot(242)
plt.plot(x,y,"r-.")
plt.title("红，点画")

plt.subplot(243)
plt.plot(x,y,'g--')
plt.title("绿，短划线")

plt.subplot(244)
plt.plot(x,y,'b-')
plt.title("蓝，实线")

plt.subplot(245)
plt.plot(x,y,'w.')
plt.title("白色，点")

plt.subplot(246)
plt.plot(x,y,"k-.")
plt.title("黑色，点画")

plt.subplot(247)
plt.plot(x,y,'y--')
plt.title("黄色，短划线")
plt.subplot(248)
plt.plot(x,y,'m-')
plt.title("洋红，实线")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

2.0.2 修饰图表

import random
import matplotlib.pyplot as plt

# 中文问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正确显示中文标签
plt.rcParams['axes.unicode_minus']=False  # 用来正确显示负号

# 输入数据
x=range(60)
y=[random.uniform(15,18) for i in x]

# 绘制画布
plt.figure(figsize=(20,8),dpi=80)

# 绘制图像
#(0,0)
plt.subplot(241)
plt.plot(x,y,"c.",label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(0,1)
plt.subplot(242)
plt.plot(x,y,"r-.",label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(0,2)
plt.subplot(243)
plt.plot(x,y,'g--',label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(0,3)
plt.subplot(244)
plt.plot(x,y,'b-',label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(1,0)
plt.subplot(245)
plt.plot(x,y,'w.',label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(1,1)
plt.subplot(246)
plt.plot(x,y,"k-.",label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(1,2)
plt.subplot(247)
plt.plot(x,y,'y--',label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")


x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))
#(1,3)
plt.subplot(248)
plt.plot(x,y,'m-',label='上海')

plt.legend()

plt.grid(linestyle='--',alpha=0.5) # 网格线透明度0.5

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海未来温度一个小时的变化")

x_label=[f"11点{i}分" for i in x]
plt.xticks(x[::10],x_label[::10])
plt.yticks(range(0,40,5))

plt.show()


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139

2.1、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）

# 温度变化折线图
import matplotlib.pyplot as plt 
import random


# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正确显示中文标签
plt.rcParams['axes.unicode_minus']=False  # 用来正确显示负号


# 1、准备数据
x=range(60)
y_shanghai=[random.uniform(15,18) for i in x]
y_beijing=[random.uniform(1,3) for i in x]
# random.uniform(x, y) 方法将随机生成一个实数，它在 [x,y) 范围内。

# 2、创建画布
plt.figure(figsize=(20,8), dpi=80)  # 大小，像素点

# 3、绘制图像
# plt.plot(x,y_shanghai,color='r',linestyle='-.',label='上海')
plt.plot(x,y_shanghai,'r-.',label='上海') # 简略题
plt.plot(x,y_beijing,'k.',label='北京')
# plt.show()
# 修饰图表

# 4、显示图例
plt.legend(loc=1) # loc=1右上角，loc=2左上角，loc=4右下角，loc=3左下角

# 5、显示网格
plt.grid(linestyle='-',alpha=0.5) # 网格透明度为0.5

# 6、添加描述、标题
plt.xlabel('时间')
plt.ylabel('温度')
plt.title('上海、北京温度变化')

# 7、修改x,y刻度
x_label=[f"11分{i}秒" for i in x]
plt.xticks(x[::5],x_label[::5])
plt.yticks(range(0,40,5))
plot.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

2.2 、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）

import matplotlib.pyplot as plt
import numpy as np

# 随机数种子
np.random.seed(50)

N=50
x=np.random.rand(N) # 生成50*1（1D）个0到1的数字
y=np.random.rand(N)
colors=np.random.rand(N)
area=(50*np.random.rand(N))**2
# 绘制画布
plt.figure(figsize=[20,8]，dpi=80)
# 绘制图像
plt.scatter(x,y,s=area,c=colors,alpha=0.5) # 透明度
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

1. random.rand( ) Numpy中的random.rand()主要用于返回一个或一组0到1之间的随机数或随机数组。 numpy.random.rand（2，2)生成2*2数组，给定形状的随机值。
2. plt.scatter(x,y,s=area,c=colors,alpha=0.5,marker=0)

• x, y → 散点的坐标
• s → 散点的面积
• c → 散点的颜色（默认值为蓝色，‘b’，其余颜色同 plt.plot( )）
• marker → 散点样式（默认值为实心圆，‘o’，其余样式同 plt.plot( )）
• alpha → 散点透明度（[0, 1]之间的数，0表示完全透明，1则表示完全不透明）

2.3、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，能够一眼看出名个数据的大小，比较数据之间的差别（统计/对比）

import matplotlib.pyplot as plt

# 1、准备数据
movie_names = ['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']
tickets = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]
# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制柱状图
colors=['b','r','g','y','c','m','y','k','c','g','b']
plt.bar(movies_names,tickets,color=colors)
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

2.4、直方图（histogram)

由一系列高度不等的纵向条纹活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的分布情况（统计）

直方图涉及统计学概念，首先要对数据分组，然后统计每组内数据元的数量。

在坐标系中，横轴标出每个组的端点，纵轴表示频数，每个矩形的高代表对应的频数，称这样子的统计图为频数分布直方图

# 需求：电影时长的分布情况
# 1、准备数据
time=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]
# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)
# 3、绘制直方图
distance=2
group_num=int((max(time)-min(time))/distance)
plt.hist(time,bins=group_num,density=True)
1
2
3
4
5
6
7
8
9

2.5 、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）

# 1、准备数据
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']

place_count = [60605,54546,45819,28243,13270,9945,7679,6799,6101,4621,20105]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制饼图
plt.pie(place_count, labels=movie_name, colors=['b','r','g','y','c','m','y','k','c','g','y'], autopct="%1.2f%%")

# 显示图例
plt.legend()

plt.axis('equal')

# 4、显示图像
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

三、调整子图布局

3.1、调整子图布局，调用格式如下：

subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)
1

参数

有六个可选参数来控制子图布局。值均为0-1之间。其中left、bottom、right、top围成的区域就是子图的区域。wspace、hspace分别表示子图之间左右、上下的间距。实际的默认值由matplotlibrc文件控制的。

• left:所有子图整体相对于图像的左外边距，距离单位为图像的宽度比例（小数）。可选参数，浮点数，默认值为0.125
• right:所有子图整体相对于图像的右外边距，距离单位为图像的宽度比例（小数）。可选参数，浮点数，默认值为0.0
• bottom:所有子图整体相对于图像的下外边距，距离单位为图像的高度比例（小数）。可选参数，浮点数，默认值为0.11
• top：所有子图整体相对于图像的上外边距，距离单位为图像的高度比例（小数）。可选参数，浮点数，默认值为0.88
• wspace:子图间宽度内边距，距离单位为子图平均宽度的比例（小数）。可选参数，浮点数，默认值为0.2
• hspace:子图间高度内边距，距离单位为子图平均宽度的比例（小数）。可选参数，浮点数，默认值为0.2

简单示例

# 0、load data
digits = load_digits()
# print("特征数据数组\n",digits.data)
# print("标签数组\n",digits.target)
# print("特征名\n",digits.feature_names)
# print("标签名\n",digits.target_names)

# 1、plot the digits
fig = plt.figure(figsize=(6, 6),dpi=80)  # figure size in inches
fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)
1
2
3
4
5
6
7
8
9
10

3.2、Python使用add_subplot与subplot画子图操作

子图：就是在一张figure里面生成多张子图。

注意，pyplot的方式中plt.subplot()参数和面向对象中的add_subplot()参数和含义都相同。

# 法一
import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 100)
fig = plt.figure()

ax1 = fig.add_subplot(221)
ax1.plot(x, x)

ax2 = fig.add_subplot(222)
ax2.plot(x, -x)

ax3 = fig.add_subplot(223)
ax3.plot(x, x ** 2)

ax4 = fig.add_subplot(224)
ax4.plot(x, np.log(x))

plt.show()
# 法二
import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 100)

plt.subplot(221)
plt.plot(x, x)

plt.subplot(222)
plt.plot(x, -x)

plt.subplot(223)
plt.plot(x, x ** 2)

plt.subplot(224)
plt.plot(x, np.log(x))

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
'
运行
运行

3.3、Matplotlib imshow()函数

• inshow详解热图知识

  热图是数据分析的常用方法，通过色差、亮度来展示数据的差异、易于理解。在matplotlib库中，调用imshow（）函数来实现热图的绘制

• imshow函数说明

  imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=None, filternorm=1, filterrad=4.0, imlim=None, resample=None, url=None, hold=None, data=None, **kwargs)
  其中，x变量存储图像，可以是浮点数组、unit8数组以及PIL图像，如果其为数组，则需满足一下形状：

  • M * N 此时数组必须为浮点型，其中值为该坐标的灰度；*
  • M * N * 3 RGB（浮点型或者unit8类型）
  • M * N * 4 RGBA（浮点型或者unit8类型）

• Colormap:参数camp用于设置热图的Colormap

• Colormap是MATLAB里面用来设定和获取当前色图的函数，可以设置如下色图：
  hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。
  cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。
  gray 返回线性灰度色图。
  bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。
  white 全白的单色色图。
  spring 包含品红和黄的阴影颜色。
  summer 包含绿和黄的阴影颜色。
  autumn 从红色平滑变化到橙色，然后到黄色。
  winter 包含蓝和绿的阴影色。

• 下面这段代码是显示原图、灰度（gray）、和春夏秋冬的示例。

import matplotlib.pyplot as plt
 
X = [[1, 2], [3, 4]]
fig = plt.figure()
ax = fig.add_subplot(231)
ax.imshow(X)
 
ax = fig.add_subplot(232)
im = ax.imshow(X, cmap=plt.cm.gray) #灰度
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
 
ax = fig.add_subplot(233)
im = ax.imshow(X, cmap=plt.cm.spring) #春
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
 
ax = fig.add_subplot(234)
im = ax.imshow(X, cmap=plt.cm.summer) #夏
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
 
ax = fig.add_subplot(235)
im = ax.imshow(X, cmap=plt.cm.autumn)
plt.colorbar(im, shrink=0.5, ticks=[-1, 0, 1])
 
ax = fig.add_subplot(236)
im = ax.imshow(X, cmap=plt.cm.winter)
plt.colorbar(im, shrink=0.5)
 
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
'
运行
运行