【Python】使用matplotlib绘制图形（曲线图、条形图、饼图等）_matplotlib曲线图

一、什么是matplotlib

matplotlib 是一个用于创建静态、动态和交互式可视化图形的 Python 库。它被广泛用于数据可视化，并且可以与多种操作系统和图形后端一起工作。matplotlib 提供了一套与 MATLAB 相似的命令 API，适合交互式制图，也可以作为绘图控件嵌入到其他应用程序中。

matplotlib 的主要组成部分是 pyplot，它是一个类似于 MATLAB 的绘图框架。pyplot 提供了一个 MATLAB 式的接口，可以隐式地创建图形和轴，使得绘图变得简单。

以下是一个简单的 matplotlib 使用示例，用于绘制一条简单的折线图：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图形
plt.figure()

# 绘制折线图
plt.plot(x, y, '-')

# 设置图表标题和坐标轴标签
plt.title("Simple Plot of Sine Function")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")

# 显示图形
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

在这个例子中，我们首先导入了 matplotlib.pyplot 和 numpy。然后，我们创建了一组数据 x 和 y，其中 y 是 x 的正弦函数。接下来，我们使用 plt.figure() 创建一个新的图形，并使用 plt.plot() 绘制折线图。最后，我们设置了图表的标题和坐标轴标签，并使用 plt.show() 显示图形。

这只是 matplotlib 的一个基本示例。该库提供了许多其他功能，包括散点图、条形图、饼图、3D 图形、等高线图等。此外，matplotlib 还支持自定义颜色、线型、标记等，以及添加图例、网格等。

二、matplotlib 支持的图形

matplotlib 是一个非常灵活的绘图库，支持绘制多种类型的图形。以下是一些 matplotlib 支持的主要图形类型：

1. 线图 (Line Plots): 最基本的图形类型，用于显示数据点的连接。

2. 散点图 (Scatter Plots): 用于显示两个变量之间的关系，通过点的分布来表示。

3. 条形图 (Bar Charts): 适用于展示分类数据的相对大小。

4. 直方图 (Histograms): 展示数据分布的统计图，通常用于表示连续变量的分布情况。

5. 饼图 (Pie Charts): 用于表示整体中各部分的比例关系。

6. 箱图 (Box Plots): 用于展示数据的分布情况，包括中位数、四分位数、最大值、最小值以及可能存在的异常值。

7. 面积图 (Area Charts): 类似于线图，但是下方区域会被填充颜色，用于表示数据随时间的变化量。

8. 等高线图 (Contour Plots): 通常用于表示三维数据在二维平面上的投影，通过等高线展示数据点的密集程度。

9. 热力图 (Heatmap): 通过颜色的深浅来表示数据矩阵中各个值的大小。

10. 极坐标图 (Polar Plots): 在极坐标系中展示数据点，常用于表示与角度相关的信息。

11. 三维图形 (3D Plots): 用于在三维空间中展示数据点的分布情况，可以创建三维散点图、三维曲面图等。

12. 堆叠图 (Stacked Plots): 适用于展示多个分类数据系列的累积效果，如堆叠条形图或堆叠面积图。

13. 误差条图 (Error Bar Charts): 用于表示数据点的不确定性或变化范围。

14. 矢量场图 (Vector Fields): 用于表示矢量数据，如风向或流体的流动方向。

15. 流线图 (Stream Plots): 类似于矢量场图，但更侧重于表示流体的流动路径。

matplotlib 还支持许多其他高级和定制化的图形，包括但不限于小提琴图 (violin plots)、树状图 (dendrograms)、雷达图 (radar charts) 等。由于其强大的定制性和灵活性，matplotlib 已经成为数据可视化的重要工具之一。

三、如何使用matplotlib

使用matplotlib进行数据可视化是一个相对直接的过程。以下是一个清晰、分点的指南，帮助您开始使用matplotlib：

1. 安装matplotlib

首先，确保您已经安装了matplotlib库。如果还没有安装，可以使用pip进行安装：

pip install matplotlib
1

2. 导入matplotlib.pyplot

在Python脚本或Jupyter Notebook中，您需要导入matplotlib.pyplot模块，通常我们使用别名plt来引用它：

import matplotlib.pyplot as plt
1

3. 准备数据

准备您要可视化的数据。这可以是实验数据、统计数据或任何您想要展示的信息。

4. 绘制图形

使用plt中的函数来绘制您想要的图形。以下是一些常见图形的绘制方法：

• 线图：

  plt.plot(x, y, label='Line 1')  # x和y是数据点
  1

• 散点图：

  plt.scatter(x, y)  # x和y是数据点
  1

• 条形图：

  plt.bar(x, y)  # x是分类变量，y是对应值
  1

• 直方图：

  plt.hist(data, bins=10)  # data是要统计的数据，bins是分组数量
  1

• 饼图：

  plt.pie(sizes, labels=labels)  # sizes是各部分大小，labels是标签
  1

5. 定制图形

您可以添加标题、轴标签、图例以及调整轴的范围等：

plt.title('My Plot')        # 添加标题
plt.xlabel('X Axis Label')  # 添加X轴标签
plt.ylabel('Y Axis Label')  # 添加Y轴标签
plt.legend()                # 添加图例
plt.xlim(0, 10)             # 设置X轴范围
plt.ylim(0, 100)            # 设置Y轴范围
1
2
3
4
5
6

6. 显示或保存图形

最后，使用plt.show()来显示图形，或者使用plt.savefig()来保存图形到文件：

plt.show()  # 显示图形
# 或者
plt.savefig('my_plot.png')  # 保存图形为PNG文件
1
2
3

7. （可选）使用subplots创建多个子图

如果您想在同一个窗口中显示多个图形，可以使用plt.subplots()：

fig, axs = plt.subplots(nrows=2, ncols=2)  # 创建一个2x2的子图网格
# 然后可以在每个子图上进行绘制，例如：
axs[0, 0].plot(x1, y1)  # 在第一个子图上绘图
axs[0, 1].scatter(x2, y2)  # 在第二个子图上绘图
# ...以此类推
1
2
3
4
5

注意事项：

• 确保您的数据格式正确，并且与所选的图形类型兼容。
• matplotlib具有高度的可定制性，您可以通过查阅官方文档来了解更多高级功能和定制选项。
• 在绘制复杂图形时，考虑使用面向对象的方式来操作图形和轴对象，这可以提供更精细的控制。

四、常见图形使用示例

下面我会通过具体的代码示例来介绍matplotlib库中常见图形的绘制方法。

1. 线图 (Line Plot)

线图通常用于展示数据随时间的变化趋势。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制线图
plt.plot(x, y)
plt.title('Line Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.grid(True)
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2. 散点图 (Scatter Plot)

散点图用于展示两个变量之间的关系。

# 创建数据
x = np.random.rand(50)
y = np.random.rand(50)

# 绘制散点图
plt.scatter(x, y)
plt.title('Scatter Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.grid(True)
plt.show()
1
2
3
4
5
6
7
8
9
10
11

3. 条形图 (Bar Chart)

条形图适用于展示分类数据的相对大小。

# 创建数据
categories = ['Category1', 'Category2', 'Category3', 'Category4']
values = [23, 45, 56, 12]
# 设置字体为支持中文的字体，比如'SimHei'（黑体），确保你的系统中安装了该字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用于正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 绘制条形图
plt.bar(categories, values, label='测试图例')
plt.title('Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.legend()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

4. 直方图 (Histogram)

直方图用于展示数据分布的统计图。

# 创建数据（正态分布的随机样本）
data = np.random.rand(100)
print(data)

data = np.sort(data)
print(data)
# 绘制直方图
plt.hist(data, bins=20, edgecolor='black', color='skyblue', alpha=0.7)

# 定制图形
plt.title('Histogram of Data Distribution')
plt.xlabel('Value Range')
plt.ylabel('Frequency')
plt.grid(True)

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

5. 饼图 (Pie Chart)

饼图用于表示整体中各部分的比例关系。

# 创建数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

# 绘制饼图
plt.pie(sizes, labels=labels)
plt.title('Pie Chart')
plt.show()
1
2
3
4
5
6
7
8

6. 直方图 2d

直方图用于展示数据分布的统计图。

# 创建数据
x = np.array([1, 2, 3, 4, 2, 2, 2, 1])
y = np.array([1, 2, 3, 4, 1, 2, 3, 4])

# 绘制直方图
plt.hist2d(x, y, bins=[20, 20], cmap=plt.cm.jet)
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
# 添加带有标签的颜色条
plt.colorbar(label='Counts')
plt.grid(True)
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

7. 面积图（Area Plot）

面积图是一种展示数据随时间变化趋势的图形，通常用于显示时间序列数据。

import matplotlib.pyplot as plt  
import numpy as np  
  
# 模拟数据  
x = np.arange(1, 6)  
y1 = np.random.randint(1, 5, 5)  
y2 = np.random.randint(1, 5, 5)  
  
# 绘制面积图  
# 绘制 y1 到 0 之间的区域
plt.fill_between(x, y1, color='blue', alpha=0.5, label='Area 1')  
# 绘制 y1 到 y2 之间的区域
plt.fill_between(x, y1, y2, color='red', alpha=0.5, label='Area 2')  
  
plt.legend()  
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

8. 热力图（Heatmap）

热力图通常用于显示数据矩阵中各个元素值的大小，通过颜色来表示数值。

示例1

import matplotlib.pyplot as plt  
import numpy as np  
import seaborn as sns  
  
# 创建一个数据矩阵  
data = np.random.rand(10, 12)  
  
# 绘制热力图  
sns.heatmap(data, cmap='coolwarm')  
plt.show()
1
2
3
4
5
6
7
8
9
10

示例2

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 创建一个假设的数据集
data = {
    'Product': ['A', 'B', 'C', 'D', 'E'],
    'January': np.random.randint(10, 100, 5),
    'February': np.random.randint(10, 100, 5),
    'March': np.random.randint(10, 100, 5),
    'April': np.random.randint(10, 100, 5),
    'May': np.random.randint(10, 100, 5),
    'June': np.random.randint(10, 100, 5)
}

# 将数据转换为Pandas DataFrame
df = pd.DataFrame(data)
df = df.set_index('Product')

# 绘制热力图
plt.figure(figsize=(10, 8))
sns.heatmap(df, annot=True, cmap='coolwarm', fmt='d', linewidth=0.5)

# 设置图表标题和坐标轴标签
plt.title('Monthly Sales Heatmap')
plt.xlabel('Month')
plt.ylabel('Product')

# 显示图表
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

9. 三维图形（3D Plot）

Matplotlib也支持三维图形的绘制，例如三维散点图、三维曲面图等。

import matplotlib.pyplot as plt
import numpy as np

# 创建3D坐标轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 模拟三维数据点
x = np.random.standard_normal(100)
y = np.random.standard_normal(100)
z = np.random.standard_normal(100)

# 绘制三维散点图
ax.scatter(x, y, z, c='b', marker='o')

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

10. 堆叠图（Stacked Plot）

堆叠图通常用于展示不同类别数据随某个变量的累积变化。

import matplotlib.pyplot as plt
import numpy as np

# 模拟数据
N = 5
menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
ind = np.arange(N)  # the x locations for the groups
width = 0.35  # the width of the bars: can also be len(x) sequence

# 绘制男性数据堆叠图
p1 = plt.bar(ind, menMeans, width, label='Men')

# 绘制女性数据堆叠图，注意这里的bottom参数，它使得女性数据的柱状图从男性数据的顶部开始绘制
p2 = plt.bar(ind, womenMeans, width, label='Women', bottom=menMeans)

plt.ylabel('Scores')
plt.title('Scores by group and gender')
# 设置X轴刻度
plt.xticks(ind, ('G1', 'G2', 'G3', 'G4', 'G5'))
# 设置y轴刻度
plt.yticks(np.arange(0, 81, 10))
# 显示图例
plt.legend()
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

这些代码示例展示了如何使用matplotlib绘制常见的图形。您可以根据需要调整数据和图形属性来定制您的图表。每个图形类型都有许多可配置的选项，例如颜色、线型、标记样式等，您可以通过查阅matplotlib的官方文档来了解更多细节。

五、常用函数

在matplotlib库中，有许多常用的函数用于数据可视化。以下是一些matplotlib.pyplot模块中常用的函数：

请注意，上述示例代码仅为简单演示函数的使用，实际应用中可能需要根据具体需求调整参数和设置。另外，为了使示例代码简洁明了，这里没有包含数据准备和图形细节调整的部分。在实际应用中，你通常需要先准备好数据，并根据需要调整图形的各种属性（如线型、颜色、标签等）。

参考

• Matplotlib中文网