十二个常用的 matplotlib 绘图案例_matplotlib经典案例

在数据分析和机器学习中，matplotlib 是一个常用的Python绘图库，用于创建各种类型的图表和可视化。本文总结了12种常用的图形。

折线图

折线图（Line Plot）：用于显示数据随时间或其他连续变量的变化趋势。在实际项目中，可以用于可视化模型性能随着训练迭代次数的变化。
下面示例中，我们将绘制一个包含多个数据系列的折线图。

看代码，创建一个包含多个数据系列的折线图：

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集
x = np.linspace(0, 10, 100)  # 生成0到10之间的100个数据点作为x轴
y1 = np.sin(x)  # 第一个数据系列，正弦函数
y2 = np.cos(x)  # 第二个数据系列，余弦函数
y3 = np.sin(2 * x)  # 第三个数据系列，正弦函数的倍频
 
# 创建一个Matplotlib图表
plt.figure(figsize=(10, 6))  # 设置图表的大小
 
# 绘制折线图
plt.plot(x, y1, label='sin(x)', color='blue', linestyle='-', linewidth=2)
plt.plot(x, y2, label='cos(x)', color='red', linestyle='--', linewidth=2)
plt.plot(x, y3, label='sin(2x)', color='green', linestyle='-.', linewidth=2)
 
# 添加标题和标签
plt.title('Complex Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
 
# 添加图例
plt.legend()
 
# 自定义坐标轴范围
plt.xlim(0, 10)
plt.ylim(-2, 2)
 
# 添加网格线
plt.grid(True, linestyle='--', alpha=0.6)
 
# 保存图像（可选）
# plt.savefig('complex_line_plot.png')
 
# 显示图像
plt.show()

包含三个不同的数据系列，每个系列都具有不同的线型和颜色。
可以根据需要自定义图表的样式、颜色和标签。

散点图

散点图（Scatter Plot）：用于显示两个变量之间的关系，通常用于观察数据的分布、异常值或类别之间的关系。
创建一个包含多个数据系列的散点图。

我们将使用随机生成的数据集来模拟复杂的散点图：

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集
np.random.seed(0)
n_points = 200
x = np.random.rand(n_points)  # 随机生成x坐标
y1 = np.random.rand(n_points)  # 随机生成y坐标
y2 = 1.5 * x + np.random.rand(n_points)  # 生成带趋势的数据
colors = np.random.rand(n_points)  # 随机生成颜色值
sizes = np.random.rand(n_points) * 100  # 随机生成点的大小
 
# 创建一个Matplotlib图表
plt.figure(figsize=(10, 6))  # 设置图表的大小
 
# 绘制散点图
plt.scatter(x, y1, label='Random Data', c=colors, s=sizes, alpha=0.7, cmap='viridis')
plt.scatter(x, y2, label='Trendline Data', c='red', marker='x', s=50,  alpha=0.7)
 
# 添加标题和标签
plt.title('Complex Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
 
# 添加图例
plt.legend()
 
# 自定义坐标轴范围
plt.xlim(0, 1)
plt.ylim(0, 2)
 
# 添加颜色条
# colorbar = plt.colorbar()
# colorbar.set_label('Color Intensity')
 
# 保存图像（可选）
# plt.savefig('complex_scatter_plot.png')
 
# 显示图像
plt.show()

上面代码创建了一个复杂的散点图，其中包含两个不同的数据系列，每个系列都具有不同的颜色、标记和点大小。通过使用cmap参数，可以改变数据点的颜色映射。
可以根据需要自定义图表的样式、颜色和标签。

直方图

直方图（Histogram）：用于显示数据的分布情况，特别适用于展示数值型数据的频率分布。
使用多个数据系列以及自定义的颜色、透明度和边界线等属性来创建一个直方图。

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集（多个数据系列）
np.random.seed(0)
data_series = [np.random.normal(0, std, 1000) for std in range(1, 4)]
 
# 创建一个Matplotlib图表
plt.figure(figsize=(10, 6))  # 设置图表的大小
 
# 绘制直方图
plt.hist(data_series, bins=20, color=['blue', 'green', 'purple'], alpha=0.7, label=['Series 1', 'Series 2', 'Series 3'], edgecolor='black')
 
# 添加标题和标签
plt.title('Complex Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
 
# 添加图例
plt.legend()
 
# 自定义坐标轴范围
plt.xlim(-4, 4)
plt.ylim(0, 300)
 
# 添加网格线
plt.grid(True, linestyle='--', alpha=0.6)
 
# 保存图像（可选）
# plt.savefig('complex_histogram.png')
 
# 显示图像
plt.show()

代码中，包含三个不同的数据系列，每个系列都具有不同的颜色、透明度和边界线颜色。直方图的bins数设置为20，可以根据需要进行调整。
可以根据实际情况自定义样式、颜色和标签。

柱状图

柱状图（Bar Plot）：用于比较不同类别之间的数据，例如不同产品的销售量或不同类别的统计数据。
当涉及到柱状图可视化时，Matplotlib提供了丰富的自定义选项。
下面代码将创建一个具有多个数据系列、堆叠柱状图和自定义颜色、标签等属性的柱状图。

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集（多个数据系列）
categories = ['Category A', 'Category B', 'Category C', 'Category D']
data_series1 = [3, 4, 2, 6]
data_series2 = [2, 5, 1, 4]
data_series3 = [1, 3, 4, 2]
 
# 创建一个Matplotlib图表
plt.figure(figsize=(10, 6))  # 设置图表的大小
 
# 绘制柱状图（堆叠）
bar_width = 0.2
index = np.arange(len(categories))
plt.bar(index, data_series1, bar_width, label='Series 1', color='blue', edgecolor='black')
plt.bar(index, data_series2, bar_width, label='Series 2', color='green', edgecolor='black', bottom=data_series1)
plt.bar(index, data_series3, bar_width, label='Series 3', color='purple', edgecolor='black', bottom=np.array(data_series1) + np.array(data_series2))
 
# 添加标题和标签
plt.title('Complex Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
 
# 添加图例
plt.legend()
 
# 自定义坐标轴标签
plt.xticks(index, categories)
 
# 自定义坐标轴范围
plt.ylim(0, 15)
 
# 添加网格线
plt.grid(True, linestyle='--', alpha=0.6)
 
# 保存图像（可选）
# plt.savefig('complex_bar_chart.png')
 
# 显示图像
plt.show()

示例中，使用了三个数据系列，每个系列都具有不同的颜色。柱状图被堆叠在一起，以显示每个类别中各系列的值，并使用bottom参数来堆叠。

箱线图

箱线图（Box Plot）：用于展示数据的分布、中位数、离群值等统计信息，有助于检测数据中的异常值。
导入必要的库和生成一个示例数据集：

import matplotlib.pyplot as plt
import numpy as np
 
# 创建一个示例数据集，这里使用随机生成的数据
np.random.seed(0)
data = [np.random.normal(0, std, 100) for std in range(1, 4)]
 
# 设置箱线图的标签
labels = ['Dataset 1', 'Dataset 2', 'Dataset 3']
 
# 创建一个箱线图
fig, ax = plt.subplots(figsize=(10, 6))
 
# 自定义箱线图的外观，包括颜色、填充、标记和线宽
boxprops = dict(linewidth=2, color='blue', facecolor='lightblue')
flierprops = dict(marker='o', markerfacecolor='red', markersize=8, linestyle='none')
medianprops = dict(linestyle='-', linewidth=2, color='green')
whiskerprops = dict(color='blue', linewidth=2)
capprops = dict(color='blue', linewidth=2)
 
# 画出箱线图
bplot = ax.boxplot(data, vert=True, patch_artist=True, labels=labels,
                   boxprops=boxprops, flierprops=flierprops,
                   medianprops=medianprops, whiskerprops=whiskerprops,
                   capprops=capprops)
 
# 自定义Y轴标签
ax.set_ylabel('Values')
 
# 添加标题
ax.set_title('Complex Box Plot')
 
# 添加网格线
ax.yaxis.grid(True, linestyle='--', which='major', color='gray', alpha=0.7)
 
# 自定义箱线图的背景色
colors = ['lightblue', 'lightgreen', 'lightpink']
for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)
 
# 自定义X轴刻度标签
ax.set_xticklabels(labels)
 
# 显示图例
legend_elements = [plt.Line2D([0], [0], marker='o', color='w', markerfacecolor='red', markersize=10, label='Outliers')]
ax.legend(handles=legend_elements, loc='upper right')
 
# 自定义X轴标签位置
ax.set_xticks(np.arange(1, len(labels) + 1))
 
# 调整Y轴刻度范围，根据的数据集进行调整
ax.set_ylim(-5, 10)
 
# 显示图形
plt.tight_layout()
plt.show()

上面代码创建不同颜色的箱体、自定义标记的异常值、自定义线条属性和其他个性化选项。

热力图

热力图（Heatmap）：用于可视化矩阵数据，通常用于显示相关性、相似性矩阵或特征之间的关系。
下面创建一个热力图，并提供多个定制化参数：

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集（这里使用随机生成的数据）
np.random.seed(0)
data = np.random.rand(10, 10)
 
# 设置热力图的标签和自定义参数
labels = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J']
cmap = 'YlOrRd'  # 自定义颜色映射
annot = True     # 显示数值标签
fmt = '.2f'      # 数值标签格式
 
# 创建热力图
fig, ax = plt.subplots(figsize=(8, 8))
 
# 自定义热力图的外观
heatmap = ax.imshow(data, cmap=cmap, aspect='auto')
 
# 显示数值标签
if annot:
    for i in range(len(labels)):
        for j in range(len(labels)):
            text = ax.text(j, i, format(data[i, j], fmt),
                           ha="center", va="center", color="black")
 
# 添加颜色条
cbar = plt.colorbar(heatmap)
 
# 自定义X轴和Y轴标签
ax.set_xticks(np.arange(len(labels)))
ax.set_yticks(np.arange(len(labels)))
ax.set_xticklabels(labels)
ax.set_yticklabels(labels)
 
# 添加标题
ax.set_title('Customized Heatmap')
 
# 自定义热力图的颜色条标签
cbar.set_label('Values', rotation=270, labelpad=15)
 
# 显示图形
plt.tight_layout()
plt.show()

上面代码中提供了多个定制化参数，包括颜色映射、数值标签、数值标签格式、颜色条标签等。可以根据自己的数据集和需求进一步自定义热力图，例如更改颜色映射、调整数值标签格式、添加自定义标题等。

饼图

饼图（Pie Chart）：用于显示数据的部分与整体的比例，通常用于显示类别的占比。
一个出色的饼图，并提供多个定制化参数，使用随机数据集进行案例的展示：

import matplotlib.pyplot as plt
 
# 创建示例数据集（这里使用随机生成的数据）
 
 
labels = ['Category A', 'Category B', 'Category C', 'Category D']
sizes = [15, 30, 45, 10]  # 自定义每个类别的大小
explode = (0.1, 0, 0, 0)  # 自定义饼图中的分离
 
# 自定义颜色，可以使用Matplotlib中的其他颜色映射
colors = ['#ff9999', '#66b3ff', '#99ff99', '#c2c2f0']
 
# 自定义百分比格式
autopct = '%1.1f%%'
 
# 创建饼图
fig, ax = plt.subplots()
 
# 自定义饼图的外观
ax.pie(sizes, explode=explode, labels=labels, colors=colors, autopct=autopct,
       shadow=True, startangle=90, wedgeprops={'edgecolor': 'gray'})
 
# 添加标题
ax.set_title('Customized Pie Chart')
 
# 显示图形
plt.tight_layout()
plt.show()

上面创建的饼图中，提供了多个定制化参数，包括每个类别的大小、分离、颜色、百分比格式等。可以根据自己的数据集和需求进一步自定义饼图，例如更改颜色、调整百分比格式、添加自定义标题等。

面积图

面积图（Area Plot）：类似于折线图，但可以用于展示多个类别之间的堆积关系，通常用于时间序列数据。
创建一个面积堆积图时，需要考虑多个定制化参数以确保可视化效果出色。

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集
years = [2010, 2011, 2012, 2013, 2014]
categories = ['Category A', 'Category B', 'Category C', 'Category D']
 
data = np.array([
    [5, 8, 6, 9, 12],
    [7, 10, 8, 11, 14],
    [4, 6, 5, 7, 9],
    [3, 5, 4, 6, 7]
])
 
# 自定义堆积颜色
colors = ['#ff9999', '#66b3ff', '#99ff99', '#c2c2f0']
 
# 创建面积堆积图
fig, ax = plt.subplots(figsize=(10, 6))
 
# 绘制面积堆积图
bottoms = np.zeros(len(years))
for i, category in enumerate(categories):
    ax.fill_between(years, bottoms, bottoms + data[i], label=category, color=colors[i], alpha=0.7)
    bottoms += data[i]
 
# 添加标题
ax.set_title('Customized Stacked Area Chart (Complex Data)')
 
# 自定义X轴和Y轴标签
ax.set_xlabel('Year')
ax.set_ylabel('Values')
 
# 添加图例
ax.legend(loc='upper left')
 
# 添加阴影
ax.grid(alpha=0.3)
 
# 自定义Y轴刻度
ax.set_yticks(np.arange(0, max(bottoms), step=10))
 
# 自定义X轴刻度标签
ax.set_xticks(years)
 
# 显示图形
plt.tight_layout()
plt.show()

包括数据集、自定义颜色、图例、标签、标题、阴影、刻度标签等。

等高线图

等高线图（Contour Plot）：用于可视化二维数据的等高线，通常用于显示函数的等值线。
下面案例包含自定义的数据集和多个定制化参数：

import matplotlib.pyplot as plt
import numpy as np
 
# 创建示例数据集
x = np.linspace(-2, 2, 400)
y = np.linspace(-2, 2, 400)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2)) * np.exp(-0.2 * np.sqrt(X**2 + Y**2))
 
# 自定义等高线参数
levels = np.linspace(-1, 1, 20)
cmap = plt.get_cmap('RdYlBu_r')  # 自定义颜色映射
 
# 创建等高线图
fig, ax = plt.subplots(figsize=(8, 8))
 
# 绘制等高线图
contour = ax.contourf(X, Y, Z, levels=levels, cmap=cmap)
 
# 添加等高线线条
contour_lines = ax.contour(X, Y, Z, levels=levels, colors='k', linewidths=0.5)
 
# 添加颜色条
cbar = plt.colorbar(contour, ax=ax, ticks=np.arange(-1, 1.2, 0.2))
cbar.set_label('Values')
 
# 添加标题
ax.set_title('Customized Contour Plot')
 
# 自定义X轴和Y轴标签
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
 
# 添加网格线
ax.grid(linestyle='--', alpha=0.7)
 
# 添加等高线标签
ax.clabel(contour_lines, inline=1, fontsize=8, fmt='%0.1f')
 
# 显示图形
plt.tight_layout()
plt.show()

创建了一个等高线图，包括自定义等高线参数、颜色映射、颜色条、等高线线条、标签、标题、网格线等。
可以根据实际情况自定义等高线图，例如更改颜色、调整标签、添加自定义标题等。

3D图

3D图（3D Plot）：用于可视化包含三个变量的数据，例如三维散点图、三维曲面图等。
同样是使用了自定义的数据集和多个定制化参数：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
 
# 创建示例数据集
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2)) / (np.sqrt(X**2 + Y**2) + 1)
 
# 创建3D图形
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
 
# 自定义颜色映射和标签
cmap = plt.get_cmap('viridis')
ax.plot_surface(X, Y, Z, cmap=cmap, label='Surface Plot')
 
# 添加颜色条
cbar = fig.colorbar(ax.plot_surface(X, Y, Z, cmap=cmap), ax=ax, pad=0.1)
cbar.set_label('Values')
 
# 添加标题
ax.set_title('Customized 3D Surface Plot')
 
# 自定义坐标轴标签
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')
 
# 自定义坐标轴刻度
ax.set_xticks(np.arange(-5, 6, 2))
ax.set_yticks(np.arange(-5, 6, 2))
 
# 自定义视角
ax.view_init(elev=20, azim=45)  # 仰角和方位角
 
# 显示图形
plt.tight_layout()
plt.show()

上面代码中，创建了一个复杂的3D表面绘图，包括自定义颜色映射、颜色条、标签、标题、坐标轴标签、坐标轴刻度和视角。
根据自己的情况，可以更改颜色映射、调整标签、添加自定义标题等。

时间序列图

时间序列图（Time Series Plot）：用于可视化时间序列数据，通常包括折线图和柱状图，以便观察时间趋势和季节性模式。
创建一个时间序列图，其中包含复杂的数据集和多个定制化参数：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
 
# 创建示例数据集
np.random.seed(0)
dates = pd.date_range('2023-01-01', '2023-12-31', freq='D')
num_series = 5
data = np.random.randn(len(dates), num_series).cumsum(axis=0)
 
# 创建时间序列图
fig, ax = plt.subplots(figsize=(12, 6))
 
# 自定义线条颜色和样式
colors = ['b', 'g', 'r', 'c', 'm']
linestyles = ['-', '--', '-.', ':', '-']
 
for i in range(num_series):
    ax.plot(dates, data[:, i], label=f'Series {i+1}', color=colors[i], linestyle=linestyles[i])
 
# 添加标题
ax.set_title('Customized Time Series Plot')
 
# 自定义X轴和Y轴标签
ax.set_xlabel('Date')
ax.set_ylabel('Value')
 
# 添加图例
ax.legend(loc='upper left')
 
# 添加网格线
ax.grid(linestyle='--', alpha=0.7)
 
# 自定义X轴的日期刻度显示
ax.xaxis.set_major_locator(plt.MaxNLocator(10))  # 最多显示10个日期刻度
 
# 自定义日期刻度标签的格式
from matplotlib.dates import DateFormatter
date_format = DateFormatter('%b %d')
ax.xaxis.set_major_formatter(date_format)
 
# 自定义Y轴刻度范围
ax.set_ylim(-10, 10)
 
# 显示图形
plt.tight_layout()
plt.show()

上面代码中，自定义线条颜色和样式、标签、标题、坐标轴标签、图例、网格线、日期刻度显示和日期刻度标签的格式。
可以根据自己的需求继续自定义时间序列图，例如更改颜色、调整标签、添加自定义标题等。

树状图

树状图（Tree Diagram）：用于可视化决策树、层次聚类等树状结构的数据。
使用networkx库来构建树的结构，并使用matplotlib进行可视化。

首先，需要安装networkx库：

pip install networkx

然后，可以使用以下代码进行绘制：

import matplotlib.pyplot as plt
import networkx as nx
 
# 创建示例数据集
G = nx.DiGraph()
G.add_nodes_from([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
G.add_edges_from([(1, 2), (1, 3), (2, 4), (2, 5), (3, 6), (3, 7), (4, 8), (4, 9), (5, 10)])
 
# 创建树状图布局
pos = nx.spring_layout(G, seed=42)
 
# 自定义节点颜色和大小
node_colors = ['#1f78b4' for _ in G.nodes()]
node_sizes = [800 for _ in G.nodes()]
 
# 创建树状图
fig, ax = plt.subplots(figsize=(10, 8))
 
# 绘制树状图
nx.draw(G, pos, ax=ax, with_labels=True, node_color=node_colors, node_size=node_sizes,
        font_size=10, font_weight='bold', edge_color='gray', width=1.0, arrows=True)
 
# 添加标题
ax.set_title('Customized Tree Diagram')
 
# 显示图形
plt.tight_layout()
plt.show()

包括自定义数据集、自定义节点颜色、大小、标签、标题、布局、边的颜色和宽度等。

最后

这些图表类型覆盖了数据分析和机器学习项目中的许多常见需求。根据具体的项目和数据，可以选择适合的图表类型来展示和分析数据。Matplotlib 提供了丰富的功能，使你能够自定义图表以满足特定的需求。