常见图表的绘制_plt.plot(x,y,color='m',linestyle='-',marker='o',mf

绘制折线图 plot()

参数说明:

mfc：标记的颜色。　

ms：标记的大小。　

mec：标记边框的颜色。　

alpha：透明度，设置该参数可以改变颜色的深浅。

举例：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
 
df=pd.read_excel('体温.xls')
 
plt.rcParams['font.sans-serif']=['SimHei']   
x=df['日期']
y=df['体温']
plt.figure(figsize=(10,8),facecolor='c')
plt.plot(x,y,color='m',linestyle='-',marker='o',mfc='w')
plt.xlabel('2020年2月')
plt.ylabel('基础体温')
# 设置xy轴的最大限度
# plt.xlim(1,14)
# plt.ylim(36.0,36.5)
# 网格线
plt.grid(linestyle='--')
for a,b in zip(x,y):
    plt.text(a,b+0.03,'%.1f'%b,ha='center',va='bottom',fontsize=9)
#     标题
plt.title('14天基础体温表',fontsize='18')
# 图标图例
plt.legend(('基础体温',))
# 标注最高温
x_max=x[y.idxmax()]
y_max=y[x.idxmax()]
plt.annotate('最高体温',xy=(x_max,y_max),xytext=(x_max+0.3,y_max))
# 坐标轴刻度线
plt.rcParams['xtick.direction'] = 'in' 

效果 

 

绘制柱形图

参数说明：　

x：x轴数据。　

height：柱子的高度，也就是y轴数据。　

width：浮点型，柱子的宽度，默认值为0.8，可以指定固定值。　

bottom：标量或数组，可选参数，柱形图的y坐标，默认值为None。　

*：星号本身不是参数。星号表示其后面的参数为命名关键字参数，命名关键字参数必须传入参数名；否则程序会出现错误。　

align：对齐方式，如center（居中）和edge（边缘），默认值为center。　

data：data关键字参数。如果给定一个数据参数，所有位置和关键字参数将被替换。　

kwargs：关键字参数，其他可选参数，如color（颜色）、alpha（透明度）、label（每个柱子显示的标签

多柱形图

柱形图中若显示n个柱子，则柱子宽度值需小于1/n；否则柱子会出现重叠现象。

import pandas as pd
import matplotlib.pyplot as plt
df=pd.read_excel('books.xlsx',sheet_name='Sheet2')
plt.rcParams['font.sans-serif']=['SimHei']
labels=df['年份']
 
 
y1=df['京东']
y2=df['天猫']
y3=df['自营']
width=0.25
x=[i for i in range(len(labels.values))]
x=pd.Series(x)
plt.bar(x,y1,width=width,color='b',alpha=0.7)
plt.bar(x+width,y2,width=width,color='y')
plt.bar(x+2*width,y3,width=width,color='g')
plt.xticks(x,labels)
plt.xlabel('年份')
plt.ylabel('销量')
plt.ylabel('线上销售额（元）')
plt.title('2013-2019年线上图书销售额分析图')
plt.grid(linestyle=':')

 

 

绘制直方图 hist()

参数说明：　

x：数据集，最终的直方图将对数据集进行统计。　

bins：统计数据的区间分布。　

range：元组类型，显示的区间。　

density：布尔型，显示频率统计结果，默认值为None。设置值为False，不显示频率统计结果；设置值为True，则显示频率统计结果。需要注意，频率统计结果=区间数目/(总数×区间宽度)。　

histtype：可选参数，设置值为bar、barstacked、step或stepfilled，默认值为bar，推荐使用默认配置，其中step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似。　rwidth与bar结合使用

align：可选参数，控制柱状图的水平分布，设置值为left、mid或right，默认值为mid，其中，left或者right会有部分空白区域，推荐使用默认值。　

log：布尔型，默认值为False，即y坐标轴是否选择指数刻度。

stacked：布尔型，默认值为False，是否为堆积柱状图。

import matplotlib.pyplot as plt
import pandas as pd
df=pd.read_excel('grade1.xls')
plt.rcParams['font.sans-serif']=['SimHei']
x=df['得分']
plt.xlabel('分数')
plt.ylabel('学生数量')
plt.title('高一数学成绩分布直方图')
plt.hist(x,bins=[0,25,50,75,100,125,150],facecolor='blue',edgecolor='black',alpha=0.7,density=True)
plt.show()

 

绘制饼形图 pie()

1.基础饼形图

参数说明

x：每一块饼图的比例，如果sum(x)>1会使用sum(x)归一化。　

explode：每一块饼图离中心的距离。　

labels：每一块饼图外侧显示的说明文字。　

autopct：设置饼图百分比，可以使用格式化字符串或format()函数。如'%.1f '保留小数点前后1位。　

pctdistance：类似于labeldistance参数，指定百分比的位置刻度，默认值为0.6。　

shadow：在饼图下面画一个阴影，默认值为False，即不画阴影。　

labeldistance：标记的绘制位置，相对于半径的比例，默认值为1.1，如<1则绘制在饼图内侧。　

startangle：起始绘制角度，默认是从x轴正方向逆时针画起，如设置值为90则从y轴正方向画起。　

radius：饼图半径，默认值为1。　

counterclock：指定指针方向，布尔型，可选参数。默认值为True，表示逆时针；如果值为False，则表示顺时针。　

wedgeprops：字典类型，可选参数，默认值为None。字典传递给wedge对象，用来画一个饼图。例如wedgeprops={'linewidth':2}设置wedge线宽为2。　

textprops：设置标签和比例文字的格式，字典类型，可选参数，默认值为None。传递给text对象的字典参数。　

center：浮点类型的列表，可选参数，默认值为(0,0)，表示图表中心位置。　

frame：布尔型，可选参数，默认值为False，不显示轴框架（也就是网格）；如果值为True，则显示轴框架，与grid()函数配合使用。实际应用中建议使用默认设置，因为显示轴框架会干扰饼形图效果。　

rotatelabels：布尔型，可选参数，默认值为False；如果值为True，则旋转每个标签到指定的角度。

import pandas as pd
import matplotlib.pyplot as plt
df1=pd.read_excel('data2.xls')
plt.rcParams['font.sans-serif']=['SimHei']
plt.figure(figsize=(5,3))
labels=df1['地区']
sizes=df1['销量']
colors=['red','yellow','slateblue','green','magenta','cyan','darkorange','lawngreen','pink','gold']
plt.pie(sizes,
       labels=labels,
        colors=colors,
        labeldistance=1.02,
        autopct='%.1f%%',
        startangle=90,
        radius=0.5,
        center=(0.2,0.2),
        textprops={'fontsize':9,'color':'k'},
        pctdistance=0.6,
       wedgeprops = {'width': 0.3, 'edgecolor': 'k'},
        shadow=True,
#         fontdict={"color":'red'}
       )
plt.axis('equal')
plt.title('2020年1月各地区销量占比情况分析')

 

 

2.分裂饼形图

分裂饼形图主要通过设置explode参数实现，该参数用于设置饼图距中心的距离，我们需要将哪块饼图分裂出来，就设置它与中心的距离即可

注意：有几个数据explode就需要设置几个参数，参数长度必须一致

3．立体感带阴影的饼形图

shadow=True

4．环形图

一个关键参数wedgeprops，字典类型，用于设置饼形图内、外边界的属性，如环的宽度，环边界颜色和宽度，

5．内嵌环形图

（1）连续使用两次pie()函数。

（2）通过wedgeprops参数设置环形边界。

（3）通过radius参数设置不同的半径。

import pandas as pd
import matplotlib.pyplot as plt
# 内嵌环形图分析各地区销量占比情况。
df = pd.read_excel("data2.xls", sheet_name=None)
plt.rcParams["font.sans-serif"] = ["SimHei"]
x1 = df["Sheet1"]["销量"]
x2 = df["2月"]["销量"]
# 画布 
plt.figure(figsize=(6, 6))
# pctdistance：类似于labeldistance参数，指定百分比的位置刻度，默认值为0.6;  autopct: 百分比
# wedgeprops：字典类型，可选参数，默认值为None。字典传递给wedge对象，用来画一个饼图。例如wedgeprops={'linewidth':2}设置wedge线宽为2。
#             edgecolor: 边缘颜色
plt.pie(x1, labels=df["Sheet1"]["地区"], autopct="%.1f%%",  radius=1,pctdistance=0.85, wedgeprops=dict(linewidth=2, width=0.3, edgecolor="w"))
plt.pie(x2, autopct="%.1f%%", radius=0.7, pctdistance=0.85, wedgeprops=dict(linewidth=2, width=0.3, edgecolor="w"))
plt.show()

 

绘制散点图

参数说明：　

x，y：数据。　

s：标记大小，以平方磅为单位的标记面积，设置值如下。　

数值标量：以相同的大小绘制所有标记。　

行或列向量：使每个标记具有不同的大小。x、y和sz中的相应元素确定每个标记的位置和面积。sz的长度必须等于x和y的长度。　

[]：使用36平方磅的默认面积。　

c：标记颜色，可选参数，默认标记颜色为蓝色。　

marker：标记样式，可选参数，默认值为'o'。　

cmap：颜色地图，可选参数，默认值为None。　

norm：可选参数，默认值为None

vmin，vmax：标量，可选，默认值为None　

alpha：透明度，可选参数，0～1的数，表示透明度，默认值为None。　

linewidths：线宽，标记边缘的宽度，可选参数，默认值为None。　

verts：(x,y)的序列，可选参数，如果参数marker为None，这些顶点将用于构建标记。标记的中心位置为(0,0)。　

edgecolors：轮廓颜色，与参数c类似，可选参数，默认值为None。　

data：data关键字参数。如果给定一个数据参数，所有位置和关键字参数将被替换。　

**kwargs：关键字参数，其他可选参数。

import pandas as pd
import matplotlib.pyplot as plt
import random
plt.figure(figsize=(5,3))
x=[random.randrange(0,100) for i in range(50)]
y=[random.randrange(10,200) for r in range(50)]
color=[]
for i in range(25):
    color.extend([i,i])
plt.scatter(x,y,c=color)

 

 

绘制面积图  stackplot（）

参数说明：

x：x轴数据。　

args：当传入的参数个数未知时使用args。这里指y轴数据可以传入多个y轴。　

data：data关键字参数。如果给定一个数据参数，所有位置和关键字参数将被替换。　

kwargs：关键字参数，其他可选参数，如color（颜色）、alpha（透明度）等。

绘制热力图  imshow（）

热力图是通过密度函数进行可视化用于表示地图中点的密度的热图。它使人们能够独立于缩放因子感知点的密度。热力图可以显示不可点击区域发生的事情。利用热力图可以看数据表里多个特征两两的相似度

显示颜色条：plt.colorbar()

import pandas as pd
import matplotlib.pyplot as plt
df=pd.read_csv('data.csv',encoding='gbk')
plt.rcParams["font.sans-serif"] = ["SimHei"]
da=df['中奖号码'].str.split('  ',expand=True)
da_num=[]
for i in range(7):
    idx=i+1
    if idx==7:
        idx=0
    tem=da.groupby(i).count()[idx]
    da_num.append(tem)
x=pd.concat(da_num,axis=1)
x.fillna(0,inplace=True)
plt.imshow(x.values)

 

 

绘制箱形图  boxplot() 

箱形图又称箱线图、盒须图或盒式图，它是一种用作显示一组数据分散情况下的资料的统计图。因形状像箱子而得名。箱形图最大的优点就是不受异常值的影响（异常值也称为离群值）

参数说明：　

x：指定要绘制箱形图的数据。　

notch：是否以凹口的形式展现箱形图，默认非凹口。　

sym：指定异常点的形状，默认为加号（+）显示。　

vert：是否需要将箱形图垂直摆放，默认垂直摆放。　

whis：指定上下限与上下四分位的距离，默认为1.5倍的四分位差。　

positions：指定箱形图的位置，默认为[0,1,2,…]。　

widths：指定箱形图的宽度，默认为0.5。　

patch_artist：是否填充箱体的颜色。　

meanline：是否用线的形式表示均值，默认用点来表示。　

showmeans：是否显示均值，默认不显示。　

showcaps：是否显示箱形图顶端和末端的两条线，默认显示。　

showbox：是否显示箱形图的箱体，默认显示。　

showfliers：是否显示异常值，默认显示。　

boxprops：设置箱体的属性，如边框色、填充色等。　

labels：为箱形图添加标签，类似于图例的作用。　

filerprops：设置异常值的属性，如异常点的形状、大小、填充色等。　

medianprops：设置中位数的属性，如线的类型、粗细等。　

meanprops：设置均值的属性，如点的大小、颜色等。

capprops：设置箱形图顶端和末端线条的属性，如颜色、粗细等。　

whiskerprops：设置须的属性，如颜色、粗细、线的类型等。

中位数 中位数即为数据的50%分位点所对应的值（Q2）。　

上四分位数 上四分位数则为数据的75%分位点所对应的值（Q3）。　

上限 上限的计算公式为Q3+1.5(Q3-Q1)。　

下限 下限的计算公式为Q1-1.5(Q3-Q1)  Q3-Q1表示四分位差

import pandas as pd
import matplotlib.pyplot as plt
df=pd.read_excel('学生成绩表.xlsx')
df=df.fillna(0)
plt.figure(figsize=(5,3))
plt.boxplot([df['第一周'],df['第二周'],df['第三周']],boxprops={'color':'red'},showmeans=True)
plt.xticks([1,2,3],['第一周','第二周','第三周'])

 

绘制3D图表 Axes3D（）

from mpl_toolkits.mplot3d.exes3d import Axes3d

绘制多个子图表

1．subplot()函数

subplot()函数直接指定划分方式和位置，它可以将一个绘图区域划分为n个子图，每个subplot()函数只能绘制一个子图

参数说明：　

args：当传入的参数个数未知时使用args。　

kwargs：关键字参数，其他可选参数。 例如，绘制一个2×3的区域，subplot(2,3,3)，将画布分成2行3列在第3个区域中绘制

（1）每绘制一个子图表都要调用一次subplot()函数。

（2）绘图区域位置编号。

import matplotlib.pyplot as plt
plt.figure(figsize=(10,8),facecolor='c')
plt.subplot(4,3,1)
plt.subplot(4,3,2)
plt.subplot(4,3,3)
plt.subplot(4,2,3)
plt.subplot(4,2,4)
plt.subplot(4,1,3)
plt.subplot(4,4,13)
plt.subplot(4,4,14)
plt.subplot(4,4,15)
plt.subplot(4,4,16)

 

2．subplots()函数

参数说明：　

nrows和ncols：表示将画布分割成几行几列，例如，nrows=2、ncols=2表示将画布分割为2行2列，起始值均为0。当调用画布中的坐标轴时，ax[0,0]表示调用左上角的坐标，ax[1,1]表示调用右下角的坐标。　

sharex和sharey：布尔值或者值为“none”“all”“row”“col”，默认值为False。用于控制x或y轴之间的属性共享。具体参数值说明如下。　

True或者“all”：表示x或y轴属性在所有子图中共享。　

False或者“none”：表示每个子图的x或y轴都是独立的部分。　

“row”：表示每个子图在一个x或y轴上共享行（row）。　

“col”：表示每个子图在一个x或y轴上共享列（column）　

squeeze：布尔值，默认值为True，额外的维度从返回的axes（轴）对象中挤出，对于n×1或1×n个子图，返回一个一维数组，对于n×m，n>1和m>1返回一个二维数组；如果值为False，则表示不进行挤压操作，返回一个元素为Axes实例的二维数组，即使它最终是1×1。　

subplot_kw：字典类型，可选参数。把字典的关键字传递给add_subplot()函数来创建每个子图。　

gridspec_kw：字典类型，可选参数。把字典的关键字传递给GridSpec()构造函数创建网格区域，然后将子图放在网格（grid）里。　**fig_kw：把所有详细的关键字参数传递给figure。

import matplotlib.pyplot as plt
plt.figure(figsize=(10,8),facecolor='c')
figure,axes=plt.subplots(1,3)
axes[0].plot([1,2,3,4,5])
axes[1].bar([1,2,3,4,5],[4,5,6,7,2])
axes[2].pie([1,2,3,4,5])

 

 

3．add_subplot()函数

add_subplot()函数也可以实现在一张图上绘制多个子图表，用法与subplot()函数基本相同

总结：以上用3种方法实现了在一张图上绘制多个子图表，3种方法各有所长。subplot()函数和add_subplot()函数比较灵活，定制化效果比较好，可以实现子图表在图中的各种布局（如一张图上可以随意摆放3个或5个图表）；而subplots()函数较为不灵活，但它可以用较少的代码实现绘制多个子图表。

图表的保存

plt.savefig('image.png')

需要注意的一个关键问题：保存代码必须在图表预览前，也就是plt.show()代码前；否则保存后的图片是白色，图表无法保存。

双y轴可视化数据分析图表

双y轴可视化数据分析图表的实现主要使用add_suplot()函数和twinx()函数。twinx()函数表示共享x轴，那么也就是一个x轴、两个y轴

import pandas as pd
import matplotlib.pyplot as plt
df =pd.read_excel('mrbook.xlsx')
x=[1,2,3,4,5,6]
y1=df['销量']
y2=df['rate']
flg=plt.figure()
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
ax1=fig.add_subplot(111)
plt.title('销量占比情况')
plt.xticks(x,['1月','2月','3月','4月','5月','6月'])
ax1.bar(x,y1,label='left')
ax1.set_ylabel('销量 （册）')
ax2=ax1.twinx()
ax2.plot(x,y2,color='black',linestyle='--',marker='o',linewidth=2,label=u'增长率')
ax2.set_ylabel(u'增长率')
for a,b in zip(x,y2):
    plt.text(a,b+0.02,'%.2f%b',ha='center',va='bottom',fontsize=10,color='red')
plt.show()