Pandas入门篇（三）-------数据可视化篇1（matplotlib篇）

概述

Matplotlib是一个用于绘制图表和可视化数据的Python库，由John D. Hunter于2003年创建。它是一个开源项目，广泛应用于科研、教育和工程等领域。Matplotlib提供了广泛的绘图功能，适用于科学计算、数据分析、机器学习等领域，并且尤其适用于中小规模的数据集和对可视化定制要求较高的场景。

Matplotlib的主要特点包括：

• 广泛的图表类型：支持多种图表类型，包括线图、散点图、柱状图、饼图、等高线图等，适用于不同类型的数据可视化需求。
• 直观而灵活的绘图工具：用户可以通过简单的代码创建高质量的图表，并对其进行自定义，以满足特定的可视化需求。
• 渐进、交互式实现数据可视化：Matplotlib支持以渐进和交互式的方式实现数据可视化，使得用户能够更深入地探索和理解数据。

Matplotlib创建图表主要有两种模式：面向对象模式（Object-Oriented API）和pyplot模式（pyplot API）。

一、pyplot模式（pyplot API）：

pyplot模式提供了一种MATLAB风格的接口，它提供了一系列函数，允许用户以简单、直接的方式创建图表。在这种模式下，用户不需要显式地创建Figure和Axes对象，pyplot会自动管理这些对象。这使得代码更加简洁，易于理解和编写。

以下是一个使用pyplot模式创建简单折线图的示例：

import matplotlib.pyplot as plt  
  
# 生成数据  
x = [1, 2, 3, 4, 5]  
y = [2, 4, 6, 8, 10]  
  
# 使用pyplot绘制折线图  
plt.plot(x, y)  
  
# 显示图表  
plt.show()
1
2
3
4
5
6
7
8
9
10
11

运行结果：

二、面向对象模式（Object-Oriented API）：

在这种模式下，用户会首先创建一个Figure对象，这可以看作是一个画布。然后，在这个Figure对象上，用户会创建一个或多个Axes对象，这些Axes对象就是用于绘制图表的具体区域。用户可以针对每个Axes对象进行图表的绘制和定制。这种模式提供了更大的灵活性和控制力，允许用户更精细地控制图表的各个部分。

以下是一个使用面向对象模式创建简单折线图的示例：

import matplotlib.pyplot as plt  
  
# 创建画布,
fig,ax = plt.subplots(figsize=(10,5))
  
# 使用Axes对象绘制折线图  
x = [1, 2, 3, 4, 5]  
y = [2, 4, 6, 8, 10]  
ax.plot(x, y)  
  
# 显示图表  
plt.show(fig)
1
2
3
4
5
6
7
8
9
10
11
12

运行结果：

这两种模式各有优缺点。面向对象模式提供了更大的灵活性和控制力，适合对图表进行更精细的定制；而pyplot模式则更加简洁直观，适合快速绘制简单的图表。用户可以根据自己的需求选择合适的模式。

三、创建图表详细流程

本次主要用pyplot模式来讲解创建图表的主要流程

（一）创建画布（figure）

figure() 是 Matplotlib 库中用于创建一个新的图形窗口的函数，它返回一个 Figure 对象，该对象可以被视为一个画布，用于绘制图表和其他图形元素。

1.函数格式

python

matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, clear=False, **kwargs)
1

2.参数解释

• num：整数或字符串，可选参数。用于指定图形的编号或名称。如果提供了整数，它将是图形的编号；如果提供了字符串，它将是图形的窗口标题。如果省略，则会自动生成编号。
• figsize：一个包含两个浮点数的元组，可选参数。指定图形的宽度和高度（以英寸为单位）。
  例如，figsize=(8, 6) 会创建一个宽度为 8 英寸、高度为 6 英寸的图形。
• dpi：整数，可选参数。图形的分辨率，即每英寸的点数。默认值通常为 100，但可以根据需要进行调整。
• facecolor：颜色规范字符串或 RGB 元组，可选参数。图形的背景颜色。
• edgecolor：颜色规范字符串或 RGB 元组，可选参数。图形边缘的颜色。
• frameon：布尔值，可选参数。如果为 True，则绘制图形边框。
• FigureClass：Figure 的子类，可选参数。用于创建图形的自定义 Figure 类。
• clear：布尔值，可选参数。如果为 True，则清除当前图形（如果存在）。

3.返回值

figure() 函数返回一个 Figure 对象，你可以使用它来进一步定制图形和添加子图（Axes）。

fig = plt.figure(figsize=(10, 8))
1

（二）传入x轴和y轴的值（plot）

plot()函数是用于在 Axes 对象上绘制线图的基本函数。它接受一系列 x 和 y 坐标点，并连接这些点以形成线。

1.函数语法

# 创建画布
matplotlib.pyplot.plot(*args, scalex=True, scaley=True, data=None)
1
2

2.参数解释

• x, y：这些参数是序列，表示数据点的 x 和 y 坐标。通常 x 和 y 是长度相同的数组或列表。如果 x 和 y 都是缺失的，那么可以使用一个序列，此时序列中的值将被视为 y 值，x 值将被自动生成为 0, 1, 2, …。
• fmt：字符串，可选参数，用于指定线条的颜色、样式和标记。例如，‘r-’ 表示红色实线，‘go’ 表示绿色圆圈标记点。
• linestyle 或 ls：线条样式，例如 ‘-’、‘–’、‘-.’、‘:’ 或 ’ '（空格表示无线）。
  color 或 c：线条颜色。
• marker：标记样式，例如 ‘o’、‘.’、‘,’、‘s’ 等。
• mew, mfc, mec：分别表示标记边缘宽度、标记填充颜色和标记边缘颜色。
• label：图例的标签。
• alpha：透明度，介于 0（完全透明）和 1（完全不透明）之间。
• linewidth 或 lw：线条宽度。

3.返回值

plot 函数返回一个线条列表，每个线条是一个 Line2D 对象，这些对象可以在之后被进一步定制或查询。

# 添加 x,y 轴
x = [1, 3, 5, 6, 10]
y = [-5, 3, 5, 6, 5]
plt.plot(x, y)
1
2
3
4

（三）添加网格线（grid）

grid()用于在图表上添加网格线。网格线可以帮助读者更容易地读取图表上的数据点，特别是在处理大量数据时。

plt.grid() 有几个可选参数，可以用来定制网格线的外观和行为。

参数：

• b 或 bool：决定是否显示网格线。默认值为 None，意味着是否显示网格线取决于当前的 rcParam 设置。
• axis：指定在哪个轴（‘x’, ‘y’, ‘both’）上显示网格线。默认值为 ‘both’，表示在 x 轴和 y 轴上都显示网格线。
• which：决定网格线是在主要刻度（‘major’）上，还是在次要刻度（‘minor’）上显示，或者两者都显示（‘both’）。默认值为 ‘major’，表示只在主要刻度上显示网格线。
• linestyle 或 ls：设置网格线的样式（例如，‘-’、‘–’、‘-.’、‘:’、‘steps’ 等）。
• color 或 c：设置网格线的颜色。
• alpha：设置网格线的透明度。
• linewidth 或 lw：设置网格线的宽度。

# 添加绿色网格虚线
plt.grid(True,color= 'g',ls= '--')
1
2

（四）添加x轴和y轴值范围（xlim/ylim）

plt.xlim()/ylim用于设置当前轴的 x 轴的范围。这个函数接受两个参数，分别表示 x 轴的最小值和最大值，从而限制了图表中 x 轴显示的数据范围。

1.格式

matplotlib.pyplot.xlim/ylim(xmin/ymin=None, xmax/ymax=None)
1

2. 参数

• xmin/ymin, xmax/ymax：这两个参数指定了 x 轴的范围。可以是单个值（当另一个参数为 None 时，表示只设置一端的限制，另一端保持自动计算），或者是一对值（表示同时设置最小值和最大值）。
  返回值
  plt.xlim()/ylim() 函数返回当前 x 轴的范围，即 (xmin/ymin, xmax/ymax)。

# 添加x轴和y轴值范围
plt.xlim(0, 10)
plt.ylim(-5, 10)
1
2
3

（五）添加x轴y轴标签（xlabel/ylabel）

xlabel 和 ylabel 是 Matplotlib 库中用于为图表的 x 轴和 y 轴添加标签的函数。这些标签可以帮助读者更好地理解图表所展示的数据。

xlabel 函数

xlabel 函数用于设置 x 轴的标签。

语法：

matplotlib.pyplot.xlabel(xlabel, fontdict=None, labelpad=None)
1

参数解释：

xlabel：字符串，表示 x 轴的标签文本。
fontdict：字典，可选参数，用于指定标签文本的字体属性。
labelpad：浮点数，可选参数，表示标签与轴之间的距离。

ylabel 函数

ylabel 函数用于设置 y 轴的标签。

语法：

matplotlib.pyplot.ylabel(ylabel, fontdict=None, labelpad=None)
1

参数解释：

ylabel：字符串，表示 y 轴的标签文本。
fontdict：字典，可选参数，用于指定标签文本的字体属性。
labelpad：浮点数，可选参数，表示标签与轴之间的距离。

# 添加x轴和y轴值标签，size为字体大小
plt.xlabel('x', size=20)
plt.ylabel('y', size=20)
1
2
3

（六）添加标题和绘制图表

使用ttitle添加标题和show绘制图表

# 添加标题和绘制
plt.title('test',size=20)
plt.show()
1
2
3

完整流程代码实现：

import matplotlib.pyplot as plt


# 1.创建画布
plt.figure(figsize=(10, 8))
# 2.添加 x,y 轴
x = [1, 3, 5, 6, 10]
y = [-5, 3, 5, 6, 7]
plt.plot(x, y)
# 3.添加绿色网格虚线
plt.grid(True,color= 'r',ls= '--')
# 添加x轴和y轴值范围
plt.xlim(0, 10)
plt.ylim(-5, 10)
# 添加x轴和y轴值标签
plt.xlabel('x', size=10)
plt.ylabel('y', size=10)
# 添加标题和绘制
plt.title('test',size=20)
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

表格：

四、常用图表样式

1、折线图：使用 plot() 函数来绘制折线图。

import matplotlib.pyplot as plt  
  
x = [1, 2, 3, 4, 5]  
y = [2, 4, 6, 8, 10]  
  
plt.plot(x, y)  
plt.xlabel('X Label')  
plt.ylabel('Y Label')  
plt.title('Title')  
plt.show()
1
2
3
4
5
6
7
8
9
10

运行结果：

2.散点图：同样使用 plot() 函数，但可以通过指定点标记来绘制散点图。

import matplotlib.pyplot as plt  
  
x = [1, 2, 3, 4, 5]  
y = [2, 4, 1, 8, 10]  
  
plt.plot(x, y, 'o')  # 'o' 表示使用圆圈作为点标记  
plt.xlabel('X Label')  
plt.ylabel('Y Label')  
plt.title('Scatter Plot')  
plt.show()
1
2
3
4
5
6
7
8
9
10

三个变量时也可用size大小和color来表示第三个变量的变化

3.柱状图：使用 bar() 函数来绘制柱状图。

import matplotlib.pyplot as plt  
  
x = ['A', 'B', 'C', 'D']  
y = [10, 15, 7, 10]  
  
plt.bar(x, y)  
plt.xlabel('Categories')  
plt.ylabel('Values')  
plt.title('Bar Chart')  
plt.show()
1
2
3
4
5
6
7
8
9
10

4、饼图：使用 pie() 函数来绘制饼图。

import matplotlib.pyplot as plt  
  
labels = ['A', 'B', 'C', 'D']  
sizes = [15, 30, 45, 10]  
  
plt.pie(sizes, labels=labels, autopct='%1.1f%%')  # autopct 用于显示百分比  
plt.title('Pie Chart')  
plt.axis('equal')  # 保证饼图是圆的，而不是椭圆形的  
plt.show()
1
2
3
4
5
6
7
8
9

这只是 Matplotlib 的一部分功能，实际上 Matplotlib 提供了更加复杂和高级的图表类型，如等高线图、热力图、三维图表等。具体使用时，可以根据需要查阅 Matplotlib 的官方文档或相关教程来深入了解更多细节和用法。

下篇内容

Pandas的可视化