python如何读取mat文件可视化_python 数据分析--数据可视化工具matplotlib

说明:

数据可视化中的数据集下载地址:（数据来源:从零开始学python数据分析和挖掘）

链接：https://pan.baidu.com/s/1zrNpzSNVHd8v1rGFRzKipQ 提取码：mx9d

数据可视化是数据分析中的一部分，可用于数据的探索和查找缺失值等，也是展现数据的重要手段。matplotlib是一个强大的工具箱，其完整的图表样式函数和个性化的自定义设置，可以满足几乎所有的2D和一些3D绘图的需求。

1. 条形图

条形图主要用来表示分组（或离散）变量的可视化，可以使用matplotlib完成条形图的绘制。

1.1 垂直条形图

以垂直条形图为例，离散型变量在各水平上的差异就是比较柱形的高低，柱体越高，代表的数值越大。plt.bar()函数的参数列表:

left：传递数值序列，指定条形图中x轴上的刻度值,现left需改为x。

height：传递数值序列，指定条形图y轴上的高度。

width：指定条形图的宽度，默认为0.8。

bottom：用于绘制堆叠条形图。

color：指定条形图的填充色。

edgecolor：指定条形图的边框色。

linewidth：指定条形图边框的宽度，如果指定为0，表示不绘制边框。

tick_label：指定条形图的刻度标签。

xerr：如果参数不为None，表示在条形图的基础上添加误差棒。yerr：参数含义同xerr。

label：指定条形图的标签，一般用以添加图例。

ecolor：指定条形图误差棒的颜色。

align：指定x轴刻度标签的对齐方式，默认为center，表示刻度标签居中对齐，如果设置为 edge，则表示在每个条形的左下角呈现刻度标签。

log：bool类型参数，是否对坐标轴进行log变换，默认为False。

**kwargs：关键字参数，用于对条形图进行其他设置，如透明度等。

import matplotlib.pyplot as plt

import pandas as pd

# 条形图的绘制--垂直条形图

# 读入数据

GDP = pd.read_excel(r'E:\Data\4\Province GDP 2017.xlsx')

# 设置绘图风格（不妨使用R语言中的ggplot2风格）

plt.style.use('ggplot')

# 解决中文显示问题

plt.rcParams['font.sans-serif'] = ['KaiTi']

plt.rcParams['axes.unicode_minus'] = False

# 添加条形图的标题

plt.title('2017年度6个省份GDP分布')

# 添加y轴的标签

plt.ylabel('GDP(万亿)')

# 绘制条形图

plt.bar( x = range(GDP.shape[0]), # 指定条形图x轴的刻度值

height = GDP.GDP, # 指定条形图y轴的数值

tick_label = GDP.Province, # 指定条形图x轴的刻度标签

color = 'pink', # 指定条形图的填充色

)

# 为每个条形图添加数值标签

for x,y in enumerate(GDP.GDP):

plt.text(x,y+0.1,'%s' %round(y,1),ha='center') #round 四舍五入保留1位小数

# 显示图形

plt.show()

1.2 水平条形图

水平条形图不再是bar函数，而是barh函数。对原始数据做升序排序，但是图形看上去是降序,是因为水平条形图的y轴刻度值是从下往上布置的，所以条形图从下往上是满足升序的。

# 条形图的绘制--水平条形图

# 导入第三方库和读入数据同上

# 添加条形图的标题

plt.title('2017年度6个省份GDP分布')

# 添加x轴的标签

plt.xlabel('GDP(万亿)')

# 对读入的数据作升序排序

GDP.sort_values(by = 'GDP', inplace = True)

# 绘制条形图

plt.barh(y = range(GDP.shape[0]), # 指定条形图y轴的刻度值

width = GDP.GDP, # 指定条形图x轴的数值

tick_label = GDP.Province, # 指定条形图y轴的刻度标签

color = 'green', # 指定条形图的填充色

)

# 为每个条形图添加数值标签

for y,x in enumerate(GDP.GDP):

plt.text(x+0.1,y,'%s' %round(x,1),va='center') #此处x在前，y在后，数值标签加在x上， 居中也是垂直方向居中

# 显示图形

plt.show()

1.3 堆叠条形图

不管是垂直条形图还是水平条形图，只是反映单个离散变量的统计图形，如果想通过条形图传递两个离散变量的信息该如何做到？这就需要使用堆叠条形图，该类型条形图的横坐标代表一个维度的离散变量，堆叠起来的“块”代表了另一个维度的离散变量。这样的条形图，最大的优点是可以方便比较累积和。

# 条形图的绘制--堆叠条形图

# 读入数据

Industry_GDP = pd.read_excel(r'E:\Data\4\Industry_GDP.xlsx')

# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签

Quarters = Industry_GDP.Quarter.unique()

# 取出第一产业的四季度值

Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']

# 重新设置行索引

Industry1.index = range(len(Quarters))

# 取出第二产业的四季度值

Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']

# 重新设置行索引

Industry2.index = range(len(Quarters))

# 取出第三产业的四季度值

Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']

# 绘制堆叠条形图

# 各季度下第一产业的条形图

plt.bar(x = range(len(Quarters)), height=Industry1, color = 'yellow', label = '第一产业', tick_label = Quarters)

# 各季度下第二产业的条形图

plt.bar(x = range(len(Quarters)), height=Industry2, bottom = Industry1, color = 'green', label = '第二产业')

# 各季度下第三产业的条形图

plt.bar(x = range(len(Quarters)), height=Industry3, bottom = Industry1 + Industry2, color = 'red', label = '第三产业')

# 添加y轴标签

plt.ylabel('生成总值（亿）')

# 添加图形标题

plt.title('2017年各季度三产业总值')

# 显示各产业的图例

plt.legend()

# 显示图形

plt.show()

1.4 水平交错条形图

堆叠条形图可以包含两个离散变量的信息，而且可以比较各季度整体产值的高低水平，但是其缺点是不易区分“块”之间的差异，例如二、三季度的第三产业值差异就不是很明显，区分高低就相对困难。而交错条形图恰好就可以解决这个问题，该类型的条形图就是将堆叠的“块”水平排开。

# 条形图的绘制--水平交错条形图

# 导入第三方模块

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

# 读取数据

Industry_GDP = pd.read_excel(r'E:\Data\4\Industry_GDP.xlsx')

# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签

Quarters = Industry_GDP.Quarter.unique()

# 取出第一、二、三产业的四季度值

Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']

Industry1.index = range(len(Quarters))# 重新设置行索引

Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']

Industry2.index = range(len(Quarters))

Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']

# 绘制水平交错条形图

bar_width = 0.3

# 各季度下第一产业的条形图

plt.bar(x = np.arange(len(Quarters)), height=Industry1, color = 'yellow', label = '第一产业' , width = bar_width)

# 各季度下第二产业的条形图

plt.bar(x = np.arange(len(Quarters))+ bar_width, height=Industry2, color = 'green', label = '第二产业', width = bar_width)

# 各季度下第三产业的条形图

plt.bar(x = np.arange(len(Quarters))+ 2*bar_width, height=Industry3, color = 'indianred', label = '第三产业', width = bar_width)

# 为每个条形图添加数值标签

for x,y in enumerate(Industry1):

plt.text(x,y+0.1,'%s' %round(y,1),ha='center') # 为每个条形图添加数值标签

for x,y in enumerate(Industry2):

plt.text(x+0.3,y+0.1,'%s' %round(y,1),ha='center')

for x,y in enumerate(Industry3):

plt.text(x+0.6,y+0.1,'%s' %round(y,1),ha='center')

# 添加刻度标签

plt.xticks(np.arange(4)+0.3, Quarters)

plt.ylabel('生成总值（亿）')

plt.title('2017年各季度三产业总值')

plt.legend(loc='upper left',bbox_to_anchor=(0,1.2),ncol=3, shadow=True)

plt.show()

2.饼状图

饼图属于最传统的统计图形之一，如果你选择matplotlib模块绘制饼图的话，首先需要导入该模块的子模块pyplot，然后调用模块中的pie函数。

x：指定绘图的数据。

explode：指定饼图某些部分的突出显示，即呈现爆炸式。

labels：为饼图添加标签说明，类似于图例说明。

colors：指定饼图的填充色。

autopct：自动添加百分比显示，可以采用格式化的方法显示。

pctdistance：设置百分比标签与圆心的距离。

shadow：是否添加饼图的阴影效果。

labeldistance：设置各扇形标签（图例）与圆心的距离。

startangle：设置饼图的初始摆放角度。

radius：设置饼图的半径大小。

counterclock：是否让饼图按逆时针顺序呈现。

wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等。

textprops：设置饼图中文本的属性，如字体大小、颜色等。

center：指定饼图的中心点位置，默认为原点。

frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置。

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

# 读取数据

Industry_GDP = pd.read_excel(r'E:\Data\4\Industry_GDP.xlsx')

# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签

Quarters = Industry_GDP.Quarter.unique()

# 取出第一、二、三产业的四季度值

Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']

Industry1.index = range(len(Quarters))# 重新设置行索引

Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']

Industry2.index = range(len(Quarters))

Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']

Industry3.index = range(len(Quarters))

DataQ1 = Industry1[0] + Industry2[0] + Industry3[0]

DataQ2 = Industry1[1] + Industry2[1] + Industry3[1]

DataQ3 = Industry1[2] + Industry2[2] + Industry3[2]

DataQ4 = Industry1[3] + Industry2[3] + Industry3[3]

DataToatal = DataQ1+DataQ2+DataQ3+DataQ4

# 构造数据

Industry = [DataQ1/DataToatal,DataQ2/DataToatal,DataQ3/DataToatal,DataQ4/DataToatal]

labels = Quarters

# 解决中文显示问题

plt.rcParams['font.sans-serif'] = ['KaiTi']

plt.rcParams['axes.unicode_minus'] = False

explode = [0,0,0,0.1]

# 绘制饼图

plt.pie(x = Industry, # 绘图数据

labels=labels, # 添加教育水平标签

autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数

colors = np.array(['#332DF1','#2F8177','#A21B63','#22BB99']),

radius= 1.2, # 圆的半径

shadow= True, # 圆的阴影

startangle = 0, # 设置饼图的初始角度

counterclock= False, # False 表示逆时针

wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'}, # 设置饼图内外边界的属性值

textprops = {'fontsize':20, 'color':'black'}, # 设置文本标签的属性值

explode= explode, #第四季度突出显示

)

# 添加图标题

plt.title('各个季度工业GDP总值百分比情况')

# 显示图形

plt.show()

3. 直方图与核密度曲线

直方图一般用来观察数据的分布形态，横坐标代表数值的均匀分段，纵坐标代表每个段内的观测数量（频数）。一般直方图都会与核密度图搭配使用，目的是更加清晰地掌握数据的分布特征。matplotlib模块中的hist函数就是用来绘制直方图的。关于该函数的语参数含义如下：

x：指定要绘制直方图的数据。

bins：指定直方图条形的个数。

range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值。

normed：是否将直方图的频数转换成频率。

weights：该参数可为每一个数据点设置权重。

cumulative：是否需要计算累计频数或频率。

bottom：可以为直方图的每个条形添加基准线，默认为0。

histtype：指定直方图的类型，默认为bar，除此之外，还有barstacked、stepstepfilled。

align：设置条形边界值的对齐方式，默认为mid，另外还有left和right。

orientation：设置直方图的摆放方向，默认为垂直方向。

rwidth：设置直方图条形的宽度。

log：是否需要对绘图数据进行log变换。

color：设置直方图的填充色。

edgecolor：设置直方图边框色。

label：设置直方图的标签，可通过legend展示其图例。

stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放。

import matplotlib.pyplot as plt

import pandas as pd

Titanic = pd.read_csv(r"E:/Data/4/titanic_train.csv")

if any(Titanic.Age.isnull()):

Titanic.dropna(subset=['Age'], inplace=True)

Titanic.head()

PassengerId

Survived

Pclass

Name

Sex

Age

SibSp

Parch

Ticket

Fare

Cabin

Embarked

0

1

0

3

Braund, Mr. Owen Harris

male

22.0

1

0

A/5 21171

7.2500

NaN

S

1

2

1

1

Cumings, Mrs. John Bradley (Florence Briggs Th...

female

38.0

1

0

PC 17599

71.2833

C85

C

2

3

1

3

Heikkinen, Miss. Laina

female

26.0

0

0

STON/O2. 3101282

7.9250

NaN

S

3

4

1

1

Futrelle, Mrs. Jacques Heath (Lily May Peel)

female

35.0

1

0

113803

53.1000

C123

S

4

5

0

3

Allen, Mr. William Henry

male

35.0

0

0

373450

8.0500

NaN

S

plt.hist(x = Titanic.Age,

bins = 20,

color= 'steelblue',

edgecolor = 'black')

plt.xlabel("年龄")

plt.ylabel("人数")

plt.title("泰坦尼克号乘客年龄分布")

如果原始数据集中存在缺失值，一定要对缺失观测进行删除或替换，否则无法绘制成功。如果在直方图的基础上再添加核密度图，通过matplotlib模块就比较吃力了，因为首先得计算出每一个年龄对应的核密度值。为了简单起见，下面利用pandas模块中的plot方法将直方图和核密度图绘制到一起。

# Pandas模块绘制直方图和核密度图

# 绘制直方图

Titanic.Age.plot(kind = 'hist', bins = 20, color = 'steelblue', edgecolor = 'black', normed = True, label = '直方图')

# 绘制核密度图

Titanic.Age.plot(kind = 'kde', color = 'red', label = '核密度图')

# 添加x轴和y轴标签

# 添加标题

plt.title('泰坦尼克号乘客年龄分布')

plt.xlabel('年龄')

plt.ylabel('核密度值')

# 显示图例

plt.legend()

# 显示图形

plt.show()

4. 箱线图

箱线图是另一种体现数据分布的图形，通过该图可以得知数据的下须值（Q1-1.5IQR）、下四分位数（Q1）、中位数（Q2）、均值、上四分位（Q3）数和上须值（Q3+1.5IQR），更重要的是，箱线图还可以发现数据中的异常点。matplotlib模块中绘制箱线图的boxplot函数的参数含义如下：

x：指定要绘制箱线图的数据。

notch：是否以凹口的形式展现箱线图，默认非凹口。

sym：指定异常点的形状，默认为＋号显示。

vert：是否需要将箱线图垂直摆放，默认垂直摆放。

whis：指定上下须与上下四分位的距离，默认为1.5倍的四分位差。

positions：指定箱线图的位置，默认为[0,1,2…]。

widths：指定箱线图的宽度，默认为0.5。

patch_artist：bool类型参数，是否填充箱体的颜色；默认为False。

meanline：bool类型参数，是否用线的形式表示均值，默认为False。

showmeans：bool类型参数，是否显示均值，默认为False。

showcaps：bool类型参数，是否显示箱线图顶端和末端的两条线（即上下须），默认为True。

showbox：bool类型参数，是否显示箱线图的箱体，默认为True。

showfliers：是否显示异常值，默认为True。

boxprops：设置箱体的属性，如边框色，填充色等。

labels：为箱线图添加标签，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：设置箱线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。

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

# 读取数据

Sec_Buildings = pd.read_excel(r"E:/Data/4/sec_buildings.xlsx")

Sec_Buildings.head()

block

type

size

region

height

direction

price

built_date

price_unit

0

梅园六街坊

2室0厅

47.72

浦东

低区/6层

朝南

500

1992年建

104777

1

碧云新天地（一期）

3室2厅

108.93

浦东

低区/6层

朝南

735

2002年建

67474

2

博山小区

1室1厅

43.79

浦东

中区/6层

朝南

260

1988年建

59374

3

金桥新村四街坊（博兴路986弄）

1室1厅

41.66

浦东

中区/6层

朝南北

280

1997年建

67210

4

博山小区

1室0厅

39.77

浦东

高区/6层

朝南

235

1987年建

59089

# 解决中文显示问题

plt.rcParams['font.sans-serif'] = ['KaiTi']

plt.rcParams['axes.unicode_minus'] = False

# 绘制箱线图

plt.boxplot(x = Sec_Buildings.price_unit, # 指定绘图数据

patch_artist=True, # 要求用自定义颜色填充盒形图，默认白色填充

showmeans=True, # 以点的形式显示均值

boxprops = {'color':'black','facecolor':'steelblue'}, # 设置箱体属性，如边框色和填充色

flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3}, # 设置异常点属性，如点的形状、填充色和点的大小

meanprops = {'marker':'D','markerfacecolor':'yellow', 'markersize':4}, # 设置均值点的属性，如点的形状、填充色和点的大小

medianprops = {'linestyle':'--','color':'green'}, # 设置中位数线的属性，如线的类型和颜色

labels = [''] # 删除x轴的刻度标签，否则图形显示刻度标签为1

)

# 添加图形标题

plt.title('二手房单价分布的箱线图')

# 显示图形

plt.show()

# 二手房在各行政区域的平均单价

group_region = Sec_Buildings.groupby('region')

avg_price = group_region.aggregate({'price_unit':np.mean}).sort_values('price_unit', ascending = False)

# 通过循环，将不同行政区域的二手房存储到列表中

region_price = []

for region in avg_price.index:

region_price.append(Sec_Buildings.price_unit[Sec_Buildings.region == region])

# 绘制分组箱线图

plt.boxplot(x = region_price,

patch_artist=True,

labels = avg_price.index, # 添加x轴的刻度标签

showmeans=True,

boxprops = {'color':'black', 'facecolor':'steelblue'},

flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3},

meanprops = {'marker':'D','markerfacecolor':'indianred', 'markersize':4},

medianprops = {'linestyle':'--','color':'orange'}

)

# 添加y轴标签

plt.ylabel('单价（元）')

# 添加标题

plt.title('不同行政区域的二手房单价对比')

# 显示图形

plt.show()

5. 折线图

对于时间序列数据而言，一般都会使用折线图反映数据背后的趋势。通常折线图的横坐标指代日期数据，纵坐标代表某个数值型变量，当然还可以使用第三个离散变量对折线图进行分组处理。折线图的绘制可以使用matplotlib模块中的plot函数实现。该函数参数含义如下:

x：指定折线图的x轴数据。

y：指定折线图的y轴数据。

linestyle：指定折线的类型，可以是实线、虚线、点虚线、点点线等，默认为实线。

linewidth：指定折线的宽度。

marker：可以为折线图添加点，该参数是设置点的形状。

markersize：设置点的大小。

markeredgecolor：设置点的边框色。

markerfactcolor：设置点的填充色。

markeredgewidth：设置点的边框宽度。

label：为折线图添加标签，类似于图例的作用。

import random

import matplotlib.pyplot as plt

x = [1,2,2,4,4,6,7,8,9,9,11]

y = [i**2 for i in x ]

plt.plot(x, y , label='x**2')

plt.xlabel('x label')

plt.ylabel('y label')

plt.title("Simple Plot")

plt.legend()

plt.show()

6. 散点图

如果需要研究两个数值型变量之间是否存在某种关系，例如正向的线性关系，或者是趋势性的非线性关系，那么散点图将是最佳的选择。matplotlib模块中的scatter函数可以非常方便地绘制两个数值型变量的散点图。函数的参数含义写在下方：

x：指定散点图的x轴数据。

y：指定散点图的y轴数据。

s：指定散点图点的大小，默认为20，通过传入其他数值型变量，可以实现气泡图的绘制。

c：指定散点图点的颜色，默认为蓝色，也可以传递其他数值型变量，通过cmap参数的色阶表示数值大小。

marker：指定散点图点的形状，默认为空心圆。

cmap：指定某个Colormap值，只有当c参数是一个浮点型数组时才有效。

norm：设置数据亮度，标准化到0～1，使用该参数仍需要参数c为浮点型的数组。

vmin、vmax：亮度设置，与norm类似，如果使用norm参数，则该参数无效。

alpha：设置散点的透明度。

linewidths：设置散点边界线的宽度。

edgecolors：设置散点边界线的颜色。

import matplotlib.pyplot as plt

import pandas as pd

# 读入数据

iris = pd.read_csv(r'E:\Data\4\iris.csv')

iris.head()

Sepal_Length

Sepal_Width

Petal_Length

Petal_Width

Species

0

5.1

3.5

1.4

0.2

setosa

1

4.9

3.0

1.4

0.2

setosa

2

4.7

3.2

1.3

0.2

setosa

3

4.6

3.1

1.5

0.2

setosa

4

5.0

3.6

1.4

0.2

setosa

# 绘制散点图

plt.scatter(x = iris.Petal_Width, # 指定散点图的x轴数据

y = iris.Petal_Length, # 指定散点图的y轴数据

color = 'steelblue' # 指定散点图中点的颜色

)

# 添加x轴和y轴标签

plt.xlabel('花瓣宽度')

plt.ylabel('花瓣长度')

# 添加标题

plt.title('鸢尾花的花瓣宽度与长度关系')

# 显示图形

plt.show()

7. 气泡图

气泡图的实质就是通过第三个数值型变量控制每个散点的大小，点越大，代表的第三维数值越高，反之亦然。matplotlib模块中的scatter函数绘制了散点图，绘制气泡图将继续使用该函数。关键的参数是s，即散点图中点的大小，如果将数值型变量传递给该参数，就可以轻松绘制气泡图了。

import matplotlib.pyplot as plt

import pandas as pd

# 读取数据

Prod_Category = pd.read_excel(r'E:\Data\4\SuperMarket.xlsx')

Prod_Category.head()

Category

Sub_Category

Profit

Sales

Profit_Ratio

std_ratio

0

办公用品

信封

49241.5600

176861.52

0.278419

0.839328

1

办公用品

剪刀，尺子，锯

-7953.5700

80800.03

-0.098435

0.001000

2

办公用品

夹子及其配件

306455.2895

1026410.56

0.298570

0.884155

3

办公用品

家用电器

100258.3200

742663.39

0.134998

0.520283

4

办公用品

容器，箱子

10068.2100

1112252.53

0.009052

0.240110

# 将利润率标准化到[0,1]之间（因为利润率中有负数），然后加上微小的数值0.001

range_diff = Prod_Category.Profit_Ratio.max()-Prod_Category.Profit_Ratio.min()

Prod_Category['std_ratio'] = (Prod_Category.Profit_Ratio-Prod_Category.Profit_Ratio.min())/range_diff + 0.001

# 绘制办公用品的气泡图

plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '办公用品'],

y = Prod_Category.Profit[Prod_Category.Category == '办公用品'],

s = Prod_Category.std_ratio[Prod_Category.Category == '办公用品']*1000,

color = 'steelblue', label = '办公用品', alpha = 0.6

)

# 绘制技术产品的气泡图

plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '技术产品'],

y = Prod_Category.Profit[Prod_Category.Category == '技术产品'],

s = Prod_Category.std_ratio[Prod_Category.Category == '技术产品']*1000,

color = 'indianred' , label = '技术产品', alpha = 0.6

)

# 绘制家具产品的气泡图

plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '家具产品'],

y = Prod_Category.Profit[Prod_Category.Category == '家具产品'],

s = Prod_Category.std_ratio[Prod_Category.Category == '家具产品']*1000,

color = 'black' , label = '家具产品', alpha = 0.6

)

# 添加x轴和y轴标签

plt.xlabel('销售额')

plt.ylabel('利润')

# 添加标题

plt.title('销售额、利润及利润率的气泡图')

# 添加图例

plt.legend()

# 显示图形

plt.show()

如图上所示，应用scatter函数绘制了分组气泡图，从图中可知，办公用品和家具产品的利润率波动比较大（因为这两类圆点大小不均）。从代码角度来看，绘图的核心部分是使用三次scatter函数，而且代码结构完全一样，如果读者对for循环掌握得比较好，完全可以使用循环的方式替换三次scatter函数的重复应用。需要说明的是，如果s参数对应的变量值小于等于0，则对应的气泡点是无法绘制出来的。这里提供一个解决思路，就是先将该变量标准化为[0,1]，再加上一个非常小的值，如0.001。如上代码所示，最后对s参数扩大1000倍的目的就是凸显气泡的大小。

当然，作为强大的绘图库，Matplotlib的功能远远不止上面这一点，未涉及到的，以后需要用的时候，在进一步学习吧，坚持，坚持，坚持，每天进步一点点，不积跬步，无以至千里；不积小流，无以成江河。