Python学习笔记：Matplotlib（数据可视化）

时间 2019-12-14

标签 python 学习笔记 matplotlib 数据可视化栏目 Python 繁體版

原文原文链接

Matplotlib是一个能够将数据绘制为图形表示的Python三方库，包括线性图（折线图，函数图）、柱形图、饼图等基础而直观的图形，在日常的开发当中须要绘图时就很是有用了。html

安装：pip install matplotlib或者下载安装https://pypi.org/project/matplotlib/#files数组

demo效果图：https://matplotlib.org/gallery.html，这里有许多效果图，点击对应的图片就能看到源码和生成的图形，画图时能够看看这里有没有本身想要的效果图。dom

API文档：Matplotlib的代码是子文档的，能够直接在源代码中查看相关接口的文档说明，或者使用Python的help()来进行查看。函数

Matplotlib教程：https://liam.page/2014/09/11/matplotlib-tutorial-zh-cn/，这篇笔记也是根据这个教程整理的，里面介绍的更加详细，也有效果图和对应代码。字体

绘图接口spa

import matplotlib：普通的绘图使用from matplotlib import pyplot就好了，绘图接口都在pyplot中，numpy也在pyplot中，使用from matplotlib.pyplot import np就好了（np就是numpy的别名，查看源码能够看到：import numpy as np）。3d

import pylab：这个接口的语法和绘图命令和Matlab相近，熟悉Matlab的能够选择使用这个接口，numpy也能够直接从pylab中导入：from pylab import np（np就是numpy的别名，查看源码能够看到：import numpy as np）。code

numpy：这是一个用于数组运算的Python三方库，安装Matplotlib时会默认安装这个库，不会使用这个库也不要紧，绘图时直接使用Python的列表代替就好了，只是说使用numpy在某些状况下会方便些，好比绘制函数图时。orm

线性图htm

线性图其实就是根据一系列X轴的点（列表数据）和对应的Y轴的点（列表数据），在图上绘制出对应的点，每一个点之间用线（实线、虚线等，默认是实线）链接起来，就造成了线性图，因此不管是折线图或者函数图使用的接口都是同样的。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 第一条线：一条普通的折线图
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x1, y1, color='red', linewidth=3, linestyle='--')

# 第二条线：一条自定义的函数图
x2 = np.array([1, 2, 3])
# y2其实就是x2的数组中每一个元素进行运算（+0.5）后返回的新数组
y2 = x2 + 0.5
plt.plot(x2, y2)

# 第三条线：一条sin函数图
# linspace返回0到pi之间等间隔的200值组成的数组
x3 = np.linspace(0, np.pi, 200)
# 返回x3中每一个元素的sin值组成的数组
y3 = np.sin(x3)
plt.plot(x3, y3)

# 绘制并展现图形
plt.show()

条形图

条形图与线性图相似，也是根据x轴的点和y轴的点来进行绘制的，这时候y轴的点就表明了条形图的高度了。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# arange和Python的range用法相同
x = np.arange(5)
# uniform返回0到5之间（不包含5）的5个随机数
y = np.random.uniform(0, 5, 5)

# 绘制条形图，facecolor设置背景色，edgecolor设置边框颜色
plt.bar(x, y, facecolor='#9999ff', edgecolor='grey')

# 将每一个对应的y值显示在条形图上方
for x_, y_ in zip(x, y):
    plt.text(x_, y_, '{:.2f}'.format(y_), ha='center', va='bottom')

# 绘制和显示图形
plt.show()

饼状图

饼图的绘制须要给出一个数字的数组，若是数组中的数字的和小于1，那么饼图中的每一个区域就会以数组中的元素的数值大小来进行绘图，不足1的那部分就会留做空白；若是数组中的数字的和大于等于1，那么就以每一个元素的在数组和的占比来进行绘图。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 若是数组的和小于1，则以元素自身大小做为饼图占比，剩下的部分留做空白不绘制
# 若是数组的和大于等于1，则以元素在数组和的占比做为饼图占比
areas = np.array([0.1, 0.4, 0.2, 0.1, 0.2])
# 每一个区域距离相邻区域的距离
explode = np.array([0, 0.1, 0, 0, 0])
# 在每一个区域边上的文本
labels = np.array(['one', 'two', 'three', 'four', 'five'])
# autopct是在区域中显示的各自百分比的格式
# startangle表示开始绘制的旋转角度，90表示逆时针旋转90度
plt.pie(areas, explode=explode, labels=labels, autopct='%1.1f%%', startangle=90)

plt.show()

设置X轴和Y轴范围

通常而言，X轴和Y轴的范围会自动判断和生成，可是由于X轴和Y轴的交点默认是各自的下限，并非从0开始的，最后的绘制结果可能并不知足本身的需求，因此能够自行设置，使之更加的符合本身的需求。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 一条普通的折线图
x = np.array([1, 2, 3])
y = np.array([1, 2, 0.5])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x, y, color='red', linewidth=1, linestyle='--')

# 设置X轴的范围，上限和下限
plt.xlim(0, 5)
# 设置Y中的范围，上限和下限
plt.ylim(-1, 5)

# 绘制并展现图形
plt.show()

设置坐标轴记号和标签

坐标轴默认的刻度记号显示不少时候并不符合咱们本身的需求，甚至有时候咱们须要在指定的刻度记号处显示特定的文本，可是若是自定义了显示刻度记号，那图上就只会显示指定的记号，其余的默认刻度记号就不会再显示了。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 一条普通的折线图
x = np.array([1, 2, 3])
y = np.array([1, 2, 0.5])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x, y, color='red', linewidth=1, linestyle='--')

# 设置X轴的范围，上限和下限
plt.xlim(0, 5)
# 设置Y中的范围，上限和下限
plt.ylim(-1, 5)

# 能够只设置记号，即只传入第一个列表，且第一个列表的元素须要是在对应坐标轴的范围内的值
# 若是传入第二个列表，则第二个列表的元素内容（标签）会替换第一个列表对应位置的记号
# 设置X轴的记号和标签
plt.xticks([1, 3, 4, 5],
           [r'$x1$', r'$x3$', r'$x4$', r'$x5$'])
# 设置Y轴的记号和标签
plt.yticks([1, 2, 3, 5],
           [r'$y1$', r'$y2$', r'$y3$', r'$y5$'])

# 绘制并展现图形
plt.show()

添加第二个Y轴

有时候在绘制多个图形时，不一样的图形使用的Y轴刻度不一样，或者使用两种不一样的刻度显示会更加直观，这时候就能够左边的Y轴使用一种刻度，右边也添加一条Y轴，用于显示另外一种刻度，但注意的是它们共享X轴的刻度。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 第一条线：一条普通的折线图
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x1, y1, color='red', linewidth=3, linestyle='--')

# 建立另外一个坐标轴，此坐标轴与以前的坐标轴共用X轴，并将Y轴置于右边
plt.twinx()

# 第二条线：一条sin函数图
# linspace返回0到pi之间等间隔的200值组成的数组
x2 = np.linspace(0, np.pi, 200)
# 返回x2中每一个元素的sin值组成的数组
y2 = np.sin(x2)
plt.plot(x2, y2)

# 绘制并展现图形
plt.show()

移动坐标轴

横纵坐标轴的交点位置默认在左下角，而且起点都是在各自的下限，可是有些时候咱们但愿交点位置在横纵坐标的0点位置，也就是原点，这时候就能够移动坐标轴到咱们想要的位置了。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 一条普通的折线图
x = np.array([1, 2, 3])
y = np.array([1, 2, 0.5])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x, y, color='red', linewidth=1, linestyle='--')

# 设置X轴的范围，上限和下限
plt.xlim(-2, 5)
# 设置Y中的范围，上限和下限
plt.ylim(-2, 5)

# 获取当前的坐标轴对象
ax = plt.gca()
# 设置右边框和上边框为无色
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
# 设置X轴的位置为下边框的位置
ax.xaxis.set_ticks_position('bottom')
# 设置下边框的位置在Y轴0的位置，data表示Y轴数据，0为Y轴上的数据值
ax.spines['bottom'].set_position(('data', 0))
# 设置Y轴的位置为左边框的位置
ax.yaxis.set_ticks_position('left')
# 设置左边框的位置在X轴0的位置，data表示X轴数据，0为X轴上的数据值
ax.spines['left'].set_position(('data', 0))

# 绘制并展现图形
plt.show()

添加图例

通常画图时，都须要为对应的图形设置图例，标明对应图形的含义，否则图形就不够清晰明了了。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 第一条线：一条普通的折线图
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x1, y1, label='first line', color='red', linewidth=3, linestyle='--')

# 第二条线：一条自定义的函数图
x2 = np.array([1, 2, 3])
# y2其实就是x2的数组中每一个元素进行运算（+0.5）后返回的新数组
y2 = x2 + 0.5
plt.plot(x2, y2, label='second line')

# 第三条线：一条sin函数图
# linspace返回0到pi之间等间隔的200值组成的数组
x3 = np.linspace(0, np.pi, 200)
# 返回x3中每一个元素的sin值组成的数组
y3 = np.sin(x3)
plt.plot(x3, y3, label='third line')


# 设置图例，upper left表示左上角，loc参数的选项有：
# best
# upper right
# upper left
# lower left
# lower right
# right
# center left
# center right
# lower center
# upper center
# center
# 若是画图时没有设置label参数或者不想使用label参数，能够给图例从新设置label
# 从新设置时，legend第一个参数传入图形列表，二个参数传入对应的label列表，第三个参数就是loc了
plt.legend(loc='upper left')


# 绘制并展现图形
plt.show()

设置注释

绘图时，可能会须要给某些特殊的点注明一些说明性的注释，以便更好的理解和分析图形。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 一条自定义的函数图
x = np.array([1, 2, 3])
# y2其实就是x2的数组中每一个元素进行运算（+0.5）后返回的新数组
y = x + 0.5
plt.plot(x, y, label='first line')

# 在指定位置显示一个点
x_point = 2
y_point = x_point + 0.5
# scatter用于绘制散点图，第一个参数和第二个参数列表中只有一个元素时天然就只画一个点了
# 第三个参数用于指定绘制“点”的半径
plt.scatter([x_point, ], [y_point, ], 10, color='red')
# 给指定的点设置注释
plt.annotate(r'2.5=2+0.5',  # 注释文本
             xy=(x_point, y_point),  # 点的位置
             xycoords='data',
             xytext=(90, -50),  # 以要注释的点为原点，注释文本的坐标位置（单位为像素）
             textcoords='offset points',
             arrowprops=dict(arrowstyle='->', connectionstyle='arc3, rad=.5'))  # arc为直线，arc3为圆形，rad为半径

# 绘制并展现图形
plt.show()

绘制子图

有时候咱们可能须要在一张图（figure）上同时绘制几个或几张图形（subplot），以便更好的观察和分析。

若是绘制图形时没有手动建立figure和子图，Matplotlib自动建立一个figure和一个子图，全部绘制出来的图形直观效果就是多个图形都在同一个“图片”上，且共用一个坐标轴。

多个figure，简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 第一个figure
# num用于指定此figure的ID（int类型）或者指定此figure的标题
# figsize用于指定此figure的尺寸大小
plt.figure(num='My Figure Line', figsize=(6, 6))

# 一条普通的折线图
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x1, y1, label='first line', color='red', linewidth=3, linestyle='--')

# 第二个figure
# num用于指定此figure的ID（int类型）或者指定此figure的标题
# figsize用于指定此figure的尺寸大小
plt.figure(num=2, figsize=(5, 5))

# 一条sin函数图
# linspace返回0到pi之间等间隔的200值组成的数组
x2 = np.linspace(0, np.pi, 200)
# 返回x2中每一个元素的sin值组成的数组
y2 = np.sin(x2)
plt.plot(x2, y2, label='first line')

plt.show()

同一个figure中绘制多个子图，简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 建立一个figure，且建立一个2行1列的子图网格，返回figure对象和子图数组
# 网格默认为一行一列，此时返回子图自己，若是网格只有一行或者一列，那就返回一个一维子图数组，若是有多行多列，就返回对应的二维子图数组
# subplots中传入的参数能够是figure的参数
fig, axes = plt.subplots(2, 1, num='My Figure Demo')

# 在第一个子图中绘制一条普通的折线图
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
axes[0].plot(x1, y1, label='first line', color='red', linewidth=3, linestyle='--')

# 显示图例
axes[0].legend()

# 在第二个子图中绘制一条sin函数图
# linspace返回0到pi之间等间隔的200值组成的数组
x2 = np.linspace(0, np.pi, 200)
# 返回x2中每一个元素的sin值组成的数组
y2 = np.sin(x2)
axes[1].plot(x2, y2, label='second line')
# 显示图例
axes[1].legend()

# 绘制并显示
plt.show()

跨行或跨列绘制子图，简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt
from matplotlib import gridspec

fig = plt.figure('My Figure Demo')
grid = gridspec.GridSpec(2, 2, figure=fig)

# 在第一行绘制一条普通的折线图，占据一行的空间
axe1 = plt.subplot(grid[0, :])
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
axe1.plot(x1, y1, label='first line', color='red', linewidth=3, linestyle='--')

# 显示图例
axe1.legend()

# 在第二行第一个子图中绘制一条sin函数图，在这里，如下三种表达都是相同的效果
# axe2 = plt.subplot(grid[1, :1])
# axe2 = plt.subplot(grid[1, :-1])
axe2 = plt.subplot(grid[1, 0])
# linspace返回0到pi之间等间隔的200值组成的数组
x2 = np.linspace(0, np.pi, 200)
# 返回x2中每一个元素的sin值组成的数组
y2 = np.sin(x2)
axe2.plot(x2, y2, label='second line')

# 显示图例
axe2.legend()

# 绘制并显示
plt.show()

显示中文

Matplotlib默认是不仅支持中文的，可是可使用自带的中文字体。

简单示例：

# -*- coding:utf-8 -*-
import numpy as np
from matplotlib import pyplot as plt

# 打印自带的字体，能够从里面选一种中文字体
# from matplotlib import font_manager
# for f in font_manager.fontManager.ttflist:
#     print(f.name)

# 设置字体为SimHei（黑体）
plt.rcParams['font.family'] = ['SimHei']


# 一条普通的折线图
x1 = np.array([1, 2, 3])
y1 = np.array([1, 2, 3])
# linewidth设置线宽，单位为像素，linestyle默认为实线，“--”表示虚线
plt.plot(x1, y1, label='一条普通的折线图', color='red', linewidth=3, linestyle='--')

# 显示图例
plt.legend(loc='upper left')

# 绘制并显示
plt.show()