Python进阶Matplotlib库图绘制方法介绍

　　小编写这篇文章的主要目的，主要是来给大家对Python的一些相关的知识，其内容主要有Matplotlib库图绘制方法的一些介绍。关于其具体的内容，下面就给大家详细的做出一个解答。

　　中文字体设置：

</>复制代码 
　　#字体设置
　　plt.rcParams['font.sans-serif']=["SimHei"]
　　plt.rcParams["axes.unicode_minus"]=False

　　1、基本使用

　　Matplotlib:是一个Python的2D绘图库，通过Matplotlib，开发者可以仅需要几行代码，便可以生成折线图，直方图，条形图，饼状图，散点图等。

　　plot是一个画图的函数，他的参数:plot([x],y,[fmt],data=None,**kwargs)

　　1.1、线条样式&颜色

　　（1）点线形式

　　（2）线条颜色

</>复制代码 
　　import matplotlib.pyplot as plt
　　import numpy as np
　　#原始线图
　　plt.plot(range(10),[np.random.randint(0,10)for x in range(10)])
　　#点线图
　　plt.plot(range(10),[np.random.randint(0,10)for x in range(10)],"*")
　　#线条颜色
　　plt.plot([1,2,3,4,5],[1,2,3,4,5],'r')#将颜色线条设置成红色

　　运行结果：

　　1.2、轴&标题

　　1、设置图标题:plt.title

　　2、设置轴标题:plt.xlabel&plt.ylabel-标题名称

　　3、设置轴刻度:plt.xticks&plt.yticks-刻度长度,刻度标题

　　范例：

</>复制代码 
　　x=range(10)
　　y=[np.random.randint(0,10)for x in range(10)]
　　plt.plot(x,y,linewidth=10,color='red')
　　#设置图标题
　　plt.title("sin函数")
　　#设置轴标题
　　plt.xlabel("x轴")
　　plt.ylabel("y轴")
　　#设置轴刻度
　　plt.xticks(range(10),["第%d天"%x for x in range(1,10)])
　　plt.yticks(range(10),["第%d天"%x for x in range(1,10)])
　　#加载字体
　　plt.rcParams['font.sans-serif']=["SimHei"]
　　plt.rcParams["axes.unicode_minus"]=False

　　运行结果：

　　1.3、marker设置

　　marker:关键点重点标记

　　范例：

</>复制代码 
　　x=range(10)
　　y=[np.random.randint(0,10)for x in range(10)]
　　plt.plot(x,y,linewidth=10,color='red')
　　#重点标记
　　plt.plot(x,y,marker="o",markerfacecolor='k',markersize=10)

　　1.4、注释文本

　　annotate:注释文本

　　范例：

</>复制代码 
　　x=range(10)
　　y=[np.random.randint(0,10)for x in range(10)]
　　plt.plot(x,y,linewidth=10,color='red')
　　#重点标记
　　plt.plot(x,y,marker="o",markerfacecolor='k',markersize=10)
　　#注释文本设置
　　plt.annotate('local max',xy=(5,5),xytext=(10,15),
　　arrowprops=dict(facecolor='black',shrink=0.05),
　　)

　　运行结果：

　　1.5、设置图形样式

　　plt.figure:调整图片的大小和像素

　　`num`:图的编号，

　　`figsize`:单位是英寸，

　　`dpi`:每英寸的像素点，

　　`facecolor`:图片背景颜色，

　　`edgecolor`:边框颜色，

　　`frameon`:是否绘制画板。

　　范例：

</>复制代码 
　　x=range(10)
　　y=[np.random.randint(0,10)for x in range(10)]
　　#设置图形样式
　　plt.figure(figsize=(20,10),dpi=80)
　　plt.plot(x,y,linewidth=10,color='red')

　　运行结果：

　　2、条形图

　　应用场景：

　　1.数量统计。

　　2.频率统计。

　　相关参数：

　　barh:条形图

　　1.`x`:一个数组或者列表，代表需要绘制的条形图的x轴的坐标点。

　　2.`height`:一个数组或者列表，代表需要绘制的条形图y轴的坐标点。

　　3.`width`:每一个条形图的宽度，默认是0.8的宽度。

　　4.`bottom`:`y`轴的基线，默认是0，也就是距离底部为0.

　　5.`align`:对齐方式，默认是`center`，也就是跟指定的`x`坐标居中对齐，还有为`edge`，靠边对齐，具体靠右边还是靠左边，看`width`的正负。

　　6.`color`:条形图的颜色。

　　2.1、横向条形图范例

</>复制代码 
　　movies={
　　"流浪地球":40.78,
　　"飞驰人生":15.77,
　　"疯狂的外星人":20.83,
　　"新喜剧之王":6.10,
　　"廉政风云":1.10,
　　"神探蒲松龄":1.49,
　　"小猪佩奇过大年":1.22,
　　"熊出没·原始时代":6.71
　　}
　　plt.barh(np.arange(len(movies)),list(movies.values()))
　　plt.yticks(np.arange(len(movies)),list(movies.keys()),fontproperties=font)
　　plt.grid()

　　运行结果：

　　2.2、分组条形图

　　范例：

</>复制代码 
　　movies={
　　"流浪地球":[2.01,4.59,7.99,11.83,16],
　　"飞驰人生":[3.19,5.08,6.73,8.10,9.35],
　　"疯狂的外星人":[4.07,6.92,9.30,11.29,13.03],
　　"新喜剧之王":[2.72,3.79,4.45,4.83,5.11],
　　"廉政风云":[0.56,0.74,0.83,0.88,0.92],
　　"神探蒲松龄":[0.66,0.95,1.10,1.17,1.23],
　　"小猪佩奇过大年":[0.58,0.81,0.94,1.01,1.07],
　　"熊出没·原始时代":[1.13,1.96,2.73,3.42,4.05]
　　}
　　plt.figure(figsize=(20,8))
　　width=0.75
　　bin_width=width/5
　　movie_pd=pd.DataFrame(movies)
　　ind=np.arange(0,len(movies))
　　#第一种方案
　　for index in movie_pd.index:
　　day_tickets=movie_pd.iloc[index]
　　xs=ind-(bin_width*(2-index))
　　plt.bar(xs,day_tickets,width=bin_width,label="第%d天"%(index+1))
　　for ticket,x in zip(day_tickets,xs):
　　plt.annotate(ticket,xy=(x,ticket),xytext=(x-0.1,ticket+0.1))
　　#设置图例
　　plt.ylabel("单位:亿")
　　plt.title("春节前5天电影票房记录")
　　#设置x轴的坐标
　　plt.xticks(ind,movie_pd.columns)
　　plt.xlim
　　plt.grid(True)
　　plt.show()

　　运行结果：

　　2.3、堆叠条形图

　　范例：

</>复制代码 
　　menMeans=(20,35,30,35,27)
　　womenMeans=(25,32,34,20,25)
　　groupNames=('G1','G2','G3','G4','G5')
　　xs=np.arange(len(menMeans))
　　plt.bar(xs,menMeans)
　　plt.bar(xs,womenMeans,bottom=menMeans)
　　plt.xticks(xs,groupNames)
　　plt.show()

　　运行结果：

　　3、直方图

　　plt.hist:直方图

　　1.x:数组或者可以循环的序列;

　　2.bins:数字或者序列（数组/列表等）;

　　3.range:元组或者None，如果为元组，那么指定`x`划分区间的最大值和最小值;

　　4.density:默认是`False`，如果等于`True`，那么将会使用频率分布直方图;

　　5.cumulative:如果这个和`density`都等于`True`，那么返回值的第一个参数会不断的累加，最终等于`1`。

　　应用场景：

　　1.显示各组数据数量分布的情况。

　　2.用于观察异常或孤立数据。

　　3.抽取的样本数量过小，将会产生较大误差，可信度低，也就失去了统计的意义。因此，样本数不应少于50个。

　　3.1、直方图

　　范例：

</>复制代码 
　　durations=[131,98,125,131,124,139,131,117,128,108,135,138,131,102,107,114,119,128,121,142,127,130,124,101,110,116,117,110,128,128,115,99,136,126,134,95,138,117,111,78,132,124,113,150,110,117,86,95,144,105,126,130,126,130,126,116,123,106,112,138,123,86,101,99,136,123,117,119,105,137,123,128,125,104,109,134,125,127,105,120,107,129,116,108,132,103,136,118,102,120,114,105,115,132,145,119,121,112,139,125,138,109,132,134,156,106,117,127,144,139,139,119,140,83,110,102,123,107,143,115,136,118,139,123,112,118,125,109,119,133,112,114,122,109,106,123,116,131,127,115,118,112,135,115,146,137,116,103,144,83,123,111,110,111,100,154,136,100,118,119,133,134,106,129,126,110,111,109,141,120,117,106,149,122,122,110,118,127,121,114,125,126,114,140,103,130,141,117,106,114,121,114,133,137,92,121,112,146,97,137,105,98,117,112,81,97,139,113,134,106,144,110,137,137,111,104,117,100,111,101,110,105,129,137,112,120,113,133,112,83,94,146,133,101,131,116,111,84,137,115,122,106,144,109,123,116,111,111,133,150]
　　plt.figure(figsize=(15,5))
　　nums,bins,patches=plt.hist(durations,bins=20,edgecolor='k')
　　plt.xticks(bins,bins)
　　for num,bin in zip(nums,bins):
　　plt.annotate(num,xy=(bin,num),xytext=(bin+1.5,num+0.5))
　　plt.show()

　　运行结果：

　　3.2、频率直方图

　　density:频率直方分布图

　　范例：

</>复制代码 
　　nums,bins,patches=plt.hist(durations,bins=20,edgecolor='k',density=True,cumulative=True)
　　plt.xticks(bins,bins)
　　for num,bin in zip(nums,bins):
　　plt.annotate("%.4f"%num,xy=(bin,num),xytext=(bin+0.2,num+0.0005))

　　运行结果：

　　3.3、直方图

　　cumulative参数:nums的总和为1

　　范例：

</>复制代码 
　　plt.figure(figsize=(15,5))
　　nums,bins,patches=plt.hist(durations,bins=20,edgecolor='k',density=True,cumulative=True)
　　plt.xticks(bins,bins)
　　for num,bin in zip(nums,bins):
　　plt.annotate("%.4f"%num,xy=(bin,num),xytext=(bin+0.2,num+0.0005))

　　运行结果：

　　4、散点图

　　plt.scatter:散点图绘制：

　　1.x,y:分别是x轴和y轴的数据集。两者的数据长度必须一致。

　　2.s:点的尺寸。

　　3.c:点的颜色。

　　4.marker:标记点，默认是圆点，也可以换成其他的。

　　范例：

</>复制代码 
　　plt.scatter(x=data_month_sum["sumprice"]#传入X变量数据
　　,y=data_month_sum["Quantity"]#传入Y变量数据
　　,marker='*'#点的形状
　　,s=10#点的大小
　　,c='r'#点的颜色
　　)
　　plt.show()

　　运行结果：

　　5、饼图

　　饼图:一个划分为几个扇形的圆形统计图表，用于描述量、频率或百分比之间的相对关系的。

　　在matplotlib中，可以通过plt.pie来实现，其中的参数如下：

　　x：饼图的比例序列。labels：饼图上每个分块的名称文字。explode：设置某几个分块是否要分离饼图。autopct：设置比例文字的展示方式。比如保留几个小数等。shadow：是否显示阴影。textprops：文本的属性（颜色，大小等）。范例

</>复制代码 
　　plt.figure(figsize=(8,8),dpi=100,facecolor='white')
　　plt.pie(x=StockCode.values,#数据传入
　　radius=1.5,#半径
　　autopct='%.2f%%'#百分比显示
　　,pctdistance=0.6,#百分比距离圆心比例
　　labels=StockCode.index,#标签
　　labeldistance=1.1,#标签距离圆心比例
　　wedgeprops={'linewidth':1.5,'edgecolor':'green'},#边框的线宽和颜色
　　textprops={'fontsize':10,'color':'blue'})#文本字体大小和颜色
　　plt.title('商品销量占比',pad=100)#设置标题及距离坐标轴的位置
　　plt.show()

　　运行结果：

　　6、箱线图

　　箱图的绘制方法是:

　　:1、先找出一组数据的上限值、下限值、中位数（Q2）和下四分位数（Q1）以及上四分位数（Q3）

　　:2、然后连接两个四分位数画出箱子

　　:3、再将最大值和最小值与箱子相连接，中位数在箱子中间。

　　中位数:把数据按照从小到大的顺序排序，然后最中间的那个值为中位数，如果数据的个数为偶数，那么就是最中间的两个数的平均数为中位数。

　　上下四分位数:同样把数据排好序后，把数据等分为4份。出现在`25%`位置的叫做下四分位数，出现在`75%`位置上的数叫做上四分位数。但是四分位数位置的确定方法不是固定的，有几种算法，每种方法得到的结果会有一定差异，但差异不会很大。

　　上下限的计算规则是：

　　IQR=Q3-Q1

　　上限=Q3+1.5IQR

　　下限=Q1-1.5IQR

　　在matplotlib中有plt.boxplot来绘制箱线图，这个方法的相关参数如下：

　　x：需要绘制的箱线图的数据。notch：是否展示置信区间，默认是False。如果设置为True，那么就会在盒子上展示一个缺口。sym：代表异常点的符号表示，默认是小圆点。vert：是否是垂直的，默认是True，如果设置为False那么将水平方向展示。whis：上下限的系数，默认是1.5，也就是上限是Q3+1.5IQR，可以改成其他的。也可以为一个序列，如果是序列，那么序列中的两个值分别代表的就是下限和上限的值，而不是再需要通过IQR来计算。positions：设置每个盒子的位置。widths：设置每个盒子的宽度。labels：每个盒子的label。meanline和showmeans：如果这两个都为True，那么将会绘制平均值的的线条。

　　范例：

</>复制代码 
　　#箱线图-主要观察数据是否有异常（离群点）
　　#箱须-75%和25%的分位数+/-1.5倍分位差
　　plt.figure(figsize=(6.4,4.8),dpi=100)
　　#是否填充箱体颜色，是否展示均值，是否展示异常值，箱体设置，异常值设置，均值设置，中位数设置
　　plt.boxplot(x=UnitPrice#传入数据
　　,patch_artist=True#是否填充箱体颜色
　　,showmeans=True#是否展示均值
　　,showfliers=True#是否展示异常值
　　,boxprops={'color':'black','facecolor':'white'}#箱体设置
　　,flierprops={'marker':'o','markersize':4,'markerfacecolor':'red'}#异常值设置
　　,meanprops={'marker':'o','markersize':6,'markerfacecolor':'indianred'}#均值设置
　　,medianprops={'linestyle':'--','color':'blue'}#中位数设置
　　)
　　plt.show()

　　运行结果：

　　7、雷达图

　　雷达图:又被叫做蜘蛛网图，适用于显示三个或更多的维度的变量的强弱情况

　　plt.polar来绘制雷达图，x轴的坐标点应该为弧度（2*PI=360°）

　　范例：

</>复制代码 
　　import numpy as np
　　properties=['输出','KDA','发育','团战','生存']
　　values=[40,91,44,90,95,40]
　　theta=np.linspace(0,np.pi*2,6)
　　plt.polar(theta,values)
　　plt.xticks(theta,properties)
　　plt.fill(theta,values)

　　注意事项：

　　因为polar并不会完成线条的闭合绘制，所以我们在绘制的时候需要在theta中和values中在最后多重复添加第0个位置的值，然后在绘制的时候就可以和第1个点进行闭合了。

　　polar只是绘制线条，所以如果想要把里面进行颜色填充，那么需要调用fill函数来实现。

　　polar默认的圆圈的坐标是角度，如果我们想要改成文字显示，那么可以通过xticks来设置。

　　综上所述，这篇文章就给大家介绍到这里了，希望可以给大家带来帮助。