【Python 教程】Matplotlib 数据类型汇总（python下载）

【Python 教程】Matplotlib 数据类型汇总（python下载）

Matplotlib 是一个用于数据可视化的 Python 模块。Matplotlib 和 Pandas 可作为互补工具，因为前者内建了大量的图表库，进一步提高了数据的可视性。 这篇教程虽然没有办法完全介绍 Matplotlib 的每一个细节，但我们还是可以尝试覆盖 Matplotlib 的各种基础功能，包括几个比较有趣的进阶项目。 阅读这篇教程需要具有一定的 Python 和 Pandas 基础，如果之前对 Python 完全没有任何了解，欢迎查看我们之前的相关教程： ​​【Python 核心库】Numpy 实景教程与练习​​

​​【Python 教程】使用 Pandas 整理数据​​

基础线形图

创建最简单的线形图只需要一行代码，随后通过 ​​plt.show()​​ 展示图表即可：

import matplotlib.pyplot as plt# 绘图plt.plot([1, 2, 3, 4, 10])plt.show()

基础散点图

绘制散点图前，我们先来看看 ​​plt.plot()​​ 的参数内容：（x, y, 格式）。这个格式其实是颜色、标记、线条的缩写。举个例子：

​​'go-'​​ 为绿色（green）、圆点、无线条，那样输出的图形便是散点图。

​​'r*--'​​ 为红色（red）、星形、虚线

​​'ks.'​​ 为黑色（black）、方形（square）、点线

​​'bD-.'​​ 为蓝色（blue）、菱形（diamond）、点划线

这些例子无需硬背，有需要的时候输入并运行 ​​help(plt.plot)​​ 即可。

# 'go' 表示绿点plt.plot([1,2,3,4,5], [1,2,3,4,10], 'go')plt.show()

复合图形

功能强大的 Matplotlib 自然不会满足于单个图形，接下来这段将分为两个部分：在同一图表中绘制多个数据以及在同一窗口中绘制多个不同的图表。

在同一图表中绘制多个数据

这个其实很简单，只需要重复编写 ​​plt.plot()​​ 就可以了。加上标题、标签名称和图例即可输出以下效果：

plt.plot([1,2,3,4,5], [1,2,3,4,10], 'go', label='GreenDots')plt.plot([1,2,3,4,5], [2,3,4,5,11], 'b*', label='Bluestars')plt.title('A Simple Scatterplot')plt.xlabel('X')plt.ylabel('Y')plt.legend(loc='best') # 图例文本取自标签，图例是集中于图表一侧的指标说明plt.show()

绘制多个不同的图表

我们在 Matplotlib 中绘制图表时，其实是在一个类似画布的 ​​figure​​ 中加入各种各样的元素，而这里面的子图被称之为 ​​axes​​（与 XY axis 轴并不相同）。一般而言，一个图表至少拥有一个子图。当我们有多个子图时，这些图表就会通过行列排序。

如果我们要在同一个画布中绘制多个子图，应使用的函数为 ​​plt.subplots(1, 2)​​。其中，数字 1、2 分别表示子图代号，原本的 ​​plt.plot()​​ 需要分别改成 ​​ax1.plot()​​ 和 ​​ax2.plot()​​。

# 创建画布与子图fig, (ax1, ax2) = plt.subplots(1,2, figsize=(10,4), sharey=True, dpi=120)# 绘制图表ax1.plot([1,2,3,4,5], [1,2,3,4,10], 'go') # greendotsax2.plot([1,2,3,4,5], [2,3,4,5,11], 'b*') # bluestar# 设定标签与上限ax1.set_title('Scatterplot Greendots'); ax2.set_title('Scatterplot Bluestars')ax1.set_xlabel('X'); ax2.set_xlabel('X') # x 标签ax1.set_ylabel('Y'); ax2.set_ylabel('Y') # y 标签ax1.set_xlim(0, 6) ; ax2.set_xlim(0, 6) # x 轴上限ax1.set_ylim(0, 12); ax2.set_ylim(0, 12) # y 轴上限# ax2.yaxis.set_ticks_position('none') plt.tight_layout()plt.show()

在 ​​plt.subplots()​​ 设置 ​​sharey=True​​ 能让两个子图在 Y 轴上平行，而 dpi 则可以调整图标的清晰度。

进阶图形

Matplotlib 的图库远比点线图丰富，即使是更多的图表、曲线图都不在话下，我们甚至还可以调整各种参数修改图表大小和背景颜色等。由于篇幅限制，这里只放出几个进阶图形的参考图，有需要的小伙伴可以通过代码传送门​​在线查看 Python 代码​​，也可以参考 ​​Matplotlib 的官方文档​​。

绘制多个图表

这一组图表使用了 numpy 模块的 ​​randint​​ 随机数和 ​​for​​ 循环实现：

打开 ​​fourPlots.py​​ 项目查看代码：​​sincosWave.py​​ 项目查看代码：自带的样式代码：

plt.style.available# ['seaborn-dark', 'seaborn-darkgrid', 'seaborn-ticks', 'fivethirtyeight',# 'seaborn-whitegrid', 'classic', '_classic_test', 'fast', 'seaborn-talk',# 'seaborn-dark-palette', 'seaborn-bright', 'seaborn-pastel', 'grayscale',# 'seaborn-notebook', 'ggplot', 'seaborn-colorblind', 'seaborn-muted',# 'seaborn', 'Solarize_Light2', 'seaborn-paper', 'bmh', 'tableau-colorblind10',# 'seaborn-white', 'dark_background', 'seaborn-poster', 'seaborn-deep']

打开 ​​plotBackground.py​​ 项目查看代码：和 ​​plt.annotate​​ 可以分别为图表添加文本和注释。如果你想要添加多个注释，还可以通过 for 多次循环 ​​plt.text()​​ 函数。

打开 ​​plotAnnotate.py​​ 项目查看代码：Matplotlib 自带的两个函数绘制多子图的布局，即 ​​plt.subplot2grid​​ 和 ​​plt.GridSpec​​。

我们甚至还可以在主图上添加子图：

打开 ​​subplotSize.py​​ 及 ​​plotinPlot.py​​ 项目查看代码：​​plt.scatter()​​ 函数动态改变某个点的颜色和大小，形成泡沫图的效果，甚至还可以关联 pandas 数据。

此外，我们还可以通过 ​​plt.step()​​、​​plt.hist()​​、​​plt.boxplot()​​、​​plt.bar()​​ 绘制不同的图表效果：

打开 ​​bubblePlot.py​​ 及 ​​assortedPlot.py​​ 项目查看代码：​​TeamCode​​ 的其他文章感兴趣，欢迎查看：

​​怎么看待 Python(PyScript) 可以做浏览器前端开发语言？​​

​​使用 Python Turtle 制作贪吃蛇游戏​​

​​学习 Python 爬虫，手把手通过 Python 入门爬取网页信息​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。