数据分析 ——— matplotlib基础（二）

• 2019 年 10 月 7 日
• 筆記

有了上一节的基础的积累，接下来就可以来用matplotlib来画图了

一、基本绘图2D

1.1 线

利用plot()函数画出一系列点，并用线连接起来：

import matplotlib.pyplot as plt  import numpy as np  import pandas as pd    fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 6))  ax1, ax2, ax3, ax4 = axes.flatten()    x = np.linspace(0, np.pi)  y_sin = np.sin(x)  y_cos = np.cos(x)    ax1.plot(x, y_sin)  ax1.set_title("line")      ax2.plot(x, y_sin, 'go--', linewidth=2, markersize=12)  ax2.set_title("--")    ax4.plot(x, y_cos, color='red', marker='+', linestyle='dashed')  ax4.set_title("++")  fig.tight_layout()

运行结果：

在上面的三个面板中分别画出了sin,cos图，前面两个参数分别为x轴， y轴数据。ax2的第三个参数“go–”是matlab风格的绘图，ax3上给出了点的标记maker，这一块是可以自己定义的，可以参考我上一篇文章数据分析 ——数据可视化matplotlib(一)。

在同一个图中画两条或多条线：

import matplotlib.pyplot as plt  import numpy as np  import pandas as pd    fig, ax1 = plt.subplots(figsize=(10, 6))    x = np.linspace(0, np.pi)  y_sin = np.sin(x)  y_cos = np.cos(x)    ax1.plot(x, y_sin)  ax1.plot(x, y_cos, marker='o', color='green')  ax1.set_title("line")

用plt画图：

运行结果都是一样的

import matplotlib.pyplot as plt  import numpy as np  import pandas as pd    fig = plt.subplots(figsize=(10, 6))    x = np.linspace(0, np.pi)  y_sin = np.sin(x)  y_cos = np.cos(x)    plt.plot(x, y_sin)  plt.plot(x, y_cos, marker='o', color='green')  plt.title("line")  plt.show()

运行结果：

2.2 散点图

只画点，但是不用点连接：

import matplotlib.pyplot as plt  import numpy as np  import pandas as pd    fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 6))  ax1, ax2= axes.flatten()    x = np.arange(10)  y =  np.random.randn(10)  z =  np.random.randn(10)      ax1.scatter(x, y, marker=">")  ax1.scatter(x, z, marker="*", color="red")  ax1.set_title("scatter 1")    ax2.scatter(x, y, marker=".", color='purple')  ax2.set_title("scatter 2")    fig.tight_layout()

运行结果：

2.3条形图

条形图分两种，一种是水平的，一种是垂直

import numpy as np  import pandas as pd  import matplotlib.pyplot as plt    np.random.seed(1)  x = np.arange(5)  y = np.random.randn(5)    fig, axes = plt.subplots(ncols=2, figsize=plt.figaspect(1./2))    vert_bars = axes[0].bar(x, y, color='black', align='center')  horiz_bars = axes[1].barh(x, y, color='purple', align='center')  #在水平或者垂直方向上画线  axes[0].axhline(0, color='gray', linewidth=2)  axes[1].axvline(0, color='gray', linewidth=2)  plt.show()

条形图返回了一个Artists 数组，对应着每个条形。条形图在现实中用的较少。

2.4 直方图

直方图用于统计数据出现的次数或者频率

import matplotlib.pyplot as plt  import numpy as np  import pandas as pd  fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(12, 6))  ax1, ax2, ax3, ax4= axes.flatten()  np.random.seed(19680801)  n_bins = 10  x = np.random.randn(1000, 3)  colors = ['blue', 'green', 'purple']    ax1.hist(x, n_bins, density=True, histtype='barstacked')  ax1.set_title('stacked bar')    ax2.hist(x,  histtype='barstacked', rwidth=0.9)    ax3.hist(x[:, 0], rwidth=0.9)  ax3.set_title('different sample sizes')    ax4.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors)  ax4.legend(prop={'size': 10})  ax4.set_title('bars with legend')    fig.tight_layout()  plt.show()

参数中density控制Y轴是概率还是数量，与返回的第一个的变量对应。histtype控制着直方图的样式，默认是 ‘bar’; 对于多个条形时就相邻的方式呈现如子图4；‘barstacked’ 就是叠在一起，如子图1、2。rwidth 控制着宽度，这样可以空出一些间隙，比较图1, 2, 3是只有一条数据时。

2.5 饼图

# 饼图  import matplotlib.pyplot as plt  import numpy as np  import pandas as pd    fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(13, 4))    labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'    sizes = [15, 30, 45, 10] # 所占百分比  explode = (0, 0.1, 0, 0)  # 每个扇形之间的间隔    ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True)  ax1.axis('equal')    ax2.pie(sizes, autopct='%1.2f%%', shadow=True, startangle=90, explode=explode,      pctdistance=1.12)  ax2.axis('equal')  ax2.legend(labels=labels, loc='upper right')    plt.show()

饼图自动根据数据的百分比画饼.。labels是各个块的标签，如左图。autopct=%1.1f%%表示格式化百分比精确输出， 也就是扇形图所占的百分比，explode，突出某些块，不同的值突出的效果不一样。pctdistance=1.12百分比距离圆心的距离，默认是0.6.

2.6 等高线图（轮廓图）

#等高线图  import matplotlib.pyplot as plt  import numpy as np  import pandas as pd    fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(13, 4))  x = np.arange(-5, 5, 0.1)  y = np.arange(-5, 5, 0.1)  xx, yy = np.meshgrid(x, y, sparse=True)  z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2)  ax1.contourf(x, y, z)  ax2.contour(x, y, z)

上面画了两个一样的轮廓图，contourf会填充轮廓线之间的颜色。数据x, y, z通常是具有相同 shape 的二维矩阵。x, y 可以为一维向量，但是必需有 z.shape = (y.n, x.n) ，这里 y.n 和 x.n 分别表示x、y的长度。Z通常表示的是距离X-Y平面的距离，传入X、Y则是控制了绘制等高线的范围。