干货|教你一文掌握：Matplotlib+Seaborn可视化

• 2020 年 3 月 9 日
• 笔记

导语

Seaborn和Matplotlib是Python最强大的两个可视化库。Seaborn其默认主题让人惊讶，而Matplotlib可以通过其多个分类为用户打造专属功能。

0

1

导入包

import matplotlib.pyplot as plt #导入绘图包  import numpy as np #导入numpy  import pandas as pd #导入pandas

0

2

参数介绍

Figure：面板(图)，matplotlib中的所有图像都是位于figure对象中，一个图像只能有一个figure对象。

0

3

点图、线图为例

#使用numpy产生数据  x=np.arange(-5,,0.1)  y=x*    #创建窗口、子图  #方法1：先创建窗口，再创建子图。（一定绘制）  fig = plt.figure(num=, figsize=(, ),dpi=)     #开启一个窗口，同时设置大小，分辨率  ax1 = fig.add_subplot(,,)  #通过fig添加子图，参数：行数，列数，第几个。  ax2 = fig.add_subplot(,,)  #通过fig添加子图，参数：行数，列数，第几个。  print(fig,ax1,ax2)  #方法2：一次性创建窗口和多个子图。（空白不绘制）  fig,axarr = plt.subplots(,)  #开一个新窗口，并添加4个子图，返回子图数组  ax1 = axarr[]    #通过子图数组获取一个子图  print(fig,ax1)  #方法3：一次性创建窗口和一个子图。（空白不绘制）  ax1 = plt.subplot(,,,facecolor='white')      #开一个新窗口，创建1个子图。facecolor设置背景颜色  print(ax1)  #获取对窗口的引用，适用于上面三种方法  # fig = plt.gcf()   #获得当前figure  # fig=ax1.figure   #获得指定子图所属窗口    # fig.subplots_adjust(left=0)                         #设置窗口左内边距为0，即左边留白为0。    #设置子图的基本元素  ax1.set_title('python-drawing')            #设置图体，plt.title  ax1.set_xlabel('x-name')                    #设置x轴名称,plt.xlabel  ax1.set_ylabel('y-name')                    #设置y轴名称,plt.ylabel  plt.axis([-6,,-10,])                  #设置横纵坐标轴范围，这个在子图中被分解为下面两个函数  ax1.set_xlim(-5,)                           #设置横轴范围，会覆盖上面的横坐标,plt.xlim  ax1.set_ylim(-10,)                         #设置纵轴范围，会覆盖上面的纵坐标,plt.ylim    xmajorLocator = MultipleLocator()   #定义横向主刻度标签的刻度差为2的倍数。就是隔几个刻度才显示一个标签文本  ymajorLocator = MultipleLocator()   #定义纵向主刻度标签的刻度差为3的倍数。就是隔几个刻度才显示一个标签文本    ax1.xaxis.set_major_locator(xmajorLocator) #x轴 应用定义的横向主刻度格式。如果不应用将采用默认刻度格式  ax1.yaxis.set_major_locator(ymajorLocator) #y轴 应用定义的纵向主刻度格式。如果不应用将采用默认刻度格式    ax1.xaxis.grid(True, which='major')      #x坐标轴的网格使用定义的主刻度格式  ax1.yaxis.grid(True, which='major')      #x坐标轴的网格使用定义的主刻度格式    ax1.set_xticks([])     #去除坐标轴刻度  ax1.set_xticks((-5,-3,-1,,,))  #设置坐标轴刻度  ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small')  #设置刻度的显示文本，rotation旋转角度，fontsize字体大小    plot1=ax1.plot(x,y,marker='o',color='g',label='legend1')   #点图：marker图标  plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2')   #线图：linestyle线性，alpha透明度，color颜色，label图例文本    ax1.legend(loc='upper left')            #显示图例,plt.legend()  ax1.text(2.8, , r'y=3*x')                #指定位置显示文字,plt.text()  ax1.annotate('important point', xy=(, ), xytext=(, 1.5),  #添加标注，参数：注释文本、指向点、文字位置、箭头属性              arrowprops=dict(facecolor='black', shrink=0.05),              )  #显示网格。which参数的值为major(只绘制大刻度)、minor(只绘制小刻度)、both，默认值为major。axis为'x','y','both'  ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=)    axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')       #在当前窗口添加一个子图，rect=[左, 下, 宽, 高]，是使用的绝对布局，不和以存在窗口挤占空间  axes1.plot(x,y)  #在子图上画图  plt.savefig('aa.jpg',dpi=,bbox_inches='tight')   #savefig保存图片，dpi分辨率，bbox_inches子图周边白色空间的大小  plt.show()    #打开窗口，对于方法1创建在窗口一定绘制，对于方法2方法3创建的窗口，若坐标系全部空白，则不绘制  

0

4

一个窗口多个图

#一个窗口，多个图，多条数据  sub1=plt.subplot(,facecolor=(0.1843,0.3098,0.3098))  #将窗口分成2行1列，在第1个作图，并设置背景色  sub2=plt.subplot()   #将窗口分成2行1列，在第2个作图  sub1.plot(x,y)          #绘制子图  sub2.plot(x,y)          #绘制子图    axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')  #添加一个子坐标系，rect=[左, 下, 宽, 高]  plt.plot(x,y)           #绘制子坐标系，  axes2 = plt.axes([0.7, .2, .1, .1], facecolor='y')  #添加一个子坐标系，rect=[左, 下, 宽, 高]  plt.plot(x,y)  plt.show()  

0

5

柱形图

plt.figure()  x_index = np.arange()   #柱的索引  x_data = ('A', 'B', 'C', 'D', 'E')  y1_data = (, , , , )  y2_data = (, , , , )  bar_width = 0.35   #定义一个数字代表每个独立柱的宽度    rects1 = plt.bar(x_index, y1_data, width=bar_width,alpha=0.4, color='b',label='legend1')            #参数：左偏移、高度、柱宽、透明度、颜色、图例  rects2 = plt.bar(x_index + bar_width, y2_data, width=bar_width,alpha=0.5,color='r',label='legend2') #参数：左偏移、高度、柱宽、透明度、颜色、图例  #关于左偏移，不用关心每根柱的中心不中心，因为只要把刻度线设置在柱的中间就可以了  plt.xticks(x_index + bar_width/, x_data)   #x轴刻度线  plt.legend()    #显示图例  plt.tight_layout()  #自动控制图像外部边缘，此方法不能够很好的控制图像间的间隔  plt.show()  

0

6

直方图

fig,(ax0,ax1) = plt.subplots(nrows=,figsize=(,))     #在窗口上添加2个子图  sigma =    #标准差  mean =     #均值  x=mean+sigma*np.random.randn()   #正态分布随机数  ax0.hist(x,bins=,normed=False,histtype='bar',facecolor='yellowgreen',alpha=0.75)   #normed是否归一化，histtype直方图类型，facecolor颜色，alpha透明度  ax1.hist(x,bins=,normed=,histtype='bar',facecolor='pink',alpha=0.75,cumulative=True,rwidth=0.8) #bins柱子的个数,cumulative是否计算累加分布，rwidth柱子宽度  plt.show()  #所有窗口运行  

0

7

散点图

fig = plt.figure()          #添加一个窗口  ax =fig.add_subplot(,,)   #在窗口上添加一个子图  x=np.random.random()      #产生随机数组  y=np.random.random()      #产生随机数组  ax.scatter(x,y,s=x*,c='y',marker=(,),alpha=0.5,lw=,facecolors='none')  #x横坐标，y纵坐标，s图像大小，c颜色，marker图片，lw图像边框宽度  plt.show()  #所有窗口运行  

0

8

导入Seaborn

import seaborn as sns

0

9

直方图barplot

x = np.arange()  y = np.array([,,,,,,,])  df = pd.DataFrame({"x-axis": x,"y-axis": y})  sns.barplot("x-axis","y-axis",palette="RdBu_r",data=df)  plt.xticks(rotation=)  plt.show()  

0

10

相关热力图

以tips数据为例：

# 相关性热力图  sns.heatmap(tips.corr())  

#看图说话：热力图可用来显示两变量之间的相关性，在这里两变量间对应的矩形框的颜色越浅，代表两者之间越具有相关性

0

11

核密度估计图

#kde plot图  sns.kdeplot(tips['total_bill'], shade=True)  

0

12

总结

相信介绍到这里，大家对Matplotlib和Seaborn常用图形有充分的了解了，下面通过一些案例去实践可视化操作吧！我也会在后续实战中带来更多的应用。