当前位置：首页 > news >正文

Python 中三种常用的绘图方式 ! ! !

news 2025/9/17 4:49:21

一 Matplotlib可视化

在Python中，Matplotlib是一个功能强大的绘图库，特别是其Pyplot模块，提供了类似于MATLAB的绘图接口，使得用户可以轻松绘制各种2D图表。下面我们将详细介绍使用Matplotlib进行可视化的基本步骤以及常用图形的绘制方法。

步骤

创建画板和坐标轴对象
- 使用Matplotlib时，首先需要创建一个图形（画板）和坐标轴对象。但在简单的绘图中，这一步通常是隐式完成的。
绘制指定的图形
- 使用Pyplot提供的各种函数绘制图形，如线图、散点图、条形图、直方图、饼图等。
设置坐标轴值、网格、标题等
- 可以通过Pyplot提供的函数设置坐标轴的标签、范围、网格线、图表的标题和注释等。
画图
- 使用plt.show()函数显示图表。

涉及到的图形

hist()：用于绘制直方图，展示数据的分布情况。
scatter()：用于绘制散点图，显示两个变量之间的关系。
plot()：最常用的函数之一，用于绘制线图和散点图。
bar()：用于绘制垂直条形图和水平条形图，展示不同类别的数据对比。
pie()：用于绘制饼图，显示各部分在总体中所占的比例。
imshow()：用于绘制图像，特别是热力图或图像数据。
subplots()：用于创建子图，即在一个图形窗口中绘制多个图表。

示例

状态接口方式

下面是一个使用状态接口方式绘制简单线图的示例：

import matplotlib.pyplot as plt # 1. 准备x轴 和 y轴的数据. 
x = [-3, 5, 7] # x轴坐标 
y = [1, 4, 9] # y轴坐标 # 2. 绘制线图 
plt.plot(x, y) # 3. 设置坐标轴标签和标题 
plt.xlabel('X axis') 
plt.ylabel('Y axis') 
plt.title('Simple Line Plot') # 4. 画图 
plt.show()

参数了解

plot() 函数是Matplotlib中最基础也是最常用的函数之一，其参数非常灵活，支持多种格式和选项。

x, y：点的坐标或线的节点，可以是列表或数组。
fmt：可选，定义基本格式，如颜色、标记和线条样式。
**kwargs：可选，用于设置其他属性，如标签、线宽等。

颜色字符如 'b' 表示蓝色，'r' 表示红色等；线型参数如 '-' 表示实线，'--' 表示破折线等；标记字符如 'o' 表示实心圈，'.' 表示点等。

二 Pandas自带绘图功能

Pandas是一个强大的Python数据分析库，它内置了基于Matplotlib的绘图功能，使得数据分析师和科学家能够方便地对数据进行可视化。Pandas的绘图功能通过DataFrame或Series对象的.plot方法实现，提供了多种图表类型来满足不同的数据可视化需求。

格式

Pandas的绘图功能非常直观，其基本格式如下：

df对象.plot.图形名(参数) 
# 或者 
Series对象.plot.图形名(参数)

这里的df对象是指Pandas的DataFrame对象，而Series对象则是指Pandas的Series对象。图形名指的是你想要绘制的图表类型，如bar、line、area等。参数则是用于自定义图表的各种选项，如大小、字体、颜色等。

常用参数

figsize：用于设置图表的大小，格式为(宽, 高)，单位为英寸。
fontsize：用于设置图表中字体的大小。
color：用于设置图表中元素的颜色，可以是颜色的缩写（如'r'代表红色），也可以是颜色的十六进制表示（如'#FF0000'也代表红色）。

常用图形

bar()：绘制条形图，展示不同类别的数据对比。
line()：绘制线图，展示数据随时间或其他连续变量的变化趋势。
area()：绘制面积图，与线图类似，但下方区域会被填充颜色，常用于显示累计数据。
pie()：绘制饼图，展示各部分在总体中所占的比例。
hist()：绘制直方图，展示数据的分布情况。
scatter()：绘制散点图，显示两个变量之间的关系。

示例

假设我们有一个Pandas DataFrame df，它包含了某产品的月销量数据：

import pandas as pd 
import numpy as np # 创建一个示例DataFrame 
np.random.seed(0) 
data = {'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun'], 
'Sales': np.random.randint(100, 300, 6)} 
df = pd.DataFrame(data) # 绘制条形图 
df.plot.bar(x='Month', y='Sales', figsize=(10, 6), fontsize=14, color='skyblue') # 显示图表 
plt.show()

在这个示例中，我们首先导入了pandas和numpy库，并创建了一个包含月份和销量的DataFrame。然后，我们使用.plot.bar()方法绘制了一个条形图，其中x='Month'指定了x轴为月份，y='Sales'指定了y轴为销量，figsize=(10, 6)设置了图表的大小，fontsize=14设置了字体大小，color='skyblue'设置了条形的颜色。最后，我们使用plt.show()显示了图表。

注意：在Pandas的绘图示例中，我们通常还需要导入Matplotlib的pyplot模块（import matplotlib.pyplot as plt），因为Pandas的绘图功能是基于Matplotlib实现的，尽管在Pandas的绘图方法中不需要显式调用plt.show()来显示图表（Pandas的.plot()方法内部已经调用了它），但在某些情况下（如需要自定义图表显示顺序时），我们仍然需要显式地调用plt.show()。然而，为了保持示例的简洁性，上述示例中并没有显式导入pyplot模块。在实际应用中，请确保已经正确导入了所需的模块。

三 Seaborn绘图

Seaborn（简称sns）是一个基于matplotlib的高级绘图库，它提供了一个更高级的接口来绘制各种吸引人的统计图形。Seaborn旨在使绘图变得更加简单，同时产生更美观和更复杂的图表。以下是关于如何使用Seaborn进行可视化的一些详细指导，包括常用的图形类型、设置图形样式和风格的步骤。

图形名

histplot()：绘制直方图，展示数据的分布情况。
kdeplot()：绘制核密度估计图，用于展示数据的连续分布。
countplot()：绘制计数图（条形图），展示不同类别的计数。
scatterplot()：绘制散点图，展示两个变量之间的关系。
regplot()：绘制回归图，展示两个变量之间的线性关系。参数fit_reg=True表示绘制回归线。
jointplot()：绘制联合分布图，展示两个变量的分布及其关系。参数kind='hex'表示使用六边形分箱（hexbin）来显示密度。
boxplot()：绘制箱线图，展示数据的分布情况，包括中位数、四分位数等统计量。
violinplot()：绘制小提琴图，与箱线图类似，但更侧重于显示数据的分布密度。参数hue用于分组数据，split=True表示在分组的情况下将小提琴图分开显示。

绘图基本格式

import seaborn as sns 
import matplotlib.pyplot as plt # 假设df是已经存在的DataFrame 
fig, ax = plt.subplots(figsize=(宽, 高)) # 创建图形和坐标轴对象 
sns.图形名(data=df对象, x='x轴数据', y='Y轴数据', ...) # 绘制图形 
ax.set_title('标题') # 设置标题 
plt.show() # 显示图形

风格和样式

Seaborn提供了几种不同的绘图风格和样式，可以通过sns.set_style('风格名')来设置。

white：纯白色背景，无网格线。
whitegrid：白色背景，带有网格线。
dark：暗色背景，无网格线。
darkgrid：暗色背景，带有网格线。
ticks：与whitegrid类似，但网格线更细。

示例

import seaborn as sns 
import matplotlib.pyplot as plt # 设置绘图风格 
sns.set_style('darkgrid') # 假设tips是一个已经存在的DataFrame 
fig, ax = plt.subplots(figsize=(10, 6)) 
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='day') 
ax.set_title('Tips by Day and Total Bill') 
plt.show()

在这个示例中，我们首先设置了绘图风格为darkgrid，然后创建了一个图形和坐标轴对象。接着，我们使用sns.scatterplot()绘制了一个散点图，其中data=tips指定了数据源，x='total_bill'和y='tip'分别指定了x轴和y轴的数据列，hue='day'表示根据day列的不同值对散点进行分组和着色。最后，我们设置了图表的标题并显示了图表。