Python数据可视化--Matplotlib--入门

我生性自由散漫，不喜欢拘束。我谁也不爱，谁也不恨。我没有欺骗这个，追求那个；没有把这个取笑，那个玩弄。我有自己的消遣。   -- 塞万提斯 《堂吉诃德》 

 Matplotlib介绍

1. Matplotlib 是 Python 中常用的 2D 绘图库，它能轻松地将数据进行可视化，作出精美的图表。

2. Matplotlib 这个模块很庞大，最常用的是其中一个子模块——pyplot 。

import matplotlib.pyplot as plt

pyplot模块

1. pyplot 中最基础的作图方式是以点作图，即给出每个点的坐标，pyplot 会将这些点在坐标系中画出，并用线将这些点连起来。

import numpy as np
import matplotlib.pyplot as pltx=np.arange(0,2*np.pi,0.1) 
# 生成一个从 0 到 2π 的数组，步长是 0.1。
y=np.sin(x) 
# numpy 中计算正弦函数的方法，我们将 x 的值传进去就得到对应的正弦值。
plt.plot(x,y) 
#有了 x 和 y 的值之后，将其分别传入 plt.plot() 方法，pyplot 会将其转换成对应的坐标。
plt.show()
# 将这些坐标连成线就得到了函数的图像，最后调用 plt.show() 方法就能将图像显示出来了。

2. 其实对于每一对 x 和 y，还有一个可选的格式化参数，用来指定线条的颜色、点标记和线条的类型。 

import numpy as np
import matplotlib.pyplot as plt
# 设置字体为黑体，防止报错
plt.rcParams['font.family'] = ['SimHei']
# 生成对应数组
x = np.arange(0, 2 * np.pi, 0.1)
y1 = np.sin(x)
y2 = np.cos(x)
# 生成对应函数
plt.plot(x, y1, 'ro--')  # 正弦函数图像
plt.plot(x, y2, 'b*-.')  # 余弦函数图像
# 等价于 plt.plot(x, y1, 'ro--', x, y2, 'b*-.')
plt.show()

 呈现图分类

1. 按照数据展示的目标可以把它们分为五种，分别是：趋势、比较、构成、分布和联系。 

2. 趋势：这是最常见的一种时间序列关系，关心数据如何随着时间变化，趋势类里的图表能直观反映出每年、每月、每天的变化趋势，增长、减少、上下波动还是基本不变。最常见的是折线图，它能很好地表现指标随时间呈现的趋势。

3. 构成：主要关注每个部分占整体的比例。展示构成关系的图表类型里，最常见的就是饼壮图。

4. 比较：可以展示某个维度上的排列顺序，分析某维度之间的对比是差不多，还是 “大于”、“小于”，

5. 分布：当你关心数据集中、频率、分布时，比如根据地理位置数据，通过地图来展示不同分布特征。比较常用的图表有地图、直方图、散点图。

6. 联系：主要查看两个变量之间是否表达出我们预期所要证明的相关关系。

 绘制折线图

1. plt.rcParams['font.family'] = ['SimHei']，再绘图之前先把字体设置成黑体，防止报错。

2. 加图例很简单，只要在调用 plt.plot() 方法时传入 lable 参数，接着用 plt.legend() 方法显示图例即可。

import matplotlib.pyplot as pltx = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
y1 = [61, 42, 52, 72, 86, 91, 73]
y2 = [23, 26, 67, 38, 46, 55, 33]
# 修改字体
plt.rcParams['font.family'] = ['SimHei']
# 传入 label 参数
plt.plot(x, y1, label='商品 A')
plt.plot(x, y2, label='商品 B')
# 显示图例
plt.legend()
# 绘制图片
plt.show()

1. 如果想自行选择图例位置的话可以通过 plt.legend() 方法的 loc 参数实现。

2. 我们还可以通过 plt.xlable() 和 plt.ylable() 方法来设置 x 轴和 y 轴的标签.

3. 还能通过 plt.title() 给图表设置标题。

plt.legend(loc='lower right')

# 设置 x 轴标签
plt.xlabel('时间')
# 设置 y 轴标签
plt.ylabel('销量')
# 设置图表标题
plt.title('商品销量对比图')

绘制柱状图 

普通柱状图

1. 调用 plt.bar() 方法即可，我们需要传入两个参数。

2. 第一个参数是 x 轴上刻度的标签序列。

3. 第二个参数则用于指定每个柱子的高度，也就是具体的数据。

4.  plt.bar() 还有一些可选参数，常用的有 width 和 color，分别用于设置柱子的宽度和颜色。

import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']
names = ['篮球', '羽毛球', '乒乓球']
nums = [26, 20, 19]
plt.bar(names, nums, width=0.6, color='skyblue')
plt.show()

堆叠柱状图

1. 堆叠柱状图不仅可以展示每一个分类的总量，还能展示该分类包含的每个小分类的大小及占比，因此非常适合处理部分与整体的关系。

2. 多调用了一次 plt.bar() 方法，并传入了 bottom 参数。每调用一次 plt.bar() 方法就会画出对应的柱状图，而 bottom  参数作用就是控制柱状图低端的位置。

import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']names = ['篮球', '羽毛球', '乒乓球']
nums_boy = [16, 5, 11]
nums_girl = [10, 15, 8]plt.bar(names, nums_boy, width=0.6, color='skyblue', label='男')
plt.bar(names, nums_girl, bottom=nums_boy, width=0.6, color='pink', label='女')
plt.legend()
plt.show()

分组柱状图 

1. 分组柱状图经常用于不同组间数据的比较，这些组都包含了相同分类的数据。

2. 首先使用 np.arange(3) 方法创建了一个数组 x，值为 [ 0 1 2 ]，并定义了一个变量 width 用于指定柱子的宽度。

3. 在调用 plt.bar() 时，第一个参数不再是刻度上的标签，而是对应的刻度。以 [ 0 1 2 ] 为基准，分别加上和减去柱子的宽度得到 [-0.15 0.85 1.85] 和 [0.15 1.15 2.15]，这些刻度将分别作为两组柱子的中点，并且柱子的宽度为 0.3。

4. 因此，我们还要调用 plt.xticks() 方法来将 x 轴上刻度改成对应的标签。该方法的第一个参数是要更改的刻度序列，第二个参数是与之对应的标签序列。

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']
x = np.arange(3)
width = 0.3names = ['篮球', '羽毛球', '乒乓球']
nums_boy = [16, 5, 11]
nums_girl = [10, 15, 8]plt.bar(x - width / 2, nums_boy, width=width, color='skyblue', label='男')
plt.bar(x + width / 2, nums_girl, width=width, color='pink', label='女')
plt.xticks(x, names)
plt.legend()
plt.show()

饼图 

1. 饼图用于表示不同分类的占比情况，通过弧度大小来对比各种分类。

2. 饼图的画法很简单，只要传入数据和对应的标签给 plt.pie() 方法即可。但为了让饼图更加直观清晰，需要了解一些额外的参数：参数 autopct 则给饼图自动添加百分比显示。

3. 还能通过 explode 参数来让饼图中的某一部分突出显示，来强调某项数据。

4. 默认 explode 参数里的元素都是 0，我们将需要突出显示的部分对应位置的值设大一点，就能将对应的区块抽离出来突出显示。这个数值越大，抽离的效果就越明显。

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']data = [64745.2, 364835.2, 489700.8]
labels = ['第一产业', '第二产业', '第三产业']
explode = (0.1, 0, 0)plt.pie(data, explode=explode, labels=labels, autopct='%0.1f%%')
plt.show()

致谢 

 感谢您花时间阅读这篇文章！如果您对本文有任何疑问、建议或是想要分享您的看法，请不要犹豫，在评论区留下您的宝贵意见。每一次互动都是我前进的动力，您的支持是我最大的鼓励。期待与您的交流，让我们共同成长，探索技术世界的无限可能！