Python 教程Matplotlib 数据类型汇总
Posted TeamCode
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python 教程Matplotlib 数据类型汇总相关的知识,希望对你有一定的参考价值。
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
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) # greendots
ax2.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:https://55911a1851-share.lightly.teamcode.com
绘制曲线图(正余弦波)
打开 sincosWave.py
项目查看代码:https://55911a1851-share.lightly.teamcode.com
调整背景颜色
Matplotlib 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:https://55911a1851-share.lightly.teamcode.com
添加注释
plt.text
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:https://55911a1851-share.lightly.teamcode.com
调整子图大小
我们可通过 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:https://55911a1851-share.lightly.teamcode.com
泡沫图、柱状图、箱型图和时间序列
我们可以通过 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:https://55911a1851-share.lightly.teamcode.com
本篇介绍的图形应用场景各有不同,大家可以根据自己的需求进行尝试。如果你对 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?
学习 Python 爬虫,手把手通过 Python 入门爬取网页信息
以上是关于Python 教程Matplotlib 数据类型汇总的主要内容,如果未能解决你的问题,请参考以下文章