数据可视化之如何用Matplotlib画好看的图

Posted 2023-04-17

参考技术A 【导语】有时候有些事情，我们无法用言语清晰的表达，我们可以通过图表。文不如表，表不如图。所以，可视化是数据分析中最重要的任务之一。python中有很多可视化的工具包，这篇文章主要围绕Matplotlib，需要的小伙伴可以做个参考。

Matplotlib 官方定义：Matplotlib是一个综合库，用于在Python中创建静态，动画和交互式可视化。

导入相关包， 测试数据是阿里的双十二用户行为 ，绘制按天的pv和uv用户浏览量的折线图。

图表说明：双十二期间，pv和uv访问量达到峰值，并且可以发现，uv和pv两个访问量数值差距比较大，同时，因为数据集总人数大约是10000人左右，因此，通过uv值可以分析出双十二期间淘宝用户的日活跃大概是45%浮动。

测试数据是饭店的综合评分，综合评分，口味评分，环境评分，服务评分，人均价格，绘制散点图，观察人均价格和分别对口味评分、环境评分、服务评分的关系。

图表说明：通过观察散点的离散程度，人均价格和服务、环境的相关性更大一些。

图表说明：通过热力图颜色的渐变程度，在影响综合评分的因素中，环境评分和口味评分呈现高度相关，人均价格呈现中度相关，人均价格则呈现极低的相关性。

实现方法：plt.pie(x,lables,autopct,shadow,startangle,colors,explode)

本篇文章主要归纳了Matplotlib的绘图方法，具体的使用还是要结合我们的业务数据。那么在企业中，可视化不仅仅能展现数据规律，挖掘有价值的信息；还可以监测数据异常指标；为建模提供一些想法，做一些预测等。

希望本文的内容对大家的学习或者工作能带来一定的帮助，每天进步一点点，加油。

Python 金融数据可视化（两列数据的提取//分别画//双坐标轴//双图//两种不同的图）

import matplotlib as mpl
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2000)
y = np.random.standard_normal((20,2))
# print(y)

\'\'\'
不同的求和
print(y.cumsum())
print(y.sum(axis=0))
print(y.cumsum(axis=0))
\'\'\'

# 绘图
plt.figure(figsize=(7,4))
plt.plot(y.cumsum(axis=0),linewidth=2.5)
plt.plot(y.cumsum(axis=0),\'bo\')

plt.grid(True)
plt.axis("tight")

plt.xlabel(\'index\')
plt.ylabel(\'values\')
plt.title(\'a simple plot\')

plt.show()

2.下面分别提取两组数据，进行绘图。

import matplotlib as mpl
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2000)
date = np.random.standard_normal((20,2))
y = date.cumsum(axis=0)

print(y)

# 重点下面两种情况的区别
print(y[1])      # 取得是 第1行的数据 [-0.37003581  1.74900181]
print(y[:,0])    # 取得是 第1列的数据 [ 1.73673761 -0.37003581  0.21302575  0.35026529 ...

# 绘图
plt.plot(y[:,0],lw=2.5,label="1st",color=\'blue\')
plt.plot(y[:,1],lw=2.5,label="2st",color=\'red\')
plt.plot(y,\'ro\')

# 添加细节
plt.title("A Simple Plot",size=20,color=\'red\')
plt.xlabel(\'Index\',size=20)
plt.ylabel(\'Values\',size=20)

# plt.axis(\'tight\')
plt.xlim(-1,21)
plt.ylim(np.min(y)-1,np.max(y)+1)

# 添加图例
plt.legend(loc=0)

plt.show()

3.双坐标轴。

import matplotlib as mpl
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2000)
date = np.random.standard_normal((20,2))
y = date.cumsum(axis=0)

y[:,0]=y[:,0]*100

fig,ax1 = plt.subplots()
plt.plot(y[:,0],\'b\',label="1st")
plt.plot(y[:,0],\'ro\')

plt.grid(True)
plt.axis(\'tight\')
plt.xlabel("Index")
plt.ylabel(\'Values of 1st\')
plt.title("This is double axis label")

plt.legend(loc=0)

ax2=ax1.twinx()
plt.plot(y[:,1],\'g\',label="2st")
plt.plot(y[:,1],\'r*\')
plt.ylabel("Values of 2st")
plt.legend(loc=0)

plt.show()

4. 分为两个图绘画。

import matplotlib as mpl
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2000)
date = np.random.standard_normal((20,2))
y = date.cumsum(axis=0)

y[:,0]=y[:,0]*100

plt.figure(figsize=(7,5))       # 确定图片大小
plt.subplot(211)                # 确定第一个图的位置 （行，列，第几个）两行一列第一个图

plt.plot(y[:,0],\'b\',label="1st")
plt.plot(y[:,0],\'ro\')

plt.grid(True)
plt.axis(\'tight\')
plt.xlabel("Index")
plt.ylabel(\'Values of 1st\')
plt.title("This is double axis label")

plt.legend(loc=0)

plt.subplot(212)               # 确定第一个图的位置
plt.plot(y[:,1],\'g\',label="2st")
plt.plot(y[:,1],\'r*\')
plt.ylabel("Values of 2st")
plt.legend(loc=0)

plt.show()

5.在两个图层中绘制两种不同的图（直线图立方图）

import matplotlib as mpl
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(2000)
date = np.random.standard_normal((20,2))
y = date.cumsum(axis=0)

y[:,0]=y[:,0]*100

plt.figure(figsize=(7,5))       # 确定图片大小
plt.subplot(121)                # 确定第一个图的位置

plt.plot(y[:,0],\'b\',label="1st")
plt.plot(y[:,0],\'ro\')

plt.grid(True)
plt.axis(\'tight\')
plt.xlabel("Index")
plt.ylabel(\'Values\',size=20)
plt.title("1st date set")

plt.legend(loc=0)

plt.subplot(122)               # 确定第一个图的位置
plt.bar(np.arange(len(y[:,1])),y[:,1],width = 0.5,color=\'g\',label="2nd")  # 直方图的画法
plt.grid(True)
plt.xlabel("Index")
plt.title(\'2nd date set\')
plt.legend(loc=0)

plt.show()