✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。
🍎个人主页： 小嗷犬的博客
🍊个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。
🥭本文内容：Python Matplotlib库：统计图补充

@TOC

1.引言

上两期我们讲了 Matplotlib 库的基本语法和基本绘图展示。（参见： Python 数据可视化：Matplotlib库的使用和 Python Matplotlib库：基本绘图补充）

这期我们来说说如何用 Matplotlib 库绘制常用统计图。

2.直方图

最常用的统计图就是直方图了，我们可以用 hist()方法来绘制直方图，它的语法格式如下：

plt.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, *, data=None, **kwargs)

参数说明：

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))
plt.suptitle("统计数字出现的次数")

x = 4 + np.random.normal(0, 1.5, 200)

plt.hist(x,linewidth=0.5, edgecolor="white")
plt.show()

效果图：

3.箱线图

箱线图也是常用统计图之一，我们可以用 boxplot()方法来绘制箱线图，它的语法格式如下：

plt.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None, usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_ticks=True, autorange=False, zorder=None, *, data=None)

参数说明：

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = np.random.normal((3, 5, 4), (1.25, 1.00, 1.25), (100, 3))
plt.boxplot(x, positions=[2, 4, 6], widths=1.5, patch_artist=True,
                showmeans=False, showfliers=False,
                medianprops={"color": "white", "linewidth": 0.5},
                boxprops={"facecolor": "C0", "edgecolor": "white","linewidth": 0.5},
                whiskerprops={"color": "C0", "linewidth": 1.5},
                capprops={"color": "C0", "linewidth": 1.5})

plt.show()

效果图：

4.误差条图

在 Matplotlib 库中，我们可以用 errorbar()方法来绘制误差条图，用于表现有一定置信区间的带误差数据，它的语法格式如下：

plt.errorbar(x, y, yerr=None, xerr=None, fmt='', ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, *, data=None, **kwargs)

参数说明：

代码实例：

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = [2, 4, 6]
y = [3.6, 5, 4.2]
yerr = [0.9, 1.2, 0.5]
plt.errorbar(x, y, yerr, fmt='o', linewidth=2, capsize=6)

plt.show()

效果图：

5.小提琴图

我们可以用 violinplot()方法来绘制小提琴图，它的作用与箱线图类似，语法格式如下：

plt.violinplot(dataset, positions=None, vert=True, widths=0.5, showmeans=False, showextrema=True, showmedians=False, quantiles=None, points=100, bw_method=None, *, data=None)

参数说明：

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = np.random.normal((3, 5, 4), (0.75, 1.00, 0.75), (200, 3))
plt.violinplot(x, [2, 4, 6], widths=2, showmeans=True, showmedians=True, showextrema=True)

plt.show()

效果图：

6.尖峰栅格图

我们可以用 eventplot()方法来绘制尖峰栅格图，常在神经科学中用于表示神经事件，也可用于显示多组离散事件的时间或位置，语法格式如下：

plt.eventplot(positions, orientation='horizontal', lineoffsets=1, linelengths=1, linewidths=None, colors=None, linestyles='solid', *, data=None, **kwargs)

参数说明：

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = [2, 4, 6]
D = np.random.gamma(4, size=(3, 50))
plt.eventplot(D, orientation="vertical", lineoffsets=x, linewidth=0.75)

plt.show()

效果图：

7.二维直方图/散点密度图

我们可以用 hist2d()方法来绘制二维直方图/散点密度图，它的作用与散点图类似，语法格式如下：

plt.hist2d(x, y, bins=10, range=None, density=False, weights=None, cmin=None, cmax=None, *, data=None, **kwargs)

参数说明：

详情请参见：matplotlib.axes.Axes.hist2d

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = np.random.randn(5000)
y = 1.2 * x + np.random.randn(5000) / 3

plt.hist2d(x, y, bins=(np.arange(-3, 3, 0.1), np.arange(-3, 3, 0.1)))

plt.show()

效果图：

8.Hexbin散点图

我们可以用 hexbin()方法来绘制Hexbin散点图，它是一种特殊的散点图，可以清晰的表示大量可能重叠的散点，语法格式如下：

plt.hexbin(x, y, C=None, gridsize=100, bins=None, xscale='linear', yscale='linear', extent=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors='face', reduce_C_function=<function mean>, mincnt=None, marginals=False, *, data=None, **kwargs)

参数说明：

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = np.random.randn(5000)
y = 1.2 * x + np.random.randn(5000) / 3

plt.hexbin(x, y, gridsize=50)

plt.show()

效果图：

9.扇形图

最常用的统计图之一，我们可以用 pie()方法来绘制扇形图，它的语法格式如下：

plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, normalize=True, data=None)

参数说明：

代码实例：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为黑体
plt.rcParams["axes.unicode_minus"] = False  # 防止负号乱码

plt.figure(figsize=(8, 7))

x = [1, 2, 3, 4]
colors = plt.get_cmap('Blues')(np.linspace(0.2, 0.7, len(x)))

plt.pie(x, colors=colors, radius=3, center=(4, 4), wedgeprops={"linewidth": 1, "edgecolor": "white"}, frame=True)

plt.show()

效果图：