同样的，Matplotlib官方的参考文档: https://matplotlib.org/api/index.html
里面有很多的绘制好的图表，我们如果需要非常细节的图形，可以找一个类似的模板然后传入我们需要的数据就可以了
官方提供的模板链接如下：https://matplotlib.org/gallery/index.html
我下面做一个简单的使用记录
import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline
Matplotlib的基本操作
# 最基本的一个图 plt.plot([1,2,3,4,5],[1,4,9,16,25]) plt.xlabel('xlabel',fontsize = 16) plt.ylabel('ylabel')
Text(0, 0.5, 'ylabel')
以下是 常见的线条类型 使用
颜色
表示颜色的字符参数有：
# 指定不同的参数来绘图:下面简单介绍几种，了解即可 # 'bs'可以设置线条的形状和颜色（也可以通过color与linestyle分开设置） # fontsize可以设置坐标轴字体的大小 # marker可以设置标志点的形状 # markerfacecolor可以设置标志的颜色 # markersize可以设置标志的大小 # alpha可以设置透明度 x = np.linspace(-10,10) y = np.sin(x) plt.plot(x,y,color='b',linestyle='-',marker = '*',markerfacecolor='y',markersize = 5,alpha = 0.4) plt.xlabel('xlabel',fontsize = 16) plt.ylabel('ylabel',fontsize = 16)
Text(0, 0.5, 'ylabel')
# 211 表示一会要画的图是2行一列的 最后一个1表示的是子图当中的第1个图 plt.subplot(211) plt.plot(x,y,color='r') # 212 表示一会要画的图是2行一列的 最后一个1表示的是子图当中的第2个图 plt.subplot(212) plt.plot(x,y,color='b')
[<matplotlib.lines.Line2D at 0x19251924b48>]
# 211 表示一会要画的图是1行2列的 最后一个1表示的是子图当中的第1个图 plt.subplot(121) plt.plot(x,y,color='k') # 212 表示一会要画的图是1行2列的 最后一个1表示的是子图当中的第2个图 plt.subplot(122) plt.plot(x,y,color='y')
[<matplotlib.lines.Line2D at 0x19252dc1a08>]
# 可以创建多行多列,如果当前的子图没有执行绘图操作，则该位置的子图会空出来 plt.subplot(221) plt.plot(x,y,color='r') plt.subplot(224) plt.plot(x,y,color='b')
[<matplotlib.lines.Line2D at 0x19252f37e88>]
# 关于参数的用法和选择，详细的可以查看官方文档 # 添加解释和标注 plt.plot(x,y,color='k',linestyle='-',linewidth = 3,marker = 'o',markerfacecolor='r',markersize = 5) plt.xlabel('x:---') plt.ylabel('y:---') # 图题 plt.title('title:Clichong') # 在指定的位置添加注释 plt.text(0,0,'pos(0,0)') #显示网络 plt.grid(True) # 添加箭头，需给定其实和终止位置以及箭头的各种属性 plt.annotate('pos(-5,0)',xy=(-4,0),xytext=(-2.8,0.3),arrowprops = dict(facecolor='blue',shrink=0.15,headlength= 20,headwidth = 3)) # 将坐标轴隐藏 fig = plt.gca() fig.axes.get_xaxis().set_visible(False) fig.axes.get_yaxis().set_visible(False)
import math x = np.random.normal(loc = 0.0,scale=1.0,size=300) width = 0.5 bins = np.arange(math.floor(x.min())-width,math.ceil(x.max())+width,width) ax = plt.subplot(111) # 去掉上方和右方的坐标轴线 ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False) # 隐藏坐标轴上的锯齿线 plt.tick_params(bottom='off',top='off',left = 'off',right='off') # 加入网络 plt.grid() # 绘制直方图 plt.hist(x,alpha = 0.5,bins = bins)
(array([ 0., 3., 5., 14., 26., 53., 50., 54., 41., 31., 15., 7., 1.]), array([-3.5, -3. , -2.5, -2. , -1.5, -1. , -0.5, 0. , 0.5, 1. , 1.5, 2. , 2.5, 3. ]), <a list of 13 Patch objects>)
# legend函数实现给出颜色与类别的对应图，loc='best'是自动找到一个合适的位置，通过help(plt.legand)可以找到其他的参数 fig = plt.figure() ax = plt.subplot(111) x = np.arange(10) for i in range(1,4): plt.plot(x,i*x**2,label = 'Group %d'%i) ax.legend(loc='upper center',bbox_to_anchor = (0.5,1.15) ,ncol=3)
<matplotlib.legend.Legend at 0x1925832da48>
风格设置
# 以下为可以调用的风格 plt.style.available
['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']
# 尝试风格dark_background x = np.linspace(-10,10) y = np.sin(x) plt.style.use('dark_background') plt.plot(x,y)
[<matplotlib.lines.Line2D at 0x19258ad46c8>]
x = np.linspace(-10,10) y = np.sin(x) plt.xkcd() plt.plot(x,y) fig = plt.gca()
条形图
# 取消上诉的扭曲风格 # plt.xkcd(False) np.random.seed(0) x = np.arange(5) y = np.random.randint(-5,5,5) fig,axes = plt.subplots(ncols = 2) # bar绘制正常的条形图 v_bars = axes[0].bar(x,y,color='red') # barh绘制横着的条形图 h_bars = axes[1].barh(x,y,color='red') # 通过子图索引设置各自的细节 axes[0].axhline(0,color='grey',linewidth=2) axes[1].axvline(0,color='grey',linewidth=2) plt.show()
# 数值 mean_values = [1,2,3] # 误差棒 variance = [0.2,0.4,0.5] # 名字 bar_label = ['bar1','bar2','bar3'] # 指定位置 x_pos = list(range(len(bar_label))) # [0, 1, 2, 3] # 带有误差棒的条形图 plt.bar(x_pos,mean_values,yerr=variance,alpha=0.3) # 可以自己设置坐标轴的取值范围 max_y = max(zip(mean_values,variance)) #(3, 0.5) plt.ylim([0,(max_y[0]+max_y[1])*1.2]) # y轴标签 plt.ylabel('variable y') # x轴标签 plt.xticks(x_pos,bar_label) plt.show()
# 图像对应着绘图的结果 patterns = ('-', '+', 'x', '\\', '*', 'o', 'O', '.') mean_value = range(1,len(patterns)+1) # 确定每一个线条的位置 x_pos = list(range(len(mean_value))) # 竖着画 bars = plt.bar(x_pos,mean_value,color='white') # 通过参数设置条的样式 for bar,pattern in zip(bars,patterns): bar.set_hatch(pattern) plt.show()
data = range(200, 225, 5) bar_labels = ['a', 'b', 'c', 'd', 'e'] y_pos = np.arange(len(data)) # array([0, 1, 2, 3, 4]) fig = plt.figure(figsize=(10,8)) # 设置y轴标签,用bar_labels带替y_pos plt.yticks(y_pos, bar_labels, fontsize=16) # 横着画 bars = plt.barh(y_pos,data,alpha = 0.5,color='g') # 设置一条最低点的竖线 plt.vlines(min(data),-1,len(data)+0.5,linestyle = 'dashed') # 设置每个条形图的数值 for b,d in zip(bars,data): plt.text(b.get_width()+b.get_width()*0.05,b.get_y()+b.get_height()/2,'{0:.2%}'.format(d/min(data))) plt.show()
盒图
盒图boxplot由最小值（min），下四分位数（q1）,中位数（median），上四分位数（q3）,最大值（max）五部分组成。
# 参数的介绍,详细的可查看参考文档，需要时再查阅 #print(help(plt.boxplot))
# 以下是一个简单的例子 tang_data = [np.random.normal(0,std,100) for std in range(1,4)] fig = plt.figure(figsize = (8,6)) plt.boxplot(tang_data,notch=False,sym='s',vert=True) plt.xticks([y+1 for y in range(len(tang_data))],['x1','x2','x3']) plt.xlabel('x') plt.title('box plot')
Text(0.5, 1.0, 'box plot')
直方图
data = np.random.normal(0,20,1000) bins = np.arange(-100,100,5) plt.hist(data,bins=bins) # 由于会堆叠在一起，可以调整x坐标轴 #plt.xlim([min(data)-5,max(data)+5]) plt.show()
import random # 两个类别来对比 data1 = [random.gauss(15,10) for i in range(500)] data2 = [random.gauss(5,5) for i in range(500)] # 指定区间 bins = np.arange(-50,50,2.5) # 别分绘制，为了避免重叠需要设置透明度aplha plt.hist(data1,bins=bins,label='class 1',alpha = 0.3) plt.hist(data2,bins=bins,label='class 2',alpha = 0.3) # 自动分配颜色既放置在合适位置 plt.legend(loc='best') plt.show()
散点图
N = 1000 x = np.random.randn(N) y = np.random.randn(N) # 绘制散点图 plt.scatter(x,y,alpha=0.5) #plt.legend(loc='best') # plt.grid(True) plt.show()
3D图
# 需要额外的导入绘制3D图的工具 from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure() ax = fig.add_subplot(111,projection = '3d') #ax = fig.gca(projection='3d') for c, z in zip(['r', 'g', 'b', 'y'], [30, 20, 10, 0]): xs = np.arange(20) ys = np.random.rand(20) cs = [c]*len(xs) ax.bar(xs,ys,zs = z,zdir='y',color = cs,alpha = 0.5) plt.show()
fig = plt.figure() ax = fig.add_subplot(111,projection = '3d') #( 设置-4π~4π的取值范围，数量为100个) theta = np.linspace(-4 * np.pi, 4 * np.pi, 100) #( 设置-2~2的取值范围，数量为100个) z = np.linspace(-2, 2, 100) r = z**2 + 1 x = r * np.sin(theta) y = r * np.cos(theta) ax.plot(x,y,z) #plt.show()
[<mpl_toolkits.mplot3d.art3d.Line3D at 0x1b03fbd5608>]
fig = plt.figure() ax = fig.add_subplot(111, projection='3d') for c, z in zip(['r', 'g', 'b', 'y'], [30, 20, 10, 0]): xs = np.arange(20) # 0-20的数组 ys = np.random.rand(20) # 0-1取值范围的随机小数数组 cs = [c]*len(xs) # 颜色取值数组 ax.bar(xs,ys,zs = z,zdir='y',color = cs,alpha = 0.5) plt.show()
圆饼图
m = 51212. f = 40742. m_perc = m/(m+f) f_perc = f/(m+f) colors = ['navy','lightcoral'] labels = ["Male","Female"] plt.figure(figsize=(8,8)) paches,texts,autotexts = plt.pie([m_perc,f_perc],labels = labels,autopct = '%1.1f%%',explode=[0,0.05],colors = colors) for text in texts+autotexts: text.set_fontsize(20) for text in autotexts: text.set_color('white')
布局设置
# 3x3的布局，第一个子图 ax1 = plt.subplot2grid((3,3),(0,0)) # 布局大小都是3z3，各自的位置不同 ax2 = plt.subplot2grid((3,3),(1,0)) # 占用一些位置，一个顶3个 ax3 = plt.subplot2grid((3,3),(0,2),rowspan=3) #同上，越界一个顶两个 ax4 = plt.subplot2grid((3,3),(2,0),colspan = 2) ax5 = plt.subplot2grid((3,3),(0,1),rowspan=2)
x = np.linspace(0,10,1000) y1 = x**2 y2 = np.sin(x**2) fig,ax1 = plt.subplots() # 设置嵌套图位置，其参数分别表示： # left：绘图区左侧边缘线与Figure画布左侧边缘线的距离 # Bottom：绘图区底侧边缘线与Figure画布底侧边缘线的距离 # width:绘图区的宽度 # height：绘图区的高度 left,bottom,width,height = [0.22,0.45,0.3,0.35] #加入嵌套图 ax2 = fig.add_axes([left,bottom,width,height]) # 分别绘制 ax1.plot(x,y1) ax2.plot(x,y2)
[<matplotlib.lines.Line2D at 0x1b0419bba48>]
模板引用
示例1：Horizontal bar chart模板
import matplotlib.pyplot as plt import numpy as np # Fixing random state for reproducibility np.random.seed(100) plt.rcdefaults() fig, ax = plt.subplots() # Example data people = ('A', 'B', 'C', 'D', 'E') y_pos = np.arange(len(people)) performance = 3 + 10 * np.random.rand(len(people)) error = np.random.rand(len(people)) ax.barh(y_pos, performance, xerr=error, align='center') ax.set_yticks(y_pos) ax.set_yticklabels(people) ax.invert_yaxis() # labels read top-to-bottom ax.set_xlabel('Performance') ax.set_title('How fast do you want to go today?') plt.show()
示例2：Creating annotated heatmaps
import numpy as np import matplotlib import matplotlib.pyplot as plt vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat", "barley"] farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening", "Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."] harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0], [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0], [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0], [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0], [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0], [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1], [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]]) fig, ax = plt.subplots() im = ax.imshow(harvest) # We want to show all ticks... ax.set_xticks(np.arange(len(farmers))) ax.set_yticks(np.arange(len(vegetables))) # ... and label them with the respective list entries ax.set_xticklabels(farmers) ax.set_yticklabels(vegetables) # Rotate the tick labels and set their alignment. plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor") # Loop over data dimensions and create text annotations. for i in range(len(vegetables)): for j in range(len(farmers)): text = ax.text(j, i, harvest[i, j], ha="center", va="center", color="w") ax.set_title("Harvest of local farmers (in tons/year)") fig.tight_layout() plt.show()
