软件测试|Python绘图神器matplotlib教程(三)

简介: 软件测试|Python绘图神器matplotlib教程(三)

Python matplotlib教程(三)

之前的文章,我们介绍了使用matplotlib绘制曲线图以及散点图,本篇文章我们来介绍一下使用matplotlib绘制柱状图以及条形图。

绘制柱状图

柱状图是非常直观的展示数量的图片,这里我们还是使用之前使用过的数据,汽车销量的数据,友情提醒,并不是真实的销售数据。

代码如下:

import matplotlib as mpl
import matplotlib.pyplot as plt

# 防止乱码
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

# 生产数据
x = [1,2,3,4,5,6]
y = [20000,18000,9000,6000,4500,12000]

# 生产柱状图
plt.bar(x,y,align="center",color="c",tick_label=["朗逸","帕萨特","途观","凌渡","途安","斯柯达"],hatch="/")

# 设置x,y轴标签
plt.xlabel("车型")
plt.ylabel("销量(辆)")
# 展示柱状图
plt.show()

绘制的柱状图如下:

在这里插入图片描述

绘制条形图

绘制条形图的步骤与绘制柱状图非常相似,,基本上是对柱状图的90度旋转,我们还是沿用老数据,语法如下:

plt.barh(x,y,align="center",color="b",tick_label=[],hatch="\")

完整语法示例如下:

import matplotlib as mpl
import matplotlib.pyplot as plt

# 防止乱码
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

# 生产数据
x = [1,2,3,4,5,6]
y = [20000,18000,9000,6000,4500,12000]

# 生产柱状图
plt.barh(x,y,align="center",color="b",tick_label=["朗逸","帕萨特","途观","凌渡","途安","斯柯达"],hatch="/")

# 设置x,y轴标签
plt.xlabel("销量(辆)")
plt.ylabel("车型")

plt.show()

生成的图像如下:
在这里插入图片描述

注:生成条形图时,注意x轴y轴名称的变换

总结

本文主要介绍了Python使用matplotlib绘制柱状图以及条形图的步骤,代码比较简单,但是对于我们日常工作中还是很有帮助的,帮助我们快速绘制出数据的报表。

相关文章
|
4天前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
30 8
|
4天前
Seaborn 教程-主题(Theme)
Seaborn 教程-主题(Theme)
22 7
|
4天前
|
Python
Seaborn 教程-模板(Context)
Seaborn 教程-模板(Context)
22 4
|
4天前
|
数据可视化 Python
Seaborn 教程
Seaborn 教程
20 5
|
7天前
|
数据可视化 Python
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
通过这些思维导图和分析说明表,您可以更直观地理解和选择适合的数据可视化图表类型,帮助更有效地展示和分析数据。
45 8
|
14天前
|
敏捷开发 测试技术 持续交付
自动化测试之美:从零开始搭建你的Python测试框架
在软件开发的马拉松赛道上,自动化测试是那个能让你保持节奏、避免跌宕起伏的神奇小助手。本文将带你走进自动化测试的世界,用Python这把钥匙,解锁高效、可靠的测试框架之门。你将学会如何步步为营,构建属于自己的测试庇护所,让代码质量成为晨跑时清新的空气,而不是雾霾中的忧虑。让我们一起摆脱手动测试的繁琐枷锁,拥抱自动化带来的自由吧!
|
19天前
|
Python
Matplotlib 绘图标记
Matplotlib 绘图标记
29 2
|
20天前
|
机器学习/深度学习 计算机视觉 Python
Matplotlib 教程
Matplotlib 教程
19 1
|
27天前
|
Python
SciPy 教程 之 Scipy 显著性检验 9
SciPy 教程之 Scipy 显著性检验第9部分,介绍了显著性检验的基本概念、作用及原理,通过样本信息判断假设是否成立。着重讲解了使用scipy.stats模块进行显著性检验的方法,包括正态性检验中的偏度和峰度计算,以及如何利用normaltest()函数评估数据是否符合正态分布。示例代码展示了如何计算一组随机数的偏度和峰度。
25 1
|
27天前
|
BI Python
SciPy 教程 之 Scipy 显著性检验 8
本教程介绍SciPy中显著性检验的应用,包括如何利用scipy.stats模块进行显著性检验,以判断样本与总体假设间的差异是否显著。通过示例代码展示了如何使用describe()函数获取数组的统计描述信息,如观测次数、最小最大值、均值、方差等。
27 1