1、折线图
折线图（Line Plot）：用于显示数据随时间或其他连续变量的变化趋势。在实际项目中，可以用于可视化模型性能随着训练迭代次数的变化。
下面的示例中，我们将绘制一个包含多个数据系列的折线图。
首先，确保已经安装了Matplotlib库。（pip install matplotlib）
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集 x = np.linspace(0, 10, 100) # 生成0到10之间的100个数据点作为x轴 y1 = np.sin(x) # 第一个数据系列，正弦函数 y2 = np.cos(x) # 第二个数据系列，余弦函数 y3 = np.sin(2 * x) # 第三个数据系列，正弦函数的倍频 # 创建一个Matplotlib图表 plt.figure(figsize=(10, 6)) # 设置图表的大小 # 绘制折线图 plt.plot(x, y1, label='sin(x)', color='blue', linestyle='-', linewidth=2) plt.plot(x, y2, label='cos(x)', color='red', linestyle='--', linewidth=2) plt.plot(x, y3, label='sin(2x)', color='green', linestyle='-.', linewidth=2) # 添加标题和标签 plt.title('Complex Line Plot') plt.xlabel('X-axis') plt.ylabel('Y-axis') # 添加图例 plt.legend() # 自定义坐标轴范围 plt.xlim(0, 10) plt.ylim(-2, 2) # 添加网格线 plt.grid(True, linestyle='--', alpha=0.6) # 保存图像（可选） # plt.savefig('complex_line_plot.png') # 显示图像 plt.show()
包含三个不同的数据系列，每个系列都有不同的线型和颜色。
（可以根据需要自定义图表的样式、颜色和标签）
2、散点图
散点图（Scatter Plot）：用于显示两个变量之间的关系，通常用于观察数据的分布、异常值或类别之间的关系。
创建一个或多个包含数据系列的散点图。
我们将使用随机生成的数据集来模拟复杂的散点图：
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集 np.random.seed(0) n_points = 200 x = np.random.rand(n_points) # 随机生成x坐标 y1 = np.random.rand(n_points) # 随机生成y坐标 y2 = 1.5 * x + np.random.rand(n_points) # 生成带趋势的数据 colors = np.random.rand(n_points) # 随机生成颜色值 sizes = np.random.rand(n_points) * 100 # 随机生成点的大小 # 创建一个Matplotlib图表 plt.figure(figsize=(10, 6)) # 设置图表的大小 # 绘制散点图 plt.scatter(x, y1, label='Random Data', c=colors, s=sizes, alpha=0.7, cmap='viridis') plt.scatter(x, y2, label='Trendline Data', c='red', marker='x', s=50, alpha=0.7) # 添加标题和标签 plt.title('Complex Scatter Plot') plt.xlabel('X-axis') plt.ylabel('Y-axis') # 添加图例 plt.legend() # 自定义坐标轴范围 plt.xlim(0, 1) plt.ylim(0, 2) # 添加颜色条 colorbar = plt.colorbar() colorbar.set_label('Color Intensity') # 保存图像（可选） # plt.savefig('complex_scatter_plot.png') # 显示图像 plt.show()
上面代码创建了一个复杂的散点图，其中包含两个不同的数据系列，每个系列都具有不同的颜色、标记和大小。通过使用cmap函数，可以改变数据点的颜色映射。
3、直方图
直方图（Histogram）：用于显示数据的分布情况，特别适用于展示数值型数据的频率分布。
使用多个数据系列以及自定义的颜色、透明度和边界线等属性来创建一个直方图。
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集（多个数据系列） np.random.seed(0) data_series = [np.random.normal(0, std, 1000) for std in range(1, 4)] # 创建一个Matplotlib图表 plt.figure(figsize=(10, 6)) # 设置图表的大小 # 绘制直方图 plt.hist(data_series, bins=20, color=['blue', 'green', 'purple'], alpha=0.7, label=['Series 1', 'Series 2', 'Series 3'], edgecolor='black') # 添加标题和标签 plt.title('Complex Histogram') plt.xlabel('Value') plt.ylabel('Frequency') # 添加图例 plt.legend() # 自定义坐标轴范围 plt.xlim(-4, 4) plt.ylim(0, 300) # 添加网格线 plt.grid(True, linestyle='--', alpha=0.6) # 保存图像（可选） # plt.savefig('complex_histogram.png') # 显示图像 plt.show()
上述代码中，包含三个不同的数据系列，每个系列都具有不同的颜色、透明度和边界线颜色。直方图的bins数设置为20，可以根据需要进行调整。
4、柱状图
柱状图（Bar Plot）：用于比较不同类别之间的数据，例如不同产品的销售量或不同类别的统计i数据。
当涉及到柱状图可视化时，Matplotlib提供了丰富的自定义选项。
下面代码将创建一个具有多个数据系列、堆叠柱状图和自定义颜色、标签等属性的柱状图。
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集（多个数据系列） categories = ['Category A', 'Category B', 'Category C', 'Category D'] data_series1 = [3, 4, 2, 6] data_series2 = [2, 5, 1, 4] data_series3 = [1, 3, 4, 2] # 创建一个Matplotlib图表 plt.figure(figsize=(10, 6)) # 设置图表的大小 # 绘制柱状图（堆叠） bar_width = 0.2 index = np.arange(len(categories)) plt.bar(index, data_series1, bar_width, label='Series 1', color='blue', edgecolor='black') plt.bar(index, data_series2, bar_width, label='Series 2', color='green', edgecolor='black', bottom=data_series1) plt.bar(index, data_series3, bar_width, label='Series 3', color='purple', edgecolor='black', bottom=np.array(data_series1) + np.array(data_series2)) # 添加标题和标签 plt.title('Complex Bar Chart') plt.xlabel('Categories') plt.ylabel('Values') # 添加图例 plt.legend() # 自定义坐标轴标签 plt.xticks(index, categories) # 自定义坐标轴范围 plt.ylim(0, 15) # 添加网格线 plt.grid(True, linestyle='--', alpha=0.6) # 保存图像（可选） # plt.savefig('complex_bar_chart.png') # 显示图像 plt.show()
示例中，使用了三个数据系列，每个系列都具有不同的颜色。柱状图被堆叠在一起，以显示每个类别中各系列的值，并使用bottom参数来堆叠。
5、箱线图
箱线图（Box Plot）：用于展示数据的分布、中位数、离群值等统计信息，有助于检测数据中的异常值。
import matplotlib.pyplot as plt import numpy as np # 创建一个示例数据集，这里使用随机生成的数据 np.random.seed(0) data = [np.random.normal(0, std, 100) for std in range(1, 4)] # 设置箱线图的标签 labels = ['Dataset 1', 'Dataset 2', 'Dataset 3'] # 创建一个箱线图 fig, ax = plt.subplots(figsize=(10, 6)) # 自定义箱线图的外观，包括颜色、填充、标记和线宽 boxprops = dict(linewidth=2, color='blue', facecolor='lightblue') flierprops = dict(marker='o', markerfacecolor='red', markersize=8, linestyle='none') medianprops = dict(linestyle='-', linewidth=2, color='green') whiskerprops = dict(color='blue', linewidth=2) capprops = dict(color='blue', linewidth=2) # 画出箱线图 bplot = ax.boxplot(data, vert=True, patch_artist=True, labels=labels, boxprops=boxprops, flierprops=flierprops, medianprops=medianprops, whiskerprops=whiskerprops, capprops=capprops) # 自定义Y轴标签 ax.set_ylabel('Values') # 添加标题 ax.set_title('Complex Box Plot') # 添加网格线 ax.yaxis.grid(True, linestyle='--', which='major', color='gray', alpha=0.7) # 自定义箱线图的背景色 colors = ['lightblue', 'lightgreen', 'lightpink'] for patch, color in zip(bplot['boxes'], colors): patch.set_facecolor(color) # 自定义X轴刻度标签 ax.set_xticklabels(labels) # 显示图例 legend_elements = [plt.Line2D([0], [0], marker='o', color='w', markerfacecolor='red', markersize=10, label='Outliers')] ax.legend(handles=legend_elements, loc='upper right') # 自定义X轴标签位置 ax.set_xticks(np.arange(1, len(labels) + 1)) # 调整Y轴刻度范围，根据的数据集进行调整 ax.set_ylim(-5, 10) # 显示图形 plt.tight_layout() plt.show()
上面代码创建不同颜色的箱体、自定义标记的异常值、自定义线条属性和其他个性化选项。
6、热力图
热力图（Heatmap）：用于可视化矩阵数据，通常用于显示相关性、相似矩阵或特征之间的关系。
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集（这里使用随机生成的数据） np.random.seed(0) data = np.random.rand(10, 10) # 设置热力图的标签和自定义参数 labels = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'] cmap = 'YlOrRd' # 自定义颜色映射 annot = True # 显示数值标签 fmt = '.2f' # 数值标签格式 # 创建热力图 fig, ax = plt.subplots(figsize=(8, 8)) # 自定义热力图的外观 heatmap = ax.imshow(data, cmap=cmap, aspect='auto') # 显示数值标签 if annot: for i in range(len(labels)): for j in range(len(labels)): text = ax.text(j, i, format(data[i, j], fmt), ha="center", va="center", color="black") # 添加颜色条 cbar = plt.colorbar(heatmap) # 自定义X轴和Y轴标签 ax.set_xticks(np.arange(len(labels))) ax.set_yticks(np.arange(len(labels))) ax.set_xticklabels(labels) ax.set_yticklabels(labels) # 添加标题 ax.set_title('Customized Heatmap') # 自定义热力图的颜色条标签 cbar.set_label('Values', rotation=270, labelpad=15) # 显示图形 plt.tight_layout() plt.show()
上面代码中提供了多个定制化参数，包括颜色映射、数值标签、数值标签格式、颜色条标签等。可以根据自己的数据集和需求进一步自定义热力图，例如更改颜色映射、调整数值标签格式、添加自定义标题等。
7、饼图
饼图（Pie Chart）：用于显示数据的部分与整体的比例，通常用于显示类别的占比。
import matplotlib.pyplot as plt # 创建示例数据集（这里使用随机生成的数据） labels = ['Category A', 'Category B', 'Category C', 'Category D'] sizes = [15, 30, 45, 10] # 自定义每个类别的大小 explode = (0.1, 0, 0, 0) # 自定义饼图中的分离 # 自定义颜色，可以使用Matplotlib中的其他颜色映射 colors = ['#ff9999', '#66b3ff', '#99ff99', '#c2c2f0'] # 自定义百分比格式 autopct = '%1.1f%%' # 创建饼图 fig, ax = plt.subplots() # 自定义饼图的外观 ax.pie(sizes, explode=explode, labels=labels, colors=colors, autopct=autopct, shadow=True, startangle=90, wedgeprops={'edgecolor': 'gray'}) # 添加标题 ax.set_title('Customized Pie Chart') # 显示图形 plt.tight_layout() plt.show()
上述的代码中，提供了多个定制化参数，包括每个类别的大小、分离、颜色、百分比格式等。可以根据自己的数据集和需求进一步自定义饼图，例如更改颜色、调整百分比格式、添加自定义标题等。
8、面积图
面积图（Area Plot）:类似于折线图，但可以用于展示多个类别之间的堆积关系，通常用于实践序列数据。
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集 years = [2010, 2011, 2012, 2013, 2014] categories = ['Category A', 'Category B', 'Category C', 'Category D'] data = np.array([ [5, 8, 6, 9, 12], [7, 10, 8, 11, 14], [4, 6, 5, 7, 9], [3, 5, 4, 6, 7] ]) # 自定义堆积颜色 colors = ['#ff9999', '#66b3ff', '#99ff99', '#c2c2f0'] # 创建面积堆积图 fig, ax = plt.subplots(figsize=(10, 6)) # 绘制面积堆积图 bottoms = np.zeros(len(years)) for i, category in enumerate(categories): ax.fill_between(years, bottoms, bottoms + data[i], label=category, color=colors[i], alpha=0.7) bottoms += data[i] # 添加标题 ax.set_title('Customized Stacked Area Chart (Complex Data)') # 自定义X轴和Y轴标签 ax.set_xlabel('Year') ax.set_ylabel('Values') # 添加图例 ax.legend(loc='upper left') # 添加阴影 ax.grid(alpha=0.3) # 自定义Y轴刻度 ax.set_yticks(np.arange(0, max(bottoms), step=10)) # 自定义X轴刻度标签 ax.set_xticks(years) # 显示图形 plt.tight_layout() plt.show()
上述代码中，包括数据集、自定义颜色、图例、标签、标题、阴影和刻度标签等。
9、等高线图
等高线图（Contour Plot）：用于可视化二维数据的等高线，通常用于显示函数的等值线。
import matplotlib.pyplot as plt import numpy as np # 创建示例数据集 x = np.linspace(-2, 2, 400) y = np.linspace(-2, 2, 400) X, Y = np.meshgrid(x, y) Z = np.sin(np.sqrt(X**2 + Y**2)) * np.exp(-0.2 * np.sqrt(X**2 + Y**2)) # 自定义等高线参数 levels = np.linspace(-1, 1, 20) cmap = plt.get_cmap('RdYlBu_r') # 自定义颜色映射 # 创建等高线图 fig, ax = plt.subplots(figsize=(8, 8)) # 绘制等高线图 contour = ax.contourf(X, Y, Z, levels=levels, cmap=cmap) # 添加等高线线条 contour_lines = ax.contour(X, Y, Z, levels=levels, colors='k', linewidths=0.5) # 添加颜色条 cbar = plt.colorbar(contour, ax=ax, ticks=np.arange(-1, 1.2, 0.2)) cbar.set_label('Values') # 添加标题 ax.set_title('Customized Contour Plot') # 自定义X轴和Y轴标签 ax.set_xlabel('X-axis') ax.set_ylabel('Y-axis') # 添加网格线 ax.grid(linestyle='--', alpha=0.7) # 添加等高线标签 ax.clabel(contour_lines, inline=1, fontsize=8, fmt='%0.1f') # 显示图形 plt.tight_layout() plt.show()
上述代码中创建了一个等高线图，包括自定义等高线参数、颜色映射、颜色条、等高线线条、标签、标题和网格线等。
10、3D图
3D图（3D Plot）：用于可视化包含三个变量的数据，例如三维散点图、三维曲面图等。
import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import numpy as np # 创建示例数据集 x = np.linspace(-5, 5, 100) y = np.linspace(-5, 5, 100) X, Y = np.meshgrid(x, y) Z = np.sin(np.sqrt(X**2 + Y**2)) / (np.sqrt(X**2 + Y**2) + 1) # 创建3D图形 fig = plt.figure(figsize=(10, 8)) ax = fig.add_subplot(111, projection='3d') # 自定义颜色映射和标签 cmap = plt.get_cmap('viridis') ax.plot_surface(X, Y, Z, cmap=cmap, label='Surface Plot') # 添加颜色条 cbar = fig.colorbar(ax.plot_surface(X, Y, Z, cmap=cmap), ax=ax, pad=0.1) cbar.set_label('Values') # 添加标题 ax.set_title('Customized 3D Surface Plot') # 自定义坐标轴标签 ax.set_xlabel('X-axis') ax.set_ylabel('Y-axis') ax.set_zlabel('Z-axis') # 自定义坐标轴刻度 ax.set_xticks(np.arange(-5, 6, 2)) ax.set_yticks(np.arange(-5, 6, 2)) # 自定义视角 ax.view_init(elev=20, azim=45) # 仰角和方位角 # 显示图形 plt.tight_layout() plt.show()
上述代码中，创建了一个复杂的3D表面绘图，包括自定义颜色映射、颜色条、标签、标题、坐标轴标签、坐标轴刻度和视角。
11、时间序列图
时间序列图（Time Series Plot）：用于可视化时间序列数据，通常包括折线图和柱状图，以便观察时间趋势和季节性模式。
import matplotlib.pyplot as plt import numpy as np import pandas as pd # 创建示例数据集 np.random.seed(0) dates = pd.date_range('2023-01-01', '2023-12-31', freq='D') num_series = 5 data = np.random.randn(len(dates), num_series).cumsum(axis=0) # 创建时间序列图 fig, ax = plt.subplots(figsize=(12, 6)) # 自定义线条颜色和样式 colors = ['b', 'g', 'r', 'c', 'm'] linestyles = ['-', '--', '-.', ':', '-'] for i in range(num_series): ax.plot(dates, data[:, i], label=f'Series {i+1}', color=colors[i], linestyle=linestyles[i]) # 添加标题 ax.set_title('Customized Time Series Plot') # 自定义X轴和Y轴标签 ax.set_xlabel('Date') ax.set_ylabel('Value') # 添加图例 ax.legend(loc='upper left') # 添加网格线 ax.grid(linestyle='--', alpha=0.7) # 自定义X轴的日期刻度显示 ax.xaxis.set_major_locator(plt.MaxNLocator(10)) # 最多显示10个日期刻度 # 自定义日期刻度标签的格式 from matplotlib.dates import DateFormatter date_format = DateFormatter('%b %d') ax.xaxis.set_major_formatter(date_format) # 自定义Y轴刻度范围 ax.set_ylim(-10, 10) # 显示图形 plt.tight_layout() plt.show()
上述代码中，自定义线条颜色和样式、标签、标题、坐标轴标签、图例、网格线、日期刻度显示和日期刻度标签的格式。
12、树状图
树状图（Tree Disgram）：用于可视化决策树、层次聚类等树状结构的数据。
使用 networkx 库来创建树的结构，并使用 matplotlib 进行可视化 。 （pip install networkx）
import matplotlib.pyplot as plt import networkx as nx # 创建示例数据集 G = nx.DiGraph() G.add_nodes_from([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) G.add_edges_from([(1, 2), (1, 3), (2, 4), (2, 5), (3, 6), (3, 7), (4, 8), (4, 9), (5, 10)]) # 创建树状图布局 pos = nx.spring_layout(G, seed=42) # 自定义节点颜色和大小 node_colors = ['#1f78b4' for _ in G.nodes()] node_sizes = [800 for _ in G.nodes()] # 创建树状图 fig, ax = plt.subplots(figsize=(10, 8)) # 绘制树状图 nx.draw(G, pos, ax=ax, with_labels=True, node_color=node_colors, node_size=node_sizes, font_size=10, font_weight='bold', edge_color='gray', width=1.0, arrows=True) # 添加标题 ax.set_title('Customized Tree Diagram') # 显示图形 plt.tight_layout() plt.show()
上述代码中，包括自定义数据集、自定义节点颜色、大小、标签、标题、布局、边的颜色和宽度等。
总结
这些图表类型覆盖了数据分析和机器学习项目的许多常见需求。根据具体的项目和数据，可以选择适合的图表类型来展示和分析数据。Matplotlib提供 了丰富的功能，能够自定义图表以满足特定的需求。
参考：深夜努力写Python
