当我们进行数据分析的时候，如果单纯的只有一堆数据摆在你面前，你看起来肯定不舒服。最好能将数据的变化，通过图形呈现出来，在实现数据可视化后，我们就能够更快、更容易、更清晰地看懂数据所要呈现、传达的信息。
Python 在数据展示方面，有非常多好用的工具，比如 Matplotlib、Seaborn、Pygal等，都是颇受欢迎的功能包。我们接下来看看，怎么去实现展示本地的数据，还有从网络中获取到的数据。
可视化视图，大致上我们可以分为 4 大类，分别是：
- 相互比较：比如折线图，可以进行比较数据间各个类别之间的关系，包括数据随着时间的变化趋势；
- 相互联系：比如散点图，可以观察到两个或两个以上实例间的关系；
- 构成占比：比如饼图，可以很直观看到每个部分所占的比例、份额大小，包括其随着时间的比例变化；
- 分布情况：比如直方图，可以观察单个或多个变量的具体分布情况。
常用的 10 种视图：散点图、折线图、直方图、条形图、饼图、热力图、箱型图、蜘蛛图、二元变量分布图、成对关系。
1、安装 Matplotlib
打开终端，输入 pip install matplotlib即可自动安装。
如果你想要查看 Matplotlib 开发者文档，输入 python -m pydoc -p 8899即可，启动之后再访问 http://localhost:8899，在 .../site-packages栏下找到 matplotlib（package）就是了。
2、折线图
最近大家是不是又看到标题上写着「史上最惨毕业季」的文章啊？其实，每年都是这么写的，每年都是最难、最惨的。
其实，我们可以找到对应的数据，把它画成折线图，你看看就知道毕业生人数的趋势了。
这是 2010 年～2022 年大学毕业生数据（单位：万）：
| 年份 | 大学毕业生人数（单位：万） | 研究生人数 |
| 2022 | 1076 | 120 |
| 2021 | 909 | 117.65 |
| 2020 | 874 | 110.66 |
| 2019 | 834 | 91.65 |
| 2018 | 821 | 85.8 |
| 2017 | 795 | 80.61 |
| 2016 | 765 | 66.71 |
| 2015 | 749 | 64.51 |
| 2014 | 700 | 62.13 |
| 2013 | 699 | 61.14 |
| 2012 | 680 | 58.97 |
| 2011 | 660 | 56.02 |
| 2010 | 631 | 53.82 |
2.1 2010 年～2022 年大学毕业生数据
根据上面给出的数据，我们先来绘制一幅折线图，看看从 2010 年到 2022 年之间的大学毕业生人数的变化趋势。其中，我们 X 轴为年份，Y 轴为人数，代码如下：
# 定义 X 轴和 Y 轴数据 # 其中，X 轴为年份；Y 轴为毕业生人数（单位：万） xData = [2010,2011,2012,2013,2014,2015,2016,2017,2018,2019,2020,2021,2022] yData = [631,660,680,699,700,749,765,795,821,834,874,909,1076] # 参数 1，设置横坐标的值 # 参数 2，设置纵坐标的值 plt.plot(xData, yData, xData, yData2) # 展示图像 plt.show()
运行结果，如图所示：
2.2 2010 年～2022 年研究生数据
那如果说，我想看看研究生人数是否也这么大的增长幅度，也这么夸张？其实也不难，传入多个代表 X 轴、Y 轴的数据的列表就行了，就可以得到一张复合折线图了。
代码如下：
# 定义 X 轴和 Y 轴数据 # 其中，X 轴为年份；Y 轴为毕业生人数（单位：万） xData = [2010,2011,2012,2013,2014,2015,2016,2017,2018,2019,2020,2021,2022] yData = [631,660,680,699,700,749,765,795,821,834,874,909,1076] # 加入研究生人数 yData2 = [53.82,56.02,58.97,61.14,62.13,64.51,66.71,80.61,85.8,91.65,110.66,117.65,120] # 参数 1，设置横坐标的值 # 参数 2，设置纵坐标的值 # 参数 3，设置第二条折线的横坐标的值 # 参数 4，设置第二条折线的纵坐标的值 plt.plot(xData, yData, xData, yData2) # 展示图像 plt.show()
运行结果，如图所示：
2.3 修改颜色、线条粗细
甚至，你还可以改折线的颜色、粗细，也很简单。比如，通过 color可以指定对应的颜色，通过 linewidth可以指定折线的粗细，代码如下：
# 通过 color 可以指定对应的颜色 # 通过 linewidth 可以指定粗细值 plt.plot(xData, yData, color='orange', linewidth=5.0) plt.plot(xData, yData2, color='green', linewidth=5.0) # 展示图像 plt.show()
运行结果，如图所示：
2.4 折线的 4 种样式
如果你不喜欢「实线」的线条，你也可以通过 linestyle来更改，常用的四种类型，分别是：
第一种，- 表示实线（默认值）；
第二种：-- 表示虚线；
第三种：: 表示虚点；
第四种：-. 表示短线、点的结合。
代码如下：
plt.plot(xData, yData, color='orange', linewidth=5.0, linestyle='--') plt.plot(xData, yData2, color='green', linewidth=5.0, linestyle='-.') # 展示图像 plt.show()
运行结果，如图所示：
3、饼图
3.1 普通饼图
通过饼图，你可以很容易的看到，每个部分的数据所占大小与总体数据之间的比例。在 Matplotlib 中，我们通过 pie(x, labels=None) 函数来绘制饼图，其中 x 代表饼图中的数据，且可以指定多个不同的份额，labels 用来指定饼图的标题。
假设，我们来统计一家水果店的种类份额，很简单的，代码如下：
import matplotlib.pyplot as plt # 饼图的数据 datas = [22, 30, 35, 8, 15] # 标签（苹果，梨，桃子，葡萄，樱桃） labs = ['apple', 'pear', 'peach', 'grape', 'cherry'] plt.pie(x = datas, labels = labs) plt.show()
运行结果，如图所示：
3.2 分离饼图
如果说，你想特别去突出某一块儿，让它更显眼的话，咱也可以办到。在 pie() 函数中，再指定 explode 就好了。
# 饼图的数据 datas = [22, 30, 35, 8, 15] # 标签（苹果，梨，桃子，葡萄，樱桃） labs = ['apple', 'pear', 'peach', 'grape', 'cherry'] # 分离，将 cherry 分离出去 exp = [0,0,0,0,0.15] plt.pie(x = datas, labels = labs, explode = exp) plt.show()
运行结果，如图所示：
3.3 饼图的更多设置
当然，你还有很多可以指定的显示方式，比如你可以自定义饼图的颜色、百分比的格式、标签与圆心的距离、饼图的初始角度、圆心、饼图的半径、逆/顺时针方向、圆圈实线、标题等等，大家都可以去多尝试。
代码如下：
import matplotlib.pyplot as plt # 饼图的数据 datas = [22, 30, 35, 8, 15] # 标签（苹果，梨，桃子，葡萄，樱桃） labs = ['apple', 'pear', 'peach', 'grape', 'cherry'] # 分离，将 cherry 分离出去 exp = [0,0,0,0,0.15] # 自定义颜色 cols = ['orange', 'green', 'blue', 'red', 'purple'] plt.pie(x = datas, labels = labs, explode = exp, colors = cols, autopct = '%.2f%%', # 设置百分比 textprops = {'fontsize':12, 'color':'black'},# 设置字体属性 ) # 标题 plt.title('Fruit Shop') plt.show()
运行结果，如图所示：
Python 基于 Matplotlib 实现数据可视化（二）+
