Python学习笔记之Matplotlib模块入门(直线图、折线图、曲线图、散点图、柱状图、饼状图、直方图、等高线图和三维图的绘制)-2

简介: Python学习笔记之Matplotlib模块入门(直线图、折线图、曲线图、散点图、柱状图、饼状图、直方图、等高线图和三维图的绘制)

Python学习笔记之Matplotlib模块入门(直线图、折线图、曲线图、散点图、柱状图、饼状图、直方图、等高线图和三维图的绘制)-1

https://developer.aliyun.com/article/1537819


6. 绘制柱状图

使用bar函数可以绘制柱状图。柱状图需要水平的x坐标值,以及每一个x坐标值对应的y坐标值,从而形成柱状的图。柱状图主要用来纵向对比和横向对比的。例如,根据年份对销售收据进行纵向对比,x坐标值就表示年份,y坐标值表示销售数据。

【示例】使用bar绘制柱状图,并设置柱的宽度

# 导入matplotlib模块
import matplotlib.pyplot as plt

# 创建x,y坐标
x = [1980, 1985, 1990, 1995]
y = [1000, 3000, 4000, 5000]
x_label = ['1980年', '1985年', '1990年', '1995年']
# 调用bar函数绘制柱状图
plt.bar(x, y, width=3)  # 通过width修改柱的宽度,数值为标准柱宽度的倍数
# 设置字体解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
# 通过xticks修改x坐标的值
# plt.xticks(x, x)
plt.xticks(x, x_label)
# 设置x,y轴的名称
plt.xlabel('年份')
plt.ylabel('销量')
# 设置图例名称
plt.title('年份销量对比图')
# 显示绘制图形
plt.show()

运行效果如下:

注意:bar函数的宽度并不是像素宽度。bar函数会根据二维坐标系的尺寸,以及x坐标值的多少,自动确定每一个柱的宽度,而width指定的宽度就是这个标准柱宽度的倍数。该参数值可以是浮点数,如0.5,表示柱的宽度是标准宽度的0.5倍。

【示例】使用bar和barh绘制柱状图

# 导入模块
import matplotlib.pyplot as plt
import numpy as np

# 创建x,y
np.random.seed(0)
x = np.arange(5)  # 生成[0, 5)之间的整数
y = np.random.randint(-5, 5, 5)  # 随机生成[-5, 5)之间的整数
# 将画布分为一行两列,在第一部分用bar函数画
plt.subplot(1, 2, 1)
# 在0位置处添加水平方向蓝色线条
plt.axhline(0, color='blue', linewidth=3)
plt.bar(x, y, color='blue')
# 在第二部分用barh函数画
plt.subplot(1, 2, 2)
# 在0位置处添加垂直方向红色线条
plt.axvline(0, color='red', linewidth=2)
plt.barh(x, y, color='red')
# 显示绘制图形
plt.show()

运行效果如下:

【示例】对部分柱状图,使用颜色区分

# 导入模块
import matplotlib.pyplot as plt
import numpy as np

# 创建x,y
np.random.seed(0)
x = np.arange(5)  # 生成[0, 5)之间的整数
y = np.random.randint(-5, 5, 5)  # 随机生成[-5, 5)之间的整数
v_bar = plt.bar(x, y, color='blue')
# 对y大于0的合作为蓝色,小于0设置为绿色
for bar, height in zip(v_bar, y):
    if height < 0:
        bar.set(color='green')
# 显示绘制图形
plt.show()

运行效果如下:

补充:zip函数将多个可迭代对象中对应位置的元素打包成一个个元组,然后返回一个新的可迭代对象(通常是一个zip对象)。

语法:

  • 语法:zip(iterable, …)
  • 参数:
    iterable: 一个或多个可迭代对象


【示例】将两个列表按位置打包成元组的列表

names = ['Alice', 'Bob', 'Charlie']
ages = [25, 30, 35]
person_info = zip(names, ages)
print(list(person_info))  # 输出:[('Alice', 25), ('Bob', 30), ('Charlie', 35)]

【示例】柱状图使用实例

# 导入模块
import matplotlib.pyplot as plt
import numpy as np

# 准备数据如 电影名称以及电影票房数
movie_name = ['千与千寻', '玩具总动员4', '黑衣人:全球追缉']
# 连续3天的票房数
real_num1 = [7548, 4013, 1673]
real_num2 = [5435, 1845, 1028]
real_num3 = [4203, 3305, 1369]
x = np.arange(len(movie_name))
# 绘制柱状图
# 设置宽度
width = 0.3
plt.bar(x, real_num1, alpha=0.5, width=width, label=movie_name[0])
# 利用列表推导式设置宽度使其柱状图不重叠
plt.bar([i + width for i in x], real_num2, alpha=0.5, width=width, label=movie_name[1])
plt.bar([i + 2 * width for i in x], real_num3, alpha=0.5, width=width, label=movie_name[2])
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
# 利用列表推导式设置x坐标的值, 第一天 第二天 第三天
x_label = ['第{}天'.format(i + 1) for i in x]
plt.xticks([i + width for i in x], x_label)
# 添加y轴名称
plt.ylabel('票房数')
# 添加图例
plt.legend()
# 添加标题
plt.title('电影票房数')
# 显示绘制图形
plt.show()

运行效果如下:

7. 绘制饼状图

pie函数可以绘制饼状图,饼图主要是用来呈现比例的。只要传入比例数据即可。

【示例】绘制饼状图

# 导入模块
import matplotlib.pyplot as plt
# 男女人数及比例 单位:万人
man = 71135
woman = 68185
# 比例
man_perc = man / (man + woman)
woman_perc = woman / (man + woman)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
# 添加名称
labels = ['男', '女']
# 颜色
colors = ['biue', 'orange']
# 绘制饼状图 调用pie方法。
# explode参数用于指定饼图中各个扇形的偏移程度。
# autopct参数用于指定如何显示每个扇形的百分比值
plt.pie([man_perc, woman_perc], labels=labels, explode=(0, 0.05), autopct='%0.1f%%')
# 显示绘制图形
plt.show()

运行效果如下:

8. 绘制直方图

直方图与柱状图的分格类似,都是由若干个柱组成,但直方图和柱状图的含义却有很大的差异。直方图是用来观察分布状态的,而柱状图是用来看每一个X坐标对应的Y的值的。也就是说,直方图关注的是分布,并不关心具体的某个值,而柱状图关心的是具体的某个值。使用hist函数绘制直方图。

【示例】使用randn函数生成1000个正太分布的随机数,使用hist函数绘制这1000个随机数的分布状态

# 导入模块
import matplotlib.pyplot as plt
import numpy as np

# 生成1000个标准正态分布随机数
x = np.random.randn(1000)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
# 设置标题
plt.title('标准正态分布直方图')
# 绘制直方图
plt.hist(x, bins=100)  # 将数据分成100个箱子
# 显示绘制的图形
plt.show()

运行效果如下:

【示例】使用normal函数生成1000个正太分布的随机数,使用hist函数绘制这100个随机数的分布状态

# 导入模块
import matplotlib.pyplot as plt
import numpy as np

# 调用np.rangom.normal()指定期望和方差的正态分布,(期望, 标准差, 个数)
x = np.random.normal(0, 0.8, 1000)
y = np.random.normal(-2, 1, 1000)
z = np.random.normal(3, 2, 1000)
# 参数alpha用于设置透明度, 参数bins=100表示将数据分成100个箱子
kwargs = dict(bins=100, alpha=0.5)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
# 设置图形标题
plt.title('非标准正态分布直方图')
# 绘制直方图
plt.hist(x, **kwargs)
plt.hist(y, **kwargs)
plt.hist(z, **kwargs)
# 显示绘制的图形
plt.show()

运行效果如下:

9. 绘制等高线图

【示例】使用pyplot绘制等高线图

# 导入模块
import matplotlib.pyplot as plt
import numpy as np
# 生成100个-10-10之间的等差数列
x = np.linspace(-10, 10, 100)
y = np.linspace(-10, 10, 100)
# 计算出x,y相交的点X,Y
X, Y = np.meshgrid(x, y)
# 计算Z
Z = np.sqrt(X**2 + Y**2)  # 计算括号内值的开方
# 绘制等高线图
# plt.contour(X, Y, Z)
plt.contourf(X, Y, Z)  # 在contour()的基础上有颜色填充
# 显示绘制的图形
plt.show()

运行效果如下:

10. 绘制三维图

matplotlib支持绘制三维线框图, 三维曲面图, 三维散点图. 需要使用axes3d提供3d坐标系.

【示例】使用pyplot包和Matplotlib绘制三维图

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure()
ax3d = fig.add_subplot(121, projection='3d')

# filled为bool类型数组,在True的元素下标位置绘制体元素
i, j, k = np.indices((3, 3, 3))
filled = (i == j) & (j == k)  # 3行3列3层,对角线为True
c = plt.get_cmap('RdBu')(np.linspace(0, 1, 27)).reshape(3, 3, 3, 4)

# ax3d.voxels(filled)             #filled为True的位置绘制六面体
ax3d.voxels(filled, facecolors=c)  # filled为True的位置绘制六面体,并设置颜色

#
ax3d = fig.add_subplot(122, projection='3d')
# x,y,z=np.indices((3,4,5))
# ax3d.voxels(x,y,z,filled)

plt.show()

运行效果如下:

相关文章
|
11天前
|
算法 Python
Python 大神修炼手册:图的深度优先&广度优先遍历,深入骨髓的解析
【7月更文挑战第12天】Python进阶必学:DFS和BFS图遍历算法。理解图概念,用邻接表建无向图,实现DFS和BFS。DFS适用于查找路径,BFS解决最短路径。通过实例代码加深理解,提升编程技能。
17 4
|
11天前
|
算法 Python
逆袭之路!用 Python 玩转图的 DFS 与 BFS,让数据结构难题无处遁形
【7月更文挑战第12天】图的遍历利器:DFS 和 BFS。Python 中,图可表示为邻接表或矩阵。DFS 沿路径深入,回溯时遍历所有可达顶点,适合找路径和环。BFS 层次遍历,先近后远,解决最短路径问题。两者在迷宫、网络路由等场景各显神通。通过练习,掌握这些算法,图处理将游刃有余。
17 3
|
10天前
|
存储 算法 Python
“解锁Python高级数据结构新姿势:图的表示与遍历,让你的算法思维跃升新高度
【7月更文挑战第13天】Python中的图数据结构用于表示复杂关系,通过节点和边连接。常见的表示方法是邻接矩阵(适合稠密图)和邻接表(适合稀疏图)。图遍历包括DFS(深度优先搜索)和BFS(广度优先搜索):DFS深入探索分支,BFS逐层访问邻居。掌握这些技巧对优化算法和解决实际问题至关重要。**
14 1
|
13天前
|
存储 算法 搜索推荐
Python高手必备!揭秘图(Graph)的N种风骚表示法,让你的代码瞬间高大上
【7月更文挑战第10天】在Python中,图数据结构通过邻接矩阵、邻接表、边列表和邻接集来表示,用于社交网络分析和路径查找等。邻接矩阵用二维数组存储连接,邻接表仅存储每个节点的邻居,节省空间。边列表列出所有边,而邻接集用集合确保邻居唯一性。选择合适表示法能提升代码效率和可读性,展现编程技巧。
26 1
|
27天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现深度学习模型:图神经网络(GNN)
使用Python实现深度学习模型:图神经网络(GNN)
40 1
|
16天前
|
数据可视化 Python
Python中绘制3D曲面图的艺术
【7月更文挑战第4天】使用Python的Matplotlib和mpl_toolkits.mplot3d库,可以轻松绘制3D曲面图。首先安装matplotlib,然后导入numpy和相关模块。通过定义函数和使用numpy的meshgrid生成数据,接着用`plot_surface`绘制曲面,可定制色彩映射、添加标签、标题、色标、透明度和阴影。通过自定义颜色映射和添加网格线,能进一步增强图形的解读性。这些技巧使3D数据可视化更具洞察力和吸引力。
17 0
|
1月前
|
数据可视化 开发者 Python
Python学习笔记之Matplotlib模块入门(直线图、折线图、曲线图、散点图、柱状图、饼状图、直方图、等高线图和三维图的绘制)-1
Python学习笔记之Matplotlib模块入门(直线图、折线图、曲线图、散点图、柱状图、饼状图、直方图、等高线图和三维图的绘制)
|
18天前
|
机器学习/深度学习 数据可视化 搜索推荐
Python在社交媒体分析中扮演关键角色,借助Pandas、NumPy、Matplotlib等工具处理、可视化数据及进行机器学习。
【7月更文挑战第5天】Python在社交媒体分析中扮演关键角色,借助Pandas、NumPy、Matplotlib等工具处理、可视化数据及进行机器学习。流程包括数据获取、预处理、探索、模型选择、评估与优化,以及结果可视化。示例展示了用户行为、话题趋势和用户画像分析。Python的丰富生态使得社交媒体洞察变得高效。通过学习和实践,可以提升社交媒体分析能力。
33 1
|
21小时前
|
数据可视化 数据挖掘 开发者
数据可视化新纪元!Python + Matplotlib + Seaborn,让你的数据故事生动起来!
【7月更文挑战第23天】在数据驱动时代,Python通过Matplotlib与Seaborn引领数据可视化新纪元。Matplotlib基础强大,提供广泛绘图选项;Seaborn则简化流程,图表更美观,适合快速可视化。两者结合,轻松应对复杂定制需求,将数据转化为生动故事,支持决策与交流。
13 6
|
21小时前
|
机器学习/深度学习 数据可视化 开发者
视觉的力量!Python 机器学习模型评估,Matplotlib 与 Seaborn 如何助力决策更明智?
【7月更文挑战第23天】在Python机器学习中,模型评估不可或缺。Matplotlib与Seaborn作为数据可视化工具,助力洞察模型性能。Matplotlib基础灵活,构建复杂图表;Seaborn在其上层,简化绘图,提升美观。从折线图追踪损失到条形图对比准确率,两者互补,促进高效决策制定。尽管Matplotlib掌控力强,但Seaborn友好快捷,适于统计图形。结合使用,可将数据转化成深刻见解。