其余两剑客：
? 数据分析三剑客之 Numpy 基础教程
? 数据分析三剑客之 Pandas 基础教程
目录
0.1 先导条件：
import numpy as np
import matplotlib.pyplot as plt
0.2 前言：matplotlib字体安装
方便matplotlib显示中文，不需要的可以无视,参考：
https://blog.csdn.net/u014465934/article/details/80377470
1 画布(figure)：
plt.figure(
figsize=None, #Figure的大小，单位是英寸
dpi=None, #分辨率（每英寸的点数）
facecolor=None, #修饰的颜色
edgecolor=None, #边界颜色
linewidth=0.0, #线条宽度
figtext: # 文本
frameon=None, #布尔值，是否绘制框架(Frame)
subplotpars=None, #子图的参数
tight_layout=None, #取值布尔或者字典，缺省自动布局，False 使用 subplotpars参数，True就使用tight_layout，如果是字典，则包含如下字段：pad, w_pad, h_pad, 与 rect
constrained_layout=None #True就使用constrained_layout，会自动调整plot的位置。
)
1.1 基本演示：
plt.figure(figsize=(9, 9), # 大小
dpi=80, # 分辨率
facecolor='r', # 修饰颜色
edgecolor='g', # 边框颜色
linewidth=10, # 线条宽度
)
plt.show()
1.2 多张画布：
plt.figure(figsize=(5, 3))
# 在第一张画布上做你想做的
plt.figure(figsize=(10, 6))
# 在第二张画布上做你想做的
plt.show()
1.3 一张画布多个子图：
1.3.1 基本方法：
fig = plt.figure(figsize=(10, 8))
plt.subplot(221) # 分解成2×2=4个子图，这里是第一个
plt.title("子图1")
plt.subplot(222)
plt.title("子图2")
# 另一种方式：
fig.add_subplot(223)
plt.title("子图3")
fig.add_subplot(224)
plt.title("子图4")
plt.show()
我们还可以设计出这样的排版：
plt.figure(figsize=(15, 7))
plt.subplot(211) # 分两行，第一行只有一块
plt.subplot(234) # 第二行分三块，但是因为第一行的一块相当于第二行三块的位置，所以，第二行要从4开始
plt.subplot(235)
plt.subplot(236)
plt.show()
1.3.2 进阶方法：
1.3.2.1 方法一：
plt.figure(figsize=(10, 10))
ax1 = plt.subplot2grid((3, 3), # 总体效果：三行三列（9×9）
(0, 0), # 从原点开始（0行0列）
colspan=3, # 第一块宽3个格子
rowspan=1, # 高1个格子
)
ax1.set(title=("第一块"))
# 如法炮制
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2, rowspan=1)
ax2.set(title=("第二块"))
ax3 = plt.subplot2grid((3, 3), (1, 2), colspan=1, rowspan=2)
ax3.set(title=("第三块"))
ax4 = plt.subplot2grid((3, 3), (2, 0), colspan=1, rowspan=1)
ax4.set(title=("第四块"))
ax5 = plt.subplot2grid((3, 3), (2, 1), colspan=1, rowspan=1)
ax5.set(title=("第五块"))
plt.show()
1.3.2.2 方法二：
import matplotlib.gridspec as gridspec
plt.figure(figsize=(10, 10))
gs = gridspec.GridSpec(3, 3) # 三行三列
ax1 = plt.subplot(gs[0, :]) # 第一块占第一（0）行全部
ax1.set(title=("第一块"))
ax2 = plt.subplot(gs[1, :2]) # 第二块占第二（1）行前两个
ax2.set(title=("第二块"))
ax3 = plt.subplot(gs[1:, 2]) # 第三块占第二（1）行，最后一列两个
ax3.set(title=("第三块"))
ax4 = plt.subplot(gs[-1, 0]) # 第四块占最后一行第一个
ax4.set(title=("第四块"))
ax5 = plt.subplot(gs[-1, -2]) # 第五块占最后一行倒数第二个（-2），因为倒数第一个（-1）被第三块拿走了
ax5.set(title=("第五块"))
plt.show()
2 轴/子图(axes):
也可以理解为真正的作图区域
虽然一般作图都会有自适应的默认轴，但是这种只适用于简单的、快速的作图，如果想要精细作图的话，还是需要axes的
2.1 基本演示：
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(xlim=[0.5, 4.5], ylim=[-2, 8],
title='An Example Axes', ylabel='Y', xlabel='X')
plt.show()
2.2 添加轴子图：
2.2.1 基本方法：
fig = plt.figure()
ax1 = fig.add_subplot(331)
ax2 = fig.add_subplot(335)
ax3 = fig.add_subplot(339)
这种方法一个一个添加是不是太麻烦了，而且看上去也很蠢…
2.2.2 快捷方法：
一句话就够了
fig, axes = plt.subplots(nrows=3, ncols=3, figsize=(10, 10))
如果你想要对其中的某个图进行操作
fig, axes = plt.subplots(nrows=3, ncols=3, figsize=(10, 10))
axes[2, 1].set(title="我要操作你")
axes[1, 2].plot([1, 2, 3, 4], [5, 6, 1, 2])
axes[2, 2].scatter([9, 0, 3, 4], [5, 1, 5, 2])
plt.show()
是不是很方便
2.3 共享轴子图：
fig, ax = plt.subplots(3, 3, sharex=True, sharey=True)
# 举例
ax[1, 2].plot([_ for _ in range(4)], [_ for _ in range(4)])
ax[2, 1].scatter([1, 2, 3, 4], [1, 2, 3, 4])
ax[0, 0].set(title="000")
plt.tight_layout() # 自动布局
plt.show()
2.4 图中图：
fig = plt.figure()
x = [1, 2, 3, 4, 5, 6, 7]
y = [7, 6, 5, 4, 3, 2, 1]
# 第一张大子图
ax1 = fig.add_axes([0.1, # left 距离画布左边10%
0.1, # bottom 距离画布下面10%
0.8, # width 宽度占画布宽度的80%
0.8, # height 高度占画布的80%
]
)
# 在第一张大子图上作画
ax1.plot([_ for _ in range(10)], [_ for _ in range(10, 0, -1)], 'r')
ax1.set_xlabel("X1")
ax1.set_ylabel("Y1")
ax1.set_title("子图1")
# 其他如法炮制
ax2 = fig.add_axes([0.2, 0.2, 0.25, 0.25])
ax2.plot([_ for _ in range(10, 0, -1)], [_ for _ in range(10)], 'g')
ax2.set_xlabel("X2")
ax2.set_ylabel("Y2")
ax2.set_title("子图2")
# 另一种方法
plt.axes([0.6, 0.6, 0.25, 0.25])
plt.plot([_ for _ in range(10, 0, -1)], [_ for _ in range(10)], 'b')
plt.xlabel("X3")
plt.xlabel("Y3")
plt.title("子图3")
plt.show()
3 最基本的连线函数：
plt.plot(x, y, ‘xxx’, label=, linewidth=)
参数1：位置参数，点的横坐标，可迭代对象
参数2：位置参数，点的纵坐标，可迭代对象
参数3：位置参数，点和线的样式，字符串
参数 4：label 关键字参数，设置图例，需要调用 plt 或子图的 legend 方法
参数 5：linewidth 关键字参数，设置线的粗细
一般调用形式：
plot([x], y, [fmt], data=None, **kwargs) # 单条线
plot([x], y, [fmt], [x2], y2, [fmt2], …, **kwargs) # 多条线
可选参数[fmt] 是一个字符串来定义图的基本属性如：颜色（color），点型（marker），线型（linestyle），
具体形式 fmt = ‘[color][marker][line]’
fmt接收的是每个属性的单个字母缩写，例如：
plot(x, y, ‘bo-’) # 蓝色圆点实线
若属性用的是全名则不能用fmt参数来组合赋值，应该用关键字参数对单个属性赋值如：
plot(x,y2,color=‘green’, marker=‘o’, linestyle=‘dashed’, linewidth=1, markersize=6)
plot(x,y3,color=’#900302’,marker=’+’,linestyle=’-’)
常见颜色参数：
============= ===============================
character color
============= ===============================
``'b'`` blue 蓝
``'g'`` green 绿
``'r'`` red 红
``'c'`` cyan 蓝绿
``'m'`` magenta 洋红
``'y'`` yellow 黄
``'k'`` black 黑
``'w'`` white 白
============= ===============================
常见点型参数：
============= ===============================
character description
============= ===============================
``'.'`` point marker
``','`` pixel marker
``'o'`` circle marker
``'v'`` triangle_down marker
``'^'`` triangle_up marker
``'<'`` triangle_left marker
``'>'`` triangle_right marker
``'1'`` tri_down marker
``'2'`` tri_up marker
``'3'`` tri_left marker
``'4'`` tri_right marker
``'s'`` square marker
``'p'`` pentagon marker
``'*'`` star marker
``'h'`` hexagon1 marker
``'H'`` hexagon2 marker
``'+'`` plus marker
``'x'`` x marker
``'D'`` diamond marker
``'d'`` thin_diamond marker
``'|'`` vline marker
``'_'`` hline marker
============= ===============================
常见线型参数：
============= ===============================
character description
============= ===============================
``'-'`` solid line style 实线
``'--'`` dashed line style 虚线
``'-.'`` dash-dot line style 点画线
``':'`` dotted line style 点线
============= ===============================
3.1 基本演示：
plt.plot([1, 2, 3, 4],
[9, 1, 7, 3], 'm*-.')
plt.plot([9, 1, 7, 3],
[1, 2, 3, 4], 'g^--')
plt.show()
3.2 常见函数演示：
plt.figure(figsize=(10, 8), dpi=80)
plt.subplot(221)
x = np.linspace(-5, 5, 70)
plt.plot(x, x**2, 'r-.+')
plt.title("二次函数")
plt.subplot(222)
x = np.linspace(-5, 5, 70)
plt.plot(x, x**3, 'g--.')
plt.title("三次函数")
plt.subplot(223)
x = np.linspace(-5, 5, 70)
plt.plot(x, 3**x, 'b-*')
plt.title("指数函数")
plt.subplot(224)
x = np.linspace(1, 1000, 70)
plt.plot(x, [np.log2(_) for _ in list(x)], 'm--v')
plt.title("对数函数")
plt.show()
4 坐标轴：
4.1 设置坐标轴名称：（label）
plt.xlabel("I'm X")
plt.ylabel("I'm Y")
plt.show()
# 注意，这里x、y不设限的话默认0~1
4.2 设置坐标轴上下限：
注意，与其他例子对比一下，这里的原点时紧紧贴合的
plt.xlim(0, 10000)
plt.ylim(0, 100)
plt.show()
4.3 自定义刻度：
4.3.1自定义分格数量：
xticks = np.linspace(-90, 100, 9)
plt.xticks(xticks)
yticks = np.linspace(90, 300, 9)
plt.yticks(yticks)
plt.show()
4.3.2 自定义刻度label：
支持lateX语法
plt.xticks([40, 60, 80, 100],
['label1', 'label2', '刻度3', '刻度4'])
plt.yticks([60, 80, 90, 100],
['$\lambda$', r'$\beta$', '$\gamma$', '$\\alpha$'])
# 注意，\a、\b 等关键字，既可以用两个反斜杠将其转义，(像 alpha)
# 也可以在前面加个 r 正则转义 (像 beta )
plt.show()
4.3.3隐藏坐标轴刻度：
plt.xticks(())
plt.yticks(())
plt.show()
4.4 边界操作：
ax = plt.gca()
ax.spines['right'].set_color('none') # 设置右边框为透明，（隐藏右边框）
ax.spines['top'].set_color('red') # 设置上边框为红色
plt.show()
4.5 分片：（可能也就我这么叫…）
注意到没，上面的所有例子中，无论xy的范围是多少，显示出来只有一块（类似第一象限）
但这有时不是我们想要的效果
有时我们想这样：
plt.xlim(-100, 100)
plt.ylim(-100, 100)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom') # 刻度位置
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data', 0)) # x的某一点对应y的某一点（此处为原点）
ax.spines['left'].set_position(('data', 0)) # y的某一点对应x的某一点（此处为原点）
plt.show()
或者这样：
plt.xlim(-100, 100)
plt.ylim(-100, 100)
ax = plt.gca()
ax.spines['left'].set_color('none')
ax.spines['bottom'].set_color('none')
ax.xaxis.set_ticks_position('top')
ax.yaxis.set_ticks_position('right')
ax.spines['top'].set_position(('data', 100))
ax.spines['right'].set_position(('data', 100))
plt.show()
4.6 双Y轴：（次坐标轴）
fig, ax1 = plt.subplots()
x = np.linspace(1, 100, 1000)
ax2 = ax1.twinx()
ax1.plot(x, 1/x, 'r')
ax1.set_xlabel("X",color='black')
ax1.set_ylabel("反比例函数用轴",color='r')
ax2.plot(x, np.log2(x), 'g')
ax2.set_ylabel("对数函数用轴",color='g')
plt.show()
5 图例(legend)：
plt.legend(
loc:图例位置，默认'best'，可取(‘best’, ‘upper right’, ‘upper left’, ‘lower left’, ‘lower right’, ‘right’, ‘center left’, ‘center , right’, ‘lower center’, ‘upper center’, ‘center’) ；(若是使用了bbox_to_anchor，则这项就无效了)
fontsize： 字体大小
frameon： 是否显示图例边框
ncol： 图例的列的数量，一般为1
title: 为图例添加标题
shadow: 为图例边框添加阴影
markerfirst: True表示图例标签在句柄右侧，false反之
markerscale： 图例标记为原图标记中的多少倍大小
numpoints: 表示图例中的句柄上的标记点的个数，一般设为1
fancybox: 是否将图例框的边角设为圆形
framealpha: 控制图例框的透明度
borderpad: 图例框内边距
labelspacing: 图例中条目之间的距离
handlelength: 图例句柄的长度
bbox_to_anchor: (横向看右，纵向看下),如果要自定义图例位置或者将图例画在坐标外边，用它，比如bbox_to_anchor=(1.4,0.8)，这个一般配合着ax.get_position()，set_position([box.x0, box.y0, box.width*0.8 , box.height])
)
plt.xlim(-100, 100)
plt.ylim(-100, 100)
x = np.linspace(-100, 100, 100)
plt.plot(x, x, 'r', label="y = x")
plt.plot(x, -x, 'b', label="y = -x")
plt.legend(loc="center", title="title")
plt.show()
6 标注(annotation)：
plt.annptation(
s 为注释文本内容
xy 为被注释的坐标点
xytext 为注释文字的坐标位置
xycoords 参数如下:
figure points：图左下角的点
figure pixels：图左下角的像素
figure fraction：图的左下部分
axes points：坐标轴左下角的点
axes pixels：坐标轴左下角的像素
axes fraction：左下轴的分数
data：使用被注释对象的坐标系统(默认)
polar(theta,r)：if not native ‘data’ coordinates t
weight 设置字体线型 {‘ultralight’, ‘light’, ‘normal’, ‘regular’, ‘book’, ‘medium’, ‘roman’, ‘semibold’, ‘demibold’, ‘demi’, ‘bold’, ‘heavy’, ‘extra bold’, ‘black’}
color 设置字体颜色
{‘b’, ‘g’, ‘r’, ‘c’, ‘m’, ‘y’, ‘k’, ‘w’}
‘black’,'red’等
[0,1]之间的浮点型数据
RGB或者RGBA, 如: (0.1, 0.2, 0.5)、(0.1, 0.2, 0.5, 0.3)等
arrowprops #箭头参数,参数类型为字典dict
width：箭头的宽度(以点为单位)
headwidth：箭头底部以点为单位的宽度
headlength：箭头的长度(以点为单位)
shrink：总长度的一部分，从两端“收缩”
facecolor：箭头颜色
bbox给标题增加外框 ，常用参数如下：
boxstyle：方框外形
facecolor：(简写fc)背景颜色
edgecolor：(简写ec)边框线条颜色
edgewidth：边框线条大小
)
plt.xlim(-100, 100)
plt.ylim(-100, 100)
x = np.linspace(-100, 100, 100)
plt.plot(x, x)
plt.scatter(0, 0, color='r')
plt.annotate("原点在这里", # 标记文本
xy=(0, 0), # 初始位置
xytext=(+30, -30), # 移动（右30，下30）
arrowprops=dict(arrowstyle='->', # 箭头
connectionstyle='arc3,rad=.2' # 设置样式，角度弧度
)
)
plt.show()
7 坐标轴能见度：
有时线条太粗或坐标轴刻度太密的话会被线条遮挡，所以…
plt.xlim(-10, 10)
plt.ylim(-10, 10)
plt.plot(x, x, linewidth=40,
zorder=0
# zorder设置线条、坐标轴刻度、坐标轴出现顺序
# zorder=0 or 1,线条在最下方
# zorder=2,线条在坐标轴下方刻度上方
# zorder≥3，线条在最上方
)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))
for label in ax.get_xticklabels()+ax.get_yticklabels():
label.set_bbox(dict(facecolor='white', # 背景色为白色
edgecolor='none', # 不显示边框
alpha=0.7) # 透明度
)
plt.show()
8 散点图(Scatter)：
plt.scatter(
x，y：array_like，shape（n，）
输入数据
s：标量或array_like，shape（n，），可选
大小以点数^2。默认是rcParams ['lines.markersize'] ** 2。
c：颜色，顺序或颜色顺序，可选，默认：'b'
c可以是单个颜色格式的字符串，也可以是一系列颜色
规范的长度为N，或一系列N数字
使用通过kwargs指定的cmap和norm映射到颜色
（见下文）。请注意，c不应该是单个数字RGB或
RGBA序列，因为这与数组无法区分
值将被彩色映射。 c可以是一个二维数组，其中的
行是RGB或RGBA，但是，包括单个的情况
行为所有点指定相同的颜色。
marker：matplotlib.markers.MarkerStyle，可选，默认值：'o'
请参阅matplotlib.markers以获取有关不同的更多信息
标记分散支持的样式。 marker可以是
该类的实例或特定文本的简写
标记。
cmap：matplotlib.colors.Colormap，可选，默认：无
一个matplotlib.colors.Colormap实例或注册名称。
cmap仅在c是浮点数组时使用。如果没有，
默认为rcimage.cmap。
norm：matplotlib.colors.Normalize，可选，默认：无
matplotlib.colors.Normalize实例用于缩放
亮度数据为0,1。norm只有在c是一个数组时才被使用
彩车。如果'None'，则使用默认值：func：normalize。
vmin，vmax：标量，可选，默认值：无
vmin和vmax与norm结合使用来标准化
亮度数据。如果其中任何一个都是'无'，那么最小和最大的
使用颜色数组。请注意，如果你通过一个“规范”实例，你的
vmin和vmax的设置将被忽略。
alpha：标量，可选，默认值：无
alpha混合值，介于0（透明）和1（不透明）之间，
linewidths：标量或array_like，可选，默认值：无
如果无，则默认为（lines.linewidth，）。
verts：（x，y）的序列，可选
如果`marker`为None，这些顶点将用于
构建标记。标记的中心位于
在（0,0）为标准化单位。整体标记重新调整
由s完成。
edgecolors ：颜色或颜色顺序，可选，默认值：无
如果无，则默认为'face'
如果'face'，边缘颜色将永远是相同的
脸色。
如果它是'none'，补丁边界不会
被画下来。
对于未填充的标记，“edgecolors”kwarg
被忽视并被迫在内部“面对”。
)
8.1 基本演示：
plt.figure(figsize=(17, 5))
plt.xlim(0, 1000)
plt.ylim(0, 1000)
marks = ['o', '*', '^', '+', 'x', 's', '.',
'd', 'v', '<', '>', 'p', 'h'] # 基本点型
colors = ['r', 'g', 'b', 'y', 'm', 'c', 'w', 'k'] # 基本颜色
for i in range(300): # 随机选择颜色、大小、形状、透明度
x = np.random.randint(500)
y = np.random.randint(1000)
plt.scatter(x, y, c=np.random.choice(colors), s=np.random.randint(20, 100),
marker=np.random.choice(marks), alpha=np.random.random())
x = np.random.randint(500, 1000, size=200)
y = np.random.randint(1000, size=200)
plt.scatter(x, y, c=np.arctan2(y, x)) # 反正切色系
plt.xticks(())
plt.yticks(()) # 隐藏刻度
plt.show()
8.1.1 也可以画基本图形：
x = np.linspace(1, 20, 100)
plt.scatter(x, np.cos(x))
plt.scatter(x, np.sin(x))
plt.show()
8.2 散点图连线：
plt.xlim(0, 100)
plt.ylim(0, 100)
lists = []
for i in range(50):
slist = []
x = np.random.randint(100)
y = np.random.randint(100)
plt.scatter(x, y, c='b')
slist.append(x)
slist.append(y)
lists.append(slist)
for i in range(10): # 取前10对点连线
a1, a2 = lists[i]
b1, b2 = lists[i+1]
plt.plot([a1, b1], [a2, b2])
plt.show()
一个更加成熟的散点图连线例子：
Python分治法解决凸包问题并用matplotlib实现可视化
9 柱状图(Bar)：
plt.bar(
left 每个柱x轴左边界
bottom 每个柱y轴下边界
height 柱高度(Y轴方向)
width 柱宽度(X轴方向)
以上参数可以设置为数值或者list
但要保证如果为list, len(list)要一致
绘制的方形为:
X: left --- left+width
Y: bottom --- bottom+height
返回值:
matplotlib.patches.Rectangle
柱状图使用bottom扩展即可化为甘特图 Gantt Chart
color Bar颜色
edgecolor Bar边界线颜色
linewidth(lw) Bar边界线宽度
align 可选['left'(default) | 'center']
决定整个bar图分布
默认left表示默认从左边界开始绘制,center会将图绘制在中间位置
xerr x方向error bar
yerr y方向error bar
ecolor error bar颜色
capsize error bar横线宽度(default 3)
)
9.1基本演示：
9.1.1 正常的柱状图是向上的：
plt.bar(range(1, 17), range(1, 17), alpha=0.5, width=0.7,
color='yellow', edgecolor='red', linewidth=1)
plt.show()
9.1.2 我们也可以让它向下：
ax = plt.gca()
ax.xaxis.set_ticks_position('top')
plt.bar(range(1, 17), [-_ for _ in range(17, 1, -1)], alpha=0.5, width=0.7,
color='yellow', edgecolor='red', linewidth=1)
plt.show()
9.2 其他形式：
9.2.1 并行柱状图：
bar_width = 0.4
plt.bar(np.arange(16)-bar_width/2, range(1, 17), width=bar_width)
plt.bar(np.arange(16)+bar_width/2, range(17, 1, -1), width=bar_width)
plt.show()
9.2.2 堆叠柱状图：
plt.bar(range(1, 16), range(1, 16))
plt.bar(range(1, 16), range(16, 1, -1), bottom=range(1, 16))
plt.show()
9.2.3 柱状图上显示数值：
items = plt.bar(range(1, 17), range(1, 17))
def add_labels(items):
for item in items:
height = item.get_height()
plt.text(x=item.get_x()+item.get_width()/5, y=height*1.01, s=height)
item.set_edge_color = "none"
add_labels(items)
plt.show()
9.2.4 水平柱状图：
plt.barh(range(1, 16), range(1, 16))
plt.show()
10 直方图(hist)：
直方图与柱状图外观表现很相似，用来展现连续型数据分布特征的统计图形（柱状图主要展现离散型数据分布）
plt.hist(
x: 数据集，最终的直方图将对数据集进行统计
bins: 统计的区间分布
range: tuple, 显示的区间
width: 宽度
rwidth: 宽度（最大为1）
density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
histtype: 可选{'bar', 'barstacked', 'step', 'stepfilled'}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
align: 可选{'left', 'mid', 'right'}之一，默认为'mid'，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
log: bool，默认False,即y坐标轴是否选择指数刻度
stacked: bool，默认为False，是否为堆积状图
)
10.1 基本演示：
# 直方图会进行统计各个区间的数值
plt.hist(x=np.random.randint(0, 100, 100), # 生成 0~100 之间的100个数据,即数据集
bins=np.arange(0, 101, 10), # 设置连续的边界值，即直方图的分布区间[0,10],[10,20]...
)
plt.show()
10.2 各种参数演示：
plt.hist(x=np.random.randint(0, 100, 100),
bins=np.arange(0, 101, 10),
alpha=0.5, # 透明度
density=True, # 频率
color='green', # 颜色
width=8 # 宽度 <=> rwidth=0.8
)
plt.show()
10.3 在直方图上绘制折线：
bins = np.arange(0, 101, 10)
width = 8
s1 = plt.hist(x=np.random.randint(0, 100, 100),
bins=bins,
alpha=0.5, # 透明度
density=True, # 频率
color='green', # 颜色
width=width
)
plt.plot(bins[1:]-width/2, s1[0])
plt.show()
10.4 一些基本分布的频率分布直方图的演示：
def normal(mu, sigma, color):
plt.hist(np.random.normal(mu, sigma, 1000), alpha=0.6, color=color,
density=True, label='$\mu = {},\sigma = {}$'.format(mu, sigma))
def binomial(n, p, color):
plt.hist(np.random.binomial(n, p, 1000), color=color,
density=True, alpha=0.6, label="n = {},p = {}".format(n, p))
def poisson(lam, color):
plt.hist(np.random.poisson(lam, 1000), color=color,
label="$\lambda = {}$".format(lam), alpha=0.6, density=True)
def beta(alpha, beta_, color):
plt.hist(np.random.beta(alpha, beta_, 1000), color=color,
label="$\\alpha = {},\\beta $ = {}".format(alpha, beta_), alpha=0.6, density=True)
plt.figure(figsize=(20, 12), dpi=80)
plt.subplot(221)
normal(4, 0.8, 'r')
normal(-3, 0.5, 'g')
normal(0, 1, 'b')
plt.legend()
plt.title("正态分布")
plt.subplot(222)
poisson(200, 'r')
poisson(400, 'g')
poisson(600, 'b')
plt.legend()
plt.title("伯努利分布")
plt.subplot(223)
poisson(200, 'r')
poisson(400, 'g')
poisson(600, 'b')
plt.legend()
plt.title("泊松分布")
plt.subplot(224)
beta(1, 3, 'r')
beta(10, 30, 'g')
beta(20, 20, 'b')
plt.legend()
plt.title("贝塔分布")
plt.show()
11 饼状图(pie)：
plt.pie(
x :(每一块)的比例，如果sum(x) > 1会使用sum(x)归一化；
labels :(每一块)饼图外侧显示的说明文字；
explode :(每一块)离开中心距离；
startangle :起始绘制角度,默认图是从x轴正方向逆时针画起,如设定=90则从y轴正方向画起；
shadow :在饼图下面画一个阴影。默认值：False，即不画阴影；
labeldistance :label标记的绘制位置,相对于半径的比例，默认值为1.1, 如<1则绘制在饼图内侧；
autopct :控制饼图内百分比设置,可以使用format字符串或者format function
'%1.1f'指小数点前后位数(没有用空格补齐)；
pctdistance :类似于labeldistance,指定autopct的位置刻度,默认值为0.6；
radius :控制饼图半径，默认值为1；
counterclock ：指定指针方向；布尔值，可选参数，默认为：True，即逆时针。将值改为False即可改为顺时针。
wedgeprops ：字典类型，可选参数，默认值：None。参数字典传递给wedge对象用来画一个饼图。例如：wedgeprops={'linewidth':3}设置wedge线宽为3。
textprops ：设置标签（labels）和比例文字的格式；字典类型，可选参数，默认值为：None。传递给text对象的字典参数。
center ：浮点类型的列表，可选参数，默认值：(0,0)。图标中心位置。
frame ：布尔类型，可选参数，默认值：False。如果是true，绘制带有表的轴框架。
rotatelabels ：布尔类型，可选参数，默认为：False。如果为True，旋转每个label到指定的角度。
)
11.1 基本演示：
plt.pie([2, 5, 12, 70, 2, 9])
plt.show()
11.2 各种参数演示：
plt.pie(x=[_ for _ in range(1, 21)],
explode=[_*0.05 for _ in [_ for _ in range(1, 21)]], # 挨个突出
startangle=100, # 起始角度
shadow=True, # 阴影
labels=[_ for _ in range(1, 21)],
autopct='%1.1f%%', # 显示比例
)
plt.show()
12 等高线图(contour/contourf)：
contour和contourf都是画三维等高线图的，不同点在于contourf会对等高线间的区域进行填充
plt.contour([X, Y,] Z, [levels], ** kwargs)
plt.contourf([X, Y,] Z, [levels], ** kwargs)
X，Y ： array-like，可选值Z的坐标。
X和Y必须都是2-D，且形状与Z相同，或者它们必须都是1-d，这样len（X）== M是Z中的列数，len（Y）== N是Z中的行数。
Z ： array-like（N，M）
绘制轮廓的高度值。
levels： int或类似数组，可选
确定轮廓线/区域的数量和位置。
如果int Ñ，使用Ñ数据间隔; 即绘制n + 1个等高线。水平高度自动选择。
如果是数组，则在指定的级别绘制轮廓线。值必须按递增顺序排列。
12.1 基本演示：
12.1.1 contour:
x = np.array([1, 2, 3])
y = np.array([1, 2, 3])
z = np.array([[-3, -2, -1], [0, 0, 0], [1, -1, 1]])
plt.contour(x, y, z)
plt.show()
12.1.2 contourf:
plt.contourf(x, y, z)
plt.show()
12.2 contour高级演示：
参考：https://blog.csdn.net/qq_42505705/article/details/88771942
delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-3.0, 3.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
Z = (Z1 - Z2) * 2
fig, ax = plt.subplots()
CS = ax.contour(X, Y, Z)
ax.clabel(CS, inline=1, fontsize=10)
plt.xticks(())
plt.yticks(())
plt.show()
12.3 contourf高级演示：
参考：https://www.bilibili.com/video/av16378354?p=12
def f(x, y):
# the height function
return (1 - x / 2 + x**5 + y**3) * np.exp(-x**2 - y**2)
n = 256
x = np.linspace(-3, 3, n)
y = np.linspace(-3, 3, n)
X, Y = np.meshgrid(x, y)
plt.contourf(X, Y, f(X, Y), 8, alpha=.75, cmap=plt.cm.hot)
C = plt.contour(X, Y, f(X, Y), 8, colors='black')
plt.clabel(C, inline=True, fontsize=10)
plt.xticks(())
plt.yticks(())
plt.show()
13 图像(image)：
plt.imshow(
X, # 存储图像，可以是浮点型数组、unit8数组以及PIL图像，如果其为数组，则需满足一下形状：
(1) M*N 此时数组必须为浮点型，其中值为该坐标的灰度；
(2) M*N*3 RGB（浮点型或者unit8类型）
(3) M*N*4 RGBA（浮点型或者unit8类型）
cmap=None, # 用于设置热图的Colormap
hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。
cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。
gray 返回线性灰度色图。
bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。
white 全白的单色色图。
spring 包含品红和黄的阴影颜色。
summer 包含绿和黄的阴影颜色。
autumn 从红色平滑变化到橙色，然后到黄色。
winter 包含蓝和绿的阴影色。
norm=None, # 默认"None"，可设为 Normalize
“Normalize（标准化）”，将2-D的X浮点值转化到[0, 1]区间，再作为cmap的输入值；
如果norm是"None"，则使用默认功能：normilize（标准化）
如果norm是比如"NoNorm"，X必须是直接指向camp的查询表的整数数组
aspect=None, # 控制轴的纵横比。该参数可能使图像失真，即像素不是方形的。
‘equal’：确保宽高比为1,像素将为正方形。
（除非像素大小明确地在数据中变为非正方形,坐标使用 extent ）。
‘auto’: 更改图像宽高比以匹配轴的宽高比。通常，这将导致非方形像素。
interpolation=None, #默认"None"，可用字符串类型命令设定
可设定的字符串命令为：
'none'，'nearest'，'bilinear'，'bicubic'，
‘spline16', 'spline36', 'hanning', 'hamming',
'hermite'， 'kaiser'，'quadric'，'catrom'，
'gaussian'，'bessel'，'mitchell'， 'sinc'，'lanczos'
alpha=None, # 透明度
vmin=None,
vmax=None,
origin=None,
extent=None,
shape=None,
filternorm=1,
filterrad=4.0,
imlim=None,
resample=None,
url=None,
hold=None,
data=None,
**kwargs
)
13.1 基本用法：
import matplotlib.image as mpimg
# 打开一张图片
img= mpimg.imread('C:\\Users\\1696589321\\Desktop\\cat.jpg')
imgplot=plt.imshow(img)
接下来我们print一下这张图片试试看;
print(img)
[[[141 123 99]
[152 136 113]
[148 133 112]
...
[173 165 152]
[176 168 155]
[177 169 156]]
[[167 149 125]
[150 134 109]
[126 111 88]
...
[175 167 154]
[176 168 155]
[175 167 154]]
[[162 142 117]
[123 105 81]
[ 90 74 51]
...
[170 162 149]
[170 162 149]
[168 160 147]]
...
[[181 98 48]
[181 98 48]
[181 98 48]
...
[190 174 148]
[191 175 149]
[191 175 149]]
[[181 98 48]
[181 98 48]
[181 98 48]
...
[190 174 148]
[191 175 149]
[191 175 149]]
[[181 98 48]
[181 98 48]
[181 98 48]
...
[190 174 148]
[191 175 149]
[191 175 149]]]
可以看到这是一个多维数组，这就是它的工作原理，每一个数字都代表一个像素点，这样我们就可以DIY自己的图片了
（PS:虽然说是DIY，但是真的不能叫图片哈哈…真正的图片，就算画质比较差的，像素点也成千上万了，而且每个值都代表不同的颜色…所以我们在这里就仅仅随便搞搞… ：）
13.2 DIY:
13.2.1 最简单的照猫画虎以及cmap演示：
X = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]).reshape(3, 3)
fig = plt.figure()
ax = fig.add_subplot(231)
im = ax.imshow(X, cmap=plt.cm.hot, origin='urpper') # c热
plt.colorbar(im, cax=None, ax=None,
shrink=0.5 # 右边的Bar的比例
)
plt.xticks(())
plt.yticks(())
ax = fig.add_subplot(232)
im = ax.imshow(X, cmap=plt.cm.cool, origin='urpper') # 冷
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
plt.xticks(())
plt.yticks(())
ax = fig.add_subplot(233)
im = ax.imshow(X, cmap=plt.cm.spring, origin='urpper') # 春
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
plt.xticks(())
plt.yticks(())
ax = fig.add_subplot(234)
im = ax.imshow(X, cmap=plt.cm.summer, origin='urpper') # 夏
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
plt.xticks(())
plt.yticks(())
ax = fig.add_subplot(235)
im = ax.imshow(X, cmap=plt.cm.autumn, origin='urpper') # 秋
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
plt.xticks(())
plt.yticks(())
ax = fig.add_subplot(236)
im = ax.imshow(X, cmap=plt.cm.winter, origin='urpper') # 冬
plt.colorbar(im, cax=None, ax=None, shrink=0.5)
plt.xticks(())
plt.yticks(())
plt.show()
13.2.2 连续的图像：
points = np.arange(0, 10, 0.01)
xs, ys = np.meshgrid(points, points)
fig = plt.figure()
ax = fig.add_subplot(121)
ax.imshow(np.sqrt(xs**2 + ys**2), cmap=plt.cm.cool)
plt.xticks(())
plt.yticks(())
points = np.arange(-10, 0, 0.01)
xs, ys = np.meshgrid(points, points)
ax = fig.add_subplot(122)
ax.imshow(np.sqrt(xs**2 + ys**2), cmap=plt.cm.hot)
plt.xticks(())
plt.yticks(())
plt.show()
14 3D图像(axes3d)：
前提：from mpl_toolkits.mplot3d import Axes3D
14.1 3D散点图：
from mpl_toolkits.mplot3d.axes3d import Axes3D
x = np.random.randint(0, 100, size=100)
y = np.random.randint(0, 100, size=100)
z = np.random.randint(-100, 0, size=100)
fig = plt.figure(figsize=(6, 4))
ax = Axes3D(fig)
ax.scatter3D(x, y, z, s=100, c=np.arctan2(y, z))
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.show()
14.2 3D曲线图：
x = np.linspace(0, 20, 200)
y = np.sin(x)
z = np.cos(x)
fig = plt.figure(figsize=(8, 6))
ax = Axes3D(fig)
ax.plot(x, y, z, color='m')
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.show()
14.3 3D柱状图：
x = np.array([2001, 2003, 2005, 2007, 2009])
y = np.arange(1, 13)
fig = plt.figure(figsize=(8, 6))
ax = Axes3D(fig)
for year in x:
z = np.random.randint(10, 50, size=12)
ax.bar(y, z, zs=year, zdir='x', color=np.random.rand(12, 3))
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.show()
14.4 3D线框图：
from mpl_toolkits.mplot3d import axes3d
fig = plt.figure()
ax = Axes3D(fig)
X, Y, Z = axes3d.get_test_data(0.03)
ax.plot_wireframe(X, Y, Z,
rstride=10, # rstride（row）指定行的跨度
cstride=10, # cstride(column)指定列的跨度
color='m'
)
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.show()
14.5 3D曲面图：
3D曲面图可以帮我们理解一些抽象的三维数学函数
fig = plt.figure(figsize=(12, 8))
ax = Axes3D(fig)
delta = 0.125
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z = X**2+Y**2
ax.plot_surface(X, Y, Z,
rstride=1,
cstride=1,
cmap=plt.get_cmap('rainbow') # 设置颜色映射
)
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.title("$y=x^2+y^2$")
plt.show()
fig = plt.figure(figsize=(12, 8))
ax = Axes3D(fig)
delta = 0.125
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z = np.sqrt(X**2+Y**2)
ax.plot_surface(X, Y, Z,
rstride=1,
cstride=1,
cmap=plt.get_cmap('rainbow')
)
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.title("$y=\sqrt{x^2+y^2}$")
plt.show()
fig = plt.figure(figsize=(12, 8))
ax = Axes3D(fig)
delta = 0.125
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2+Y**2))
ax.plot_surface(X, Y, Z,
rstride=1,
cstride=1,
cmap=plt.get_cmap('rainbow')
)
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.title("$y=sin(x^2+y^2)$")
plt.show()
fig = plt.figure(figsize=(12, 8))
ax = Axes3D(fig)
delta = 0.125
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z = np.cos(np.sqrt(X**2+Y**2))
ax.plot_surface(X, Y, Z,
rstride=1,
cstride=1,
cmap=plt.get_cmap('rainbow')
)
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.title("$y=cos(x^2+y^2)$")
plt.show()
fig = plt.figure(figsize=(12, 8))
ax = Axes3D(fig)
delta = 0.125
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z = np.tan(np.sqrt(X**2+Y**2))
ax.plot_surface(X, Y, Z,
rstride=1,
cstride=1,
cmap=plt.get_cmap('rainbow')
)
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
plt.title("$y=tan(x^2+y^2)$")
plt.show()
15 动画(animation)：
前提：from matplotlib import animation
FuncAnimationnc： Makes an animation by repeatedly calling a function fun.
(通过反复调用函数来实现一个动画)
ArtistAnimation： Animation using a fixed set of Artist objects.
(使用一组固定的Artist对象进行动画处理。)
15.1 FuncAnimation:
animation.FuncAnimation(
fig, # 动画所在的图
func, # 动画函数，第一个参数是下一帧的值， 其他参数由fargs传递
frames=None, # 动画帧数
init_func=None, # 初始化函数，用于清空图形，如果不设置，则使用func中第一帧图像
fargs=None, # 一个字典类型的数据，会作为func函数的参数
save_count=None, # 缓冲的动画帧数量
*,
cache_frame_data=True,
**kwargs
|- interval：间隔时间； 单位milliseconds毫秒1/1000
|- repeat：是否重复播放；
|- 其他参数参考文档。
)
from matplotlib import animation
fig, ax = plt.subplots()
x = np.arange(0, 2*np.pi, 0.01)
line, = ax.plot(x, np.sin(x))
def funcs(i):
line.set_ydata(np.sin(x+i/10))
return line,
def inits():
line.set_ydata(np.sin(x))
return line,
ani = animation.FuncAnimation(fig=fig, func=funcs, frames=100, interval=20)
plt.show()
ani.save('FuncAnamiation.gif', writer='pillow', fps=10) # 保存到本地
一个更加成熟并完美应用的例子：
利用matplotlib画出凸包问题分治递归策略实现过程动态图
15.2 ArtistAnimation:
animation.ArtistAnimation(
fig, # 用来展示figure，用plt.figure()生成
ims, # list格式，每一个元素是一个完全由artists 类组成的collection ，代表一帧，并且只在这一帧显示（过了这一帧会被擦除）
interval=200, # 更新频率，以ms计
repeat_delay=None, # 每显示一次动画后间隔多长时间重复
repeat = True, # 是否重复动画
blit=False # # 选择更新所有点，还是仅更新产生变化的点。应选择True，但mac用户请选择False，否则无法显示
)
a = np.random.rand(10, 10)
fig, ax = plt.subplots()
container = []
for i in range(a.shape[1]):
line, = ax.plot(a[:, i])
title = ax.text(0.5, 1.05, "Title {}".format(i),
size=plt.rcParams["axes.titlesize"],
ha="center", transform=ax.transAxes)
container.append([line, title])
ani = animation.ArtistAnimation(fig, container, interval=200, blit=False)
ani.save('ArtistAnamiation.gif', writer='pillow', fps=10) # 保存到本地
plt.show()
16 地图(basemap)：
这个太多了，也不是入门看的，如果想玩的话，就去这里看：
https://basemaptutorial.readthedocs.io/en/latest/
说实话是因为我没用过…
（我画地图都是用的pyecharts?,比如这篇：
pyecharts-Map3D实现新冠肺炎疫情全国数据立体可视化）
版权声明：本文为qq_43613793原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。