数据分析--Matplotlib

企业开发 2022-05-12 21:41:50 阅读次数: 0

Matplotlib

基本布局对象

figure对象是所有图表绘制的基础
构建图标的主要步骤

  • 准备数据
  • 生成图表
  • 传入数据
  • 调整图标的装饰

图表样式的修改以及图表装饰的接口

Matplotlib定义详细的图标装饰项接口，能够对图表几乎每一个细节进行修改

  • 修改图表样式
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
fig,axes = plt.subplots()
t = np.arange(0,2,0.01)
s = np.sin(2*np.pi*t)
# 修改线条颜色，线条形式
axes.plot(t,s,color='k',linestyle='-')
s = np.sin(2*np.pi*(t+0.5))
axes.plot(t,s,color='c',linestyle='--')
plt.show()

常用的color参数值

color参数值 含义
r 红色
y 黄色
g 绿色
c 青色
b 蓝色
m 紫红色
w 白色

常用linesstyle参数值

linesstyle参数值 含义
- 实线
– 虚线（两个短横线）
-. 虚线（短横线和点交替）
: 虚线（点）
  • 修改装饰项
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
fig,axes = plt.subplots()
t = np.arange(0,2,0.01)
s = np.sin(2*np.pi*t)
# 修改线条颜色，线条形式
axes.plot(t,s,color='k',linestyle='-',label='line1')

s = np.sin(2*np.pi*(t+0.5))
axes.plot(t,s,color='c',linestyle='--',label='line2')

# ticks styles
axes.set_xticks(np.arange(0,2,0.5))
axes.set_yticks([-1,0,1])
axes.minorticks_on()

# axes position
# 对边框进行修改，隐藏右边框和上边框
axes.spines['right'].set_color('none')
axes.spines['top'].set_color('none')
# 指定边框的位置，第一个参数表示位置的种类，第二个参数表示边框的位置
# axes.spines['bottom'].set_position(('data',0))
# axes.spines['left'].set_position(('data',0))

axes.spines['bottom'].set_position('center')
axes.spines['left'].set_position('zero')
# 'center' 等于('data',0.5)
# zero 等于 ('data',0)

# legend
# 设置图例，loc  bbox_to_anchor 确定位置的参数
axes.legend(loc='upper right',bbox_to_anchor=(1.1,1))
plt.show()
  • 添加注释
import matplotlib.pyplot as plt

import  numpy as np

fig = plt.figure()
fig,axes = plt.subplots()
axes.plot(np.arange(0,24,2),[14,9,7,5,12,19,23,26,27,24,24,19],'-o')
axes.set_xticks(np.arange(0,24,2))
# 生成一个带箭头的注释
'''
axes.annotate('hottest at 16:00',xy=(16,27),xytext=(16,22),arrowprops=dict(
                facecolor = 'black',shrink=0.2),
                horizontalalignment='center',verticalalignment='center'
              )
    参数依次是 注释文字
    xy 箭头尖端位置
    xytext 注释文字位置
    arrowprops=dict(    箭头样式参数
                facecolor 箭头颜色
                shrink 箭头与文字之间的距离
                horizontalalignment verticalalignment 文字在水平位置和垂直位置向上对齐的方式
    
'''


axes.annotate('hottest at 16:00',xy=(16,27),xytext=(16,22),arrowprops=dict(
                facecolor = 'black',shrink=0.2),
                horizontalalignment='center',verticalalignment='center'
              )
'''
   axes.text() 
   参数分别为 文字的位置 注释文字 背景框的样式（课可以指定， 背景颜色 透明度 文字与背景框之间的距离）
'''
axes.text(12,10,'Date: March 26th 2018',bbox={
    
    'facecolor':'cyan','alpha':0.3,'pad':6})
plt.show()

基础图表绘制

直方图

是一种直观描述数据集集中每一个区间内数据值出现频数的统计图
通过直方图，可以大致了解数据的分布，判断数据集中的区间

import matplotlib.pyplot as plt
import numpy as np
data = np.random.standard_normal(1000)
# 分组
bins = 50
fig,axes = plt.subplots()
# 直方图
axes.hist(data,bins)
axes.set_title("Histogram")
plt.show()

# 直方图加标准正态密度函数图像
number_of_bins = 50
fig,axes = plt.subplots()
n,bins ,patch=axes.hist(data,number_of_bins,density=True)
standard_data = ((1/(np.sqrt(2*np.pi)*1))*np.exp(-0.5*(1/1*(bins-0))**2))
axes.plot(bins,standard_data,0,'-')
plt.show()

在这里插入图片描述

在这里插入图片描述

散点图

可以将样本数据绘制在二维平面上777直观的显示分布情况，初步判断两个变量之间的关系

import matplotlib.pyplot as plt
import numpy as np
n = 60
np.random.seed(100)
x = np.random.rand(n)
y = np.random.rand(n)

# plt.scatter(x,y)
fig,axes= plt.subplots()
axes.scatter(x,y)
plt.show()

# 根据值改变点大大小和颜色
n1 = 60
np.random.seed(100)
x = np.random.rand(n1)
y = np.random.rand(n1)
s = np.pi*(10*np.random.rand(n1))**2

c= -s
# plt.scatter(x,y)
fig,axes= plt.subplots()
# x y  标记点面积，颜色，透明度
axes.scatter(x,y,s,c,alpha=0.7)
plt.show()

在这里插入图片描述

在这里插入图片描述

饼图

饼图可以直观的显示某一类数据在全部样本数据的百分比

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
labels = 'Taxi','Metro','Walk','Bus','Bicycle','Driving'
sizes = [10,30,5,25,5,25]
explode = (0,0.1,0,0,0,0)
axes.pie(sizes,explode=explode,labels=labels,autopct='%1.1f%%',shadow=True,startangle=90)
axes.axis('equal')
axes.set_title('pie chart')
plt.show()

柱状图

柱状图可以直观的反应不同类别数据之间分布情况的数量差异

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
index = np.arange(6)
width = 0.4
axes.bar(index,data_m,width,color='c',label='men')
axes.bar(index+width,data_f,width,color='b',label='women')
axes.set_xticks(index+width/2)
axes.set_xticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

在这里插入图片描述

# 柱状图叠加效果,将两个柱状图叠加显示
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
axes.bar(index,data_m,width,color='c',label='men')
axes.bar(index,data_f,width,color='b',bottom=data_m,label='women')
axes.set_xticks(index+width/2)
axes.set_xticks(index+width/2)
axes.set_xticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

在这里插入图片描述

# 柱状图半重叠
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
axes.bar(index,data_m,width,color='c',label='men',align='center')
axes.bar(index,data_f,width,color='b',label='women',align='edge')
axes.set_xticks(index+width/2)
axes.set_xticks(index+width/2)
axes.set_xticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

在这里插入图片描述

# 水平柱状图
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
axes.barh(index,data_m,width,color='c',label='men',align='center',alpha=0.4)
axes.barh(index,data_f,width,color='b',label='women',align='edge',alpha=0.4)
axes.set_yticks(index+width/2)
axes.set_yticklabels(('Taxi','Metro','Walk','Bus','Bicycle','Driving'))
axes.legend()
plt.show()

在这里插入图片描述

折线图

折线图可以看出数据的变化趋势

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
x = np.arange(10)
y1 = np.random.rand(10)
y2 = np.random.rand(10)
axes.plot(x,y1,'-o',color='c')
axes.plot(x,y2,'--o',color='b')
plt.show()

在这里插入图片描述

表格

通过表和图的结合，既可以直观的看到数据的分布情况，也能看到详细的数据

import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots()
data_m=(40,120,20,100,30,200)
data_f=(60,180,30,150,20,50)
width = 0.4
index = np.arange(6)
axes.bar(index,data_m,width,color='c',label='men')
axes.bar(index,data_f,width,color='b',bottom=data_m,label='women')
axes.set_xticks([])
axes.legend()

# 表格
data=(data_m,data_f)
rows =('male','female')
columns = 'Taxi','Metro','Walk','Bus','Bicycle','Driving'
axes.table(cellText=data,rowLabels=rows,colLabels=columns)
plt.show()

在这里插入图片描述

不同坐标系下的图象

import matplotlib.pyplot as plt
import numpy as np
# 双扭线
fig,axes = plt.subplots()
theta_list = np.arange(0,2*np.pi,0.01)
r = [2*np.cos(2*theta) for theta in theta_list]
# polar 极坐标系
# 建立一个投影为极坐标的axes
axes = plt.subplot(projection='polar')
# 使用plot函数生成函数曲线，
axes.plot(theta_list,r)
# 为了美观删除r轴上所有的刻度
axes.set_rticks([])
plt.show()

在这里插入图片描述

matplotlib3D

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
axes = Axes3D(fig)
# 设置随机种子
np.random.seed(100)

x = np.random.rand(60)
y = np.random.rand(60)
z = np.random.rand(60)
axes.scatter(x,y,x)
plt.show()

在这里插入图片描述

# 使用pyplot实现
fig = plt.figure()
axes = plt.subplot(projection="3d")
x = np.random.rand(80)
y = np.random.rand(80)
z = np.random.rand(80)
axes.scatter(x,y,x)
plt.show()

猜你喜欢

转载自blog.csdn.net/qq_52007481/article/details/122538111
今日推荐
TIOBE 5 月榜单：Fortran “复活”进入 Top 10
GCC 14.1 发布
面壁智能发布 Eurux-8x22B 开源大模型 —— 堪称「理科状元」
开源日报 | 谷歌扶持鸿蒙上位；开源Rabbit R1；Docker加持的安卓手机；微软的焦虑和野心；海尔电器把开放平台关了
中国码农的“35岁魔咒”
蘭雅 CorelDRAW 插件 2024.5.1 国际劳动节版，免费下载
Arc Browser for Windows 1.0 正式 GA
90后程序员开发视频搬运软件、不到一年获利超 700 万，结局很刑！
周排行
Java自定义时间格式
同步整形电路
在开发中最最最常用的字符串的属性大集合
Linux 查看端口占用并杀掉
Java基础四：ArrayList
多线程之死锁就是这么简单
mysql 基础命令集
awk 命令详解
Centos6.3编译安装nginx+php步骤
OCR （Optical Character Recognition，光学字符识别）
每日归档
更多
2024-05-08(42)
2024-05-07(14)
2024-05-06(40)
2024-05-05(0)
2024-05-04(7)
2024-05-03(19)
2024-05-02(0)
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022