python数据可视化-matplotlib学习总结

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)  # 生成0~10之间的100个数
y = np.sin(x)  # 计算纵坐标
plt.plot(x, y)  # 绘制折线图
plt.title('Sin函数图像')  # 添加标题
plt.xlabel('x轴')  # 添加x轴标签
plt.ylabel('y轴')  # 添加y轴标签
#plt.xlim(-2,2)     #设定 x 坐标轴的显示范围在[-2,2]
#plt.axhline(y=0)    #添加水平参考线
#plt.grid()  #绘制网格线
#plt.axhline(y=0)    #绘制y=0的刻度线
#plt.axvspan(-4,2,facecolor='gray', alpha=0.3)    #添加在-4到2的垂直方向的颜色区域,填充颜色为灰色，透明度为 0.3

plt.show()  # 显示图形

pyplot 参数：

x：x轴数据，一般是一个数组或列表。

y：y轴数据，一般是一个数组或列表。

label：标签，用于说明数据的名称或含义。xlabel用于x轴，ylabel用于y轴

color或c：颜色，默认是蓝色，也可以是RGB值或颜色名称。

marker：点标记，用于显示每个数据点的形状。

linestyle或ls：线条类型，用于控制线条的样式、粗细等。

linewidth或lw：线条宽度，用于控制线条的宽度。

alpha：透明度，用于控制线条或点标记的透明度。

xlim和ylim：x轴和y轴的范围，用于设定坐标轴的刻度范围。

title：标题，用于给整个图形添加标题。

gird：绘制刻度线网格线

axhline:绘制平行于x轴的水平参数线

axvspan：绘制垂直于 x轴的水平参数区域

annotate:添加图形内容细节的指向型注释

text:添加图形内容细节的无指向型注释

legend:用于在图像中添加自定义的图例

结果：

2、散点图：scatter():

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 设置数据
x = np.random.rand(50)
y = np.random.rand(50)
# 绘制散点图
plt.scatter(x, y, s=50, c='b', marker='o', alpha=0.5)
# 添加标题和坐标轴标签
plt.title('散点图')
plt.xlabel('x轴')
plt.ylabel('y轴')
# 显示图像
plt.show()

参数解释：

x ：散点图 x 轴的数据；

y ：散点图 y 轴的数据；

s ：散点的尺寸，即标记的大小；

c ：散点的颜色；

marker ：散点的形状，默认是圆形；

alpha ：透明度，取值范围为 0~1，值越小透明度越高。

结果：

(二）统计图形

1、柱状图：bar(

bar(x, height, width=0.8, bottom=None, align='center', data=None, **kwargs)
x：柱形图的 x 坐标数据；

height：柱形图的高度，对应于每个 x 坐标数据的高度；

width：柱形的宽度，默认为 0.8；

bottom：柱形的底部位置，默认为 None，表示将底部设定为绘图平面的 y 轴；

align：柱形的对齐方式，可以是 'center'、'edge' 等；

data：数据源对象，可以是多种数据类型，例如 DataFrame、Series、数组等；

kwargs：其他可选参数，包括柱形颜色、边框颜色、标签位置等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = ['A', 'B', 'C', 'D', 'E']
y = np.random.randint(0, 10, size=(len(x)))

# 绘制柱状图
plt.bar(x, y, width=0.6, bottom=None, align='center', alpha=0.8)

# 添加标签
for i, v in enumerate(y):
    plt.text(i, v+0.2, str(v), ha='center', fontsize=10)
# 显示图形
plt.show()

2、条形图：barh()

barh(y, width, height=0.8, left=None, align='center', data=None, **kwargs)
y：柱形条的 y 坐标数据；

width：柱形条的宽度，对应于每个 y 坐标数据的宽度；

height：柱形条的高度，默认为 0.8；

left：柱形的左侧位置，默认为 None，表示将左侧设定为绘图平面的 x 轴；

align：柱形的对齐方式，可以是 'center'、'edge' 等；

data：数据源对象，可以是多种数据类型，例如 DataFrame、Series、数组等；

kwargs：其他可选参数，包括柱形颜色、边框颜色、标签位置等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
y = ['A', 'B', 'C', 'D', 'E']
x = np.random.randint(0, 10, size=(len(y)))

# 绘制水平柱状图
plt.barh(y, x, height=0.6, left=None, align='center', alpha=0.8)

# 添加标签
for i, v in enumerate(x):
    plt.text(v+0.2, i, str(v), va='center', fontsize=10)

# 显示图形
plt.show()

3、直方图：hist()

hist(x, bins=None, range=None, density=False, 
    weights=None, cumulative=False, bottom=None,
    histtype='bar', align='mid', orientation='vertical',
    rwidth=None, log=False, color=None, label=None, stacked=False, 
    normed=None, **kwargs)
x：需要绘制直方图的数据；

bins：用于指定每个直方的宽度，可以是单个整数、序列或者字符串。默认为 10，表示将数据范围等分成 10 份；

range：需要绘制直方图的数据范围；

density：是否将直方图归一化，其值默认为 False；

weights：用于构成直方图的权重数组；

cumulative：是否需要绘制累积频率图，默认为 False；

bottom：堆叠图的底部高度；

histtype：指定直方图类型，可以是 'bar'、'barstacked'、'step'、'stepfilled' 等；

align：直方图的对齐方式；

orientation：直方图的绘制方式，可以是 'horizontal' 或者 'vertical'；

rwidth：直方图的相对宽度，值为 1 的时候没有空隙，值为 0.5 的时候间距等于直方图宽度的一半；

log：是否对 y 轴进行对数变换；

color：直方图的颜色；

label：直方图的标签；

stacked：是否采用堆叠方式绘制直方图，默认为 False；

normed：已被弃用，可以使用 density 参数替代；

kwargs：其他可选参数，包括直方图边框、填充、颜色等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

np.random.seed(2022)
data = np.random.randn(10000)

# 绘制直方图
plt.hist(data, bins=40, range=(-4, 4), density=False, alpha=0.8, color='blue')
plt.xlabel('x')
plt.ylabel('频率')
plt.title('直方图')

# bins 设为 40，表示将数据范围等分成 40 份；
# range 设为 (-4, 4)，表示数据范围在[-4，4]之间
# density 设为 False，表示不需要将直方图归一化；
# alpha 设为 0.8，表示直方图颜色透明度为 0.8；
# color 设为 'blue'，表示直方图颜色为蓝色；

# 显示图像
plt.show()

4、饼图：pie()

pie(x, explode=None, labels=None, colors=None, 
    autopct=None, pctdistance=0.6, shadow=False, 
    labeldistance=1.1, startangle=None, radius=None, counterclock=True, 
    wedgeprops=None, textprops=None, center=(0, 0), frame=False, 
    rotatelabels=False, **kwargs)
x：用于绘制饼图的数据，可以是数组、列表、元组等可迭代对象；

explode：用于指定每个饼图之间的偏移量；

labels：用于指定每个饼图对应的标签；

colors：用于指定每个饼图对应的颜色；

autopct：用于指定每个饼图占比的格式字符串；

pctdistance：用于指定占比标签距离圆心的距离；

shadow：是否需要添加阴影效果，默认为 False；

labeldistance：指定每个饼图标签与圆心的距离的倍数；

startangle：指定饼图开始绘制的角度，默认为 0；

radius：指定饼图的半径；

counterclock：指定饼图绘制的方向，默认为 True，即逆时针方向绘制；

wedgeprops：用于指定饼图环的属性，例如 linewidth、edgecolor 等；

textprops：用于指定占比标签的属性，例如 fontsize、color 等；

center：指定饼图的中心位置坐标；

frame：是否需要绘制边框，默认为 False；

rotatelabels：是否需要对饼图标签进行旋转，默认为 False；

kwargs：其他可选参数，包括绘图风格、字体、字号等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

np.random.seed(2022)
data = np.random.randn(10000)

import matplotlib.pyplot as plt

# 生成数据
labels = ['A', 'B', 'C', 'D', 'E']
sizes = [15, 30, 45, 10, 5]
colors = ['red', 'blue', 'green', 'orange', 'gray']
explode = [0.1, 0, 0, 0, 0]

# 绘制饼图
plt.pie(sizes, explode=explode, labels=labels, colors=colors,
        autopct='%1.1f%%', shadow=True, startangle=90)

plt.axis('equal')
plt.show()

5、级线图：polar()

polar(theta, r, **kwargs)
theta：用于绘制极坐标图的角度数据，单位为弧度；

r：用于绘制极坐标图的大小数据，表示一组与角度对应的大小数据，与 theta 相对应；

kwargs：其他可选参数，包括极坐标的填充、颜色等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成一些随机数据
theta = np.linspace(0, 2*np.pi, 1000)
r = np.random.rand(1000)

# 绘制极坐标图
plt.polar(theta, r)
plt.show()

6、气泡图(散点图)：scatter()

scatter(x, y, s=None, c=None, marker=None, cmap=None, 
norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, 
edgecolors=None, plotnonfinite=False, data=None, **kwargs)
x：散点图的 x 坐标；

y：散点图的 y 坐标；

s：散点的大小（面积），可以是常数、数组、列表或者元组；

c：散点的颜色，可以是常数、数组、列表或者元组；

marker：散点的标记符号；

cmap：用于指定散点颜色的 colormap；

norm：用于指定 colormap 的归一化方法；

vmin：用于指定 colormap 的最小值；

vmax：用于指定 colormap 的最大值；

alpha：散点的透明度；

linewidths：用于指定散点边缘线宽度；

edgecolors：用于指定散点边缘线颜色，默认为 'face'，表示使用散点颜色；

plotnonfinite：是否需要绘制非有限数值，默认为 False；

data：数据源对象，可以是多种数据类型，例如 DataFrame、Series、数组等；

kwargs：其他可选参数，包括散点颜色、边缘线颜色、标签位置等相关设置

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
np.random.seed(2022)
x = np.random.randn(50)
y = np.random.randn(50)
colors = np.random.randint(0, 10, 50)

# 绘制散点图
plt.scatter(x, y, s=20*abs(x+y)+100, c=colors, cmap='viridis', alpha=0.8)

# 添加红色边缘线
plt.scatter(x, y, s=20*abs(x+y)+100, facecolors='none', edgecolors='red', linewidths=1)

# 添加标题和坐标轴标签
plt.title('气泡图')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图像
plt.show()

7、树状图（棉棒图）：stem()

stem(x, y, linefmt=None, markerfmt=None, basefmt=None, bottom=None, 
    label=None, use_line_collection=None, data=None, **kwargs)
x：树状图的 x 坐标；

y：树状图的 y 坐标；

linefmt：用于指定树状图线段的格式字符串；

markerfmt：用于指定树状图标记的格式字符串；

basefmt：用于指定树状图基线的格式字符串；

bottom：使用堆叠样式绘制树状图时的基线高度；

label：树状图的标签；

use_line_collection：是否使用 LineCollection 来绘制线段，默认为 True；

data：数据源对象，可以是多种数据类型，例如 DataFrame、Series、数组等；

kwargs：其他可选参数，包括线段样式、标记样式、标签位置等相关设置。

# 生成数据
np.random.seed(2022)
x = np.linspace(0.0, 2.0*np.pi, 100)
y = np.sin(x)

x = np.arange(0, 10, 1)
y = np.random.rand(10)

# 绘制离散波形图
plt.stem(x, y)
plt.show()

8、箱线图：boxplot()

boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, 
    widths=None, patch_artist=None, bootstrap=None, usermedians=None, 
    conf_intervals=None, meanline=None, showmeans=None, showcaps=None, 
    showbox=None, showfliers=None, boxprops=None, labels=None, 
    flierprops=None, medianprops=None, meanprops=None, capprops=None, 
    whiskerprops=None, manage_xticks=True, autorange=False, zorder=None, 
    data=None)
x：箱线图的数据，可以是数组、列表、DataFrame 等；

notch：是否绘制缺口，默认为 False，表示绘制箱线图而非半个月牙形的齿状图；

sym：用于指定离群点的标记符号，默认为 None；

vert：是否绘制竖向的箱线图，默认为 True；

whis：用于指定箱线图的上下位置（须）的长度，默认为 1.5；

positions：用于指定箱线图的位置，默认为 [1, 2, ..., n]，其中 n 为数据列数量；

widths：用于指定箱线图的宽度；

patch_artist：是否允许填充箱线图，主要用于自定义颜色和样式，默认为 False；

bootstrap：用于指定计算置信区间的样本数；

usermedians：手动指定中位数值；

conf_intervals：用于指定计算置信区间方法和置信水平，默认为 None；

meanline：是否绘制均值线，默认为 False；

showmeans：是否显示均值值，默认为 False，通常不建议显示；

showcaps：是否显示箱线图末端的 whisker 线段，默认为 True；

showbox：是否显示箱线图框体，默认为 True；

showfliers：是否显示离群点，默认为 True；

boxprops：用于指定箱线图框体的属性，例如 linewidth、edgecolor 等；

labels：用于指定箱线图的标签；

flierprops：用于指定离群点的属性，例如 markersize、markerfacecolor 等；

medianprops：用于指定中位数线的属性，例如 linewidth、color 等；

meanprops：用于指定均值线的属性，例如 linewidth、linestyle、color 等；

capprops：用于指定箱线图 whisker 线段末端的帽子的属性，例如 linewidth、linestyle、color 等；

whiskerprops：用于指定箱线图 whisker 线段的属性，例如 linewidth、linestyle、color 等；

manage_xticks：是否需要自动管理 x 轴刻度，默认为 True；

autorange：是否自动调整坐标轴范围，默认为 False；

zorder：用于指定图层顺序，通常不需要设置；

data：数据源对象，可以是多种数据类型，例如 DataFrame、Series、数组等。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成一些随机数据
data = np.random.randn(100, 5)

# 绘制箱线图
plt.boxplot(data)
plt.show()

9、误差棒图：errorbar()

errorbar(x, y, yerr=None, xerr=None, fmt='', ecolor=None, elinewidth=None, 
    capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, 
    xuplims=False, errorevery=1, capthick=None, label='', **kwargs)
x：误差棒图的 x 坐标；

y：误差棒图的 y 坐标；

yerr：用于指定误差范围的垂直线段长度，可以使数字、标量或者数组；

xerr：用于指定误差范围的水平线段长度，可以使数字、标量或者数组；

fmt：用于指定点的颜色、线型和标记符号的格式；

ecolor：用于指定误差线段和帽子的颜色；

elinewidth：用于指定误差线段的线宽；

capsize：用于指定误差帽子的大小；

barsabove：是否将误差棒图绘制在数据点之上；

lolims：是否绘制小于数据点的下限误差；

uplims：是否绘制大于数据点的上限误差；

xlolims：是否绘制小于数据点的水平下限误差；

xuplims：是否绘制大于数据点的水平上限误差；

errorevery：用于指定错误条目的抽样间隔；

capthick：用于指定误差帽子的线宽；

label：标注名称；

kwargs：其他可选参数，包括误差帽子哪里停止等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

#生成数据
x = np.arange(0, 10, 1)
y = np.random.rand(10)
yerr = np.random.rand(10) * 0.2

# 绘制带误差线的散点图
plt.errorbar(x, y, yerr=yerr, fmt='o')
plt.show()

（三）图形样式

1、设置刻度样式

设置刻度样式需要两个方法：xticks与yticks：

xticks(ticks=None, labels=None, **kwargs)
yticks(ticks=None, labels=None, **kwargs)
ticks：用于设置刻度位置的序列或者数组；

labels：用于设置刻度标签的序列或者数组；

kwargs：其他可选参数，例如字体、字号、旋转角度等。

常用场景

设置刻度标签字体大小

import matplotlib.pyplot as plt

# 创建图形，并设置 x 轴、y 轴刻度标签字体大小为 14
fig, ax = plt.subplots()
ax.tick_params(axis='both', labelsize=14)

设置刻度间隔和范围

import numpy as np
import matplotlib.pyplot as plt

# 创建图形并绘制曲线
x = np.linspace(0, 10, 100)
y = np.sin(x)
fig, ax = plt.subplots()
ax.plot(x, y)

# 设置 x 轴刻度范围为 0 到 10，刻度间隔为 2
ax.set_xticks(np.arange(0, 11, 2))

自定义刻度标签

import numpy as np
import matplotlib.pyplot as plt

# 创建图形并绘制曲线
x = np.linspace(0, 10, 100)
y = np.sin(x)
fig, ax = plt.subplots()
ax.plot(x, y)

# 自定义 y 轴刻度标签
ax.set_yticks([-1, 0, 1])
ax.set_yticklabels(['Low', 'Medium', 'High'])

隐藏刻度

import numpy as np
import matplotlib.pyplot as plt

# 创建图形并绘制曲线
x = np.linspace(0, 10, 100)
y = np.sin(x)
fig, ax = plt.subplots()
ax.plot(x, y)

# 隐藏 y 轴刻度
ax.tick_params(axis='y', which='both', length=0)

2、增加指示注解与无指示注解

添加指示注解：

annotate(text, xy, xytext=None, arrowprops=None, **kwargs)
text：注释文本内容；

xy：注释目标坐标，表示箭头所在位置；

xytext：注释文本的位置，如果未指定则默认为 xy 参数；

arrowprops：箭头的属性，可以指定箭头的长度、宽度、颜色等；

kwargs：其他一些可选参数，包括文本颜色、字体、字号等。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 1, 100)
y = np.sin(x*10)

# 绘制 sin(x) 的图像
plt.plot(x, y)

# 添加注释：最大值处对应的 x 坐标和 y 坐标
max_y = np.max(y)
max_idx = np.argmax(y)
plt.annotate(f'Max={max_y:.2f}', xy=(x[max_idx], max_y),
             xytext=(x[max_idx]-0.2, max_y+0.3),
             arrowprops=dict(arrowstyle='->', lw=2))

# 显示图形
plt.show()

添加无指示注解

text(x, y, s, fontdict=None, withdash=False, **kwargs)
x 和 y：文本框的位置，可以是图像坐标、数据坐标或者坐标轴分数坐标等；

s：文本标签内容；

fontdict：字体属性参数，支持字体、字号、颜色等相关设置；

withdash：文本边框属性，可以设置是否使用虚线边框；

kwargs：其他可选参数，包括纵横比、文本排列、旋转角度、对齐方式等相关设置。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(-5, 5, 100)
y = np.sin(x)

# 绘制 sin(x) 的图像
plt.plot(x, y)

# 添加文本标签：最大值处对应的 x 坐标和 y 坐标
max_y = np.max(y)
max_idx = np.argmax(y)
plt.text(x[max_idx], max_y, f'Max={max_y:.2f}', fontsize=12,
         color='red', ha='center', va='bottom')

# 显示图形
plt.show()

3、标题与坐标轴的投影效果

设置投影效果需要用到set_path_effects()

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.patheffects as pe

x = np.linspace(0, 10, 100)
y = np.sin(x)
fig, ax = plt.subplots()
ax.plot(x, y)

ax.plot(x, y)
ax.set_title('sin（x）')

# 设置标题阴影效果
title_text_obj = ax.set_title('Title', fontsize=18, fontweight='bold')
title_text_obj.set_path_effects([pe.withStroke(linewidth=2, foreground='gray')])

# 设置坐标轴标签阴影效果
x_label_obj = ax.set_xlabel('X Label', fontsize=16)
y_label_obj = ax.set_ylabel('Y Label', fontsize=16)
x_label_obj.set_path_effects([pe.withStroke(linewidth=1, foreground='gray')])
y_label_obj.set_path_effects([pe.withStroke(linewidth=1, foreground='gray')])

plt.show()

4、转移坐标轴

转移坐标轴需要用到set_zorder方法

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
fig, ax = plt.subplots()

ax.plot(x, y)
ax.set_title('sin（x）')

# 将 x 轴和 y 轴的刻度放到图形的顶部和右侧
ax.xaxis.tick_top()
ax.yaxis.tick_right()

# 设置标题和坐标轴的深度值
ax.title.set_zorder(1)
ax.xaxis.label.set_zorder(1)
ax.yaxis.label.set_zorder(1)
ax.xaxis.set_tick_params(pad=10, zorder=1)
ax.yaxis.set_tick_params(pad=10, zorder=1)

# 设置坐标轴投影线条的样式和深度值
ax.spines['bottom'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['top'].set_linestyle('-')
ax.spines['right'].set_linestyle('-')
ax.spines['top'].set_zorder(0)
ax.spines['right'].set_zorder(0)

plt.show()

5、划分窗口：subplot()

subplot(nrows, ncols, index, **kwargs)
nrows：子图表格的行数；

ncols：子图表格的列数；

index：子图在表格中的位置（从左到右、从上到下的编号）；

kwargs：其他可选参数，例如坐标轴刻度、标题、标签字体等。

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei,Times New Roman, Arial'#设置字体格式，显示中文、正负号，罗马数字
import matplotlib.pyplot as plt
import numpy as np

#生成数据
np.random.seed(2022)
x = np.linspace(0.0, 4.0*np.pi, 100)
y_sin = np.sin(x)
y_cos = np.cos(x)

# 绘制正弦函数
plt.subplot(2, 1, 1)
plt.plot(x, y_sin, 'g-', linewidth=2, label='sin(x)')
plt.legend(loc='upper right')
plt.title('Sin(x)与Cos(x)')

# 绘制余弦函数
plt.subplot(2, 1, 2)
plt.plot(x, y_cos, 'r-', linewidth=2, label='cos(x)')
plt.legend(loc='lower right')

plt.xlabel('X')

# 显示图像
plt.show()

python数据可视化-matplotlib学习总结

（一）常见的图形

1、趋势图（直线图）：plot（）

2、散点图：scatter():

(二）统计图形

1、柱状图：bar(

2、条形图：barh()

3、直方图：hist()

4、饼图：pie()

5、级线图：polar()

6、气泡图(散点图)：scatter()

7、树状图（棉棒图）：stem()

8、箱线图：boxplot()

9、误差棒图：errorbar()

（三）图形样式

1、设置刻度样式

2、增加指示注解与无指示注解

3、标题与坐标轴的投影效果

4、转移坐标轴

5、划分窗口：subplot()

猜你喜欢