python数据分析工具之 matplotlib详解

时间：2020-07-21 数据分析查看: 1069

不论是数据挖掘还是数学建模，都免不了数据可视化的问题。对于 Python 来说，matplotlib 是最著名的绘图库，它主要用于二维绘图，当然也可以进行简单的三维绘图。它不但提供了一整套和 Matlab 相似但更为丰富的命令，让我们可以非常快捷地用 python 可视化数据。

matplotlib基础

# 安装
pip install matplotlib

两种绘图风格：

MATLAB风格：

基本函数是 plot，分别取 x，y 的值，然后取到坐标（x，y）后，对不同的连续点进行连线。

面向对象：

创建一个图形 fig 和一个坐标 ax 。

fig：figure(plt.Figure) 是一个能容纳各种坐标轴，图形，文字和标签的容器。
ax：axes(plt.Axes) 是一个带有刻度和标签的矩形，最终会包含各种可视化元素。

示例：

import matplotlib.pyplot as plt
import numpy as np

# 图形显示风格
plt.style.use('seaborn-whitegrid')

# 创建fig和ax
fig = plt.figure()
ax = plt.axes()

x = np.linspace(0,10,100)
# 显示sin函数图形
plt.plot(x, np.sin(x))
# 显示cos函数图形
plt.plot(x, np.cos(x))

plt.show()

这就是利用面向对象的方式绘图，在交互模式中可以看到，每画一个图就是产生一个对象，最后再显示出来。

绘图样式

# 调整坐标轴上下限
plt.xlim([xmin, xmax])
plt.ylim([ymin, ymax])

plt.axis([xmin, xmax, ymin, ymax])
# 参数：tight：把图形设置成紧凑模式，不留多余的部分
# equal：图形显示分辨率为1:1

线形图

文字设置

图形标题：plt.title

坐标轴标题：plt.xlabel, plt.ylabel

基础图例：plt.legend

注意：对中文不友好，需要额外方法，尽量使用英文

# 示例
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1, 10, 100)
plt.plot(x, np.sin(x))
plt.title('sin-function')
plt.xlabel('x-value')
plt.ylabel('y-label')
plt.show()

图例

通过legend可以设置图例，同时通过参数的调整可以细腻的设置图例的位置、形式等。参数主要包括：

loc：图例的位置
frameon：是否带边框
framealpha：颜色透明
shadow：阴影

# 示例
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1, 10, 100)

fig, ax = plt.subplots()

ax.plot(x, np.sin(x), color='red', label='sin-function')
ax.plot(x, np.cos(x), color='blue', label='cos-function')

ax.legend(loc='upper right', frameon=True, shadow=True, framealpha=0.2)
# 设置图例位置为右上，有边框，有阴影，且透明度为0.2

plt.show()

颜色条

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1, 10, 100)
I = np.sin(x) * np.cos(x[:,np.newaxis])

plt.imshow(I)
plt.colorbar()
plt.show()

散点图

散点图基础

散点图主要以点为主，数据是不连续的数据，通过设置线的型号来完成。型号包括‘o'、‘+'、‘*'、‘1'、‘h'、‘D'等等，具体使用探索一下就好，用不到太多。

import matplotlib.pyplot as plt
import numpy as np

# 图形显示风格
plt.style.use('seaborn-whitegrid')

x = np.linspace(0, 10, 30)
y = np.sin(x)

# 通过设置线型为点来完成散点图的绘制
plt.plot(x, y, 'o', color='blue')
plt.show()

如果设置线型为点线结合，那么将绘制出连续的线，对应点处为所设置的点型。

画散点图还可以使用scatter函数来画，他有很多更细节的描述，用法与plot类似，对于数据量较大的可视化时，plot的效率更高一些。

误差线

import matplotlib.pyplot as plt
import numpy as np

# 图形显示风格
plt.style.use('seaborn-whitegrid')

x = np.linspace(0, 10, 30)
dy = x * 0.5
y = np.sin(x) + dy

plt.errorbar(x, y, yerr=dy, fmt='.k', ecolor='blue')
plt.show()

连续误差线表示的是连续量，可以使用 plt.plot 和 plt.fill_between 来画出。

import matplotlib.pyplot as plt
import numpy as np

# 图形显示风格
plt.style.use('seaborn-whitegrid')

x = np.linspace(0, 10, 30)
ysin = np.sin(x)
ycos = np.cos(x)

plt.plot(x, ysin, color='red')
plt.plot(x, ycos, color='blue')

plt.fill_between(x, ysin, ycos, color='gray', alpha=0.2)
plt.show()

等高线（密度）

plt.contour 等高线
plt.contourf 自带填充颜色
plt.imshow 显示图形

等高线绘制方法：z = f（x，y），z表示高度。当只有一个颜色绘图时，虚线表示负值，实线表示正值。meshgrid 可以将一维数据变成二维网格数据。

import matplotlib.pyplot as plt
import numpy as np

def f(x, y):
 return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)

x = np.linspace(0, 5, 50)
y = np.linspace(0, 5, 40)

# 得到网格点矩阵
x, y =np.meshgrid(x, y)

# 计算z轴的值
z = f(x, y)

# 绘制图形
plt.contour(x, y, z, colors='green')
# plt.contour(x, y, z, 50, cmap='RdGy') # 更改配色，值50等分，红灰配色
plt.show()

plt.contourf(x, y, z, 50, cmap='RdGy') # 改为contourf，自动填充颜色，则变为连续的

直方图

基本画法：plt.hist 可以直接画直方图，参数主要包括：

bins：划分段（柱数）
color：颜色
alpha：透明度
histtype：图类型

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randn(1000)
plt.hist(data, bins=30, alpha=0.3, histtype='stepfilled', color='blue', edgecolor='none')
plt.show()

程序中 random.randn 与 random.rand 相比，randn表示随机生成的数符合正态分布，因此画出图来是如上图所示。

子图

plt.subplot(2,1,1) # 子图，（2,1,1）代表，创建2*1的画布，并且定位于画布1 ；等效于plt.subplot(211)，即去掉逗号
# subplots 可以同时创建多个子图
figure,ax = plt.subplots(2, 3) 
# 这是一个灵活创建子图的方法，可以创建任意组合的图形，不必一一对齐，以下为示例：
grid = plt.GridSpec(2, 3, wspace=0.3, hspace=0.2)
plt.subplot(grid[,:2])
plt.subplot(grid[1,1:3])

图例配置

文字注释

通过不同的坐标变换，可以把文字放在不同的位置：

ax.transData：以数据为基准
ax.transAxes：以轴为基准

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()
ax.axis = ([0, 1, 0, 1])

ax.text(0.5, 0.5, "Data:(0.5, 0.5)", transform=ax.transData)
ax.text(0.5, 0.1, "Axes:(0.5, 0.1)", transform=ax.transAxes)
plt.show()

箭头注释

plt.arrow：产生SVG向量图形式的箭头，会随着分辨率改变而改变，不推荐
plt.annotate：可以创建文字和箭头

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()

x = np.linspace(0, 20, 1000)
ax.plot(x, np.cos(x))
ax.axis('equal')

ax.annotate("max", xy=(6.28, 1), xytext=(10, 4), arrowprops=dict(facecolor='black', shrink=0.05))
ax.annotate('min', xy=(5 * np.pi, -1), xytext=(2, -6), arrowprops=dict(arrowstyle="->", connectionstyle='angle3, angleA=0, angleB=-90'))
plt.show()

三维图

基础三维图

matplotlib 中绘制三维图用到 mplot3d 包。导入 mplot3d 包后，可以利用 projection 参数，控制绘制三维图。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d

fig = plt.figure()
ax = plt.axes(projection='3d')

plt.show()

三维图中当然包含三个轴，x，y，z。画线 ax.plot3D，画点 ax.scatter3D。为了三维效果，它会自动将远处的点颜色变浅。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d

fig = plt.figure()
ax = plt.axes(projection='3d')

z = np.linspace(0, 15, 100)
x = np.sin(z)
y = np.cos(z)

ax.plot3D(x, y, z, 'red')
ax.scatter3D(x, y, z, 'blue')
plt.show()

三维等高线

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d

fig = plt.figure()
ax = plt.axes(projection='3d')

def f(x, y):
 return np.sin(np.sqrt(x ** 2 + y ** 2))

x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
X, Y =np.meshgrid(x, y)
Z = f(X, Y)

ax.contour3D(X, Y, Z, 50)
plt.show()

图形绘制出来后，可以通过 ax.view_init 来控制观察的角度，便于理解。

俯仰角度：x-y 平面的旋转角度
方位角度：沿着 z 轴顺时针旋转角度

pandas绘图

上篇文章讲述了 pandas 的基本用法，pandas 是数据分析中最重要的工具之一，这里补充一下 pandas 绘图。

Series绘图

# 这是一个小栗子
s1 = Series(np.random.randint(1000).cumsum()) # 创建series，cumsum()是指叠加求和，本位数是前几项之和
s1.plot() # series有自己的plot函数，里面可以写入想要的参数

DataFrame绘图

df = DataFrame(
 np.random.randint(1,10,40).reshape(10,4),
 columns=['A','B','C','D']
 )
df.plot()
# dataframe也有自己的plot，按列画出来，参数包含ax，选择输出的画布
# 参数：stacked=True,表示一个堆叠的情况，同一个index下，columns一不同颜色叠在一起

总结

到此这篇关于python数据分析工具之 matplotlib详解的文章就介绍到这了,更多相关python数据分析 matplotlib内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！

展开全文