python数据分析工具之 matplotlib详解
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python数据分析工具之 matplotlib详解，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7307字，纯文字阅读大概需要11分钟。
内容图文
python数据分析工具之 matplotlib详解
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
内容总结
以上是互联网集市为您收集整理的python数据分析工具之 matplotlib详解全部内容，希望文章能够帮你解决python数据分析工具之 matplotlib详解所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。