Python五种方式实现可视化，包括炫酷的动态图（matplotlib、seaborn、plotly、bokeh、pyecharts）——matplotlib传记

一、matplotlib简介

1、介绍

matplotlib是一个功能强大的Python绘图库，用于创建各种类型的图形和可视化数据。它提供了广泛的绘图功能和灵活的配置选项，可以满足不同需求下的数据可视化需求。

2、主要特点

matplotlib的主要特点包括： 简单易用：matplotlib的API设计简单直观，使用起来非常方便。它的语法和Matlab绘图库相似，对于熟悉Matlab的用户来说更容易上手。 多种图形类型：matplotlib支持多种类型的图形，包括折线图、散点图、柱状图、饼图、直方图、箱线图、热力图等。用户可以根据数据类型和需求选择合适的图形类型。 高度可定制：matplotlib提供了丰富的配置选项，用户可以自定义图形的样式、颜色、标签、标题、轴标签等。通过配置选项，可以灵活地调整图形的外观和布局，以满足个性化的需求。 支持多种输出格式：matplotlib可以将图形输出为多种格式，包括图片文件（如PNG、JPEG）、PDF、SVG等。用户可以根据需要选择合适的输出格式，方便地将图形用于报告、文档或网页中。 丰富的扩展库：matplotlib生态系统非常丰富，有许多扩展库可以与之配合使用，如Seaborn、Pandas等。这些扩展库提供了更高级的绘图功能和更方便的数据处理工具，进一步提升了matplotlib的使用体验和效果。 总之，matplotlib是一个功能强大且灵活的Python绘图库，适用于各种数据可视化需求。无论是初学者还是专业人士，都可以通过matplotlib轻松地创建出精美的图形，并更好地理解和分析数据。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

3、matplotlib库可以实现多种类型的图形，包括但不限于以下几种：

折线图（Line Plot）：用于显示连续数据的趋势和变化。 散点图（Scatter Plot）：用于显示两个变量之间的关系和分布。 柱状图（Bar Plot）：用于比较不同类别或组之间的数值。 条形图（Barh Plot）：用于水平展示柱状图。 饼图（Pie Chart）：用于显示数据的相对比例和占比。 直方图（Histogram）：用于显示数据的分布情况。 箱线图（Box Plot）：用于显示数据的分散情况和异常值。 热力图（Heatmap）：用于显示数据的矩阵关系。 3D图形（3D Plots）：包括3D散点图、3D曲面图等。 等高线图（Contour Plot）：用于显示二维数据的等高线。 极坐标图（Polar Plot）：用于显示数据在极坐标系下的分布。 简单地理图（Simple Maps）：用于显示地理数据的简单地图。 除了上述常见的图形类型，matplotlib库还提供了许多其他类型的图形，同时也支持自定义图形的样式、颜色、标签等。通过使用matplotlib库，可以根据具体的需求和数据类型选择合适的图形类型，并灵活地进行定制和配置，以实现所需的数据可视化效果。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

4、基本属性设置

matplotlib库提供了丰富的属性设置，用于自定义图形的样式和外观。以下是常用的属性设置： 颜色设置： color：设置图形的颜色，可以使用预定义的颜色名称（如'red'、'blue'等），也可以使用RGB值或十六进制颜色码。 edgecolor：设置图形边缘的颜色。 facecolor：设置图形内部的填充颜色。 线型设置： linestyle：设置线条的样式，如实线、虚线等。 linewidth：设置线条的宽度。 标记设置： marker：设置标记的样式，如圆圈、方形等。 markersize：设置标记的大小。 文本设置： fontsize：设置文本的字体大小。 fontweight：设置文本的字体粗细。 fontfamily：设置文本的字体族。 图例设置： legend：设置图例的位置和样式。 label：设置图例的标签。 坐标轴设置： xlabel：设置x轴的标签。 ylabel：设置y轴的标签。 xticks：设置x轴刻度的位置和标签。 yticks：设置y轴刻度的位置和标签。 图形大小和边距设置： figsize：设置图形的大小。 dpi：设置图形的分辨率。 tight_layout：自动调整子图的布局，使其适应图形大小。 以上只是一些常用的属性设置，matplotlib还提供了更多的属性和方法，用于进一步自定义图形的样式和外观。可以通过查阅matplotlib的官方文档来获取更详细的信息。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35

（1）颜色设置：

在matplotlib中，可以使用RGB值或十六进制颜色码来设置图形的颜色。以下是一些常用的颜色的RGB值和十六进制颜色码： 预定义颜色名称： 'red'：红色 'blue'：蓝色 'green'：绿色 'yellow'：黄色 'orange'：橙色 'purple'：紫色 'brown'：棕色 'gray'：灰色 'black'：黑色 'white'：白色 RGB值： (1, 0, 0)：红色 (0, 0, 1)：蓝色 (0, 1, 0)：绿色 (1, 1, 0)：黄色 (1, 0.5, 0)：橙色 (0.5, 0, 0.5)：紫色 (0.6, 0.4, 0.2)：棕色 (0.5, 0.5, 0.5)：灰色 (0, 0, 0)：黑色 (1, 1, 1)：白色 十六进制颜色码： '#FF0000'：红色 '#0000FF'：蓝色 '#00FF00'：绿色 '#FFFF00'：黄色 '#FFA500'：橙色 '#800080'：紫色 '#996633'：棕色 '#808080'：灰色 '#000000'：黑色 '#FFFFFF'：白色 可以根据需要选择合适的颜色来设置图形的外观。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38

（2）线型设置：

linestyle属性用于设置线条的样式，可以通过以下属性值来设置线条的样式： 实线样式： '-'：实线 'solid'：实线 虚线样式： '--'：破折线 'dashed'：破折线 点线样式： ':'：点线 'dotted'：点线 点划线样式： '-.'：点划线 'dashdot'：点划线 除了上述属性值外，还可以使用自定义的线型设置，例如使用一个由线段长度和间隔长度组成的元组来表示虚线的样式，如(10, 5)表示线段长度为10，间隔长度为5的虚线。 示例代码： import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] plt.plot(x, y, linestyle='-', color='blue') # 使用实线样式 plt.plot(x, y, linestyle='--', color='red') # 使用虚线样式 plt.plot(x, y, linestyle=':', color='green') # 使用点线样式 plt.plot(x, y, linestyle='-.', color='purple') # 使用点划线样式 plt.plot(x, y, linestyle=(10, 5), color='orange') # 使用自定义虚线样式 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27

（3）标记设置：

marker属性用于设置数据点的标记样式，可以通过以下属性值来设置标记的样式： 点样式： '.'：小圆点 'o'：实心圆点 'v'：下三角形 '^'：上三角形 '<'：左三角形 '>'：右三角形 '1'：下指针 '2'：上指针 '3'：左指针 '4'：右指针 's'：正方形 'p'：五边形 '*'：星形 'h'：六边形1 'H'：六边形2 '+'：加号 'x'：叉号 'D'：菱形 'd'：瘦菱形 '|'：垂直线 '_'：水平线 自定义标记样式： 使用元组 (marker, size) 来自定义标记样式，其中 marker 表示标记的形状，size 表示标记的大小。 示例代码： import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] plt.plot(x, y, marker='.', linestyle='-', color='blue') # 使用小圆点作为标记 plt.plot(x, y, marker='o', linestyle='-', color='red') # 使用实心圆点作为标记 plt.plot(x, y, marker='v', linestyle='-', color='green') # 使用下三角形作为标记 plt.plot(x, y, marker='^', linestyle='-', color='purple') # 使用上三角形作为标记 plt.plot(x, y, marker='s', linestyle='-', color='orange') # 使用正方形作为标记 plt.plot(x, y, marker=('D', 8), linestyle='-', color='black') # 使用自定义标记样式 plt.show() 运行上述代码将会绘制出不同样式的标记点。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38

（4）文本设置：

文本设置属性用于设置文本的样式和属性，可以通过以下属性来设置文本的样式： fontfamily：设置文本的字体族（如 'serif'、'sans-serif'、'cursive'、'fantasy'、'monospace'等）。 fontsize：设置文本的字体大小（如 'large'、'x-large'、'smaller'、'larger'等）。 fontweight：设置文本的字体粗细（如 'normal'、'bold'、'light'、'heavy'等）。 fontstyle：设置文本的字体风格（如 'normal'、'italic'、'oblique'等）。 color：设置文本的颜色（如 'red'、'blue'、'green'等）。 backgroundcolor：设置文本的背景颜色（如 'yellow'、'lightblue'、'pink'等）。 horizontalalignment：设置文本的水平对齐方式（如 'left'、'center'、'right'等）。 verticalalignment：设置文本的垂直对齐方式（如 'top'、'center'、'bottom'等）。 rotation：设置文本的旋转角度。 bbox：设置文本的边框样式和属性（如边框颜色、边框粗细等）。 示例代码： import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] plt.plot(x, y) plt.text(2, 10, 'Sample Text', fontfamily='serif', fontsize='x-large', fontweight='bold', fontstyle='italic', color='red', backgroundcolor='yellow', horizontalalignment='center', verticalalignment='center', rotation=45, bbox=dict(facecolor='lightblue', edgecolor='blue', linewidth=2)) plt.show() 运行上述代码将会绘制出一条曲线和一个带有样式设置的文本。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

（5）图例设置：

图例设置属性用于设置图例的样式和属性，可以通过以下属性来设置图例的样式： loc：设置图例的位置（如 'upper right'、'lower left'、'center'等）。 bbox_to_anchor：设置图例的位置，以坐标轴为参考点进行设置。 title：设置图例的标题。 fontsize：设置图例的字体大小。 frameon：设置图例是否显示边框。 framealpha：设置图例边框的透明度。 ncol：设置图例的列数。 markerscale：设置图例标记的缩放比例。 title_fontsize：设置图例标题的字体大小。 shadow：设置图例是否显示阴影。 示例代码： import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y1 = [1, 4, 9, 16, 25] y2 = [1, 2, 3, 4, 5] plt.plot(x, y1, label='Line 1') plt.plot(x, y2, label='Line 2') plt.legend(loc='upper right', title='Legend', fontsize='large', frameon=True, framealpha=0.8, ncol=2, markerscale=1.5, title_fontsize='x-large', shadow=True) plt.show() 运行上述代码将会绘制出两条曲线和一个带有样式设置的图例。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

（6）坐标轴设置：

坐标轴设置属性用于设置坐标轴的样式和属性，可以通过以下属性来设置坐标轴的样式： xlabel：设置 x 轴的标签。 ylabel：设置 y 轴的标签。 xlim：设置 x 轴的显示范围。 ylim：设置 y 轴的显示范围。 xticks：设置 x 轴的刻度值。 yticks：设置 y 轴的刻度值。 xscale：设置 x 轴的刻度缩放（如 'linear'、'log'、'symlog'等）。 yscale：设置 y 轴的刻度缩放（如 'linear'、'log'、'symlog'等）。 grid：设置是否显示坐标轴网格线。 gridcolor：设置坐标轴网格线的颜色。 gridlinestyle：设置坐标轴网格线的样式。 gridlinewidth：设置坐标轴网格线的宽度。 tick_params：设置刻度线的样式和属性（如刻度线的长度、宽度、颜色等）。 示例代码： import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] plt.plot(x, y) plt.xlabel('X-axis', fontsize='large') plt.ylabel('Y-axis', fontsize='large') plt.xlim(0, 6) plt.ylim(0, 30) plt.xticks([1, 2, 3, 4, 5], ['A', 'B', 'C', 'D', 'E'], rotation=45) plt.yticks([0, 10, 20, 30], ['0', '10', '20', '30']) plt.xscale('linear') plt.yscale('linear') plt.grid(True, color='gray', linestyle='--', linewidth=0.5) plt.tick_params(axis='both', which='both', length=5, width=1, color='black') plt.show() 运行上述代码将会绘制出一条曲线，并设置了坐标轴的样式和属性。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32

二、matplotlib实战

1、折线图的实现

简介：

折线图（Line plot）是一种用于展示数据随着时间、顺序或其他连续变量的变化趋势的图表。它通过连接数据点的线段来显示数据的变化情况，可以帮助我们观察和分析数据的趋势、周期性和关联性。 折线图的主要特点和作用如下： 变化趋势观察：折线图可以显示数据随时间或其他连续变量的变化趋势，帮助我们观察和分析数据的增长、下降、波动等情况。 周期性分析：对于具有周期性的数据，折线图可以清晰地展示数据的周期性变化，如季节性变化、周期性波动等。 关联性分析：当有多组相关数据时，可以通过绘制多条折线来比较它们之间的关联性和趋势，从而观察它们的相似性或差异性。 异常值检测：折线图可以帮助我们发现数据中的异常值，即与其他数据点相比较为异常的数值。 数据预测和预测模型评估：通过观察折线图的趋势，我们可以对未来的数据进行预测，并评估预测模型的准确性和可靠性。 数据可视化：折线图是一种直观、简洁的方式来展示数据的变化趋势，可以用于报告、演示和与他人分享数据。 折线图通常在时间序列分析、趋势分析、市场分析、科学实验等领域广泛应用。通过观察和分析折线图，我们可以更好地理解数据的变化情况，进而做出更准确的决策和预测。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

（1）简单折线图（基本每行代码都有注解，大家可以参考，实现方式多种多样）

import matplotlib.pyplot as plt import numpy as np # x,y轴的数据生成 x = np.linspace(0, 10, 100) y = np.sin(x) # 创建图形和坐标轴(plt.figure(figsize=(12, 4)),设置了图形的大小为宽度为12英寸，高度为4英寸) fig, ax = plt.subplots(figsize=(12, 4)) # 绘制曲线，设置y轴标签和曲线颜色 ax.plot(x, y, label='sin(x)',color='red') # 添加标题和标签 ax.set_title('Sine Wave') ax.set_xlabel('x') ax.set_ylabel('sin(x)') # 添加图例 ax.legend() # 保存图形 plt.savefig('line_plot.png') # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

结果如下所示：

（2）多条折线图

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体 plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题 fig, ax = plt.subplots(figsize=(12, 4),dpi=80) x = ['第一季度','第二季度','第三季度','第四季度'] y1 = [288,197,456,210] y2 = [110,256,376,121] y3 = [260,356,277,300] plt.plot(x, y1, label = 'Line1',marker='o') plt.plot(x, y2, label = 'Line2', marker='*') plt.plot(x, y3, label = 'Line3',marker='^') plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

结果如下：

（3）循环实现多条折线图

import matplotlib.pyplot as plt # 定义数据 x = [1, 2, 3, 4, 5] y_list = [[1, 4, 9, 16, 25], [1, 2, 3, 4, 5], [5, 4, 3, 2, 1]] y_marker = ['*','o','^'] # 创建画布 plt.figure(figsize=(8, 4), dpi=100) # 循环绘制每一条折线图 for i in range(len(y_list)): plt.plot(x, y_list[i],marker=y_marker[i]) # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

结果如下：

（4）实现不连续的折线图

import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] plt.plot(x, y, linestyle='--') plt.show()

• 1
• 2
• 3
• 4
• 5

结果如下：

（5）区域填充的折线图

import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] plt.plot(x, y) plt.fill_between(x, y, color='gray', alpha=0.5) plt.show()

• 1
• 2
• 3
• 4
• 5
• 6

结果如下：

#绘制折线图 import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体 plt.rcParams["axes.unicode_minus"]=False #正常显示负号 year = [2017, 2018, 2019, 2020] people = [20, 40, 60, 70] #生成图表 plt.plot(year, people) plt.xlabel('年份') plt.ylabel('人口') plt.title('人口增长') #设置纵坐标刻度 plt.yticks([0, 20, 40, 60, 80]) #设置填充选项：参数分别对应横坐标，纵坐标，纵坐标填充起始值，填充颜色 plt.fill_between(year, people, 20, color = 'green') #显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

结果如下：

到这里折线图的介绍基本结束，大家可以根据不同属性进行不同折线图的实现。

2、柱状图的实现

简介：

柱状图（Bar chart）是一种用于展示不同类别或组之间数量或频率比较的图表。它通过绘制垂直或水平的矩形柱来表示数据，柱的高度表示数据的大小，可以帮助我们直观地比较不同类别或组之间的差异。 柱状图的主要特点和作用如下： 数据比较：柱状图可以清晰地显示不同类别或组之间的数量或频率差异，帮助我们比较和分析数据的大小、趋势和关系。 类别分布观察：通过柱状图，我们可以观察和分析不同类别或组的数据分布情况，了解每个类别或组的相对大小和比例。 异常值检测：柱状图可以帮助我们发现数据中的异常值，即与其他类别或组相比较为异常的数值。 排序和排序比较：通过对柱状图进行排序，我们可以更好地理解数据的排序情况，并比较不同类别或组之间的排序差异。 数据可视化：柱状图是一种直观、简洁的方式来展示数据的比较和分布情况，可以用于报告、演示和与他人分享数据。 柱状图常用于市场调研、销售分析、统计报告、民意调查等领域。通过观察和分析柱状图，我们可以更好地理解数据的差异和趋势，有助于做出更准确的决策和预测。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

（1）简单柱状图

import matplotlib.pyplot as plt x = ['A', 'B', 'C', 'D'] y = [10, 15, 7, 12] plt.bar(x, y) plt.xlabel('X轴') plt.ylabel('Y轴') plt.title('基本柱状图') plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 0.准备数据 # 电影名字 movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它'] # 横坐标 x = range(len(movie_name)) # 票房数据 y = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222] # 1.创建画布 plt.figure(figsize=(20, 8), dpi=100) # 2.绘制柱状图 plt.bar(x, y, width=0.5, color=['b','r','g','y','c','m','y','k','c','g','b']) # 2.1b修改x轴的刻度显示 plt.xticks(x, movie_name) # 2.2 添加网格显示 plt.grid(linestyle="--", alpha=0.5) # 2.3 添加标题 plt.title("电影票房收入对比") # 3.显示图像 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

（2）多个柱状图

import numpy as np import matplotlib.pyplot as plt x = ['A', 'B', 'C', 'D'] y1 = [10, 15, 7, 12] y2 = [8, 11, 9, 14] width = 0.35 x_indexes = np.arange(len(x)) plt.bar(x_indexes - width/2, y1, width=width, label='柱状图1') plt.bar(x_indexes + width/2, y2, width=width, label='柱状图2') plt.xlabel('X轴') plt.ylabel('Y轴') plt.title('多个柱状图') plt.xticks(x_indexes, x) plt.legend() plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15

（3）堆叠柱状图：

import numpy as np import matplotlib.pyplot as plt x = ['A', 'B', 'C', 'D'] y1 = [10, 15, 7, 12] y2 = [8, 11, 9, 14] x_indexes = np.arange(len(x)) plt.bar(x_indexes, y1, label='柱状图1') plt.bar(x_indexes, y2, bottom=y1, label='柱状图2') plt.xlabel('X轴') plt.ylabel('Y轴') plt.title('堆叠柱状图') plt.xticks(x_indexes, x) plt.legend() plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

（4）水平柱状图：

import matplotlib.pyplot as plt y = ['A', 'B', 'C', 'D'] x = [10, 15, 7, 12] plt.barh(y, x) plt.xlabel('X轴') plt.ylabel('Y轴') plt.title('水平柱状图') plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

（5）带误差线的柱状图：

import matplotlib.pyplot as plt import numpy as np # 柱形图误差线 # 1. 生成数据 np.random.seed(20230811) x = np.arange(10) y = np.random.randint(20, 100, 10) yerr = np.random.randint(3, 10, 10) # 2. 创建画布 fig = plt.figure(figsize=(6, 4), dpi=100) ax = fig.add_subplot(111) # 3. 绘制柱形图 ax.bar(x, y, width=0.5, color='C0', yerr=yerr, capsize=5) # 4. 设置样式 ax.grid(axis='y', linestyle='--') ax.set_axisbelow(True) ax.spines[['right', 'top']].set_color('C7') plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

3、饼状图的实现

简介：

饼图（Pie chart）是一种用于展示不同类别或组之间数量或比例关系的图表。它通过绘制一个圆形，将圆形划分为不同扇形区域，每个扇形区域的角度大小表示该类别或组的比例或百分比。 饼图的主要特点和作用如下： 比例展示：饼图可以直观地展示不同类别或组之间的比例关系，通过扇形区域的大小来表示每个类别或组的占比。 百分比分布观察：通过饼图，我们可以观察和分析不同类别或组的百分比分布情况，了解每个类别或组的相对大小和比例。 类别占比比较：饼图可以帮助我们比较不同类别或组之间的占比差异，从而更好地理解数据的分布情况。 强调重点：通过调整饼图中某个扇形区域的大小，可以突出某个类别或组的重要性或特殊性。 数据可视化：饼图是一种直观、简洁的方式来展示数据的比例和分布情况，可以用于报告、演示和与他人分享数据。 饼图常用于市场份额分析、调查结果展示、资源分配比例等领域。通过观察和分析饼图，我们可以更好地理解数据的比例关系，有助于做出更准确的决策和预测。需要注意的是，饼图适用于展示相对比例或百分比的数据，不适合展示大量类别或组之间的细节差异。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

（1）基础实心饼状图

import matplotlib.pyplot as plt plt.figure(figsize=(6,3), dpi=100) labels = ['A', 'B', 'C', 'D'] sizes = [15, 30, 45, 10] plt.pie(sizes, labels=labels, shadow=True) plt.axis('equal') plt.legend() plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

（2）加强版实心饼状图

import matplotlib.pyplot as plt # 设置字体以便支持中文 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 设置图片大小和分辨率 plt.figure(figsize=(6,3), dpi=100) labels = ['A', 'B', 'C', 'D'] sizes = [15, 30, 45, 10] #突出显示某一块 explode = (0, 0.1, 0, 0) #设置颜色 colors = ['red', 'green', 'blue', 'yellow'] # autopct='%1.1f%%', shadow=True:显示占比和图形阴影 plt.pie(sizes, labels=labels,explode=explode , colors=colors,autopct='%1.1f%%', shadow=True) #axis 是一个用于控制图形坐标轴显示和范围的重要属性： plt.axis('equal') plt.title('占比图') plt.legend() plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20

（3）加强版环状饼状图

import matplotlib as mpl import matplotlib.pyplot as plt # 配置字体，显示中文 mpl.rcParams['font.sans-serif'] = ['SimHei'] # 配置坐标轴刻度值模式，显示负号 mpl.rcParams['axes.unicode_minus'] = False # 定义数据 elements = ['面粉', '砂糖', '牛奶', '草莓酱', '坚果'] weight1 = [40, 15, 20, 10, 15] cs = ['red', 'orange', 'yellow', 'green', 'cyan'] # 对数据进行排序 x = list(zip(elements, weight1, cs)) x.sort(key=lambda e: e[1], reverse=True) [elements, weight1, cs] = list(zip(*x)) outer_cs = cs inner_cs = cs # 初始化图表区 fig = plt.figure(figsize=(12, 8),facecolor='cornsilk') # 绘制外层圆环 wedges1, texts1, autotexts1 = plt.pie(x=weight1, autopct='%3.1f%%', radius=1, pctdistance=0.85, startangle=90, counterclock=False, colors=outer_cs, # 锲形块边界属性字典 wedgeprops={'edgecolor': 'white', 'linewidth': 1, 'linestyle': '-' }, # 锲形块标签文本和数据标注文本的字体属性 textprops=dict(color='k', # 字体颜色 fontsize=14, family='Arial' ) ) # 绘制中心空白区域 plt.pie(x=[1], radius=0.6, colors=[fig.get_facecolor()] ) # 设置图例 plt.legend(handles=wedges1, loc='best', labels=elements, title='配料表', facecolor = fig.get_facecolor(), # 图例框的填充颜色 edgecolor='darkgray', fontsize=12 ) plt.title(label='果酱面包的配料表占比', color='blue', size=15, weight='bold' );

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55

（4）加强版环中环状饼状图

# 配置字体，显示中文 mpl.rcParams['font.sans-serif'] = ['SimHei'] # 配置坐标轴刻度值模式，显示负号 mpl.rcParams['axes.unicode_minus'] = False # 定义数据 elements = ['面粉', '砂糖', '牛奶', '草莓酱', '坚果'] weight1 = [40, 15, 20, 10, 15] weight2 = [30, 25, 15, 20, 10] cs = ['red', 'orange', 'yellow', 'green', 'cyan'] # 对数据进行排序 x = list(zip(elements, weight1, weight2, cs)) x.sort(key=lambda e: e[1], reverse=True) [elements, weight1, weight2, cs] = list(zip(*x)) # 初始化图表区 fig = plt.figure(figsize=(12, 8), facecolor='cornsilk' ) # 绘制外层圆环 wedges1, texts1, autotexts1 = plt.pie(x=weight1, autopct='%3.1f%%', radius=1, pctdistance=0.85, startangle=90, counterclock=False, colors=cs, # 锲形块边界属性字典 wedgeprops={'edgecolor': 'white', 'linewidth': 1, 'linestyle': '-' }, # 锲形块标签文本和数据标注文本的字体属性 textprops=dict(color='k', # 字体颜色 fontsize=14, family='Arial' )) # 绘制内层圆环 wedges2, texts2, autotexts2 = plt.pie(x=weight2, autopct='%3.1f%%', radius=0.7, pctdistance=0.75, startangle=90, counterclock=False, colors=inner_cs, # 锲形块边界属性字典 wedgeprops={'edgecolor': 'white', 'linewidth': 1, 'linestyle': '-' }, # 锲形块标签文本和数据标注文本的字体属性 textprops=dict(color='k', # 字体颜色 fontsize=14, family='Arial' )) # 绘制中心空白区域 plt.pie(x=[1], radius=0.4, colors=[fig.get_facecolor()] ) # 设置图例 plt.legend(handles=wedges1, loc='best', labels=elements, title='配料表', facecolor = fig.get_facecolor(), # 图例框的填充颜色 edgecolor='darkgray', fontsize=12 ) plt.title(label='不同果酱面包的配料表比较', color='blue', size=15, weight='bold' );

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76

（5）综合饼状图

from matplotlib import font_manager as fm from matplotlib import cm import pandas as pd shapes = ['Cross', 'Cone', 'Egg', 'Teardrop', 'Chevron', 'Diamond', 'Cylinder', 'Rectangle', 'Flash', 'Cigar', 'Changing', 'Formation', 'Oval', 'Disk', 'Sphere', 'Fireball', 'Triangle', 'Circle', 'Light'] values = [ 287, 383, 842, 866, 1187, 1405, 1495, 1620, 1717, 2313, 2378, 3070, 4332, 5841, 6482, 7785, 9358, 9818, 20254] s = pd.Series(values, index=shapes) labels = s.index sizes = s.values explode = (0.1,0,0,0,0,0,0,0,0,0,0,0,0,0.2,0,0,0,0.1,0) # "explode" ， show the selected slice fig, axes = plt.subplots(figsize=(8,5),ncols=2,dpi=100) # 设置绘图区域大小 ax1, ax2 = axes.ravel() colors = cm.rainbow(np.arange(len(sizes))/len(sizes)) # colormaps: Paired, autumn, rainbow, gray,spring,Darks patches, texts, autotexts = ax1.pie(sizes, labels=labels, autopct='%1.0f%%',explode=explode, shadow=False, startangle=170, colors=colors, labeldistance=1.2,pctdistance=1.03, radius=0.4) # labeldistance: 控制labels显示的位置 # pctdistance: 控制百分比显示的位置 # radius: 控制切片突出的距离 ax1.axis('equal') # 重新设置字体大小 proptease = fm.FontProperties() proptease.set_size('xx-small') # font size include: ‘xx-small’,x-small’,'small’,'medium’,‘large’,‘x-large’,‘xx-large’ or number, e.g. '12' plt.setp(autotexts, fontproperties=proptease) plt.setp(texts, fontproperties=proptease) ax1.set_title('Shapes', loc='center') # ax2 只显示图例（legend） ax2.axis('off') ax2.legend(patches, labels, loc='center left') plt.tight_layout() # plt.savefig("pie_shape_ufo.png", bbox_inches='tight') plt.savefig('Demo_project_final.jpg') plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35

4、箱型图的实现

简介：https://www.yingsoo.com/news/devops/44361.html

箱型图（Boxplot）是一种用于可视化数据分布和离群值的统计图表。它展示了数据的中位数、四分位数、上下边界和离群值，可以帮助我们了解数据的集中趋势、离散程度和异常值情况。 箱型图的主要组成部分如下： 箱体（Box）：由数据的四分位数（上四分位数和下四分位数）组成，箱体的长度表示数据的离散程度。 中位数线（Median）：表示数据的中位数，即将数据从小到大排列后的中间值。 上边界（Upper Whisker）和下边界（Lower Whisker）：表示数据的上四分位数和下四分位数之外的边界值。 离群值（Outliers）：超过上边界和下边界的数据点，被认为是异常值。 箱型图的作用包括： 数据分布观察：箱型图可以帮助我们了解数据的分布情况，包括数据的中位数、四分位数、离散程度等。 离群值检测：箱型图可以帮助我们识别数据中的离群值，即与其他数据点相比较为异常的数值。 数据比较：通过绘制不同组数据的箱型图，可以直观地比较它们的中位数、四分位数和离散程度，从而了解它们之间的差异。 数据可视化：箱型图是一种简洁而有效的方式来展示数据的统计特征，可以用于报告和演示。 通过观察箱型图，我们可以获得关于数据集的重要信息，从而更好地理解和分析数据。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

（1）简单箱型图

import matplotlib.pyplot as plt import numpy as np data1 = np.random.randn(100) data2 = np.random.randn(100) data3 = np.random.randn(100) data = [data1, data2, data3] labels = ['Group 1', 'Group 2', 'Group 3'] colors = [1, 0, 0.5] plt.boxplot(data, labels=labels, vert=True, patch_artist=True, boxprops=dict(facecolor=colors)) plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

（2）小提琴版箱型图

import matplotlib.pyplot as plt import numpy as np import matplotlib """ font:设置中文 unicode_minus:显示负号 """ matplotlib.rcParams['font.family'] = ['Heiti TC'] matplotlib.rcParams['axes.unicode_minus']=False # 正常显示负号 """ 设置随机数生成器的种子,使每次生成的随机数相同方便后续的复现 """ np.random.seed(19900108) """ 生成随机数data numpy.random.normal()函数来创建一组基于正态分布的随机数据，该函数有三个参数，分别是正态分布的平均值、标准差以及期望值的数量 """ data = np.random.normal(70, 40, 1000) fig,axes=plt.subplots(1,2,figsize=(16,9)) #绘制箱型图 axes[0].boxplot(data) axes[0].set_title("箱型图") #绘制小提琴图 axes[1].violinplot(data,showmeans=True, showmedians=True) axes[1].set_title("小提琴图") plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27

（3）不同形状箱型图

import matplotlib.pyplot as plt import numpy as np # 生成随机数据 np.random.seed(0) data = np.random.randn(100) # 绘制带有缺口的箱线图 plt.boxplot(data, notch=True) # 添加标签和标题 plt.xlabel('Data') plt.ylabel('Values') plt.title('Box Plot with Notch') # 显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

import matplotlib.pyplot as plt import numpy as np # 生成随机数据 np.random.seed(0) data = np.random.randn(100) outliers = [2.5, -3.8, 3.2] # 自定义异常值 # 绘制箱线图并自定义异常值样式 plt.boxplot(data, flierprops={'marker': 'x', 'markerfacecolor': 'red', 'markersize': 8, 'linestyle': 'none'}, notch=True, showfliers=True) # 添加自定义异常值 plt.scatter(np.full(len(outliers), 1), outliers, marker='x', color='red') # 添加标签和标题 plt.xlabel('Data') plt.ylabel('Values') plt.title('Box Plot with Custom Outliers') # 显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

import matplotlib.pyplot as plt import numpy as np # 生成随机数据 np.random.seed(0) data = np.random.randn(100) # 绘制箱线图并自定义箱子样式 plt.boxplot(data, boxprops={'color': 'green', 'linewidth': 2, 'linestyle': '--'}, notch=True, showfliers=True) # 添加标签和标题 plt.xlabel('Data') plt.ylabel('Values') plt.title('Box Plot with Custom Box Style') # 显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

5、热力图的实现

简介：

热力图（Heatmap）是一种二维图表，通过使用颜色编码来表示数据的矩阵或表格中的值。热力图通常使用渐变色来展示数据的相对大小，较小的值使用较浅的颜色，较大的值使用较深的颜色。热力图可以直观地显示数据的分布和模式，帮助我们发现数据中的关联性和规律。 热力图的作用主要有以下几个方面： 可视化数据分布：热力图可以将数据的分布以直观的方式展示出来。通过观察颜色的变化，我们可以快速了解数据的整体分布情况，包括数据的集中程度、离散程度和梯度变化。 发现关联性和规律：热力图可以帮助我们发现数据中的关联性和规律。通过对比不同数据点之间的颜色差异，我们可以判断数据之间的相关性和趋势。例如，在生物学研究中，热力图可以用于显示基因表达水平的相关性。 强调重要信息：热力图可以突出显示数据中的重要信息。通过调整颜色映射和颜色条的设置，我们可以将感兴趣的数据区域或特定数值范围的数据突出显示，从而更加准确地传达数据的含义。 可视化矩阵数据：热力图特别适用于可视化矩阵或表格数据。通过将矩阵数据映射到热力图的颜色空间，我们可以更好地理解数据的结构和模式。 总之，热力图是一种直观、有效的数据可视化工具，可以帮助我们理解数据的分布、发现关联性和规律，并突出显示重要信息。它在各个领域的数据分析、探索和展示中都有广泛的应用。

• 1
• 2
• 3
• 4
• 5
• 6
• 7

（1）简单热力图

import matplotlib.pyplot as plt import numpy as np plt.figure(figsize=(10,6), dpi=100) vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat", "barley"] farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening", "Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."] harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0], [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0], [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0], [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0], [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0], [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1], [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]]) plt.xticks(np.arange(len(farmers)), labels=farmers, rotation=45, rotation_mode="anchor", ha="right") plt.yticks(np.arange(len(vegetables)), labels=vegetables) plt.title("Harvest of local farmers (in tons/year)") for i in range(len(vegetables)): for j in range(len(farmers)): text = plt.text(j, i, harvest[i, j], ha="center", va="center", color="w") plt.imshow(harvest) plt.colorbar() plt.tight_layout() plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25

（2）热力图

from matplotlib import pyplot as plt import numpy as np def draw(): # 定义热图的横纵坐标 xLabel = ['0.1', '0.3', '0.5', '0.7', '0.9', '1'] yLabel = ['0.001', '0.01', '0.1', '1'] # 准备数据阶段 data = np.array([[0.9095, 0.9187, 0.9205, 0.9264, 0.9261, 0.9127], [0.9130, 0.9106, 0.9240, 0.9322, 0.9285, 0.9138], [0.8857, 0.8851, 0.8880, 0.8936, 0.8867, 0.9147], [0.9181, 0.9217, 0.9308, 0.9355, 0.9377, 0.9104]]) # 作图阶段 fig, ax = plt.subplots(figsize=(10,6), dpi=100) # 定义横纵坐标的刻度 ax.set_yticks(range(len(yLabel))) ax.set_yticklabels(yLabel) ax.set_xticks(range(len(xLabel))) ax.set_xticklabels(xLabel) # 作图并选择热图的颜色填充风格，这里选择yLGn im = ax.imshow(data, cmap="YlGn") # 增加右侧的颜色刻度条 plt.colorbar(im) # 填充数字 for i in range(len(yLabel)): for j in range(len(xLabel)): #print('data[{},{}]:{}'.format(i, j, data[i, j])) ax.text(j, i, data[i, j], ha="center", va="center", color="black") # 增加标题 plt.title("AUC values", fontdict={'size': 16}) plt.xlabel(r'$\beta$', fontdict={'size': 16}) plt.ylabel(r'$\gamma$', rotation=0, fontdict={'size': 16}) # show fig.tight_layout() plt.show() d = draw()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37

6、直方图的实现

简介：

直方图（Histogram）是一种用于展示数据分布的统计图表。它将数据划分为若干个等宽的区间（也称为“箱子”或“柱子”），并统计每个区间内数据的频数或频率。直方图通过绘制矩形条来表示每个区间内数据的数量或频率，矩形条的高度表示数据的频数或频率。 直方图的作用主要有以下几个方面： 描述数据分布：直方图可以直观地展示数据的分布情况。通过观察直方图的形状、峰度和偏态，我们可以了解数据的中心趋势、离散程度和数据的偏向性。 检测数据异常和离群值：直方图可以帮助我们检测数据中的异常值和离群值。异常值是指与其他观测值明显不同的极端数值。在直方图中，异常值通常表现为与其他柱子明显不同高度的柱子。 比较不同组的数据：通过将多个直方图放在一起，我们可以直观地比较不同组的数据分布情况。这对于探索不同类别或组之间的差异非常有用。 确定数据分布的特征：直方图可以帮助我们确定数据的分布特征，例如是否符合正态分布、是否存在多峰分布等。这对于选择适当的统计方法和模型具有重要意义。 数据预处理：直方图可以帮助我们进行数据预处理，例如确定数据的分箱方式、选择合适的数据转换方法等。 总之，直方图是一种简单而常用的数据可视化工具，可以帮助我们了解数据的分布特征、检测异常值和离群值，并进行数据比较和预处理。它在数据分析、探索和展示中被广泛应用。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

（1）基础直方图

import matplotlib.pyplot as plt import numpy as np # 准备数据 data = np.random.randn(1000) # 绘制直方图 plt.hist(data) # 添加标签和标题 plt.xlabel('Value') plt.ylabel('Frequency') plt.title('Histogram') # 显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

（2）一图多形

import matplotlib.pyplot as plt import numpy as np # 生成随机数据 np.random.seed(0) data1 = np.random.normal(0, 1, 1000) data2 = np.random.normal(2, 1, 800) data3 = np.random.normal(-2, 1, 1200) # 绘制直方图 plt.hist(data1, bins=30, alpha=0.5, label='Data 1') plt.hist(data2, bins=30, alpha=0.5, label='Data 2') plt.hist(data3, bins=30, alpha=0.5, label='Data 3') # 添加标签和标题 plt.xlabel('Value') plt.ylabel('Frequency') plt.title('Histogram Comparison') # 添加图例 plt.legend() # 显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

（3）升级1

import matplotlib.pyplot as plt import numpy as np # 生成随机数据 np.random.seed(0) data = np.random.randn(1000) # 绘制直方图 plt.hist(data, bins=30, color='skyblue', edgecolor='black') # 添加标签和标题 plt.xlabel('Value') plt.ylabel('Frequency') plt.title('Histogram') # 显示图表 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

（4）升级2

import numpy as np import matplotlib.pyplot as plt n_bins = 10 x = np.random.randn(1000, 3) fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(11,8)) #subplots创建多个子图 ax0=axes[0,0] ax1=axes[0,1] ax2=axes[1,0] ax3=axes[1,1] colors = ['red', 'tan', 'lime'] ax0.hist(x, n_bins, density=True, histtype='bar', color=colors, label=colors) ax0.legend(prop={'size': 8}) ax0.set_title('bars with legend') ax1.hist(x, n_bins, density=True, histtype='bar', stacked=True) ax1.set_title('stacked bar') ax2.hist(x, n_bins, histtype='step', stacked=True) ax2.set_title('stack step (unfilled)') x_multi = [np.random.randn(n) for n in [10000, 5000, 2000]] ax3.hist(x_multi, n_bins, histtype='bar') ax3.set_title('different sample sizes') fig.tight_layout() #自动调整子图参数 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

7、3D线框图的实现

简介：

3D线框图（3D Wireframe Plot）是一种用于可视化三维数据的图表。它通过绘制三维空间中的线段来表示数据的分布和形状。3D线框图通常由一系列连接的线段组成，这些线段连接了数据点或数据的边界。 3D线框图的作用主要有以下几个方面： 展示数据的形状和结构：3D线框图可以直观地展示数据的形状和结构。通过观察线段的分布和连接方式，我们可以了解数据在三维空间中的分布和形态。 比较不同组的数据：通过将多个3D线框图放在一起，我们可以比较不同组数据的形状和结构。这对于探索不同类别或组之间的差异非常有用。 可视化复杂关系：3D线框图可以用于可视化复杂的关系和模式。通过绘制多个线段和连接点，我们可以展示数据中的复杂关系，例如多个变量之间的相互作用。 辅助数据分析和决策：3D线框图可以帮助我们进行数据分析和决策。通过观察线段的长度、角度和形状，我们可以得到关于数据的直观感受，并从中提取有用的信息。 艺术和设计应用：3D线框图在艺术和设计领域也有广泛的应用。它可以用于创造具有立体感和空间感的图像和模型，为艺术作品和设计方案增添视觉效果。 总之，3D线框图是一种用于可视化三维数据的图表，可以展示数据的形状和结构，比较不同组的数据，可视化复杂关系，并辅助数据分析和决策。它在数据分析、科学研究、艺术和设计等领域都有广泛的应用。

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

（1）3D线框图

import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import numpy as np # 生成数据 x = np.linspace(-5, 5, 50) # x轴坐标 y = np.linspace(-5, 5, 50) # y轴坐标 X, Y = np.meshgrid(x, y) Z = np.sin(np.sqrt(X**2 + Y**2)) # z轴坐标，这里使用sin函数生成一个曲面 # 创建一个三维坐标系 fig = plt.figure(figsize=(10,6), dpi=100) ax = fig.add_subplot(111, projection='3d') # 绘制线框图 ax.plot_wireframe(X, Y, Z) # 设置坐标轴标签 ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

（2）3D散点图

import matplotlib.pyplot as plt import numpy as np # 数据准备 x = np.random.rand(100) # x轴数据 y = np.random.rand(100) # y轴数据 z = np.random.rand(100) # z轴数据 colors = np.random.rand(100) # 颜色数据 # 创建3D图形对象 fig = plt.figure(figsize=(10,6), dpi=100) ax = fig.add_subplot(111, projection='3d') # 绘制3D散点图 ax.scatter(x, y, z, c=colors, cmap='viridis', marker='o') # 设置坐标轴标签 ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

（3）3D条形图

import matplotlib.pyplot as plt import numpy as np # 数据准备 x = np.arange(3) # x轴位置 y = np.arange(3) # y轴位置 x_mesh, y_mesh = np.meshgrid(x, y) # 创建网格 z = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 条形的高度 # 创建3D图形对象 fig = plt.figure(figsize=(10,6), dpi=100) ax = fig.add_subplot(111, projection='3d') # 绘制3D条形图 ax.bar3d(x_mesh.flatten(), y_mesh.flatten(), np.zeros_like(z).flatten(), 0.5, 0.5, z.flatten()) # 设置坐标轴标签 ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

（4）3D曲面图

import matplotlib.pyplot as plt import numpy as np # 数据准备 x = np.linspace(-5, 5, 100) # x轴数据范围 y = np.linspace(-5, 5, 100) # y轴数据范围 x_mesh, y_mesh = np.meshgrid(x, y) # 创建网格 z = np.sin(np.sqrt(x_mesh**2 + y_mesh**2)) # 曲面高度 # 创建3D图形对象 fig = plt.figure(figsize=(10,6), dpi=100) ax = fig.add_subplot(111, projection='3d') # 绘制3D曲面图 ax.plot_surface(x_mesh, y_mesh, z, cmap='viridis') # 设置坐标轴标签 ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

（5）3D等高线图

import matplotlib.pyplot as plt import numpy as np # 数据准备 x = np.linspace(-5, 5, 100) # x轴数据范围 y = np.linspace(-5, 5, 100) # y轴数据范围 x_mesh, y_mesh = np.meshgrid(x, y) # 创建网格 z = np.sin(np.sqrt(x_mesh**2 + y_mesh**2)) # 曲面高度 # 创建3D图形对象 fig = plt.figure(figsize=(10,6), dpi=100) ax = fig.add_subplot(111, projection='3d') # 绘制3D等高线图 ax.contour3D(x_mesh, y_mesh, z, 50, cmap='viridis') # 设置坐标轴标签 ax.set_xlabel('X') ax.set_ylabel('Y') ax.set_zlabel('Z') # 显示图形 plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

以上就是matplotlib的一些简单用法，大家可以参考一下，因为实现方法和实现的图形类型多种多样，这里列举远远不够，简单供大家参考！