Python 绘图，我只用 Matplotlib

原文链接： https://none.h5.xeknow.com/st/6eBEcKgSr

散点图

散点图显示两组数据的值，如图1-1所示。 每个点的坐标位置由变量的值决定，并由一组不连接的点完成，用于观察两种变量的相关性。 例如，身高—体重、温度—维度。

图1-1 散点图示例

使用Matplotlib的scatter()函数绘制散点图，其中x和y是相同长度的数组序列。 scatter()函数的一般用法为：

主要参数说明如下：

• x,y：数组。 

• s：散点图中点的大小，可选。 

• c：散点图中点的颜色，可选。 

• marker：散点图的形状，可选。 

• alpha：表示透明度，在 0~1 取值，可选。 

• linewidths：表示线条粗细，可选。

示例： 绘制身高—体重的散点图

运行脚本输出如图1-2所示的图形。

图1-2 基本的散点图

散点图主要演示两个变量的相关性： 正相关、负相关、不相关。

示例： 显示y=2x+1的图形

Matplotlib中最基础的模块是Pyplot, 下面从最简单的线图开始讲解。 例如，有一组数据，还有一个拟合模型，通过编写代码来实现数据与模型结果的可视化。  

假设一个线性函数具有形式y=ax+b, 自变量是x，因变量是y，y轴截距为b，斜率为a。  

下面用简单的数据来描述线性方程y=2x+1，代码如下：

运行脚本输出如图2-2所示的图形。

图2-2 基本直线图

在图2-2中，使用线性方程y=2x+1画出的是直线图。 如果想画出曲线图，则只需更改线性方程为 ，完整代码如下：

运行脚本输出如图2-3所示的图形。

图2-3 曲线图

直方图

直方图由一系列高度不等的纵向条形组成，表示数据分布的情况。例如，某年级学生的身高分布情况，如图4-1所示。

图4-1 直方图

直方图与柱状图的区别有以下几点：

1. 柱状图是用条形的长度表示各类别频数的多少，其宽度（表示类别）是固定的，主要是展示不同类别的数据。 

2. 直方图是用面积表示各组频数的多少，矩形的高度表示每一组的频数 ( 或频率 )，宽度则表示各组的组距，因此其高度与宽度均有意义。 

3. 由于分组数据具有连续性，因此直方图的各矩形通常是连续排列，而柱状图则是分开排列。 

4. 柱状图主要用于展示分类型数据，而直方图主要用于展示数据型数据。 

使用Matplotlib的hist()函数绘制直方图，hist()函数的一般用法为：

主要参数说明如下：

• bins：直方图中箱子 (bin) 的总个数。个数越多，条形带越紧密。 

• color：箱子的颜色。 

• normed：对数据进行正则化。决定直方图y轴的取值是某个箱子中的元素的个数 (normed=False), 还是某个箱子中的元素的个数占总体的百分比 (normed=True)。 

在介绍直方图之前，先来了解什么是正太分布。

正态分布也称常态分布，是连续随机变量概率分布的一种，自然界、人类社会、心理和教育中的大量现象均按正态形式分布。例如，能力的高低、学生成绩的好坏等都属于正态分布。正态分布曲线呈钟形，两头低，中间高，左右对称。因其曲线呈钟形，所以人们又经常称之为钟形曲线，如图4-2所示。

图4-2 正态分布的钟形曲线

正态分布有两个参数，即均值和标准差。均值是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为：取与均值越近的值的概率越大，而取离均值越远的值的概率越小。 

标准差描述正态分布资料数据分布的离散程度，标准差越大，数据分布越分散；标准差越小，数据分布越集中。标准差也是正态分布的形状参数，标准差越大，曲线越扁平；反之，标准差越小，曲线越瘦高。 

绘制直方图，需要使用NumPy的np.random.randn(N)函数，这个函数的作用就是从标准正态分布中返回N个样本值。 

示例：直方图

本例文件名为

“PythonFullStackChapter07mpl_hist01”

显示直方图。其完整代码如下：

运行脚本输出如图4-3所示的图形。

图4-3 直方图 

如果你对 matplotlib 感兴趣

推荐订阅专栏《案例上手 Python 数据可视化》

扫码试读了解课程

点击阅读原文，试读了解 Python 数据可视化。