matpiotlib可视化操作总结

基础操作

基本绘图流程

1. 创建画布与创建子图：
   第一部分主要作用是构建出一张空白的画布，并可以选择是否将整个画布划分为多个部分，方便在同一幅图上绘制多个图形的情况。最简单的绘图可以省略第一部分，而后直接在默认的画布上进行图形绘制。
   

2. 添加画布内容
   第二部分是绘图的主体部分。其中添加标题，坐标轴名称，绘制图形等步骤是并列的，没有先后顺序，可以先绘制图形，也可以先添加各类标签。但是添加图例一定要在绘制图形之后。
   

3. 存与展示图形
   第三部分主要用于保存和显示图形。
   

导包

import matplotlib.pyplot as plt

1.figure 创建画布

创建空白画布,可以指定画布的大小、像素

F = plt.figure()

2.title 标题

plt.title("line")

3.xlabel、ylabel，x、y轴名称

plt.xlabel("x")
plt.ylabel("y")

4.xlim、ylim，x、y轴刻度范围

plt.xlim((0,1))
plt.ylim((0,1))

5.xticks，yticks，x、y轴刻度间距

plt.xticks(np.arange(0,1,0.1))
plt.yticks([0,0.2,0.4,0.6,0.8,1])

6. flot 绘制曲线

plot(x,y)绘制曲线

#例：绘制y = 2*x+1
x = np.linspace(-1,1,50)
y = 2*x+1
plt.plot(x,y)

7.savefig 保存成图片

plt.savefig("img1.png")

8.图例

plt.legend(["y=x^2","y=x^4"])

9.show 显示画布

plt.show()

实例

import matplotlib.pyplot as plt
import numpy as np


# #案例一、绘制y = 2*x+1
# x = np.linspace(-1,1,50)
# y = 2*x+1
#
# #创建空白画布,可以指定画布的大小、像素
# F = plt.figure()
# #创建并选中子视图,可以指定子视图的行数、列数，和选中图片的编号
# # F.add_subplot()
#
# #plot(x,y)绘制曲线
# plt.plot(x,y)
#
# #保存成图片
# plt.savefig("img/img1.png")
# #显示画布
# plt.show()

# 案例二、在同一画布中显示两条曲线
#y1 = x^2
#y2 = x^4

x = np.arange(0.1,1,0.01)

y1 = x**2
y2 = x**4

plt.figure()

#常用设置
#标题
plt.title("line")
#x、y轴名称
plt.xlabel("x")
plt.ylabel("y")
#x、y轴刻度范围
plt.xlim((0,1))
plt.ylim((0,1))

#刻度间距,接受一个列表
plt.xticks(np.arange(0,1,0.1))
plt.yticks([0,0.2,0.4,0.6,0.8,1])


plt.plot(x,y1)
plt.plot(x,y2)

#图例
plt.legend(["y=x^2","y=x^4"])
plt.savefig("img/img2.png")
plt.show()

子视图

格式

 F.add_subplot(m,n,index) # m行n列第index幅图

本质是多个基础图像绘制过程的叠加，即在同一画布上不同子图上的绘制

确定画布的大小800x600，并设置dpi=80

F= plt.figure(figsize=(8,6),dpi=80)

创建并指定子视图(m,n,index),m行n列第index幅图

F.add_subplot(2,1,1)

实例

import numpy as np
import matplotlib.pyplot as plt

#创建子视图
#本质是多个基础图像绘制过程的叠加，即在同一画布上不同子图上的绘制

rad = np.arange(0,np.pi*2,0.01)

#第一组数据
y1 = rad**2
y2 = rad**4

#确定画布的大小800x600，并设置dpi=80
F= plt.figure(figsize=(8,6),dpi=80)

#创建并指定子视图(m,n,index),m行n列第index幅图
F.add_subplot(2,1,1)

#确定刻度范围
plt.xlim(0,1)
plt.ylim(0,1)

plt.plot(rad,y1)
plt.plot(rad,y2)

plt.legend(["y = x^2","y = x^4"])

#第二幅图
s = np.sin(rad)
c = np.cos(rad)

F.add_subplot(2,1,2)

# 刻度
plt.xticks([])

plt.plot(rad,s)
plt.plot(rad,c)

plt.legend(["sin","cos"])
plt.show()

rc参数

• pyplot 使用 rc 配置文件来自定义图形的各种默认属性，被称为 rc 配置或 rc 参数。
• 在 pyplot 中几乎所有的默认属性都是可以控制的，例如视图窗口大小以及每英寸点数、线条宽度、颜色和样式、坐标轴、坐标和网格属性、文本、字体等。

线条的常用 rc 参数名称、解释与取值：

常用线条类型解释

线条标记解释

注意事项：

• 由于默认的 pyplot 字体并不支持中文字符的显示，因此需要通过设置 font.sans-serif 参数改变绘图时的字体，使得图形可以正常显示中文。同时，由于更改字体后，会导致坐标轴中的部分字符无法显示，因此需要同时更改 axes.unicode_minus 参数。
• 除了设置线条和字体的 rc 参数外，还有设置文本、箱线图、坐标轴、刻度、图例、标记、图片、图像保存等 rc 参数。

显示中文

plt.rcParams["font.sans-serif"] = "SimHei"

设置正常显示符号，解决保存图像是"-"时显示方块

plt.rcParams["axes.unicode_minus"] = False

实例

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0.1,1,0.01)

y1 = x**2
y2 = x**4

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False

#创建画布
plt.figure()

#常用设置
#标题
plt.title("斗宗强者，恐怖如斯！   ")

#x、y轴名称
plt.xlabel("x")
plt.ylabel("y")

#x、y轴刻度范围
plt.xlim((0,1))
plt.ylim((0,1))

#刻度间距,接受一个列表
plt.xticks(np.arange(0,1,0.1))
plt.yticks([0,0.2,0.4,0.6,0.8,1])

# rc参数
plt.plot(x,y1,color="blue",linewidth = 1.6,linestyle="-.")#"-","--","-.",":"
plt.plot(x,y2,color="red",linewidth = 1.6,linestyle="-.")

#图例
plt.legend(["y=x^2","y=x^4"])

#保存成图片
plt.savefig("img2.png")

#展示画布
plt.show()

特征间的关系

1.散点图–plt.scatter(x,y)

• 散点图（scatter diagram）又称为散点分布图，是以一个特征为横坐标，另一个特征为纵坐标，利用坐标点（散点）的分布形态反映特征间的统计关系的一种图形。
• 值是由点在图表中的位置表示，类别是由图表中的不同标记表示，通常用于比较跨类别的数据。
  样式
  

格式

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, alpha=None, **kwargs)

def scatter(
        x, y, s=None, c=None, marker=None, cmap=None, norm=None,
        vmin=None, vmax=None, alpha=None, linewidths=None, verts=None,
        edgecolors=None, *, data=None, **kwargs):

实例

import numpy as np
import matplotlib.pyplot as plt

#散点图：主要用于分析特征间的相关关系
#折线图：主要用于分析自变量和因变量特征间的趋势关系

# 通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False

#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)


#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)


# 可视化
plt.figure(figsize=(8,7))

plt.xlabel("年份")
plt.ylabel("生产总值(亿元)")

plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation="30")

#散点图
plt.scatter(values[:,0],values[:,2],marker="p")
plt.show()

2.折线图–plt.plot()

• 折线图（line chart）是一种将数据点按照顺序连接起来的图形。可以看作是将散点图，按照 x 轴坐标顺序连接起来的图形。
• 折线图的主要功能是查看因变量y随着自变量x改变的趋势，最适合用于显示随时间（根据常用比例设置）而变化的连续数据。同时还可以看出数量的差异，增长趋势的变化。
  样式
  

格式

matplotlib.pyplot.plot(*args, **kwargs)

plot 函数在官方文档的语法中只要求填入不定长参数，实际可以填入的主要参数主要如下：

color 参数的 8 种常用颜色的缩写

实例

import numpy as np
import matplotlib.pyplot as plt

#通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False
#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)

#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)

# 可视化
plt.figure(figsize=(8,7))

#标题
plt.title("各产业各季度生产值")

#x、y轴名称
plt.xlabel("年份")
plt.ylabel("生产值")


#折线图
plt.plot(values[:,0],values[:,2],marker = "o",linestyle = "--")



#横轴刻度
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation="30")

#图例
plt.legend(["第一产业增加值_当季值(亿元)","第二产业增加值_当季值(亿元)","第三产业增加值_当季值(亿元)"])

#显示
plt.show()

直方图–plt.hist()

• 直方图（Histogram）又称质量分布图，是统计报告图的一种，由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据所属类别，纵轴表示数量或者占比。
• 用直方图可以比较直观地看出产品质量特性的分布状态，便于判断其总体质量分布情况。直方图可以发现分布表无法发现的数据模式、样本的频率分布和总体的分布。

样式
格式

matplotlib.pyplot.hist（left，height，width = 0.8，bottom = None，hold = None，data = None，** kwargs ）

常用参数及说明如下表所示：

实例

import numpy as np
import matplotlib.pyplot as plt

#通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False
#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)

#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)

# 刻度标签
label=["第一产业","第二产业","第三产业"]
value = values[-1,3:6]
# 可视化
plt.figure(figsize=(8,7))
plt.xticks(range(3),label)

#标题
plt.title("2017年第一季度各产业生产值对比")

#x、y轴名称
plt.xlabel("产业")
plt.ylabel("生产总值(亿元)")

#直方图
plt.hist(range(3),value,width=0.5)

#显示
plt.show()

饼状图–plt.pie()

• 饼图（Pie Graph）是将各项的大小与各项总和的比例显示在一张“饼”中，以“饼”的大小来确定每一项的占比。
• 饼图可以比较清楚地反映出部分与部分、部分与整体之间的比例关系，易于显示每组数据相对于总数的大小，而且显现方式直观。

样式

格式

matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, … )

常用参数及说明如下表所示：

实例

import numpy as np
import matplotlib.pyplot as plt

#通用设置

#显示中文
plt.rcParams["font.sans-serif"] = "SimHei"
#设置正常显示符号，解决保存图像是"-"时显示方块
plt.rcParams["axes.unicode_minus"] = False
#输出设置
# 强制打印整个数组
np.set_printoptions(threshold=1000000)

#数据加载
data = np.load("国民经济核算季度数据.npz")
content = data["columns"]
values = data["values"]
print(content)
print(values)

#数据
value = values[-1,3:6]
labels=["第一产业","第二产业","第三产业"]
# 可视化
plt.figure(figsize=(8,7))

#标题
plt.title("2017年第一季度各产业生产值占比")

#饼状图
plt.pie(value,explode=[0.01,0.02,0.02],labels=labels,autopct="%.1f%%")

#显示
plt.show()

雷达图

代码及具体内容

import  matplotlib.pyplot as plt
import numpy as np

# 显示中文
# 注意必须在差UN关键画布之前声明
plt.rcParams['font.sans-serif'] = 'SimHei'
# 设置正常显示符号，解决保存图像是符号’-‘显示方块
plt.rcParams['axes.unicode_minus'] = False


#将一个圆分为5份
dataLength = 5
#文字标签
labels = ["生存","输出","带线","发育","KDA"]
#角度范围，
angles = np.linspace(0,2*np.pi,dataLength,endpoint=False)
#数值
data= [10,6,9,5,7]
#闭合
new_data = np.concatenate((data,[data[0]]))
new_angles = np.concatenate((angles,[angles[0]]))


F= plt.figure()

#雷达图
plt.polar(new_angles,new_data)

plt.title("战绩评定")
#刻度
plt.xticks(new_angles,labels)

plt.show()

图片演示