Python数据可视化----绘制二维图像（折线图、饼图、柱状图、散点图、等高线，3D图等）

（1）绘制一条折线图

import matplotlib.pyplot as plt   #调用matplotlib中的子模块pyplot绘制折线图

# 定义2个列表分别作为X轴、Y轴数据
x_data = ['2012','2013', '2014', '2015', '2016', '2017', '2018', '2019']
y_data = [45000,58000, 60200, 63000, 71000, 84000, 90500, 107000]

# 第一个列表代表横坐标的值，第二个代表纵坐标的值
plt.plot(x_data, y_data)

# 调用show()函数显示图形
plt.show()

运行结果为：

其实可以看到python中的绘图和matlab中的绘图一模一样，当然，也可以类似的修改线型、色彩、线宽等属性。

（2）修改绘图属性

import matplotlib.pyplot as plt

#定义两组数据的x,y坐标
x_axis=['2010','2011','2012','2013','2014','2015','2016','2017','2018','2019']
y1_axis=[12900,13500,14700,15223,25790,26489,27678,28900,29213,31290]
y2_axis=[16900,17500,18700,25223,27790,29489,30678,33900,34213,35290]

# 指定两条折线的颜色、线宽和样式
plt.plot(x_axis, y1_axis, color = 'green', linewidth = 2.0, linestyle = '--')
plt.plot(x_axis, y2_axis, color = 'blue', linewidth = 3.0, linestyle = '-.')

#调用show（）函数显示图形
plt.show()

 

（3）添加绘图标注

import matplotlib.pyplot as plt

#定义x坐标值
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017','2018','2019']

# 定义2个列表分别作为两条折线的Y轴数据
y_data = [57000, 61200, 62000, 699000, 83500, 91500, 107000,11900,12800]
y_data2 = [51000, 53200, 56500,59300, 60800, 65500, 69700,73000,82050]

# 指定折线的颜色、线宽和样式，ln1和ln2是plot函数的返回值，相当于matlab中的句柄
ln1,= plt.plot(x_data, y_data, color = 'red', linewidth = 2.0, linestyle = '--')
ln2,= plt.plot(x_data, y_data2, color = 'blue', linewidth = 3.0, linestyle = '-.')

# 调用legend函数设置图例
plt.legend(handles=[ln1, ln2], labels=['June Sale Amount', 'July Sale Amount'],loc='best')

# 调用show()函数显示图形
plt.show()

运行结果如下：

上述例2中需要注意的是有以下几点：

1、plot的返回值有多个，其中第一个返回值代表该图形，因此使用ln1，(一定要有逗号）返回第一个返回值；

2.legend函数的第一个参数即是函数plot的第一个返回值（如果第一个参数没有指明，则按照顺序为折线图中的多条折线添加图例）；第二个参数为图例的内容，第三个参数是图例所放置的位置，一般具有如下表中的位置参数：

位置参数及意义

'best'：自动选择最佳位置

'upper right'：将图例放在右上角。

'upper left'：将图例放在左上角

'lower left'：将图例放在左下角

'lower right'：将图例放在右下角

'right'：将图例放在右边

'center left'：将图例放在左边居中的位置

'center right'：将图例放在右边居中的位置

'lower center'：将图例放在底部居中的位置

'upper center'：将图例放在顶部居中的位置

'center'：将图例放在中心

3.Matplotlib 也允许在调用 plot() 函数时为每条折线分别传入 label 参数，这样程序在调用 legend() 函数时就无须传入 labels、handles 参数了：

import matplotlib.pyplot as plt

#定义两组数据的x,y坐标
x_axis=['2010','2011','2012','2013','2014','2015','2016','2017','2018','2019']
y1_axis=[12900,13500,14700,15223,25790,26489,27678,28900,29213,31290]
y2_axis=[16900,17500,18700,25223,27790,29489,30678,33900,34213,35290]

# 指定两条折线的颜色、线宽和样式
#ln1，和ln2均为函数句柄，函数句柄是函数的返回值，可用来调用函数对图形进行操作
plt.plot(x_axis, y1_axis, color = 'green', linewidth = 2.0, linestyle = '--',label='C++')
plt.plot(x_axis, y2_axis, color = 'blue', linewidth = 3.0, linestyle = '-.',label='Python')

#调用show（）函数显示图形
plt.show()

4.如果图例内容是中文字体，那么上述代码将不会显示图例，需要添加下述代码块：

import matplotlib.font_manager as fm
# 使用Matplotlib的字体管理器加载中文字体
my_font=fm.FontProperties(fname="C:\Windows\Fonts\simkai.ttf")
# 调用legend函数设置图例
plt.legend(handles=[ln2, ln1], labels=['六月销售额', '七月销售额'],
    loc='lower right', prop=my_font)

5.Python默认的图例字体是英文字体，那么我们也可以通过以下方式改变python图例的默认字体：

在 python交互式解释器中输入如下两行命令：

import matplotlib
matplotlib.matplotlib_fname()
'D:\\Python\\Python36\\lib\\site-packages\\matplotlib\\mp1-data\\matplotlibrc'

其中 matplotlib_fname() 函数会显示 Matplotlib 配置文件的保存位置，此处显示该文件的存储路径为 D:\Python\Python36\lib\site-packages\matplotlib\mpl-data\matplotlibrc。打开该文件，找到如下这行代码：

#font.family：sans-serif

上面这行代码用于配置 Matplotlib 的默认字体，取消运行配置代码之前的注释符号（＃），并将后面的 sans-serif 修改为本地己有的中文字体。例如使用微软雅黑字体，只要将上面的配置代码修改为如下形式即可：

font.family： Microsoft YaHei

通过上面设置，即可改变 Matplotlib 的默认字体，这样即可避免每次调用 legend() 函数时都需要额外指定字体。

（4）坐标轴设置

python可以调用 xlable() 和 ylabel() 函数分别设置 X 轴、Y 轴的名称，也可以通过 title() 函数设置整个数据图的标题，还可以调用 xticks()、yticks() 函数分别改变 X 轴、Y 轴的刻度值（允许使用文本作为刻度值）。如下例：

例3：

import matplotlib.pyplot as plt

x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017','2018','2019']

# 定义2个列表分别作为两条折线的Y轴数据
y_data = [56000, 62200, 64000, 73000, 85600, 92500, 120000,135000,146000]
y_data2 = [51000, 53200, 54500,56300, 57500, 59800, 64700,68900,72900]

import matplotlib.font_manager as fm
# 使用Matplotlib的字体管理器加载中文字体
my_font=fm.FontProperties(fname="C:\Windows\Fonts\simkai.ttf")

# 指定折线的颜色、线宽和样式
plt.plot(x_data, y_data, color = 'red', linewidth = 2.0,
    linestyle = '--', label='Juna')
plt.plot(x_data, y_data2, color = 'blue', linewidth = 3.0,
    linestyle = '-.', label='July')

# 调用legend函数设置图例
plt.legend(loc='best')

# 设置数据图的标题
plt.title('Sale Amount in Juna or July')

# 设置两条坐标轴的标签
plt.xlabel("Year")
plt.ylabel("Sale")

# 设置Y轴上的刻度值：第一个参数是点的位置，第二个参数是点的文字提示
plt.yticks([60000, 85000, 120000],[r'Good', r'Wonderful', r'Hot'])

# 调用show()函数显示图形
plt.show()

运行结果为：

如果需要进一步设置图形，可以添加以下代码：

ax = plt.gca()
# 设置将X轴的刻度值放在底部X轴上
ax.xaxis.set_ticks_position('bottom')
# 设置将Y轴的刻度值放在底部X轴上
ax.yaxis.set_ticks_position('left')

# 设置右边坐标轴线的颜色（设置为none表示不显示）
ax.spines['right'].set_color('none')
# 设置顶部坐标轴线的颜色（设置为none表示不显示）
ax.spines['top'].set_color('none')

# 定义底部坐标轴线的位置（放在85000数值处）
ax.spines['bottom'].set_position(('data', 70000))

运行结果为：

（5）一张图上呈现多个子图subplot

和matlab一样，python调用 subplot() 函数可以创建一个子图，然后程序就可以在子图上进行绘制。

subplot(nrows, ncols, index, **kwargs) 函数的 nrows 参数指定将数据图区域分成多少行；ncols 参数指定将数据图区域分成多少列；index 参数指定获取第几个区域。
subplot() 函数也支持直接传入一个三位数的参数，其中第一位数将作为 nrows 参数；第二位数将作为 ncols 参数；第三位数将作为 index 参数。

例4：

import matplotlib.pyplot as plt
import numpy as np

plt.figure()

# 定义从-2*pi到2*pi之间的数据，平均取128个数据点
x_data = np.linspace(-2*np.pi, 2*np.pi, 128, endpoint=True)  # ①

# 将整个figure分成两行两列，第三个参数表示该图形放在第1个网格
plt.subplot(2, 2, 1)
# 绘制正弦曲线
plt.plot(x_data, np.sin(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Curve of Sin()')

# 将整个figure分成两行两列，并将该图形放在第2个网格
plt.subplot(2,2,2)
# 绘制余弦曲线
plt.plot(x_data, np.cos(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Curve of Cos()')

# 将整个figure分成两行两列，并该图形放在第3个网格
plt.subplot(2,2,3)
# 绘制正切曲线
plt.plot(x_data, np.tan(x_data))
plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Curve of Tan()')

plt.show()

运行的结果如下图：

（6）Python绘制饼图

例：

#注明：此程序来源于Python教程

import matplotlib.pyplot as plt

# 准备数据
data = [0.16881, 0.14966, 0.07471, 0.06992,
    0.04762, 0.03541, 0.02925, 0.02411, 0.02316, 0.01409, 0.36326]

# 准备标签
labels = ['Java', 'C', 'C++', 'Python',
    'Visual Basic .NET', 'C#', 'PHP', 'JavaScript',
    'SQL', 'Assembly langugage', '其他']

# 将第4个语言（Python）分离出来:突出Pyhon的效果
explode = [0, 0, 0, 0.3, 0, 0, 0, 0, 0, 0, 0]

# 使用自定义颜色
colors=['red', 'pink', 'magenta','purple','orange']

# 将横、纵坐标轴标准化处理，保证饼图是一个正圆，否则为椭圆
plt.axes(aspect='equal')
# 控制X轴和Y轴的范围（用于控制饼图的圆心，半径）
plt.xlim(0,8)
plt.ylim(0,8)

# 绘制饼图
plt.pie(x = data, # 绘图数据
    labels=labels, # 添加编程语言标签
    explode=explode, # 突出显示Python
    colors=colors, # 设置饼图的自定义填充色
    autopct='%.3f%%', # 设置百分比的格式，此处保留3位小数
    pctdistance=0.8,  # 设置百分比标签与圆心的距离
    labeldistance = 1.15, # 设置标签与圆心的距离
    startangle = 180, # 设置饼图的初始角度
    center = (4, 4), # 设置饼图的圆心（相当于X轴和Y轴的范围）
    radius = 3.8, # 设置饼图的半径（相当于X轴和Y轴的范围）
    counterclock = False, # 是否逆时针，这里设置为顺时针方向
    wedgeprops = {'linewidth': 1, 'edgecolor':'green'},# 设置饼图内外边界的属性值
    textprops = {'fontsize':12, 'color':'black'}, # 设置文本标签的属性值
    frame = 1) # 是否显示饼图的圆圈，此处设为显示

# 不显示X轴和Y轴的刻度值
plt.xticks(())
plt.yticks(())

# 添加图标题
plt.title('Ranking of All language')

# 显示图形
plt.show()

运行结果为：

（7）Python绘制柱状图

例6：

#Python绘制垂直柱状图：
import matplotlib.pyplot as plt
import numpy as np

# 构建数据
x_data = ['2012', '2013', '2014', '2015', '2016', '2017', '2018','2019']
y_data1 = [58000, 60200, 62500, 72000, 83000, 90500, 106000,11500]
y_data2 = [53000, 54500, 51500,58300, 57900, 59500, 62700,70900]

# 绘图
plt.bar(x=x_data, height=y_data1, label='Book1', color='steelblue', alpha=0.7)
plt.bar(x=x_data, height=y_data2, label='Book2', color='indianred', alpha=0.7)

# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x, y in enumerate(y_data1):
    plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')
for x, y in enumerate(y_data2):
    plt.text(x, y + 100, '%s' % y, ha='center', va='top')

# 设置标题
plt.title("Book1 and Book2")
# 为两条坐标轴设置名称
plt.xlabel("year")
plt.ylabel("sales")
# 显示图例
plt.legend()
plt.show()

运行结果如下：

为了能在柱状图上显示具体的数值，程序可以调用 text() 函数在数据图上输出文字。

 text() 函数的前两个参数控制输出文字的 X、Y 坐标，第三个参数则控制输出的内容。其中 va 参数控制文字的垂直对齐方式，ha 参数控制文字的水平对齐方式。如上面程序所示，由于 X 轴数据是一个字符串列表，因此 X 轴实际上是以列表元素的索引作为刻度值的。因此，当程序指定输出文字的 X 坐标为0 时，表明将该文字输出到第一个条柱处；对于 Y 坐标而言，条柱的数值正好在条柱高度所在处（即2011年没有，从2012年开始呈现数据坐标图），如果指定 Y 坐标为条柱的数值 +100，就是控制将文字输出到条柱略上一点的位置。

为了将多个柱状图的条柱并列显示，程序需要为这些柱状图重新计算不同的 X 轴数据。为了精确控制条柱的宽度，程序可以在调用 bar() 函数时传入 width 参数，这样可以更好地计算条柱的并列方式。将上面程序改为如下形式：

例7：

#Python绘制垂直并列,且有空隙的柱状图：
import matplotlib.pyplot as plt
import numpy as np

# 构建数据
x_data = ['2012', '2013', '2014', '2015', '2016', '2017', '2018','2019']
y_data1 = [58000, 60200, 62500, 72000, 83000, 90500, 106000,115000]
y_data2 = [53000, 54500, 51500,58300, 57900, 59500, 62700,70900]

bar_width=0.35   #柱状的宽度
gap_width=0.05   #柱状与柱状之间的间隙宽度
# 将y_data1中的X轴数据改为使用range(len(x_data), 即0、1、2...
plt.bar(x=range(len(x_data)), height=y_data1, label='Book1',
    color='steelblue', alpha=0.7, width=bar_width)

# 将y_data2中的X轴数据改为使用np.arange(len(x_data))+bar_width,
# 即bar_width、1+bar_width、2+bar_width...这样就和第一个柱状图实现了并列
plt.bar(x=np.arange(len(x_data))+bar_width+gap_width, height=y_data2,
    label='Book2', color='indianred', alpha=0.7, width=bar_width)


# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x, y in enumerate(y_data1):
    plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')
for x, y in enumerate(y_data2):
    plt.text(x+bar_width, y + 100, '%s' % y, ha='center', va='top')

# 设置标题
plt.title("Book1 and Book2")
# 为两条坐标轴设置名称
plt.xlabel("year")
plt.ylabel("sales")
plt.xticks(np.arange(len(x_data))+bar_width/2, x_data)

# 显示图例
plt.legend()
plt.show()

运算结果为：

例8：

#Python绘制水平柱状图：
import matplotlib.pyplot as plt
import numpy as np

# 构建数据
x_data = ['2012', '2013', '2014', '2015', '2016', '2017', '2018','2019']
y_data1 = [58000, 60200, 62500, 72000, 83000, 90500, 106000,115000]
y_data2 = [53000, 54500, 51500,58300, 57900, 59500, 62700,70900]

bar_width=0.35   #柱状的宽度
plt.barh(y=range(len(x_data)), width=y_data1, label='Book1',
    color='steelblue', alpha=0.7, height=bar_width)

# Y轴数据使用np.arange(len(x_data))+bar_width,
# 就是bar_width、1+bar_width、2+bar_width...这样就和第一个柱状图并列了
plt.barh(y=np.arange(len(x_data))+bar_width, width=y_data2,
    label='Book2', color='indianred', alpha=0.7, height=bar_width)

# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for y, x in enumerate(y_data1):
    plt.text(x+5000, y-bar_width/2, '%s' % x, ha='center', va='bottom')
for y, x in enumerate(y_data2):
    plt.text(x+5000, y+bar_width/2, '%s' % x, ha='center', va='bottom')

# 为Y轴设置刻度值
plt.yticks(np.arange(len(x_data))+bar_width/2, x_data)
# 设置标题
plt.title("Book1 and Book2")
# 为两条坐标轴设置名称
plt.xlabel("Sales")
plt.ylabel("Year")
# 显示图例
plt.legend()
plt.show()

运行结果如下：

（8）Python绘制散点图

调用 Matplotlib 的 scatter() 函数来绘制散点图，该函数支持如下常用参数：

• x：指定 X 轴数据。
• y：指定 Y 轴数据。
• s：指定散点的大小。
• c：指定散点的颜色。
• alpha：指定散点的透明度。
• linewidths：指定散点边框线的宽度。
• edgecolors：指定散点边框的颜色。
• marker：指定散点的图形样式。应参数支持'.'（点标记）、','（像素标记）、'o'（圆形标记）、'v'（向下三角形标记）、'^'（向上三角形标记）、'<'（向左三角形标记）、'>'（向右三角形标记）、'1'（向下三叉标记）、'2'（向上三叉标记）、'3'（向左三叉标记）、'4'（向右三叉标记）、's'（正方形标记）、'p'（五地形标记）、'*'（星形标记）、'h'（八边形标记）、'H'（另一种八边形标记）、'+'（加号标记）、'x'（x标记）、'D'（菱形标记）、'd'（尖菱形标记）、'|'（竖线标记）、'_'（横线标记）等值。
• cmap：指定散点的颜色映射，会使用不同的颜色来区分散点的值。

例9：

#绘制散点图

import matplotlib.pyplot as plt
import numpy as np

plt.figure()

# 定义从-2*pi到2*pi之间的数据，平均取128个数据点
x_data = np.linspace(-2*np.pi, 2*np.pi, 128, endpoint=True)

# 沿着正弦曲线绘制散点图
plt.scatter(x_data, np.sin(x_data), c='purple', # 设置点的颜色
    s=50, # 设置点半径
    alpha = 0.5, # 设置透明度
    marker='p', # 设置使用五边形标记
    linewidths=1, # 设置边框的线宽
    edgecolors=['red', 'yellow']) # 设置边框的颜色

# 绘制第二个散点图（只包含一个起点），突出起点
plt.scatter(x_data[0], np.sin(x_data)[0], c='red', # 设置点的颜色
    s=150, # 设置点半径
    alpha =1) # 设置透明度

# 绘制第三个散点图（只包含一个结束点），突出结束点
plt.scatter(x_data[127], np.sin(x_data)[127], c='black', # 设置点的颜色
    s=150, # 设置点半径
    alpha =1) # 设置透明度

plt.gca().spines['right'].set_color('none')
plt.gca().spines['top'].set_color('none')
plt.gca().spines['bottom'].set_position(('data', 0))
plt.gca().spines['left'].set_position(('data', 0))
plt.title('Scatter Diagram of Sin()')
plt.show()

运行结果如下：

可以看到，例子中绘制了三条散点图，其中第一条是绘制的散点图（多个点），后面的是绘制了单点（即数据始发点和终止点）的散点图，并对其进行了一定的突出效果。

（9）Python绘制等高线

绘制等高线图需要三维数据，其中 X、Y 轴数据决定坐标点，还需要对应的高度数据（相当于 Z 轴数据）来决定不同坐标点的高度。Python可以调用 contour() 函数绘制等高线，调用 contourf() 函数为等高线图填充颜色。
在调用 contour()、contourf() 函数时可以指定如下常用参数：

• x：指定 X 轴数据。
• y：指定 Y 轴数据。
• z：指定 X、Y 坐标对应点的高度数据。
• colors：指定不同高度的等高线的颜色。
• alpha：指定等高线的透明度。
• cmap：指定等高线的颜色映射，即自动使用不同的颜色来区分不同的高度区域。
• linewidths：指定等高线的宽度。
• linestyles：指定等高线的样式。

#绘制等高线

import matplotlib.pyplot as plt
import numpy as np

#步骤一：首先，收集数据
delta = 0.025
# 生成代表X轴数据的列表
x = np.arange(-4.0, 4.0, delta)
# 生成代表Y轴数据的列表
y = np.arange(-3.0, 3.0, delta)
# 对x、y数据执行网格化
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
# 计算Z轴数据（高度数据）
Z = (Z1 - Z2) * 3

#步骤二：其次，等高线填充颜色
# 为等高线图填充颜色, 16指定将等高线分为几部分
plt.contourf(x, y, Z, 16, alpha = 0.8,
    cmap='rainbow')  # 使用颜色映射来区分不同高度的区域

#步骤三：最后，绘制等高线并设置坐标等
# 绘制等高线
C = plt.contour(x, y, Z, 16,
    colors = 'black', # 指定等高线的颜色
    linewidth = 0.5) # 指定等高线的线宽

# 绘制等高线数据
plt.clabel(C, inline = True, fontsize = 10)
# 去除坐标轴
plt.xticks(())
plt.yticks(())
# 设置标题
plt.title("Isoheight")
# 为两条坐标轴设置名称
plt.xlabel("Latitude")
plt.ylabel("Longitude")
plt.show()

运算结果为：

（10）Python绘制3D图形

在Python中绘制 3D 图形，需要调用 Axes3D 对象的 plot_surface() 方法

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(12, 8))
ax = Axes3D(fig)

delta = 0.135
# 生成代表X轴数据的列表
x = np.arange(-3.0, 3.0, delta)
# 生成代表Y轴数据的列表
y = np.arange(-2.0, 2.0, delta)
# 对x、y数据执行网格化
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
# 计算Z轴数据（高度数据）
Z = (Z1 - Z2) * 2
# 绘制3D图形
ax.plot_surface(X, Y, Z,
    rstride=1,  # rstride（row）指定行的跨度
    cstride=1,  # cstride(column)指定列的跨度
    cmap=plt.get_cmap('rainbow'))  # 设置颜色映射
# 设置Z轴范围
ax.set_zlim(-2.5, 2.5)
# 设置标题
plt.title("Figure-3D")
plt.show()