【python数据可视化笔记】——matplotlib.pyplot()

目 录

%matplotlib inline

  这是一个魔法函数（只能在ipython和jupyter环境下使用），使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。inline表示将图表嵌入到Notebook中。可以试着运行一段生成图片的命令，如果前面没有这行代码，输出的是一个图片对象，需要重新运行该段程序才能正常显示，如果有这行代码第一次运行程序块就可以显示图片了。在使用jupyter时的用处不大，因为可以轻松地重复执行程序快。

import matplotlib.pyplot as plt

plt.figure()
plt.title("666")
plt.show()

plt.figure()
plt.title("666")
plt.show()

  重启jupyter后执行下面代码

%matplotlib inline
import matplotlib.pyplot as plt

plt.figure()
plt.title("666")
plt.show()

matplotlib图例中文乱码以及坐标负号显示

  在图片的标签名，标题名或者图例中出现中文时，直接运行会出现乱码，文字显示为框框

import matplotlib.pyplot as plt

plt.figure()
plt.title("哈哈")
plt.show()

快速解决办法

  在导入模块后加入下面代码

plt.rcParams['font.sans-serif']=['SimHei']    # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False    # 用来正常显示负号

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

plt.figure()
plt.title("哈哈")
plt.show()

永久解决办法

找到自己想要的中文字体

1. 在系统中查找已有的字体（好处是不需要安装）：在“C:\Windows\Fonts”中选择后缀为“.ttf”的中文字体并复制，这一步我选择了黑体

2. 在 fontpalace 上下载对应版本的后缀为“.ttf”的字体，复制到“C:\Windows\Fonts”中安装

把字体复制到matplotlib的字体文件中

  输入下面命令找到matplotlib配置文件

print(matplotlib.matplotlib_fname())

在“c:\program files\python37\lib\site-packages\matplotlib\mpl-data\matplotlibrc”的“font/ttf”文件夹中粘贴刚刚复制的字体，然后修改配置文件matplotlibrc，去掉以下三行代码开头的#

font.family         : sans-serif

font.sans-serif     : SimHei, DejaVu Sans, Bitstream Vera Sans, ...    # 这里注意要把字体名称SimHei放在第一个

axes.unicode_minus  : False    # 修改为False，作用是解决负号的乱码问题

还要注意有的字体名称并不是字体文件的名称，可以查看字体文件的属性（标题）确认一下

重新加载字体

  做完以上操作后执行下面命令

from matplotlib.font_manager import _rebuild

_rebuild()

之后重启python，很多时候这样就解决了。

删除matplotlib缓存文件

  如果仍然不能正常显示输入以下代码

matplotlib.get_cachedir()

在’C:\Users\sunch\.matplotlib’找到缓存文件夹并删除该文件夹，之后重启python，如果还是不行可以试试重启电脑，我就是重启了才可以，果然没有什么是一次重启解决不了的，如果有那就两次

import matplotlib.pyplot as plt

plt.figure()
plt.title("哈哈")
plt.show()

什么是plt、fig和ax

  这是我们看到作图程序中最常见的几个词。plt是matplotlib.pyplot的简称，我们一般都会用它来代替导入的模块；fig一般出现在
fig = plt.figure()这个命令中，是常用来表示当前画布的一个变量，虽然可以用别的但是大家一般都用fig（figure的缩写）；ax一般和fig一起出现在fig, ax = plt.subplots()命令中，或者单独出现在ax = plt.subplot()命令中，表示当前画布的当前子图对象

设置画布fig = plt.figure()

  plt.figure(num, figsize, dpi, facecolor, edgecolor, frameon, FigureClass, clear)的参数说明如下

参数名称	参数类型	参数说明
num	integer or string	画布的名称或序号，默认为从1开始的升序序列
figsize	(float, float)	画布尺寸，默认6.4 x 4.8
dpi	integer	分辨率，默认100
facecolor	color spec	背景色，默认白色（‘w’）
edgecolor	color spec	边界色，默认白色（‘w’）
frameon	bool	是否有边界，默认为True
FigureClass	subclass of Figure	使用自定义的画布对象（没什么用的参数）
clear	bool	是否对存在的画布进行清除，默认为False，即自动创建新画布

函数返回一个Figure对象，也就是fig，它有很多内置的属性和方法，比如set()方法，可以设置更多画布参数

  我们也可以不设置fig变量，但是声明fig变量可以增强程序的可读性

import matplotlib.pyplot as plt

fig = plt.figure('lalala', figsize = (7, 7), dpi = 100, facecolor = 'y', edgecolor = 'r')
plt.plot([1, 2, 3], [1, 2, 3])
plt.show()

设置轴（子图）fig, ax = plt.subplots()

  fig, ax = plt.subplots()等价于fig, ax = plt.subplots(11)，注意这里的轴不是数学意义上的坐标轴，而是指子图的位置。plt.subplot()函数返回一个Figure对象和一个子图对象的列表：fig, axes = plt.subplots(23)即表示一次性在figure上创建成2*3的网格，然后指定子图的位置进行作图，同fig一样也可以省去对变量的声明，并且也可以直接设置类似figure()函数的参数

fig = plt.figure(figsize = (12, 7))
ax = plt.subplot(231)
ax = plt.subplot(232)
ax = plt.subplot(233)
ax = plt.subplot(234)
ax = plt.subplot(235)
ax = plt.subplot(236)

matplotlib.pyplot入门

官网1

官网2

数值

import matplotlib.pyplot as plt

plt.plot([1,2,3,4])
plt.ylabel('some numbers')
plt.show()

  如果 $plot()$ 函数只传入一个列表，那么这个列表的值会默认为y轴的值，x轴会自动创建和列表对应的值，从0开始

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()

点的属性

  $plot()$ 函数可以指定一个字符串参数来设置传入点的颜色和形状，如默认为"$b-$"，其中 $b$ 表示蓝色 $-$ 表示折线，也可以指定为其他颜色和形状

import matplotlib.pyplot as plt

plt.plot([1,2,3,4], [1,4,9,16], 'ro')    # 红色圆点
plt.plot([1,2,3,4], [1,2,3,4], 'bx')   # 蓝色x点
plt.plot([1,2,3,4], [1,3,6,9], 'g-')    # 绿色折线

plt.axis([0, 6, 0, 20])    # 设置坐标轴的限制[xmin, xmax, ymin, ymax]
plt.show()

import numpy as np
import matplotlib.pyplot as plt

t = np.arange(0., 5., 0.2)

plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')    # 可以直接在一个函数中传入多个图像参数
plt.show()

  更多关于 $plot()$ 的点的参数设置（如颜色和形状）查阅plot()

线的属性

  下面看一下如何控制线的属性

• 直接传入实参

import matplotlib.pyplot as plt

plt.plot(range(3), range(3), linewidth=7.0)
plt.show()

• 用Line2D对象的方法

  plot()返回一个Line2D对象的列表，如果想要对其中的某个线的属性进行控制，需要进行序列解包

import matplotlib.pyplot as plt

line, = plt.plot(range(3), range(3), '-')
line.set_antialiased(False)    # 关闭抗锯齿
plt.show()

- 使用setp()命令设置多条属性

  可以直接使用setp()查看可以设置的属性

plt.setp(lines)

agg_filter: a filter function, which takes a (m, n, 3) float array and a dpi value, and returns a (m, n, 3) array
alpha: float
animated: bool
antialiased: bool
clip_box: .Bbox
clip_on: bool
clip_path: [(~matplotlib.path.Path, .Transform) | .Patch | None]
color: color
contains: callable
dash_capstyle: {‘butt’, ‘round’, ‘projecting’}
dash_joinstyle: {‘miter’, ‘round’, ‘bevel’}
dashes: sequence of floats (on/off ink in points) or (None, None)
drawstyle: {‘default’, ‘steps’, ‘steps-pre’, ‘steps-mid’, ‘steps-post’}
figure: .Figure
fillstyle: {‘full’, ‘left’, ‘right’, ‘bottom’, ‘top’, ‘none’}
gid: str
in_layout: bool
label: object
linestyle: {’-’, ‘–’, ‘-.’, ‘:’, ‘’, (offset, on-off-seq), …}
linewidth: float
marker: unknown
markeredgecolor: color
markeredgewidth: float
markerfacecolor: color
markerfacecoloralt: color
markersize: float
markevery: unknown
path_effects: .AbstractPathEffect
picker: float or callable[[Artist, Event], Tuple[bool, dict]]
pickradius: float
rasterized: bool or None
sketch_params: (scale: float, length: float, randomness: float)
snap: bool or None
solid_capstyle: {‘butt’, ‘round’, ‘projecting’}
solid_joinstyle: {‘miter’, ‘round’, ‘bevel’}
transform: matplotlib.transforms.Transform
url: str
visible: bool
xdata: 1D array
ydata: 1D array
zorder: float

  关于线的更多属性查阅matplotlib.lines.Line2D

创建子图

  每次画图时都会默认创建一个画布（figure(1)）和子图位置（subplot(111)），为了创建子图，我们需要创建一个画布并给出每个子图的位置。

  使用gcf()和gca()可以查看当前画布和子图位置

import matplotlib.pyplot as plt

print(plt.gcf())    # get current figure

print(plt.gca())    # get current axes

Figure(432x288)
AxesSubplot(0.125,0.125;0.775x0.755)

subplot()

  使用subplot()指定下一个子图的位置，标准写法为plt.subplot(nrows=r, ncols=c, index=i)，当子图数量小于10时，可以简写为plt.subplot(rci)

import numpy as np
import matplotlib.pyplot as plt

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

plt.figure(1)    # 这个命令是可以省略的，因为会默认创建一个画布，1代表画布的序号
#print(plt.gcf())
plt.subplot(211)    # 指定为2行1列画布的第一个位置
#print(plt.gca())
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')


plt.subplot(212)    # 指定为2行1列画布的第二个位置
#print(plt.gca())
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

Figure(432x288)
AxesSubplot(0.125,0.536818;0.775x0.343182)
AxesSubplot(0.125,0.125;0.775x0.343182)

import matplotlib.pyplot as plt

# 第一块画布
plt.figure(1)                
plt.subplot(211)             
plt.plot([1, 2, 3])
plt.subplot(212)             
plt.plot([4, 5, 6])

# 第二块画布
plt.figure(2)                
plt.plot([4, 5, 6])          

# 修改第一块画布
plt.figure(1)    # 指定画布序号
plt.subplot(211)    # 指定子图位置
plt.title('Easy as 1, 2, 3')    # 修改图片内容
plt.show()

"""Examples illustrating the use of plt.subplots().

This function creates a figure and a grid of subplots with a single call, while
providing reasonable control over how the individual plots are created.  For
very refined tuning of subplot creation, you can still use add_subplot()
directly on a new figure.
"""

import matplotlib.pyplot as plt
import numpy as np

# Simple data to display in various forms
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)

plt.close('all')

# Just a figure and one subplot
f, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('Simple plot')

# Two subplots, the axes array is 1-d
f, axarr = plt.subplots(2, sharex=True)
axarr[0].plot(x, y)
axarr[0].set_title('Sharing X axis')
axarr[1].scatter(x, y)

# Two subplots, unpack the axes array immediately
f, (ax1, ax2) = plt.subplots(1, 2, sharey=True)
ax1.plot(x, y)
ax1.set_title('Sharing Y axis')
ax2.scatter(x, y)

# Three subplots sharing both x/y axes
f, (ax1, ax2, ax3) = plt.subplots(3, sharex=True, sharey=True)
ax1.plot(x, y)
ax1.set_title('Sharing both axes')
ax2.scatter(x, y)
ax3.scatter(x, 2 * y ** 2 - 1, color='r')
# Fine-tune figure; make subplots close to each other and hide x ticks for
# all but bottom plot.
f.subplots_adjust(hspace=0)
plt.setp([a.get_xticklabels() for a in f.axes[:-1]], visible=False)

# row and column sharing
f, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, sharex='col', sharey='row')
ax1.plot(x, y)
ax1.set_title('Sharing x per column, y per row')
ax2.scatter(x, y)
ax3.scatter(x, 2 * y ** 2 - 1, color='r')
ax4.plot(x, 2 * y ** 2 - 1, color='r')

# Four axes, returned as a 2-d array
f, axarr = plt.subplots(2, 2)
axarr[0, 0].plot(x, y)
axarr[0, 0].set_title('Axis [0,0]')
axarr[0, 1].scatter(x, y)
axarr[0, 1].set_title('Axis [0,1]')
axarr[1, 0].plot(x, y ** 2)
axarr[1, 0].set_title('Axis [1,0]')
axarr[1, 1].scatter(x, y ** 2)
axarr[1, 1].set_title('Axis [1,1]')
# Fine-tune figure; hide x ticks for top plots and y ticks for right plots
plt.setp([a.get_xticklabels() for a in axarr[0, :]], visible=False)
plt.setp([a.get_yticklabels() for a in axarr[:, 1]], visible=False)

# Four polar axes
f, axarr = plt.subplots(2, 2, subplot_kw=dict(projection='polar'))
axarr[0, 0].plot(x, y)
axarr[0, 0].set_title('Axis [0,0]')
axarr[0, 1].scatter(x, y)
axarr[0, 1].set_title('Axis [0,1]')
axarr[1, 0].plot(x, y ** 2)
axarr[1, 0].set_title('Axis [1,0]')
axarr[1, 1].scatter(x, y ** 2)
axarr[1, 1].set_title('Axis [1,1]')
# Fine-tune figure; make subplots farther from each other.
f.subplots_adjust(hspace=0.3)

plt.show()

  可以用命令clf()和cla()清除当前图片和轴，作用是清理内存。如果不是编写包含非常多图片的程序，该命令可以省略。

subplot2grid()

  相比subplot()可以实现跨区域的子图，其参数如下：

参数名称	参数类型	参数说明
shape	sequence of 2 ints	子图的区域形状，如(x, y)表示x行y列的子区域
loc	sequence of 2 ints	子图开始的区域
rowspan	int	子图跨越的行数
colspan	int	子图跨越的列数
fig	Figure, optional	子图所在的画布，默认为当前画布

import matplotlib.pyplot as plt


def annotate_axes(fig):
    for i, ax in enumerate(fig.axes):
        ax.text(0.5, 0.5, "ax%d" % (i+1), va="center", ha="center")
        ax.tick_params(labelbottom=False, labelleft=False)


fig = plt.figure(dpi = 100)
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))

annotate_axes(fig)

plt.show()

axes()

  axes([left, bottom, width, height]) 可以指定子图的具体位置，其中每个参数都应该是[0, 1]上的数字。和subplot()不同的是，axes()是在主图上叠加其他的子图，主图可以有自己的内容，而subplot()是子图的并列，没有主图。

import matplotlib.pyplot as plt
import numpy as np

# create some data to use for the plot
dt = 0.001
t = np.arange(0.0, 10.0, dt)
r = np.exp(-t[:1000]/0.05)               # impulse response
x = np.random.randn(len(t))
s = np.convolve(x, r)[:len(x)]*dt  # colored noise

# the main axes is subplot(111) by default
plt.plot(t, s)
plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])    # 指定坐标系的范围，相当于plt.xlim(0, 1); plt.ylim(1.1*np.amin(s), 2*np.amax(s))
plt.xlabel('time (s)')
plt.ylabel('current (nA)')
plt.title('Gaussian colored noise')

# this is an inset axes over the main axes
a = plt.axes([.65, .6, .2, .2], facecolor='y')
n, bins, patches = plt.hist(s, 400, density=1)
plt.title('Probability')
plt.xticks([])
plt.yticks([])

# this is another inset axes over the main axes
a = plt.axes([0.2, 0.6, .2, .2], facecolor='y')
plt.plot(t[:len(r)], r)
plt.title('Impulse response')
plt.xlim(0, 0.2)
plt.xticks([])
plt.yticks([])

plt.show()

插入文字

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(20190522)

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)


plt.xlabel('Smarts')    # 横坐标标签
plt.ylabel('Probability', fontsize=14, color='red')    # 纵坐标标签并指定文字属性
plt.title('Histogram of IQ')    # 标题
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')    # 指定位置插入文字，若无坐标则表示在当前范围内的比值，如(0.5, 0.5, 'xx')表示在中央插入xx
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

  更多文字的属性查阅Text properties and layout

  更多Tex数学表达式的写法查阅Writing mathematical expressions

import matplotlib.pyplot as plt

x = [1,2,3]
y = [5,7,4]

x2 = [1,2,3]
y2 = [10,14,12]

plt.plot(x, y, label='First Line')    # 声明图例内容
plt.plot(x2, y2, label='Second Line')
plt.title('Interesting Graph\nCheck it out')
plt.legend()    # 插入图例
plt.show()

  更多图例的设置查阅legend()

注释文本

  使用annotate()可以实现一些更加高级的注释功能

import numpy as np
import matplotlib.pyplot as plt

ax = plt.subplot(111)

t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)

plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),
            arrowprops=dict(facecolor='black', shrink=0.05),
            )    # xy表示被注释点的位置，xytext表示注释文本的位置

plt.ylim(-2,2)
plt.show()

  更多高级功能请查阅annotate()

*非线性坐标轴

  就是把y轴映射到另一种表达式如log(y)等，目的是使数据能展示的更全面。更多内容查阅creating scales and transformations

import numpy as np
import matplotlib.pyplot as plt

from matplotlib.ticker import NullFormatter  # useful for `logit` scale

# Fixing random state for reproducibility
np.random.seed(20190522)

# make up some data in the interval [0, 1]
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))

# plot with various axes scales
plt.figure(1)

# linear
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)


# log
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')    # 对数坐标轴
plt.title('log')
plt.grid(True)


# symmetric log
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthreshy=0.01)
plt.title('symlog')
plt.grid(True)

# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale('logit')
plt.title('logit')
plt.grid(True)
# Format the minor tick labels of the y-axis into empty strings with
# `NullFormatter`, to avoid cumbering the axis with too many labels.
plt.gca().yaxis.set_minor_formatter(NullFormatter())
# Adjust the subplot layout, because the logit one may take more space
# than usual, due to y-tick labels like "1 - 10^{-3}"
plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,
                    wspace=0.35)

plt.show()

matplotlib.pyplot进阶

条形图/柱状图

  条形图是对分类变量进行描述的图形，函数为matplotlib.pyplot.bar()，主要参数如下，更多参数查阅matplotlib.pyplot.bar。或者
matplotlib.pyplot.barh()函数绘制横向的条形图，参数和bar()相同

参数名称	参数类型	参数说明
x	sequence of scalars	条形的坐标序列，长度为条形的个数
height	scalar or sequence of scalars	条形的高度序列，也就是每个条形对应的值序列
width	scalar or array-like	条形的宽度，默认0.8
bottom	scalar or array-like	每个条形关于纵坐标的起始点，默认为0或者None
align	{‘center’, ‘edge’}	条形与x轴的对齐位置，center表示条形中心对齐x轴坐标，edge为左边缘对齐x轴坐标，若要设置右对齐，需要设置为edge并且width同时为负。默认为center
color	scalar or array-like	条形颜色
edgecolor	scalar or array-like	条形边界颜色
linewidth	scalar or array-like	条形边界的宽度，若为0则不画边界
tick_label	string or array-like	条形的标签，默认为None
xerr, yerr	scalar or array-like of shape(N,) or shape(2,N)	误差线，在条形顶部添加水平或垂直的某长度的误差线，水平的误差线很少使用，两者都默认为None，即不添加误差线。误差线也有一些自己的设置如颜色长度等
orientation	{‘vertical’, ‘horizontal’}	条形图垂直或者水平，默认垂直

import matplotlib.pyplot as plt

fig = plt.figure(figsize = (7, 7))

x = [1,2,3,4,5]
h = [20, 14, 38, 27, 9]
w = [0.1, 0.2, 0.3, 0.4, 0.5]
b = [1,2,3,4,5]
c = ['b','g','r','c','m']
ye = [1, 2, 3, 4, 5]

plt.bar(x, h, w, b, color = c, yerr = ye)
plt.show()

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize = (7, 7))

N = 5
menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
menStd = (2, 3, 4, 1, 2)
womenStd = (3, 5, 2, 3, 3)
ind = np.arange(N)    # the x locations for the groups
width = 0.35       # the width of the bars: can also be len(x) sequence

p1 = plt.bar(ind, menMeans, width, yerr=menStd)
p2 = plt.bar(ind, womenMeans, width,
             bottom=menMeans, yerr=womenStd)    # 设置bottom实现堆叠条形图

plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.xticks(ind, ('G1', 'G2', 'G3', 'G4', 'G5'))
plt.yticks(np.arange(0, 81, 10))
plt.legend((p1[0], p2[0]), ('Men', 'Women'))    # 这里可以直接用(p1, p2)

plt.show()

  更多例子查阅bar

直方图

  直方图是对连续变量进行统计的图表，函数为matplotlib.pyplot.hist()，主要参数如下，更多参数查阅matplotlib.pyplot.bar。或者使用hist2d

参数名称	参数类型	参数说明
x	(n,) array or sequence of (n,) arrays	数据，可以是一个数组或者多个不定长数组
bins	int or sequence or str	如果传入一个数字，那么表示直方的数量为bins + 1；如果传入一个列表[x1, x2, x3,…,xn]，那么表示人为设置的断点，直方区间为[x1, x2), [x2, x3),…,[xn-1, xn]；如果传入一些字符串如’auto’,'fd’等，更多查阅numpy.histogram_bin_edges
range	tuple or None	限制展示在图表上的数据界限，若不指定默认为(x.min(), x.max())，若bins为1个序列那么range无效
density	bool	若为1调整为频率分布直方图
weights	(n, ) array_like or None	数据的权值（很少用到）
cumulative	bool	直方累加，比如第二个直方显示前两个bin的总和，第三个直方显示前三个bin的总和，以此类推
bottom	array_like, scalar	规定直方关于纵轴的起始点，可以为1个数字或者与bins等长的数组
histtype	{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}	直方图类型，默认为bar
align	{‘left’, ‘mid’, ‘right’}	直方中心与每个bin对应的位置，默认mid
orientation	{‘horizontal’, ‘vertical’}	直方图方向，默认垂直。或者使用barh()函数的直方图类型
rwidth	scalar or None	直方相对于bin的宽度，调整使得直方是否连续
color	color or array_like of colors or None	直方颜色，注意不是每个直方的颜色，而是每一个x对应一个颜色
stacked	bool	是否进行堆叠
label	str or None	数据标签，为了展示图里使用

import numpy as np
import matplotlib.pyplot as plt

# Fixing random state for reproducibility
np.random.seed(20190523)

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

# the histogram of the data
plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)


plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(20190523)

dt = np.random.randint(1, 101, 100)
#bins = np.arange(0, 101, 10)
bins = 20
xrange = (20, 80)

fig = plt.figure(figsize = (7, 7))
plt.hist(x = dt, bins = bins, range = xrange, cumulative = True, rwidth = 0.5, color = 'g')
plt.show()

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(20190523)

dt = np.random.randint(1, 101, (100, 2))
bins = np.arange(0, 101, 10)
#bins = 20
#xrange = (20, 80)

fig = plt.figure(figsize = (7, 7))
plt.hist(x = dt, bins = bins, rwidth = 0.5, stacked = True, color = ['b', 'r'], label = ['man', 'woman'])
plt.legend()
plt.show()

散点图

  前面已经用过plot()函数画散点图，现在有一个更专业的函数可以画散点图，就是matplotlib.pyplot.scatter()，主要参数如下，更多可以查阅matplotlib.pyplot.scatter

参数名称	参数类型	参数说明
x, y	array_like, shape (n, )	数据
s	scalar or array_like, shape (n, )	点的大小
c	color, sequence, or sequence of color	点的颜色，可以是一个颜色，可以是长度n的颜色序列，可以是n长的使用cmap和norm映射到颜色的数字序列，或者是用RGB或RGBA表示行的2维数组
marker	MarkerStyle	点的形状，更多参阅markers
cmap	Colormap	颜色映射，仅当c为数字序列时有效
norm	Normalize	规范化，仅当c为数字序列时有效
vmin, vmax	scalar	配合norm使用
alpha	scalar	透明度，在0~1之间
linewidths	scalar or array_like	点的边界宽度
edgecolors	{‘face’, ‘none’, None} or color or sequence of color	点的边界颜色，默认为face，即背景色

import numpy as np
import matplotlib.pyplot as plt

# Fixing random state for reproducibility
np.random.seed(20190523)


x = np.random.rand(10)
y = np.random.rand(10)
z = np.sqrt(x**2 + y**2)

fig = plt.figure(figsize = (8, 12))
plt.subplot(321)
plt.scatter(x, y, s=80, c=z, marker=">")

plt.subplot(322)
plt.scatter(x, y, s=80, c=z, marker=(5, 0))

verts = np.array([[-1, -1], [1, -1], [1, 1], [-1, -1]])
plt.subplot(323)
plt.scatter(x, y, s=80, c=z, marker=verts)

plt.subplot(324)
plt.scatter(x, y, s=80, c=z, marker=(5, 1))

plt.subplot(325)
plt.scatter(x, y, s=80, c=z, marker='+')

plt.subplot(326)
plt.scatter(x, y, s=80, c=z, marker=(5, 2))

plt.show()

import numpy as np
import matplotlib.pyplot as plt

# Fixing random state for reproducibility
np.random.seed(20190523)


N = 50
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N))**2  # 0 to 15 point radii

plt.figure(figsize = (7, 7))
plt.scatter(x, y, s=area, c=colors, alpha=0.5)
plt.show()

  更多例子查阅scatter

堆叠图

  堆叠图一般用来显示各部分随时间变化的比重的变化，函数为matplotlib.pyplot.stackplot。部分参数说明如下

参数名称	参数类型	参数说明
x	1d array of dimension N	时间序列
y	2d array (dimension MxN), or sequence of 1d arrays (each dimension 1xN)	每个时间序列下的占比，如(x, y)或(x, y1, y2, y3)，其中y为MxN的数组，yi为N维数组
baseline	{‘zero’, ‘sym’, ‘wiggle’, ‘weighted_wiggle’}	计算堆叠的方式，zero为基本堆叠，sym为零对称方式，更多参阅stackplot
labels	Length N sequence of strings	每个部分的标签
colors	Length N sequence of colors	每个部分的颜色

import matplotlib.pyplot as plt

time = ['19/01', '19/02', '19/03', '19/04', '19/05']

eat = [0.6, 0.5, 0.7, 0.9, 0.8]
game = [0.2, 0.2, 0.1, 0.0, 0.1]
shopping = [0.1, 0.2, 0.1, 0.1, 0.1]
travel = [0.1, 0.1, 0.1, 0.0, 0.0]

plt.figure(figsize = (10, 7))
plt.stackplot(time, [eat, game, shopping, travel], labels = ['吃', '游戏', '购物', '旅游'])    # 这里不把yi放到[]里也是可以的
plt.legend()
plt.title('消费占比')
plt.show()

饼图

  函数为matplotlib.pyplot.pie()，更多内容查阅pie。部分参数如下

参数名称	参数类型	参数说明
x	array-like	每部分扇形比例
explode	array-like, optional, default: None	每个扇形偏移的百分比
labels	list, optional, default: None	每个扇形的标签，显示在扇形外
colors	array-like, optional, default: None	每个扇形的颜色
autopct	None (default), string, or function, optional	若非默认会用数字来标记扇形（显示在扇形上），若为格式化字符串会显示为百分比，若为函数会被调用
pctdistance	float, optional, default: 0.6	当auopct有效时表示数字标签与饼图中心的距离
shadow	bool, optional, default: False	显示饼图阴影
labeldistance	float or None, optional, default: 1.1	标签的径向距离，若为None不显示标签但可以用legend()展示
startangle	float, optional, default: None	开始画扇形的角度，默认从x轴即0度开始
radius	float, optional, default: None	饼图半径，默认为1
counterclock	bool, optional, default: True	画图方向，默认逆时针
wedgeprops	dict, optional, default: None	扇形属性，如边缘颜色粗细等，如wedgeprops = {‘linewidth’: 3}
textprops	dict, optional, default: None	文字属性
center	list of float, optional, default: (0, 0)	中心位置
frame	bool, optional, default: False	是否显示边框
rotatelabels	bool, optional, default: False	若为True，将标签旋转到每个切片的角度

import matplotlib.pyplot as plt

# Pie chart, where the slices will be ordered and plotted counter-clockwise:
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]    # 比例
explode = (0, 0.1, 0, 0)  # 偏移

fig1, ax1 = plt.subplots(figsize = (7, 7), dpi = 100)
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
        shadow=True, startangle=90)    # 从90度开始画图，标签
ax1.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.

plt.show()

import matplotlib.pyplot as plt

labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
fracs = [15, 30, 45, 10]


fig, axs = plt.subplots(2, 2, figsize = (7, 7), dpi = 200)

# 标准饼图
axs[0, 0].pie(fracs, labels=labels, autopct='%1.1f%%', shadow=True)

# 设置偏移
axs[0, 1].pie(fracs, labels=labels, autopct='%.0f%%', shadow=True, explode=(0, 0.1, 0, 0))

# 调整文字属性和扇形半径，这里声明变量是为了对扇形进行更多的设置
patches, texts, autotexts = axs[1, 0].pie(fracs, labels=labels, autopct='%.0f%%', 
                                          textprops={'size': 'smaller'}, shadow=True, radius=0.5)
# 进一步设置文字属性，注意这里是对上一个而不是下一个扇形的设置
plt.setp(autotexts, size='x-small')
autotexts[0].set_color('white')

# 去掉阴影
patches, texts, autotexts = axs[1, 1].pie(fracs, labels=labels,
                                          autopct='%.0f%%',
                                          textprops={'size': 'smaller'},
                                          shadow=False, radius=0.5,
                                          explode=(0, 0.05, 0, 0))
plt.setp(autotexts, size='x-small')
autotexts[0].set_color('white')

plt.show()

  更多例子查阅pie

  未完待续