一篇文章掌握Python机器学习绘图库matplotlib

前言

前面博主介绍过的pandas库，而今天介绍的matplotlib库能和pandas库结合起来，让数据更加的直观，易懂。

Matplotlib 是 Python 的一个绘图库。它包含了大量的工具，你可以使用这些工具创建各种图形，包括简单的散点图，正弦曲线，甚至是三维图形。好了，下面我们直接进入实战代码学习。

折线图

首先，就是我们图标之中常用的折线图，对于折线图来说，能直观的看到数据的涨跌变化，比如股市常用的图形就是折线图，下面我们来看看代码如何实现：

import matplotlib.pyplot as plt

x = ['2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06', '2020-07', '2020-08']
y = [0, 15, 23, 68, 45, 86, 54, 24]
plt.plot(x, y)
plt.show()

代码非常简单，就是确定X,Y轴的数据，然后显示出来，这段代码显示的效果如下：

当然这是折线图的基本，也是最简单的玩法， 其实对于matplotlib库来说，折线图还有很多的玩法，比如可以修改折线的颜色，折现的样式等，直接上代码：

plt.plot(x, y,'r--')

仅仅只修改这一句就行，r代表虚线的颜色为红色， ‘–’代表折线的样式为–，显示效果如下图所示：
这是最简单的用法，为了便于理解后面的知识点，这里开始深入展开，比如先明确Figure的概念，我们先来看一张图：
图片上，Figure代表画板，Axes/Subplot代表画纸，其他两个英文就是X轴与Y轴，所以假如我们需要在一张画纸上画4个折线图就需要用到这些知识点，代码如下：

x = ['2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06', '2020-07', '2020-08']
y = [0, 15, 23, 68, 45, 86, 54, 24]
fig = plt.figure()  # 获取画板
ax1 = fig.add_subplot(221)  # 获取画纸
ax1.plot(x, y)
ax2 = fig.add_subplot(222)  # 获取画纸
ax2.plot(x, y)
ax3 = fig.add_subplot(223)  # 获取画纸
ax3.plot(x, y)
ax4 = fig.add_subplot(224)  # 获取画纸
ax4.plot(x, y)
plt.show()

这里我们创建了画板，同时创建了画纸，这里设置为两行行列的画板，同时分别获取某个位置的画纸，这样我们就能画出4个折线图，显示效果如下：

折线图的详细用法

如果使用如上方式先创建画板在获取画纸进行画图的话，我们如何设置其他的参数呢？下面我们直接来看一段代码：

matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['font.family'] = 'sans-serif'
matplotlib.rcParams['axes.unicode_minus'] = False
x = ['2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06', '2020-07', '2020-08']
y = [0, 15, 23, 68, 45, 86, 54, 24]
fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
ax.plot(x, y, linestyle='--', marker='o')#设置X,Y数据，显示折现的样式（--），以及数据点的样式（圈）
ax.set_title("我的标题")  # 设置你的标题
ax.set_xlabel('X轴')  # 设置X轴的文字
ax.set_ylabel('Y轴')  # 设置Y轴的文字
ax.set_xticks(['2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06', '2020-07', '2020-08'])  # 更改X轴刻度
ax.set_xticklabels(['2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06', '2020-07', '2020-08'],
                   rotation=30, fontsize='small')  # 增加X轴刻度文字旋转角度以及字体大小
ax.grid()#增加网格
ax.tick_params(axis='x', labelsize=7, rotation=45, colors='red')#同样可以设置X轴字体样式旋转角度，文字颜色，第一个参数为哪个轴
for i, j in zip(x, y):
    ax.annotate('%s' % (j), xy=(i, j), xytext=(0, 15), textcoords='offset points', ha='center')
#将详细数据显示在折线图上，
#第一个参数为注释点显示的数据，第二参数为数据显示图中的哪个坐标
# textcoords注释文本的坐标系属性，默认与xycoords属性值相同，也可设为不同的值。除了允许输入xycoords的属性值，还允许输入以下两种：
# offset points相对于被注释点xy的偏移量（单位点）
# offset pixels相对于被注释点xy的偏移量（单位像素）
#第四个参数显示的文字在中间
plt.show()

上面基本把常用的方法全部都写在了代码中，而且注释已经写的非常的详细，这里博主不在过多的赘述，上面代码显示的效果图如下：

柱状图

除了生活中常见的折线图之外，我们还常常见到各种报表中，也有柱状图，同样柱状图也可以通过matplotlib包实现，下面我们先来看一个简单的用法：

x = ['2020-01', '2020-02', '2020-03', '2020-04', '2020-05', '2020-06', '2020-07', '2020-08']
y = [0, 15, 23, 68, 45, 86, 54, 24]
fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
ax.bar(x, y)
plt.show()

在matplotlib中，我们通过bar实现柱状图，而之前的折现图我们通过plot方法实现，上面是最简单的实现方式，实现效果图如下：

柱状图的详细用法

接着，我们同样深入了解柱状图，看看如何实现，让其效果更佳，同样，我们先来看一段代码：

import matplotlib.pyplot as plt
import matplotlib.colors as col
import matplotlib.cm as cm
import matplotlib
import numpy as np
#下面三行用处为避免中文乱码
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['font.family'] = 'sans-serif'
matplotlib.rcParams['axes.unicode_minus'] = False
x = [2000, 2005, 2010, 2015, 2020, 2025, 2030, 2035]
y = [0, 15, 23, 68, 45, 86, 54, 24]
y2 = [0, 10, 20, 60, 40, 80, 50, 20]
fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
ax.bar([i + 1 for i in x], y2)
ax.set_title("柱状图")
ax.set_xlabel("X数据")
ax.set_ylabel("Y数据")
ax.grid()#增加网格
ax.tick_params(axis='x', labelsize=7, rotation=45, colors='red')
#annotate对齐方式
#arrowprops绘画箭头
for i, j in zip(x, y):
    ax.annotate('%s' % (j), xy=(i, j), xytext=(0, 25), textcoords='offset points', ha='center',
        arrowprops=dict(facecolor='black', shrink=0.15), fontsize=7)
patterns = {'-', '+', 'x', '\\', '*', 'o', '0', '.', 'v', '^', '1', '2', '3', '4', '8', 's', 'p', 'h'}#柱形图的样式
#cm.ScalarMappable给定的颜色映射返回RGBA颜色之前使用数据标准化
#colors.Normalize使用方法如下：
# class matplotlib.colors.Normalize(vmin=None, vmax=None)
# 参数vmin、vmax分别为要设置的数据范围最小值和最大值；
# 范围外的值分别显示最大值或最小值的颜色。
#cm.hot表示风格
camp1 = cm.ScalarMappable(col.Normalize(min(y), max(y) + 20), cm.hot)
#edgecolor：柱子轮廓色
#color：柱子填充色
#camp1.to_rgba(y)返回颜色值
bars = ax.bar(x, y, alpha=0.5, color=camp1.to_rgba(y), edgecolor='red', label=u'柱形图')
for bar, pattern in zip(bars, patterns):
    bar.set_hatch(pattern)#设置每个柱形的填充样式
ax.legend(loc='upper left')#左上角的提示
plt.show()

折现图的某些方法，在柱状图中依然可以使用，而且上面代码也有柱状图独有的方法函数，其中一些都写了注释，方便大家阅读，上面这段代码显示的效果如下：
当然柱状图并不仅仅只有竖着的才是柱状图，有时候我们也可以看到许多横着的柱状图，那么横着的柱状图在matplotlib中是如何实现的呢？还是一样直接看一段代码：

x = [2000, 2005, 2010, 2015, 2020, 2025, 2030, 2035]
y = [0, 15, 23, 68, 45, 86, 54, 24]
fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
ax.barh(x, y)
plt.show()

代码很简单，就是把bar方法换成barh方法，而且上面bar能用的其他设置barh一样都可以使用，这段代码就实现了横行柱状图，实现效果如下：

饼图

折线图可以看清楚数据的走势涨跌以及升迁，柱状图可以看清楚高低长短以及大小，但是它们都无法确认数据的百分比分布情况，所以这个时候就需要饼图，我们先来看一看饼图的简单用法：

fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
labels = ['娱乐', '育儿', '饮食', '房贷', '交通', '其它']
sizes = [2, 5, 12, 70, 2, 9]
plt.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=False, startangle=150)
plt.title("饼图示例-8月份家庭支出")
plt.show()

在matplotlib包中，我们使用饼图的方法是pie，而且百分比也不用我们自己来计算，pie方法会自动帮我们计算数组的综合，然后在分别每个数占据的比例，上面的代码显示效果如下：

饼图的详细用法

同样上面都是一些最基本的用法，我们实际的项目中可能还需要饼图的其他各种详细的设置，所以，我们先来看看饼图详细用法的一些代码：

fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
labels = ['娱乐', '育儿', '饮食', '房贷', '交通', '其它']
sizes = [2, 5, 12, 70, 2, 9]
explode = (0,0,0,0.1,0,0)
'''
x：指定绘图的数据；
explode：指定饼图某些部分的突出显示，即呈现爆炸式；
labels：为饼图添加标签说明，类似于图例说明；
colors：指定饼图的填充色；
autopct：自动添加百分比显示，可以采用格式化的方法显示；
pctdistance：设置百分比标签与圆心的距离；
shadow：是否添加饼图的阴影效果；
labeldistance：设置各扇形标签（图例）与圆心的距离；
startangle：设置饼图的初始摆放角度；
radius：设置饼图的半径大小；
counterclock：是否让饼图按逆时针顺序呈现；
wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等；
textprops：设置饼图中文本的属性，如字体大小、颜色等；
center：指定饼图的中心点位置，默认为原点
frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置；
'''
plt.pie(sizes,explode=explode, labels=labels, autopct='%1.1f%%', shadow=False, startangle=90)
'''
legend画出右上角显示的颜色文字配对详情
loc：图例所有figure位置
bbox_to_anchor:指定图例在轴的位置
fontsize：文字大小
borderaxespad：轴与图例边框之间的距离
frameon：是否去掉图例边框,false代表是
edgecolor：设置图例边框颜色
facecolor：设置图例背景颜色,若无边框,参数无效
handletextpad：图例句柄和文本之间的间距
handlelength：图例句柄的长度
handleheight：图例句柄的高度
labelspacing：图例条目之间的垂直间距
borderpad：图例边框的内边距
framealpha：控制图例框架的 Alpha 透明度
shadow：控制是否在图例后面画一个阴影
'''
ax.legend(loc='best', bbox_to_anchor=(1.1, 1.05), fontsize=8, borderaxespad=0.3,labelspacing=2.0)
plt.title("饼图示例-8月份家庭支出")
plt.show()

上面都是饼图常用的参数，其中有些参数并不是饼图用的所以这里没有讲解，因为legend有很多参数，而且大部分还是散点图用的参数，我们将马上讲解散点图，我们看看上面代码实现的效果图：

散点图

以上三种图都是我们生活中常见的图，比如财务报表，理财开支，生活贷款以及科学计算都会用到上面三种图形，但是有一种图是科学计算中独用的，那就是散点图，生活中基本见不到这种图，但从事科学研究的大佬肯定经常用到，下面我们来看看它的简单用法：

fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
plt.scatter(x, y)
plt.show()

在matplotlib包中，散点图的方法是scatter，上面的代码我们使用numpy库随机生成了1000具有标准正态分布的数据，定位X,Y的坐标，然后显示出来，显示的效果如下图所示：

散点图的详细用法

当然这是散点图最基本的用法，下面我们来看看散点图的详细用法，这里我们不和上面一样笼统的代码注释讲解，我们将分别讲解散点图的方法参数，首先也就是我们创建散点图的方法scatter它的参数：

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, 
hold=None, data=None, **kwargs)

参数的意思分别如下：

    x，y：数据坐标
    
    s：原点的大小，也需要是一个list数组的类型，设置每个点的大小
    
    c：颜色，可以单独设置（单独设置传入list数组），可以整体设置
    
    marker：`〜matplotlib.markers.MarkerStyle`，可选，默认值：'o'
        请参阅`〜matplotlib.markers`以获取有关不同的更多信息
        标记分散支持的样式。 `marker`可以是
        该类的实例或特定文本的简写
        标记。
    
    cmap：`〜matplotlib.colors.Colormap`，可选，默认：无
        一个`〜matplotlib.colors.Colormap`实例或注册名称。
        `cmap`仅在`c`是浮点数组时使用。如果没有，
        默认为rc`image.cmap`。
    
    norm：`〜matplotlib.colors.Normalize`，可选，默认：无
        `〜matplotlib.colors.Normalize`实例用于缩放
        亮度数据为0,1。`norm`只有在`c`是一个数组时才被使用
        彩车。如果`None'，则使用默认值：func：`normalize`。
    
    vmin，vmax：标量，可选，默认值：无
        `vmin`和`vmax`与`norm`结合使用来标准化
        亮度数据。如果其中任何一个都是`无'，那么最小和最大的
        使用颜色数组。请注意，如果你通过一个“规范”实例，你的
        `vmin`和`vmax`的设置将被忽略。
    
    alpha：透明度
    
    linewidths：标量或array_like，可选，默认值：无
        如果无，则默认为（lines.linewidth，）。
    
    verts：（x，y）的序列，可选
        如果`marker`为None，这些顶点将用于
        构建标记。标记的中心位于
        在（0,0）为标准化单位。整体标记重新调整
        由``s``完成。
    
     edgecolors ：边框颜色

比如我下面这段代码设置了每个点的大小，颜色，边框，透明度，样式为右尖三角形。代码如下：

fig = plt.figure()  # 获取画板
ax = fig.add_subplot(111)  # 获取画纸
x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
y = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
s = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
color = ['r', 'y', 'k', 'g', 'm', 'r', 'y', 'k', 'g', 'm']
plt.scatter(x, y, color=color, marker='>',
            s=s, edgecolor='black', alpha=0.5)
for x, y in zip(x, y):
    plt.annotate('(%s,%s)' % (x, y), xy=(x, y), xytext=(0, -10), textcoords='offset points', ha='center', va='top')
plt.show()

可以看到我们设置的点其实都在一条直线上，而且我们也同样使用了annotate方法，标记点的坐标显示在图像上，前面的有些方法，在散点图中依旧可以用，包括legend方法，这段代码显示的效果如下：
对于matplotlib包常用的绘图操作来说，上面基本都讲解到了，其他的都是一些比较偏门的知识，感兴趣的可以查询文档更深入的了解，但学会了上面的绘图代码，基本上大多数情况下都能轻松应付自如，好了matplotlib库就讲解到这里，觉得有用的可以点个赞支持一下，谢谢。