python常用图形绘图（matplotlib,pyecharts）

绘图库导入

import matplotlib.pyplot as plt
import numpy as np
import random

matlabplot图的基本构成

属性	属性解释
Axes	坐标系，是所有Matplot图的基本元素
Grid	坐标系上的网格背景
Title	标题，每个坐标系都可以有一个title，默认放置在坐标系顶端
Legend	图例
Axis	坐标轴
Tick	坐标轴上的刻度，matlabplot提供了大小两种的刻度，major tick和minor tick。刻度上的文字被称为tick label
Spine	边框，默认在坐标系四周都显示边框
Scatter,Line	点线数据是图的内容所在，他们对数组（ndarray）数据的直接绘制

matlabplot显示中文问题

方法一：
matlabplot默认是不显示中文的，如果我们要在绘图中显示中文，是要设置的，其中family用于显示字体的名称，代码里用的是微软雅黑，还有其他属性，比如字体大小（size）,字体风格（style）等，如有需要可以去官方文档查询。注：这种方法只适用windows和Linux系统，如果要在其他系统显示中文可是使用方法二

plt.rc("font", family='MicroSoft YaHei', weight="bold")

方法二：
在每个需要中文输出的地方，增加一个属性：fontproperties

a = np.arange(0.0, 5.0, 0.02)
plt.xlabel('横轴：时间', fontproperties='MicroSoft YaHei', fontsize=20)
plt.ylabel('纵轴：振幅', fontproperties='MicroSoft YaHei', fontsize=20)
plt.plot(a, np.cos(2*np.pi*a), 'r--')
plt.show()

散点图

其实画散点图原理非常简单，就是给出一个横坐标的列表X，再给出一个对应的纵坐标列表Y，然后使用 scatter 函数，就可以将散点画在图中，如果使用 plot 函数，则会将散点连线。当然也可以设置点大小、点外框大小、线大小、点颜色、线颜色、点形状、线形状、标题、标签等等。设置部分的内容有很多，但其实也可以不用设置，不设置就代表使用默认的大小、形状以及颜色等等。

# 散点图
X = [random.randint(0, 50) for _ in range(10)]  # 随机生成10个50以内的点的横坐标
Y = [random.randint(0, 50) for _ in range(10)]  # 随机生成10个50以内的点的纵坐标
plt.scatter(X, Y, s=50)  # 绘图，s为点的大小
plt.show()

# 散点图
X = [random.randint(0, 50) for _ in range(10)]  # 随机生成10个50以内的点的横坐标
Y = [random.randint(0, 50) for _ in range(10)]  # 随机生成10个50以内的点的纵坐标
X.sort()  # 对列表进行排序
Y.sort()
plt.plot(X, Y)  # 绘图
plt.show()

绘制函数

绘制函数其实也很简单，首先给出一个X的取值范围list，然后给出函数，就可以画出来了。下面画一个取值范围在[-5,5] (取20个点)，y = X^2 + 1 的函数。

x = np.linspace(-5, 5, 20)  # X轴的20个坐标
y = x**2 + 1
plt.plot(x, y)
plt.show()

在一张图上绘制多个函数

x = np.linspace(-5, 5, 20)  # X轴的20个坐标
y = x**2 + 1
y1 = x + 3
plt.plot(x, y)
plt.plot(x, y1)
plt.show()

条形图

plt.rc("font", family='MicroSoft YaHei', weight="bold")
x = ['小米', '华为', '魅族', 'oppo手机', 'vivo手机']
y = [25, 10, 15, 23, 13]
plt.bar(x, height=y, color='red', width=0.4)
plt.show()

水平条形图

price = [39.5, 39.9, 45.4, 38.9, 33.34]
plt.barh(range(5), price, height=0.7, color='steelblue', alpha=0.8)      # 从下往上画
plt.yticks(range(5), ['小米', '华为', '魅族', 'oppo手机', 'vivo手机'])
plt.xlim(30, 47)
plt.xlabel("价格")
plt.title("不同品牌手机价格")
for x, y in enumerate(price):
    plt.text(y + 0.2, x - 0.1, '%s' % y)   # 显示直方图数值
plt.show()

堆积条形图

labels = ['G1', 'G2', 'G3', 'G4']
sales_BJ = [32, 30, 23, 13]
sales_SH = [44, 26, 35, 21]
bar_width = 0.3
plt.bar(labels, sales_BJ, bar_width, color='b', label="华为")
plt.bar(labels, sales_SH, bar_width, color='r', bottom=sales_BJ, label='小米')
plt.title("各站点的手机销售指标")
plt.legend()   # 显示图标
plt.show()

分组条形图

labels = ['G1', 'G2', 'G3', 'G4', 'G5']
xm = [20, 34, 30, 35, 27]
hw = [25, 32, 34, 20, 25]
x = np.arange(len(labels))  # 标签位置
width = 0.35  # 每个长条的宽度
plt.bar(x - width/2, xm, width, label='小米')
plt.bar(x + width/2, hw, width, label='华为')
plt.title("各站点的手机销售量")
plt.xticks(ticks=x, labels=labels)
plt.legend()
plt.show()

饼状图

基本饼状图

labels = '小米', '华为', '魅族', 'oppo手机'
fracs = [15, 30, 45, 10]
explode = [0, 0.06, 0.08, 0]  # 饼状图中每部分离圆心的距离
plt.axes(aspect=1)
plt.pie(x=fracs, labels=labels, autopct='%.0f%%', explode=explode, shadow=True)
plt.show()

嵌套饼状图

size = 0.3
vals = np.array([[60., 32.], [37., 40.], [29., 10.]])
cmap = plt.get_cmap("tab20c")
outer_colors = cmap(np.arange(3)*4)
inner_colors = cmap([1, 2, 5, 6, 9, 10])
plt.pie(vals.sum(axis=1), radius=1, colors=outer_colors, autopct='%.0f%%',  wedgeprops=dict(width=size, edgecolor='w'))
plt.pie(vals.flatten(), radius=1-size, colors=inner_colors, autopct='%.0f%%', wedgeprops=dict(width=size, edgecolor='w'))
plt.show()

极坐标图

r = np.arange(0, 2, 0.01)
theta = 2 * np.pi * r
fig, ax = plt.subplots(subplot_kw={'projection': 'polar'})
ax.plot(theta, r)
ax.set_rmax(2)
ax.set_rticks([0.5, 1, 1.5, 2])  # 较少的径向刻度
ax.set_rlabel_position(-22.5)  # 将径向标签从绘制的线移开
ax.grid(True)
ax.set_title("极轴上的线图", va='bottom')
plt.show()

极轴条形图

# 计算饼图
N = 20
theta = np.linspace(0.0, 2 * np.pi, N, endpoint=False)
radii = 10 * np.random.rand(N)
width = np.pi / 4 * np.random.rand(N)
colors = plt.cm.viridis(radii / 10.)
plt.subplot(projection='polar')
plt.bar(theta, radii, width=width, bottom=0.0, color=colors, alpha=0.5)
plt.show()

箱型图

np.random.seed(100)
data = np.random.normal(size=1000, loc=0, scale=1)
plt.boxplot(data, sym='o', whis=1.5)
plt.show()

直方图

N_points = 100000
n_bins = 20
# 生成正态分布，以x=0和y=5为中心
x = np.random.randn(N_points)
plt.subplots(1,  sharey=True, tight_layout=True)
plt.hist(x, bins=n_bins)
plt.show()

更新直方图颜色

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import colors
from matplotlib.ticker import PercentFormatter

N_points = 100000
n_bins = 20
# 生成正态分布，以 x=0 和 y=5 为中心
x = np.random.randn(N_points)
y = .4 * x + np.random.randn(100000) + 5
fig, axs = plt.subplots(1, 2, tight_layout=True)
N, bins, patches = axs[0].hist(x, bins=n_bins)  # N是每个bin的计数，bins是bin的下限
fracs = N / N.max()  # 按高度对代码进行着色，可以使用任何标量
norm = colors.Normalize(fracs.min(), fracs.max())  # 将颜色图的整个范围的数据归一化为 0..1
# 遍历我们的对象并相应地设置每个对象的颜色
for thisfrac, thispatch in zip(fracs, patches):
    color = plt.cm.viridis(norm(thisfrac))
    thispatch.set_facecolor(color)
axs[1].hist(x, bins=n_bins, density=True)  # 通过计数的总数来标准化我们的输入
axs[1].yaxis.set_major_formatter(PercentFormatter(xmax=1))  # 格式化 y 轴以显示百分比
plt.show()

二维直方图

N_points = 100000
n_bins = 20
# 生成正态分布，以 x=0 和 y=5 为中心
x = np.random.randn(N_points)
y = .4 * x + np.random.randn(100000) + 5
plt.subplots(tight_layout=True)
plt.hist2d(x, y)
plt.show()

带散点图的直方图

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1 import make_axes_locatable

# 生成随机数据
x = np.random.randn(1000)
y = np.random.randn(1000)
fig, ax = plt.subplots(figsize=(5.5, 5.5))
ax.scatter(x, y)
ax.set_aspect(1.)  # 设置主轴的纵横比
divider = make_axes_locatable(ax)  # 在当前轴的右侧和顶部创建新轴
ax_histx = divider.append_axes("top", 1.2, pad=0.1, sharex=ax)
ax_histy = divider.append_axes("right", 1.2, pad=0.1, sharey=ax)
# 使一些标签不可见
ax_histx.xaxis.set_tick_params(labelbottom=False)
ax_histy.yaxis.set_tick_params(labelleft=False)
# 确定好一些限制
binwidth = 0.25
xymax = max(np.max(np.abs(x)), np.max(np.abs(y)))
lim = (int(xymax/binwidth) + 1)*binwidth
bins = np.arange(-lim, lim + binwidth, binwidth)
ax_histx.hist(x, bins=bins)
ax_histy.hist(y, bins=bins, orientation='horizontal')
ax_histx.set_yticks([0, 50, 100])
ax_histy.set_xticks([0, 50, 100])
plt.show()

画子图（一张画板画多张图）

x = np.arange(1, 50)
fig = plt.figure()
ax1 = fig.add_subplot(221)
ax1.plot(x, x)
ax2 = fig.add_subplot(222)
ax2.plot(x, np.sin(x))
ax3 = fig.add_subplot(223)
ax3.plot(x, x**2)
ax4 = fig.add_subplot(224)
ax4.plot(x, np.cos(x))
plt.show()

相邻的子图

t = np.arange(0.0, 2.0, 0.01)
s1 = np.sin(2 * np.pi * t)
s2 = np.exp(-t)
s3 = s1 * s2
fig, axs = plt.subplots(3, 1, sharex=True)
# 删除轴之间的水平空间
fig.subplots_adjust(hspace=0)
# 绘制每个图形，并设置y刻度值
axs[0].plot(t, s1)
axs[0].set_yticks(np.arange(-0.9, 1.0, 0.4))
axs[0].set_ylim(-1, 1)
axs[1].plot(t, s2)
axs[1].set_yticks(np.arange(0.1, 1.0, 0.2))
axs[1].set_ylim(0, 1)
axs[2].plot(t, s3)
axs[2].set_yticks(np.arange(-0.9, 1.0, 0.4))
axs[2].set_ylim(-1, 1)
plt.show()

一些子图的调整

1.自动调整子图间距，在显示绘图(plt.show())前加如下代码

plt.tight_layout()

2.对齐标签

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

fig = plt.figure(tight_layout=True)
gs = gridspec.GridSpec(2, 2)
ax = fig.add_subplot(gs[0, :])
ax.plot(np.arange(0, 1e6, 1000))
ax.set_ylabel('YLabel0')
ax.set_xlabel('XLabel0')
for i in range(2):
    ax = fig.add_subplot(gs[1, i])
    ax.plot(np.arange(1., 0., -0.1) * 2000., np.arange(1., 0., -0.1))
    ax.set_ylabel('YLabel1 %d' % i)
    ax.set_xlabel('XLabel1 %d' % i)
    if i == 0:
        for tick in ax.get_xticklabels():
            tick.set_rotation(55)
fig.align_labels()  # 与fig.align_xlabels(); fig.align_ylabels()相同
plt.show()

3.子图调整

plt.subplot(211)
plt.imshow(np.random.random((100, 100)), cmap=plt.cm.BuPu_r)
plt.subplot(212)
plt.imshow(np.random.random((100, 100)), cmap=plt.cm.BuPu_r)
plt.subplots_adjust(bottom=0.1, right=0.8, top=0.9)
cax = plt.axes([0.85, 0.1, 0.075, 0.8])
plt.colorbar(cax=cax)
plt.show()

matlabplot图的细节补充

想要绘制更多的图形可以去matlabplot官网
1.设置标题

plt.title("标题")

2.设置x或y轴坐标刻度

plt.xticks()
plt.yticks()  # 括号内填入刻度 

3.设置x或y轴坐标名称

plt.xlabel("标签内容")
plt.ylabel("标签内容")

4.添加图例

plt.plot(x, y, label="图例内容")  # 在绘图函数添加一个属性label
plt.legend(loc=1)   #添加图例，loc为图例位置，1为右上角，2为左上角，3为左下角，4为右下角

5.设置颜色(color)，标记(marker)， 线条风格(linestyle)

plt.plot(x, y, color="r", marker='.', linestyle='--', label="y=x**2+1")

设置网格

plt.grid()

列子

x = np.linspace(-5, 5, 20)  # X轴的20个坐标
y = x**2 + 1
plt.plot(x, y, color="r", marker='.', linestyle='--', label="y=x**2+1")
xticks = range(-10, 10)
plt.xticks(xticks)
plt.yticks(xticks)
plt.xlabel("a")
plt.legend(loc=1)
plt.show()

颜色

标记




线型

pyecharts绘图

pyecharts是一个基于百度开发的echarts的一个第三方库，它的绘图功能十分强大。交互性比较强，个人觉得是交互性最强的一个第三方绘图库，在用作展示等方面是一个值得使用的第三方库。特别是绘制地理数据可视化上，它有超过400多个地图文件以及原生的百度地图。想要学习更多pyecharts绘图可以去 pyecharts官网学习pyecharts官网，也可以阅读下这篇博文pyecharts的绘图原理详解
下面例子多为绘制地理数据可视图

pyecharts绘商家A在广东分布地图

from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Faker

c = (
    Map()
    .add("商家A", [list(z) for z in zip(Faker.guangdong_city, Faker.values())], "广东")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Map-广东地图"), visualmap_opts=opts.VisualMapOpts()
    )
    .render(r"C:\map_guangdong.html")  # 生成map_guangdong。html网页链接，存放在C盘
)

绘制三维世界地图

import pyecharts.options as opts
from pyecharts.charts import MapGlobe
from pyecharts.faker import POPULATION

data = [x for _, x in POPULATION[1:]]
low, high = min(data), max(data)

c = (
    MapGlobe()
    .add_schema()
    .add(
        maptype="world",
        series_name="World Population",
        data_pair=POPULATION[1:],
        is_map_symbol_show=False,
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
        visualmap_opts=opts.VisualMapOpts(
            min_=low,
            max_=high,
            range_text=["max", "min"],
            is_calculable=True,
            range_color=["lightskyblue", "yellow", "orangered"],
        )
    )
    .render(r"C:\map_globe_base.html")
)

象形柱图

from pyecharts import options as opts
from pyecharts.charts import PictorialBar
from pyecharts.globals import SymbolType

location = ["山西", "四川", "西藏", "北京", "上海", "内蒙古", "云南", "黑龙江", "广东", "福建"]
values = [13, 42, 67, 81, 86, 94, 166, 220, 249, 262]

c = (
    PictorialBar()
    .add_xaxis(location)
    .add_yaxis(
        "",
        values,
        label_opts=opts.LabelOpts(is_show=False),
        symbol_size=18,
        symbol_repeat="fixed",
        symbol_offset=[0, 0],
        is_symbol_clip=True,
        symbol=SymbolType.ROUND_RECT,
    )
    .reversal_axis()
    .set_global_opts(
        title_opts=opts.TitleOpts(title="PictorialBar-各省份人口数量（虚假数据）"),
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(
            axistick_opts=opts.AxisTickOpts(is_show=False),
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(opacity=0)
            ),
        ),
    )
    .render("pictorialbar_base.html")
)

雷达图

from pyecharts import options as opts
from pyecharts.charts import Radar

v1 = [[4300, 10000, 28000, 35000, 50000, 19000]]
v2 = [[5000, 14000, 28000, 31000, 42000, 21000]]
c = (
    Radar()
    .add_schema(
        schema=[
            opts.RadarIndicatorItem(name="销售", max_=6500),
            opts.RadarIndicatorItem(name="管理", max_=16000),
            opts.RadarIndicatorItem(name="信息技术", max_=30000),
            opts.RadarIndicatorItem(name="客服", max_=38000),
            opts.RadarIndicatorItem(name="研发", max_=52000),
            opts.RadarIndicatorItem(name="市场", max_=25000),
        ]
    )
    .add("预算分配", v1)
    .add("实际开销", v2)
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(
        legend_opts=opts.LegendOpts(selected_mode="single"),
        title_opts=opts.TitleOpts(title="Radar-单例模式"),
    )
    .render("radar_selected_mode.html")
)