python用matplotlib画表格_Python图表绘制工具：Matplotlib_Part 1

序言：

Python的可视化工具,以下截图，均以展示图表实例，如需了解部分对象的输出结果，可参照我Github上的代码，3Q

【课程3.1】 Matplotlib简介及图表窗口

Matplotlib → 一个python版的matlab绘图接口，以2D为主，支持python、numpy、pandas基本数据结构，运营高效且有较丰富的图表库

图表窗口1 → plt.show()

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

# 图表窗口1 → plt.show()

plt.plot(np.random.rand(10))

plt.show()

# 直接生成图表

1.png

图表窗口2 → 魔法函数，嵌入图表

# 图表窗口2 → 魔法函数，嵌入图表

% matplotlib inline

x = np.random.randn(1000)

y = np.random.randn(1000)

plt.scatter(x,y)

# 直接嵌入图表，不用plt.show()

# 代表该图表对象

2.png

图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口

# 图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口

% matplotlib notebook

s = pd.Series(np.random.randn(100))

s.plot(style = 'k--o',figsize=(10,5))

# 可交互的matplotlib窗口，不用plt.show()

# 可做一定调整

3.png

图表窗口4 → 魔法函数，弹出matplotlib控制台

# 图表窗口4 → 魔法函数，弹出matplotlib控制台

% matplotlib qt5

df = pd.DataFrame(np.random.rand(50,2),columns=['A','B'])

df.hist(figsize=(12,5),color='g',alpha=0.8)

# 可交互性控制台

# 如果已经设置了显示方式(比如notebook)，需要重启然后再运行魔法函数

# 网页嵌入的交互性窗口 和 控制台，只能显示一个

#plt.close()

# 关闭窗口

#plt.gcf().clear()

# 每次清空图表内内容

PS:这里需要用代码调试

【课程3.2】 图表的基本元素

图表内基本参数设置

图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等

# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等

df = pd.DataFrame(np.random.rand(10,2),columns=['A','B'])

fig = df.plot(figsize=(6,4))

# figsize：创建图表窗口，设置窗口大小

# 创建图表对象，并赋值与fig

plt.title('Interesting Graph - Check it out') # 图名

plt.xlabel('Plot Number') # x轴标签

plt.ylabel('Important var') # y轴标签

plt.legend(loc = 'upper right')

# 显示图例，loc表示位置

# 'best' : 0, (only implemented for axes legends)(自适应方式)

# 'upper right' : 1,

# 'upper left' : 2,

# 'lower left' : 3,

# 'lower right' : 4,

# 'right' : 5,

# 'center left' : 6,

# 'center right' : 7,

# 'lower center' : 8,

# 'upper center' : 9,

# 'center' : 10,

plt.xlim([0,12]) # x轴边界

plt.ylim([0,1.5]) # y轴边界

plt.xticks(range(10)) # 设置x刻度

plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2]) # 设置y刻度

fig.set_xticklabels("%.1f" %i for i in range(10)) # x轴刻度标签

fig.set_yticklabels("%.2f" %i for i in [0,0.2,0.4,0.6,0.8,1.0,1.2]) # y轴刻度标签

# 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数

# 轴标签则是显示刻度的标签

print(fig,type(fig))

# 查看表格本身的显示方式，以及类别

4.png

其他元素可视性

# 其他元素可视性

x = np.linspace(-np.pi,np.pi,256,endpoint = True)

c, s = np.cos(x), np.sin(x)

plt.plot(x, c)

plt.plot(x, s)

# 通过ndarry创建图表

plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')

# 显示网格

# linestyle：线型

# color：颜色

# linewidth：宽度

# axis：x，y，both，显示x/y/两者的格网

plt.tick_params(bottom='on',top='off',left='on',right='off')

# 刻度显示

import matplotlib

matplotlib.rcParams['xtick.direction'] = 'out'

matplotlib.rcParams['ytick.direction'] = 'inout'

# 设置刻度的方向，in,out,inout

# 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot

frame = plt.gca()

#plt.axis('off')

# 关闭坐标轴

#frame.axes.get_xaxis().set_visible(False)

#frame.axes.get_yaxis().set_visible(False)

# x/y 轴不可见

5.png

【课程3.3】 图表的样式参数

linestyle、style、color、marker

linestyle参数

# linestyle参数

plt.plot([i**2 for i in range(100)],

linestyle = '-.')

# '-' solid line style

# '--' dashed line style

# '-.' dash-dot line style

# ':' dotted line style

6.png

marker参数

# marker参数

s = pd.Series(np.random.randn(100).cumsum())

s.plot(linestyle = '--',

marker = '.')

# '.' point marker

# ',' pixel marker

# 'o' circle marker

# 'v' triangle_down marker

# '^' triangle_up marker

# '

# '>' triangle_right marker

# '1' tri_down marker

# '2' tri_up marker

# '3' tri_left marker

# '4' tri_right marker

# 's' square marker

# 'p' pentagon marker

# '*' star marker

# 'h' hexagon1 marker

# 'H' hexagon2 marker

# '+' plus marker

# 'x' x marker

# 'D' diamond marker

# 'd' thin_diamond marker

# '|' vline marker

# '_' hline marker

7.png

color参数

# color参数

plt.hist(np.random.randn(100),

color = 'g',alpha = 0.8)

# alpha：0-1，透明度

# 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y

df = pd.DataFrame(np.random.randn(1000, 4),columns=list('ABCD'))

df = df.cumsum()

df.plot(style = '--.',alpha = 0.8,colormap = 'GnBu')

# colormap：颜色板，包括：

# Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r,

# Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r,

# PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r,

# RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r,

# YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r,

# cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r,

# gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot,

# gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral,

# nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral,

# spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r

# 其他参数见“颜色参数.docx”

8.png

style参数，可以包含linestyle，marker，color

# style参数，可以包含linestyle，marker，color

ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))

ts.plot(style = '--g.',grid = True)

# style → 风格字符串，这里包括了linestyle(-)，marker(.)，color(g)

# plot()内也有grid参数

9.png

整体风格样式

# 整体风格样式

import matplotlib.style as psl

print(plt.style.available)

# 查看样式列表

psl.use('ggplot')

ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))

ts.plot(style = '--g.',grid = True,figsize=(10,6))

# 一旦选用样式后，所有图表都会有样式，重启后才能关掉

10.png

【课程3.4】 刻度、注解、图表输出

主刻度、次刻度

刻度

# 刻度

from matplotlib.ticker import MultipleLocator, FormatStrFormatter

t = np.arange(0.0, 100.0, 1)

s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)

ax = plt.subplot(111) #注意:一般都在ax中设置,不再plot中设置

plt.plot(t,s,'--*')

plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'both')

# 网格

#plt.legend() # 图例

xmajorLocator = MultipleLocator(10) # 将x主刻度标签设置为10的倍数

xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式

xminorLocator = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数

ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数

ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式

yminorLocator = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数

ax.xaxis.set_major_locator(xmajorLocator) # 设置x轴主刻度

ax.xaxis.set_major_formatter(xmajorFormatter) # 设置x轴标签文本格式

ax.xaxis.set_minor_locator(xminorLocator) # 设置x轴次刻度

ax.yaxis.set_major_locator(ymajorLocator) # 设置y轴主刻度

ax.yaxis.set_major_formatter(ymajorFormatter) # 设置y轴标签文本格式

ax.yaxis.set_minor_locator(yminorLocator) # 设置y轴次刻度

ax.xaxis.grid(True, which='both') #x坐标轴的网格使用主刻度

ax.yaxis.grid(True, which='minor') #y坐标轴的网格使用次刻度

# which：格网显示

#删除坐标轴的刻度显示

#ax.yaxis.set_major_locator(plt.NullLocator())

#ax.xaxis.set_major_formatter(plt.NullFormatter())

11.png

注解

# 注解

df = pd.DataFrame(np.random.randn(10,2))

df.plot(style = '--o')

plt.text(5,0.5,'hahaha',fontsize=10)

# 注解 → 横坐标，纵坐标，注解字符串

12.png

图表输出

# 图表输出

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))

df = df.cumsum()

df.plot(style = '--.',alpha = 0.5)

plt.legend(loc = 'upper left')

plt.savefig('C:/Users/Hjx/Desktop/pic.png',

dpi=400,

bbox_inches = 'tight',

facecolor = 'g',

edgecolor = 'b')

# 可支持png，pdf，svg，ps，eps…等，以后缀名来指定

# dpi是分辨率

# bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。

# facecolor，edgecolor： 图像的背景色，默认为‘w’(白色)

13.png

【课程3.5】 子图

在matplotlib中，整个图像为一个Figure对象

在Figure对象中可以包含一个或者多个Axes对象

每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域

plt.figure, plt.subplot

plt.figure() 绘图对象

# plt.figure() 绘图对象

# plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None,

# frameon=True, FigureClass=, **kwargs)

fig1 = plt.figure(num=1,figsize=(4,2))

plt.plot(np.random.rand(50).cumsum(),'k--')

fig2 = plt.figure(num=2,figsize=(4,2))

plt.plot(50-np.random.rand(50).cumsum(),'k--')

# num：图表序号，可以试试不写或都为同一个数字的情况，图表如何显示

# figsize：图表大小

# 当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)

14.png

子图创建1 - 先建立子图然后填充图表

# 子图创建1 - 先建立子图然后填充图表

fig = plt.figure(figsize=(10,6),facecolor = 'gray')

ax1 = fig.add_subplot(2,2,1) # 第一行的左图

plt.plot(np.random.rand(50).cumsum(),'k--')

plt.plot(np.random.randn(50).cumsum(),'b--')

# 先创建图表figure，然后生成子图，(2,2,1)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下

# 创建子图后绘制图表，会绘制到最后一个子图

ax2 = fig.add_subplot(2,2,2) # 第一行的右图

ax2.hist(np.random.rand(50),alpha=0.5)

ax4 = fig.add_subplot(2,2,4) # 第二行的右图

df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])

ax4.plot(df2,alpha=0.5,linestyle='--',marker='.')

# 也可以直接在子图后用图表创建函数直接生成图表

15.png

子图创建2 - 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot

# 子图创建2 - 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot

fig,axes = plt.subplots(2,3,figsize=(10,4))

ts = pd.Series(np.random.randn(1000).cumsum())

print(axes, axes.shape, type(axes))

# 生成图表对象的数组

ax1 = axes[0,1]

ax1.plot(ts)

16.png

plt.subplots,参数调整

# plt.subplots,参数调整

fig,axes = plt.subplots(2,2,sharex=True,sharey=True)

# sharex,sharey：是否共享x，y刻度

for i in range(2):

for j in range(2):

axes[i,j].hist(np.random.randn(500),color='k',alpha=0.5)

plt.subplots_adjust(wspace=0,hspace=0)

# wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距

17.png

子图创建3 - 多系列图，分别绘制

# 子图创建3 - 多系列图，分别绘制

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))

df = df.cumsum()

df.plot(style = '--.',alpha = 0.4,grid = True,figsize = (8,8),

subplots = True,

layout = (2,3),

sharex = False)

plt.subplots_adjust(wspace=0,hspace=0.2)

# plt.plot()基本图表绘制函数 → subplots，是否分别绘制系列(子图)

# layout：绘制子图矩阵，按顺序填充

18.png

最后：