【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门(一)
这是机器未来的第52篇文章
原文首发地址：https://robotsfutures.blog.csdn.net/article/details/126899226
《Python数据科学快速入门系列》快速导航：
- 【Python数据科学快速入门系列 | 01】Numpy初窥——基础概念
- 【Python数据科学快速入门系列 | 02】创建ndarray对象的十多种方法
- 【Python数据科学快速入门系列 | 03】玩转数据摘取：Numpy的索引与切片
- 【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇
- 【Python数据科学快速入门系列 | 05】常用科学计算函数
- 【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门
文章目录
- 《Python数据科学快速入门系列》快速导航：
- 前言
- 1. Matplotlib简介
- 2. Matplotlib的安装
- 3. Matplotlib的基础使用
-
- 3.1 第一个Matplot例子：绘制折线图
- 3.2 编码风格
- 3.2 绘图参数详解
-
- 3.2.1 Figure画布
- 3.2.2 Axes绘图区域与Axis坐标轴
- 3.2.3 输入数据的类型
- 3.2.4 绘图样式
-
- 3.2.4.1 标准表示
- 3.2.4.2 简写表示
写在开始：
- 博客简介：专注AIoT领域，追逐未来时代的脉搏，记录路途中的技术成长！
- 博主社区：AIoT机器智能, 欢迎加入！
- 专栏简介：从0到1掌握数据科学常用库Numpy、Matploblib、Pandas。
- 面向人群：AI初级学习者
前言
本文概述了matplotlib是什么，能做什么，怎么做的问题，是一篇matplotlib数据可视化入门文章，对于matplotlib的基础功能做了一个整体的使用说明。包含绘制第一个图表、绘图编程风格、Figure画布、axes绘图区，绘图样式等内容。
1. Matplotlib简介
Matplotlib是一个数据可视化综合绘图库，python三剑客(Numpy、Matplotlib、Pandas)之一，用于创建静态图、动态图和Python中的交互式可视化图像。
只需几行代码就可以生成图表，直方图，功率谱，条形图，误差图，散点图等。
说到数据可视化，我们为什么需要数据可视化？
如果将文本数据与图表数据相比较，人类的思维模式更适合于理解后者，原因在于图表数据更加直观且形象化，它对于人类视觉的冲击更强，这种使用图表来表示数据的方法被叫做数据可视化。
举个简单的例子：给你一只股票的分时数据，你认为一行行的数据直观呢，还是K线图直观呢？
2. Matplotlib的安装
有2种主流的安装方式：
-
第一种直接安装Anaconda就可以自动安装matplotlib库，可以参考博主之前的文章:Python零基础快速入门系列|01】人工智能序章：开发环境搭建Anaconda+VsCode+JupyterNotebook(零基础启动)
-
第二种直接使用命令安装
pip install matplotlib
或
conda install matplotlib
3. Matplotlib的基础使用
3.1 第一个Matplot例子：绘制折线图
#引入matplotlib.pyplot绘图库
from matplotlib import pyplot as plt
#创建一个只有单个子图的画布
fig,ax=plt.subplots()#Create a figure containing a single axes.
#4个坐标点的坐标分别是(1,1),(2,4),(3,2),(4,3)
ax.plot([1,2,3,4],[1,4,2,3]);#Plot some data on the axes.
plt.show()
可以看到仅仅4行代码就生成了非常好看的折线图，C语言开发工程师已经哭晕…
那么它到底怎么做的呢？
- 首先创建了一个画布fig
- 然后创建了一个绘图区域ax(axes)，这个绘图区域有2个坐标轴axis，分别在横轴和纵轴。
- 然后绘图区域对象ax调用了方法plot绘制了4个坐标点，形成折线图。
3.2 编码风格
有人可能注意到我们在网上看到的绘图代码好像不是这样的，直接使用plt就可以绘制了，就像这样：
#引入matplotlib.pyplot绘图库
from matplotlib import pyplot as plt
#4个坐标点的坐标分别是(1,1),(2,4),(3,2),(4,3)
plt.plot([1,2,3,4],[1,4,2,3]);#Plot some data on the axes. b
plt.show()
从结果来看，是一模一样的，好像更方便，仅仅3行代码就可以了。
第二种绘制方法绘制过程如下：
- 隐式创建一个画布，并创建一个绘图区域
- 然后绘制4个坐标点，绘制折线图
其实从编码风格来说，第一种是面向对象的编码风格，第二种是pyplot风格：依靠pyplot自动创建和管理图形和轴，并使用pyplot函数进行绘图。
一般来说，我们建议使用OO风格，特别是对于复杂的绘图，以及旨在作为更大项目的一部分重用的函数和脚本。但是，pyplot样式可以非常方便地进行快速交互工作。
3.2 绘图参数详解
3.2.1 Figure画布
首先创建的就是画布，创建画布的方式有多种
from matplotlib import pyplot as plt
#创建空白画布
fig = plt.figure()#an empty figure with no Axes
plt.show()
from matplotlib import pyplot as plt
#创建单个绘图区域的画布
fig,ax=plt.subplots()#a figure with a single Axes
plt.show()
from matplotlib import pyplot as plt
#创建2x2四个绘图区域的画布
fig,axs=plt.subplots(2,2)#a figure with a 2x2 grid of Axes
plt.show()
3.2.2 Axes绘图区域与Axis坐标轴
一个画布可以包含多个绘图区域，如上面的例子，一个画布包含4个绘图区域，每个绘图区域由2个(2D)或3个(3D)坐标轴组成。看下面的结构图的直观展示：
3.2.3 输入数据的类型
绘图函数需要 numpy.array 或 numpy.ma.masked_array 作为输入，或者可以传递给 numpy.asarray 的对象转换。
x, y array-like or scalar
3.2.4 绘图样式
3.2.4.1 标准表示
-
color
支持颜色英文名称和十六进制颜色代码，例如black和#000000
-
linewidth
浮点类型
-
linestyle
| linestyle | description |
|---|---|
'-' or 'solid' |
实线 |
'--' or 'dashed' |
杠虚线 |
'-.' or 'dashdot' |
点杠虚线 |
':' or 'dotted' |
点虚线 |
'none', 'None', ' ', or '' |
无 |
- marker
marker样式非常多，更多样式参考官方文档:https://matplotlib.org/stable/api/markers_api.html#module-matplotlib.markers
| marker | symbol | description |
|---|---|---|
"." |
 |
point |
"," |
 |
pixel |
"o" |
 |
circle |
"v" |
 |
triangle_down |
"^" |
 |
triangle_up |
"<" |
 |
triangle_left |
">" |
 |
triangle_right |
"1" |
 |
tri_down |
"2" |
 |
tri_up |
"3" |
 |
tri_left |
"4" |
 |
tri_right |
"8" |
 |
octagon |
"s" |
 |
square |
"p" |
 |
pentagon |
"P" |
 |
plus (filled) |
"*" |
 |
star |
"h" |
 |
hexagon1 |
"H" |
 |
hexagon2 |
"+" |
 |
plus |
"x" |
 |
x |
"X" |
 |
x (filled) |
"D" |
 |
diamond |
"d" |
 |
thin_diamond |
"|" |
 |
vline |
"_" |
 |
hline |
"""
曲线样式例子1
"""
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots(figsize=(8, 5))
# 生成0~2π之间的等差数列，数据元素为30个
x = np.linspace(0, 2*np.pi, 30)
y1 = np.cos(x)
y2 = np.sin(x)
y3 = np.cos(2*x)
y4 = np.sin(2*x)
# 绘制余弦曲线，颜色为黑色，线宽3，线样式为杠虚线，点标记为小三角
ax.plot(x, y1, color='#000000', linewidth=3, linestyle='--', marker='^')
# 绘制正弦函数曲线，颜色为橙色，线宽2，点标记为星号
l, = ax.plot(x, y2, color='orange', linewidth=2, marker='*')
# 单独设置线样式为点虚线
l.set_linestyle(':')
# 绘制2x余弦函数曲线，线宽为8，线样式为杠点虚线
ax.plot(x, y3, color='red', linewidth=6, linestyle='-.')
# 绘制2x正弦函数曲线，颜色为绿色，线宽为1，线样式为实线
ax.plot(x, y4, color='green', linewidth=2, linestyle='-')
plt.show()
3.2.4.2 简写表示
除了上面的设置方式之外，还有一种简写设置方式。
plot([x], y, [fmt], *, data=None, **kwargs)
fmt = '[marker][line][color]'
或
fmt = '[color][marker][line]'
fmt的内容本身没有限定顺序，可以自由组合。
line指的是line_style，marker和line_style的取值和上面的表描述是一样的，颜色代码简写表示如下：
颜色
支持的颜色缩写是单字母代码
| 特点 | 颜色 |
|---|---|
'b' |
蓝色的 |
'g' |
绿色 |
'r' |
红色的 |
'c' |
青色 |
'm' |
品红 |
'y' |
黄色 |
'k' |
黑色的 |
'w' |
白色的 |
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 生成0~2π之间的等差数列，数据元素为30个
x = np.linspace(0, 2*np.pi, 30)
y1 = np.cos(x)
y2 = np.sin(x)
y3 = np.cos(2*x)
# g-green,o-cycle圆点标记，--为杠杠虚线，其它样式需要单独指定
plt.plot(x, y1, 'go--', linewidth=2, markersize=6)
# c-青色，^-三角标志，:为点虚线
plt.plot(x, y2, 'c^:', linewidth=2, markersize=3)
# b-blue，*-star标志，-.为杠点虚线
plt.plot(x, y3, 'b*-.', linewidth=2, markersize=3)
[]
未完待续，后续详见下一篇文章：
【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门(二)
— 博主热门专栏推荐 —
- Python零基础快速入门系列
- 深入浅出i.MX8企业级开发实战系列
- MQTT从入门到提高系列
- 物体检测快速入门系列
- 自动驾驶模拟器AirSim快速入门
- 安全利器SELinux入门系列
- Python数据科学快速入门系列
